策划人如何应用大数据做好品牌营销
对于品牌营销人员来说最普遍的问题是用大数据来做什么。人们会认为更多的数据意味着更好的营销效果，但是现在我们面临的挑战是如何把“更多”变为“更好”。
这个挑战的一大部分是因为大量的数据被误读。大数据这个词本身，使品牌营销人员形成了一个思维定势，他们关注数据量，大量的信息图表、字节和字符数、这些数据充斥着营销行业。但是这些数据只有在能产生更好的效果的时候他们才具有意义。
从大数据中得到数据以外的更有用处的东西，这主要取决于信息的分析方式。大数据变革引发的是更多的对于数据的分析和更少的数据量。但是这对于大部分的品牌营销人员来说有点难以接受。
IBM中心最近一份有关于数据分析在营销专业领域的应用调查发现，有40%的数据分析没有达到大数据分析标准的要求，另有37%的数据分析情况稍有进步，但仍然十分有限。换句话说，有超过3/4的品牌营销人员没有掌握正确的数据分析方法，以保证大数据带来更好的营销效果。IBM的客户部副总裁，Ari Sheinkin，把这句话当成了口头禅：“品牌营销员们卡在了时光隧道里，就像广告狂人里的Don Draper一样。”
调查发现最令人担忧的问题是这3/4的品牌营销员中，只有不到1/5的人采用了科学的方法对数据进行研究和分析。而大部分的营销员依靠直觉和勇气来处理数据，这样也就可以解释为什么只有23%的营销专业人士说他们通过新的发现可以高效率地进行品牌价值创造，为什么只有25%的营销专业人士可以捕捉到新的市场，为什么只有32%的营销专业人士可以吸引个人客户。大数据本身并不会给品牌建设带来任何改善。事实上，如果品牌营销员没有掌握科学的分析方法，更多的数据只会给他们带来更大的麻烦。品牌营销员应该关注的首要问题不是用大数据来做什么，而是用大数据不能做什么。知其不能为然后才能知道其所能为。
如今，很多人吹捧大数据，这是一种错误的鼓吹，这种鼓吹会破坏科学的严谨性和精确性。这也给营销员们以不科学的方式处理数据提供了一个看似充分的借口。但是这样做会把品牌置于危险的境地。大数据需要精确的而不是粗糙的分析。
对于大数据最大的误解是认为它淘汰了科学分析法。这是克里斯·安德森在2008年《连线》杂志上一篇文章的标题，这个标题毫无专业性，在文章中他宣称：数据的相关性取代了因果关系分析，即便没有相关的模型、统一的理论，也能得到科学合理的结论和成果，这完全不需要任何解释。安德森这种鲁莽的观点得到了牛津大学教授维克托•迈尔·舍恩伯格和经济学家编辑肯尼思•库克尔的赞同，在他们2013年大数据畅销书中他们用了整整一章节的内容来赞扬相关性可以取代因果分析这种理论。
对在科学方法和因果分析这两种研究方式的抨击，大部分来自于一个错误的看法，这种观点认为只有在数据不完整的时候才需要科学。这种错误的观念源于这样一个事实，有关误差范围的研究结果表明误差的出现通常跟抽样有关。如果掌握了所有的数据，那么就不会存在抽样误差。既然大部分人在对研究误差都持有这样的观点，那么他们抱有这样错误的结论也就不足为奇了，多数人认为大数据会减少错误，因此无需任何科学的方法或因果分析。
但是这样的想法太天真了，至少是对大数据的期望过高了，认为在大数据领域内，我们所看到的所有的数据模型和数据关联都没有错误。拥有更多的数据并不是可以解决一切问题的灵丹妙药。
我们之前讨论过制定品牌战略需要进行大量的随机抽样工作，人们有一种天生的倾向，习惯于寻找数据模型。虽然数据模型会给我们提供帮助，但是它也会给我们带来损失。蒙蔽我们的眼睛和思想并不是一件很难的事情，就像最简单的光学错觉一样。根据经验，我们驾驭生活的时候必须遵守规则并且小心翼翼。即使如此，我们仍然倾向于寻找数据模型和数据关联，即使这些东西原本就不存在。当我们应用庞大的数据制定政策和做出重要的行业决策时，这是一个非常危险的问题。
这就是科学方法的价值所在。它是评估数据的一个系统框架，科学方法的正确应用可以大幅减少那些并不存在的数据模型和数据关联。大数据并不存在这样一个有魔力的门槛，这个门槛使科学方法突然失去作用彻底消失。不管数据是多还是少，科学的方法都是营销人员推进工作所需要的基本要素，营销员们不能凭直觉和勇气取得成功。
这并不是说更多的数据不会有益于营销工作。这只是提醒人们如果没有科学的方法，更多的数据只会更糟，事实上，会非常糟糕。
FiveThirtyEight博客的博主Nate Silver，现在在ESPN工作，在他2012年的畅销书《信号与杂音》中预言，数据的缺乏并不是经济学家无法作出预测的原因。联邦政府每年发布45000项经济指标，私营企业发布的数据甚至更多，超过400万。把这些经济指标数据做成电话薄一样的厚度，把这些电话薄堆起来一直可以堆到你的胸口，但是通过这些数据你所能得到的只是一些具有欺骗性和巧合性的关系，没有任何实质性的内容。这些数据中只有三、四十个变量真正有用。这些数据已经众所周知了，你不需要寻找更多的数据了。这一部分数据它们有用处是因为它们植根与理论，这里不存在对数据的过度采集和丢弃。
