身為廣告人工作的過程中必然會接觸到數據，像是廣告管理員後台的廣告成效數據或是Google Analytics，所以一看到這堂「 人人都該懂的數據思維課 」我就毫不猶豫地報名了，事實證明也確實是值回票價，接下來我會分享這堂講座的重要數據思維，除了分享講座部分案例外，也會同時說明這些數據思維如何應用於廣告人的日常。
數據分析其實比你想像中的更近
很多人會有種迷思，認為只有海量資料、大數據資料才算是數據分析的工作，但事實上可能每個人的生活、工作都充滿著數據分析。
以廣告人來說，數據分析最常見發生在整理客戶報表、每週廣告優化成效的時候，必須要分析廣告帶來多少廣告效益、廣告調整是否提升廣告成效等等。
在生活中，我們也會在新聞、報章雜誌、書籍等刊物上看到各式各樣的統計調查資料，如何正確解讀這些資料，都考驗著每個人數據分析的能力，所以了解數據分析的重要思維算是相當重要的Mindset。
數據分析的十大重要思維
#1 檢查
檢查的要點是檢查數據呈現出來的資訊有沒有問題，是否存在不合理的數據資料。常見的檢查方式如下：
- 檢查現實世界的關聯，避免與當下的現實環境脫節，像是數據是否有出現不該出現的過去時間、未來時間。
- 欄位是否依據欄位特性呈現了？例如必填的欄位都有數據資料嗎？不能重複的資料是否出現重複資料 (ex:身分證字號、手機、Email)、數值呈現正確嗎？(ex:新台幣沒有小數點)
- 檢查數據的分布方式 (ex: 平均值、中位數、最大值、最小值)，透過分布方式檢查數據是否有異常。
以上述方法來檢查看看購物顧客資料來看，有沒有發現什麼數據的異常了呢？
(答案在滑動的下一張)
數據的異常主要有四個地方：
- 小白在2016-01-01才完成註冊，但 2015-01-01 尚未註冊前卻能完成購物
- 小白 2015-01-01 的購物明細是品牌名，不是產品名稱
- 土豆沒有註冊紀錄就完成購物
- 精靈在2020-01-01 未來時間購物
- 精靈購物的幣值出現小數點
🌟 檢查 – 廣告應用實務
廣告數據也是個需要細心的資料，最需要細心檢查的項目是廣告目標以及廣告最佳化選擇，不同廣告目標會對應不同成果和成本。
以流量廣告來說，流量廣告的廣告最佳化選擇又可分成「連結點擊次數」( 點擊就計算成一次廣告成果)、「連結頁面瀏覽次數」( 點擊並且要進入網站才算是一次廣告成果)等。
下次被問到為什麼「這次的單次成本比較貴」的時候，記得先去檢查看看不是同個廣告目標以及同個廣告最佳化選項歐！
#2 來源
數據產生的方式和資料源自於哪裡？通常不同的來源會有不同的統計調查方式，也會影響資料的判讀性和準確度。
以下圖各電視台播出特定候選人片段的調查，一拿到這份數據的時候，專業的數據分析首先該了解資料的調查方式，是用電腦自動辨識還是人類統計，人類統計又可以往下了解是經過反覆驗證比較嚴謹的過程，還是只是讓一個工讀生計算，這些調查方式的差別都會影響這份資料的完整性和可信度。另外，若是這份調查資料出自於某家電視台，因涉及商業利益，可能也有公正性上的疑慮。
🌟 來源 – 廣告應用實務
以數位廣告投放來說，一看到一份廣告成效，就要先了解所有的成效來源是出自於哪個廣告平台，是Google、Faceook還是Instagram、Twitter，雖然不了解資料來源不至於影響資料準確性，但絕對會影響資料判讀以及成效評估。
像是不同廣告平台的廣告數據進入到Google Analytics報表裡面的轉換次數跟轉換值都會產生一定的落差，主要是因為歸因計算方式不太相同，所以下次再被問到為什麼我的廣告後台數據和Google Analytics的數據不一樣時，就知道為什麼了吧！
