2020年2月28日 星期五

麥肯錫的大數據核心問題檢查術

麥肯錫的大數據核心問題檢查術:4大步驟解決業績下滑、客群不清等工作問題!
第一章 你從競爭者數據,找到核心問題嗎?
- 解決問題的流程:
1.整理問題並將其結構化,明確找出真正的問題
2.建立假說(議題),分析「解決方案」
3.驗證假說
4.實行
- 分析架構大致可以分成以下三種類型:
1.分解要素型:拆解事務的要素,找出問題的結構。例如:4P、3C、邏輯樹狀圖。
2.檢視流程型:檢視工作流程、事務順序,針對流程加以分析。例如:商業系統。
3.對照型:以質與量、日式與西式等對照為主軸,進行各種問題分析。例如:定位矩陣。

3C分析:在思考競爭策略與市場滲透策略時,最常用的分析架構是「3C分析」。
用途:思考該採取哪種策略,或自家公司定位時。
「市場」如何?「自家公司的優勢」為何?「競爭對手」又是如何?
注意:不要過分聚焦自家公司,也要仔細分析顧客和市場。


- 4P的用途:行銷時,與對手比較,思考自家公司的定位。
以產品(Product)、價格(Price)、通路(Place)、推廣(Promotion)四個項目,
與同業比較,並進行分析。
注意: 除了自家公司之外,也要詳盡地分析其他公司。

- 「商業流程」是指透過拆解流程來掌握企業的分析架構。
用途:想改善自家公司的做法時。
經營事業時,可以依照機能區分事業組的要素,製作連續的流程圖。
注意:這裡也要用MECE原則,來檢視一連串的流程。

- 組織要素的7S:硬體面-策略(Strategy)、組織結構(Structure)、公司制度(System)。
軟體面-組織文化(Style)、組織優勢(Skill)、人才(Staff)、共同價值觀(Shared Value)。

第二章 相同產品競爭激烈,你找出定位嗎?
- 解決問題的邏輯樹狀圖(Why Tree),用途:解決問題、製作檢查表時。
注意:項目應依照MECE原則,不重複、不遺漏。
注意:用事實拆解。
注意:較不重要的項目,不深入探討也沒關係。

- 議題樹狀圖(How Tree),用途:確認假說/選擇是否正確。
注意:項目應依照MECE原則,不重複、不遺漏。
注意:有不確定之處一定要調查。

- 相對於「邏輯樹狀圖」重視原因(Why、Wherr),「議題樹狀圖」則是用於驗證方法(How),
所以邏輯樹狀圖與議題樹狀圖又分別被稱為Why Tree與How Tree。

- 金字塔結構,用途:思考問題、簡報、歸納自己的想法時。
注意:別再關鍵訊息加入多餘的說明。
注意:不要用抽象例子,舉出具體案例更容易傳達。

- 定位矩陣,用途:思考自家公司定位。
注意:有趣的雙軸更容易催生出好創意。

- 「定位矩陣」指的是用兩軸將正方形分區,分別擺上是場上的商品,
是決定優先順序、挑選所需物品時最常使用的分析架構。
在軸的部分,最好選擇相對的元素,例如:速度與品質、日式與西式。

第三章 內部同仁不配合,你推動不了改革嗎?
- 問卷和數據可不是蒐集完成就好,還要把蒐集來的大量資料分成「事實」與「意見」
,事實的說服力最強。
- 「天空、雨、傘」思考法,用途:分析狀況、判斷應該採取的行動時。
發生某個狀況時,可以用來掌握現況、分析意義,並思考該採取什麼行動
,狀況例如:業績下滑、商品銷售量下滑、和客戶發生糾紛。
注意:不要將事實與解釋混淆。

天空:實際的現狀是?(事實)
雨:現狀代表的意義是?(解釋)
傘:基於解釋,該做的是?(行動、手段)

- 良好的提問範例
【找出原因的提問】
為什麼做不好?發生什麼事了嗎?遇到什麼阻礙了嗎?
【引導出解決方案的提問】
怎麼做才會順利?現在該做些什麼?
【改變觀念的提問】
這個問題是從什麼時候開始的?如果你是部屬(主管),你會怎麼做?
你認為五年後的你,會建議現在的你怎麼做?
【關於事實的提問】
剛剛發生了什麼事?你平常都在做些什麼?
- 為了獲得有憑有據的資訊,傾聽時,必須將資訊區分成意見與事實,已掌握正確無誤的事實。
- 30秒傳達核心,目標是:
1.用一個句子呈現
2.句子中包含問題點、解決方案、實施方法
範例:業績低迷的原因是無法開發新產品(問題點),
我們應該發揮清古堂師傅的手藝(實施方法),
以外國觀光客為目標,開發高價值的新商品(解決方案)。

