新版前言 遍地黃金，未來的十年將是“數據化”的十年

2014年1月，當谷歌宣布以32億美元收購Nest Labs時，所有人都覺得拉里·佩奇（Larry Page）瘋了，因為谷歌竟然收購了一家恒溫器和煙感器的設備生產商。事實上，Nest Labs在谷歌的平臺之上，很可能會創造出一個價值數十億美元的市場。這一判斷建立在“家居數據平臺”的基礎之上，隨著使用該公司產品的家庭越來越多，家庭消費習慣的數據將對于供電、家電等行業提供極富價值的指引。

一個小小的溫度調節器生產商，通過智能化，居然產生了32億美元的市場估值，這是令所有人都驚訝的事實。這意味著新一輪高增長的開端，而這同樣也是未來大數據“遍地黃金”的最佳例證。

很多人說，大數據擁有無限前景以及錢景。但是大數據的價值到底在哪里？為什么很多人提到大數據，都覺得那是在“講故事”、“離我們還很遠”？事實上，數據離我們并不遙遠，過去的數十年，很多行業都走向了“信息化”。而未來的十年將是“數據化”的十年，“遍地黃金”指的則是未來無所不在的數據化可能。

“遍地黃金”在哪兒

什么是產品數據化？它指的是以產品為立足點，尋找在產品元素或者生產流程中產生數據、運用數據的機會，以使數據在產品中體現。

比如，大眾點評APP可以通過收集用戶點餐數據，了解其用餐喜好、用餐時間和常去的餐廳，進而將數據代入用戶推薦系統之中，讓訂餐更為精準、有效、快速。南方電網通過運營數據，讓電網更加省電；物流業通過運營數據，讓物流變得更高效、更便宜；如果百貨商場了解了商場會員的興趣愛好、逛街時間以及從哪兒來和到哪兒去，就可以從中尋找到巨大商機。巴西足球比賽也是如此。當德國隊將每一位球員的狀態數據化之后，教練從中便獲得了更多信息，這有助于幫助他判斷球員的上下場時間以及相應的戰術決策。

數十年來，我們逐漸完成了產業的“信息化”和“自動化”，但鮮有嘗試過用數據方式來清晰地勾勒產品、生產流程、用戶和使用場景的“面貌”。

正如馬云所說，未來的機會在于DT（Data Technology），但DT實現的前提是，企業擁有數據，并且已經完成了信息化。可見，數據科學是信息科學的延伸?，F在，數據技術的時代剛剛開始，產品數據化將是其中最為關鍵的特征之一。

這是一個“遍地黃金”的時代。任何一種產品或服務都潛藏著巨大的“數據化”潛力。隨著“數據化”進程的加快，傳統產業（包括互聯網）將迎來第二春，其會在原有的生產基礎上，產生更高的附加值。同時，這對企業也提出了更高的要求——企業需要加強對數據的重視，更加注重數據的收集和整理工作。

但為何“遍地黃金”并非看上去那般觸手可得？簡而言之就是，為什么數據價值無法落地？為什么眼下大量企業的數據案例仍難以凸顯價值？

其中很重要的一點是，產品經理不懂數據。很多產品經理還停留在以前做產品的階段，他們靠感覺來做產品，不知道如何用數據來改善產品，更沒有意識到數據已經成了做產品的核心原材料。

過去，我們使用數據的方法很簡單，很少為了解決問題而提煉數據。那么，現在為什么我要強調對數據的提煉？因為如果我們想要讓數據產生價值，讓科學的數據分析框架去解決用戶的實際問題，就需要將相互關聯的數據嵌入產品或生產流程中，在數據提煉的“最后一公里”，讓數據在產品中“說話”。

如何讓數據“說話”

過去，我們最擅長的方法是根據歷史數據總結規律，然后再采取行動。比如我們會統計過去一個月周五下午六點的出租車小費數額（根據租車APP），計算出小費的平均數，然后為用戶提出“支付小費5元”的建議。當時，我們所使用的數據大多是從單一角度出發的靜態數據。

而現在，我們更希望得到從全景出發的動態關聯數據。比如我們可以獲取不同街道的堵塞程度，從而計算司機對小費的敏感度；我們可以綜合附近的天氣情況、演唱會散場的時間等數據來預測某個時段、某個地段可能成交的打車小費金額。這種算法就是利用了更全景的大數據，通過更多的環境動態數據，而非歷史統計數據來提供服務。

