大數據時代，數據應用已經十分普及，大數據的應用場景也十分廣泛，從企業經營管理、到商家營銷與流量分發，To B、To C產品中都可以看到數據應用的痕跡。本篇文章里，作者就對數據核心應用場景做了較為詳細的介紹，感興趣的話就一起看下去吧。

[[398591]]

五一回家，有非數據專業的朋友問，你一直搞大數據，大數據除了“殺熟”，還有什么應用場景啊，能不能科普下？

的確網絡上、新聞上看到了很多的“殺熟”的負面報道，但大數據還能干點啥、有什么價值、數據人每天在忙啥，對于非數據線的人可能確實不了解，畢竟隔行如隔山。

所以，近期也在思考，如何能把大數據的應用場景說清楚，不為正名，只為把自己數年的大數據從業的初心再捋一捋，也給想要選擇數據行業的提供一些參考建議。

第一次和數據接觸，是13年運營第一個微信公眾號的時候，每天看著后臺的閱讀量、轉發量、新增用戶數、累計用戶數等指標，通過數據觀察分析哪些內容更容易引起用戶共鳴促進轉發，什么類型的用戶會關注，什么時段群發閱讀量更高。也因此結緣，畢業找工作時選擇了數據產品經理，但那個時候比較懵懂，還沒真正了解什么是大數據。

結合自身的數據從業經驗，總結下來大數據的核心價值在于應用。也有把數據比作“原油”，只有經過加工處理成為“汽油”、“柴油”、“機油”，被投入使用后，才會真正發揮價值。

數據核心應用場景主要有面向企業內部（ToB）的決策分析支撐和面向C端用戶的智能應用。

一、ToB：決策分析支撐

解決數據“是什么”、“怎么樣”、“為什么”、“怎么做”的問題，從拍腦袋的定性決策，到定量的數據化管理。

1. 經營管理

為管理層提供完整的、能夠快速反映業務經營健康度的管理指標，為管理決策提供數據支持。

舉個例子。

門票業務CEO每天早上都要打開電腦或手機看經營日報，某日發現業務總營收指標同比降低了20%，其中華東地區下降35%，其他大多數地區都是增長的。找到華東大區負責人，去跟進處理。

華東大區負責人再拆分到省份、城市、景點、門票資源，最終定位是迪士尼的門票效率大幅下滑，原因是競對某團開展了大力度的優惠活動，于是責令景區商務快速跟進。

2. 運營優化

提供產品迭代、流量渠道策略優化、活動效果分析等產品運營所需的數據分析能力，數據化運營。

1）產品迭代

產品功能改版前需要進行數據分析，查看舊版本的用戶使用習慣，以及哪些功能實際上很少人使用，可能是可以優化掉的。

改版后，同樣要對新功能進行數據監控，分析新功能是否達到了既定的迭代目標。最常用到的是AB實驗，比如不同的交互方式、UI布局，可能會影響用戶轉化。通過對AB結果分析，確定最優的方案，用數據說話。

2）渠道優化

為了獲取新用戶，互聯網公司需要進行SEM、信息流、應用市場等不同渠道的投放，但不同媒體的用戶群體特征各異，廣告投放的ROI差別較大。

通過數據分析來將渠道分類分級，流量規模大、用戶質量高的加大投入，流量小質量差的可以放棄，支撐渠道運營策略的優化。

3）營銷分析

今年五一迎來了疫情后的出行高峰，各家OTA都推出花樣各式的假日活動，比如機票盲盒。98元的機票為什么敢賣，不虧錢嘛？

其實盲盒產品設置的本意并不是為了成交，或者說會控制成交量、來管控成本。機票盲盒是現象級產品，通過用戶分享、傳播，帶來品牌曝光、強化用戶心智等其他附加價值。

因此，在這個過程需要基于數據來分析鎖定成功率需要控制在XX時，可以既刺激用戶傳播，又保證企業不虧。同時，也要分析參與活動的用戶都是什么特征、性比年齡籍貫幾何，來投放廣告做活動的預熱。

3. KPI監控

基于大數據提供系統穩定性、KPI波動監控能力，業務異常及時發現，快速止損。

數據報表、數據產品主要是承載的人找數，而KPI監控則是基于業務規則對指標的波動或異常進行定義，指標數值超出范圍后，觸發預警及時通知，減少問題發現時間，降低業務損失。

今年五一出游高峰，很多指標達到了歷史峰值，對系統服務的穩定性是一個比較大的考驗。除了提前做好應急保障外，也不可避免地出現服務異常的情況，及時發現，修復系統問題，及時止損。

4. 業務預測

基于大數據和算法挖掘能力，提供業務指標趨勢預測，提前布局資源。

除了對已經發生的業務現象進行事后分析外，還可以基于大數據預測業務發展趨勢。比如五一、十一節假日提前預測業務高峰發生的時間以及業務量，應用服務提前壓測，服務器提前擴容，以及提前部署客戶服務人員的排班計劃，做到既可以滿足業務高峰，又實現人力以及資源的最優匹配。

二、ToC：數智化賦能

除了數據分析，大數據另一類場景是讓產品“更懂你”，在合適的時間、場景，把產品和最有意向的用戶匹配，實現人貨場的匹配。

同一個產品賣給用1000塊的雜牌Android機的張三10塊，賣給用8000塊錢iPhone12的李四20，這叫“殺熟”。張三經濟水平一般，出門住酒店一般選擇200~300價格的，給他推薦經濟型酒店；李四消費能力高，推薦高星級品牌酒店，這叫千人千面個性化推薦。

