2. 你需要的數據思維

大家好，歡迎你與我們一起出來玩行銷，我是李伯彥

今天地球上最有趣的資料分析的第二講，主題是：

你需要的數據思維

要做好資料分析，首先要有全局的觀點、數據的思維

為什麼全局觀點和數據思維這麼重要？

在台灣，你一定常常有這種感覺，政治人物換了位置就換了腦袋，昨天反對的，今天就贊成了，今是昨非才是政治的常態．

其實這些只是表象，背後的邏輯鏈條是利益，而利益分配永遠是由上而下，是政治人物的命根，立場與腦袋，只是掩護利益鏈條的裝飾品而已．

政治人物可以如此，但如果我們也用同樣的思維方式來解決工作中的問題，那可就糟糕了．因為政治人物不會被自己的語言給蒙蔽，但我們卻可能相信自己的習慣、話語、看法，久而久之，就成為習慣的動物，而永久地失去獨立思考與解決複雜問題的能力了．

這樣的人在我們身邊多了去了，怎麼樣，你覺得自己有沒有獨立思考、解決複雜問題的能力呢？

資料分析，就是為了要解決複雜問題．讓我們以政治人物來舉例：

首先，要有一個指導性的原則，就是掌握利益分配的權力

接下來，要定義一個目標，比如說贏得總統大選

第三，要分析現在遇到的問題：比如說民調很低、政策昨非今是、沒有領袖魅力、缺乏派系支持

第四、從結果往回推，一層一層找路徑，在這裡我們要運用結構化的頂層思維，再由上而下把展開的問題分門別類

舉例：結果是贏得總統大選，前提是：贏得過半數選票

贏得過半數選票：前提是在基本盤地區全贏、在搖擺區取得過半、在敵陣營贏得至少一席

這時候我們遇到三個問題，分別提出可對應的方案

1. 基本盤地區全贏：煽動民粹

2. 搖擺區過半：政策買票、政治表演

3. 敵陣營贏得至少一席：策反、攏絡

接下來針對各個可能的方案進行拆解，提出簡單的公式：

1. 基本盤地區全贏：煽動民粹：

   1. 在選前三個月連續12周舉辦牽手護島嶼活動，檢驗每次活動帶來的支持度上升趨勢，同時評估成本及人力動員效果

   2. 根據趨勢調查，提出熱點議題以刺激選民意識，如罷免特定立委、抹紅抹黑、製造國家危機、販賣恐懼

   3. 壓力測試：在基本盤超過60%的地區試探抽走政策資注可能的反應，最大化的降低重複成本，將可節省的資源移轉到第二、三項行動

2. 搖擺區過半：政策買票、政治表演

   1. 根據各搖擺區需求最高的政策進行排名，將難度、成本與受惠人數進行量化評估後加權計算，以 CP值 （成效/政策成本）排名計算未來可能的買票成本並進行折現

   2. 計算出席大型活動、政治表演的可能成效，計算投入每一區可能轉換選票的時間價值，以確保活動資源及時間的效益最大化

3. 敵陣營贏得至少一席：策反、攏絡

   1. 根據敵營已落選、失勢、官司纏身、債台高築、小辮子被抓住的人選，計算其可能影響票數，以CP值算出策反的平均每票成本

   2. 找尋中間路線的明日之星，計算其未來可能換來選票的折現價值，以及策反需要的經濟成本，以PE ration 進行排名算出攏絡可能的成本

算出各方案可能成效以及成本的公式之後，再進行實地查核及數據蒐集，反覆驗證之前的假設．在沒有進行資料蒐集查核之前，可以給定先驗概率，再透過反覆的情報蒐集來優化我們預測的準確度，作為最後資源和議題操作的參考

在這部分，真實、多維度、非結構化、大量資料蒐集、確保資料實時更新（也就是所謂的大數據）就變得非常重要．避免重蹈某次總統大選，特定陣營花大錢委託民調公司做出來支持度82%, 最後卻只得到28%選票的慘劇

