时间: 2021-08-03 09:09:49 人气: 6 评论: 0
说起数据，我们并不陌生。有火热不绝于耳的互联网大数据，有用来支撑结论所需的数据论证，还有做运营做方案要用到的数据统计等，无一不围绕着数据。尽管我们如此熟悉数据这个词，知道很多领域都需要使用到数据。但真正说要解释数据是什么，却不是那么容易说清楚。
百度百科对数据的解释是：数据是数值，通过观察实验计算得出的结果。
官方的释义当然科学准确不用质疑。但是我们能不能从一个产品人的角度来对数据有更常规和生活化的认识和理解呢？让我们更清晰的明白数据之于互联网和产品来说到底是什么？
用户信息指的是就是用户姓名，性别，出生年月，居住地址，职业，家庭关系这些信息。
互联网常说的获取用户数据其实就是获取用户信息。
对于互联网来说用户数据至关重要，无论是电商，短视频，出行还是其他互联网领域获取用户的本质还是获取用户资料信息。从用户资料信息了解用户属性，偏好等，以便更好的推出更好的产品来服务用户。
以电商为例来说明，用户信息有：姓名，性别，生日，搜索记录，收货地址，商品订单信息等。
电商平台可以根据这些数据来用于精准人性化推送产品，达到促成交易的目的。
比如你要搜索鞋子。在用户没有准确输入男鞋还是女鞋的情况下，性别就是个重要属性了。结果**抓取你的性别信息来出结果，以至于不出现女鞋让人觉得尴尬的情况。
搜索记录也是很重要数据信息，**被平台自动记录下来。通过搜索记录可以判断用户需求和喜好，例如：当你浏览过男鞋，下次进到首页就自然**给你推荐男鞋出来。
这些智能推荐并不是真的智能，而是通过用户信息进行数据分析，给用户匹配合适的结果，满足用户的需要，用户信息就是重要用户数据。
对于很多以内容为主的应用来说，海量的数据是它们赖以生存的资本，它们的数据量其实就是内容。
比如：抖音，易车，头条这些应用。
作为内容类型的应用，需要有庞大的数据量来支撑用户使用。
内容型应用有个特点，推荐阅读很强大。推荐可以根据所在地域，朋友关系，观看类型等给用户推荐阅读内容。通过相同的属性在庞大的数据基础上获得内容。
记得刚**上小视频的时候给我一种轻松和愉悦的感觉。轻松是因为简短的视频阅读起来轻松，不费脑。惊喜的是它能根据家乡和所在城市和观看过类型推荐朋友和相关的内容。
看过做饭，就**有更多的美食视频推荐；你了解了日本这个国家的人文风情，同时就**推荐韩国和朝鲜让你观看。
有人曾经开玩笑说，短视频软件可以帮我们不用出门就可以看遍世界。虽说是玩笑，但也确实没有夸张。短视频软件上的的确确能让我们**各种类型的内容，国外的，民俗的，一本正经的，恶搞的……无奇不有。
对于以内容为核心的平台里说，数据就是内容，并且数据量大到你法想象。
与此相类似的还有网课，网络读书等需要大量内容来支撑的应用。对于以内容为生的产品而言，一切内容都是数据。
我们大家常规理解的数据就是数字统计了，也可以说是数据监测。
软件应用都是有后台管理的，用于统计数据。这些管理记录着产品的投放使用情况。后台的数据统计能够帮助产品和运营判断产品使用情况，制定产品方案。
例如：一款产品上架到应用市场中。后台能够统计出有多少台设备在使用它，每日每月有多少用户活跃等等。
数据统计是数字，是一些具有相同特性的数据集合。
举个电商店铺的例子：假如店铺当天独立访客（UV）是1000，下单购买产品A是100。1000和100是数字统计集合，他们相同点是结果相同，是访问店铺人数集合和购买了同一款产品的人数集合。
很多人**忽略一个事情，就是只看到数据表面的共性，而看不到数据表象背后的秘密或者不同。
不同或者秘密就是这1000和100相同结果的背后是由不同的原因和行为动机组成的，背后的不同是能决定数字集合是多少的关键因素。
假设产品A是一款男鞋，还是以购买了100双男鞋为例。
相同点是：100个人买了这款鞋
