一、企业如何从网络大数据中挖掘市场新需求

　　2014年新春，百度迁徙图与春运的完美“联姻”使得大数据又借势火了一把，大数据再次以风靡之势席卷舆论，一股大数据热正在不断扩散。其实，提起大数据，相信大多数人并不陌生，但对于大数据的有效应用大家更多的是处在摸索和尝试阶段。特别是一些中小企业往往把大数据建设想象得过于庞大，而对大数据望而却步。这种假象在很大程度上掩盖了中小企业依靠数据来挖掘市场潜力的机会。

　　二、大数据拓展企业的商业机遇

　　根据IDC研究，2012年全球使用了超过2.8兆GB的数据，然而只有1%数据进行了有意义的分析。但这微不足道的比例，也足以让大家注意到大数据的重要性和潜力。事实证明，大数据的迅速增长及相关技术的发展正在给企业带来全新的商业机遇。

　　据《麻省理工学院斯隆管理评论》和IBM商业价值研究院联合举行的2011年新智能企业全球高管调查和研究项目指出，绝大多数企业都已抓住了这些机遇。2011年，58%的企业已经将分析技术用于在市场或行业内创造竞争优势，而2010年这一比例仅为37%。值得注意的是，采用分析技术的企业持续超越同行的可能性要高两倍。

　　面对大数据可能带来的商业机遇，中小企业为什么会望而却步呢？其实这是把大数据广义化的结果。从广义的大数据建设来讲，其涉及的技术要求、耗资成本、人力匹配等要素对一般中小企业来讲存在很大的挑战性。即使有大数据建设意愿，因为没有成熟的系统架构理念，也使得老板们无从下手。

　　其实，企业的数据可以分为结构化数据、半结构化数据和非结构化数据三种类型。而其中，85%的数据属于广泛存在于社交网络、物联网、电子商务等之中的非结构化数据。这些非结构化数据的产生往往伴随着社交网络、移动计算和传感器等新的渠道和技术的不断涌现和应用。在这些数据中，仅依托社交网络而存在的数据对企业开拓新的市场需求就是一个巨大的机遇。如果企业能够从这些依托社交网络的数据（如网民对某行业的议论、某种需求诉求、某产品功能吐槽、电子网站上价格、媒体上的某新产品发布会等）中获取新的洞察力，并将其与已知业务的各个细节相融合，挖掘用户需求点，创新产品，这就是机遇，也是竞争力。

　　以房产行业为例。假如房企有效采集到论坛、微博、博客、帖吧、新闻跟帖上网关于住房话题议论数据，如居民对房屋设计、小区环境、家居质量、交通情况、个人住房需求偏好以及用户账号的个人注册信息等，就可以从中分类分析不同年龄段、性别、地区的客户消费偏好、消费能力，以此为依据去了解区域市场的需求，肯定会有别样的收获。

　　三、大数据在挖掘市场新需求上的应用

　　虽然，大数据在国内应该还处在探索和尝试阶段，但是一些行业巨头进军大数据的步伐从未停滞。从阿里巴巴到腾讯，从无印良品到海尔和小米，他们都在通过各种不同的方式或形式投身于大数据应用中。虽然这些企业分布在不同行业，但它们都有一个共同的特点，那就是在利用互联网思维和大数据有效地为客户提供更符合需求的产品。

　　拿房地产巨头之一的万科来说。万科在客户行为数据调查中发现，移动互联时代家里的网络Wi-Fi必不可少，但经常会出现每个房间Wi-Fi信号强度有别的尴尬，因此在其楼房中统一配备了Wi-Fi增强系统；同时，因为现在很多年轻人变得很宅，习惯在沙发上坐一整天，于是设计了“土豆位”的概念，迎合3C时代年轻人的生活习惯。而在社区配套服务上，万科更尝试让业主、客户可以在社区建设之初就参与到社区配套的设计和运营上来，引入时下最新的互联网概念“众筹”，根据业主需求未来有可能实现“众筹”健身房、超市、美容院等。

