本文来自于狗熊会《数据思维：从数据分析到商业价值》
01数据分析的核心
人们为什么关心数据？因为数据中蕴含着商业价值。更具体地说，数据，作为一种电子化记录，描述刻画了各种各样的不确定性，而不确定性蕴含商业价值。因此，数据分析的对象不是数据本身，而是分析数据所描述的那种不确定性。同样，数据分析的目的也不是分析数据本身，而是创造价值。因此，只要是能够创造价值的数据分析，都是好的数据分析。相反，则不然。你看，我秉持一种非常朴素的数据价值观。我对数据分析价值的判断，同数据量的大小，分析方法是否高大上，没有必然联系。该价值观的形成，并不是凭空臆想，突然形成的。它得益于真实的数据产业实践。 例如，有朋友很困惑地说：“我们做了一款这么棒的数据产品，数据量这么大，体验这么好，可视化创意如此独特。可是，客户怎么就不愿意买单呢？”听到这样的困惑，你会是什么样的感受？最开始，我也非常沮丧。我也觉得这东西很好啊，客户怎么就看不懂呢？但是，随着时间的推移，我的看法在慢慢改变。为什么？就像老师不能挑选学生一样，在商业实践中，我们很难挑选客户。因此，不能把数据产品的失败归咎于客户的无知。这样做没有任何建设性意义。而一种更加具有建设性意义的思考方式是：为什么我的数据产品客户不认可？想来想去，大概只有一个原因，那就是：价值不明晰。更加具体地说：咱们数据产品，之于客户的重要业务，所创造的商业价值，不明晰。这里有两个可能：（1）一个可能是数据分析压根就没有创造价值；（2）另外一个可能是数据分析所产生的价值难以被客户感知。无论是哪种情况，都会极大地影响数据产品的推广。
02价值表现的三个方面
请问，企业靠什么活着？答：收入！即使没有现在的收入，那也得有未来可预期的收入。啥子收入都没有，怎能开店？所以，请记住第一个关键词：收入。第二，企业为了达成收入，需要做什么？答：支出（或者说成本）。没有成本，空手套白狼的生意，不多见。所以，第二个关键词就是：支出。收入减去支出，就是利润。在资本当道的今天，利润可以暂时是负的，没有问题。第三，没有任何企业对自己未来是100%确定的，因为这里面有很大的不确定性，而不确定性带来的是什么？答：风险。所以，第三个关键词就是：风险。接下来，就这三个方面，予以分别探讨。
01第一个方面：收入。
从一个数据从业者的角度，可以先检讨一下，咱们的数据产品能否帮助客户带来额外的收入？请注意，这里的关键词是“额外”。客户是卖豆浆的，以前没有你的数据分析，他每天卖100碗。后来呢，有了你的高大上的数据分析之后，每天卖多少？还是100碗！那你的价值在哪里？相反，如果客户开始每天豆浆销售150碗了，那么你数据分析的价值就体现出来了。这个价值有多大？就是那额外的50碗豆浆！ 再看一个例子：个性化推荐。客户是一个电商网站，他的主页上有一个推荐栏。过去这个推荐栏的转化率是2%。通过你的数据分析，推荐栏的转化率提高到5%了，直接大幅度提高了客户的销售收入。这额外的3%的转化率，就是你数据分析的价值。再看一个例子，客户是第三方支付机构，有大量的支付收单数据，描述一个商户经营过程中的现金流。这些数据平时只能用于满足业务运营的基本需求（例如：对账），并没有任何其他价值。通过你的数据分析，为商户设计了更加贴心的金融产品（例如：小额信贷），并因此对接相应的金融机构，满足了商户的资金周转需求，也为第三方支付机构产生了额外的收入，这就是你数据分析的价值。 所以我说，数据商业价值的第一个关键词是：收入！
02第二个方面：支出。