不同点是：100个人买这款鞋的动机和原因不同。也就是说购买的动机和原因是数字表面上看不到的，需要我们去分析的，分析出组成这些相同结果的原因，可以帮助我们继续放大购买结果。
购买的动机和原因可能**有：价格合适、款式新颖、穿脱方便、耐脏、享受优惠、海报详情设计等等
组成这100人购买是由以上多种原因组成，当然每种原因的所占比例不一样，对于所占原因比例大的商家可以在进行优化，学**分析出背后的原因的好处是能能够帮助调整策略，提升销量数据。
比如：价格高了就小幅下调一些，优惠**的力度大一些，海报设计优化的更好些。可能销售量就高于100甚至更多。
只有更加了解用户，才能更好提供服务。
好比熟悉我们的朋友，它们能很轻易的知道我们有什么需要，而无法轻易了解一个陌生人需要什么。
了解了用户，就容易知道用户需要什么。
天猫和百度，它们把我们每一个搜索记录都记录下来。并根据浏览时长，浏览的频次，浏览的价格区间，一层一层分析用户需要，抓取符合用户的这些习惯的产品，最后推荐给用户。经过这么多维度数据分析后得出的结果和用户需求的精准度已经是非常之高。
数据也像一面镜子，组成的数据也能反应产品本身。
16年我所在一家互联网+财税平台公司。据那时候的数据了解，深圳每天大约有3000家新公司注册，那时候公司的定位是做全深圳最大的互联网财税平台。可是公司每天的客户量仅寥寥十几二十个，占比在1%都不到，这远远与公司最大的互联网财税平台不符。所以从这个数据统计可以审视出自己有哪些方面的不足。
比如不足有：
数据统计很大的一个作用就是量化。用量化来明白自己所处的位置，并判断是否有提升的空间。
还是以上面案例为例：
一天几十个客户，市场占有率在接近1%客户量。对于一个小工作室来说业务量可能**吃不消。但是对于一个接近200人规模的公司来说简直是杯水车薪，1%不到的占有率可能只在竞争的末流。
假设制定的短期月目标：将客户量增加至100。
措施可以是：
（以上措施仅为案例分析需要，仅供参考）
有些数据我们无法获得。
比如，策划项目前期做的一些市场分析，市场数据，项目需要根据市场的情况来定位自己；再如，竞争对手的情况。
这些我们都无法直接获得，但是又至关重要。
这种情况我们可以采用估算的方法来估算我们数据参考。这种方法叫“费米估算。
思路：从商场规模、商铺规模入手，通过每平方米的租金，估算出商场的日租金，再根据商铺的成本构成，得到全商场日均交易额，再考虑促销时的销售额与平时销售额的倍数关系，乘以倍数，即可得到促销时一天的营业额。具体而言，包括以下估计数值：
以一家较大规模商场为例，商场一般按6 层计算，每层大约长100 米，宽100米，合计60000 平方米的面积。
商铺规模约占商场规模的一半左右，合计30000平方米。
商铺租金约为40 元/平方米，估算出年租金为40*30000*365=4.38 亿。
对商户而言，租金一般占销售额20%左右，则年销售额为4.38 亿*5=21.9 亿。计算平均日销售额为21.9 亿/365=600 万。
促销时的日销售额一般是平时的10 倍，所以大约为600万*10=6000 万。
误差分析：我们这里计算是属于理想状态，商场的商商铺肯定**有空置和在招租的情况。我们也要将空置率排除在外。以上便是关于费米估算的一些思路。供参考。
数据是储存在数据库的一切信息。它可以是用户信息，产品内容和各种数值数据统计。
数据统计除了是表面的数字集合外，还有内在意义可挖。客观的统计学背后是由许许多多的主观动机组成，要善于去发现和分析主观因素的部分。
数据统计能够帮助分析产品的投入和运营情况。产品人要清晰的认识到产品数据对于产品内外部中的意义。
本文由 @我是广告班 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
