如何將大量數據轉化為可用、有意義的見解（2021 年指南）

您是否被眼前的所有數據所淹沒？

那裡有前所未有的豐富數據，但如何將其轉化為可操作的見解？

你看，從數據到洞察的旅程充滿了挑戰。 你需要一套強有力的步驟來對抗它們。

在這裡，我們將向您展示如何從大量數據中提取洞察力，切斷無用信息，並在您的組織中做出更快的數據驅動決策。

什麼是數據和洞察力？

在開始討論之前，讓我們先定義一下數據和洞察力的含義。

• 數據是通過觀察收集的事實和統計數據。 它們可以是數字、文本、圖像、音頻等。
  
  讓我們從這個角度來看：
  
  假設您擁有一家電子商務商店並激活了 Google Analytics (GA)，那麼每個瀏覽您的在線商店的用戶都會留下一些由 GA 獲取的數字足跡。
  
  這包括人口統計數據、設備、瀏覽器等。如果你看到這些原始事實，它可能看起來很亂，因為它們有時是非結構化的並且沒有上下文。

  

• 信息是提煉這些數據並賦予其結構和背景的產物。 這樣，數據對肉眼來說更有意義。
  
  對於您的電子商務商店，您的 GA 儀表板就是一個例子。 當所有數據放在一起並在上下文中呈現時，它是可消耗的，您可以從中汲取見解。

  

• 洞察力是從對信息的理解中獲得的寶貴知識。 當您使用信息（或數據）並在其上下文和其他可用信息中準確地解釋它時，您就會獲得洞察力。
  
  在商業世界中，洞察力是收集數據的全部重點。 將洞察力視為調查您正在觀察的操作的內部運作。 他們從數據中講述了一個有意義的故事。

洞察力示例

通過有效的數據分析確定 97% 的客戶在計劃婚禮時會找到您，這就是洞察力的一個例子。

就其本身而言，這只是很酷的信息。

但是，如果將其用於製定為您的品牌和客戶帶來有形價值的計劃，那就是可行的洞察力。 例如，您可以使用這些信息來計劃針對即將結婚的人的廣告活動。

你已經知道這些觀眾被你吸引了； 因此，高 ROAS（廣告支出回報率）不會太令人驚訝。

在將數據轉化為這樣的見解之前，必須首先收集它們，然後進行分析。

可以收集數據的各種方法

大多數企業使用不同的方法從多個來源收集數據。 每種方法都有自己的一套規則。

例如，谷歌分析使用 JavaScript 和跟踪代碼收集數據。

將跟踪代碼添加到您的頁面後，該腳本會將數據發送到 Google 服務器。 這包括頁面數據（URL、標題）、瀏覽器數據（視口、屏幕分辨率）、用戶數據（位置、語言）等等。

它類似於 Facebook、Twitter、Instagram 和其他網站上的社交媒體分析。 您還可以從以下位置收集數據：

• 調查
• 市場增長統計
• 交易數據追踪
• 客戶反饋分析
• 訂閱和註冊數據等

從這裡，數據移動到下一步。

數據分析與數據分析

與流行的用法相反，這些術語的含義不同。

• 數據分析是收集和使用數據的科學。 它是收集原始數據和從中採取行動之間的一切。 這包括使用機器學習、統計和基於計算機的模型收集、組織、存儲和分析數據。
• 數據分析是數據分析的一個子組件。 數據分析是一個檢查、清理、轉換和組織數據的過程，其最終目標是提取有價值的信息並將其用於為決策和行動提供信息。

在典型的組織中，數據科學家、高管和經理通常是唯一使用數據分析來獲得洞察力的人。

一個高效的數據驅動型組織應該向所有成員分發對數據的訪問和對數據的理解。

這給我們帶來了一個改變遊戲規則的概念：數據民主化。

什麼是數據民主化？

數據民主化意味著讓組織內的每個人都可以使用數據，而沒有超專業知識的障礙。 這意味著您組織中的任何人都可以訪問、理解數據並使用它來做出決策和建議。

這個想法是，動手能力（數據方面）越多，公司從上到下採用數據驅動的決策文化就越快。

但有一個問題。

有了這種訪問級別，維護數據的安全性和完整性就變得更加困難。 沒有受過訓練的分析師專業知識的人也有可能錯誤地解釋數據。

儘管如此，數據民主化仍然是做出更智能、更快的數據主導決策和改善客戶體驗的關鍵驅動力。

蘇格蘭皇家銀行的營銷人員展示了讓他們的非營銷同事參與客戶體驗優化過程的效率。

從數據中產生洞察力的挑戰

從數據到洞察的道路充滿挑戰。 如此之多，以至於數據驅動行動的替代方案似乎更具吸引力。

營銷人員、數據科學家、業務主管和其他每天處理數據的專業人士似乎都同意這一點。

我進行了一項快速民意調查（此處和此處），結果顯示數據驗證是 39% 的最大挑戰。 只有 11% 的人將他們的困難歸咎於數據量。 28% 的人整合了來自不同來源的數據，而 22% 的人則提到了所涉及的時間和精力。

