從數據中獲取價值(二)：多類型分析
很久很久以前，認真處理數據并對其進行分析是決定企業生死的關鍵要素。然而現在，情況卻已經變了。
通常來說，分析技術會對運營提供支持、推動流程的進行并對決策進行輔助。分析生成的報告能夠幫助企業追蹤銷售表現、流失規模等等數據。對戰略和戰術的評估與調整對于幫助企業按照計劃方向的發展來說非常關鍵。
但麻煩的是這些分析都是些“事后諸葛亮”，分析模型只能告訴我們過去的一段時間里都發生了什么，我們只能利用歷史表現的報告作為決策制定的基礎，由此決定未來的規劃與投資。
這種方法在相對穩定的市場中是行得通的。但我們現在所處的世界里充滿了未知與變化，企業間差異化(甚至決定企業生存)的關鍵還需著眼未來——嘗試去預測未來的情景，做出能夠帶來穩定發展未來的決策、為計劃上線的活動做足準備、在必要時進行重新調整。
摘掉有色眼鏡
數據的質量決定著預測的質量：基于傳統的交易數據源，我們只能做出有限的預測;但如果擁有除了交易數據以外的所有數據呢?例如如果有了客戶流失數據，我們就能建立模型，預測客戶隨著時間推移將會產生的消費，了解客戶的消費額是否出現了下滑或波動、了解他們目前持有多少產品。但在整個消費過程中，我們對客戶交互與行為的了解還很匱乏，什么時候客戶會打電話給呼叫中心或產生負面評價、客戶是否會在下單前需要輾轉數個平臺才能完成交易……這些客戶與網站的交互行為能夠展現更突出的圖景，它們比許多傳統的客戶數據更有信息量。
在具體情景中運用分析技術
那么問題就在于我們應該如何利用這些交互數據?這些數據的格式、種類五花八門、復雜程度高低不齊，一刀切地利用同一種分析技術是再也行不通的。
為了有效利用起呼叫中心記錄數據，我們必須具有文本分析和語義提取技術;為了以數字化的形式解讀客戶旅程，我們必須具有路徑分析技術;再利用歸因策略進一步分析消費者在不同渠道間的切換。此外，圖譜分析技術還能幫助我們了解消費者是否會被其社交網絡中的其他家人或朋友所影響。
這一系列的分析技術能為我們提供有關客戶行為和交互的新一組變量，這些數據最終都會流到預測模型中。現在，我們的模型已經了解了客戶會被何種因素影響、客戶的感受、舉動及客戶對品牌的體驗如何。這樣一來我們也就脫離了描述性的客戶視圖，而轉向了情景式的客戶洞察。
分析型的變革者
在進行分析技術和模型優化時，我們采取的傳統方式通常是針對投入變量進行一次次小規模、逐漸累積的變化。這種方式能夠帶來的進步和改善過程是非常緩慢的，所以我們希望通過投入新的知識和分析技術改變這種局面。
多類型分析能夠幫助我們從新型數據和傳統數據中共同提取價值，加強我們對客戶、產品、交互行為及其他關鍵事件的了解;相應地提升分析技術的成熟度，基于更廣泛的數據帶來更令人信服、更給力的分析結果。
