Data Driven ( 數據驅動 ) 是什麼？教你如何使用大數據幫助企業進行重大決策 !

Data Driven ( 數據驅動 ) 是什麼？

Data Driven (數據驅動) 指得是組織內任何活動的進展是透過數據推動的，而非透過直覺或者個人經驗。

如何成為 Data Driven 的企業組織

數據驅動的企業組織通常具備

• 認同數據價值的文化
• 規劃數據架構
• 使用各種數據紀錄工具
• 分析數據輔助決策

除了分析人員之外非分析者也都能使用數據、判讀數據圖表背後的價值與可能的意義，將許多重要業務問題、企業內外部需要的解決方案都會透過數據的輔助找出執行方向。

想要成為數據驅動的企業組織，包含領導層以外，全體上下的員工都必須將數據視為值得投資的關鍵資產，才能使公司成為數據驅動型企業組織。

從數據驅動增加遊客黏著度：迪士尼（Disney）

圖片來源：undercovertourist

迪士尼公司開發了 Disney Genie 的手機應用追蹤遊客在主題樂園的旅遊體驗，透過數據追蹤了解遊樂設施的排隊時間、遊客當前的位置，節目表與餐廳資訊，整合這些資訊進行人流的安排以及根據遊客喜好推薦合適的旅遊行程。

個人化的體驗幫助遊客快速找到自己有興趣的設施、節目、主題餐廳，同時能提升主題樂園的運作效率。

利用Disney Genie 收集遊客數據與系統的整合，提升了下列成效：

• 個人化遊客體驗
• 減少等待時間
• 優化主題樂園設施、餐廳、商店營運效率
• 提升客戶忠誠度與黏著

從數據驅動擴展銷售：星巴克（Starbucks App）

圖片來源：Starbuck 官網

想要擴大業務經營，但是分店應該要開在哪裡？ 星巴克知道在哪裡，因 Starbucks App 結合了訂單歷史紀錄、獎勵計劃、消費習慣與各地區的銷售資訊，根據數據資料找出最佳店址。

星巴克與地理信息系統 (GIS) 公司 Esri 合作，利用數據優化新店面的選址規劃與行銷計畫，考慮到潛在新地點的人口統計信息、交通流量信息等因素，星巴克可以有數據佐證地選擇最佳地點進行擴張。

它不僅有助於選擇地點，而且可以優化特定區域提供不同的暢銷產品。例如在亞洲市場才會看見紅豆抹茶拿鐵、焦糖布丁等、印度風味的香料拿鐵與烤肉三明治。

這表示並非所有店面都運送相同的產品。這是一個很好的節省成本的措施，可以防止供應鏈不當分配原料資源，並防止店面做無效的備貨。 定價策略也因此能有更好的調整規劃。

大數據 (Big Data) 是什麼？

大數據 (Big Data) 的定義

大數據，也稱巨量資料，是指以不斷快速增長的大量、多樣化的信息量，龐大的資料無法以傳統的資料管理方法來進行管理或使用。

大數據的特點：3V

1. 數量 ( Volume ) 

數據量對於大數據而言很重要，你需要處理非常大量的低密度、非結構化數據。像是社交媒題上對圖片點擊、行動裝置上的 App 用戶紀錄、政府機構的公開資訊等。數據庫的量從數十TB，到數百 PB 都有可能。

1 TB = 1,000 GB = 1,000,000 MB

1 PB = 1,024 TB

2. 速度 ( Velocity ) 

大數據在數據累積的速度是非常快速的，而數據的使用通常也會盡量保持能即時提供分析，因此這表示系統要能承載大量且能快速運算的高品質。

3. 多樣性 ( Variety ) 

多樣性是指可用的數據類型很多，凡舉 Facebook、Google Ad、穿戴裝置、電動汽機車、CRM 系統等。隨著大數據的興起，新的非結構化數據類型接連出現，這些資訊都需要預先處理，才能獲取其背後的價值與意義。