除了這四個之外，將數據轉換為可操作結果的其他挑戰包括：

• 數據無法訪問
• 數據質量差，以及
• 實現投資回報的壓力

對於 Challenger Digital 的創始人 Steven Alexander Young 來說，最大的挑戰是隔離性能變化背後的變量。 分析數據並不總是能說明全部情況：

當流量下降時，是因為有人對頁面進行了更改（如果是，是什麼）？ 如果頁面沒有改變，競爭對手是否碰巧加強了 SEO 並超越了你（如果是，誰）？ （……）即使我可以讓客戶通過電話提供詳細信息並排除問題，他們也經常不得不在團隊中自行尋找答案。 當然，與此並行的是谷歌算法更新的可能性。

UL Prospector 的首席數據科學家 Thom Ives（博士）將數據比作需要精煉和清潔的原油。 他警告說，數據“如果處理不當，可能會很危險”。

這讓決策者感到緊張。

事實證明，儘管 74% 的公司同意他們希望數據驅動，但根據 Forrester 的一份報告，只有 29% 的公司可以根據分析結果採取行動。

儘管以數據為主導的決策在業務增長方面非常出色，但錯誤可能是毀滅性的。 也許犯錯的可能性阻止了其他 71% 的大部分人，他們根據經驗或直覺做出決定，或者只是遵循現狀。

通常，這是以利用我們 59 澤字節的數據（即 59 字節後跟 21 個零！）為代價來生成業務轉型的洞察力為代價的。

Wynter 的首席執行官 Peep Laja 恰當地總結了這一點：“我們擁有豐富的數據，但缺乏洞察力。”