未來，產品經理需要懂得如何用數據來使產品增值。這其中有三個關鍵因素：產品化、數據化和商業眼光。眼下很多產品經理更多關注的是產品化，以致忽略了數據化和商業眼光。

那么如何用數據來使產品增值？答案就是讓數據前置。

假定我需要為女兒選擇一所學校，如果要等三個月后考試成績出來才知道學校不靠譜，會不會為時已晚？如果我能根據數據計算來衡量這所學校，就是所謂的數據前置。很多數據價值的關鍵就是數據前置，即讓更多數據嵌入產品之中，從而產生價值。

另一個更容易理解的案例是谷歌無人駕駛汽車。谷歌無人駕駛汽車就是用數據分析框架來實現服務的。這一服務的前提是數據的質量、穩定性和計算速度都已經足夠完善，使得“數據指引行動”進入完全自動的情境。工程師用上千個模型來支撐這一數據分析框架，以保證無人駕駛汽車在行駛中不會出現意外。

反觀眼下，很多公司還停留在用統計數據做決策參考的水平上，而如果我們將更具關聯性的數據分析框架應用于公司業務中，那么就會發現一個全新價值。

所以，我們必須讓數據進入某個特定的場景中，而且可以被使用。如果我們能夠想象并重建人們行為發生的情境，所觀察到的行為數據才是有意義的。也許你會問，我們一直在說“將數據嵌入業務”中，那么在實際操作層面，我們應該如何將之嵌入？

數據化思維：最關鍵的五個問題

我的工作團隊所遭遇的困惑是，產品團隊、數據團隊和運營團隊交給我的方案總是如一盤散沙，難以統一起來為我所用。問題其實很簡單，那就是產品團隊中很少有人有數據概念，數據團隊也很少有人有產品理念，而運營團隊也同樣不習慣用數據做決策。但難題在于，如果沒有辦法將這三個團隊連接在一起，數據價值就無從說起。

產品數據化看似簡單，但這背后實際上需要產品經理改變思維模式，即要懂得用數據改進產品，懂得通過數據運營的方式來決定產品創新或者生產形態創新。

搭建“數據產品”的過程，其實就是產品數據化、運營數據化的過程。這個過程讓我們發現“有用的關聯數據在哪里”，懂得如何把數據應用于生產環節之中，進而改善流程，提高效率。

在運營數據的過程中，產品經理需要學會用數據思維去塑造產品，學會找到產品數據化的突破點和機會點。從現在開始，所有行業的產品經理都需要問自己以下五個關鍵問題：

眼下你遇到的是什么問題？（你改變了誰的體驗？）

這是誰的問題？（以誰為中心來設計產品？）

你是否能解決這個問題？（你的核心競爭力能解決這個問題嗎？你能理解客戶的需求嗎？）

這個問題現在就得解決嗎？（時機比性能更重要。）

如果現在就得解決，那么可以支撐的數據在哪里？（數據是否是解決這個問題的核心？）

在問完以上這五個問題之后，產品經理就可以迅速找到問題所在。下一步其需要思考的就是，怎么解決問題？在這個環節中，產品經理可以詢問自己以下幾個問題：

用戶目前的困難是什么？

已有的數據可以用于解決這個困難嗎？

假如所有數據都可以被獲取，那么你需要哪些方面的數據？

獲得數據的成本和風險是什么？

你的數據解決方案是什么？

如果方案可行，你如何去獲取這些數據以及如何積累這些數據？

很多產品經理在面對需求變更時，往往會表現得毫無頭緒，而這兩組問題可以很好地幫助其解決眼前的問題。在這兩組問題中，前者解決了“我們該干什么”的問題，而后者解決了“我們怎么干”的問題。

這就是產品經理如何“用數據”的思維模式。未來，所有產品經理都需要懂得數據化，因為未來的所有產品都必將數據化。

盡管這些問題有助于梳理思路，但是要想實現產品團隊、運營團隊和數據團隊之間的思維連接依舊存在一定的難度。

我通常的解決方案是，詢問團隊成員在特定生產流程中（有時同時也是一個決策流程），每天需要做多少決策？哪些決策點是可以用數據替代的？通過梳理決策點來尋找“數據嵌入”的靈感，是一個非常有效的方法。

未來，傳統企業應該打造出更積極的數據團隊，并使之活躍于業務部門之中，讓研究數據的工作人員發現每一個產品中“用數據”的機會。這就是一個讓企業從“看數據”迅速轉變為“用數據”的關鍵方法，這樣公司很快就能轉變為一家數據化公司，從而具備生產數據產品的能力基礎。

為什么你還看不到“遍地黃金”？那是因為你還沒有看到數據創造商業的力量。當你的變速器還在一擋的時候，很難能看到加速到三擋的風景。

萬物皆數據。