#3 定義：你以為的跟別人以為的不一樣
數據定義其實跟數據來源有相似的作用，都是確保資料的可性度和正確度。因為不同的數據名詞定義會帶來不同的數據結果。
以演講的出席率來說，有些單位為了認為開場十分鐘之後進場，就不算出席；有些單位則認為只要在結束前抵達都算是有出席。發現了嗎？當計算數據的標準不太一樣的時候，定義就會產生數據上的落差。
再以剛剛提到的各電視台播報各候選人的調查資料為例，定義的問題就會發生在調查過程，當一則新聞同時出現兩個候選人的時候該怎麼評估算是播報誰，100個人調查可能會有100種解讀，所以調查數據前確保定義一致也是判讀數據的重要課題。
🌟 定義 – 廣告應用實務
廣告上常遇到的定義問題多半是英文縮寫的誤解，像是CPP可以解釋為單次購買成本(Cost Per Purchase)，也可以解釋為每千次觸及成本 (Cost Per Point)。
另一種常見的定義問題較可能出現在CPA (Cost per Action)的認知上，Action可以表示加入購物車的行為、註冊會員的行為或是購買行為，所以當有人問題廣告CPA是多少的時候，別忘了先問問他，你想了解的 Action 是什麼？
#4 脈絡
數據只是結果，必須了解調查行為的背後，人們使用的習慣流程是什麼，才有辦法歸類出哪些是必須排除的數據？哪些又是值得深入研究的數據，以下以兩個例子來說明了解數據脈絡的重要性：
下圖為電子書店家想透過數據研究哪些類型的書籍比較容易被看完，是小說比較容易被看完？還是工具書容易被看完？
如果直接以圖片的數據來看，未閱讀的比例高達70%，可能代表不論是哪類書籍，讀者都不喜歡閱讀。但仔細想想電子書如果是沒有在電子書的平台閱讀而是下載下來閱讀，那麼平台自然無法追蹤到讀者的閱讀進度，所以在數據分析的時候，就需要先排除已經將電子書下載下來的讀者再分析，才是一個考量消費者行為脈絡的數據分析。
🌟 脈絡 – 廣告應用實務
廣告上也可能遇到的脈絡問題，像是遇到廣告前些日子都投放的不錯，但最近卻突然打不出去，轉單廣告效果不好的問題，這時候就可以從數據的脈絡下手來思考，是不是透過廣告轉單的人重複地被廣告打到，既然購物的商品都還沒用完，又怎麼會繼續下一次購物呢？
思考完這樣的消費脈絡之後，就可以針對廣告受眾已購物名單的排除或是匯入新的流量來源來幫助廣告轉單。
#5 拆解：見山不是山，找出害群之馬
數據拆解的重點，是找出問題之所在，把數據拆開來，才有辦法針對問題解決問題。以下圖一家公司第一季離職率13%為例，離職率就可以做拆分來發現主要造成公司離職率的類別是什麼？
- 離職率能拆分成年資 3個月 / 1年 / 3年的離職情況來看，如果 3個月內的離職率最高，可能代表的是招聘過程的職缺說明與應試者期待有落差或是新人訓練可以再加強等；如果是 3年以上的離職率最高，則可能是公司的職涯規劃需要再努力。
- 離職率也能拆分成部門別來理解，程式部門、會計部門、業務部門等，有沒有哪個部門的離職率較高，是不是需要增聘人手、調整工作內容或是了解主管和職員之間的合作氛圍是否融洽等。
發現了嗎？拆解數據之後，你會發現有個類別的數據特別高 / 特別低，就可以找出造成數據”不理想”的類別是什麼。
🌟 拆解 – 廣告應用實務
拆解算是廣告人日常最常見的數據分析思維，通常發生在廣告優化的階段，需要透過版位、裝置、日期、輪播圖卡等項目層層拆解，了解廣告應該往哪個面向優化。
#6 放大鏡：了解為什麼
放大鏡通常會搭配拆解的步驟一起使用，意思是當透過拆解了解數據異常的分類別之後，你必須針對這個數據異常分類別做研究，了解造成數據異常的原因是什麼？