將數據轉化為洞察力的 10 個可行步驟

指標很簡單； 洞察力很難——收集大量數據是一回事，而讓它們成為有價值的資產則是另一回事。 值得慶幸的是，有一種經過驗證的方法可以得到答案。

以科學的方法提示。

不過，這不是一個靈光乍現的時刻。 幾個世紀以來，科學家們在從數據中獲得洞察力時一直在使用這種方法。

我們將向您展示的 10 個步驟從科學方法中汲取靈感，並為獲得可行的見解和建議鋪平道路。

讓我們直接進入：

1. 從正確的問題開始

在挖掘數據之前提出正確的問題可確保您不會將時間花在錯誤的事情上。

這就像在開始旅行之前設定一個明確的目的地。

在梳理大量數據之前，請弄清楚您希望數據回答哪些問題。 這樣，您就可以避免提出對業務目標沒有影響的見解。

對於 SaaS 公司，首先要解決的一些問題是：

• 有多少博文讀者轉向其他內容？
• 我的網站流量中有多少百分比適合我的買家角色？
• 銷售漏斗的哪個階段漏水最多？

2.跟踪正確的指標（沒有虛榮指標！）

將業務引向正確方向的洞察力並非來自盯著錯誤的指標。

虛榮指標，尤其是。 它們使您看起來不錯，但不會添加到您的洞察力框架中。 示例：頁面瀏覽量和點擊次數。

此外，錯誤的指標可能會分散注意力。 由於您已經決定了需要在步驟 1 中回答的問題，因此請確定您應該跟踪的指標。

Stears Business 的數據科學家 Aniekan Inyang 告誡不要不考慮特定行業的細微差別：

這可能導致選擇錯誤的特徵來跟踪指標，而不是跟踪相關指標或錯誤地解釋它。

使用它來擊敗您可以測試的假設的路徑。

3. 陳述你的最終目標

您很可能已經預先測試了某些業務目標。 這些必須與您的測試目標緊密結合。

從您開始的問題中，您確定了要跟踪的內容。 但是你打算用這個實現什麼？

寫下來，因為它可以幫助你建立一個具體的、可衡量的假設。

4. 整合您的數據源

您擁有的數據集只是總體的一部分，並不總是能說明全部情況。

Thom Ives 博士分享：

它可能有我們不知道的偏差，並且會比所有數據都弱。

您收集的可操作數據越多，您就越接近準確的故事。

當您將所有來源放在一起時，您的數據解釋更接近靶心。 確保您使用正確的工具來整合不同的來源，這樣您就不會錯過收集有意義的客戶洞察力。

5.使用上下文和視覺來簡化數據集

視覺在當今的數據中非常普遍。 您幾乎不會遇到難以理解的原始數據形式。 然而，如果沒有正確的背景，你要么沒有得到完整的故事，要么得到了錯誤的故事。

對於上下文，使用 5 W 剖析您的數據：

• 誰（觀眾、潛在客戶、潛在客戶）
• 什麼（目標、事件、觀察）
• 何時（時間範圍、時間表）
• 在哪裡（網頁、社交媒體、登陸頁面），以及
• 為什麼，（為什麼會發生？）

上下文使您的數據從屏幕上跳出來，背後有更多意義。 它減少了犯錯的機會。

加上準確的視覺效果，這些機會變得更低。 但是視覺上也有錯誤。

例如，使用氣泡圖通常會犯一個代價高昂的錯誤。 將氣泡的半徑而不是面積更改為相應的值會導致數據敘述不准確，如下圖所示。

讓我們使用左上角的橙色氣泡和旁邊的綠色氣泡來強調。 橙色氣泡看起來比它的綠色鄰居大 4 倍。

如果沒有內部標記的實際值，這可能會產生誤導。 橙色氣泡的價值 ($1.84B) 僅為綠色 ($0.92B) 的 2 倍。

這是福克斯新聞的一個有趣的錯誤：

6. 細分您的數據

將數據分割成段可以幫助您更好地理解它。 例如，谷歌分析具有使這很容易做到的內置功能。

根據某些相似性劃分網絡流量，這將簡化提取見解的過程。 細分可以加深您對目標受眾的了解。

此外，在進行細分時，要超越舊的學齡和性別細分。 您可以使用更多詳細信息對網絡訪問者進行分組。

做到這一點的一種方法是按交易價值（價值細分）對客戶進行細分——也就是說，他們可能會在產品上花費多少。 您必須使用過去的交易數據來實現這一點。 數據，例如他們花費了多少、花費的頻率以及他們購買的產品的價值。

一旦您體驗過這種簡單性，它很快就會成為您洞察策略中的主要過程。

這是另一個說明正確數據分割重要性的示例：

7. 在正確的時間範圍內查看數據

根據從片刻中得出的見解做出決策可能是災難性的。 只看零參考歷史數據的小圖是一個常見的錯誤。

數據通常有一個背景故事。

重要的是要檢查一下以了解現在。 有時事件發生在過去是為了應對外部影響，如假期、季節、經濟周期等。

當您探索趨勢的全部範圍以更準確地了解事物時，請考慮到這一點。

8.找出正確的模式

爬升和跌落——折線圖上最容易觀察到的兩個趨勢。 這通常是頁面瀏覽量和參與度數據在 GA 上的顯示方式。

其他類型的圖，例如時間序列圖和散點圖，可以幫助我們描繪數據中的模式。 您可以發現何時出現上升或下降趨勢，可視化兩個變量之間的相關性等等。

它們都是為揭示數據背後的故事而量身定制的。 提醒一句：永遠不要孤立地查看模式。

在分析你的情節時，麻省理工學院教授 Rama Ramakrishnan 博士建議將你的情節與初步預期相匹配：

有什麼不匹配的嗎？ 任何讓你覺得“這很奇怪”或“這沒有任何意義”的東西？ 放大並嘗試了解您的業務中是什麼讓奇怪的事情出現在這樣的數據中。 這是關鍵的一步。 (...) 您可能剛剛發現了對業務的洞察力並增加了您的理解。 或者您可能會發現收集或計算數據的方式存在錯誤（Twyman 定律）。

9. 制定一個成功的假設

當您分析了數據並得出了準確的推論後，就該提出一個可以檢驗的假設了。

在製定假設時，您正在找出可以通過實驗驗證的問題的解決方案。

一個可測量的假設由 3 個部分組成：

• 觀察，
• 執行，和
• 結果

以下是來自 Convert 合作夥伴的真實示例：

觀察：根據分析數據，我們觀察到旗艦產品頁面的跳出率很高。 我們還進行了調查、民意調查和可用性研究，發現用戶不了解我們產品的價值並信任它。 此外，大多數訪問者並沒有進一步向下滾動頁面。

