隨著數據時代的真正來臨，努力維持現狀幾乎是每家企業都將面臨的挑戰。而今，如果大多數營銷人員手中沒有ipad或智能手機的話，那這個領域將是非常難以駕馭的。

暢游在數據的海洋

似乎大家都認可 海量且廣泛的數據是獲取商業價值的關鍵，而真正能夠證實’數據驅動決策’的案例是鮮有的。

大數據所帶來的亢奮，使得我們就像第一次去海灘的孩子，難以自控的在沙灘上奔跑、不停地跳進海水中。

我們在淺灘嬉戲撲打著，甚至渴望再游得深一點、遠一點，直到第一波海浪將我們拍倒在地，才意識到數據海洋所彰顯出的可怕和強大。

依據CMOs最近的一項調查，跑回海灘這一點也證實了我們目前所處的位置。許多營銷人員畏縮了，他們使用僅有的數據，作為推測的依據。

自互聯網產生以來，營銷人員便開始使用數據及復雜的數據運算，這已不是什么新聞。真正引起改變的，是對日益增多的數據來源和加速增長數據量的生成和收集工作。

即使你從網絡、用戶、社會、搜索、展覽等處全面展開數據采集工作，再加上無數的遺產、線下和內部資源，在你還沒有將所有數據集成完整的商業智能時，這個數據的采集過程會是最被質疑的。

許多公司發現他們只需在數據可視化的早期階段，即可提出一個或成或敗的整體觀點和實際解決策略。少數公司仍堅持使用數據來解答難題，進行深入分析，或模擬未來。這些公司已ac經想出如何釋放數據的能量，他們都通過三個階梯來實現數據分析的成功：技術、商業、戰略。

Technical Success技術的成功

這可能不是最有魅力的一層，但它絕對是地基。“我后來想了下，需要在網站的新版本上新添加一些JavaScript的實現”這樣的話還經常能在計劃會議上聽到，所以數據收集通常成了馬后炮。

CRM客戶關系管理系統（Customer Relationship Management）是在一個真正孤立的環境下實現的，第一個版本發布后，應用程序需要在再次發布前重新分析解決方案，同一公司的不同成員以及他們的代理機構仍然不知道其他人正在收集哪些數據、如何收集的。難怪我們不相信我們的數據!

治理

通常情況下，抵達技術成功的第一階梯不僅要靠技術本身，而是一種對制度的治理。隨著數據在公司中的角色日漸成熟，它需要一個清晰和連貫的策略來管理各類參與者。如果沒有高層領導的支持，沒有團隊培養費用的預算，沒有制定明確的適用范圍和目標，那么單純購買最昂貴的工具，只能是通往失敗的昂貴之路。

試著將各個利益關聯者都綁定在一起，大家在同一個房間里，在白板上描繪出便于整個公司進行數據收集的各種系統和工具，一起討論——誰能進行網站分析？你們機構是如何共享數字媒體數據的？營銷部門和IT部門如何一起工作？

將大家進行角色和職責的分工，提供一份說明框架的文檔，并建立一個內部卓越中心或數字分析部門，以聚集各個利益關聯者定期開會，保持項目步入正軌。

集成數據堆棧

一旦大家都在同一個維度上，彼此也都知道各自所負責的內容，這就是時候全員一起看看完整的數據堆棧了。

這個過程開始于清晰的商業目標制定和籌劃，需要數據來驅動并反推衡量成敗的KPI。這將隨著時間的推移而演變成一個真正的度量模型，在業務、客戶群體和導購員間進行分層結構化分析。

但是，為了以上內容能夠全部實現，我們需要確保我們通過正確的方式收集正確的數據。這意味著描繪出你的堆棧、記錄數據的來源以及如何將這些設置集成在一起。

可能，你需要一些可視化報告，如來自實體銷售網點的線下客戶數據分析，呼叫中心和后端CRM客戶關系管理系統（Customer Relationship Management）以及DMP數據管理平臺（Data-Management Platform）的數據，公司購買的第三方數據報告，甚至網站和手機應用的各種數據表現。

將技術、工具和解決方案進行統一籌劃是找出數據集之間關鍵的第一步，ETL數據抽取、轉換和加載（Extract-Transform-Load）和數據清理，有效數據采集和標簽管理，有效存儲和訪問數據集的各種工具和技術。

技術層已不再是復制和粘貼JavaScript，投入到今天復雜的數據垂直領域，當激活數據時，正是投資回報最大的時候。

商業的成功

一旦你擁有了自己所需要的數據，并且值得信任，那就上升到業務層面了，有正確的人正確的數據——在正確的時間以正確的格式輔助作出正確的決策。

一場進化

在我印象中，很久以前一位分析師來辦公室找我，不斷地解釋他們是怎樣將一份150頁的PDF錯誤報告發送給了客戶。那份報告中的每一條數據都標注出了具體來源，清晰的展示著我們的公司抬頭，以及客戶（錯誤的）的logo。為了這個錯誤，我們一直在等一個可能隨時解雇我們的電話；但事實是，這個電話始終都沒有來。

為什么？因為從來沒有人打開過這份報告。這150頁的PDF報告根本沒有任何價值，雖然為了它我們曾對著一頁頁的原始數據或一排排50字節的Excel文檔來導入數據，艱苦的獲取并推導出了網站訪問量、平均訪問時長，以及轉化率等等，就是為了告訴我們的客戶，“在這里，有你要的答案。“

事實是，人們更關心他們公司和業務的目標。在戰略會議上，我還沒有聽過任何人講，“你知道我們今年的數字營銷的業績嗎？是跳出率比較低。”

使用相同的語言

通過數據，公司成功的找到了一種將其轉化為自己公司語言的方式。我一直在問：“什么是好的轉化率？”很多時候，我條件反射木訥地回答“介于0-100%之間。”

我終于意識到，這樣的問題只會換得一個讓人絕望的回答，“那怎樣將這個指標轉化為我真正所關心的問題呢?”