但是即使这三、四十个变量也不能很好的预测经济。所以一些经济学家为了弥补数据的不足开始不加鉴别地积累大量的数据变量，他们抛开理论基础和因果分析，只是收集更多数据和寻找数据相关性。这于事无补。正如Silver所说，“如果你仅仅把经济看做是一系列的没有任何结构的变量和方程式，你八成是在自欺欺人的以为自己做出了一个非常好的预测，但是其实你没有做出任何正确的预测。”在2011年，一个经济预测公司用这种方法做出了一个非常错误的预测，通过总结这个故事，Silver指出它之所以失败是因为它使用了随机的变量从而错把数据关联性当成了因果关系。
Silver更加尖锐地指出：“这里并不存在比以前更多的真相。大部分的数据只是噪音，就像宇宙的大部分是空空如也的空间一样。”他不断重复——更多的数据并不代表更多的真相，它只代表更多的噪音，因此需要科学的方法来阻止我们轻信那些并不存在的数据模型和关联。不科学的进行数据堆积只会让随机性,机会性和巧合来降低和模糊我们的认知。
经济预测的问题并不是缺乏数据，而是数据质量和理论水平的低下，有偏差的预测只能带来回报低微的分析。数据更多并不代表更有帮助，更好才是我们所需要的。这也是品牌营销员应该关注的问题，大数据不是“大”，而是“好”！
品牌营销人员应该在这样的领域使用大数据，在这些地方更多的数据意味着更好的营销效果。这里有4个值得注意的领域。
第一，在没有数据或者仅有很少的数据的地方，更多的数据会带来帮助。比如，大数据在价格方面已经产生了较大影响。在过去的年份中，数据在定价方面的作用很少或者根本没有作用。但是动态的，实时的数字数据使品牌营销员们可以捕捉到隐藏的价值，这部分价值以前因为缺乏数据而没有被发现。在这里，更多的数据会产生效用，但是它能产生作用是因为更多意味着更好而不是因为更多只代表更多。
第二，因为数据收集的措施和时机不当造成现有的数据存在缺陷，更多的数据可以在这样的领域中提供帮助。例如，如过诸如消费者信心指数，失业率和经济减速速率这些品牌营销指标能够被搜集，那么谷歌搜索的发展势头会更好。大数据也可以用来制定应用现有数据无法完成的跟踪范围和风险指标工作，或者增大和提高现有数据标准。同样的，大数据带来改观是因为更好而不是因为更多。
第三，更多的数据可以建立内容丰富,易于理解的营销管理模型。一个重要的例子是使消费者的购物体验个性化。个性化是一个已知的,经过验证的成功营销模式（例如，一对一，客户关系管理系统，大规模定制等等）。不需要用大数据挖掘个性化产生的价值。需要做的是利用大数据提高品牌营销人员执行个性化营销方案的能力。品牌营销员越了解客户喜欢什么，他们越可以把客户需要的个性化方式做得更好。
第四，对于一些业务来说，充足的数据有利于更好的实验。谷歌因为承诺公司会不断测试，并进行持续渐进的改进而多次登上头条新闻。对于其他公司也是一样的。大数据开辟了反馈回路，详细的业绩指标使试错法变得简单、快速、易行。许多专家坚持认为，进行一项如此简单易理解的测试，非A即B的测试，不需要什么勇气、毅力和理论，这种方式应该成为品牌营销的核心和灵魂。
但是这也使许多观察家忘乎所以。对真实消费者进行的检验和测试并不意味着科学方法和因果关系的终结。一个好的实验所遵循的原则跟以前一样，这些原则构成了科学的方法。搞清楚A/B测试能够真正提升营销效果还是仅仅获得一个偶然的效应，仍然需要科学的方法和进行因果分析。大数据使更多的实验成为可能，但是它并不能降低实验的科学性。
在这4个领域以外，品牌营销人员应该谨慎行事。大数据必须用于特定目的和特定用途，而不是用于盲目的调查。最糟糕的事情是品牌营销人员盲目收集数据，并轻率的对待这些数据。就像Silver指出的那样，通过这样盲目的、不加辨别的数据收集,您会发现冰淇淋销售与森林火灾之间的关联性,因为两者都是在夏天发生的更频繁。但是这对于想卖出更多冰淇淋的营销员来说是一个误导。没有新的假说和数据模型来推动冰淇淋销售。没有新的方法用来吸引消费者。没有有关消费者态度和行为方式的新的数据指标。除了冰淇淋销售和森林火灾的偶然的相关性，这里没有任何有意义的发现。很显然，这是一个极端的例子，但是它说明了真正的危险在于使用不科学的方法来处理大数据。
大数据是数字时代的产物。大数据的前提是数字传感器、数字信号和数字路径的爆炸式增长。品牌营销人员所面临的最大的事情是数字，其中大数据只是其中一个组成部分。
它很容易使品牌营销人员醉心于一切数字,使用大数据变得理所当然。看起来大数据是这场经济变革中不可或缺的一部分，在这场变革中旧的规律都不再适用。但是不管是大还是小，数据就只是数据。同样的规则和保障措施,适用于较少的数据也适用于更多的数据。
大数据的价值在于它的数据的好而不是它数据的庞大性。如果仅仅是更多的数据，那没有任何的价值。为了多而多是一种错误的导向。没有益处的多等于更少。大数据必须提高品牌营销效果，而它能做到这些是因为它的好，而不是因为它的大。