有朋友说：“我们的数据距离收入有点远，不能给客户增加收入。但是有可能给客户节约不必要的支出，也就是成本。这样行吗？”我说当然行啊，而且更好！为什么？因为收入的增加往往具有很强的不确定性。这些不确定性来自于市场的波动，政策的变化，竞争对手的博弈等，都不在企业的控制范围内。但是支出，却更多地掌握在企业自己手里。因此，相对收入增加而言，控制支出更可预期。 超市现有100个收银员，但是通过技术改造，数据分析，合理排班，发现80个就可以了。直接节省了20个人的人工成本，这是非常确定的大好事。这节省下来的20个人的人工成本就是你数据分析的价值。假设，客服中心有1000个接线员，每天接听海量电话，解决各种客户问题，其中绝大多数问题都是很标准的典型问题。现在，通过语音识别技术，自动识别客户问题，通过AI助手，自动回答解决。因此而节省下来的工作量，所对应的成本，就是你数据分析的价值。 所以我说，数据商业价值的第二个关键词是：支出！
03 第三个方面：风险。
还有朋友说：“我的数据分析，第一不能直接增加收入，第二不能直接节省成本，但是可以控制风险。这样的数据有商业价值吗？”当然有了。事实上，风险就是连接收入和支出的一个转化器。对风险的把控，或者可以增加收入，或者可以降低成本。 很多商业银行都有网上申请系统，允许用户通过互联网直接申请信用卡，或者其他金融信贷产品。为什么要在网上做？因为：流量大、成本低、效率高。但是缺点是风险比较大，见不到真人。有些线下才能提供的材料无法获得。怎么办？那就只能提高在线申请的门槛，降低通过率。这样做的优点是安全，把坏人拦在外面；缺点是错杀了很多好人。而好人之于银行就是客户，就是收入，就是利润。为什么要错杀好人？因为不了解他们，缺乏信任，无法实现风险管控。这是一个非常遗憾的事情。但是，如果你能够通过数据分析，帮助这家银行更加准确地区分好人和坏蛋，那银行就可以放心大胆地给更多的好人发卡、放贷，增加收入和利润。同时，还能保证坏账率在合理的范围之内。这样的数据分析，谁能否认它的价值？这样的价值是如何实现的？是把对风险的把控，转化为收入的提高。同时，因为你风控做的好，所以坏账率就低，还节省了催收成本。看到没，对风险的把控，还可以转化为对支出的节省。这就是数据分析的价值。 所以我说，数据商业价值的第三个关键词是：风险！
03参照系
跟大家简单总结一下，数据的商业价值最可能体现在三个方面。他们分别是：第一、收入；第二、支出；第三、风险。那么，这三方面是否就足够了呢？很遗憾，还不够。真实的业务环境常常非常复杂，最终产生的价值（例如：收入的提高），往往难以被感知。为什么难以被感知？往往是因为缺乏一个可量化的参照系。 有朋友说：“我们最近给一个客户做流失预警模型，准确度75%！”我觉得还不错呀。但是，他却垂头丧气，说领导很不满意。说这个准确度太差，连99%都不到！我心里倒抽一口凉气，心想：“99%，你咋不上天啊？”前面咱们分析过，客户流失行为是一个高度不可预测的不确定性行为。其中有无知的成分，也许可以通过数据分析去学习把握。但是，这里面更有无奈的部分。例如：同行竞争对手为了争夺同一个客户资源，它会采用什么手段？会产生什么效果？这谁说得清楚？因此，客户流失行为的预测不可能特别精准。但是，领导并不明了这个道理。如何破局？这里最主要的一个困难是，领导对客户流失的预测精度没有一个合理的预期。为什么没有？因为他没有合理的参照系。在没有参照系的情况下，领导对客户流失预测精度的大小无法评估。于是，他就只好参照小学生的考试成绩：认为99%才优秀！这就是你的困惑所在，那么应该怎么做？我们应该给他树立一个可量化的参照系。这里有两个关键词：第一、量化；第二、参照系。 为此，可以研究一下：客户在没有数据分析的帮助下，自己能做多好？在你到来之前，客户自己是有流失预警得分的，这个得分准确度如何？