在扶輪社的演說 演繹 O2O 和電商怎樣幫企業重生

去年十月時，在受邀下很榮幸的去了扶輪社做的演講。其中一位在場聽眾，早陣子再跟我聯繫。才發現，這個演講從來未放過上來。所以這篇貼文，就是把這次目標是讓 O2O 深入淺出給企業主認識的演講，用文字演繹出來。

是次演講的主題，是談及 O2O 的概念，整合手機後，如何讓企業的生意翻一翻，再創新猶。

而 O2O，說穿了，就是把人流由線上帶到線下，和線下帶返線上。

說到線上帶到線下，現在大家聽過的，做個網站，做下網絡營銷，都是把生意從線上帶到線下的做法。

而線下帶到線上，概念是把光顧的客戶帶到一個屬於自己的社群平台，和客戶繼續維繫著關係。

而要做到一個社群，首先要從看待互聯網的思維上著手。究竟，是把互聯網當成銷售渠道，還是以一個全新的商業模式看，甚至把消費者，用家納入成創作團隊，參與創作，結果將會大不同。

以樂高 #Lego 為例子，她由 90年代 頻臨破產，到現在成為全球最賺錢的玩具公司，O2O 策略應記一功。她的電子商店，不止讓顧客在網上買 Lego，更是動員全球的樂高社群，在網上組裝屬於自己的樂高。而如果所組裝的樂高有其他人都買單，組裝的客戶還可以獲得分成。這是建立自己社群，從而讓生意轉型重新的一個好例子。

而這種思維的比對，更底層一點說，是工業時代與移動互聯網時的比對。衍生出在推廣方便，由以往的廣告模式到現在變得更社群導向，講求更精準的推廣。

而要更好的做到全網營銷，與及和所有的社群成員隨時互動，在各個屏幕上的曝光是必需的。

同時間，了解你的社群位置和客戶群的行為模式，將能更有效的進行業務推廣。

而透過大數據分析，從而更了解客戶群，讓產品與服務，及其價格將更能個性化。最終重點，不止在拿關係的第一次成交，而是第二、第三，直到第 N 次的成交。精準的資料和分析，最終是會增加成交比的。

重點，是提昇每一次的交易金額，和增加每一個客戶的成交次數。

而這個策略， M&M 已正在做，讓產品變得更個性化。 Tesco 也在做，現在賣酒不需等酒做好，酒未生產已熱銷超過 20萬支！

所以，電子商貿是一定能做得到的。做不到，問自己一個問題：「我做的是陳列室而已，還是一個實實在在的商店呢？」以下有四道問題，讓大家更清楚答案。

1. 有沒有引發立刻購買的意欲？ (例子：為優惠或銷售設立死線)
2. 是否有引發顧客立刻成為會員的意欲？ (例子：即時升級做會員，送你一份小禮物)
3. 能帶起顧客立刻引薦的意欲嗎？ (例子：分享有折，你朋友買了，有回扣)
4. 能挑起客戶加單的意欲嗎？ (例子：$500 送貨，$700 有折扣，等等... )

最後總結，就是現今玩電商要玩得出色，最重要是和客人打成一片。態度上重新出發、學習，由系統上的整合開始，把你的客戶變成你的粉絲社群，增加成交比和成交量！

自然能看得見商機，建得起業務了。

想隨時隨地更了解電子商貿的最新趨勢，下拉到最底追蹤我的 Google+， Facebook 和微博吧！

大數據分析 藏在資訊裡的錢

　

View image | gettyimages.com

猶太人經典，《塔木德》中有一句寫道，「即使是風，也要嗅一嗅它的味道，你就可以知道它的來歷。」

自古以來，資訊和情報，本身就能讓商人早一步掌握情況，從而做好準備去把握機會。只是，有這個資訊網的同時，如何以運用這些情報，理解這些情報，也是一個關鍵。

在一個人人都談大數據的年代，我們的「資訊」已經夠多了。但同時間，當中的「噪音」也有很多。所以，在這些海量的資訊（或稱之為數據）中找出有用的情報，本身也是個現今真正比拼的地方。