　　同样，这种从网络数据中挖掘新的市场需求的做法也适用于婚恋公司。百合网研究规划部李琦曾经对百合网上海量注册用户的头像信息进行分析，发现那些受欢迎头像照片不仅与照片主人的长相有关，同时照片上人物的表情、脸部比例、清晰度等因素也在很大程度上决定了照片主人受欢迎的程度。例如，对于女性会员，微笑的表情、直视前方的眼神和淡淡的妆容能增加自己受欢迎的概率，而那些脸部比例占照片1/2、穿着正式、眼神直视没有多余pose的男性则更可能成为婚恋网站上的宠儿。

　　四、网络信息数据的特点及存在形式

　　抛开以其他形式存在的结构化数据和半结构化数据不说，单单以基于社交及新闻媒介存在的信息数据而言，其就表现出以下三个特点。

　　1.数据呈现类型繁多。拜互联网和通信技术近年来迅猛发展所赐，如今的网络数据类型早已不是单一的文本形式，还包括办公文档、文本、图片、XML、HTML、各类报表、图像、音频、视频、数字等各种丰富的数据信息，这对数据的抓取及处理能力提出了更高的要求。

　　2.数据量巨大。大数据到底有多大？一组名为“互联网上一天”的数据告诉我们，一天之中，互联网产生的全部内容可以刻满1.68亿张DVD；发出的邮件有2940亿封之多（相当于美国两年的纸质信件数量）；发出的社区帖子达200万个（相当于《时代》杂志770年的文字量）。一分钟内，微博推特上新发的数据量超过10万；社交网络“脸谱”的浏览量超过600万……

　　3.“碎片化”传播。自媒体时代的社交媒介。没有任何的组织目标和指导方针，它的“碎片化”信息数据传播迎合了社会信息化的进程，反映了信息数据的时效性、即时性、反馈性。散布在世界各地的微博主随时传播着产品信息和评论，见证着企业各种活动、评论产品的好坏等，以一种旁观和参与兼顾的姿态记录对自己接触的所有事物的认知、建议、诉求、情绪。

　　随着网络社交在线的互动性、便捷性的增强，在社会化媒体进行评级、撰写点评、博文、点赞，产生大量的非结构性数据和碎片化数据，那么这些流传于网络的信息数据会是以什么样的形式存在呢？就拿房地产数据来说，这些数据完全可以来源于网络房产类话题的网友议论内容，比如微博上网友在讨论住房时提到的对Wi-Fi的信号的诉求；论坛上房产频道网友住房不布置设想；贴吧上网友对住房小区配套设施的吐槽；等等。这些网友的诉求、吐槽、设想信息数据的分析结果，将指导产品的设计和社区配套的建设，包含户型、景观、住宅性能和邻里空间等方面。

　　五、网络大数据信息的采集和抓取

　　有人说，发现知识正是大数据的真正价值，仅仅存储数据而不去挖掘内在信息并没有意义。但是，作为发现知识的必要条件，如何获取这些支撑我们去挖掘内在信息的数据，是企业建设大数据的基石。

　　Web是一个巨大的资源宝库，目前页面数目已超过800亿，每小时还以惊人的速度增长，里面有你需要的大量有价值的信息，例如潜在客户的列表与联系信息、竞争产品的价格列表、实时金融新闻、供求信息、论文摘要等等。可是由于关键信息都是以半结构化或自由文本形式存在于大量的HTML网页中，很难直接加以利用。

　　面对类型繁多、数量巨大以及碎片化的网络信息数据，如何能对这些数据进行有效、准确、全面采集是企业大数据战略的一个重要组成部分之一。以乐思网络信息采集系统的功能为例，系统可以根据用户自定义的任务配置，批量而精确地抽取因特网目标网页中的半结构化与非结构化数据，转化为结构化的记录，保存在本地数据库中，用于内部使用或外网发布，快速实现外部信息的获取。

　　通过自定义任务配置，实施目标网站信息自动抓取，实现HTML页面内各种数据的采集，如文本信息、URL、数字、日期、图片等；对每类信息自定义来源与分类；下载图片与各类文件；对于登录网友实现用户名与密码自动登录，并可以与Windows任务计划器配合，定期抽取目标网站；智能替换去除与内容无关部分如广告；实现多页面，多篇、多段文章内容自动浏览及自动抽取与合并；实现数据直接进入数据库而不是文件中，直接或模拟提交表单；实现所有主流数据库：MS SQL Server, Oracle, DB2, MySQL, Sybase, Interbase, MS Access的数据匹配。