5 步驟開始數據驅動決策

數據分析通常會經歷以下流程

• 問題目：你想知道什麼？你想解決什麼問題？
• 找數據源：你的提問中可能有哪些元素、報告、數據紀錄能幫你解答？
• 數據整理：將數據中明顯誤差、極端值、排除項目，將資料進行整理。
• 數據分析：反覆假設驗證、描述統計、迴歸分析、歸因分析等分析技巧，將數據轉變成回答問題的答案。
• 解讀與溝通：為什這個數據結果能解答你的題目，與其他同仁確認，認知是否有落差，使否能說服大家數據的價值。
  
  

若結合到企業裡面我們可以這樣做

1. 釐清企業目標

在做出明智的決定之前，你需要了解公司對未來的願景、目標、當下的痛點、未來發展的機會。這些都有助於你使用數據規劃策略與制定決策。

實務上常見的題目像是：如何將獲客數量提升、庫存管理的優化建議、廠房的擴張與精簡計畫、如何提升用戶體驗、黏著度、忠誠度等。

透過數據釐清方向之後，再結合 SMART 目標、關鍵成果 (OKR) 或團隊 KPI 來製定數據支持的決策與執行過程的進度追蹤。

2. 選定收集數據的工具

確定目標後，你就可以開始收集數據了。你的目標將決定你需要收集的數據來源與類型。

像是你的團隊想改進公司 SEO 成效以利提升市場曝光度與信任感的競爭力？ 這時你需要準備的數據就包括：

• 分析競爭對手的關鍵字表現數據。
• 評估當前的自己網站的 SEO 性能、內容強度、站內外連結等。
• 比對落差進行優化，可能是產出新內容、優化舊內容或整頓網站體質。

這些資訊的取得都需要透過各種 SEO、行銷工具的操作與研究（如：Google Search Console、Ahrefs、HubSpot）。

銷售報告數據、客戶特徵紀錄、員工活動紀錄等，或是外部的市場調查、競爭者數據等，你需要先了解這些數據通常會被放在哪套系統中，或是哪邊的文件紀錄可以找到這些資訊。

通常很難找到單一工具能同時滿足所有的需求，因此你會需要多套工具搭配使用，逐步的組合出你的需要的情報。但感謝於現代科技技術的持續進步，跨平台之間的資料，透過串接技術（如：API）或像是 SaaS 工具生態系（HubSpot App Market Place）的建立，這就有機會能夠將不同平台的資料統一整合在一處。

以下列出一些常見的數據整合工具：

• CRM : 記錄客戶特徵、網站足跡追蹤、信件互動紀錄，如：HubSpot
• ERP : 整合企業內部流程、管理企業資源、銷售數據、生產進度追蹤，如：鼎新 ERP
• 網站流量分析 : 網站流量追蹤、流量足跡追蹤、客戶樣貌分析，如：GA4
• 訂單分析：電子商務產業想要打造商城、庫存管理、金流處理、銷售報告數據等，如：Shopify

3. 組織化數據

企業規範一個準則、標準、形式將數據可進行整理與呈現，同時將數據可視化，因為有了共同的規範，使得數據的傳遞、管理、理解上更具效率，這對於做出有效的業務決策至關重要。

如果你得經常在不同的邏輯下查看數據，並不斷思考它們之間的關聯性，甚至需要反覆查驗，那麼就很難確保你可以做出最明智的決定。

如 HubSpot 組織數據的方法是使用 Property 為核心，將不同的屬性歸類到正確的 Property 後在彼此關聯起來，因此在 Dashboard 中可以整合所有不同屬性的數據，但同時能遵循著統一的規則、操作邏輯。對跨團隊，跨部門來說，無論這些目標是行銷、銷售、客服還是營運目標，都能在一致性的數據溝通基礎下，朝共同目標前進。

