越來越多的企業做大數據分析，第一步當然是大量收集數據。客戶時常會問，到底哪些的數據有用？是否大包圍，採集所有數據就是最完美？其實，數據多不一定是好，錯誤或者不適用的數據會影響分析結果，導致報告出現誤差，亦增加數據分析的成本。所以在做分析之前，我們要先篩選數據。以下就列出４大數據，你應該刪走這些妨礙你的資料。

 

數據過時

有企業保留大量顧客數據，有些客戶資料可能是多年前留下。但事隔多年，一些通訊資料可能已經過時，例如地址、電話、Email已經不再有效，繼續保留這些數據會影響行銷的成效。

所以有企業委託我們做手機APP時，一般會建議在APP中保留渠道，讓用戶可以在手機上主動更新一些的個人資料。而在眾多的通訊資料，企業需要優先選擇哪些是最重要的。現時Email的打開率低得可憐，SMS短訊宣傳亦沒落，這些資料亦不長久，很多時他們只是作身份驗證的用途。

那麼哪一些的通訊資料，最恆久，客戶最常用？答案當然是社交媒體帳號。一些保留太久的電話、電郵，需要檢查是否仍然生效、有用，否則就應該刪除。

 

數據的異常值

異常值是數據分析中的專業術語，能導致錯誤的分析結果。

簡單來說，異常值就是異常地偏離整體數據的值。例如，某一類的產品平均消費是１００元，但有幾個客戶在此產品消費了過５位數字。或者，輸入了１９００年出世，出現了年齡２００歲的客戶等等。異常值出現是十分常見，主要是因為人手輸入錯誤所做成。

 

不完整的數據

資料收集不完整，導致關鍵數據缺失，失去分析價值。例如，你想分析某優惠券的兌換情況，有齊了兌換時間、數量，卻沒有用戶的年齡組別。

還有就是資料量過小。資料量太少無法反映真實情況，沒有分析價值。例如，有餐廳在ＡＰＰ上設置意見收集，向用戶收集用餐體驗和評分。通常此部分非強制性，收集到的數據量太少，沒有分析價值。太偏頗的數據亦影響準確度，例如，想分析整體所有分店的用餐情況，某些地區收集到的意見樣本卻過少。

 

邏輯錯誤

還有就是邏輯上的矛盾。例如，交易訊息和登記人資料對不上。例如是登記人留的電話、地址，和實際交易時運送的地址，聯絡的電話不同。當然有可能是客戶使用了另一個通訊資料做收貨，但都有可能是數據上的誤差。

或者，客戶輸入的年齡組別是１８－２４歲，但身份證字母是Ｄ（年輕一輩的字母不可能是Ｄ）。類似這類型的邏輯，處理上較為複雜，需要熟悉業務的人，設想不同的情景，再判斷數據是否有用。

以上，就是４大企業應該刪除或者重新審視的數據。有部分的漏洞，其實可以在收集數據的部分預事堵塞。先達智能有多年處理客戶數據的經驗，不妨找我們商量一下。

 

對零售科技趨勢有興趣的讀者，記得Follow我們的專頁，我們會繼續將最新資訊推送給大家。Chinetek CRM & Big Data