很多时候，客户自己都从来没有评价过，自己都不知道。你得帮他看看，十有八九惨不忍睹。这时候，你就好回答了。你可以这么说：“领导，您看，之前咱们这边的精度是65%，已经做得非常不错了。但是呢，现在咱们双方共同努力，这个精度提高到了75%。为此您可以节省多少不必要的支出，或者增加多少额外的收入，等等。”你看，这样是不是就更有说服力？为什么更有说服力？因为你确立了一个可以量化的参照系。而这个参照系就是：客户现有系统的65%。如果没有这个参照系，而你又想说明75%的精度是有价值的，是不是无比艰难？ 再看一个例子。由于物联网技术的成熟，车联网数据被大量地采集了下来，并通过无线网络传输到云端。这些数据包括仪表盘上的所有数据，还有车辆所在位置、油箱情况、胎压状态、方向盘状态等。这些数据非常忠实地记录了一个人的驾驶行为，而驾驶行为同出车险的概率紧密相关。对于这个概率的理解，可以帮助企业设计相应的UBI保险产品。因此，基于车联网数据，建立一个从驾驶行为，到出险与否的概率模型，这就成了一个很重要的问题。为此你可以尝试各种模型，但是可以预见这些模型都不可能太准。因为车险本身就是小概率事件，而对小概率事件的预测不可能太准确。因此，这个模型的商业价值，很不容易被客户感知。怎么办？在实际工作中，可以根据模型风险评估得分，将所有车辆，按照风险高低，均分成（例如）3组。对应的分别是：高风险组、中风险组、低风险组。让他们互相成为对方的可量化参照系。然后，跟踪他们来年的出险情况。发现高风险组的出险率，是低风险组的3倍不止！这样的数据分析价值，是否会更容易被感知？为什么可以被感知？因为你为它建立了一个可被量化的参照系。 最后一个例子，考察一个重大设备（例如：一个大型锅炉）。该设备的稳定生产意义重大，每次宕机、维修、然后重启都需要消耗重大的成本。为了降低该设备宕机的概率，我们为它安装了一整套非常完整强大的物联网监控设备。采集了该设备方方面面的运行数据，例如：电压、气压、风速、温度等等。这些数据就像一个自然人的各种血液指标，描述了该设备的健康状况。通过对该数据的分析，实现对设备运行状况更科学细致的监控，并实现预防性保养和维修，最终将该设备宕机次数从平均2.3次一年，降低为1.5次。这样的数据分析价值，是否会更容易被感知？因为它有一个可被量化的参照系。
04价值与业务场景
纯粹的数据不产生价值，纯粹的算法更不产生价值。价值的产生一定依赖于具体的业务场景，尤其依赖于带有强烈不确定性的业务场景，简称为“场景”。 什么是场景？所谓场景就是价值创造所必须的一系列业务元素与条件的集合。这个定义有点抽象，如何理解？两个要点。第一、有场景，就自动有价值。为什么？因为“产生商业价值”是定义“场景”的一个必要条件。不产生价值，不成为场景。第二、场景是一系列业务元素和条件，因缘际会和合而成。以百度搜索广告为例，业务元素包括：浏览者（使用百度搜索的普通用户），广告主（付费打广告的商家），代理商（替广告主做搜索引擎营销优化的机构），当然还有平台自身（这里就是百度）。业务条件，从浏览者的角度看，包括：必要的时间（白天还是晚上），地点（公司或者家里），网络条件（3G还是WIFI），设备（手机还是PC）等等。这就是对场景的一个具体定义。请问你是否注意到一个细节？场景的定义似乎跟数据没有关系。是的，场景的定义跟数据没有必然的关系。定义场景的关键就是创造商业价值。只要有商业价值创造就一定有场景，只要有场景就一定有商业价值创造。商业价值创造与场景互为充分必要条件。 因此，如果“数据”能够傍上“场景”这个大腿，那价值创造不是问题。如果“数据”无法傍上“场景”这个大腿，那价值创造将成为纸上空谈。