4. 執行數據分析

組織完數據後，你就可以開始數據驅動的分析了，從數據中找出獨到見解幫助你進行決策。根據你的目標，結合案例研究、調查、推薦等用戶研究來分析報告中的數據。

將這些數據集作為一個整體進行分析會很有幫助，因為與單獨分析每個數據集相比，你會得出不同的結論見解。

5. 整理出結論

在執行數據分析時，你會根據所見整理出幾個結論。 建議要將你整理好的的數據資料公開給其他同仁，透過視覺化圖表、趨勢圖、數字變化、分佈變化等與同仁保持溝通，以利支持你的見解與執行計畫。

得出結論時要問自己的主要問題包括：

• 這些數據在告訴你什麼故事？
• 該如何使用這些故事情報優化你的業務目標？

一旦你能夠回答這些問題，你就已經成功地進行了數據分析，並且能開始準備為你的業務做出數據驅動的決策。

Data Driven ( 數據驅動 ) 如何幫助決策?

數據驅動決策（DDDM, Data Driven Decision Making）

數據驅動決策 （DDDM, Data Driven Decision Making）指的是不透過個人主觀或觀察而是由分析後數據產生的商業決策方法。

使用統計學與資料處理技術，找出數據中的關聯跟趨勢，藉此預測消費者、市場、趨勢走向，以便企業找出最佳的策略方案。

如：電商、零售商透過數據進行庫存的優化管理，市場人口分析、競爭對手訊息以展開行銷方案的推動。透過數據工具制定可行高的 KPI、OKR，讓公司能夠克服個人偏見並做出與其商業戰略一致的最佳管理決策。

或是結合數據驅動的邏輯使用 RFM 模型，將你的客戶樣貌代碼化，將客戶真實的購買狀況分層各種層級，更細膩的精規劃經營策略。

為什麼數據驅動決策很重要？

數據幫助企業在決策的質量與可靠性的提升，避開了許多個人主觀意識的影響。同時也能提高經營風險控管的能力，因為成本、花費、成效、成敗的各自投報率都能更明朗。企業願意承擔風險的能力也變高了，因為數據輔助下，業務對客戶、市場、產品推動、存貨管理等都能有更明確的指引。

以台灣的中華電信的案例來說，他掌握了全台灣相當大量的用戶資料，因此可以針對客戶的行為、遇到的問題、潛在的需求進行預測，藉此能夠「提前」推出適合市場的解決方案，進而提升市占率與競爭力。

數據驅動為什麼會失敗？

Accenture的一項調查發現，只有 32% 的公司表示從數據中實現了任何有形和可衡量的價值， 只有 27% 的人表示數據和分析產生了高度可操作的見解和建議。

為什麼會這樣？ 正如調查中觀察到的，數據驅動的決策可能因為下列情境導致失敗：

• 數據產出後，沒有批判性地思考這些數據是如何產生的，倉促下結論。
• 問錯了問題，導致數據解讀到錯誤的方向。
• 數據的質量不佳、沒有不斷的更新數據
• 數據代表了理性，但卻忽略了市場人性中依舊存有感性

數據驅動決策案例：Netflix

圖片來源：Netflix 官網

Netflix 處理數據的 3 個關鍵原則：

• 數據的取得是要容易的。
• 無論你的數據規模大或小，都需將其可視化並能容易解釋。
• 找數據花的時間越長，數據的價值就會變低。

Netflix 因為用有廣大的訂閱戶資料，透過機器學習的輔助因此能了解用戶觀看習慣，藉此提供客製化的推薦內容與不斷優化的觀影體驗，操作介面的優化、配色等都是數據分析後的執行結果。

一些關於 Netflix 的收入成長數據供你參考：

• Netflix 截至 2022 年 9 月 30 日的季度收入為 $7.926B，同比增長 5.91%。
• Netflix 截至 2022 年 9 月 30 日的十二個月收入為 $31.473B，同比增長 9.92%。
• Netflix 2021 年的年收入為 $29.698B，比 2020 年增長 18.81%。
• Netflix 2020 年的年收入為 $24.996B，比 2019 年增長 24.01%。
• Netflix 2019 年的年收入為 $20.156B，比 2018 年增長 27.62%。

