本文整理自秒針系統洞察產品負責人陳羲在拓撲秀線上分享的內容。
分享嘉賓：秒針系統洞察產品負責人 陳羲
擁有超過十二年以上互聯網服務與線上資料智慧分析經驗，
以下是正文：
首先介紹一下秒針， 我們的核心業務是互聯網廣告監測， 這個體系我們大概占了市場上七成左右的品牌與廣告曝光。 我們本身擁有比較大的除了BAT以外的海量協力廠商資料，
我們提到洞察的時候， 核心內容是， 對事物的實際運行機制有本質的理解， 然後同時基於這些認知能夠產生下一步的行動， 並且帶來正面影響的一個結果。 所以我們在洞察特別是在商業上， 不僅僅要知道一些東西，
現在正統的或者說傳統的市場研究體系是非常成熟的， 基本上我們所熟知的面向消費者的各大五百強品牌， 都有非常完備的研究體系。 在整個集團層面有那麼多的品牌或者每個品牌下有那麼多產品線， 每條線都非常需要對於市場的理解和對於消費者的認知， 他們才能繼續這個決策。 這樣的體量之下， 沒有哪個企業可以僅僅通過個體的決策， 去做到穩健的發展。
簡略地給大家講一下市場研究的基本內容。 傳統市場主要是在定性和定量的研究上， 定量的方式往往是找到相應的目標受眾和需要研究的物件個體，
傳統市場體系通過洞察或者做研究， 最後的產出對於企業的幫助是全方位的。 包括下面這些方面：
在這裡還有必要跟大家講解一下大型的企業和其內部基本的市場體系、典型的運作機制。 在一個集團層面， 下面會有很多的事業部和子品牌。 比較熟悉的像寶潔、歐萊雅、聯合利華， 都是非常典型的例子。 會有下面這樣的配置：
集團層面的市場研究體系和事業部/品牌層面的市場推廣媒體投放體系的關係，有可能是從集團層面統籌，有可能是下放到各個品牌，也有可能讓兩條線互相進行協調。
所有產出都會通過市場研究和消費者洞察的預算形成專案，支援到包括市場推廣、產品研發、公關部門、甚至投資並購和戰略發展，去支持他們對整個市場環境的理解。這些資訊其實形成了一個完整的支撐各條業務線和功能線進行決策的資訊來源管道。他們也會非常緊密地去跟相應的需求部門進行溝通，去獲得最佳的研究項目結果。
舉幾個例子：
1、 歐萊雅收購美即面膜
這個決策很大，也涉及到非常多的環節，最早的環節除了歐萊雅集團的內部人員會看到相應市場的機會之外，同時他們也進行了一些資料趨勢的驗證採集，包括從社會化媒體上，從銷售管道的線路上，這塊的資料在早期階段就已經能形成基本的趨勢和判斷。後續又進行了相應的定性需求分析、定量的需求方面的調研，以及對於市場上一些品牌的資產情況的分析。
2、雀巢發佈新品BabyNes
這款新品發佈前，經過了兩年左右的前期驗證，從最初的產品創意到最後的成型，中間經歷了非常多的消費者需求的探索。從最初的創意上來講，雀巢想針對父母群體的一些痛點，解決需要在半夜起來更簡單的解決泡奶的問題。後續進行了非常長期的用戶深度調研，包括潛在用戶群體對於使用上的便利性、健康狀況和衛生狀況、以及整個使用體驗的定量回饋。最後在定價策略上，這是一個非常高端的產品，價格相當高而且持續使用的費用並不低。雀巢從前期到後期都在找尋不同收入階層和消費階層的消費者群體，來試驗他們應該以什麼價位賣給哪個人群，直到最終這個產品上市。
3、飛利浦智慧檯燈
飛利浦的整個課題是想要知道怎麼樣以他們的核心競爭力——燈光體系，趁著消費升級和智慧家居的大浪潮去獲得機會點。雖然前期找了非常多的資訊，產生了非常多的想法，進行了廣泛的分析，但是最後選擇了功能單一的場景來落地。它僅僅是把一個LED光源的穩定性和智慧化做了簡化和單一的應用，但這個產品其實很暢銷。
