五一回家，有非数据专业的朋友问，你一直搞大数据，大数据除了“杀熟”，还有什么应用场景啊，能不能科普下？
的确网络上、新闻上看到了很多的“杀熟”的负面报道，但大数据还能干点啥、有什么价值、数据人每天在忙啥，对于非数据线的人可能确实不了解，毕竟隔行如隔山。
所以，近期也在思考，如何能把大数据的应用场景说清楚，不为正名，只为把自己数年的大数据从业的初心再捋一捋，也给想要选择数据行业的提供一些参考建议。
第一次和数据接触，是13年运营第一个微信公众号的时候，每天看着后台的阅读量、转发量、新增用户数、累计用户数等指标，通过数据观察分析哪些内容更容易引起用户共鸣促进转发，什么类型的用户会关注，什么时段群发阅读量更高。也因此结缘，毕业找工作时选择了数据产品经理，但那个时候比较懵懂，还没真正了解什么是大数据。
结合自身的数据从业经验，总结下来大数据的核心价值在于应用。也有把数据比作“原油”，只有经过加工处理成为“汽油”、“柴油”、“机油”，被投入使用后，才会真正发挥价值。
数据核心应用场景主要有面向企业内部（ToB）的决策分析支撑和面向C端用户的智能应用。
一、ToB：决策分析支撑
解决数据“是什么”、“怎么样”、“为什么”、“怎么做”的问题，从拍脑袋的定性决策，到定量的数据化管理。
1. 经营管理
为管理层提供完整的、能够快速反映业务经营健康度的管理指标，为管理决策提供数据支持。
举个例子。
门票业务CEO每天早上都要打开电脑或手机看经营日报，某日发现业务总营收指标同比降低了20%，其中华东地区下降35%，其他大多数地区都是增长的。找到华东大区负责人，去跟进处理。
华东大区负责人再拆分到省份、城市、景点、门票资源，最终定位是迪士尼的门票效率大幅下滑，原因是竞对某团开展了大力度的优惠活动，于是责令景区商务快速跟进。
2. 运营优化
提供产品迭代、流量渠道策略优化、活动效果分析等产品运营所需的数据分析能力，数据化运营。
1）产品迭代
产品功能改版前需要进行数据分析，查看旧版本的用户使用习惯，以及哪些功能实际上很少人使用，可能是可以优化掉的。
改版后，同样要对新功能进行数据监控，分析新功能是否达到了既定的迭代目标。最常用到的是AB实验，比如不同的交互方式、UI布局，可能会影响用户转化。通过对AB结果分析，确定最优的方案，用数据说话。
2）渠道优化
为了获取新用户，互联网公司需要进行SEM、信息流、应用市场等不同渠道的投放，但不同媒体的用户群体特征各异，广告投放的ROI差别较大。
通过数据分析来将渠道分类分级，流量规模大、用户质量高的加大投入，流量小质量差的可以放弃，支撑渠道运营策略的优化。
3）营销分析
今年五一迎来了疫情后的出行高峰，各家OTA都推出花样各式的假日活动，比如机票盲盒。98元的机票为什么敢卖，不亏钱嘛？
其实盲盒产品设置的本意并不是为了成交，或者说会控制成交量、来管控成本。机票盲盒是现象级产品，通过用户分享、传播，带来品牌曝光、强化用户心智等其他附加价值。
因此，在这个过程需要基于数据来分析锁定成功率需要控制在XX时，可以既刺激用户传播，又保证企业不亏。同时，也要分析参与活动的用户都是什么特征、性比年龄籍贯几何，来投放广告做活动的预热。
3. KPI监控
基于大数据提供系统稳定性、KPI波动监控能力，业务异常及时发现，快速止损。
数据报表、数据产品主要是承载的人找数，而KPI监控则是基于业务规则对指标的波动或异常进行定义，指标数值超出范围后，触发预警及时通知，减少问题发现时间，降低业务损失。
今年五一出游高峰，很多指标达到了历史峰值，对系统服务的稳定性是一个比较大的考验。除了提前做好应急保障外，也不可避免地出现服务异常的情况，及时发现，修复系统问题，及时止损。
4. 业务预测
基于大数据和算法挖掘能力，提供业务指标趋势预测，提前布局资源。
除了对已经发生的业务现象进行事后分析外，还可以基于大数据预测业务发展趋势。比如五一、十一节假日提前预测业务高峰发生的时间以及业务量，应用服务提前压测，服务器提前扩容，以及提前部署客户服务人员的排班计划，做到既可以满足业务高峰，又实现人力以及资源的最优匹配。
二、ToC：数智化赋能
除了数据分析，大数据另一类场景是让产品“更懂你”，在合适的时间、场景，把产品和最有意向的用户匹配，实现人货场的匹配。
同一个产品卖给用1000块的杂牌Android机的张三10块，卖给用8000块钱iPhone12的李四20，这叫“杀熟”。张三经济水平一般，出门住酒店一般选择200~300价格的，给他推荐经济型酒店；李四消费能力高，推荐高星级品牌酒店，这叫千人千面个性化推荐。
