1702627566
现在这2万名顾客3个月的销售额是
1702627567
1702627568
2 300日元/人×1 500人+1 800日元/人×18 500人=3 675万日元
1702627569
1702627570
换算为年销售额就是上述结果的4倍，即1. 47亿日元。
1702627571
1702627572
那么，假设向这2万人全部投放DM的话会怎样呢？
1702627573
1702627574
2 300日元/人×2万人=4 600万日元
1702627575
1702627576
减去向18 500人投放DM的费用（每份100日元）之后，还剩下4 415万日元，年销售额就是每年1. 766亿日元。也就是说，仅仅通过积极发送DM这一做法，在减掉追加投放DM所需的成本后，也能够使销售额提高1.2倍。
1702627577
1702627578
如果将这一做法扩大到登记信息的所有会员，又会怎样呢。假设会员的销售额占总销售额的10%，那么通过向全体会员发送DM的做法使销售额提到1.2倍，则公司整体的销售额会增加约2%。因为是总销售额1 000亿日元的2%，也就相当于增加了20亿日元的年销售额。
1702627579
1702627580
实际上，我向这家公司提供的分析报告，并不是单纯的“增加DM投放就会增加销售额”这样的建议，而是更进一步的“投放DM能够增加销售额的顾客和不能增加销售额的顾客之间的区别”，或者“能够增加销售额的DM与不能增加销售额的DM之间的区别”，以及对区别进行判断的方法。
1702627581
1702627582
根据判断方法对DM的发送对象进行划分，这样在几乎没有增加DM发送数量的前提下总销售额却提高了约6%，换成之前的说法就是相当于“赚取60亿日元的秘籍”。
1702627583
1702627584
在此之前，该企业已经知道发送DM能够增加销量，并且了解“对DM有良好反应的顾客特征”，可以说这一切都是建立在这个基础之上的结果。
1702627585
1702627586
所以通过使用实际的数据进行全面的比较，可以将“得到的结果”与具体的利益联系起来，并且能够明确地显示出“现在最应该采取什么行动”这样一个战略性的目标。
1702627587
1702627588
这实际上并不能完全说是统计学的力量。当然，像这样为了对主要因素进行比较而进行的收集统计（统计学术语叫作交叉表统计），也是统计学上非常重要的工具，但仅仅做到这些是远远不够的。
1702627589
1702627590
那么，究竟应该怎么做才能够更加准确地表示出“区别”呢？
1702627591
1702627593
11 真的增加了一亿销售额，还是只是误差？
1702627594
1702627595
1702627596
1702627597
不考虑“误差”的计算都不准确
1702627598
1702627599
在上一节内容中，我们通过单纯的交叉表统计证明了有可能增加销售额的主要因素，并且对可能增加的额度进行了计算，但这些都是不准确的。
1702627600
1702627601
为什么这样说呢？因为这些计算全都没有考虑“误差”因素。
1702627602
1702627603
可以说费希尔时代与之前的统计学之间最大的区别，就在于是否考虑误差。数据究竟有多大的误差，这个误差对真正的结果有多大影响，考虑误差对于结果是否有意义，费希尔最大的贡献就是证明了上述这些问题。
1702627604
1702627605
在上文提到的事例中，“投放DM的群体与未投放DM的群体之间销售额的区别”就是我们真正关心的值。单纯的推测销售额是500日元，但实际上这500日元是包含误差的值。如果今后继续追加数据进行同样的分析，那么这个数值可能是300日元，也可能是1 000日元，甚至有时候可能未投放DM的群体的销售额反而更高。
1702627606
1702627607
最坏的情况是，投放DM的群体与未投放DM的群体之间的销售额几乎没有区别，而得出投放DM的群体平均销售额更高的数据只是误差导致的结果。或者虽然有区别，但是差额甚至不足以弥补投放DM所需的成本。如果在这样的情况下，做出“积极投放DM”的战略决定，那么投放DM所花费的资金就全打水漂儿了。
1702627608
1702627609
A/B测试只是小孩子的把戏
1702627610
1702627611
实际上，除了在上文中提到过的毫无意义的单纯统计之外，像这样不考虑误差的交叉表统计所导致的不准确结果，也经常出现在商业领域。
1702627612
1702627613
以前有一家聘请我做他们统计学讲师的电子商务企业，就非常热衷于进行“A/B测试”。比如，双击改变广告条的大小、改变页面之间的跳转画面、改变页面文字和字体等，对设计细节和功能方面进行变更的时候，总是会进行“哪一种设计看上去更好”的讨论和分析。
1702627614
1702627615
所谓“A/B测试”，是指在对设计或者功能进行更改时，同时提出A方案和B方案进行比较的一种方法。最近在硅谷，为A/B测试提供工具和服务，似乎成了最热门的项目，Adobe公司也斥巨资收购了在这一领域占主导地位的Omniture公司，另外谷歌公司出身并且出任奥巴马总统竞选参谋的丹·西罗克所成立的Optimizely公司，也在这一领域大放异彩，博得世人瞩目。
[
上一页 ]
[ :1.702627566e+09 ]
[
下一页 ]