這些案例都是經過了非常完整的研究體系的。這個體系在時間和金錢上花費都會非常高，比較大型的研究專案通常可能需要三到六個月，還不包括連續性的研究。所以不管是產品研發還是溝通策略選取，是非常長的一個過程。
那麼也就導致現階段，真正有市場研究預算，真正進行完整體系研究的公司或者使用這個服務的品牌，都是非常大型的品牌。在這個機制之下，有非常多的大型品牌很成功地完成了一些產品上的創新，完成了一些組織結構上的創新，完成了他們整個對於消費市場不斷變更的應對。
可能大家認為像BAT這樣的互聯網企業已經有非常海量的資料，其實他們當中有些公司是傳統市場研究公司的客戶，他們也越來越多地在投入，用這條非常傳統的體系去更好的理解他們的目標受眾和消費者在哪裡。然而其實還有很多的決策，並不一定要通過這樣一個完整體系來實現。
舉幾個例子：
1、NextEV公司的新車發佈
這家公司的創始人對汽車有很深的研究，有非常多年的行業積累。他們看完設計師團隊給的稿件和樣車之後，回饋是按照他們的審美習慣做些調整。直到最後一刻他們又決定尊重整個設計團隊原有的設計，同時再加上了一些少量他們喜歡的元素。整個外觀的設計是非常重要的一環，但其實對於這家汽車公司而言，他們整個的研究過程、設計過程會非常的漫長和不停的改動，但最後的拍板和敲定其實沒有經過那麼多複雜的消費者測試。
2、椰樹椰汁廣告設計
很多人吐槽這個設計，也有很多人增熱點（我們也打個小廣告）。我並不認為這個老闆想做相應的行銷，設計人員只是以老闆的喜好和審美做出了決策，但是它達到的效果非常好，很好地提升了椰樹椰汁的整個品牌認知，以及在消費群體當中的曝光度。
3、明星代言
現在品牌方在投入非常大的明星代言或影視投資上，其核心的要素就是小鮮肉明星。選擇了小鮮肉你就會有一定的票房保證，當然不能最終確保你會得到非常好的數字或者一個投資回報，但是如果你不選用的話，可能整個風險會非常大。
所以我們可以看到傳統的市場調研，給我們所帶來的是一個非常牢固的穩定的保障體系。它能夠幫助我們獲取足夠多、足夠深入的決策資訊，提供給相應的職能部門做決策。當沒有這些資訊的時候也可以做決策，但失誤的幾率會提升。這對整個企業來說是一道風險的屏障，只有確保前端的資訊能夠精准的進來，才有可能讓後端的決策有更高的成功幾率。
然而對於一些初創型或在追求高風險高回報的場景之下，很多時候這套研究體系反而並不適用，不管是時效性還是決策要素的達成上，其實都不足以去支撐像高風險高回報的投入。在這個層面上，往往靠的是決策者本身對於行業的理解、對於整個大環境的理解和他的一些靈感。
新時代恐龍：海量資料時代下的洞察與決策現階段海量資料時代下洞察能做什麼？無論是整個線民的量，還是設備量，都已經遠遠超過了6個億以上，每天都產生非常多的資料，而且維度非常豐富。
最早比較有名的用資料來做決策的，發生在差不多十年前，Zynga也就是Facebook當時的一個遊戲合作方，他們非常直接的採用了資料式經營。由於有10%左右的Facebook用戶在使用這款遊戲，他們就會拿這些資料去測試不同的遊戲配置和設置，通過向兩個類似的群體推送不同的遊戲配置來確認哪個資料效果更好。
然而這家公司在15年關閉了中國的office，整個業務線收縮得非常大。如果資料不能説明他們去感知接下來的方向，那麼即使運營優化到極致，在一個時間點上也會出現像Zynga的失敗。
聚石塔是另外一個典型的資料應用，從這個層面上，淘寶或者天貓品牌所提供的資料能準確地説明中小企業，每個賣家都在用這些資料去分析他們應該如何選品、如何推廣、接下來應該有哪些服務。這是在之前傳統市場研究當中完全不可能服務到的一個群體，沒有人真的有這個預算去做，也沒有一個高效的工具去採集資料。