　　广义的大数据建设我们力不从心，但这并不能阻挡我们应用网络大数据挖掘企业新的市场需求的步伐。通过收集企业外部信息，包括与本公司相关的信息，与竞争对手相关的信息，行业信息，价格信息，与合作伙伴相关的信息，用户网上反馈的各种信息，科研技术信息，用户家庭月收入、存款及还款信息，来自于零售商业、服务业的个人消费开支结构信息，从而先于行业、竞争对手锁定客户的需求，加快销售节奏，实现销售目标。

　　大数据时代定位客户

　　这是一个数据爆炸的时代，我们每个不经意的举动，如浏览一次网页，登录一次邮箱，收发一次邮件，发表一次回帖，都在这个网络时代留下了自己的足迹，给这个信息社会带来井喷式增长的数据。这种信息数据以亿计字节增长的现象，标志着一个时代的到来——“大数据”时代。

　　在过去，公司做市场调研的时候，常常会采用问卷调查、电话采访等形式，并运用一系列复杂的数学模型或统计学软件分析市场现状，判断消费者的消费走向。这种方式不仅要消耗大量的人力物力，在时间上也需要一段时间才能得出最终的分析结果。如今，随着“大数据”时代的到来，数据分析变得前所未有的简单。因此，运用大数据定位客户也将成为现代化企业不可忽视的一项议题。

　　那么大数据能反映什么呢？又如何利用大数据定位客户呢？

　　举个简单的例子：西班牙服装零售品牌巨头Zara利用互联网数据，通过“大数据”分析捕捉全球各地消费者的消费偏好及喜欢的设计样式，使设计出来的成衣更具针对性和代表性。通过“大数据”分析，大大缩短了前期主题设计的时间，降低了成本，提高了工作效率。相比其他服装产业花费半年乃至更多的时间推出一季新品，利用大数据定位客户的Zara赢在了起跑线上。

　　再举一个常见的例子：现在我们打开邮箱，常常能收到一些广告链接，如当当网打折，天猫又促销了等，还有一些产品的推荐。如果你平时留意的话就会发现，这些广告邮件是因人而异的，不同人被推荐的商品并不一样，而且往往被推荐的商品都是你感兴趣或者是正需要的。那么电商们是怎么做到针对每个人的喜好或需求推荐商品的呢？

　　这个与“大数据”时代有着不可分割的关系。我们的每一个网络记录都是给“大数据”提供了资源，留下了我们自己的印记。商家们通过对每个客户的信息采集分析，能够精准地判断出客户的购买需求及偏好，有针对性地推销自己的产品，成功定位客户。正如之前的一则新闻中所说，美国的一个父亲通过亚马逊推送的婴儿纸尿布商品广告，才得知自己未成年女儿怀孕的消息。成功利用“大数据”进行客户分析，商家甚至可以做到比亲人更了解客户。

　　由此可见，电商们可以通过大数据收集，知道客户们进入哪些网站，查看了哪些商品，并根据这些客户的购物记录为他们选择合适的推荐商品，而商家的推荐商品又勾起了客户的购买欲望，从而循环往复，构成了一个良性循环的电子营销系统。

　　合理利用大数据分析，商家与客户之间不再是传统的买卖关系，商家自己也可以把握主动权，通过实时而大量的数字化数据，及时了解销售动向：定位客户，主动出击，展开营销攻势，真正实现“有的放矢”，在“大数据”时代实现效率和利益的最大化。

　　我们可以有个大胆的构想，或许在不久的将来，当我们需要购物的时候，我们不用像现在这样，在商场或是购物网站上一件件地挑选。通过“大数据”分析，商家们能精准地分析出我们每个人的购物“口味”，准确地为我们挑选出我们需求的商品，并通过邮箱或是一系列社交软件推送，免去了从一大堆物品中淘汰不喜欢物品的麻烦，真正实现足不出户，而尽享购物乐趣。

