如何将大量数据转化为可用、有意义的见解（2021 年指南）

您是否被眼前的所有数据所淹没？

那里有前所未有的丰富数据，但如何将其转化为可操作的见解？

你看，从数据到洞察的旅程充满了挑战。 你需要一套强有力的步骤来对抗它们。

在这里，我们将向您展示如何从大量数据中提取洞察力，切断无用信息，并在您的组织中做出更快的数据驱动决策。

什么是数据和洞察力？

在开始讨论之前，让我们先定义一下数据和洞察力的含义。

• 数据是通过观察收集的事实和统计数据。 它们可以是数字、文本、图像、音频等。
  
  让我们从这个角度来看：
  
  假设您拥有一家电子商务商店并激活了 Google Analytics (GA)，那么每个浏览您的在线商店的用户都会留下一些由 GA 获取的数字足迹。
  
  这包括人口统计数据、设备、浏览器等。如果你看到这些原始事实，它可能看起来很乱，因为它们有时是非结构化的并且没有上下文。

  

• 信息是提炼这些数据并赋予其结构和背景的产物。 这样，数据对肉眼来说更有意义。
  
  对于您的电子商务商店，您的 GA 仪表板就是一个例子。 当所有数据放在一起并在上下文中呈现时，它是可消耗的，您可以从中汲取见解。

  

• 洞察力是从对信息的理解中获得的宝贵知识。 当您使用信息（或数据）并在其上下文和其他可用信息中准确地解释它时，您就会获得洞察力。
  
  在商业世界中，洞察力是收集数据的全部重点。 将洞察力视为调查您正在观察的操作的内部运作。 他们从数据中讲述了一个有意义的故事。

洞察力示例

通过有效的数据分析确定 97% 的客户在计划婚礼时会找到您，这就是洞察力的一个例子。

就其本身而言，这只是很酷的信息。

但是，如果将其用于制定为您的品牌和客户带来有形价值的计划，那就是可行的洞察力。 例如，您可以使用这些信息来计划针对即将结婚的人的广告活动。

你已经知道这些观众被你吸引了； 因此，高 ROAS（广告支出回报率）不会太令人惊讶。

在将数据转化为这样的见解之前，必须首先收集它们，然后进行分析。

可以收集数据的各种方法

大多数企业使用不同的方法从多个来源收集数据。 每种方法都有自己的一套规则。

例如，谷歌分析使用 JavaScript 和跟踪代码收集数据。

将跟踪代码添加到您的页面后，该脚本会将数据发送到 Google 服务器。 这包括页面数据（URL、标题）、浏览器数据（视口、屏幕分辨率）、用户数据（位置、语言）等等。

它类似于 Facebook、Twitter、Instagram 和其他网站上的社交媒体分析。 您还可以从以下位置收集数据：

• 调查
• 市场增长统计
• 交易数据追踪
• 客户反馈分析
• 订阅和注册数据等

从这里，数据移动到下一步。

数据分析与数据分析

与流行的用法相反，这些术语的含义不同。

• 数据分析是收集和使用数据的科学。 它是收集原始数据和从中采取行动之间的一切。 这包括使用机器学习、统计和基于计算机的模型收集、组织、存储和分析数据。
• 数据分析是数据分析的一个子组件。 数据分析是一个检查、清理、转换和组织数据的过程，其最终目标是提取有价值的信息并将其用于为决策和行动提供信息。

在典型的组织中，数据科学家、高管和经理通常是唯一使用数据分析来获得洞察力的人。

一个高效的数据驱动型组织应该向所有成员分发对数据的访问和对数据的理解。

这给我们带来了一个改变游戏规则的概念：数据民主化。

什么是数据民主化？

数据民主化意味着让组织内的每个人都可以使用数据，而没有超专业知识的障碍。 这意味着您组织中的任何人都可以访问、理解数据并使用它来做出决策和建议。

这个想法是，动手能力（数据方面）越多，公司从上到下采用数据驱动的决策文化就越快。

但有一个问题。

有了这种访问级别，维护数据的安全性和完整性就变得更加困难。 没有受过训练的分析师专业知识的人也有可能错误地解释数据。

尽管如此，数据民主化仍然是做出更智能、更快的数据主导决策和改善客户体验的关键驱动力。

苏格兰皇家银行的营销人员展示了让他们的非营销同事参与客户体验优化过程的效率。

从数据中产生洞察力的挑战

从数据到洞察的道路充满挑战。 如此之多，以至于数据驱动行动的替代方案似乎更具吸引力。

营销人员、数据科学家、业务主管和其他每天处理数据的专业人士似乎都同意这一点。

我进行了一项快速民意调查（此处和此处），结果显示数据验证是 39% 的最大挑战。 只有 11% 的人将他们的困难归咎于数据量。 28% 的人整合了来自不同来源的数据，而 22% 的人则提到了所涉及的时间和精力。

