一、分类思维
在市场营销中,有一个非常重要的概念,叫 Customer segmentation(顾客分层)。这其实就是分类思想。由于年龄、收入与性别等因素的不同,人与人之间存在着不一样的生理需求与心理需求。而需求不一样的消费者组成了不同的细分市场。针对不同的细分市场,产品会有不同的定位。所以,分类是精准营销的前提。
在互联网运营领域,同样也有用户分层概念,通过不同的数据标签建立不同的人群画像,最终实现精细化运营。
二、矩阵思维
矩阵思维是分类思维的一个延伸。学过统计学的都知道,数据类型能分成两种:Categorical Variables 与 Quantitative Variables。后者有一个特点,能够被量化。当你发现存在两个可量化的关键维度时,不妨分别设成 X 轴与 Y 轴。
作为集团战略部门,每天面对的任务有很多,但哪个才是值得我们花时间去解决的呢?首先,我们对每个项目的“可行性”与“商业价值”进行一次评分。然后,把这两个维度分别设为 X 轴和 Y 轴。最好,所有项目就会自动地分布在了四个象限之中。
显而易见,你的重点就应该放在第一象限的项目中,尤其是颜色最深的右上方的那个项目,因为它的可行性最高,同时商业价值最大。除了个人管理,还可以用来做市场分析。其中,最著名的莫过于波士顿管理咨询的产品矩阵模型了(BCG matrix):
这不就是一个矩阵思维的体现吗,道理一毛一样的。
所以,当你发现存在两个可量化的关键指标时,就可以试试做成一个矩阵,说不定你会有意外新发现哦。
三、漏斗思维
最近,国内很流行一个来自硅谷的名词,叫“增长黑客”,核心模型就是 AARRR,简单点说:10000 个人到店里逛,有 100 个问了价格,那就是 1%的咨询转化率,问完后 50 个走了,还剩下 50 个留下来,最后有 10 个人买单,还有 2 个发了个朋友圈告诉亲戚朋友。对应的就是下面这个漏斗:
漏斗的每一层,都有一定的容量。漏斗越往下,容量越小。而层与层之间的比例,就是传说中的转化率。到了最底层,就是收入。所以,要提高最终的收入,原理很简单,就是把每 一层的容量都扩大,或者,把下钻的转化率给提高。
四、相关思维
我们在媒体里常常看到这样的报道,“百分之多少的人会更倾向于做某件事”。举个例子,有专家发现,在经济低迷的时候,89%的女性更倾向于买口红。结合数据的相关思维,够帮助我们找出事物之间隐性关系。虽然事物有千千万万,但事物之间的相关关系常见的也不外乎这四种:
- (a)正相关:X 数量越多,Y 数量越多
- (b)负相关:X 数量越多,Y 数量越少
- (c)不相关:X 数量与 Y 数量无关
- (d)非线性相关:某一范围内,X 数量越多,Y 数量越多;超过某一个拐点后,X 数量越多,Y 数量越少。
相关思维简单易懂,在商业中的用处很广泛。
打比方,现在你是你们公司的市场部经理,为了提高明年的销售业绩,你最近进行一次分析,哪个媒体广告需要减少投资,哪个媒体广告需要增加投资?关于预算分配的问题,永远都让市场部头的人头疼。这种决策在过去是(现在很多时候也是)老板们拍脑袋想出来的。那有没有更加科学一点的办法呢?
试试用相关思维来翻译这个问题,那就是:销售额与哪个媒体广告的投放量存在正相关呢?这个问题一下子就具体很多了,因为 X 与 Y 都是可以被很好量化的指标。只需要把过去几个月甚至几年的数据拉出来,Excel 一算就可以知道了。
假设将横 坐标的看作是产品销量(口红、粉底液、气垫、防晒霜等等),纵坐标看成是媒体投放渠道金额(微信、微博、爱奇艺、杂志等等)。那么,它们的两两之间的相关系数就会形成一张系数表。**蓝色表示两者相关关系比较强,红色表示比较弱。**那么,哪个产品更应该加大哪个投放渠道的投放量就一目了然了。
当然,这只是一个打比方。一个严谨的投资决策肯定不能仅靠看一个维度或一张表就能解决的(需要分析每个渠道的具体转化情况以及品类的销量情况)。但它给出了一个很不错的视角。当你手头上拥有很多数据时,不妨来一次这样的数据探索(Data exploresure),说不定会有什么新奇发现哦。
五、决策树思维
决策树(Decision tree),相信这个概念对于所有学过机器学习的人都并不陌生,因为这是一种入门级的算法。几乎每个初学者第一个接触的机器学习算法都是决策树。它很实用,也特别好理解,因为它跟人的思维过程很像。它既可以当做一个体系化的分类思维,也可以当做一个流程图甚至是一个检查清单来使用。但不管你怎么用,决策树的框架都是不变的。
从顶端一点开始,它一层一层往下展开。每一层都有若干个支点,而每个支点会分解成多条支线。就像下图一样。
举个例子:假如有一天,你去参加非诚勿扰的相亲大会,由于你读过猫爷这篇文章,所以你打算在相亲节目中使用决策树。你的决策树长这样:
如果对方年龄太大,你立马可以排除;在年龄合适的人里,你再看他长得怎么样,颜值爆表、每天看着他的脸都可以不用吃饭的,那就别问下去了,马上就在一起。如果长得还行,那就继续看看他的收入,以此类推。
由于决策树越接近顶端的因素,重要性越高。所以你对相亲对象的要求,按重要性来排序就是年龄>颜值>收入>性格。当然,这只是一个半开玩笑的举例,以便你理解。决策树在商业环境中的用途也是相关广泛的。我随便给你举几个例子:
如果你现在是银行的信用卡主管,你会给一个申请者多少信用卡额度呢?这本身就是一个决策树模型能解决的问题。你要做的,就是找出决策树中重要的支点与支线,譬如是否高学历、是否高收入、是否在 500 强、是否有负债、是否已婚、是否有房产等等。当一个申请者落在好的分支里,那就获得高额度;落在差的分支里,就得到低额度。
六、闭环思维
闭环,不是指封闭,而是指循环。在商业界,最著名的闭环应该当然是戴明环,又叫 PDCA 循环。
PDCA 循环的起源,要追溯到 20 世纪 20 年代,有一位叫沃特的统计学家所发明,由戴明所改良与普及的,最终演变成了科学管理的一个非常重要的工具,帮助企业或组织持续性地改进质量,被广泛应用于新产品开发、供应商管理、人力资源管理以及各种项目管理之中。
- Do 是最基础的。哪怕一个从不动脑子的人,他也知道去做,就像富士康里的车间工人一样。