數據驅動決策案例：台北 101

圖片來源：台北 101 FB

台北 101 透過資料分析來實現節能減碳、與提升建築物運作效率的目標。101 每日會透過監測系統收集超過上萬筆的資料，包含在氣溫、濕度、人流、風速、光照等。

像是當某個區域溫度過高或過低時，系統就會自動調節該區的空調設備已達到能源高效率的使用。風速的數據提供觀光客最合適的上樓體驗等。

101 也獲得國際綠建築（LEED）認證，透過數據分析與監測系統的搭配下，大量節整建築物的碳排放量。

數據驅動決策案例：聯電集團

圖片來源：聯電 UMC 官網

聯電位於新竹的 12 吋晶圓廠是該公司首個實現全面智慧製造的工廠，也是全球第一個應用AI、大數據分析、IoT等技術打造智慧工廠。從原物料到產品運輸全面自動化監控，高效率的提升了生產線運作與生產效率。

數據分析有哪些？

大數據分析是在數據出現時通過數據分析工具進行處理，然後在數據構建時對其進行批量分析以尋找出行為模式和趨勢。

隨著數據生成的大量增加，管理數據的各種技術也隨之提升，隨著數據在速度、規模和深度方面越來越具洞察力之下，大數據就越能幫助推動創新機會。

以下分享一些常見的數據分析方式：

1、A/B 測試 （A/B Testing）

這種數據分析技術涉及將對照組與測試組進行兩兩比較，在兩個版本中一次僅做一個變量的調整，在應用情境上，像是網頁上 CTA 顏色、文字替換是否影響點擊成效、網站 Banner、EDM 信件標題會不會幫助提表單提交轉化率等。

透過數據觀察與交叉比對逐漸聚焦出最合適的方案。

2、數據融合與串接（Data Fusion and Data Integration）

以數位行銷工具來說，聊天機器人、電子報工具、CRM 工具、社群廣告等，各自都有自己的數據後台，然而當同一位受眾，同一時間跟多個工具都產生互動、接觸時，跨工具之間大多僅能在各自的後台紀錄，並無法將跨平台的資料做整合歸納出這是同一個人的客戶樣貌。

因此歸納整理數據的工作通常要再透過人工彙整，然而現在透過 API 串接技術、整合性平台的使用（如：HubSpot )，就能讓跨渠道資料能夠有一致性的彙整處，以利客戶資料的交叉使用。

數據的操作因為彙整在同一個地方，數據使用的邏輯有一致性，你將不需要煩惱還要配合不同工具的操作邏輯，免除跨平台之間的邏輯切換。

多渠道數據彙整與單一數據來源的成效相比，多渠道的數據整合結果將能更有效、更準確的描繪出真實客戶的樣貌。

3、數據探勘（Data Mining）

資料探勘是一種從大型數據庫中提取資料並發現規律和模式的技術。

大數據分析中常會結合統計學、機器學習、數據庫分析、人工智慧的方法，從大型數據庫中找出模式。 例如，美國軍方就曾經使用獨特的資料探勘技術協助美軍找到賓拉登，以及協助企業或警方找出金融犯罪的線索。

4、機器學習（Machine Learning）

運用現成的大數據來訓練機器學習模型，在人工智能領域眾所周知，機器學習也用於數據分析。 它起源於電腦科學 (Computer Science)，與計算機算法協同工作，根據數據做出假設，提供人類無法做出的預測。

像是在數位醫療上，開始出現一些技術甚至可以比醫生更精準的檢測出疾病與進行臨床數據分析。不僅速度快，且精準性更高，如 : Foresee

5、自然語言處理（Natural Language Processing, NLP）

這種數據分析工具被稱為電腦科學、人工智能和語言學的一個子專業，它使用算法來分析人類（自然）語言。近期最夯的 Chat GPT 可以針對你輸入的問題做高質量的回應，Chat GPT 就具備了高品質的自然語言處理功能。