百度也同樣用他有的資料提供了非常多的平臺，這裡只看到司南是他們做資料商業化的一個嘗試，包括對人群的畫像、輿情的分析、代言人的選擇，這個場景畫得很貼合品牌的實際需求，但最終效果並不好，百度並不能非常好地去用這個資料進行長尾的商業化，去服務到中小企業和品牌。這裡的核心在於資料本身的價值，百度在這裡用的資料僅僅是自己的搜索資料，不管這個資料的顆粒度有多麼細，因為是自己的原始資料，仍然缺乏必要的其他層面的資料來更好地支援不同層面的應用。
從這些場景中，我們看到的問題是，單一資料來源可以很好地幫助我們在特定的運營層面做優化，不管是淘寶，還是司南做SEM，這都是有可能執行的。所以資料的分析和回饋在垂直的目標明確的優化的應用下，在現階段是能實現的。而當我們想要去實現傳統意義上更複雜的研究，它的洞察深度遠遠不夠。
我們在做洞察產品時候，發現信息量越來越大，整個決策週期在跟著變長。如果能夠在信息量增大的情況下，在DT時代把整個決策效率提升上去，這中間所產生的價值就是我們認為資料洞察的商業價值。而這個行業並不僅僅只是為了接下來更快地去服務品牌方，雖然品牌會為此買單，同時，我們希望整個資料洞察和資料支援的決策能夠讓中小企業，甚至個體層面都能很低成本地去訪問、去提高整個社會的運行效率，這塊的藍海會是接下來增長非常大的領域。
在目前階段，大家在資料產生洞察或者資料優化層面，最典型直接的就是幫助投放。這是錢最集中的地方，也是有了洞察之後或者有了一些策略之後，最容易產生收益、評估收益的地方。下圖可以看到有這麼多的公司和不同的角色，就會知道這塊市場有多大。
當我們想用大型資料或者海量資料結合分析模型，真正做到第一個部分所提到的面向消費者洞察，我們發現單一資料來源是遠遠不夠的。我們除了需要大型的資料，包括市面上使用者的分享、運營商的資料、App的資料，同時也需要結合調研資料去獲得一個更完整的概念。在這個過程當中，大家會發現不同的資料可以覆蓋不同的需求，關鍵就是把這兩組資料有機結合起來，進行交叉分析。下面是秒針平常在做消費者洞察或研究常用的資料來源，這些資料通過打通和處理之後會形成優勢互補，可以真正去克服一些傳統研究上的障礙。
舉一個簡單的例子，比如說我們在運用資料去試圖理解消費的群體是誰的時候。如果客戶需要找到店內的使用者進行訪談，我們現在主要的途徑是通過店裡的探針去判斷哪些用戶真正到店，用戶到底屬於什麼群體，從下圖能明顯看到他是屬於在這附近的居民、上班的群體還是偶然路過。
這要經歷比較多資料清洗的過程，同樣要能夠完整獲取用戶不同的位置，這裡會涉及到App的資料和運營商的資料。當我們把到店的用戶分成幾個不同的群體之後，再來具體看這些使用者的特徵的時候，後面幾部分更能產生真正意義上洞察，再去理解應該怎麼樣去投放或者在店內跟用戶進行更多互動。比如說可以結合wifi的資料和運營商的資料，去判斷在這個時間點到店的客戶坐在店裡多少時長，這個時間段用哪些App等，這些會對移動端的投放策略或內容上合作等有相應的指導。
這些仍然是完備的品牌體系可以做的，但其實很多時候如果只是想快速獲得一些資料做驗證，是有一些多快好省的方式，或者說多快省但不一定好。
會噴火的龍：傳說中低成本高效率有深度的洞察方法給大家看篇文章，在這類分析中，用戶會用一些免費的工具和不同的管道去做，但是思路是挺開闊的。
如何塑造張傑這個品牌？
http://mp.weixin.qq.com/s/LjumiS95zUnFD0w1ekTQeg
