大資料如何支撐更好的商業模式來驅動精細化營運？

網際網路思維ufo模型中的u代表user experience，即極緻使用者體驗，其對應的方向是産品設計;f代表freemium，即免費商業模式，其對應的方向是商業模式研究和設計;o代表精細化營運，其對應的方向是産品營運，而大資料在這三個方向的應用起到不同程度的作用。其中，大資料與f(免費商業模式)及u(極緻使用者體驗)關聯度或者驅動度中等，與o(精細化營運)關聯度或驅動度最高。

大資料如何支撐更好的商業模式?

好的免費商業模式要求：

(1)通過免費或者“利潤超薄”的産品或服務發展大規模的使用者，形成使用者大盤;

(2)産品可以做到通過網際網路方式每天有機會與使用者發生接觸或聯系。即前文提到的例子，如果你把手機賣給一個人，就不跟他“聯系”了，這個人并不是你的使用者，但你通過某種方式每天跟他“聯系”，如你在手機上提供軟體服務，讓這個人跟你發生“聯系”，他就是你的使用者;

(3)産品或服務是否可以做到版本疊代更新。

很多人認為傳統領域的産品或者服務比較難提供“版本”更新，但其實這隻是受傳統思維方式所阻。

以汽車為例，我們常常認為已經賣給客戶的車不存在版本更新的概念，而特斯拉做到了：特斯拉在2014年12月底宣布了計劃把 tesla roadster 更新，roadster 将會被換上一組新的電池，對比原本那組電池來說，新電池可以在同樣的體積下提供額外 31% 的能量，另外，roadster 還會換上新的空氣動力學套件，令到車身的風阻系數由 0.36 減至 0.31，還有就是會換上滾動摩擦系數更低的輪胎。

我們在設計好的免費商業模式的時候，要充分考慮以上三點。

但大資料目前在商業模式設計、商業模式研究、創新商業模式研究這方面的能力還比較弱，目前在中國還沒看到成功的利用大資料的智慧來輔助設計商業模式的案例，也許是因為計算機目前的智慧還沒達到設計商業模式的能力高度。

但是我們可以通過大資料的方法進行行業監測以及進行創新監測，進而可以輔助戰略規劃人員來進行商業模式的設計。

比如我們可以通過爬蟲技術的手段采集網際網路上的國内外行業發展動态、行業發展趨勢、分析師文章、最新專利申請情況、相關最新産品上市情況等來輔助戰略規劃人員進行相關的行業分析和創新分析，以輔助設計商業模式。總的來說，大資料在免費商業模式設計方面的能力還比較弱。

但如果大資料作為商業模式中的一個引擎，即大資料作為産品的一個引擎，就有可能促進商業模式的更新。

打個比方，把一個傳統的商業模式比作一輛汽車，這輛汽車的引擎是2.0的排量，如果你在設計商業模式的時候把大資料很好的融入商業模式中，那麼這輛2.0排量的汽車就有可能更新為2.0t，即變成帶渦輪增壓的發動機，動力将更猛。

如健康領域，如果是一個銷售傳統血壓計的商業模式，投資人對這種商業模式并不會很關注，但在血壓計加上大資料的能力，即做智能血壓計，可以遠端監控父母的血壓情況，及時進行病情預警，這種加入的大資料的商業模式就會比較有投資價值。

總的來說，如果把大資料作為一種研究能力來支撐商業模式研究，那麼其作用相對較低，隻能在行業監測和創新監測起一些作用;但如果把大資料作為一個引擎嵌入到商業模式中，嵌入到産品中，其價值則非常大。

大資料如何更好的驅動使用者體驗?

在網際網路思維ufo模型中，我們提到做極緻使用者體驗一個很重要的sim原則：

s指simple(簡單)，少即是多的“極少主義”;

i指iteration(疊代)，即小步快跑，快速疊代。

m指micro-innovation，微創新。以上三方面均可以通過大資料來支撐。

通過大資料我們可以監測一個産品是否做到足夠的簡單(simple)，我們可以基于大資料建構很多的使用者體驗監測模型。

如使用者行為的漏鬥模型，我們可以把使用者使用産品的關鍵觸點(touchpoint)定義出來，監測每個觸點之間的轉化率。

如電商購物，使用者進入首頁、檢視商品産品詳情、把産品放到購物車、購買以及支付等是關鍵使用者關鍵觸點，通過監控各環節之間轉化率來以及從最開始的接觸點到最終的接觸點的轉化率來衡量産品的體驗是否做的足夠好，足夠簡單。我們相信，如果使用者完成一個産品操作任務，用的步驟越少，轉化率相對就越高。

通過大資料的手段，我們可以幫助更好的快速疊代，以提升效果。尤其是利用a/b測試方法以及灰階釋出實時監測手段。

a/b 測試簡單來說，就是為同一個目标制定兩個方案或版本(比如兩個頁面)，讓一部分使用者使用 a 方案，另一部分使用者使用 b 方案，通過及時的統計使用效果資料如點選率等，看哪個方案更符合設計目标。