在互聯網世代，要突圍而出，要贏，本身就要綜合速度和準備功夫。

贏 = 速度 + 準備功夫

資訊速度本身的比拼，經千禧年科網股一役，就算有再大投資，相差的都只是以秒計，分別不會再有太大。再比的，就是準備功夫，數據分析了。

所以，在大數據年代，資訊掌握固然重要。而現在要比的，速度本身已是基本面，更重要是如何有效運用資訊，做好分析，把資訊以最快速度變成真正有用的情報。

數據重要，資訊也很重要，但最終情報才是目標和結果。

伸延閱讀：

• 數據開源 讓使用者更能專注於數據分析
• 分析師的工作 是用數據說故事
• 在 Poker hold’em 枱上的學習
• 大數據的意義 在於客觀統計和分析

大數據的意義 在於客觀統計和分析

#180405688 / gettyimages.com

繼之前一篇討論過「分析師的工作 是用數據說故事」，這次再勾起我寫有關 Big Data 的，又是一些新聞上看到的報導。

在繼續談所謂大數據前，先說其實我不太喜歡用「大數據」這個名字的。或許說，我不太喜歡IT業界喜歡為每一樣東西安新名字，讓自己看起來專業一點的做法。簡單來說，「大數據」就是說用客觀科學的方法去處理數據，並且做統計 (Statistic) ，進而得到一些有用的資訊為結論 (Insights)。和之前不同的，只是因為現在數據量比以前更真實，更大量，而運算的成本更相宜，所以可以分析出來的知識理論上比以前更多更好。

所以，理論上，只要有足夠和合適關於自己生意的數據，再作分析和處理，是可以更了解自已的顧客的喜好，從而獲得更多生意。但理論，又是否成真的呢？

只要每一步正確及專業的處理，這些理論是真的，而且也是可行的。當中，色情業就是一個很好的例子，詳情請參看《你可以在色情行業裡，挖到了什麼驚人的「秘密大數據」？》。而且 Facebook 、 Google和 Amazon 也大量應用這些數據，開發出一個又一個出色的產品，讓使用者越發離不開她們。而我公司的做電子商貿的客戶中，也有一個專營歐美 Cosplay 服裝市場的客戶，也是用這個辦法，累積了個萬個每個月都會返單的客戶。

所以問題就是，如何透過科學化統計和分析，產生有用的知識，從而達到自己的目的。而一切，都是從科學化看待數據開始。

數據分析一個最重要的目的，就是了解事情發生的前因後果。所以，最終的分析，要達到變成一個故事，才算是完整。這裡，我們再看一個反面例子。這篇文章刊在 Unwire.pro 中，名為：「大數據分析成本只需120元？10分鐘即學懂BIG DATA！」

先不理標題，看看其中提及的一個案例：

「有些人以為英文科要考得好，需要背誦很多英文生字，但其實根本不是。你可以試著去問任何一個坊間的補習天王，看他們誰可以答到你，哪一個英文生字出現最多？Be 的哪一個形態出現得最多？是過去式還是現在式？他們答不到，但我答得到！原來只要掌握好日常字庫的出現形態，比背誦大量生字更實際。這都是 Big Data 分析的力量。」黃俊彦說。

這又是一個對數據分析的誤解，知道「那一個英文生字出現最多」，如何能得出結論是「原來只要掌握好日常字庫的出現形態，比背誦大量生字更實際」？「那一個英文生字出現最多」最多只能得出結論是「日常字庫出現得最多」，但為何更實際呢？假設更實際是指能考到更好的成績，一定要說得出個故事是為何掌握出現最多的生字，就能得到一個更好的成績，才能說是一個分析的結果。

舉例來說，「A」和「a」字，以及連接詞一定是其中出現得最多的字眼，但考過英文考試都知，知道這些字，是不能對你閱讀和寫作帶來任何有意義的優勢。更何況，題號也有「A」和「a」字呢！

看到這裡，先別被我嚇怕。其實只要抱持著客觀科學的心態對待數字，將數字進行統計，分析，而最終把結論能以故事形式說出來就是了。

就以上文中另一個案例做例子，問題是：「清楚僱主想找哪些技術專才，哪種技術之間的配合最受僱主歡迎，然後按此來編排教學計劃。」

不同於文章的方法，我會先用 Google Trend 把各種的語式語言和方法進行比較。不使用文中搜尋職位需求的原因有二：

(一) 僱主是比較貪心的，寫要求時把在工作上用的可能性極低的技能都會寫到要求上

(二) 僱主請人多是當下想要的，但全球現在主要流行的編程趨勢，通常要在兩三年後才成為香港僱主想要的，正好教學就是要這兩三年的時間，用 Search Trend 來做比對會比用現有職位需求更合適。