當我們做些粗淺驗證的時候，這是我們內部使用的一個快速工具，用來快速地跑一些標籤。上面這篇文章，有一些典型的使用場景的問題，這裡包括使用者並不是特別清楚資料來源，比如標籤是怎麼打的，是用哪些資料去形成了最後的結論，張傑背後的用戶是怎麼選取出來的。這些是現階段我們使用快速工具的時候需要克服與考慮的不穩定因素。
此外，當我們想用資料做洞察的時候，很重要的是要找到相應的比對，比如對標的人群跟我這個目標的特徵有什麼不同，從這些不同點當中才可能產生洞察的機會。你會發現一些關聯關係或者非關聯關係，之後通過這些關係去找到洞察機會點，來判斷因果。有了因果之後，我們才可能形成洞察，資料本身只能一定程度上告訴我們可能的關聯性，背後的因果關係才是可以行動的部分。
上面兩張圖是很多時候運營人員會使用的，包括百度指數和微指數。這兩張圖有非常相反的狀態。這裡我想談到另外一個問題，當在用不同資料來源的時候，如果我們分析的兩群人不是相同的兩群人，並不一定從嚴格意義上相同，而是只從特徵和行為上相同的話，那麼從中並不能直接用來作為衝突或者相關的證明。我們需要的是更完整地去找到這背後的資訊，去理解這個模式出現的原因。
另一個層面，當我用下面這兩個關鍵字的時候，其實系統是不允許你用像“王者榮耀”這樣的詞的，而這個詞很可能是很多用戶在進行檢索和談到這個遊戲所搜索用的詞。那這裡面就有資料的缺失，所以多快好省的方案並不一定有。
大資料和AI時代的洞察自動化與決策自動化有了大資料和機器學習的時候，我們怎麼樣可以把洞察的體系做到真正的多快好省。
上圖是兩個決策流程的對比：
左邊，當我們有一個資深的用戶，在獲取了一些基本的資料指標之後，基於行業知識和獲取的不對稱資訊，比如說業內的人脈所帶來的這些資訊，然後加上一些天才的靈感進行決策。這個決策有相當大的幾率會失敗，但是也有非常多的時候是高風險高收入的。一個典型的例子，即便現在業內有非常多的號稱大資料的公司在做影視劇的投資分析，但他們並不能直接用這些資料來形成對後續的預測和決策，很多時候的決策是基於一些老編劇對於整個劇集的感覺。
右邊，是實際上可以在不遠的將來往下做的，有一部分其實已經做的非常好了，有很多流程仍有待我們通過資料和機器學習去實現。完整的流程包括有效資料獲取、資料清洗、資料結構化（包括圖片、視頻、文本等），之後要識別相應的實體，可能是某一個消費者或特定的主題，基於此是多維度的資料打通。打通資料之後，形成行業性質的知識圖譜。這個整理過的知識圖譜通過我們特定的業務邏輯再來產生洞察。有了相應的洞察之後，還有個體系是用相應的策略庫，策略庫其實也是可以通過海量的資料獲取和驗證來做的，最後形成一個自動化決策。整個流程其實是可行的，目前非常需要人工介入的是知識圖譜的構建和資料清洗。在有了非常明確的應用場景和商業目標下，我們是可以通過這樣一整套體系從有效的資料到最終的決策，進行順暢的執行。
比較典型的，IBM的這套Watson體系，他本身構建的是一個非常大的平臺體系。包括整個認知、知識圖譜的積累、整個平臺化的介面，由外部的應用來接入行業的資料、業務場景和業務策略、業務邏輯。目前階段略尷尬的是，實際的應用當中還是非常窄的一個層面去應用，並沒有特別廣泛的通用型的決策和洞察的體系的出現。
總結：資料指導策略、資料驗證策略、資料評估策略總結來說，現階段我們需要做的事情是，在有了資料的情況下指導策略，然後通過資料驗證策略，最後還需要用資料來評估這個策略實際執行的效果。這樣下來就可以更好的把閉環完成。通過演算法、資料、對於消費者的理解和驗證，整個完成之後，類似於在做AlphaGo圍棋對局的過程，通過不停的資料產生、資料驗證和經驗的積累，形成策略優化。