毕竟，纯粹而孤立的数据，哪有什么价值？有人说：“我家算法非常精尖，宇宙无敌！”是这样的吗？再厉害的算法也敌不过独特而精准的数据。还有人说：“我家数据天下第一，超级值钱！”是这样的吗？没有可落地的业务场景，数据就是一堆垃圾，散发着恶臭，消耗着资源。所以，如果问我的观点，很简单：场景第一、数据第二、算法排最后。对，这才是一个正确的顺序。重要的事情，我再说一遍：场景第一、数据第二、算法第三。由此可见，要践行数据商业价值，首先需要分析业务，并寻找高价值场景。价值太小的场景，也许不值得关注。真正值得关注的是能够产生重大商业价值的场景。但是，这样的业务场景应该如何寻找？ 假设一个便利连锁集团的领导找到你，说：小王啊，咱们集团有上百家便利店，遍布北京各个城区，每天小十万的客流量，留下了不少的购物数据。请问：这些数据能为我创造什么价值不？请问：你如何回答？也许你会说：咱们做个菜篮子分析吧，看看有没有可能发现一个啤酒跟尿布的故事？或者说：咱们研究研究天气吧，看看天气跟雨伞销售量有啥关系？哈哈，别逗了，这样的业务场景要么完全不靠谱（例如：啤酒尿布的故事），要么是普罗大众的常识（例如：雨伞跟下雨的关系）。这些数据分析所对应的场景，太细小，太琐碎，甚至压根不存在。在这样的场景下，数据所创造的价值，不可能太大，甚至压根没有。因此，场景自己的重要性极其重要。场景自己的重要性，决定了数据商业价值创造的上限。如果，你希望用数据创造更重大的商业价值，你需要关注企业的核心业务。在核心业务方向上，寻找重要的业务场景。 回到连锁集团的案例，你也许应该先问：领导，请问咱们集团今年的战略目标是啥？你说，一个做数据分析的，为什么要关心集团的战略目标？因为，战略目标决定了集团的价值取向。只有跟集团战略目标高度一致的价值才会被高度认可。因此，在数据分析之前，首先应该关注集团的战略目标，跟这个战略目标相关的核心业务，以及同核心业务相关的业务场景。也许，领导会告诉你：“咱们集团现在才100多家门店，今年能否开到1000家？这是集团今年的战略目标。”开1000家店！请问：开店最重要的问题是什么？答：选址！因为一个位置的好坏，可以直接决定未来便利店的收入和利润。因此，“选址”即是一个业务问题，也是一个具备价值创造属性的“场景”。请问：数据分析能否傍上这条大腿？领导自己，作为集团创始人，在选址方面都独具慧眼。他在多年辛苦的创业过程中，积累了非常丰富的经验。一个具体位置，是否适合开店，应该开多大，他亲自去看看，研究一下，往往就能做出比较准确的判断。哪怕不能做到绝对准确，但是八九不离十。因此，开新店选址跟数据分析没啥关系，只要咱们集团领导出马，这都不是问题。请问真的是这样吗？开一两家新店、可能需要考察一二十家店址，也许领导还看得过来，因此跟数据分析关系不大。但是，如果要开1000家新店，那得考察多少个店址？领导不可能有精力看得过来。谁来替代？质量如何保证？这些都是问题。怎么办？ 这个时候，数据分析就能帮大忙了！咱不是已经有了100多家店了吗？这100多家店过去的经营业绩，一定有相对好坏。而这些相对好坏，和它们各自所处的位置，一定存在某种相关关系。例如，一个店面业绩的好坏，跟是不是写字楼有关系吗？跟周围的交通量有关系吗？跟周围有没有地铁站有关系吗？跟周围的小区有关系吗？跟周围有没有竞争对手有关系吗？这就是数据分析要研究的具体问题，可以通过数据模型规范出来，形成一个综合科学的打分系统，从而代替领导的英明决策。这样的自动化决策系统，随着数据的积累，模型的改进，能够最终做的比领导还优秀！ 对这样的业务问题，做出优秀的数据分析，请问：价值如何？价值一定巨大！因为，这样的数据分析，瞄准的是企业战略性的核心业务，傍上了“选址”这个高价值的场景。因此而产生的价值被认可度更高。