1. 精准营销
基于用户画像标签进行用户分层，精准触达，实现精细化运营。
互联网上半场，流量获取成本相对较低，且公司融资相对容易，为了跑马圈地圈用户甚至可以不计成本，很多公司为了快速实现用户增长采用的是粗放式、广撒网的方式进行用户获取或运营，比如给所有用户发补贴红包，给所有下过单或没下过单的用户发营销短信。
而流量红利过后的下半场，一方面用户要持续增长，另一方面也要管控成本，提升ROI。
此时，需要基于大数据将用户标签化，构建用户的画像标签，按照不同的业务场景进行人群的精细化分层后，精准触达，把资源倾斜给高潜客户。
2. 流量智能分发
基于算法挖掘用户行为意向，匹配最佳产品或服务，实现人货场的智能匹配。
精准营销平台更多地是提供人群圈选的能力，产品或运营人员基于经验，进行用户的条件筛选。
流量智能分发则是基于用户历史行为，采用用户或商品维度的协同过滤、聚类分析、逻辑回归等算法，识别进站用户的行为意向，为用户提供差异化的产品功能或页面模块。
比如，大众点评在做10.0版本改版时，首页从商户列表改成了类似小红书的信息流模式，且是作为一次比较重大的战略改版，力推信息流。
对于“爱逛”的女性用户群体，觉得是不错的改版；而对于用完即走，直截了当的钢铁直男，觉得改版后很难用，应用市场大批吐槽。
基于数据和算法能力，对于不爱逛的用户，可以默认展示分类金刚位，爱逛的人则可以默认优先展示信息流。
3. 个性化推荐服务
提供App、小程序等应用端产品的千人千面推荐，促进用户转化，提升用户体验。
流量分发侧重于用户行为意向、下单概率预测等宏观层面，提供产品功能和服务的匹配推荐。
个性化推荐则侧重于内容本身的精准匹配，比如算法推荐用户可能会喜欢的酒店、景点、旅游线路、美食商家、淘宝产品等，目标是实现人和商品的匹配，缩短用户决策周期，快速引导用户下单转化。
举个例子，当你打开某旅游APP，首页推荐的是你刚好想去的城市，以及对应的酒店、景点、旅游线路。此时，你是不是更愿意去点击浏览，并且更快速地下单呢？
4. API服务
为产品功能迭代、运营活动提供用户订单、行为数据查询服务，以数据赋能产品创新。
API服务相比算法推荐，主要统计分析数据的服务化。比如APP产品新客专区模块，当用户进入页面时，调用新老客的接口，判断当前用户ID是否有过订单，符合新客条件的才展示对应的运营位。
5. 风控和反欺诈
基于算法模型（知识图谱、聚类分析等）识别黑产用户特征，防止薅羊毛等黑产或欺诈行为，减少业务损失。
互联网发展早期，比如2013年外卖、打车业务多家平台疯狂补贴拉客，但产品、技术并不完善，诞生了一大批靠刷单赚补贴的黑产。
随着数据的完备和大数据算法能力，可以更准确地判断羊毛党或欺诈用户特征，针对风控用户不提供优惠或禁用相应服务。
6. 舆情监控
有时候舆论导向足以摧毁一家公司，前几年知名女星炮轰某旅游公司，指责其机票产品存在强制捆绑销售，微博上一石激起千层浪，甚至整个OTA行业都受到了冲击，对公司口碑及业务营收都产生了非常大的影响。
利用大数据的手段，对涉及到公司业务或关键词的舆论数据进行爬虫爬取，利用文本挖掘、情感识别的手段对于负面舆论第一时间发现，公关及时对接处理，可以把舆论影响降低到最小。
7. AI应用
都说大数据的出口是AI，可以理解成AI是大数据的重要应用方向，但AI并不是一切。
机器学习算法、神经网络模型并不是新鲜词汇，早在90年代就已经出现了，但是由于当时计算机资源计算力的限制，应用无法落地。现在随着计算机性能的不断提升，CPU到GPU，以及分布式集群、云资源的弹性扩容，这些模型的应用价值开始凸显。
AI的本质是基于大量的数据对算法模型进行训练（有监督、无监督、半监督等），当输入新的内容时可以自动进行分类或识别，比如图像识别技术、语音识别等。
业务上可以应用在商家图片优化，即产品列表页通过算法自动确定视觉效果最好的图片进行展示，吸引用户提升点击转化率，因为爱美之心人皆有之，一个酒店首页放漂亮的海景图的效果要远比放一张马桶照要强的多。
三、总结
大数据的应用场景远不止于上述案例，业务不断发展，大数据的应用价值也会不断创新突破。
数据职位相对于公司前端业务部门价值凸显更为隐性和长期，C端上线一个爆款产品会给公司带来非常大的利益价值，而数据则多处在背后支撑的位置。作为数据人，要了解自己所从事的领域的价值，耐得住寂寞，即使没有鲜花和掌声，也可以不断地自驱创新，用数据为业务赋能。
