出海數字化那些事（一）：你真的不需要數據嗎？

近年來數字化轉型變成一個非常大的趨勢，在這個大趨勢之下，其實很多出海的企業（無論是賣家還是服務商），常常把一句話掛在嘴邊：“我們有那么多的數據，出海要把這些數據用起來呀！”

圖片來源：紛析咨詢

確實賣家們，服務商們都有很多的數據，但這些數據在出海的路徑上沒有成為一個行業標準。

到底是為什么呢？

會不會是——其實我們根本沒有用好，或者知道數據的用法？

你到底擁有的是數據垃圾還是數據資產，這是一個問題。

數據絕對不都是資產，更多數據是垃圾。

沒有處理過的，其實只是信息，而不是數據。

圖片來源：紛析咨詢

大數據時代的一個最大的公眾誤解，就是讓人們以為有這么一個萬能的數據解構者，能夠在容納了海量的數據之后，產生出人類所不能企及的智慧與洞察。

但可惜，數據越大，可能包含的垃圾越多，大數據并不可能化腐朽為神奇，它只能在海量高質量數據的基礎下產生作用。

但是現實世界中，并沒有那么多唾手可得的高質量數據。

大部分的數據保質期都非常短暫，絕大部分的數據還不如Device ID的生命周期長。比如，DMP中的人的興趣標簽、在自有觸點上抓取的用戶行為數據、消費者提交的leads……

并不長久的保質期，意味著手上握有海量數據的廣告主，或許并沒有多少真正可用的數據。

或者說，你的數據若要成為資產，不可能是死水一潭，而必須不斷更新，有進（更新的數據）有出（過期的數據）。

最常見的一個誤解，就是我們以為數據資產是一個靜態的東西，但實際上，它根本就如同永不停歇的軌道列車——存一潭死水容易，玩轉一個軌道交通系統則太難！

隨著大數據與云計算的發展，我們企業能夠獲取的數據量越來越大、數據維度也越來越豐富。與此同時，幫助我們挖掘數據、分析數據的工具也越來越強大，比如大家所熟知的各種云平臺和大數據平臺。

在模型算法方面，業界和學界也投入了很多資源來進行開發和迭代，因此各種新的模型和算法源源不斷地被開發完善，發展速度非?？?。

在這個背景下, 當企業擁有了足夠的數據、或者有能力去收集相當數量的數據，智能化運營手段即成為企業增長的一大探索點。

建立數據資產的難度，也不在于獲取數據本身，更在于數據體系的規劃——沒有好的規劃，獲取來的數據就可能不是資產，而是垃圾。

最典型的現象，是數據源頭構建的隨意性。

舉一個例子，很多企業有兩大類數據，第一類，是企業的客戶信息，CRM中的客戶數據，以及Leads數據，這些數據已經很成熟，它們等同于收入數據。第二類，則是各種外部第三方工具“幫助”企業抓取的，各種營銷運營觸點上的數據，這些數據最常見的命運，就是成為各種各樣的報表。

最為典型的是數據源構造的隨意性。

例如，許多企業擁有兩大類數據，第一類數據是企業的客戶信息， CRM中的客戶數據，以及與收入數據等效的成熟的 Leads數據。其次，是各種外部第三方工具“幫助”企業抓取、各種營銷運營觸點上的數據，這些數據最常見的命運，就是變成各種報表。

圖片來源：紛析咨詢

那些報告，很少一部分在短時間內被利用后，會隨著更多的報告一起出現，即使人們只看一眼，就進入了數據庫，數據庫永遠不會打開，直到死亡。

事實上，這些報告背后的原始數據更有價值，更接近數據資產的一部分，也隨之進入企業精心構建的各種“數據倉庫”、“數據湖”、“大數據系統”，然后又同樣陷入沉睡。

圖片來源：紛析咨詢

更有甚者，這些數據天生就是由不同部門擁有的不同的第三方工具獲取的，它們之間沒有聯系，互相獨立，但都會信誓旦旦地說：“我的工具可以輸出數據，而且可以與其他工具的數據進行無縫連接?！钡菃栴}是，沒有哪個工具能容納其他工具的數據，每個人都能輸出數據，這是對的，但是為了最終實現數據打通，這些工具都不會愿意去做。

不過，商家的老板們還是放心了，畢竟，所有的數據都保存在“大數據系統”中，就像紙幣存在銀行中一樣安全。當需要打通這些數據時，技術同事是否應該將其打通呢？

所以，有一天，當老板要求使用某些數據時， IT部門的同事又要在這些系統里寫各種程序翻找數據，卻發現，并非某些數據沒有，而是數據打不開，或者是無法進行下鉆細分。這樣，萎靡不振的報告，只能給出一個大概湊合用的數據了。

我們為你買了這么多的工具，抓到這么多的數據，建了這么大的數據庫，居然，跟我說，這是為了你，還是為了你？！

技術員心里想：“mmp能給一個大概可以使用的數據已經拼過老命了！”