我們可以使用我們習慣的說話方式，直接對機器提問，並得到彷彿真人回應般的內容。就是因為機器人背後能大量與快速地處理語言語言，甚至能根據你的上下文自我糾正之前的錯誤、補充資訊。

撇開技巧和技術不談，任何形式或大小的數據都是有價值的。 通過準確有效地管理，它可以揭示大量的業務、產品和市場洞察力。 

大數據實際應用情境

1、提升客戶體驗 (Customer Experience)

有了大數據輔助，我們現在比以往任何時候都更有可能更清晰地了解客戶樣貌。大數據使我們能夠從社交媒體、官網足跡、通話記錄、訂單記錄、活動參與紀錄來累積數據。

從數據記錄呈現出來的客戶樣貌比對企業目標，找出痛點、優化環節、成功典範等，就可以提供高度客製化服務體驗、減少客戶流失並提升忠誠度。

因為你從數據中可以觀測出對方在意的重點、消費的習性、活動的習性，你就能跑在他們的需求之前。

2、推動創新（Innovation）

大數據可以通過研究人類、機構、實體和流程之間的相互依賴關係，看出新的見解或新方法來幫助企業進行創新。

如：智慧農業的產生，利用物聯網結合灑水、農藥噴灑、收取作物等過往需要靠人力的工作，現代僅需要少少的人力，就能夠掌握大量的農業生產，同時還能保持作物的最佳成長。

使用數據洞察力改進有關財務和規劃注意事項的決策，檢查產業趨勢以及客戶希望提供什麼新產品和服務，實施動態定價等。

如：GPS 數據與天氣追蹤記錄幫助物流業能提供更安全與更快速的運輸過程，以及利用數據掌握精準的庫存管理。

3、預測性維護設備 (Prediction)

預測機械故障的因素可能深埋在各種結構、非結構化數據中，例如設備的年份、品牌和型號、感應器數據、錯誤訊息和機具溫度等紀錄。

在問題發生之前分析這些潛在問題的可能的跡象，企業可以更經濟有效地部署設備維護並最大限度地延長零件和設備的正常運行。

Data Driven 為什麼非常重要?

企業使用數據並非新的概念，然而大數據更加強化了這樣的決策。像 Netflix 利用它大量的數據庫了解用戶的喜好並提出個人化的推薦，這樣的設計方式帶動了大量訂閱戶的成長，除此之外像知名影集紙牌屋（House of Cards）能在全美甚至全球廣為人知，Netflix 早就注意到到演員凱文·史派西(Kevin Spacey)、導演大衛芬奇對以及英國版紙牌屋粉絲的關聯，結合這些情報與線索成功推出了 Netflix 這部經典代表作。

使用數據做出決策是每個現代企業都應該追求的核心文化，原因有：

• 幫助組織持續成長
• 幫助企業增長知識與進行創新
• 找到新商機
• 增進溝通效率

行銷工具如何幫助 Data Driven ?

Google Search Console

Google Search Console 是免費的行銷工具，但卻能發揮監控網站在 Google 搜尋引擎結果中的表現、衡量關鍵字的效果、發現被阻止的頁面、丟失的 HTML 和 404 錯誤等。

在 Google Search Console 中從基礎的點擊次數（Clicks）、曝光次數（Impressions）、CTR（Click-through rate)、關鍵字排名位置（Position）能幫助你進行數據決策之外。

進階的網站技術問題像是

• 網頁速度
• 安全性
• 搜尋引擎爬取狀況
• 創建與遞交 Site Map

也都能在 Google Search Console 完成，對於在經營網站數位行銷的企業來說是非常實用的基本工具。

GA4

GA4 為 Google Analytics 的最新版本（前身為 GA3 或稱通用版 GA，將在 2023 年 07 月停用），GA 4 改以 Event 基於事件的數據記錄模型，將用戶網頁行為作為最基礎核心，藉此提供更先進的分析能力。