最終我們認為所有的企業包括個體都需要關注怎麼樣可以更好更快地獲得相應的決策洞察的支持。因為整個資料成本在變低，分析門檻在變低，因為有了那麼多工具和預先配置的體系。當我們不用資料的時候，我們無法保證不被甩在後面。有兩種情況，要麼真的跑贏老虎，達成了最終完全的自動化洞察。要麼就跑贏身邊那個人，找到更加獨有的資料，這些資料不一定是公開的，需要企業通過特殊的管道去挖掘，然後能夠有更高效率更加行業化的分析。
這些基礎的資訊其實已經可以達成自動化的部分，在效率提升的情況下，最高決策人或產品負責人再基於整個企業，對於整個趨勢，不管是微型趨勢還是對大環境的判斷、對自己資源的判斷，結合起來最終做出一個決策。最終決定這個企業或者產品是否能生存下來，就歸結在剩下的產品力和執行上。
本文為拓撲社原創，未經同意不得轉載或引用
尋求報導&合作請聯繫：tobshe@itjuzi.com
集團層面的市場研究體系和事業部/品牌層面的市場推廣媒體投放體系的關係，有可能是從集團層面統籌，有可能是下放到各個品牌，也有可能讓兩條線互相進行協調。
所有產出都會通過市場研究和消費者洞察的預算形成專案，支援到包括市場推廣、產品研發、公關部門、甚至投資並購和戰略發展，去支持他們對整個市場環境的理解。這些資訊其實形成了一個完整的支撐各條業務線和功能線進行決策的資訊來源管道。他們也會非常緊密地去跟相應的需求部門進行溝通，去獲得最佳的研究項目結果。
舉幾個例子：
1、 歐萊雅收購美即面膜
這個決策很大，也涉及到非常多的環節，最早的環節除了歐萊雅集團的內部人員會看到相應市場的機會之外，同時他們也進行了一些資料趨勢的驗證採集，包括從社會化媒體上，從銷售管道的線路上，這塊的資料在早期階段就已經能形成基本的趨勢和判斷。後續又進行了相應的定性需求分析、定量的需求方面的調研，以及對於市場上一些品牌的資產情況的分析。
2、雀巢發佈新品BabyNes
這款新品發佈前，經過了兩年左右的前期驗證，從最初的產品創意到最後的成型，中間經歷了非常多的消費者需求的探索。從最初的創意上來講，雀巢想針對父母群體的一些痛點，解決需要在半夜起來更簡單的解決泡奶的問題。後續進行了非常長期的用戶深度調研，包括潛在用戶群體對於使用上的便利性、健康狀況和衛生狀況、以及整個使用體驗的定量回饋。最後在定價策略上，這是一個非常高端的產品，價格相當高而且持續使用的費用並不低。雀巢從前期到後期都在找尋不同收入階層和消費階層的消費者群體，來試驗他們應該以什麼價位賣給哪個人群，直到最終這個產品上市。
3、飛利浦智慧檯燈
飛利浦的整個課題是想要知道怎麼樣以他們的核心競爭力——燈光體系，趁著消費升級和智慧家居的大浪潮去獲得機會點。雖然前期找了非常多的資訊，產生了非常多的想法，進行了廣泛的分析，但是最後選擇了功能單一的場景來落地。它僅僅是把一個LED光源的穩定性和智慧化做了簡化和單一的應用，但這個產品其實很暢銷。
這些案例都是經過了非常完整的研究體系的。這個體系在時間和金錢上花費都會非常高，比較大型的研究專案通常可能需要三到六個月，還不包括連續性的研究。所以不管是產品研發還是溝通策略選取，是非常長的一個過程。
那麼也就導致現階段，真正有市場研究預算，真正進行完整體系研究的公司或者使用這個服務的品牌，都是非常大型的品牌。在這個機制之下，有非常多的大型品牌很成功地完成了一些產品上的創新，完成了一些組織結構上的創新，完成了他們整個對於消費市場不斷變更的應對。
可能大家認為像BAT這樣的互聯網企業已經有非常海量的資料，其實他們當中有些公司是傳統市場研究公司的客戶，他們也越來越多地在投入，用這條非常傳統的體系去更好的理解他們的目標受眾和消費者在哪裡。然而其實還有很多的決策，並不一定要通過這樣一個完整體系來實現。
舉幾個例子：