　　比自己更了解自己，这就是大数据时代利用数据定位客户的魅力与神奇。

　　大数据让广告智能化

　　从Google准确预测流感爆发区域，到Walmart分析出飓风与蛋挞售卖的相关性……大数据的商用化正在一步步重新构建人们的生活。在大数据的支撑下，营销的定位理念被实践得更为深化和准确。基于全体数据而非样本，基于更复杂数据而非结构化，基于相关性而非因果，大数据带来的不仅仅是数据体量的激增，更是商业思维模式的转变。

　　一、程序化购买

　　中国的RTB兴起于2012年，作为一种新兴的媒介购买方式，它打破了传统的营销主、代理商(即广告公司)以及互联网媒体之间的媒介采购方式。通过将媒体资源与媒介需求共同放置在一个交易平台上，竞价高者获得广告展示，这一系列全部依托机器计算完成，整个过程仅需100毫秒，大大提升了广告购买和展示的效率。实现RTB技术的背后，是实时数据收集和分析技术的实现。基于追踪用户代码，实现对目标客户的锁定，再进行对应的广告投放，这一广告购买流程变换的背后是事实上广告界由“广告位购买”向“受众购买”的根本性理念转变。

　　二、基于网络节点的社会关系挖掘

　　网络世界的连接节点构成一张网，将用户的社会关系越来越多地通过节点囊括其中，尤其是社会化媒体的深入发展，社会化关系属性表现出的内容越来越丰富。文字、图片、视频、音乐等用户的网络数据被记录和收集，基于特定的算法，实现不同属性间相关性的探究，从而描绘出用户图谱，分析预测该用户的消费倾向或趋势，甚至于针对其社交圈进行相应的广告投放。

　　无论是RTB还是社交关系管理，大数据驱动的营销策略都让广告更加个性化和针对性，精准地命中目标消费者。

　　三、未来广告方向的指导

　　当把过去一个世纪的广告数据资料收集、整理、分析会出现什么样的结果？宾夕法尼亚大学沃顿商学院营销学教授斯科特·阿姆斯特朗通过几十年的研究给出了答案。当过去一个世纪所有的广告数据被收集分析，将影响广告效果的85个变量进行相关性研究，最终得出的结果出乎我们的意料。广告界中的常识性认识被推翻，比如广告的“动之以情，晓之以理”事实上并不如单一诉求(或感性或理性)来得有效；广告效果的最终效果也可以事先进行评分，以预测最终的效果。

　　大数据以及实现实时及海量数据分析的云计算技术的成熟和商用，广告未来将会受到更多的冲击，技术将成为驱动营销变革的最主要力量。

　　大数据下的品牌代言

　　2013年11月15日，第六届金投赏国际创意节百度分论坛如期举行，百度副总裁曾良携百事中国CMO（首席营销官）Richard Lee、时尚集团副总裁张扬正，以及知名歌手吴莫愁共同亮相，以“大数据时代，营销是个技术活儿”为主题，畅谈掌握和运用大数据对选择品牌代言人的重要性。曾良认为，“找代言人不能只凭直觉，依靠百度大数据才是最靠谱的”。

　　为什么通过大数据找品牌代言人最靠谱？曾良表示，随着用户使用互联网习惯的变化，营销已经过了“粗放式”阶段，俨然是一门技术活儿。“广告主的印象和直觉已经不能成为决策的重要依据。灵敏嗅觉，配合大数据分析，才能找到最适合的代言人。”

　　会上，曾良分享了一个经典案例——百事成功牵手排名“2013年华语女歌手吸金榜”第一位的吴莫愁做品牌代言人。曾良从认知度、美誉度、相关性、差异性四个维度阐述了百事如何借助大数据优选这位吸金女王，以及百度的各类增值产品如何为实现双赢品牌代言提供服务。

　　曾良称，从百度指数、百度风云榜等数据得知，吴莫愁的关注度和知名度非常高，甚至超越了王菲、李代沫等热门人物。事实上，吴莫愁一出道便颇具争议，但从百度大数据来分析，这些争议仅限于每位观众对她不同的感觉，而不是她自身的负面或绯闻。百事查看这些数据后发现，吴莫愁具有相当多的美誉度，并且个性鲜明，带有很强的新生代正能量。这成为百事选择吴莫愁的另一个要素。