更慘的是那民調公司還是自己陣營的，這不是豬隊友，什麼是豬隊友？

大家看到這裡應該就明白了，傳統我們認為學資料分析就是要學什麼語言、軟體、資料庫操作，其實這樣的想法並不全面．因為我們做資料分析是要解決特定問題，資料分析的成效首先取決於要解決什麼樣的問題，而在解題過程中持續蒐集資訊，來增加假定結果的確定性，是一個連續的過程．

我看過許多公司在做所謂的資料庫行銷，其實就是找人一直在公司內有限維度、正確性可疑、未及時更新、有限資料且缺乏其他非結構話資料支持的數據庫裡海底撈針，他們的目的是想掏金，而完全忽略了自己缺乏由上而下的頂層思維和解決問題的工程能力，待在這樣的公司，就算你再會處理資料庫和寫算法代碼，充其量也只是資料的搬運工，在這樣的條件下，任何算法都難以帶來有效的信息，做出來行銷活動當然成效也是大有疑慮

看到這裡，相信大家對資料分析有新的理解了吧．

如果你沒有要解決一個特定問題，沒有再難解的問題中學習如何定義邊界、找出關聯性、設計公式、用貝氏定理反覆迭代並且驗證成效、甚至進行AB Test那你再怎麼學，也無法精進你的技藝，做出來的效果自然非常可疑

許多政治人物花了大錢選不上，或花大錢選上以後很快就因為操作失誤被迫下課，嚴格說起來也是因為不懂資料分析、缺乏數據思維的結果

他們的無知，真乃萬民福也！

體認到這一點，我們就知道訓練自己的思維能力，才能在遇到問題時，快速梳理出精準的切入點，整理出清晰的思路、化作可驗證、可證偽的數學公式，再透過持續提高信息有效性來完善分析結果，就非常重要了。

而所謂的全局觀，就是這樣由上而下的頂層思維能力嗎？當然不止

讓我跟你說個小故事：

我還在當亞太區銷總監的時候，有知名的研究中心來找我，他們提供非常詳盡的分析資料，我要求看過去十年的，來判斷他們對現在的狀況準不準，結果對方表示面有難色

其實這是當然的，我會這麼提，就是我看過她們過去的產業分析．我對其中一篇印象尤其深刻：

在mp3還沒開始的時候，所有錄音帶裝置都是一路成長，後來mp3, md出來，說好的錄音帶就全部消失．當時播放器的市場成長預期極高，如果你還記得台灣曾有個jolin代言的joybee, 和當時的ipod簡直是當紅炸子雞，所有的分析都一路成長好多年．

現在呢？有了手機以後誰還買mp3?

同樣的問題出現在個人數位助理、平板等各式各樣的裝置，大部分人都是用線性思考去推斷未來，難免會犯這樣的問題，但如果連市場預測公司也犯同樣錯誤，那當然錢就可以省下來了

只可惜在我過往看過的海量分析報告中，大多數都是運用簡單回歸分析．像是現在的研發、行銷投入來推斷未來的產出，但是這樣的回歸分析在新技術突然成熟時都會因為母體分布狀態改變而失效．但新技術的突然成熟、破壞性創新的天來一筆，哪裡是簡單回歸分析所預測的了得啊？

要解決這個問題，就必須把更大週期的趨勢給納進來考慮．比如說摩爾定律奔馳了數十年，但一奈米以下的物理世界帶來的瓶頸可能就會改變過往技術發展的趨勢，透過不同維度的交叉驗證（在這裡可以應用餘弦定理，我們以後會談到），可以有效的預防這樣的問題

如果沒有由結果往回推的頂層思維，除了預測不準之外，有時甚至會幫公司帶來災難．輕則將帥無能、累死三軍；重責買錯設備，做錯投資，賠大錢不算，董總還被主管機關勒令下台，那可就太不妙了．