05价值与商业模式
价值是什么？价值就是业务的核心诉求。业务的核心诉求是如何确定的？是企业的商业模式确定的。不同的商业模式，产生不同的业务诉求，需要不同的价值体现。因此，数据价值的创造与企业的商业模式紧密相关。在不同的商业模式下，对收入、支出、风险的定义各不相同，因此对数据价值的期待各不相同。对商业模式的错误理解，可能带来错误的数据分析方向，无法践行数据商业价值。 先看一个失败案例。曾经分析过一个连锁快捷酒店的数据。发现该快捷酒店的定价策略似乎很混乱，有很大的改进空间。在房源紧张的旺季，它不涨价。而在客源紧张的淡季，它也不降价。此外，通过对历史数据的分析，发现可以用当天的数据，对明天的客流量做一个相当不错的预测。请问：是不是可以根据预测客流量的高低，做每日的动态价格调整，增加收入？通过对历史数据的大概测算，我们预计能够帮这种类型的分店提高至少20%的收入。咱们前面讨论过，收入是数据价值表现的第一个重要方面。因此，整个数据分析团队，对该结果非常开心，非常兴奋！ 但是，当我们向对方领导汇报这个结果的时候，被泼了一大瓢凉水。对方说：“我们对这不感兴趣。”为什么？我们的分析直接瞄准的是企业收入！咱们前面提到，数据商业价值的第一个表现就是收入，第一次听说有企业会跟收入过不去。我正困惑呢，别人说了：“我这个连锁店啊，绝大多数都不是直营店，而是加盟店。因此，作为总公司，我的收入主要来源于加盟费。由于，我对加盟店的收入不抽成，因此这些加盟店收入有多少啊，跟我关系不是特别大，或者至少不是我最关心的事。” 怎么样，你听明白了吗？对方领导不关心收入吗？当然不是！他跟所有企业的管理者一样，非常关心收入。但是，我们分析的各个分店的运营收入，是各个分店的收入，不是集团总店的收入，因此不是集团领导关心的主要问题。为什么分店收入不是集团总店收入？因为这部分收入归属分店，不向总店上交。为什么分店不上交？这是由该连锁集团的商业模式（加盟模式）所决定的。连锁店向总店每年上交加盟费，而不上交营业收入。因此，该连锁集团的商业模式，决定了集团总店的收入模式。集团总店的收入模式，决定了业务的核心诉求，决定了数据分析价值的方向。 跟对方进一步沟通发现，我们所看到的混乱定价现象，很可能是人为造成的数据质量问题，原因非常有趣！各个加盟店，跟总公司有着复杂的合作与博弈关系。它们之间，显然是要合作的，因为都在享用同一个品牌。分店向总店缴纳加盟费，总店对整个集团的品牌推广负有重大责任。但是，从分店的角度看，它们并不希望总公司，对自己的实际收入情况了解太多，尤其是那些收入很好的分店。他们担心，如果让总店知道了他们的卓越业绩，明年的加盟费会增加。因此，分店有很强的冲动去虚报部分数据。 这么看来，我们的数据分析结果，对于一个以加盟为主要商业模式的连锁酒店意义不大，因为我们对总店收入理解错了。我们这样的数据分析方法，对以直营为主的连锁酒店，也许更有意义。这说明对商业模式理解的重要性。对于一个具体的企业，正确理解它的商业模式，是创造数据商业价值的基本前提。 再看一个成功案例。这次是一个物流企业，下面有一百多辆大卡车。这些大卡车每天在路上飞奔，消耗了大量的汽油。通过数据分析发现，同样一辆卡车，同样一趟路程，几乎同样的载重，但是油耗却可能差别很大。这背后的原因是什么？如果找到这些原因，并制定相应的管理措施，能够为车队节省大笔的汽油成本。如果你是物流企业的负责人，你会对这样的数据分析有兴趣吗？你会愿意为此买单吗？ 这次长教训了！在回答这个问题之前，先了解一下这家物流企业，跟这一百多辆大卡车之间的关系。