事實上，我們所關心的問題遠遠大于一個指標，比如銷售、利潤、增長、效率——同樣的這些問題，早在我們關注互聯網之前就已經出現了。指標的應用更多應該在幕后，為了指定的業務目標而導出的衡量成敗的KPI。

用可視化數據來衡量成功并做出決定

“就我自己而言，怎樣將我下一筆社會化營銷費用花在研究階段中的X產品，影響這一漏斗最好的辦法是什么？

不幸的是，我見過的任何”罐裝”報告中從未出現過這樣的標題，而能明確的做法是找出密碼并登錄到一打系統上，然后花幾個小時篩選報告和數據集，雖然低效但不為是一個有用的方法。

數據可視化能夠幫助我們從噪聲中區分出正確的信號。例如，我們開發的評分系統，收集不同來源的各種原始指標，將它們清晰地可視化呈現出來，以幫助各級決策。

一目了然且高層次的表格，如下：

當底層數據集和邏輯關系極其復雜時，最終的結果可以清晰的呈現出，并幫助管理者們決定他們需要將精力集中投入到哪里。

對于那些需要更深入分析的數據，不同級別粒度的不同可視化同樣可以表面特定物品同樣明顯。不管你是否需要數據驅動決策，像面板儀表盤數據可視化工具Klipfolio或商業智能工具軟件Tableau都可以連接到不同的數據源，展示出清晰的圖表。

我們那150頁的PDF報告，在你的收件箱中走了很長的路！

戰略的成功

數據在最后一層的應用上，就不那么直接可衡量你目前所做的事和決策的及時性了，更多是關于未來的計劃。

再強調一次，這一層比網絡存在了更長的時間。但是伴隨著存儲空間和計算能力的進步，我們所收集的數據量和類型每時每刻都在成倍增長，已然上升到大數據的時代。因此，戰略層面需要依靠傳統和新興數據科學共同來解答難題。

由框架來驅動

如果你已經創建并迭代了測評框架，你就會擁有一個基礎優先和驅動的數據來回答問題。在每個路口或新的業務目標，你都會有一個學習議程計劃和必要的分析計劃。

假設您正在運行一個電子商務部門，其中一組確定為一個在線的“購物窗口”，銷售一個特定的產品線。 

你已經定義了這部分，建立報告和儀表盤來提供圖表圖片，關于他們在做什么，甚至你是如何通過營銷渠道和內容來影響這個群體的；但最終，你留下匿名訪問者的盲點步驟完成實體店的購買過程。 

在這一點上，我們可以構建模型，來幫助我們理解線上線下購物意圖之間的聯系；更重要的是，對于這些高價值在線購物行為的監測可以直接指導我們未來的努力方向。

也許你已經注意到，盡管你健身房的報名人數比以往任何時候都多，但你的年度財報顯示收入還是下降的。這是一個很好的開始，因為你已經開始思考客戶的價值到底有多大。是什么造就出一個高價值的客戶，我可以根據第一個月的會員關系來預計未來的規模嗎？我的營銷目標應該鎖定在哪里，找到的不僅僅是新客戶，而是適合這里的新客戶？ 

在這一點上，我們可以執行價值層次歸類、生命周期價值分析，并通過建模來幫助我們預測最有效的營銷渠道組合來吸引目標人群。

當然，這些都只是兩個例子，還有很多問題可以通過深入分析、建模和預測來回答。在評測框架的指導下,你可以優先考慮相關的商業機會和價值，不斷地根據數據來提高業務目標。

成功數據分析的三階梯可以帶給我們什么？

不幸的是，數字分析成熟度曲線從底部到頂部并沒有魔法氣球可以搭乘。每一層階梯都需要先抵達前面一層，所以最好的下一步是用在你目前所在的這些層。

你的公司是否依據數據和分析制定了明確的目標和管理？你收集到的那些你需要的數據，它足夠準確嗎？如果不是，可能要在技術層多做一些工作和改進。

你的利益關聯者是通過報告、儀表盤和可視化數據來驅動他們的決策嗎？他們的生活可以離開這些嗎？你知道哪些趨勢可以提高公司的業務目標嗎？如果答案是否定的，在業務層可能蘊藏著巨大的商業價值。

你的公司是否有一個結構化的方法進行深入分析，可以提出和回答高價值和戰略的問題？戰略層的數據應用可以為您指引未來的機會所在。

永無止境的循環

最后，重要的是要了解你的公司及公司周圍不斷發展和變化的環境。不可避免的，你會經常做一些IT項目繼續鞏固數據源或部署一個新買的插件。

業務目標的改變，有可能會改變和影響之前根據儀表板和數據做出的戰略決策，新的技術將會影響不同類型和水平的報告分析。

以上這些可能勢不可擋，但所有的都放在構造層次和重點會有所幫助。當涉及到利用數據來驅動你的目標，風險越來越大，和問題“我們要從哪里開始？”的答案往往只是“開始！”