　　“有知名度和美誉度还不够，必须根据品牌特性找出有差异性和相关性的代言人。”曾良解释，例如，百事借品牌探针工具捕捉到吴莫愁身上坚持自我、特立独行的气质，这非常符合百事的品牌调性。又通过百度司南了解到，北方出生的吴莫愁，其关注人群在北部城市也明显偏多，因而可以在相应的地区加大广告投放力度。百度的一系列工具能帮助广告主找出独特且合适的代言人，以获得更突出的投放效果。

　　百度的大数据洞察分析，促成百事最后签下这位有争议但又个性鲜明的歌坛新秀。从结果看，算得上是完美的双赢。百度的搜索及各垂直产品内相关数据显示，与百事签约后，今年人气稍有回落的吴莫愁再度升温，形成又一个新的人气高峰。

　　在成功代言百事广告的2013年，吴莫愁跻身“年度华语女歌手吸金榜”第一位。同时，“吴莫愁代言百事”的相关检索量快速攀升，从而带动了百事品牌关注度的增长。从百度搜索风云榜人物兴趣图谱来看，百事可乐与吴莫愁的相关度极高，也是吴莫愁代言过的众多品牌中唯一上榜的。曾良表示，“吴莫愁广告上线之后，为百事可乐贡献了很多新增搜索量及关注度。百度视频和百度音乐数据显示，吴莫愁的百事广告MV播放量已接近3亿次。百事与吴莫愁的合作，再次验证了选对靠谱代言人可以获得共赢的结果”。

　　谈到百度大数据的优势，曾良补充道，“百度拥有大数据的金矿，海量的数据库能够储存网民的真实需求，这个金矿对于广告主洞察消费者有着重要的价值。另外，百度拥有如百科、知道、音乐、文库等多个产品频道，是一个可将需求整合的媒体平台。这样的海量数据和洞察分析，为广告主做品牌建设和营销提供了良好的技术支撑”。

　　对此，百事CMO Richard Lee表示赞同：“大数据也是做营销的必备工具，以往我们要作很多分析，而现在可以借助大数据广泛地洞察年轻人。同时，百度提供的大数据是即时性的，有助于我们及时调整策略。”时尚集团副总裁张扬正也表达了强烈的合作意愿，“我们也十分关注大数据，希望与百度合作共同发力挖掘大数据金矿”。

　　百度连续两年对近百位CMO进行的调研亦表明，CMO们认为最需要掌握的就是大数据营销技能，优秀的创意再借助百度大数据和全平台创新产品，才能做出最靠谱的决策。“创意是艺术也是科学，在如今的大数据时代，营销是数据基础与良好直觉判断的完美结合。如果在科学的基础上添进艺术的成分，一定会达到事半功倍的效果。打个比方，在这个时代，大数据就是CMO们的左脑。”曾良总结道。

　　大数据的预测性销售分析

　　据《福布斯》网站报道，专栏作家、IT分析师和MarkoInsights的所有者库尔特·马尔科（Kurt Marko）撰写文章，分析了大数据在销售体验、分析上的作用，认为大数据有助于提供销售和支持新体验，并可应用于预测性销售分析。以下为该文章的主要内容。

　　今天数据如同消防管里的水一样冲刷着企业，要理解所有数据非常困难：从大量数据中难以提炼出有价值的信息。然而，现有的容易使用、采购和购买的工具允许企业，甚至小企业都能利用数据的描述及预测能力。一个特别需要这种洞悉能力的地方就是销售过程，由于店内、在线和移动应用环境与整个渠道客户体验的冲突，这个过程已完全改变。

　　一、重新塑造了销售和支持体验

　　你需要一个在线销售战略。销售计划和过程曾是割裂的：离线使用时间证明的零售手段，而在线是一个新世界，关注漂亮的网站设计和编程与严格的后台物流效率相互配合。2014年在线销售额占假日季节购物支出的40%，并在以两位数增长，可以说销售的未来属于在线。

　　特别是当移动应用与体验整合在一起时，这种便利性和效率是惊人的。但离线购物远未消亡，特别是日益与在线因素结合在一起。消费者忍不住去看、去触摸和比较实物产品，当与大量在线产品信息来源结合时，会形成一种反冲效应，即顾客首先在网上研究，但最终在实体店购买。