很多物流企业，下属的大卡车，其实都不是该企业拥有，而是司机自己带着大卡车挂靠上来。如果是这样的模式，那么所有卡车相关的运营费用，都由司机自己负担，物流企业就不关心汽油费。相反，如果这家物流企业是直营模式。企业真实拥有这些卡车，而且承担卡车的汽油费用，那么相关的数据分析才会变得有意义。 而经过沟通发现，合作伙伴就是这种直营模式。他们拥有一百多辆大卡车，他们雇佣司机来驾驶这些大卡车。司机接受公司领导派活之后，会从公司领取一张汽油卡，用于沿途加油。等派活结束后，再将油卡还给公司管理人员，接下来管理人员会对本次派活所消耗的油量做一个记录。人们很快发现一个奇怪的现象。同一辆车，同一个行程，同样的载重，就是负责驾驶的司机不同，为什么油耗差别这么大？油耗差别之大，已经不可能通过驾驶习惯（例如：急刹车、急加速）来解释了。为什么？经过各种调查、沟通、了解，很快发现：在这个行业里，偷油现象非常严重。大多数诚实的司机不偷油，但是也有很多司机偷油。而且，有偷油陋习的司机之间，缺乏一个共识：关于什么样的路途，什么样的卡车，载重多少的情况下，应该偷多少油。因此，结果是每个人偷油量各不相同。所有这一切这就造就了这个现象：同一辆车，同一趟路，几乎同样的载重，油耗却相差很大。物流企业对此非常恼火，非常渴望通过数据分析，能够控制纠正这一不良现象。 啊哈，这次非常开心，我们准确地找到了一个被客户高度认可的业务场景。这次之所以能够比较准确地找到该业务场景，根本原因是：正确理解了合作伙伴的商业模式。
06可被归因的价值
商业价值的创造，依赖于具体的业务场景，而具体的业务场景，往往非常复杂，多种因素同时作用，而数据分析仅仅是其中的一部分。当价值被创造出来的时候，哪个因素贡献了多少，多少贡献可被归因于数据分析，不容易说清楚。如果数据之于价值的因果关系很模糊，那么相应的产业发展空间就一定非常有限。 以互联网广告为例。广告是互联网企业实现收入的一个重要手段，而互联网又是一个数据非常丰富的领域。因此，大家似乎普遍认为数据分析，能够在该领域创造巨大的商业价值。我对此持谨慎怀疑态度。我不否认数据分析之于广告的重要价值，但是这个价值有多大，是否有想象的那么大？是否有媒体中描述的那么大？我很怀疑。事实上，在国内外的广告领域，出了很多以广告相关数据为核心的企业。但是，其中似乎没有特别出众，特别优秀的。为什么？核心原因就是：广告（所有的广告，不仅仅是互联网广告），其效果太难测量，其价值太难归因，因此决定了这个行业发展的天花板不高。 为什么我会得到这样一个结论？首先思考一下：企业为什么有要做广告？一个简单的答案是，要做市场。那可以再问：企业为什么要做市场？答：为了增加销售。有的朋友会说，不是这样的，广告的一个重要作用是，提高品牌知名度，培养忠诚客户。那可以再问：提高品牌知名度又怎样？有了忠诚客户又怎样？所以，说一千道一万，广告最后的目的就是实现销售。无非区别是长期销售、还是短期销售。短期销售，相对容易测量。而长期销售，几乎不可能准确测量，因为：多长期才算长期，本身也许就是一个伪命题。由此可见，广告的目的本身就不容易定义清晰。 此外，即使假设广告的目的就是增加某种清晰定义的销售收入，广告的价值也仍然不容易说清楚。昨天我买了一个华为手机，请问：是哪些广告对我起了作用？我在机场高速的大广告牌上看到了广告，好炫酷！我在电脑PC上，也看到了各种广告。有视频、有弹窗、有横条，都非常精彩！后来，我终于兴趣来了，去百度搜索了一下“华为手机”，看到了更多的信息。还不过瘾，又去淘宝去搜索了一下，仔细看了一下该型号手机的技术配置，以及各种产品评价。可是，还是下不了决心。