說起數據，我們并不陌生。有火熱不絕于耳的互聯網大數據，有用來支撐結論所需的數據論證，還有做運營做方案要用到的數據統計等，無一不圍繞著數據。盡管我們如此熟悉數據這個詞，知道很多領域都需要使用到數據。但真正說要解釋數據是什么，卻不是那么容易說清楚。

百度百科對數據的解釋是：數據是數值，通過觀察實驗計算得出的結果。官方的釋義當然科學準確不用質疑。但是我們能不能從一個產品人的角度來對數據有更常規和生活化的認識和理解呢？讓我們更清晰的明白數據之于互聯網和產品來說到底是什么？

一、數據是用戶信息

用戶信息指的是就是用戶姓名，性別，出生年月，居住地址，職業，家庭關系這些信息。 互聯網常說的獲取用戶數據其實就是獲取用戶信息。 對于互聯網來說用戶數據至關重要，無論是電商，短視頻，出行還是其他互聯網領域獲取用戶的本質還是獲取用戶資料信息。從用戶資料信息了解用戶屬性，偏好等，以便更好的推出更好的產品來服務用戶。以電商為例來說明，用戶信息有：姓名，性別，生日，搜索記錄，收貨地址，商品訂單信息等。電商平臺可以根據這些數據來用于精準人性化推送產品，達到促成交易的目的。比如你要搜索鞋子。在用戶沒有準確輸入男鞋還是女鞋的情況下，性別就是個重要屬性了。結果會抓取你的性別信息來出結果，以至于不出現女鞋讓人覺得尷尬的情況。搜索記錄也是很重要數據信息，會被平臺自動記錄下來。通過搜索記錄可以判斷用戶需求和喜好，例如：當你瀏覽過男鞋，下次進到首頁就自然會給你推薦男鞋出來。這些智能推薦并不是真的智能，而是通過用戶信息進行數據分析，給用戶匹配合適的結果，滿足用戶的需要，用戶信息就是重要用戶數據。

二、數據是產品內容

對于很多以內容為主的應用來說，海量的數據是它們賴以生存的資本，它們的數據量其實就是內容。比如：抖音，易車，頭條這些應用。作為內容類型的應用，需要有龐大的數據量來支撐用戶使用。內容型應用有個特點，推薦閱讀很強大。推薦可以根據所在地域，朋友關系，觀看類型等給用戶推薦閱讀內容。通過相同的屬性在龐大的數據基礎上獲得內容。記得剛刷上小視頻的時候給我一種輕松和愉悅的感覺。輕松是因為簡短的視頻閱讀起來輕松，不費腦。驚喜的是它能根據家鄉和所在城市和觀看過類型推薦朋友和相關的內容。看過做飯，就會有更多的美食視頻推薦；你了解了日本這個國家的人文風情，同時就會推薦韓國和朝鮮讓你觀看。有人曾經開玩笑說，短視頻軟件可以幫我們不用出門就可以看遍世界。雖說是玩笑，但也確實沒有夸張。短視頻軟件上的的確確能讓我們刷各種類型的內容，國外的，民俗的，一本正經的，惡搞的……無奇不有。對于以內容為核心的平臺里說，數據就是內容，并且數據量大到你法想象。與此相類似的還有網課，網絡讀書等需要大量內容來支撐的應用。對于以內容為生的產品而言，一切內容都是數據。

三、數據是數字統計

我們大家常規理解的數據就是數字統計了，也可以說是數據監測。軟件應用都是有后臺管理的，用于統計數據。這些管理記錄著產品的投放使用情況。后臺的數據統計能夠幫助產品和運營判斷產品使用情況，制定產品方案。例如：一款產品上架到應用市場中。后臺能夠統計出有多少臺設備在使用它，每日每月有多少用戶活躍等等。 數據統計是數字，是一些具有相同特性的數據集合。 舉個電商店鋪的例子：假如店鋪當天獨立訪客（UV）是1000，下單購買產品A是100。1000和100是數字統計集合，他們相同點是結果相同，是訪問店鋪人數集合和購買了同一款產品的人數集合。

