為什么眼下大量企業的數據案例難以凸顯價值?其中很重要的一點是，產品經理不懂數據。很多的產品經理還停留在以前做產品的階段，靠感覺來做產品并不知道如何用數據來改善產品，更沒意識到數據巳經成為了做產品的核心原材料。

過去的IT時代我們只是簡單的使用數據，很少為了解決問題而提煉過數據。為什么我要強調提煉過的數據?因為如果我們要讓數據產生價值，讓更貼身的數據分析框架去解決用戶的實際問題，就需要將數據嵌入到產品或者生產流程中，在數據提煉的***一公里，讓數據在產品中“說話”。

上個月，我乘坐晚上七點的飛機從杭州到北京，結果七點整的時候，“飛常準”告訴我航班延誤了，一個小時后，它再次告訴我延誤繼續，一直到晚上十一點。

這個 APP一直在給我提供信息，但是這些信息并不能給我更多的決策判斷。如果當時這個APP的產品經理能夠設想關聯更多信息，他是否可以告訴我隔壁海航有班八點的航班可以立即改簽飛走?這還不是數據產品，只是把信息善用在產品上，就立刻使得產品有了新價值。

但是很可憐，當時我并沒有獲得這樣的信息服務，一直從七點等到半夜十一點，“飛常準”不斷提供的延誤信息只能讓我越來越苦惱。

信息化和數據化的區別就在于，信息化為我們提供了參考，而數據化讓我們可以直接行動。從給建議到直接行動，這之間有巨大鴻溝。

為什么數據價值沒法落地?

如何讓數據“說話”?在過去的信息時代，我們最擅長的方法是根據歷史數據統計規律，指引行動。比如我們會統計過去一個月周五下午六點的出租車小費，計算出價平均數，然后告訴用戶“建議給小費5元”。我們所使用的 數據大多都是單一角度而靜態的數據。

而現在，我們更希望得到全景而動態的數據集。比如我們可以獲取不同街道的堵塞程度，從而計算司機對小費的敏感度;

我們可以集合附近的天氣情況，演唱會散場的時間數據等等來預測某個時段，某個地段可能成交的打車小費金額。這樣的算法就是利用了更全面的大數據，通過更多的環 境動態數據，而非歷史統計數據來提供服務。

未來，產品經理需要懂得如何用數據來增值。這其中有三個關鍵點：產品化，數據化和商業眼光。而眼下很多產品經理 更多關注的是產品化，忽略了數據化。

那么如何用數據來增值呢?讓數據前置

假定我需要為女兒選擇一所學校，如果要等三個月后考試成績出來，才知道學校不靠譜，會不會太糟糕?如果我能夠根據數據計算來衡量這所學校是否適合我的女兒，這就是數據前置。很多數據價值的關鍵就是數據前置，讓更多數據嵌入到產品之中，產生價值。

另一個更容易理解的案例是谷歌無人汽車。谷歌無人汽車就是在用數據分析框架來實現服務。這一服務的前提是數據的質量、穩定性和計算速度都已經足夠完善，使得“數據指引行動”進入了完全自動的情境。谷歌的工程師用上千個模型來支持這一數據分析框架，以保證無人汽車在行駛中不會出現意外。

反觀眼下大量公司的業務，很多公司還停留在用統計數據做決策參考，如果我們將數據分析框架應用到公司業務中，我們就會發現一個全新價值。

如何將數據嵌入業務?

也許你會問，我們一直在說“將數據嵌入業務”中，在實際操作層面，我們應該如何嵌入?

在我所在的工作團隊中，我遭遇的困惑是，產品團隊、數據團隊和運營團隊給我的方案總是如一盤散沙難以串聯。

很簡單，產品團隊很難有數據概念，數據團隊也很少有產品理念，而運營團隊更不習慣用數據做決策。但難題在于，如果沒有辦法把這三個團隊鏈接 在一起，數據價值從何說起呢。

每當遇到這種情況，我會問自己的團隊這些問題：**什么問題?誰的問題?現在需要解決么?有數據可以滿足解決么?假如數據皆可得，那么解決方案是什么?**

盡管這些問題有助于梳理思路，產品、運營和數據團隊之間的交叉還是非常困難。 我通常的解決方案是，詢問團隊成員在特定生產流程中(有時同時也是一個決策流程)，

每天需要做多少決策?哪些決策點是否可以用數據替代解決?通過梳理決策點來尋找“數據嵌入”的靈感，是一個非常有效的方法。

也許不用太久時間，產品經理們就會發現數據化對于產品的重要意義。數據必須要和產品結合，不然數據的價值難以落地。讓數據變成產品，是產品經理***的難點，也是產品經理***的機遇和想象力。