而從這個簡單的分析來說，我可以得到的結論是Java還是必學的語言，但可以的話也要盡快加入HTML5的教程，以及讓學生更了解 Responsive Web Design 的框架，因為後兩者的趨勢都是向上，證明全球對這兩方面的人材需求持續向好。

當然，這是個簡單的分析，但都是用了海量的數據。不信？可以看看Google一天有多少個search queries 再說吧！

想了解多點有關數據分析，我建議去看以下兩本書，
1. 《The Moneyball》
2. 《The signal and the noise》
這兩本書，會讓你更了解「大數據」，而且會讓你至少說起來比較專業。那些說甚麼120元成本，10分鐘學會大數據的文章，我真的只能當笑話看過算了。

希望這篇文章，能更好的讓大家了解數據分析是甚麼一回事。

在 Poker hold’em 枱上的學習

事先聲明，這篇貼文不是要鼓吹賭博，我自己也沒有花現錢在賭枱上。我只是用虛擬現錢在網路上玩上兩手，順道實踐用 Probability 看待不確定性而已。

好了，話說我開始玩撲克，源於想模擬實踐《The Signal and The Noise》一書中提及的 Probablistic Thinking。這種思考模式，就算當初的觀念和事實是絕對相反，但在客觀認證所出現的事件後，最終都能認清事實。而上網玩 Zynga 出的 Poker hold’em ，是我暫時見到其中一個最有效緞練這種思维的方法。原因如下：

1、遊戲本身對訓練這種思維的適合性

規則大家可以按此觀察，最重要是過程中透過已知的觀念（你手上的牌，枱面上的牌），一件件出現的事件（其他玩家推出來的賭注），和一些未到終局都未知的事實（其他玩家手上的牌），緞練我的 Probablistic Thinking，從而做出我的決定。而一個個遊戲結束時，我就能知道我做的那個決定的質素，從而進行檢討和優化。

2、進度明快

其實要做到這個訓練，還可以在股票市場等地方練習。但比起股票市場每局數以日計方能得知每個決定的結果，牌局每一局只是十分鐘的事，好快我就知每一個決定的結果了，從而加快學習進度。

3、運用虛擬貨幣，減低學習成本

用真錢玩，學習的成本會大幅上漲。

4、全球網絡的牌友

對社交型遊戲有認識的朋友，一定懂得Zynga。在遊戲中，我能和全球的真人一起玩撲克，應對不同文化的人，讓我可以在決策上取長補短。

5、跨平台學習

讓我能夠隨時隨地，都可以利用我的零碎時間，透過手機 (Android / iPhone)、平板 (iPad) 和桌機進行學習

與此同時，我正在看 Dr. Peter Steve 寫的 《The Chimp Paradox》書中指出，人的思想是由腦的兩個部份共同控制，一是「獸性」（Chimp，黑猩猩，或可意譯為「感性」），另一是「人性」（Human，即是「理性」）。「獸性」包括猜疑、好勝、要面子、慾念等，是我們不快樂和不安之源。普通人都會明白這道理，問題是「獸性」的反應較「人性」快幾倍，力量也強大得多，「獸性」若被喚醒，會減少血液輸往腦部掌管「人性」部份的流量，減低「人性」思維功能。我們也不能憑意志力壓抑「獸性」，只能學習管理和約束「它」。

而在玩撲克的過程中，另一個收獲是我切實經驗了上述所提及的這一切。通常，最容易讓我輸大錢的，不是手上的牌面差的時候。反之，是手上的牌面不錯的時候，才最易輸掉一切。而事後分析，都是我的獸性寄劫了我的思考和決策。這個過程，讓我更了解自己的限制，和用方法去和這個限制共存。

而總結整個學習過程，到目前為止，我學到了以下東西。

1、問題賭徒的人是知道自己的問題，但由於沒有方法去控制自己的獸性，如貪婪、好勝的慾念，所以一次又一次的重覆犯錯。所以，最後能從牌局帶錢走多過賠錢走的，都是能用方法讓人性克服自己的獸性的人。