除了这四个之外，将数据转换为可操作结果的其他挑战包括：

• 数据无法访问
• 数据质量差，以及
• 实现投资回报的压力

对于 Challenger Digital 的创始人 Steven Alexander Young 来说，最大的挑战是隔离性能变化背后的变量。 分析数据并不总是能说明全部情况：

当流量下降时，是因为有人对页面进行了更改（如果是，是什么）？ 如果页面没有改变，竞争对手是否碰巧加强了 SEO 并超越了你（如果是，谁）？ （……）即使我可以让客户通过电话提供详细信息并排除问题，他们也经常不得不在团队中自行寻找答案。 当然，与此并行的是谷歌算法更新的可能性。

UL Prospector 的首席数据科学家 Thom Ives（博士）将数据比作需要精炼和清洁的原油。 他警告说，数据“如果处理不当，可能会很危险”。

这让决策者感到紧张。

事实证明，尽管 74% 的公司同意他们希望数据驱动，但根据 Forrester 的一份报告，只有 29% 的公司可以根据分析结果采取行动。

尽管以数据为主导的决策在业务增长方面非常出色，但错误可能是毁灭性的。 也许犯错的可能性阻止了其他 71% 的大部分人，他们根据经验或直觉做出决定，或者只是遵循现状。

通常，这是以利用我们 59 泽字节的数据（即 59 字节后跟 21 个零！）为代价来生成业务转型的洞察力为代价的。

Wynter 的首席执行官 Peep Laja 恰当地总结了这一点：“我们拥有丰富的数据，但缺乏洞察力。”