執行：我們希望在折疊區域添加更好的副本，以留住更多頁面訪問者，解決信任問題，並提高頁面上的轉化率。

結果：這應該會導致更多的網絡訪問者滾動瀏覽頁面，想要我們的旗艦產品併購買它。 我們將通過更低的跳出率、更高的轉化率和收入來衡量這一點。

一旦你到達這裡，下一步就是測試。

這個例子是一個實際的假設，導致了令人印象深刻的結果。 有關實驗的更多詳細信息，請查看下面的第一個可操作的洞察示例。

10. 準備實驗

有了上面的假設，您可以做專家轉化率優化器所做的事情並進行測試。

到目前為止，您的假設——即使它們來自數據——也只能與直覺一樣好。

實驗讓你更接近於創造一個堅如磐石的事實。

這是您開始獲得數據分析投資回報的地方。

科學方法幫助我們將原始的、難以理解的數據轉化為可讀的數據。 然後，我們運用數據分析的力量來揭示其中包含的多汁見解。

我們從這些見解中提出了可衡量的假設，並採取了下一個合乎邏輯的步驟：實驗。

有數百種工具可以幫助我們完成這些步驟。 但是 Convert 最終將它們聯繫在一起，並將我們帶到了我們的最終目標——可操作的見解。

Convert 與數十種工具集成，因此您可以試驗並發現直接帶來更高收入的極其強大的洞察力。 在免費試用版中嘗試轉換集成

超越洞察力：如何將洞察力轉化為戰略

如果沒有將洞察力轉化為戰略並採取行動，洞察力就無法實現業務目標。

您如何才能真正利用獲得的洞察力來推動直接影響組織底線的積極利益？

讓我們分享3個例子：

將數據轉化為可操作的見解示例

案例研究 #1：SplitBase 如何使用 Google Analytics 為一項實驗收集數據，該實驗揭示了轉化率提高 27% 的機會

BestSelf Co. 在他們的旗艦產品頁面上發現了漏洞。 因此，他們與 SplitBase 合作將其插入。

他們是如何做到的呢？

他們通過各種方式收集數據，如民意調查、調查和熱圖，找到了罪魁禍首。

產品的好處沒有得到足夠好的傳達，所以人們甚至沒有越過折疊區域。 由此，他們提出了我們之前分享的假設。

他們進行了測試，發現他們是對的。 新的標題清楚地說明了產品的主要好處和社會認同顯著促進了產品的銷售。

案例研究#2：這個免費送貨促銷是賺錢還是虧錢？

這是經營一家豪華手工玻璃電子商務商店的團隊心中的問題。

他們推出了免費送貨促銷活動，並發現轉化率有所提高。 儘管這意味著更多的錢，但考慮到將這些產品運送給客戶的成本，報價是否足以抵消運輸成本？

現在，他們是如何找到答案的……

他們拜訪了轉化率優化機構 Brave One，後者提出了一個計劃，以確定他們是在虧損還是盈利，以及盈利多少。

使用 Google Analytics 和 Mixpanel 收集數據並使用 Convert 進行實驗，Brave One 將沒有優惠的網站與有優惠的版本進行了比較。

在相同的時間範圍內，使用該提議開展業務比不開展該業務多獲得 16,000 美元。

案例研究#3：數據幫助耐克調整目標並觸動更廣泛受眾的心

當耐克想在 2012 年奧運會開始時發起一項名為“尋找你的偉大”的活動時，他們挖掘了他們的數據並發現了這一點：

他們的大多數目標受眾不是職業運動員。 他們是欽佩專業人士並希望像他們一樣的人。

他們對此做了什麼？

他們調整了目標。

耐克通常追求職業運動員。 但這一次，他們決定激勵每個人，無論他們的健康水平如何，以推動他們的極限。

該活動的其中一個視頻的觀看次數超過了 300 萬。

而且還不止於此：阿迪達斯花費了數百萬美元來獲得奧運會贊助，而耐克卻以不到一半的營銷預算獲得了同樣的曝光率。

加起來

試驗不應標誌著優化之旅的結束。

這應該是一個持續的過程，因為我們永遠不會總是與我們的洞察力一致。

另外，請記住……如果您缺乏進行內部數據分析的技能，您始終可以依靠數據專家的專業知識。

Thom Ives 博士建議，隨著更多數據的湧入，我們必須改進我們對舊數據所做的推論。

好消息是什麼？ 通過這種方式，我們將繼續獲得更能代表我們受眾的洞察力，並做出更精確的預測和決策。