第四章 產品或改革失敗,你如何因應呢?
- PMA(Positive Mental Attitude)是指隨時積極主動的心態。無論處於什麼狀態
,都要思考自己該怎麼做,以及自己可以做什麼,隨時提醒自己,
主動採取行動。做好這樣心理準備的人,無論處於任何情況,理應都能發揮所長。
- 如果沒有積極行動的想法,就做不到這件事。不是先有方法,而是先有想法。


2020年2月27日 星期四

解構大數據:如何運用大數據,打造人性化行銷模式

解構大數據:如何運用大數據,打造人性化行銷模式
財團法人台灣金融研訓院
當下思維
第一章 科技改變了一切
- 資料本身不會出錯,但我們蒐集、細察、瞭解資料的方式卻很容易出錯。

第二章 無中生有的觀點?
- 樣本的偏誤來源
1.自我選擇偏誤 2.涵蓋不全偏誤 3.存活者偏誤

第三章 選擇武器
表3.1 理論類別的分類法
- 分析:這是為了描述局勢是什麼樣子。
例如,我們需要知道可應付的市場規模:我們的業務究竟有多大的商機,不同客群的商機有何不同?
客群區隔可能屬於這一類,它幫我們找出符合事業需求的客群。
- 說明:這個理論類別可以稱為瞭解的理論,因為它的重點是教我們如何瞭解世界,產生新的認知。
市調大多是屬於這一類,它讓我們洞悉為什麼大家會有某種行為。
- 預測:這是理解之下的預測,所以和本書的多數討論息息相關。
不過,這裡應該承認一點,預測不見得一定要有因果關係。
- 說明與預測:就某方面來說,建立衡量指標的最佳實務做法是,
不僅可以瞭解現象背後的根本運作機制(亦即我們能說明為什麼會有某種變動),還可以進而預測變動。
例如,某種顧客滿意度的理論或方法看起來很適合套用在我們的事業上,我們據此設計衡量指標,
並預測特定結果(例如留客率或顧客價值)的效果。
所以我們不僅有預測結果的東西,還瞭解其背後的原理。
- 設計與行動:這種理論是描述如何做某事,也反映在設計思維的廣泛領域。
需要衡量的典型例子包括:找出大家常犯的錯誤、購物到結帳的平均時間、
駕駛人在某條路上的駕駛速度等等。
當我們衡量大家如何做某些活動時,就可以想辦法援引成功案例的經驗加以改進。
- 資料類別與商業目標模型,四種不同的類別概述如下:
1.績效管理:這裡使用的資料通常是由內部系統(例如CRM系統)建構與取得。
這種分析可用於平衡計分卡和儀表板,以便有效地管理事業,持續追蹤衡量指標。
2.資料探索:這種分析是以之前可能沒想過方式來探討交易型資料。
它往往是使用預測模型建構技巧,是有效探勘資料的有趣方式之一。
3.社群分析:這是持續衡量社群媒體上的品牌,建立品牌在知名度、參與度
、影響力等衡量指標的持續績效。
4.決策科學:涉及非交易型資料的實驗與分析,所以這可能包括在網路上撈資料的工具
,以便從社群媒體蒐集資料,然後用測試和情感分析。

第四章 危險和陷阱
- 優秀的資料科學家蘊含了以下特質:他們是「見多識廣的懷疑者」,以分析來權衡判斷
,必兼顧保持懷疑的態度、計量分析能力和資訊科技運用技巧。
- 對資料科學家來說,有一種認知功能非常重要:從資料中發現秩序、找出特定模式的能力
- <原始資料,Lisa Gitelman>:分析必定會牽涉到決策,例如決定要看哪些資料,要產生什麼複合變數,什麼算是離群值等等。這些決策都涉及到人為判斷,往往立意良善,但是在判斷什麼重要以及為什麼時,會受到假設的牽引。重點是資料不會自己說話,是因為我們為資料說話,是我們賦予資料意義。
所以我們無法避免理論,大部分的時候,不論那些驅動了我們分析行動的顯性人類行為理論,
大部分的理論是隱性的,但它們人然影響我們的分析方法。
- 實際觀察永遠無法處理未來事件...唯有透過某種形式的模型/理論做概括歸納
,我們才能用過去的資訊處理未來的情況。
- 有理論及實務知識和經驗為基礎的假設如何產生資料,以衍生適切的見解。
所以資料的產生、處理和分析是在某個理解就夠的指引下進行的
,而不是測試所有可能抓到的變數之間是否有關係。
- 資料是從使用的架構中產生的,而且這不會是終點-這些關係會接著用來構思假設,
演繹測試那些假設是否成立。
- 大數據三大支柱:
1.大數據提供驗證平台,以及要驗證的素材
2.社會學是探索資料的理論架構來源
3.對消費者的瞭解將提供非常重要的情境,讓我們開始從雜訊過濾出訊號
-從瞭解消費者和不同類別的市場中產生訊息。

