找到数据间的相关性和连接性

全球早进入了第四次产业革命时代，各行业对此次产业革命的理解和实施虽有不同，但背后的发展原理和逻辑基本一致——大数据的发展与应用，数字化技术的全面使用。

越来越多的产品经理会有疑问，数据类的产品应该怎么设计？自己能力是否合适？是否感兴趣？等等，希望我的这篇文章可以帮你了解数据产品和察觉自己的兴趣。

一 、了解数据存在的原因

这里有三个简单的“栗子”：

• 不调研不知道，经验错觉：在你每天去公司的路上，觉得一个路口左转是最快的选择，而在路口你发现很多同事右转去公司，好奇心促使你询问了几位同事，才发现右转更便捷；
• 不总结不知道，关联错觉：在超市里，纸尿片旁边的啤酒总是卖的很快，很多人不了解，后面通过深入分析发现来买纸尿片的爸爸都顺便买了啤酒；
• 不观察不知道，片段错觉：一个星级酒店早餐厅，有时人多，有时人少，自己去了好几周才观察到规律，一家直销公司经常在酒店开会；

造成错觉的因素很多，这些“栗子”告诉我们，我们获取信息的方式已经逐渐开始改变，有时你需要更高的“视角”才能看得到全局；例如从别的同事获取，从超市里的“摄像头”统计，从几周自己的多维度“观察和总结”。

数据解决的就是实在问题——协助你找到原因，看到本质。

二、洞悉数据无处不在

数据无处不在的本意是指——任何行为与事物，数据都是可以被量化，被模型化的；通过量化与模型，我们可以统览全局，预测未来；简单的说，就是换个“上帝视角”察看世界。

这里要注意的是——在线的数据才是数据，离线的会随着时间的流逝逐渐贬值；数据来自于设备，通过网络传输和统计，这也就是“万物互联”的时代；在这个时代里，万物产生碎片数据，数据与数据又能产生连接，最后通过数据进行数据间的关联可以获取更多数据。

三、找到数据间的相关性和连接性

每个人在不同地方都会产生很多碎片化的数据，例如你在超市里转了几圈，买了一些商品，然后办了张会员卡，会员卡里用的手机号，手机号又开通了微信支付；数据会把这些行为记录下来，并形成每个人的一幅数据画像：“你是一个喜欢某商品的人，除目前购买商品外，还存在一些潜在商品，你喜欢使用数字支付手段。”

如果是一个多元多业务产业的集团公司获取了你的这些数据，就可以通过大会员系统进行产业的整合，例如某大厂可以根据你的消费行为和消费习惯，在你看视频时或搜索网络资料时按你的喜好进行推荐。

新零售崛起的背后是数据在驱动，在新零售的闭环服务中，已经把人（消费者）、货（商品）、场（渠道）三种数据进行连接；进而体现完整的信息和重现消费行为，从中去营造更贴心的服务和更多商机。

数据的价值就隐藏在场景的细节中，数据的相关性比数据本身更重要，他可以让一个企业衍生多元化的商业模式；你会发现某宝和某团接入的服务越来越多，越来越像，似乎各产业在这些App上都没有了明显的边界，这离不开数据的功劳。

四、深刻理解数据有流动性（重点）

在用身边产品时，不知道有没意识一个隐蔽的循环和创新形态：用数据做好产品，用好产品拿到更多数据；数据分析的工作必须落地在产品上，因为数据是虚的，解决方案才是实在的；本来获取数据，就是为了解决实在的问题。

大数据本身是自利、利他的产品，互惠互利，是数据流通的根本；数据很难一家独大，数据的合作与联动将是发展的趋势。

我举个“栗子”说明，一家线下超市的顾客流量数据一般不会主动共享，因为数据是超市的资产；但是超市如果把顾客流量的数据共享给出行车公司，出行车可以让更多的司机在流量大的时候来到超市周边，则能极大改善超市的打车体验，同时出行车也有更好的利润；目前企业间的合作还比较缺乏信任感，这种跨行业的打通少之又少，还在起步发展阶段。

数据产品经理如何更好的进行数据打通？数据打通需要找到流通方（这里的流通方可以指内部跨部门，也可以指跨企业）的共同痛点；当利益高于几方之间的竞争和研发成本时，数据共享会变得理所当然；从这个层面上讲，设计数据产品是需要懂商业的，知道商业目标，了解目标问题，才能解决问题；数据只是一种方式，是我们过程的工具，而不是结果。

五、清楚数据的道德约束

数据的使用肯定会越来越多，数据的传输、存储、保密等等越来越重要；监控的日志应该怎么存储？对用户行为的收集应该收集到什么程度？与跨行业公司合作时，数据开放是否能得到用户许可？用户不许可怎么办？这些问题会一直持续。

作为一名数据产品的设计人员，时常需要问自己，何为对？何为社会增值？如何规划一个产品才能不违反道德原则？

我在做产品设计时，一直遵循稻盛和夫的原则“作为人，何为正确”去规划产品。

目前数据安全的边界相对来说还是模糊的，国家的政策与法规正在完善；水能载舟，亦能覆舟，从社会价值与共荣的角度去思考，少些贪婪，大家的生活会更好。

好产品，本身就是一种对社会的善意。

六、关心数据属性和操作

数据的量很大，不同类别数据属性差异很多。

举几个栗子：公共属性的数据需要收集，因为覆盖率很高；战略性的数据需要收集，因为数据很稀缺；重要的数据不可再生，必须实现备份；可复制性的数据可以权重放低，因为再生成本很低。

当然，具体的内容还要结合公司商业模式、商业范围、商业重点去思考。