本文作者，孙宁，现在IBM市场部大中华区数据分析部经理，负责整体绩效营销的商业数据分析和营销数据库管理。加入IBM之前在国家统计局工作。二十年的职业生涯都是和数据打交道。从做数据到看数据到用数据帮助业务增长，心得体会如滔滔江水，和大家共同分享。

作者：孙宁

最近我们数据分析团队得了一个IBM市场部的内部大奖，叫做“最佳闺蜜奖”，这个是IBM市场部表彰我们数据团队在他们市场活动中和他们的紧密结合对他们的帮助。

有很多公司做市场数据分析的人员都会听到业务人员的抱怨，说数据部门提供了一大堆数据，可是只做了一些简单的统计和数据描述，要么太泛泛，告诉了一些他们早就知道的结论；要么只是把有问题的地方罗列出来，却没有啥有深度的分析和改善行动的建议。

其实，这个问题只要业务人员和数据分析人员紧密合作就能得到很好的解决。

大数据时代，所有人都说数据就是财富，数据就是资产。其实作为一个数据分析的老司机，体会最深的是，大量数据本身是没有价值的。重要的是我们怎么解读他们，怎么使用它们，怎么把这些数据放在日常的管理工作中和KPI(key performance indicator)相结合，才是数据发挥价值的核心手段。

在IBM，数据驱动营销（data driven marketing）的理念深入人心，从管理层到执行人员，每个人都会运用数据思维来查找问题的原因和解决方案，已经形成了一个紧密工作的闭环来完成这项工作。如图1所示。

图1. 数据分析师和业务部门合作模型

这个模型的核心是：在数据分析方法和工具的支撑下，数据分析人员要和业务人员合作制定分析框架，共同监测分析结果，共同实现分析建议，共同为业务目标负责。

接下来我就用一个具体的案例来谈谈这个模型是怎样运作的。

首先，数据部门需要参与业务分析问题的定义。

比如随着IBM向数字营销的转型，IBM 中国每天都要收到数量庞大的在线客户联系请求和营销互动。

如何在目前有限的销售资源投入下，从中找到最有价值的客户，将客户互动转化为销售订单呢？

这个业务问题的目的就是让有限的销售资源发挥最大的效能。而解决之道就在于出现业务问题的初期就要让数据部门参与，评估这个业务流程所涉及到的数据，看看目前所具备的分析条件和需要构建的数据。比如客户在线联系请求的数据内容；营销互动数据所包含的元素；销售接单，联系客户和销售订单转化的工作流程的数据完备度；销售收入的效果衡量数据；现有的基准（Benchmark）和主要业绩指标（KPI）等等；

其次，通过业务流程分解将业务问题转化为数据问题。

这个转化需要从业务逻辑出发，一个数据分析框架的使用不是因为数据库里面有大量数据可供分析，也不是因为数据分析人员刚好会做这些分析，而是业务逻辑需要我们用量化的数据提供行动的建议。

在这个例子中，经过和业务人员的沟通，双发达成的共识是要想提高销售的工作效率，就需要识别在目前的工作流程中高价值客户的定量指标和定性指标和影响工作效率的数据指标。

如图2所示，将提高 “销售效率”这个目标的因素分解为两个业务流程。第一，对高价值客户的咨询需要区别对待，集中处理；第二，在客户整个购买周期中要根据客户群体行为不同的变化调整策略。

这样下来所对应的数据问题拆解就包括影响客户的购买因素和权重，销售人员的工作方式，数据库存储的客户接触信息。B2B销售周期比较长，随时监测客户和联系人的信息变化也对销售的进程至关重要。

在建模阶段，需要考虑客户公司和联系人两方面的因素，甚至还需要考虑外界经济环境和政策的因素，这不是简单的聚类分析和加权就可以解决的。

经过业务部门和数据部门经过几轮的反复商讨，基本确定了以逻辑回归和认知语义分析技术预测客户购买倾向，公司层面和联系人层面的数据整合监测客户行为的整合分析方法。主要提交的分析为客户响应评分和360度客户视图分析。

图2. 数据分析拆解过程

第三步，以业务结果为导向进行数据解读和评估。

一个分析模型建好了，并不等于数据咨询师的工作就结束了，他还必须要验证分析结果的准确性，并帮助业务部门使用好分析结果、创造价值。以我们客户响应评分的分析为例，传统分析师的做法是提交一个类似下面的数据分析结果：

业务部门拿到这个表格很可能会质疑，凭什么张XX购买的可能性较低，较低我就放弃他吗？0.1283和0.8737比起来到底低到什么程度？ 所以，合格的数据咨询师应该和业务部门的同事合作，共同评估分析结果的效用，再基于分析的结果，提出相应的业务建议。进一步的分析结果如图3.所示。

图3.客户响应评分分析模型结果评估及行动建议

依据分析结果，可以给业务部门的具体建议是，占总体市场响应量的0.8%的客户可以提供72%的销售金额，建议销售部门重点处理。其余的客户则根据以上分析的优先等级由不同的部门跟进。上面的分析在整个业务执行的过程当中要不停地监测和优化。这意味着图3的分析要定期更新迭代，根据每次数据变化及时调整分析模型和资源的分配。

电访中心和销售团队对360度客户视图的使用也需要分析构建之后，也要根据使用情况测试进行响应的评估。

第四步，推进数据分析可视化和系统化，将数据分析融入业务运行和企业文化。

当数据分析结果和建议能够很好地融入业务流程，真正为业务发展创造价值的时候，我们可以将数据分析可视化和系统化。

图4很好地示意了IBM怎样将客户响应评分模型和360度客户视图应用于全面的市场营销自动化系统。在客户响应阶段，客户响应评分模型被构建在客户响应收集系统之后，下一步传递之前。

这样不同机构的人员就可以根据系统指定的优先级接到各自需要采取行动的客户响应名单。360度客户视图被构建在客户购买意向阶段的销售管理界面，帮助各部门随时了解客户公司及联系人的情况变化。

图4.客户分析结果在市场营销自动化系统中应用

大数据的营销实践是近些年来比较创新的理论， 市面上各种新想法、新理念层出不穷。但是真正能实现数据分析和数据驱动营销创造价值的，在B2B行业还是凤毛麟角。这中间的关键在于每一步执行中对数据的理解需要和业务深度结合，在于公司各个部门对数据价值的认同，在于数据分析师和数据库构建人员扎实的基础工作。

只有新的理念是远远不够的，重要的是需要有与业务工作相结合的坚实的数据构建与分析工作。

Linux 之父 Linus Torvalds在加州举行的开源领导人峰会上，谈论了他如何管理 Linux 内核的开发和他对工作的态度。他说，科技行业谈论的创新绝大多数都是夸夸其谈，任何人都能创新，不要把“另类思考（think different）”当成什么了不起的事情，谈论那些都是毫无意义的。真正的工作不是天花乱坠的所谓创新，真正的工作是在于细节。他认为一个项目的成功 99% 来自汗水，1% 来自创新。成功的 99% 就是把工作做好。

这一点在大数据分析上尤其正确。