2、讓我用另一個角度，明白了了金融市場的運作。跟據《The signal and the noise》一書中述，股票的短線走勢，比牌局是更難預測的。因為牌局只是52張牌組成的各種可能性，但都已經超越了人腦所能運算的。股票短線的升跌，組成的因素，當中的真假，組合成的結局，都復雜得連經濟學家都弄不清。但長線大體來說，都是可預測的。牌局，是個零和扣去賭場回扣的遊戲；股市，是大概等於通脹扣去交易和管理費的遊戲。要獲利，大家都要學懂止賺止蝕，也要有方法去讓人性克服獸性。

3、現在香港都濫用了「理性」這個詞語。當我認識和實踐各種理性思考的操作時，你會發現現在很易聽到的說辭，其實真實代表的都不是那回事，例如：

• 沉默的大多數都是理性的 - 真實是沉默的大多數都是不管事的
• 理性無用，所以要怎樣怎樣的，之後還批判「理性」的大多數 - 聽到這些更該警惕，說的人及後的行為很多時都只是打算用獸性取代人性去做事而已，而被批判的根本只是不管事的人

4、管理不確定性，用或然率會比較好。因為，這首先代表認清和承認自己不是全知全能的。在這樣的背景下，才能更好的讓自己放下情緒，利用理性去做決策，從而提高預測和決策的質量。

5、真正反映真實的，絕不是一些大家容易記得的口號。口號，只是比較容易傳遞和吸收訊息的方法。以下例子，會讓大家更明白我在說啥甚麼的：

• 沒有投資者能做得比股市平均價好。
• 沒有投資者能長時間做得比股市平均價好。
• 在承受同一風險下，沒有投資者能長時間做得比股市平均價好。
• 在承受同一風險下，沒有投資者能在扣除交易成本下長時間做得比股市平均價好。
• 在承受同一風險下，沒有投資者能在扣除交易成本下長時間做得比股市平均價好，除非他有內幕消息。
• 在承受同一風險下，少數投資者能在扣除交易成本下長時間做得比股市平均價好，除非他有內幕消息。
• 很難說有多少投資者能長線在股市上的表現做得比均價好，但我們知道在承受同一水平風險下，因交易本身並沒有任何額外的生產，還要扣除交易成本，所以除非有內幕消息，否則最好的投資還是買指數基金。

最能說明狀況的，是最後一句聲明；但最能入腦的，則是第一句聲明。只是，對初階投資者來說，第一句已經是足夠好的聲明而已。

勤有功，戲其實也可以有益的。因為人在遊戲中體驗過後，往往都能吸引和學到更多。

分析師的工作 是用數據說故事

很久沒這麼有靈感，可以在短時間寫那麼多文章。有一些是之前有想法記下草稿要寫的，有的就好像這篇文章般，看了一個話題幾篇文章而有感而發的。最先吸引我眼球的，就是在新聞上看到一篇文章 《IT人才荒 高層年薪達150萬》。這篇文章用的圖片，是一個在數據中心工作的工作人員。而最吸引我眼球的，就是 IT 人才荒我一早知，但用150萬港元請的高層，以我理解在香港的公司，不是帶生意來的人是不會有這個年薪的。要知道，IT人的薪酬高低，絕對會影響我的業務的議價能力及成本控制。

看過內文後，其中以下的一段文字，印證我的看法是沒錯的。

中原人力資源顧問有限公司董事總經理周綺萍指出，企業愈來愈重視CTO及CIO的職位，因為近年經濟尚未明朗，擅於分析市場數據的CTO、CIO，有助公司制定政策，加上社交平台、手機應用程式近年愈來愈盛行，公司為了搶攻市場，亟需借助相關人才，以研究有關數據。

這類人材，根本就不是純粹的 IT 人了。首先，忘記了甚麼 CTO 或 CIO 的名詞吧！要知道，很多掛著財務顧問的職位，說穿了都是銷售員，牌頭一早只是一個名字而已。這個人的工作，就像上圖左手邊的人一樣，拿著數據向右手邊的人說故事。