第五章 預測的力量
- Henry Mintzberg建議的「應變策略」(emergent strategy),該策略建議我們
不要依賴對長期未來的預測,而是應該把焦點放在迅速因應短期的變化。

- 企業可以採取的重要行動包含:
- 設計流程以瞭解資料的出處、定義該資料的代表性、並掌握該資料可以應用在哪些業務問題上。
市場調查人擁有多年的經驗,試圖從大量資料中設計具代表性的樣本,因此通常也擅長這些工作。
- 充分瞭解資料工廠與資料實驗室的不同。
工廠需要生產企業行銷日常所需的基礎消費者行為報告;
實驗室是創造新消費者洞察的地方。這兩種不同的需求太常被混為一談,以至於兩件事都做不好。

- 延伸閱讀<康乃爾最經典的思考邏輯課>、<黑天鵝效應>
、<讓資料自己說話>、<預測行銷>


2020年2月8日 星期六

一次看懂小數據

一次看懂小數據:MIT經濟學家帶你搞懂生活中的統計數字,聰明做決定

第一章、生活無處不數據
第二章、挑戰者號的挑戰(抽樣如何影響結果)
- 要更完整檢視自行提報數據的缺失,請讀英國科學基金會經營的部落格「腦波」(Brainwaves)
上的一篇文章<自行提報的危險>。
Rob Hoskin,"The Dangers of Self-Report",British Science Association Brainwaves website,
March 3,2012,http://www.sciencebrainwaves.com/te-dangers-of-self-report/.
- 問題並不在於抽樣本身,也非抽樣造成,反之,
如何解讀結果,以及找到結果的意義,才是關鍵

第三章、你比其他人聰明嗎?(加總、平均與離群值)
- 從統計上來說,在思考平均時你要知道三個不同的詞彙:平均數、中位數和眾數。
- 許多平均實際上是加權平均,在計算結果時,看看是否所有數值都受到相同的待遇。
- 找出離群值,並了解它會對平均造成什麼影響。

第四章、你比用iPhone、聽電台司令的人更聰明嗎?
(區別相關性與因果關係)
- 代理變數是你認為和另一個因素密切相關的因素,但兩者其實並不相等。
比方說,智商就是一個人天生能力的代理變數。智商測驗無法衡量你實際的能力,
只是能知道在一個應該可以測出智力高低的測驗中,你的表現有多好。

第五章、我們信仰統計(眼見真的為憑嗎?)
- 統計顯著性指的是某件事為真的機率,這個指標是用來衡量我們看到的結果為真
(而不是湊巧發生)的可能性有多高,也因此,通常以「p值」來衡量。
「p」指的就是probability,機率。如果你認同p值是衡量統計顯著性的指標,
那麼,當p值越小,你看到的結果就越不可能是巧合。
- 統計影響只是說,真的,這當中存在著或強或弱的關係。
但是,我們在日常生活中不會以統計關係來做決定。
反之我們看的是經濟影響-這個絕對會對我們的時間、金錢、
健康或其他資源帶來多大成本?

第六章、縮小的非洲(錯誤表述與錯誤解讀)
第七章、當心採櫻桃的人(選擇性表述)
第八章、明天太陽依舊會升起嗎?(預測)
- 擲硬幣是過去數據並不重要的範例之一。因為擲硬幣是真的隨機事件,
面對真正的隨機事件,你無法用過去作為模型。
如果你擲十次硬幣,十次都出現人頭,下一次人頭潮的機率依舊是50%。
沒錯,你不太可能連續擲出十次人頭,
但是這和未來無關。長期下來,會出現50%對50%的機率,
但每一次擲硬幣都是獨立事件,和過去發生的事完全分開。