1、NextEV公司的新車發佈
這家公司的創始人對汽車有很深的研究，有非常多年的行業積累。他們看完設計師團隊給的稿件和樣車之後，回饋是按照他們的審美習慣做些調整。直到最後一刻他們又決定尊重整個設計團隊原有的設計，同時再加上了一些少量他們喜歡的元素。整個外觀的設計是非常重要的一環，但其實對於這家汽車公司而言，他們整個的研究過程、設計過程會非常的漫長和不停的改動，但最後的拍板和敲定其實沒有經過那麼多複雜的消費者測試。
2、椰樹椰汁廣告設計
很多人吐槽這個設計，也有很多人增熱點（我們也打個小廣告）。我並不認為這個老闆想做相應的行銷，設計人員只是以老闆的喜好和審美做出了決策，但是它達到的效果非常好，很好地提升了椰樹椰汁的整個品牌認知，以及在消費群體當中的曝光度。
3、明星代言
現在品牌方在投入非常大的明星代言或影視投資上，其核心的要素就是小鮮肉明星。選擇了小鮮肉你就會有一定的票房保證，當然不能最終確保你會得到非常好的數字或者一個投資回報，但是如果你不選用的話，可能整個風險會非常大。
所以我們可以看到傳統的市場調研，給我們所帶來的是一個非常牢固的穩定的保障體系。它能夠幫助我們獲取足夠多、足夠深入的決策資訊，提供給相應的職能部門做決策。當沒有這些資訊的時候也可以做決策，但失誤的幾率會提升。這對整個企業來說是一道風險的屏障，只有確保前端的資訊能夠精准的進來，才有可能讓後端的決策有更高的成功幾率。
然而對於一些初創型或在追求高風險高回報的場景之下，很多時候這套研究體系反而並不適用，不管是時效性還是決策要素的達成上，其實都不足以去支撐像高風險高回報的投入。在這個層面上，往往靠的是決策者本身對於行業的理解、對於整個大環境的理解和他的一些靈感。
新時代恐龍：海量資料時代下的洞察與決策現階段海量資料時代下洞察能做什麼？無論是整個線民的量，還是設備量，都已經遠遠超過了6個億以上，每天都產生非常多的資料，而且維度非常豐富。
最早比較有名的用資料來做決策的，發生在差不多十年前，Zynga也就是Facebook當時的一個遊戲合作方，他們非常直接的採用了資料式經營。由於有10%左右的Facebook用戶在使用這款遊戲，他們就會拿這些資料去測試不同的遊戲配置和設置，通過向兩個類似的群體推送不同的遊戲配置來確認哪個資料效果更好。
然而這家公司在15年關閉了中國的office，整個業務線收縮得非常大。如果資料不能説明他們去感知接下來的方向，那麼即使運營優化到極致，在一個時間點上也會出現像Zynga的失敗。
聚石塔是另外一個典型的資料應用，從這個層面上，淘寶或者天貓品牌所提供的資料能準確地説明中小企業，每個賣家都在用這些資料去分析他們應該如何選品、如何推廣、接下來應該有哪些服務。這是在之前傳統市場研究當中完全不可能服務到的一個群體，沒有人真的有這個預算去做，也沒有一個高效的工具去採集資料。
百度也同樣用他有的資料提供了非常多的平臺，這裡只看到司南是他們做資料商業化的一個嘗試，包括對人群的畫像、輿情的分析、代言人的選擇，這個場景畫得很貼合品牌的實際需求，但最終效果並不好，百度並不能非常好地去用這個資料進行長尾的商業化，去服務到中小企業和品牌。這裡的核心在於資料本身的價值，百度在這裡用的資料僅僅是自己的搜索資料，不管這個資料的顆粒度有多麼細，因為是自己的原始資料，仍然缺乏必要的其他層面的資料來更好地支援不同層面的應用。
從這些場景中，我們看到的問題是，單一資料來源可以很好地幫助我們在特定的運營層面做優化，不管是淘寶，還是司南做SEM，這都是有可能執行的。所以資料的分析和回饋在垂直的目標明確的優化的應用下，在現階段是能實現的。而當我們想要去實現傳統意義上更複雜的研究，它的洞察深度遠遠不夠。