1. 精準營銷

基于用戶畫像標簽進行用戶分層，精準觸達，實現精細化運營。

互聯網上半場，流量獲取成本相對較低，且公司融資相對容易，為了跑馬圈地圈用戶甚至可以不計成本，很多公司為了快速實現用戶增長采用的是粗放式、廣撒網的方式進行用戶獲取或運營，比如給所有用戶發補貼紅包，給所有下過單或沒下過單的用戶發營銷短信。

而流量紅利過后的下半場，一方面用戶要持續增長，另一方面也要管控成本，提升ROI。

此時，需要基于大數據將用戶標簽化，構建用戶的畫像標簽，按照不同的業務場景進行人群的精細化分層后，精準觸達，把資源傾斜給高潛客戶。

2. 流量智能分發

基于算法挖掘用戶行為意向，匹配最佳產品或服務，實現人貨場的智能匹配。

精準營銷平臺更多地是提供人群圈選的能力，產品或運營人員基于經驗，進行用戶的條件篩選。

流量智能分發則是基于用戶歷史行為，采用用戶或商品維度的協同過濾、聚類分析、邏輯回歸等算法，識別進站用戶的行為意向，為用戶提供差異化的產品功能或頁面模塊。

比如，大眾點評在做10.0版本改版時，首頁從商戶列表改成了類似小紅書的信息流模式，且是作為一次比較重大的戰略改版，力推信息流。

對于“愛逛”的女性用戶群體，覺得是不錯的改版；而對于用完即走，直截了當的鋼鐵直男，覺得改版后很難用，應用市場大批吐槽。

基于數據和算法能力，對于不愛逛的用戶，可以默認展示分類金剛位，愛逛的人則可以默認優先展示信息流。

3. 個性化推薦服務

提供App、小程序等應用端產品的千人千面推薦，促進用戶轉化，提升用戶體驗。

流量分發側重于用戶行為意向、下單概率預測等宏觀層面，提供產品功能和服務的匹配推薦。

個性化推薦則側重于內容本身的精準匹配，比如算法推薦用戶可能會喜歡的酒店、景點、旅游線路、美食商家、淘寶產品等，目標是實現人和商品的匹配，縮短用戶決策周期，快速引導用戶下單轉化。

舉個例子，當你打開某旅游APP，首頁推薦的是你剛好想去的城市，以及對應的酒店、景點、旅游線路。此時，你是不是更愿意去點擊瀏覽，并且更快速地下單呢？

4. API服務

為產品功能迭代、運營活動提供用戶訂單、行為數據查詢服務，以數據賦能產品創新。

API服務相比算法推薦，主要統計分析數據的服務化。比如APP產品新客專區模塊，當用戶進入頁面時，調用新老客的接口，判斷當前用戶ID是否有過訂單，符合新客條件的才展示對應的運營位。

5. 風控和反欺詐

基于算法模型（知識圖譜、聚類分析等）識別黑產用戶特征，防止薅羊毛等黑產或欺詐行為，減少業務損失。

互聯網發展早期，比如2013年外賣、打車業務多家平臺瘋狂補貼拉客，但產品、技術并不完善，誕生了一大批靠刷單賺補貼的黑產。

隨著數據的完備和大數據算法能力，可以更準確地判斷羊毛黨或欺詐用戶特征，針對風控用戶不提供優惠或禁用相應服務。

6. 輿情監控

有時候輿論導向足以摧毀一家公司，前幾年知名女星炮轟某旅游公司，指責其機票產品存在強制捆綁銷售，微博上一石激起千層浪，甚至整個OTA行業都受到了沖擊，對公司口碑及業務營收都產生了非常大的影響。

利用大數據的手段，對涉及到公司業務或關鍵詞的輿論數據進行爬蟲爬取，利用文本挖掘、情感識別的手段對于負面輿論第一時間發現，公關及時對接處理，可以把輿論影響降低到最小。

7. AI應用

都說大數據的出口是AI，可以理解成AI是大數據的重要應用方向，但AI并不是一切。

機器學習算法、神經網絡模型并不是新鮮詞匯，早在90年代就已經出現了，但是由于當時計算機資源計算力的限制，應用無法落地。現在隨著計算機性能的不斷提升，CPU到GPU，以及分布式集群、云資源的彈性擴容，這些模型的應用價值開始凸顯。

AI的本質是基于大量的數據對算法模型進行訓練（有監督、無監督、半監督等），當輸入新的內容時可以自動進行分類或識別，比如圖像識別技術、語音識別等。

業務上可以應用在商家圖片優化，即產品列表頁通過算法自動確定視覺效果最好的圖片進行展示，吸引用戶提升點擊轉化率，因為愛美之心人皆有之，一個酒店首頁放漂亮的海景圖的效果要遠比放一張馬桶照要強的多。

三、總結

大數據的應用場景遠不止于上述案例，業務不斷發展，大數據的應用價值也會不斷創新突破。

數據職位相對于公司前端業務部門價值凸顯更為隱性和長期，C端上線一個爆款產品會給公司帶來非常大的利益價值，而數據則多處在背后支撐的位置。作為數據人，要了解自己所從事的領域的價值，耐得住寂寞，即使沒有鮮花和掌聲，也可以不斷地自驅創新，用數據為業務賦能。