但是，我們不知道這其中最諷刺的是，工具越多，壞的數據就越多，這是最糟糕的事情。雖然工具雖然強大，但是它們彼此之間并不相關，工具越多反而越糟；數據越多，卻無法打通，越積攢越多，處理越困難，存儲空間就越大。

大多數企業內部，要么沒有數據，要么數據孤島重重。在數據孤島形成的背后，數據系統缺乏規劃。

圖片來源：GrowingIO

有一個很重要的問題是，既然各種數據工具收集的數據可以導入到企業數據中臺，并且都被引導出來了，為什么這些數據不能打通呢？

兩個理由。

第一，缺少打通數據所需的主鍵(這正是我們說過的One-ID)。

圖片來源：紛析咨詢

第二，即使有主鍵，對這么多工具的數據表進行清理、去重、打通，這是多么龐大和容易出錯的工程。Vlookup公式使用 Excel并不那么簡單。也就是說，理論上沒有問題，落地的可行性很差。多數情況下，只能是需要什么數據，找這些數據再暫時與其他相關數據對接打通， case by case，暫時解決就好了。

圖片來源：紛析咨詢

所以，沒有數據能力，什么數據資產都無從談起。

具體地說，近年來，許多企業都通過 BI (Business Intelligence，商業智能)工具獲得了許多有意義的洞察和成長。

但是因為 BI工具是由一個分析員設計的，再由一個操作員來操作的分析工具，所以從人力投入和使用的角度來說， BI工具所做的分析通常并不特別復雜，可能只是一些低維的，如一維，二維的分析。

相對來說，我們今天所分享的機器學習和人工智能模型所能處理的數據量之大，維度之高，所能挖掘的數據與數據之間關系的復雜性，都遠遠超出了我們普通人能夠理解的范圍。

例如，普通的集成學習(ensemble model)、深度學習、前幾年被人們所熟知的在下棋應用中非常成功的強化學習模型、 GAN模型等，這些都是去年人們非常關注的換臉技術背后的技術。因此，我們將面臨這樣一個問題：如何在我們的業務系統中應用這些理解不良但功能強大的工具。

本文將圍繞這一主題，按下圖分析模型驅動項目的關鍵步驟，探討一下大家在實際出海模型操作或出海項目管理過程中少走彎路。

圖片出處：Google

到底什么是數據能力？

我們對此和目前大家在出海上的理解有些不一樣。資料的獲取、處理、運用等能力，通常被視為技術能力。

但是我認為，數據能力還有另外一個很重要的方面，就是容易被忽視，從而導致即使把技術處理好了，企業仍然沒有數據能力。

首先，是一個數據規劃系統。這個問題，前面已經談過了。為什麼很少有企業能規劃出自己的數據系統，而更多的企業卻在不停地堆積數據？

由于業務需求總是迫在眉睫，成系統地構建數據系統既需要時間，也需要大量資源，更需要說服老板，所以不是業務部門能夠控制的。于是就有了這幾年開始被炒的數據中臺，而且數據中臺基本上只有阿里騰訊這樣的大廠去忽悠，因為這些大廠都是賣給大老板的東西。

于是，也就有了在市場和運營系統中同樣被追捧的 CDP。本質上， CDP是一個多渠道多接觸的數據獲取、組織、應用系統，以及自帶的數據打通整合功能，因此，它本身也是一個自帶數據系統的工具，天然就是反數據孤島。

盡管這兩種方法都有助于數據規劃，但我對數據中臺和 CDP的看法不同。這篇文章沒有提到具體的原因，有時間的話我們會再講一篇我們的看法。下面簡單的解釋一下，數據中臺，很多企業基礎不行，做不來，用不上。相對來說， CDP比較容易使用，業務領域也更加集中，使用的可能性也更大，雖然還不簡單，但至少比Database中的臺面要現實。

其次，是數據運營系統。

對這一點，企業比以往更缺乏認識。何謂數據操作系統？簡言之，就是沒有操作，沒有數據，沒有數據資產。

最為典型的是：我們通常認為數據獲取是技術性的。但是，事實上，這更是一項業務。就拿它來說在我們建站的獨立站上，我花了一百萬購買了大量的流量，然后進入我的觸點。您花費相同的錢購買相同的流量，然后進入獨立站。我們獨立站有很多設計都是為用戶提供交互的，而你的獨立站，基本上就是讓用戶瀏覽圖片和文本。兩者在數據收集方面都有明顯的不同：我的設計能夠收集到更多的用戶交互行為數據，而在此基礎上，是靠操作能力。

圖片來源：紛析咨詢

另外，要打通數據，還需要操作。

和許多企業的認識不同，打通數據并不主要是一項技術工作，而是需要讓用戶留下聯系方式，通過聯系方式打通不同平臺和接觸點的不同 ID。我們之前提到過，聯系方式是連接數據所必須使用的主鍵。除了這些以外，其他打通數據的方法，都是不實際或不可靠的。

但要想得到消費者的聯系方式，不能偷也不能搶，一定要讓消費者愿意提供，這還需要靠操作。也就是，過去我們策劃的營銷系統，或者是特定于一項活動的營銷，很少考慮如何獲得數據，如何應用數據。但如今，營銷系統，或營銷活動，如果無法獲取足夠的消費者數據，那么其價值就折損了一半。