讓我再為你舉個實際的案例：

我以前在賣國外的套裝軟件時，要接觸許多金融業的客戶，有些比較大尾的客戶，CRM等相關系統都不知道買幾套了，但客戶資料一直整合不起來．不是因為他們不懂，而是一來系統太複雜，資料搬遷整合是大工程，二來核心系統不是自己寫的，千一髮而動全身，三來個部門各有預算，誰願意被別人統合？就這樣一個諾大的公司，資料分析起來卻異常困難．這樣的問題其實到現在都還沒解決．而偏偏這樣的金融業，請的資料分析人員又是最多的

如果你研究所畢業進入這樣的企業，當個高薪的資料分析一族，可以想見在未來的十年裡，你的工作一定是很枯燥乏味，一來跨部門的統合你處理不了，二來計有系統留下來的爛帳一大堆處理不完，三來高層沒有翻轉核心系統的決心，很多事情都必須不停重做，但偏偏這樣的銀行除了關鍵的事情做不來以外，花錢請人都不手軟，所以許多人都只好在疊床架屋的組織裡面做一些沒有未來的事．真正當一個資料的搬遷工，和短期行銷專案的支援人員．類似的事情一天到晚重做，加上三不五時就買進來一套新的系統，慢慢的所謂的專業，就剩下組織價值了．

如果這樣的組織老闆突然開悟，要翻新核心系統，歷史斑斑可考，結果恐怕不妙．

講這麼多，就是希望幫大家重新建立資料分析的正確思維．一但你有了正確思維，就算不在大公司上班、沒有龐大的資料好分析、不會寫程式，一樣能有效解決生活中的難題、在事業上得到創新、在職場上突飛猛進，最起碼，也會讓人對你高看一眼

我知道，這樣的說法會和大家認知的資料分析很不一樣，但許多人聽到資料分析當紅，機器學習、人工智能、大數據是顯學，都迫不急待地去學，但你有沒有想過，一但你學程以後進入這樣的組織，你除了當螺絲釘以外，真能解決什麼了不起的問題，發揮巨大的價值嗎？

要解決了不起的問題，首先那個問題必須要很了不起．但在大型的組織裡面，高層的領導能提出來的東西，往往和所謂的了不起，沒有一毛錢相關性．而在了不起的問題之上，更要有一個更高的願景在引領．這個願景一定是來自於幫人類、社會、產業解決一個什麼樣的問題．如果你的老闆想的都是怎麼弄出行銷案很快地在市場上變現，增加現金流好在市場上炒股，讓eps好看一點，那很抱歉，你這輩子和了不起，注定絕緣．

那倒底怎樣才算了不起的問題呢？接下來的五講，我會幫你介紹五個生活中的實際案例，不但妳耳熟能詳，而且天天在用．只是在我講之前，你會覺得那與你沒什麼關係，但聽完以後你就會知道，同樣是企業，只因為思維順序不同，結果居然天差地別．

這五個實例分別為：

1. 驚天度定的谷歌：布林佩吉算法如何打敗YAHOO帝國

2. 最偉大的逆襲：netflix 如何用算法幹掉街頭霸王

3. 靠資料處理改變世界：amazon到底讓像妳這樣的人都買了什麼？

4. 超越國家力量的頂層思維：tsla 如何用算法帶你上火星

5. 預知死亡紀事：我如何設計 retail activation 算法預知公司的最終命運

除了我自己做的專案之外，其他四個案例，都是在近一二十年間發展出來的．而台灣的這些大銀行，很多存在的時間都已經要一百年了．卻沒看到他們做出什麼了不起的事業．除了特許行業天生的弊病之外，同樣是由上而下的領導，領導的腦袋不同，結果就差這麼多．

如果你覺得這跟你很遙遠，那我要跟你說，其實他們一點也不遠．而從現在起，新的算法王者即將出現，我們未來生活的十年，也將為這些新的算法帶來的震撼而改變

未來呼嘯而來，你準備好乘風破浪？還是要被潮流淹沒呢？

下一講，我們就一起來看，布林跟佩吉兩個年輕人，如何用算法推倒網路世界的王者

謝謝你與我們一起出來玩轉數據思維，我是李伯彥

地球上最好玩的資料分析，我們明天見！