结果有一天，正百无聊赖呢，突然发现有一位朋友发了一张精美绝伦的风景照。以为是什么高大上的单反相机拍摄的呢，结果得知是一款华为手机拍摄的。我们俩在朋友圈里的讨论，吸引了好多围观群众。他们中很多人，也提供了该手机的各种评论，其中正面居多。最后，我终于下定决心要去购买了，可是我不想去淘宝买，因为我是京东的忠实用户。最后，我在京东下单，完成了购买。 你看，这是一个多么复杂的决策过程？多么漫长的购买周期？这期间接受了各种广告信息的曝光。到底是哪一种广告对我产生了实质性影响？影响多大？我自己都说不清楚，怎么可能有任何其他人能够说的清楚？如果广告之于销售的价值都不容易说清楚，那数据之于广告的价值又如何能够厘清？ 有人也许会说，不对啊，广告之于销售的效果，在有些具体场景下就是说得清楚的。例如，在搜索引擎营销领域，一个网民在（例如）百度的搜索行为，跟他最后的购买行为，是可以直接匹配上的。例如，通过必要的监控技术，人们可以知道搜索“手机”的人，没有购买华为手机。而搜索“华为手机”的人，就购买了。因此，关键词“华为手机”的广告效果，就要优于“手机”。请问：真的是这样的吗？答：其实不是这样的。这样的分析太简单了，至少忽略了两个问题。 第一、一个人来百度搜索“手机”也好，“华为手机”也好，这背后的原因是什么？他是不是受了什么刺激？是机场广告牌？还是朋友圈？也就是说，来百度搜索相关关键词，压根就不是这个销售漏斗的起点。事实上已经非常接近终点了。而在此之前的广告环节的贡献是更不容忽视，却难以评价的。把在线销售的所有成就，全部归因于（例如）百度平台，并因此压缩传统媒体的广告投放，是一个危险的决定。因为，一旦你做出这样的决定，你会发现来百度搜索相关关键词的用户就会大幅度减小。说白了，从业人员在百度（或者任何其他广告平台）采集到的数据，仅仅描述了一个漫长购买周期中的一个环节而已。如同盲人摸象而已，仅仅对一个很小的局部清楚，并不了解大局。 第二、当然，你可以定位卑微一点。你可以告诉广告主，我就是一个搜索引擎营销公司，我对发生在百度以外的广告行为无能为力。我能做的就是对发生在百度生态体系内的流量负责。我关注的是，来到百度搜索的目标用户，他们最终是否完成购买。我能做到，对这个销售环节的广告效果归因。相对而言，这个定位就要靠谱许多了。例如：我可以知道搜索“手机”的人，没有购买华为手机。而搜索“华为手机”的人，就购买了。因此，关键词“华为手机”的广告效果，就要优于“手机”。但是请问：真的是这样的吗？不是的。假设一个用户，先搜索了“手机”，并因此浏览了多个网站，其中包括咱家网站。然后，下定决心购买“华为手机”，并通过这个关键词，在咱家网站完成购买。从搜索引擎数据监控的角度看，“手机”这个关键词，并没有带来直接转化。但是，你能说“手机”这个关键词没有贡献吗？要知道，如果没有这个关键词“手机”在前面铺垫，后面“华为手机”实现转化的可能性很小。因此，“手机”对于最后的销售收入有贡献。但是，贡献多少呢？一笔糊涂帐。如果“手机”有贡献，那还排在“手机”前面的那个关键词（例如：“国产手机”），有没有贡献呢？贡献几何？这个问题可以不停问下去，无穷无尽，没法准确回答。 由此可见，互联网广告之于销售收入的价值，是很不容易归因的。难怪人们抱怨，我家广告费，一大半都被浪费掉了，但是不知道浪费在哪里了。这句话放在移动互联网时代仍然正确。既然广告之于销售的价值都如此模糊，那数据之于广告，再之于销售的价值，就更说不清楚了。希望大家不要误会，我并不是说数据分析之于广告毫无价值。恰恰相反，我认为非常有价值，但是该价值也许没有大家想象得这么大。因此，相关的行业天花板不高，难以孕育一个特别出色的数据企业。