從數據統計中發現共性背后隱性秘密

很多人會忽略一個事情，就是只看到數據表面的共性，而看不到數據表象背后的秘密或者不同。不同或者秘密就是這1000和100相同結果的背后是由不同的原因和行為動機組成的，背后的不同是能決定數字集合是多少的關鍵因素。假設產品A是一款男鞋，還是以購買了100雙男鞋為例。相同點是：100個人買了這款鞋不同點是：100個人買這款鞋的動機和原因不同。也就是說購買的動機和原因是數字表面上看不到的，需要我們去分析的，分析出組成這些相同結果的原因，可以幫助我們繼續放大購買結果。購買的動機和原因可能會有：價格合適、款式新穎、穿脫方便、耐臟、享受優惠、海報詳情設計等等組成這100人購買是由以上多種原因組成，當然每種原因的所占比例不一樣，對于所占原因比例大的商家可以在進行優化，學會分析出背后的原因的好處是能能夠幫助調整策略，提升銷量數據。比如：價格高了就小幅下調一些，優惠券的力度大一些，海報設計優化的更好些。可能銷售量就高于100甚至更多。

四、產品人要如何看待數據的作用？

1. 了解用戶，服務用戶

只有更加了解用戶，才能更好提供服務。 好比熟悉我們的朋友，它們能很輕易的知道我們有什么需要，而無法輕易了解一個陌生人需要什么。了解了用戶，就容易知道用戶需要什么。天貓和百度，它們把我們每一個搜索記錄都記錄下來。并根據瀏覽時長，瀏覽的頻次，瀏覽的價格區間，一層一層分析用戶需要，抓取符合用戶的這些習慣的產品，最后推薦給用戶。經過這么多維度數據分析后得出的結果和用戶需求的精準度已經是非常之高。

2. 審視自己，發現不足

數據也像一面鏡子，組成的數據也能反應產品本身。 16年我所在一家互聯網+財稅平臺公司。據那時候的數據了解，深圳每天大約有3000家新公司注冊，那時候公司的定位是做全深圳最大的互聯網財稅平臺。可是公司每天的客戶量僅寥寥十幾二十個，占比在1%都不到，這遠遠與公司最大的互聯網財稅平臺不符。所以從這個數據統計可以審視出自己有哪些方面的不足。比如不足有：

公司注冊+記賬這項外包服務品牌對于眾多創業者中不強，沒聽過公司品牌；
公司的網站SEO并未做出色，用戶在搜索引擎上查閱不到公司；
公司向擴展客戶的業務未做好；
是否需要通過投放廣告來做更多的曝光和傳播等。

3. 提出目標，制定策略

數據統計很大的一個作用就是量化。用量化來明白自己所處的位置，并判斷是否有提升的空間。還是以上面案例為例：一天幾十個客戶，市場占有率在接近1%客戶量。對于一個小工作室來說業務量可能會吃不消。但是對于一個接近200人規模的公司來說簡直是杯水車薪，1%不到的占有率可能只在競爭的末流。假設制定的短期月目標：將客戶量增加至100。措施可以是：

了解網上創業平臺，與創業接觸合作，嘗試投放廣告，增加曝光；
創業者很多都是從網上了解注冊公司知識，重視搜索引擎SEO優化；
易拉寶地推線下宣傳。

（以上措施僅為案例分析需要，僅供參考）

五、若無法獲得統計數據？用“費米問題”進行估算

有些數據我們無法獲得。比如，策劃項目前期做的一些市場分析，市場數據，項目需要根據市場的情況來定位自己；再如，競爭對手的情況。這些我們都無法直接獲得，但是又至關重要。 這種情況我們可以采用估算的方法來估算我們數據參考。這種方法叫“費米估算。

舉例：請估算一下一家商場在促銷時一天的營業額？

思路：從商場規模、商鋪規模入手，通過每平方米的租金，估算出商場的日租金，再根據商鋪的成本構成，得到全商場日均交易額，再考慮促銷時的銷售額與平時銷售額的倍數關系，乘以倍數，即可得到促銷時一天的營業額。具體而言，包括以下估計數值：以一家較大規模商場為例，商場一般按6 層計算，每層大約長100 米，寬100米，合計60000 平方米的面積。商鋪規模約占商場規模的一半左右，合計30000平方米。商鋪租金約為40 元/平方米，估算出年租金為40*30000*365=4.38 億。對商戶而言，租金一般占銷售額20%左右，則年銷售額為4.38 億*5=21.9 億。計算平均日銷售額為21.9 億/365=600 萬。促銷時的日銷售額一般是平時的10 倍，所以大約為600萬*10=6000 萬。誤差分析：我們這里計算是屬于理想狀態，商場的商商鋪肯定會有空置和在招租的情況。我們也要將空置率排除在外。以上便是關于費米估算的一些思路。供參考。