我們在做洞察產品時候，發現信息量越來越大，整個決策週期在跟著變長。如果能夠在信息量增大的情況下，在DT時代把整個決策效率提升上去，這中間所產生的價值就是我們認為資料洞察的商業價值。而這個行業並不僅僅只是為了接下來更快地去服務品牌方，雖然品牌會為此買單，同時，我們希望整個資料洞察和資料支援的決策能夠讓中小企業，甚至個體層面都能很低成本地去訪問、去提高整個社會的運行效率，這塊的藍海會是接下來增長非常大的領域。
在目前階段，大家在資料產生洞察或者資料優化層面，最典型直接的就是幫助投放。這是錢最集中的地方，也是有了洞察之後或者有了一些策略之後，最容易產生收益、評估收益的地方。下圖可以看到有這麼多的公司和不同的角色，就會知道這塊市場有多大。
當我們想用大型資料或者海量資料結合分析模型，真正做到第一個部分所提到的面向消費者洞察，我們發現單一資料來源是遠遠不夠的。我們除了需要大型的資料，包括市面上使用者的分享、運營商的資料、App的資料，同時也需要結合調研資料去獲得一個更完整的概念。在這個過程當中，大家會發現不同的資料可以覆蓋不同的需求，關鍵就是把這兩組資料有機結合起來，進行交叉分析。下面是秒針平常在做消費者洞察或研究常用的資料來源，這些資料通過打通和處理之後會形成優勢互補，可以真正去克服一些傳統研究上的障礙。
舉一個簡單的例子，比如說我們在運用資料去試圖理解消費的群體是誰的時候。如果客戶需要找到店內的使用者進行訪談，我們現在主要的途徑是通過店裡的探針去判斷哪些用戶真正到店，用戶到底屬於什麼群體，從下圖能明顯看到他是屬於在這附近的居民、上班的群體還是偶然路過。
這要經歷比較多資料清洗的過程，同樣要能夠完整獲取用戶不同的位置，這裡會涉及到App的資料和運營商的資料。當我們把到店的用戶分成幾個不同的群體之後，再來具體看這些使用者的特徵的時候，後面幾部分更能產生真正意義上洞察，再去理解應該怎麼樣去投放或者在店內跟用戶進行更多互動。比如說可以結合wifi的資料和運營商的資料，去判斷在這個時間點到店的客戶坐在店裡多少時長，這個時間段用哪些App等，這些會對移動端的投放策略或內容上合作等有相應的指導。
這些仍然是完備的品牌體系可以做的，但其實很多時候如果只是想快速獲得一些資料做驗證，是有一些多快好省的方式，或者說多快省但不一定好。
會噴火的龍：傳說中低成本高效率有深度的洞察方法給大家看篇文章，在這類分析中，用戶會用一些免費的工具和不同的管道去做，但是思路是挺開闊的。
如何塑造張傑這個品牌？
http://mp.weixin.qq.com/s/LjumiS95zUnFD0w1ekTQeg
當我們做些粗淺驗證的時候，這是我們內部使用的一個快速工具，用來快速地跑一些標籤。上面這篇文章，有一些典型的使用場景的問題，這裡包括使用者並不是特別清楚資料來源，比如標籤是怎麼打的，是用哪些資料去形成了最後的結論，張傑背後的用戶是怎麼選取出來的。這些是現階段我們使用快速工具的時候需要克服與考慮的不穩定因素。
此外，當我們想用資料做洞察的時候，很重要的是要找到相應的比對，比如對標的人群跟我這個目標的特徵有什麼不同，從這些不同點當中才可能產生洞察的機會。你會發現一些關聯關係或者非關聯關係，之後通過這些關係去找到洞察機會點，來判斷因果。有了因果之後，我們才可能形成洞察，資料本身只能一定程度上告訴我們可能的關聯性，背後的因果關係才是可以行動的部分。