也讓我說說故事，隨著科技的進步，我們現在進入了這個大數據年代。人類這十多年間，數據資料的積累量，已佔了人類文明所產生的資料量達到 90% 了。這解決了以往一個問題，就是數據量不足以做成了預測上的誤差。只是，這龐大的資料量，也造就另一個問題，就是這些數據太「嘈吵」了。所以，這急需有人能從這些數據中找到甚麼東西是真正的知識，以及把這些知識演換成故事，讓其他人能理解的人。以下這段影片，很好地說明這是究竟是甚麼工作了。

這是一個全新的工作，十分有意義的工作。這些人做得出色的，出名的我當下想到兩個：

1. Nate Sliver - 成功預測美國多次選舉結果，也是著名追蹤和預測棒球比賽系統 PECOTA 的創辦人，著作有《The Signal and The Noise》（中文譯左《精準預測》），並曾受邀在 Google 總部演講有關大數據和分析處理數據等題目。
2. Billy Beane - 熱賣著作《Moneyball》中的主角，首位因把數據分析帶進棒球界的 General Manager，成功帶領 MLB 第二低的球費的 Oakland Athletics 在千禧年後多次成為西岸冠軍。而他的經營理念更給 Fenway Sports Group 模彷，帶到另一隊 MLB 棒球隊 波士頓紅襪隊，英超足球隊 Liverpool FC 中。

而沒那麼出名，甚至是沒那麼出色的，現在很多都在為人類做各種預測，上至在聯儲局預測經濟，至預測天氣，研究地震等等。而且在 Google 、Amazon、Apple工作的有一大堆，可以說，均是全球都受歡迎的人材。

過往，這類工作，光是資料搜集和製圖表，已經是一門生意來了。而有用過的朋友都會知道，這些市場調查服務本身都所費不菲。幸好，現在數據隨處都是，但要好這工作，都先要有計劃的，協調程式員編程去收集這些資訊，再要有做統計的找出知識，最後再將這些知識變成故事，策動其他人執行變成機構的業績。所以，能做這些 CTO / CIO 的人材，說實在全球難求。如果，150萬港元的年薪能找到一個，借錢我都會請，最不濟轉租其能力給外國的企業，都肯定是有殺冇賠的生意來。

換言之，如果閣下本身對數字 (尤其是統計學) 不感冒，又喜歡市場學，懂得一點點怎去編寫程式，甚至是喜歡銷售的話，其實這代表著一個機會。

這是一個資訊爆炸的年代，我們有很多的訊息，也有很多的噪音，就是欠了一些人，告訴我們這是怎麼的一回事。

申延閱讀：

• Data Stories - Think Insights - Google
• Tell a Meaningful Story With Data - Think Insights - Google

數據開源 讓使用者更能專注於數據分析

近日隨著大數據的話題，在 IT 業界越來越盛行，而且越來越多人都可能會趁勢炒概念。而我之前都透過以下兩篇閱讀相關書籍的撰文，談過大數據以及統計分析應用的一些話題。

• 從大數據到精準預測
• 以數字作為工具 檢討過去的一年

而現在所說的開放數據，簡單來說，就是把公營機構的數據變得能讓機械讀取和進行計算。這樣，就能方便的用電腦製作易看易懂的 Infographic，從而引發更多討論，和對物事有更深入的認識，並讓人類能更有效去管理社會。

而除此以外，其實商業和個人也可以將公營機構的數據，結合自己的數據、業務或興趣，整理和自行分析，去解答例如旅行人數和奶粉銷量比對等等...

也許讓我再舉一個更具體的例子給大家了解吧！以運動數據為例子，運動數據在開放數據這路上，可算是先鋒了。其中如 OPTA 這類有大型專業運動數據的公司，都會把其 API 開放給個人使用，和賣給商務使用的。他們會提供接口，讓使用者能自行編程實時運用其數據進行分析。而這個模式，讓球隊、球探、領隊，甚至是博彩業，都能專注進行其分析，好做好他們的業務。

而其中我覺得蠻有趣的例子，就是像 Squawka 一樣，把在 OPTA 的數據，轉換成易讀的圖表，並圍繞著這些建立一個談論和分析足球的社交網絡。如沒有 OPTA 的開放數據，相信這類平台的誕生會變得不可能了。

所以，數據開源的運動，除了透過共享製造協同效應外，也能衍生出不同的商業模式之創新，帶來不同的機遇。

申延閱讀：MaD 2014 - Mart VAN DE VEN 開放數據增加政府透明度的願景 (共兩部份)