吴明辉:如何从数据中挖掘商机,打造B2B独角兽企业?

吴明辉 2018-03-27 09:37:31

在上周六水滴产品进化营的课堂上,明略数据、秒针系统创始人兼董事长吴明辉老师,结合多年创业所悟之道,向同学们深度解析了:

1. 为什么不要盲目迷信大数据,尽信“数”不如无“数”?

2. 吴明辉创办的两家To B企业——明略、秒针是如何成长为独角兽公司的?

3. 大数据行业,未来的商机在哪里?

今天的笔记共计 3454 字,全程为你放送:

数据的价值来源于,得到数据后,后续行为的决策价值

在大数据时代的背景下,不少拥有敏锐商业嗅觉的人开始思考一个问题:能否用数据做生意?但答案令人遗憾,我认为用数据做生意其实是一个悖论。从概念来讲,数据和生意这两件事相去甚远。数据是解决信息不对称的,生意的本质是利用信息不对称的。将这矛盾的双方联系到一起,怎么做成生意?

话虽如此,可确实有很多人用数据赚了钱。举个例子,如果你把数据理解成为一个底层的东西,实际上可以认为绝大多数人是在利用数据赚钱的。只是赚钱手段不一样,商业利用的不对称信息可分为两种:一次性的信息不对称和持续流变的信息不对称。通常而言,只有持续流动的情况才有可能利用数据赚钱,一次性的信息不对称顶多是闷声发大财,将这个信息用到极致。

如何将数据变成一个产品,如何去表达出它的价值,这是至关重要的。数据是时间的朋友,因为时间是最值钱的,所以数据产品的价值在于帮助他人来节省时间提高效率。我们可以从两个方向深入去理解数据的价值:

第一个方向是数据创造信任,这也是秒针公司的座右铭,降低决策成本是数据非常重要的一个价值。比如广告主在为投放广告犹豫不决时,秒针拿出充分的数据分析,就可以促使决策的发生。数据创造信任,其实数据本身对不对不是最关键的,信任才是其核心。信任降低了整个社会最核心的成本,从而使得社会效率提升,赋予数据价值。

8.jpg

从心理学上来讲,为什么数据可以产生信任?因为人的决策过程是你的感官系统翻译外部信号变成符号,第二步是再把符号进行逻辑推理加工,决策过程产生最后的决定,并付诸行动。数据的价值正在于此。

第二个方向是数据减少试错成本,这是数据实实在在的一个很重要的价值。为什么数据不能证实而能证伪?任何大家觉得对的东西都是通过严密逻辑推理的,逻辑推理讲求三段论,第一段是前提假设条件,条件为什么是对的呢?如果你要证明那个条件是对的,它又有前提假设,一层一层往下推,推到最底下那层即公理部分,公理就一定对吗?非欧几何里就说,两条平行线可以相交。数据太复杂了,可因为这样就束手无策吗?

9.jpg

世界是复杂的,但有一个现象,即这个世界绝大多数情况是连续的。面对复杂你很难对长期的未来做出预测,但对短期未来的预测是有准确性的。比如大家炒股这件事,程序化交易高频交易其实就是短期可预测,这是复杂性系统讲的一个东西,很多事情变化是连续的,你非常快速去做交易是可以赚到钱的。

数据分析通过时空比较,可以帮你寻找最佳实践,这可能会节省你这个业务做决策的试错成本。你原本是要乱试的,但是经过比较你会发现有些方向不用试了,这就是数据的价值,是信息的价值,你可以把它变现了。

数据本身其实是没有价值的,它的价值源于你看到这个数据后它做出的后续的决策价值。数据的价值,或者一个数据产业的价值,完全是取决于这个数据产业所应用的场景。举个例子,在数字广告业务中,秒针通过向客户提供以目标受众为核心的广告监测数据,帮助其实现精准营销,放大客户的收益。这种便捷高效的服务体验,自然使秒针产生巨大的产品价值。

很多公司拿一个商业计划书就说自己的模式很厉害,免费模式产生的大数据很值钱。如果你想当然的认为有数据就一定能赚钱,这绝对是一个假说。

数据产品:垄断场景更重要

许多产品经理都知道一个重要的公式,即产品价值等于新体验减去旧体验减去替代成本。回过头来具体聚焦在数据产品上面,它的价值公式应该是什么?决策者在使用你的数据产品之后,应该会提前了解到变化,数据产生的价值就是让你提前了解变化,提前了解变化以后,它可能针对自己的业务节省成本或者产生新增的价值。

数据产品价值=决策者提前了解变化所节省的成本和新增的价值-替代成本

0.jpg

这是数据产品的新体验减去旧体验得出的结论,当然还要减去替代成本。这个替代成本可能有时候可能是负数。数据这个行业有的时候数据成本是在降低的,一个新的方法有可能成本比原来还低,替代成本反而增加了。我们不断去优化数据产品价值的方法论很简单,要么把前面的数变大,要不把后面的数变小,最好是负数,所以这就是数据产品的产品公式。

数据产品的目标就是要加速实现和放大决策者在信息不对称的这种收益,加速也很重要,这个信息你了解得越快越好。

控制论是现代科学里面非常重要的理论,任何一个人做决策或者是一个系统向前推进向前运动过程中,其实有感知环节、理解环节和决策的环节,最后再去行动。在控制论中有个很重要的模型叫感知响应模型,这个模型应用到数据商业化有三个相对应的要素,即:数据源、人、应用场景。