常見的世代研究 (cohort) 也是一種典型的放大鏡數據分析方式，像是針對戰後嬰兒潮、千禧世代研究等
以下圖為註冊後30天每人儲值的平均金額來說，依據月份區分平均儲值金額就是一種數據拆解的手法，拆解過後，會發現9月份平均每人儲值的金額遠高於其他月份，這時候就可以使用放大鏡的手法，觀察研究了解什麼原因造成高儲值成果。
- 是當月份有特別檔期的活動嗎？
- 是當月份有投放廣告嗎？
- 針對9月份儲值金額較高的用戶做用戶行為調查
🌟 放大鏡 – 廣告應用實務
放大鏡多半會應用在了解哪個原因是害群之馬之後，暫停廣告成效較差的設定，或是在直接進行廣告的A/B Test，主要目標都是帶動廣告成效。
#7 因果：讓正相關的事帶動主要目標
找出不同項目之間的因果關係或是正相關的事物，例如說蘋果日報付費觀看之後想提升付費觀看的人數，可以尋找有什麼樣的用戶行為和付費觀看呈正相關，例如留言超過5則的用戶、加入line@的用戶等，可以從正相關的項目去帶動主要目標的成長。
※不過在因果分析的時候也要注意因果陷阱，也就是了解誰是因、誰是果；而有時候正相關的兩個項目也可能只是剛好數字趨勢一致，所以運用這種數據分析方式時就需要特別留意。
#8 指標
數據中的量化資料被稱為「指標」，但是每個指標可能都會有每個指標的誤差，或是平台跟平台之間的指標評斷差異。
講師提到指標想提醒的是，不必鑽牛角尖於容不得指標設定的誤差，或是要求不同平台(基準)使用相同指標，指標不需要一致，只需要同指標和同指標比較即可。
像是用送禮為誘因的課堂滿意度調查問卷，雖然可能會有抽樣上的偏誤，或是因為送禮導致整體滿意度分數偏高，但是如果下次還是送一樣的禮物，然後滿意度調查的數據有進步，那就代表課堂品質是真的有進度的，就不必過於要求所有指標必須一致或是幾近完美。
🌟 指標 – 廣告應用實務
在廣告指標的應用上，只能說廣告平台百百種，廣告指標也百百種，每個平台的指標也許名稱相似，但計算方式和意義可能都是天壤之別，所以千萬不要想要把不同平台的廣告指標拿起來一起比較，這是廣告人最誠摯的叮嚀！
#9 比較： 比較高矮胖瘦誰說得算？
所有的數字都是比較出來的，同樣基準和過去的自己比、未來的自己比；或是和同期的跟別人比較，數據沒有絕對意義，沒有比較就沒意義。
舉例來說一看到法國每年銷毀7.3億美元的食物可能覺得很多，但看到美國每年丟棄 1650億美元的食物就相較對覺得法國丟棄的食物比較少。
🌟 比較 – 廣告應用實務
我常說廣告就是一個 try error的過程，廣告正式投遞出去之前，你都很難預估哪個廣告的成效較好。
那麼在投遞出去之後，如何評估哪個成效較好呢？廣告從來不會有個絕對的標準，通常是和前期的廣告做比較，或是跟不同貼文類型作比較，藉此來評斷廣告成效哪個較佳。
#10 慢即是快：寧願經驗導向，也不要錯誤資料？
演講最後，講者也提醒我們很多時候都相信資料導向 ( Data Driven ) ，資料不會騙人。事實上雖然數據本身沒有錯，但透過人的分析解讀得出的結論卻可能會有問題。
所以當你沒辦法完全相信你的資料是正確的，那還是用過往的經驗導向來決定事情會是個比較好的選擇。
最後讓我們透過下面這張圖回顧一下數據分析的十個重要思維
今天就先分享到這裡啦！我們下篇文章見 ~
ADer Sharon
👇 演講資訊 👇
講師：林熙哲
主辦單位：木木卡工作室
( 實體課程有更多可以現場發問和互動的機會，相信收穫會更多 )
若您喜歡我的文章，歡迎訂閱ADer Lab ∣ 廣告人實驗室，我會提供訂閱用戶數位廣告、SEO實用工具技能的懶人包，也會即時通知最新的文章發佈。