即便這些數據有條不紊，也沒有任何意義。沒有對數據的應用進行仔細考慮，數據就會最終過期，并被扔進垃圾堆。

信息流動應用的話題太多，但具體到數字營銷和運營領域，應用場景也是多種多樣。

例如，現在企業自己獲取的其中一方消費者數據有很多應用場景：利用第一方數據進行廣告投放、整合消費者多觸點(反向營銷)、私域生態私域運營、動態營銷自動化、目標明確的推薦、消費者/客戶生命周期運營，等等。

這個狀況和你的生意有關嗎？

更有甚者，數據最終會以報告的形式出現在老板的屏幕上，即使是大數據，也會被理解為“dashboard大屏”，就像沒有顯示，沒有數據，也不存在。

遠離數據報告、 dashboard、 BI或數據挖掘，數據資產遠不是數據報告、 BI或數據挖掘，而是真正能應用到特定場景、驅動特定業務(尤其是客戶運營)的物質。既然不能釋放更多的能量，為什么還要說它的資產？

所以，數據資產的邏輯描述如下：

上圖：傳統的消費市場運營系統只是藍框中的一部分，但是為了積累數據資產，必然要包含更多的數據運營部分。

運用數據需要花費大量的時間和精力來規劃數據系統，需要花費大量的時間和精力來開發具有抵抗數據孤島能力的工具，但是更重要的是，還需要花費大量的時間和能力來建立自己的操作系統，以及擁有將數據與業務結合起來的戰略人才。這一切，都很寒冷。

因此，將數據轉化為資產并不是一夜之間的事情，也沒有幾個數據系統工具可以解決。實際上，這是當今企業數字化轉型的核心問題。

說到這兒，今天的主題，也就是如何應用數據資產來做一個開場白。而下一個問題，則是許多出海朋友共同關心的一個話題——如何出海路上，應用數據資產。

數據采集及標準化

當我們擁有大體方案后，下一步就是進行數據采集。我們提前部署了客戶數據平臺（CDP） ，當獨立站用戶數據已經封裝在我們的客戶數據平臺中。這些標準化后的數據是可以直接使用的。

而對于新的客戶，除了數據拉通外，我們還需要進行數據清洗與流程標準化，這個階段的速度會相對緩慢。

數據預處理

數據預處理是整個建模過程中最耗費時間，也是實現項目成功、確保模型精確度的關鍵一步。

以零售行業為例，假設某零售客戶希望能夠預測哪些用戶會到店購買，或者預測他們未來會購買哪個品牌、哪個品類等等。

通常情況下，我們所采集的零售數據都是一些交易數據，這些數據記錄了一筆又一筆的用戶消費信息。

我們要做的是預測未來哪些用戶會產生購買轉化行為，而過往的用戶消費數據可能蘊含著這些信息。因此我們需要把這些交易數據轉化為用戶特征和商品特征，以便輸入到我們的預測模型中。

算法-模型驗證-輸出管理

在預測哪些用戶可能會轉化的場景中，我們通常采用 1 或 0 的二分類模型。

當場景比較復雜、牽涉到種類較多的商品或物品時，我們可以做一些多分類模型深入展開。比如做電商平臺的購買推薦時，面對過多的商品種類，可以通過個性化推薦實現“千人千面”的推薦效果。

基于以上四個步驟初步搭建好模型后，我們需要做很多的離線檢驗以進行模型驗證。

整個過程結束以后，我們會對驗證后的模型做一些畫像，以更好地理解模型背后的邏輯。同時，模型畫像也能夠幫助我們確定整體的營銷策略。

激活及在線檢驗

至此，大家對這個模型也有一定程度的了解、精度也能得到保障，模型就可以上線了。上線后，我們也會在線上做一些相應的檢測，并把整個流程固化下來，使它變成一個自動化模型產品。同時，我們也會依照業務的需求以一定的節奏讓模型保持自動更新。

一個成功的數據模型，往往是商業洞察、數據、算法三者相互作用的結果。業務目標決定了我們需要采集什么數據、使用什么算法、做什么驗證以及制定什么策略?？偠灾?，業務目標是一個根本性的驅動因素。

業務場景通常來說是多種多樣的，因此我們需要根據客戶的需求對建模過程進行一些微調。

對于用戶運營的同學，他們可能需要拉新、留存、預測流失用戶并作出預警；對于業務前端的同學，他們需要制定合理的定價策略并進行促銷；對于負責廣告業務的同學，他們需要評估廣告渠道的效率，以此產生一些關于營銷組合的洞察，便于制定下一階段的廣告預算和分配策略。

還有一些與供應鏈相關的場景，比如訂單評估不準確導致庫存積壓或商品脫銷。這時我們就需要更精確的需求預測來構建一個更加理想的供應鏈，把合理數量的商品在合適的時間運送至正確的地點。

（來源：JaronTam）

以上內容屬作者個人觀點，不代表雨果跨境立場！本文經原作者授權轉載，轉載需經原作者授權同意。?