跳到内容
02_Elements/Icons/ArrowLeft 返回洞察力
洞察力>营销业绩

用数据科学实现宏大的成果

4分钟阅读|Avi Jain,区域数据科学客户负责人,尼尔森|2019年3月

我们生活在一个数据呈指数级增长的世界中,越来越多的努力被用于更好地利用数据。今天的营销人员拥有足够多的数据,但他们正在寻找更好的方法来使用和连接他们的数据集,以获得更深入、更有价值的洞察力。

挑战在于我们看待数据科学应用的方式,以及我们作为数据科学家所接受的培训方式。在多年的数据科学和分析项目工作中,我已经能够看到实现更大、更大胆的目标的更容易的方法。

这是一个四步的过程:

  1. 从雄心勃勃的结果开始
  2. 将结果分成更小的行动组
  3. 探索数据和运行分析(迭代式)。
  4. 将调查结果与设定的结果联系起来

这个过程比传统的数据科学问题解决过程更有效,因为它减少了模糊性,并激发了每个人对结果的推动。传统的数据科学过程通常从确定问题陈述开始,然后转向数据收集、数据建模和评估。传统数据科学流程的核心是复杂性。复杂性通常迫使我们更加理性地思考,分析,而不会让我们发挥创造力。另一方面,雄心壮志鼓励我们从创造性思维开始,然后走向我们大脑的分析面。

现在让我们把我们的过程分成各个步骤。

从雄心勃勃的结果开始

比方说,你想在下一年实现5%的额外份额。首先,确定你雄心勃勃的结果。在这种情况下,增加5%的份额。行为心理学说,积极地重塑目标是很重要的,因为它能诱导你的头脑更有创造性地思考,以实现目标。

在这个例子中,假设你想通过扩大你在印度尼西亚的分销网络来增加份额。印度尼西亚在地理上是一个非常分散的国家,有17000个岛屿,运输是一个挑战。为了实现这一目标,我们的目标是以尽可能低的成本达到50%到80%的市场,而且这一切都在一年之内完成。

把你的结果分成更小的行动组

这很关键,因为你想把你的大的雄心勃勃的结果分成较小的可管理的集合。这也有助于将你的数据放入 "相互排斥的集体详尽 "集。这有助于将其划分为多个子目标,并快速跟踪这一过程。在我们的例子中,我们将结果分为三个行动集:

  1. 需要建立分销商的密集地域
  2. 分散的地理区域需要设置次级分销商
  3. 不断增长的人口集群

探索数据集并运行分析

这是该过程的一个重要部分。从探索数据源开始,列出哪些是可用的,哪些是不可用的(但却是必须的)。在这个例子中,我们可以使用尼尔森零售业普查和零售业面板数据,这些数据具有不同的特征,如商店规模、商店销售额、商店位置坐标等。然后我们可以整合这两组数据,得出一些有意义的特征。

然而,我们也认识到我们的数据集的不足之处。在这种情况下,我们可能会发现,在我们的零售范围之外有一个相当大的区域。因此,我们可能没有某些类型的信息,如人口、银行的数量(可以表明繁荣程度)和其他数据。因此,我们必须确定其他来源,如人口普查,以获得这些特征。

然后,这些数据集被融合并通过多元回归模型运行,从而确定每个地区/地点的机会。

可能需要几次迭代以确保预测的准确性。最后,这些数据可以与客户或第一方分配数据合并。

将调查结果与结果联系起来

最后一步是将所有行动组的结果联系起来。

在这个例子中,我们能够利用这些数据绘制出提供最多机会的区域/街区集群,这些集群可以由现有的分销网络现实地支持,只需略微增加其半径,并在增长的集群中设立少数次级分销商。

在这个例子中,我们能够结合多个数据集来提供一个简单的解决方案,为一个庞大的、雄心勃勃的目标勾勒出一个清晰的解决方案。这表明,从问题陈述开始并不总是有好处的,而是一个积极的宏伟目标。

因此,下一次当你开始一个新项目时,请给这个过程一个机会,以一个雄心勃勃的目标和创造性的思维开始。