1950年，一塊麵包比起現在便宜非常多，但是我們並不認為當時的麵包價值相對較低。
相反，我們考慮價格波動，認識到消費者行為，通貨膨脹，新技術效率和其他因素的影響已經影響了我們的三明治麵包的價格。我們知道這一點，因為經濟學家定期更新和修改他們的預測，主要是重新校準用於衡量商品和服務的美元價值的基線。
在移動位置數據業務方面，如果我們有幾位經濟學家，我們可能會更好。他們肯定會理解並認識到每隔一段時間就需要退後一步，並修改我們用來衡量消費者步行交通真實價值的基線。在沒有經濟學家的情況下，行銷人員應該要求他們的數據供應商進行此類評估和調整，以確保他們根據有效數據做出決策。
重新校準的行為，在我們向前推進之前休息以評估我們的位置，這是一個經常被忽視的關鍵步驟。顯然，價格波動和位置數據非常不同。然而，這種類比有助於闡明修改數據基線的重要性，以確保我們用於製定以數據為中心的業務決策的數量是有效的，並考慮到諸如人為增長和歷史模式變化等因素。
移動位置數據海嘯正在增長
為什麼？我們正處於大規模的移動數據海嘯中。更多的設備，更便宜的數據計劃，更強大的設備功能以及數據量大的網站和應用程序的衝擊意味著我們與移動設備的互動所產生的信息量呈指數級增長。
根據易利信2017年11月的一份報告。電信公司預計到2023年底北美的移動數據流量數字將飆升至48GB。
隨著移動流量的不斷增加，流量使用模式也在不斷變化。然而，儘管存在大量額外數據和不斷變化的模式，大多數位置數據公司都無法退後一步，評估它們的位置以及用於分析數據的模型是否仍然相關。
數據生成的這些增加以及隨之而來的豐富的模式變化可能對用於分析消費者步行量的模型產生巨大影響，從而定期重新校準數據模型勢在必行。進行這種評估和調整應該是常見做法，以確保我們用來建立模型的位置數據來衡量店內和餐廳位置的人流量反映了今天的現實情況。
對於使用位置數據來衡量商業地點的消費者流量歷史變化的營銷人員，諮詢顧問甚至對沖基金經理而言，這一點尤為重要。
假設Under Armour希望評估與其合作銷售其裝備的零售商的健康狀況。該公司可能會將過去六個月訪問迪克體育用品的位置數據與顯示消費者訪問Foot Locker位置的信息進行比較。然而，如果Under Armour的位置數據提供商使用過時的模型，那麼該品牌可能會根據誤導性信息做出關鍵業務決策。
防止錯誤的歷史比較
原因如下：用於衡量Foot Locker或Dick等零售商的客流量的大量位置數據是通過移動應用程序收集的。但是，我們必須考慮幾個變量。一方面，雖然相同數量的人可能會經常光顧這些地點，但今天他們中可能擁有智能手機的比例比過去高。
但那不是全部。隨著設備使用量的增長，越來越多的位置數據反映了消費者的流量，但我們並不總是知道數據提供商的系統如何變化。
他們是否攝取了更多的數據，僅僅是因為與六個月前相同數量的應用代表了相同數量的設備，或者是否有更多數據，因為他們已經與更多應用提供商合作？
如果合作夥伴已將應用添加到他們自己的應用發布商合作夥伴中，那麼實際上，這些數字可能會反映人為增長，這似乎可能會增加消費者訪問量。
重新校準過程還確保用於構建模型的數據反映了不斷發展的應用使用模式。隨著應用發布商更改功能或引入新應用，隨著較舊的應用程序不再受歡迎，並且隨著越來越多的用戶採用播客應用等應用類別，使用模式格局變形。你還記得你上次玩Angry Birds 或Candy Crush 是什麼時候嗎？
全國各地的使用模式也有很大差異。 例如，雖然東海岸的人們 – 春季天氣可能在一天中波動 – 可能會在24小時內多次打開他們的天氣應用程序，南加利福尼亞人期待太陽可能不會在一周內打開他們的天氣應用程序。 當然，這並不意味著加利福尼亞人不會訪問商店。 與交通應用的互動也因地區而異。 流量累贅的洛杉磯的用戶模式與阿拉巴馬州奧本人的模式有很大不同。
通過重新校準基線來考慮應用程序使用模式的變化，我們可以更好地處理用於定位和廣告歸屬報告的消費者流量數據，從而確保它們反映現實生活中發生的情況。 定期的中期修正可能永遠不會成為位置數據行業的標準，但我猜想一些經濟學家會同意他們應該這樣做。
Select By AccuHit AI