GA4 主要特點如下：

• 收集事件數據，如頁面滾動、影片播放、廣告點擊等。
• 歸因報告，將轉化功勞分配給不同的廣告、頁面、點擊和用戶完成轉化路徑中的各種行為因子。
• 數據整合，能跟 Google 其他數據工具（Google Ad、BigQuery、Search Console、Google Optimize）做資料整合。
• AI 模型，預測客戶轉化、流失等用戶行為，幫助企業制定行銷、業務計畫。

HubSpot 

HubSpot 是一個數據驅動的行銷軟體，使行銷人員能夠通過多種渠道和平台優化他們的品牌行銷策落，從社群媒體管理到 Landing Page 優化再到網站分析，HubSpot 可通過增加流量、參與度、銷售額和投資回報率來幫助你發展業務。 

HubSpot 為內容行銷管理、SEO優化和網站分析、 Landing Page 和社群媒體行銷提供了一個完整的整合平台，它為 CTA（Call to Action）、潛在客戶管理、分析、 Blog 和 SEO 提供了各種數據分析工具，還可以透過 Campagin 功能一次衡量你的行銷活動投資回報率，對 Data Driven 非常有幫助的行銷工具。

數據分析後自然而然的下一步是寫下一些 SMART 目標，當你已經深入了解數據驅動決策，你就可以根據了解的內容制定可實現的目標。

Data Driven 與 Big Data 就是我們的診斷問題，並找出解決方案背後的依據，它為企業提供了一種清晰的方法來衡量其數據能力支持價值創造的能力。 

如果你的企業尚未具備數位驅動的基礎：體質良好的網站、穩定的高品質流量來源、客戶數據追蹤與保存的 CRM，歡迎與我們聯絡。

Hububble 擁有台灣最豐富的 HubSpot 系統導入經驗，同時為 HubSpot 官方認證鑽石級代理商，從大型跨國企業( 如：BenQ ) 、中型電商（如：Robinmay）、小型企業 ( 如：醫療診所) 都有豐富服務經歷，與導入經驗最豐富的 Hububble 合作，安心與高效率的完成你的數位轉型計畫 ！

更多 客戶案例分享 (https://hubs.la/Q01CcDqh0 )

全球常見的數據分析工具

• Tableau
• Microsoft Power BI
• QlikView
• SAP BusinessObjects
• IBM Cognos Analytics
• SAS Analytics
• TIBCO Spotfire
• MicroStrategy
• Oracle Business Intelligence
• Pentaho

還想了解更多關於數據驅動決策的下一步嗎？歡迎你諮詢 Hububble！

你可能會喜歡

• RFM 模型這樣用 (Recency、Frequency、Monetary)：客戶真實價值的關鍵密碼 | Excel 範本下載

• 行銷漏斗是什麼？如何使用與規劃？數位行銷漏斗案例
• HubSpot API 串接中文教學指南 - 10 分鐘帶你了解如何串接 HubSpot
• HubSpot CMS Hub Starter：適合新創公司的最佳網站解決方案
• HubSpot 導入企業，打造數位整合生態系
• CRM 系統，企業必備的數位轉型工具 !
• CRM 是什麼？跟我這樣做，從用戶數據行為，抓出精準商機！
• 轉換率 (Conversion Rate) 是什麼？如何提升轉化率？  
• Landing Page 是什麼？網頁高轉化率技巧分享 !

• UTM 是什麼？ 使用 UTM 完成數據追蹤

• OKR ：目標關鍵成果是什麼 ？與 KPI 有甚麼不同 ?
• 電商是什麼? 如何打造成功電商模式，開創新商機！
  

Related article

• Characteristics of Big Data: Types, & Examples

• big data

• Big Data What it is and why it matters

• What is Big Data?

• A Guide To Data Driven Decision Making: What It Is, Its Importance, & How To Implement It

• THE ADVANTAGES OF DATA-DRIVEN DECISION-MAKING

• Why Data Driven Decision Making is Your Path To Business Success

• Data-Driven Decision Making (DDDM)

• How data drives decision-making at Netflix

• Health and Social Care Data-Driven Innovation