　　销售进入混合时代，互联网无处不在，智能手机饱和，实际将离线零售世界、实体店和在线网站及移动应用融合成一个点，整个购物过程中顾客常常在不同地方徜徉。事实上，最佳的在线购物体验就是，将个人接触如提供互动对话（在最佳离线环境中常见）的好处的实时聊天，与在线、随时随地接入的便利性融合起来。

　　结果是，有效的在线销售和营销战略不再是奢侈品，而是商业必需品。虽然多数购物依然在传统购物大街上完成，但越来越多的购物在售前过程就包含了在线元素。顾客购物之旅可能包括多个在线部分，除了产品、零售和媒体网站，顾客常常从社交网络寻找建议、进入讨论板块、向朋友求教和寻求在线客服的支持。总之，在线销售战略极其重要。

　　二、大数据应用：预测性销售分析

　　然而，企业无法在网络销售行动上大把撒钱，必须审慎使用宝贵的营销预算。该战略必须将销售努力集中在最可能成为购物者的访问用户上，这些人是真正购物的人而不是随意浏览的人，这需要让他们获得个性化内容并与知识丰富的代理商实时对话。

　　预测性分析和在线销售及支持管理软件应运而生。这些平台，从Infer、InsightSquared、Lattice到其他公司，聚合、采集和分析有关用户过去和现在的线上及线下行为数据，确认前景、发布目标广告和促销信息，发起互动聊天会话，并随后获得更多的销售信息等数据。

　　这么做的目标是，在营销渠道如网络搜索、电邮、在线广告和内容或社交网络促销生成高质量线索。通过分析整个渠道的数据，企业能更深入理解在线客户的意图和目标。有了这些知识，企业可提炼有价值信息，有针对性地发布营销和促销信息，提出更好、更诱人的优惠。这提供了简化购物体验和互动售前支持，将客户变成购物者，大幅提高销售额。

　　预测性软件常常能产生两位数销售增长并抵消了成本的上升。不过，主动助手必须有鉴别能力，不能将资源花费在不需要帮助的购物者身上。如果购物者很顺利，就不需要让他们分心去聊天或联系客服，因为这样做只是提高了销售和营销成本，没有增加销售额。只有关注可能需要帮助才会改变或完成交易的购物者，企业才能提高销售额。

　　大数据改变过往产品经验

　　相信大家做产品到一定经验之后，很多时候都会依据自己的经验去设计产品，可能经验已经被过往的产品验证过了，所以在设计新产品的时候没有多加考虑。进入大数据时代后，这一经验法则不再适用，很多场景下，过往的经验只会让产品变差，可以说这是因为没有与时俱进，但从务实的角度看，却是没有在根本上从用户角度出发。问大家一个问题，当你的经验与产品的数据反馈相违背的时候，你会选择相信哪个？

　　现在产品的发展思路中，数据的基础建设越来越受重视，这和大数据的概念和数据营销的方法离不开，这几年对数据的应用使越来越多的人开始相信“数据会说话”，拍脑袋的决策减少了很多。对于产品经理来说，原先就要作很多分析：市场分析、竞品分析、需求分析等，现在只是多加了一个“数据分析”，这些“分析”的手段虽然不一样，但目的都是相同的，因此接收起来应该没难度，只不过被包了一层“大数据”的外衣，不知道是什么东西了。概念永远只是概念，落到实处的做法才是我们真正需要关心的。就像“云计算”概念，各种“云”，弄得很玄乎，实际上是虚拟机、网络硬盘等技术的变种。

　　有了数据之后，如何应用又是一个问题。让数据躺在那里睡大觉是发挥不了效用的，要结合工作实际需要去针对性地分析。分析的结果可能与你原来的经验相符，也有可能相反，下面就朱军华遇到的几个场景来说一下数据的威力在哪，它是如何改变过往产品经验的。

