二八定律：不是大就美，小而准的数据含金量更高

数据质量重于数据规模。数据越大，不确定性越高，含金量则越少；反之，数据越小，结构化而准确，含金量越高，越能轻松挖掘到你要的答案。

大数据热潮风起云涌，成为最热门的趋势话题。社交媒体的兴起，更助推了这股热潮，让人以为，掌握社交大数据，就可以掌握营销、掌握消费者。仿佛淘金热一般，许多企业纷纷投入资源用于社交媒体，试图挖掘大商机。

大明在脸谱网上提到了手机，某厂商就以为是生意上门。事实上，从网络讨论到真正付诸行动购买，中间仍隔着上百个关卡，比如是否真有需求、是否有足够预算等，距离还十分遥远。看到数据就分析，就像看到黑影就开枪，可能徒劳一场。事实上，从社交媒体上得到的数据，往往并没有办法立即转换为营收。

有些人似乎将社交媒体当成提升公司业绩的救世主，有公司甚至连销售网点管理系统（Point of Sales，POS）都没有，却急着花费巨资，找社交媒体分析从业者帮忙产生名单，找关键意见领袖……但从社交媒体得到的数据到底吸引多少人？效果究竟如何？根本无从衡量。

其实，最能反映公司营业收入的数据就是公司自己的交易数据。很多企业根本还没开始分析自己公司里小而准的交易数据，就开始投入大而乱的社交数据分析，是舍近求远的做法。

20/80法则锁定小而准数据，才能挖到金矿

由意大利著名统计经济学家维尔弗雷多·帕累托（Vilfredo Pareto）提出的“20/80法则”（又称为“最省力法则”）主张，80%的产出往往源自于20%的投入。成比例的投资回报率是20/80法则的最大特色。

20/80法则应用到大数据，意指在所有的大数据里，仅仅20%的数据就占据了高达80%的价值，剩下来80%的数据，其效用与价值就只剩区区20%。掌握20%的数据就掌握了80%的成果，而且通常这20%都是些显而易见的数据，换言之，根本不需要去找远在天边、遥不可及的数据。

有一家公司买了一份包含1 000万个消费者的大数据，这数据里面有100万人是本公司的消费者，另外的900万人则是竞争公司的消费者。厂商利用这份大数据进行广告投放，最后共吸引1 000个人购买产品，但是结果却发现，1 000人当中有900个是自己的顾客，只有100位是从别处转移过来的。

数据分析更重要的应该是数据的质量，而不是数据的大小。大数据依性质可分为三类：小而准数据、大而乱数据以及开放数据。小而准数据如POS（销售网点管理系统）交易数据，结构化而准确；大而乱数据就像社交媒体数据、Wi-Fi（无线上网）数据，非结构化而且杂乱；开放数据则是指像天气、人口普查之类的开放数据。

大数据依性质可分为三类：小而准数据、大而乱数据以及开放数据。小数据含金量高而准确，若可以轻松用小数据解决问题，何苦在大数据里苦苦寻找

数据越大，不确定性就越高，含金量则越少；反之，数据越小越精准，含金量则较高。小而准的数据因资料采集明确且与核心运营项目关联性高，所以含金量比其他两者高。如同淘金采矿一样，数据炼金术，应先从含金量高的下手。此外，必须先有处理分析小而准数据的能力，才能进一步处理大而乱的数据。

大数据时代，竞争的关键是解决问题与决策反应效率，如果用小数据就可以轻松解决的事情，何必大费周章地使用资源和成本相对高的大数据。此外，在小数据上应用大数据的观念，也可以创造同样的价值，关键是数据必须能够被衡量与掌控。以小而准的数据为基础，行有余力，再去进行不同类型数据之间的相乘与结合，才是明智的大数据抉择。

人的心智能力和体力有限降维让数据可视化、自动化

大家一般都会提到大数据的四大特性：数量大、速度快、多样性、不确定性，可是，很多人都忽略了第五个特性：价值的重要性。前面的四个特征只勾勒了大数据的样貌与轮廓；我们更应该刨根问底的是，大数据经过整理和运算后，能够为营销人的决策优化带来什么具体贡献与价值。

