所谓算法，不过是按照人的思考逻辑，按照编程计算。即便是AI，算法逻辑也是人的。人工智能是【人的智能+机器计算】，机器胜在计算。数据分析师，是数据商业价值的解码器。阿里原副总裁，数据委员会会长车品觉说，数据分析师是业务的“军师”。
一家早几年就做数字化运营的老总跟我说，数据分析人员是他的宝贝。据他说，培养一名合格的数据分析人员，需要数年时间，比培养一名营销管理人员难度更大。
这是中高层对数字化的需求。机会在外部，发现机会需要深入一线。过去，发现机会需要高层到一线，利用高层的洞察力。数据洞察怎么做？这是个难题。任何洞察都是难以模仿的，是难以程序化的。程序化的都不是洞察。洞察无法替代，即使是大数据洞察也是如此。现在大数据能发现原来没有关联的因素之间是有关联的，但还不是洞察层面。
每个层级、每个人都需要数据把握整体状况，包括老板和一线业务员。过去通过一线拜访和统计数据把握。拜访需要时间，统计数据有滞后性。数据化，可以通过实时数据判断、把握整体状况，减少不必要的拜访。比如，一线业务员可以通过实时数据，实时判断哪些终端有问题，然后精准拜访。原来一个业务员只能负责150-200个终端，现在可以成倍增加。数字化现在已经以能做到“可视化”，这给把握业务整体状态提供了方便。
传统营销没有2C，只有2B，业务流程相对简单。2C的业务流程更复杂，一般用AARRR表示。拉新、激活、成交、裂变，上述过程的每项环节，都有数据可依，销售政策有针对性。
第一种分析：模型编程，自动分发。按照确定的商业分析模型，编辑成固定的程序。2C的即时响应就是如此。每次点击电商平台、抖音、今日头条，系统立即按照算法，千人千面、每次不同的内容推送。这种推送必须“瞬间”完成，用户无感。这个过程，称为营销自动化。第二种分析：惯例化分析，人工判断。由系统提供分析模板，按模板分析数据，但最终交由人工判断。2B数据通常如此，系统提供给业务员拜访终端的数据，就要由区域经理和业务员结合线下场景判断，并与终端老板进行沟通。比如，终端数据“不正常”，可以由业务员到终端”核查“。第三种分析：定制化的一次分析。比如市场机会、市场洞察。
大数据比的不是数据大小，不是计算能力，而是对数据的解读能力。机器运算，不能脱离人的思考逻辑。用户画像，建模、编程，即使与C端用户的交互是通过程序自动完成的，程序反映的仍然是人的思考逻辑。在数据中台，有一类人，称为数据分析师。他们是两栖人才，既要懂销售业务、流程，又懂计算机和大数据。只有懂销售业务，才能提出问题，提出数据化的思考逻辑。只有懂互联网和大数据，才能知道大数据能干什么，什么样的问题大数据能解答。数据运营，要有数据分析师。阿里原数据委员会会长车品觉在《决战大数据》中说，数据分析师要有三大“内功”：混、通、晒。混，数据分析人员要与业务员混在一起。混在一起，才能了解业务。
曾经与人有过争论，营销数字化到底是先搞顶层设计，还是先把业务模式走通？业务模式不通，再好的顶层设计都是豪华的摆设。业务模式走通了，顶层设计自然好做了。数字化之所以需要中台，就是中台与一线天然结合。既然是两个组织，结合就有障碍。谁应该更主动结合呢？我认为应该是中台的数据分析师。数据分析师的人员不多，是经过精心挑选的双晒人才。我们不能要求一线业务是双晒，这就要求分析师更主动。数据分析师要主动与业务混在一起，而不是被动服务。数据分析师还要分级，有的是数据分析的设计者，有的是业务分析人员。数据分析的设计者，这是数据分析的“种子”，很珍贵。如果内部有苗子，就内容培养；没有的话，就要到外部去挖。我们见到一些企业的数据化推动慢，主要问题不在数据系统，而是缺乏“第一推力”，没有人与一线结合，主动推动营销数据化，大家都在等一个“上帝”出现，然后一切都搞定了。
电商平台经过多年的摸索，已经有分析师了。甚至现在都在讲“人人都是分析师”，逐步普及化了。传统企业的营销数字化，前提是懂深度分销。有人问我，深度分销过程能否“速成”，我认为很难。而且现在已经深度分销的环境已经没有了，即使想体验，也回不到最初的环境了。未来几年，数据分析师将会很吃香，数据分析师培训可能也会火一阵子。
声明：文章为作者独立观点，不代表首席营销官立场，转载此文章须经作者同意，并附上出处及文章链接。如果作者注明不能转载及需要授权的，请征求作者本人的同意！
累计评论 0 条
写评论