上面兩張圖是很多時候運營人員會使用的，包括百度指數和微指數。這兩張圖有非常相反的狀態。這裡我想談到另外一個問題，當在用不同資料來源的時候，如果我們分析的兩群人不是相同的兩群人，並不一定從嚴格意義上相同，而是只從特徵和行為上相同的話，那麼從中並不能直接用來作為衝突或者相關的證明。我們需要的是更完整地去找到這背後的資訊，去理解這個模式出現的原因。
另一個層面，當我用下面這兩個關鍵字的時候，其實系統是不允許你用像“王者榮耀”這樣的詞的，而這個詞很可能是很多用戶在進行檢索和談到這個遊戲所搜索用的詞。那這裡面就有資料的缺失，所以多快好省的方案並不一定有。
大資料和AI時代的洞察自動化與決策自動化有了大資料和機器學習的時候，我們怎麼樣可以把洞察的體系做到真正的多快好省。
上圖是兩個決策流程的對比：
左邊，當我們有一個資深的用戶，在獲取了一些基本的資料指標之後，基於行業知識和獲取的不對稱資訊，比如說業內的人脈所帶來的這些資訊，然後加上一些天才的靈感進行決策。這個決策有相當大的幾率會失敗，但是也有非常多的時候是高風險高收入的。一個典型的例子，即便現在業內有非常多的號稱大資料的公司在做影視劇的投資分析，但他們並不能直接用這些資料來形成對後續的預測和決策，很多時候的決策是基於一些老編劇對於整個劇集的感覺。
右邊，是實際上可以在不遠的將來往下做的，有一部分其實已經做的非常好了，有很多流程仍有待我們通過資料和機器學習去實現。完整的流程包括有效資料獲取、資料清洗、資料結構化（包括圖片、視頻、文本等），之後要識別相應的實體，可能是某一個消費者或特定的主題，基於此是多維度的資料打通。打通資料之後，形成行業性質的知識圖譜。這個整理過的知識圖譜通過我們特定的業務邏輯再來產生洞察。有了相應的洞察之後，還有個體系是用相應的策略庫，策略庫其實也是可以通過海量的資料獲取和驗證來做的，最後形成一個自動化決策。整個流程其實是可行的，目前非常需要人工介入的是知識圖譜的構建和資料清洗。在有了非常明確的應用場景和商業目標下，我們是可以通過這樣一整套體系從有效的資料到最終的決策，進行順暢的執行。
比較典型的，IBM的這套Watson體系，他本身構建的是一個非常大的平臺體系。包括整個認知、知識圖譜的積累、整個平臺化的介面，由外部的應用來接入行業的資料、業務場景和業務策略、業務邏輯。目前階段略尷尬的是，實際的應用當中還是非常窄的一個層面去應用，並沒有特別廣泛的通用型的決策和洞察的體系的出現。
總結：資料指導策略、資料驗證策略、資料評估策略總結來說，現階段我們需要做的事情是，在有了資料的情況下指導策略，然後通過資料驗證策略，最後還需要用資料來評估這個策略實際執行的效果。這樣下來就可以更好的把閉環完成。通過演算法、資料、對於消費者的理解和驗證，整個完成之後，類似於在做AlphaGo圍棋對局的過程，通過不停的資料產生、資料驗證和經驗的積累，形成策略優化。
最終我們認為所有的企業包括個體都需要關注怎麼樣可以更好更快地獲得相應的決策洞察的支持。因為整個資料成本在變低，分析門檻在變低，因為有了那麼多工具和預先配置的體系。當我們不用資料的時候，我們無法保證不被甩在後面。有兩種情況，要麼真的跑贏老虎，達成了最終完全的自動化洞察。要麼就跑贏身邊那個人，找到更加獨有的資料，這些資料不一定是公開的，需要企業通過特殊的管道去挖掘，然後能夠有更高效率更加行業化的分析。
這些基礎的資訊其實已經可以達成自動化的部分，在效率提升的情況下，最高決策人或產品負責人再基於整個企業，對於整個趨勢，不管是微型趨勢還是對大環境的判斷、對自己資源的判斷，結合起來最終做出一個決策。最終決定這個企業或者產品是否能生存下來，就歸結在剩下的產品力和執行上。
本文為拓撲社原創，未經同意不得轉載或引用
尋求報導&合作請聯繫：tobshe@itjuzi.com