•数据源:感知响应模型中,感知出来的结果就是传感器收过来数据。

•人-决策者的需求:很多互联网公司以前绝对不可能买秒针的产品,但是你今天它们都买了,因为它们都成了大企业,滴滴、美团、头条都买了秒针的服务,它们的钱越来越多,请的人越来越专业,一旦专业了以后就会用专业的工具做分析,以前它规模小的时候时候根本没有人能做分析,所以人很重要。

•场景-数据的使用场景:主要是信息不对称的场景。比如公安情报研判中的关联关系挖掘与分析,这个肯定是人算不如机器算。

如果这三件事哪件事情做得不好,那么这个数据就无法实现商业化。

所以数据生意的机会一定是在这三个要素中间某一个要素或者某两个要素发生巨大变化的时候,才会有新的创新机会。为什么?所有的生意都是连续的,别人原来在这个行业里面做得好好的,凭什么你今天突然杀出来?凭什么你过来把它们给颠覆了?一定是这个产业里面一个要素、两个要素甚至三个要素都发生了重大变化,这个时候你才会有创新创业的机会,才会有我们做出独角兽公司的机会。

11.jpg

一个数据公司的价值,是由它所服务的那个行业价值决定的。你所服务的产业有多大,在这里面乘以一个百分比应该就能够得出你公司的价值了,这就是数据商业化。

选择场景是数据商业化最核心的,而且每一个场景里面都要有一个核心决策的问题,这个问题要决策需要一些数据,你只要选对了,这个决策又很有价值,你就可以去商业化了。

那么,如何拿数据去挣钱?

在任何一个细分市场里面必须垄断,不垄断不要想有机会产生利润,硬件为什么有机会产生利润?是因为它的边际效应不是零,它的硬件本身是有物料成本的,这个成本有很多情况下不透明,这个时候你就有机会在里面去赚钱了。

那么,如果你想实现垄断,是垄断数据源呢?还是垄断使用数据的人呢?还是去垄断场景呢?没有垄断是产生不了利润的,到底垄断什么?我想告诉大家我自己的观点,我做了这么多年数据产品,我认为垄断场景更重要而且也更容易,垄断数据几乎不可能,垄断人更不可能。

场景可以垄断,因为所有的场景有固定的预算。我举个例子,这个钱是不能复制的,如果给服务商A就不能给服务商B,不可能每家都会买,先都买试试哪个靠谱,谁靠谱给谁。买更多好的数据,场景是可以垄断的,因为钱可以垄断,因为用数据的人手里面可以用来买数据的钱是有限的,这个钱不能复制,给了A就不能给B了。

一个数据产品、一个信息产品,不垄断没有机会赢的。因为这个品牌信任选择你,所以品牌建立了之后,数据产品是有机会垄断一个场景的。这是数据类产品的一个特点。

另外一个机遇是什么呢?一个是很多场景重大历史变革,另外一个就是你数据成本历史的一个突然变化,也可以创造数据生意的机会,数据源其实是经常容易发生变化的,很多新的数据源会诞生。

我们其实是更快地产生数据,更快地产生精准数据,数据越来越多,越来越好,迭代的速度越快,这个数据的价值就越大。

很多公司做出了好的产品但死就死在,客户不会用

前面讲的是我利用数据做生意自己的一些心得体会,最后稍微解读一下自己两个公司的生意。今天总结一下,秒针之所以能赚钱是有一定道理的。举个例子,秒针在发展的这十几年过程里面也在尝试做小B业务,最后总是失败,基本上没戏。我就想是场景本身太小了。如我刚才所讲,数据产品的价值是跟它所面对的场景的规模、场景的价值来不断变化的。

软件类的产品、信息类的产品、数据类的产品,一旦充分竞争,因为你的边际成本几乎是零,所以最后一定会陷入价格战,你最后就没有钱可以赚。因为这个原因所以我们就不能去做这件事情了,一定是换别的方向。

而换别的方向的这时候我们就发现一个最大的问题:如何帮助我们的客户去使用这些数据是更有价值的?比如选择了公安的行业,不仅是帮他做一套平台,存这些数,而是帮助他们把这些数真正用起来,能破案,所以后来我们就做了帮助他去破案的这套系统。

所以,应该说数据产品商业化的过程是很痛苦的,因为你光有数据没用,光有场景也没用,很多很多的公司都是死在最后你做出一个好的产品没人会用,因为你会用,不代表你客户的人会用。在这里还以公安系统为例,我们刚开始提供给公安的研判系统,只有很专业的警察才能使用,普通警察搞不定这件事。这就是一个产品的可接受度问题,产品的使用受限或者是“用户不会用”,会直接影响到产品的普及。因为人的原因调整产品,通过不断的迭代和尝试逐渐形成闭环,才能实现公司价值的不断增长。

同理,明略推出的企业级Siri小明,也是为了解决人机交互难题,通过自然语言问答的形式降低人工智能产品的使用门槛,比如初入职场的警察对小明说:“小明,帮我解析案件线索。”小明就反馈关于案件的关键词,并进行解析。这样才能让没有计算机背景的警察、风控经理、地铁运营业主都能轻松使用,客户才愿意购买、使用你的产品。

长按二维码关注我们