将数据转化为洞察力的 10 个可行步骤

指标很简单； 洞察力很难——收集大量数据是一回事，而让它们成为有价值的资产则是另一回事。 值得庆幸的是，有一种经过验证的方法可以得到答案。

以科学的方法提示。

不过，这不是一个灵光乍现的时刻。 几个世纪以来，科学家们在从数据中获得洞察力时一直在使用这种方法。

我们将向您展示的 10 个步骤从科学方法中汲取灵感，并为获得可行的见解和建议铺平道路。

让我们直接进入：

1. 从正确的问题开始

在挖掘数据之前提出正确的问题可确保您不会将时间花在错误的事情上。

这就像在开始旅行之前设定一个明确的目的地。

在梳理大量数据之前，请弄清楚您希望数据回答哪些问题。 这样，您就可以避免提出对业务目标没有影响的见解。

对于 SaaS 公司，首先要解决的一些问题是：

• 有多少博文读者转向其他内容？
• 我的网站流量中有多少百分比适合我的买家角色？
• 销售漏斗的哪个阶段漏水最多？

2.跟踪正确的指标（没有虚荣指标！）

将业务引向正确方向的洞察力并非来自盯着错误的指标。

虚荣指标，尤其是。 它们使您看起来不错，但不会添加到您的洞察力框架中。 示例：页面浏览量和点击次数。

此外，错误的指标可能会分散注意力。 由于您已经决定了需要在步骤 1 中回答的问题，因此请确定您应该跟踪的指标。

Stears Business 的数据科学家 Aniekan Inyang 告诫不要不考虑特定行业的细微差别：

这可能导致选择错误的特征来跟踪指标，而不是跟踪相关指标或错误地解释它。

使用它来击败您可以测试的假设的路径。

3. 陈述你的最终目标

您很可能已经预先测试了某些业务目标。 这些必须与您的测试目标紧密结合。

从您开始的问题中，您确定了要跟踪的内容。 但是你打算用这个实现什么？

写下来，因为它可以帮助你建立一个具体的、可衡量的假设。

4. 整合您的数据源

您拥有的数据集只是总体的一部分，并不总是能说明全部情况。

Thom Ives 博士分享：

它可能有我们不知道的偏差，并且会比所有数据都弱。

您收集的可操作数据越多，您就越接近准确的故事。

当您将所有来源放在一起时，您的数据解释更接近靶心。 确保您使用正确的工具来整合不同的来源，这样您就不会错过收集有意义的客户洞察力。

5.使用上下文和视觉来简化数据集

视觉在当今的数据中非常普遍。 您几乎不会遇到难以理解的原始数据形式。 然而，如果没有正确的背景，你要么没有得到完整的故事，要么得到了错误的故事。

对于上下文，使用 5 W 剖析您的数据：

• 谁（观众、潜在客户、潜在客户）
• 什么（目标、事件、观察）
• 何时（时间范围、时间表）
• 在哪里（网页、社交媒体、登陆页面），以及
• 为什么，（为什么会发生？）

上下文使您的数据从屏幕上跳出来，背后有更多意义。 它减少了犯错的机会。

加上准确的视觉效果，这些机会变得更低。 但是视觉上也有错误。

例如，使用气泡图通常会犯一个代价高昂的错误。 将气泡的半径而不是面积更改为相应的值会导致数据叙述不准确，如下图所示。

让我们使用左上角的橙色气泡和旁边的绿色气泡来强调。 橙色气泡看起来比它的绿色邻居大 4 倍。

如果没有内部标记的实际值，这可能会产生误导。 橙色气泡的价值 ($1.84B) 仅为绿色 ($0.92B) 的 2 倍。

这是福克斯新闻的一个有趣的错误：

6. 细分您的数据

将数据分割成段可以帮助您更好地理解它。 例如，谷歌分析具有使这很容易做到的内置功能。

根据某些相似性划分网络流量，这将简化提取见解的过程。 细分可以加深您对目标受众的了解。

此外，在进行细分时，要超越旧的学龄和性别细分。 您可以使用更多详细信息对网络访问者进行分组。

做到这一点的一种方法是按交易价值（价值细分）对客户进行细分——也就是说，他们可能会在产品上花费多少。 您必须使用过去的交易数据来实现这一点。 数据，例如他们花费了多少、花费的频率以及他们购买的产品的价值。

一旦您体验过这种简单性，它很快就会成为您洞察策略中的主要过程。

这是另一个说明正确数据分割重要性的示例：

7. 在正确的时间范围内查看数据

根据从片刻中得出的见解做出决策可能是灾难性的。 只看零参考历史数据的小图是一个常见的错误。

数据通常有一个背景故事。

重要的是要检查一下以了解现在。 有时事件发生在过去是为了应对外部影响，如假期、季节、经济周期等。

当您探索趋势的全部范围以更准确地了解事物时，请考虑到这一点。

8.找出正确的模式

爬升和跌落——折线图上最容易观察到的两个趋势。 这通常是页面浏览量和参与度数据在 GA 上的显示方式。

其他类型的图，例如时间序列图和散点图，可以帮助我们描绘数据中的模式。 您可以发现何时出现上升或下降趋势，可视化两个变量之间的相关性等等。

它们都是为揭示数据背后的故事而量身定制的。 提醒一句：永远不要孤立地查看模式。

在分析你的情节时，麻省理工学院教授 Rama Ramakrishnan 博士建议将你的情节与初步预期相匹配：

有什么不匹配的吗？ 任何让你觉得“这很奇怪”或“这没有任何意义”的东西？ 放大并尝试了解您的业务中是什么让奇怪的事情出现在这样的数据中。 这是关键的一步。 (...) 您可能刚刚发现了对业务的洞察力并增加了您的理解。 或者您可能会发现收集或计算数据的方式存在错误（Twyman 定律）。

9. 制定一个成功的假设

当您分析了数据并得出了准确的推论后，就该提出一个可以检验的假设了。

在制定假设时，您正在找出可以通过实验验证的问题的解决方案。

一个可测量的假设由 3 个部分组成：

• 观察，
• 执行，和
• 结果

以下是来自 Convert 合作伙伴的真实示例：

观察：根据分析数据，我们观察到旗舰产品页面的跳出率很高。 我们还进行了调查、民意调查和可用性研究，发现用户不了解我们产品的价值并信任它。 此外，大多数访问者并没有进一步向下滚动页面。