　　场景一：合并支付的功能

　　做过电子商务的朋友应该都对这个功能有了解，就是未支付的订单可以合在一起一笔支付掉，支付成功后，合并的每个订单的支付状态都会更新。最早见于淘宝，因其支付宝可以支持这样的业务功能，之后别的支付方式也逐渐开始支持这个功能，合并支付在电商网站上就逐渐都有了。合并支付有一个数量上的限制，就是一次可以合并支付多少个订单。拍脑袋的想法肯定是越多越好，最好是无限制，但这个功能有一定的技术局限性，无法支持很多订单同时支付。

　　这个场景所遇到的就是这个问题，产品端设计时把数量阀值设为20单，从过往经验来看，用户分别去下20个订单，然后再去合并支付的可能性非常小，从用户的购物习惯来分析，要买很多东西的话尽量会下在一个订单内，就像去超市购物会一车推出来一起结算，这个从自营电商的角度看，基本上就是这样的。从平台电商的角度看，每个商家的发货、物流体系不同，一次下单可能会生成多个店铺的订单，但数量能超过20个店铺的比例应该也非常小。但就是这个阀值出了问题。

　　某次促销，收到很多用户反馈无法完成支付，提示订单数量不能超过20。说实话当时是很惊奇的，拉了一下数据发现，促销期间支付请求订单数超过20的有5000多次，涉及15000多个订单，排除掉重复请求的因素，每次请求的平均订单数是30单，大大超过了我们所设定的阀值。针对这个问题，我们拉了一下平常的数据，发现支付请求订单数超过20的平均每天有600多次，假设以客单价100元来计算，每天大概影响了600×20×100=120（万）的销售额，一个阀值影响了这么多钱，可能平时反馈得不多，被忽略掉了，促销的时候集中爆发了。

　　当然这里面肯定有原因存在，事后的原因分析这里不作详细介绍，但产品设计时没有设计好是有责任的，解决方案就两种：一种是调高这个阀值；一种是在下单支付流程上就限制住，不让用户一口气下20单以上或同时选择20单以上进行支付，具体采用哪个方案，取决于技术的支持和其他因素的综合考虑。

　　场景二：支付成功后取消订单

　　取消订单的功能相信大家都了解，在网上买过东西的人都知道，在对方发货之前是可以取消订单的。对于未支付的订单取消，因没有产生任何交易，是没有问题的，但是已经支付的订单取消，就需要考虑取消的时机了。首先发货后肯定不能取消，货物在途不好追偿；其次如果是定制类的商品，支付成功后可能商家已经开始订货了，要取消的话就需要商家确认。这里要分享的场景就是后面一种，需要商家同意才能取消的订单。

　　从产品角度来看，取消订单是一个很好的收集反馈的入口，可以设置有针对性的原因让用户去选择，从而收集回来改进产品。我们根据产品的诉求和一些目的，设置了七个初始化的原因，而一般在设置原因的时候，因为没法囊括所有的情况，都会设置一个“其他”的选项。而最后收集回来的数据发现七成左右都集中这个选项上，如果根据经验去看这份数据，就失去了意义。但这是一个很奇怪的现象，难道真是我们所设置的初始化原因没有戳到用户取消订单的痛点吗？一个原因没有戳中也就算了，总共有七个原因，不可能都没有命中的。

　　通过数据分析我们发现，用户第一次提交取消订单请求的时候，“其他”选项的占比才两成都不到，而商家处理结束后，“其他”选项的占比却上升到七成，剩余的三成大部分还是因为超时未处理而取消掉的。这说明了一个问题，那就是用户修改过取消订单的原因，从数据日志记录上看也印证了有修改。也就是说我们原先设置的原因基本上还是命中了的，如果就采用最终收集的占比数据去看这个过程，那就没有任何意义了。

　　至于为什么会导致用户去修改原因，这里不作详细说明。最终的结论是，我们只能参考日志数据中用户第一次提交的原因数据。

　　通过这两个场景的举例，可以看到有些时候依据经验办事已经不靠谱了，需要透过现象，去看背后数据反馈出来的本质，产品经理要站在更高的角度去看待产品设计，脱离原来经验的束缚。但这并不是说数据是万能的，数据可以提供很好的参考，提供决策的依据，但数据不是全部，很多时候还是要靠产品经理去判断产品的发展趋势，过往经验也能提供很好的参考。只不过经验从“遵循”变成了“参考”，数据也是“参考”，这样能让产品经理更客观地去作决策。