當然，在實際操作過程之中還有許多需要注意的細節，在此就不贅述。google很多新的産品上線或者功能優化上線前都要進行a/b測試。

對于正常的a/b測試，同一個目标一般要做兩種方案，很多網際網路公司為了簡化，一般隻做一種方案，進行灰階上線(即隻抽取一小部分使用者進行産品釋出)以後，再通過大資料實時監測看這個效果和之前版本的效果對比，如果效果不如之前的版本，新版本就放棄正式釋出。

通過大資料的手段也可以幫助産品實時産品微創新的效果。

360公司的周鴻祎先生說過，口碑是衡量創新的标準，因為給使用者帶來強烈體驗的東西一定能形成口碑。

通過大資料可以很好的及時監測産品口碑的情況。

通過大資料爬蟲的手段，我們可以抓取産品在網際網路上的評價，如抓取微網誌、論壇、電商評論等，通過自然語言處理的手段和語義分析，對評論等非結構資料進行處理和挖掘，計算産品的推薦度，實時掌握産品口碑情況;另一方面，我們也可以通過大資料的手段，實時發現産品問題點，這樣會對産品的改進非常有幫助。

在很多産品導向型的大型網際網路企業，都會要求若1小時内有3人同時反映一個問題，就定義為bug，需要在24小時内必須立即解決。基于大資料的手段可以在産品問題的及時發現和定位上非常有幫助。

大資料如何更好的驅動精細化營運?

好産品是營運出來的，網際網路産品需要不斷營運、持續打磨。

産品營運的目的是為了擴大使用者群、提高使用者活躍度、尋找合适商業模式并增加收入。

成功的網際網路營運要做到精細化營運，成功的精細化營運需要大資料支撐。

大資料和網際網路思維在此方面關聯度最高。

是以，企業在大資料的應用場景上，一定是要優先考慮如何通過大資料進行精細化營運，以驅動更好的營運效率和效果的提升。

但值得注意的是，企業在這方面的建設一定要考慮如何讓資料分析人員、算法人員與産品營運人員更好的融合在一起工作，否則大資料将在産品營運環節比較難起到理想的作用。因為很多公司的營運人員并不是非常了解大資料在哪些營運的環節可以用到大資料;同時，資料分析和算法人員不能很好的了解業務，也不知道有哪些營運政策和場景，也較難為産品營運人員提供好的支援。我們的建議是如果資料分析人員和算法人員能夠定期參與産品營運的一些例會，甚至如果有可能，可以讓資料分析和算法人員與産品營運人員坐在一個相鄰的辦公區域一起工作。

基于大資料可以更好的做精細化營運監控、更準确的做使用者細分、更準确的進行個性化推薦、更合理的進行營銷推廣效果的評估、更有效的進行使用者生命周期管理以及基于使用者生命周期進行相關的營銷和營運政策。具體方面如下：

1，在精細化營運監控方面，我們需要進行關鍵資料體系梳理和建構，在此基礎上通過智能化模型開發出來的資料産品，監控關鍵資料的異動，并可以快速定位資料異動的原因，輔助營運決策;

2，通過基于大資料的方法進行使用者細分，基于大資料可以找出更好的細分次元，并對使用者做更好區隔，以輔助産品營運人員做更加準确的使用者細分，并洞察每個細分人群的興趣愛好和消費傾向，對每類使用者分别進行有針對性的策劃和營運活動。

3，通過資料挖掘的手段進行使用者生命周期管理，我們可以可做到實時對不同生命周期的使用者進行實時标記和預警，并把有效的活動當成商品一樣及時的推送給不同生命周期階段的客戶。

4，通過大資料的方法，我們可以實作對不同通過管道的效果評估。

如果隻看一些表面的資料，如廣告的點選率，是非常難衡量不同推廣管道的真正效果。

如果把使用者的管道行為和後續産品行為(即通過管道擷取的使用者在産品上的各種使用行為)進行打通跟蹤，在此資料基礎上建構管道品質評估模型，将能夠更好的發現管道的真正品質，或者更直接的，可以發現推廣管道的究竟有多少是虛假的流量。

5，通過利用基于大資料進行有針對性的使用者畫像，并通過使用者畫像資料、使用者行為和偏好資料，結合個性化推薦算法實作根據使用者不同的興趣和需求推薦不同的商品或者産品，通過算法真正的實作“投其所好”，以實作推廣資源效率和效果最大化。

總之，網際網路思維和大資料有着緊密的關系。

網際網路思維背後代表的是商業模式、産品設計、産品營運，而大資料在不同程度的支撐或者驅動這三方面。

如果大資料能夠作為商業模式的一部分或者更準确的說是作為企業産品的一個引擎，那麼企業的能量和想象空間将會更大。

而大資料在産品設計和營運環節都能起到不同程度的左右，作用最為明顯的是在驅動産品的精細化營運。

我們希望企業相關決策層在運用大資料的時候更好的了解大資料應用的優先級和應用場景，更好的發揮大資料的價值。

本文轉自d1net（轉載）