执行：我们希望在折叠区域添加更好的副本，以留住更多页面访问者，解决信任问题，并提高页面上的转化率。

结果：这应该会导致更多的网络访问者滚动浏览页面，想要我们的旗舰产品并购买它。 我们将通过更低的跳出率、更高的转化率和收入来衡量这一点。

一旦你到达这里，下一步就是测试。

这个例子是一个实际的假设，导致了令人印象深刻的结果。 有关实验的更多详细信息，请查看下面的第一个可操作的洞察示例。

10. 准备实验

有了上面的假设，您可以做专家转化率优化器所做的事情并进行测试。

到目前为止，您的假设——即使它们来自数据——也只能与直觉一样好。

实验让你更接近于创造一个坚如磐石的事实。

这是您开始获得数据分析投资回报的地方。

科学方法帮助我们将原始的、难以理解的数据转化为可读的数据。 然后，我们运用数据分析的力量来揭示其中包含的多汁见解。

我们从这些见解中提出了可衡量的假设，并采取了下一个合乎逻辑的步骤：实验。

有数百种工具可以帮助我们完成这些步骤。 但是 Convert 最终将它们联系在一起，并将我们带到了我们的最终目标——可操作的见解。

Convert 与数十种工具集成，因此您可以试验并发现直接带来更高收入的极其强大的洞察力。 在免费试用版中尝试转换集成

超越洞察力：如何将洞察力转化为战略

如果没有将洞察力转化为战略并采取行动，洞察力就无法实现业务目标。

您如何才能真正利用获得的洞察力来推动直接影响组织底线的积极利益？

让我们分享3个例子：

将数据转化为可操作的见解示例

案例研究 #1：SplitBase 如何使用 Google Analytics 为一项实验收集数据，该实验揭示了转化率提高 27% 的机会

BestSelf Co. 在他们的旗舰产品页面上发现了漏洞。 因此，他们与 SplitBase 合作将其插入。

他们是如何做到的呢？

他们通过各种方式收集数据，如民意调查、调查和热图，找到了罪魁祸首。

产品的好处没有得到足够好的传达，所以人们甚至没有越过折叠区域。 由此，他们提出了我们之前分享的假设。

他们进行了测试，发现他们是对的。 新的标题清楚地说明了产品的主要好处和社会认同显着促进了产品的销售。

案例研究#2：这个免费送货促销是赚钱还是亏钱？

这是经营一家豪华手工玻璃电子商务商店的团队心中的问题。

他们推出了免费送货促销活动，并发现转化率有所提高。 尽管这意味着更多的钱，但考虑到将这些产品运送给客户的成本，报价是否足以抵消运输成本？

现在，他们是如何找到答案的……

他们拜访了转化率优化机构 Brave One，后者提出了一个计划，以确定他们是在亏损还是盈利，以及盈利多少。

使用 Google Analytics 和 Mixpanel 收集数据并使用 Convert 进行实验，Brave One 将没有优惠的网站与有优惠的版本进行了比较。

在相同的时间范围内，使用该提议开展业务比不开展该业务多获得 16,000 美元。

案例研究#3：数据帮助耐克调整目标并触动更广泛受众的心

当耐克想在 2012 年奥运会开始时发起一项名为“寻找你的伟大”的活动时，他们挖掘了他们的数据并发现了这一点：

他们的大多数目标受众不是职业运动员。 他们是钦佩专业人士并希望像他们一样的人。

他们对此做了什么？

他们调整了目标。

耐克通常追求职业运动员。 但这一次，他们决定激励每个人，无论他们的健康水平如何，以推动他们的极限。

该活动的其中一个视频的观看次数超过了 300 万。

而且还不止于此：阿迪达斯花费了数百万美元来获得奥运会赞助，而耐克却以不到一半的营销预算获得了同样的曝光率。

加起来

试验不应标志着优化之旅的结束。

这应该是一个持续的过程，因为我们永远不会总是与我们的洞察力一致。

另外，请记住……如果您缺乏进行内部数据分析的技能，您始终可以依靠数据专家的专业知识。

Thom Ives 博士建议，随着更多数据的涌入，我们必须改进我们对旧数据所做的推论。

好消息是什么？ 通过这种方式，我们将继续获得更能代表我们受众的洞察力，并做出更精确的预测和决策。