大数据有四大特性：数量大、速度快、多样性、不确定性。信息大爆炸，若不降维，很难找出数据意义，更别提做出决策

进入大数据时代，庞大且不断爆炸增长的资料数量是最大特点。大企业的交易数据随便一运算，结果就是1 000张报表。

这1 000张报表，远远超过人类能够理解与承受的上限。人类的记忆系统根据维持信息的长短，分为“短期记忆”与“长期记忆”。其中，“短期记忆”又称“工作记忆”，容量有限，只有7±2个区块（Chunk），就是5到9个区块。换言之，人的心力（Mental Capacity）是有限的。

举例而言，当局制定经济景气指标，后面涉及庞大的经济海量数据运算，然而经济景气指标的呈现，却只有清楚简单的红、黄、绿、浅蓝、蓝五种信号。这就是报表可视化，将复杂的数据报告精简到人的心力可以接受的范围，又称之为化繁为简的“降维”。

当数据超过心力的临界值，就必须进行降维，如上图抛物线所示。降维有两大做法：一是认知降维，做到可视化，将复杂的数据报告，精简到人的心力可以接受的范围；二是执行上的降维，自动化以人机分工，降维到个人体力能承受的程度人只要负责辨识信号，即可掌握经济景气的好坏，并不需要旷日费时地直接判读背后的大数据。

换言之，人或许无法看1 000张企业报表，但是可以辨识10个指标。将复杂的大数据降维，简化到人可以处理掌握的范围，把大数据整理出来形成一些观点或维度，这是认知的降维。

因为人的心力有限，所以需要将高度复杂的数据降维；同样地，人的时间与体力也有限，因此，在执行能力上也要降维，降到一个人的体力能够承受的程度。

人无法同时执行100万种营销活动，但是机器却可以，这是另一层次的降维，是执行的降维，让机器做机器擅长的事，人做人擅长做的事，亦即自动化。

“if-then-else”（如果——则——否则）自动化方程式人机分工，营销人专心做决策

“if–then–else”这个简单的逻辑可以诠释这样的自动化历程：“if”是假设一旦侦测到某位顾客进入沉睡的状态，他到S3（会员存活概率低于10%的沉睡顾客）了；“then”系统自动触发一封沉睡顾客唤醒的eDM到他的信箱，如果侦测到他48小时内看过信，则任务完成。否则就要进入“else”阶段，再发一次短信给他，先从历史交易数据判定如果他是高贡献度的顾客，系统就自动把A短信发给他，如果是低贡献度顾客，则发B短信。

这个过程，若是以人力来执行，前后至少有6道工序，需耗费相当的人力资源与时间。营销工作十分繁重，营销人员每天忙着赶报表、制定营销策略，还要拟定公司年度计划等，能如期将所有事情完成已十分难得，很难再有多余力气与时间进行优化的工作。

用“if–then–else”执行降维，只需一条程序就可以完成所有动作，换言之，降维就是将人做的事情交给机器做。营销人的价值，就可以还原到负责更有意义的营销决策、用数据诠释更高价值的工作。

大数据时代，数据数量与复杂度大幅提升，如何降低人的认知与执行复杂度，成为迫切而重要的任务。一是认知能力，一是执行能力，两者的降维，前者将带来大脑的解放，人可以思考更重要的决策；后者将带来体力的解放。两种解放，让人可以做人更擅长、更有价值的事情。

本网站内凡注明“xxxx原创/专稿”的所有文字、图片和音视频稿件均属本网站原创内容，版权均属xxxx所有，任何媒体、网站或个人未经本网站协议授权不得转载、链接、转贴或以其他方式复制发表。已经本网协议授权的媒体、网站，在下载使用时必须注明“稿件来源：xxxx”。xxxx版权所有，未经xxxx书面授权，不得复制、引用或建立镜像，违者本网将依法追究责任。