在整个航运史上，集装箱很早就出现了，但是改变世界，还需要一个人。
这个人叫做马尔科姆・麦克莱恩，一个卡车运输公司的老板。
马尔科姆・麦克莱恩的根本性认识在于，航运业的业务是运货而不是通航。这种认识让他形成了与以往完全不同的集装箱运输的新概念。麦克莱恩认识到，降低货运成本所要求的不仅仅是一只金属箱子，而是一整套货物处理的新方法。
「通航」针对的仅仅是人们对航运业本身的业务需求，如果停留在通航上，那么集装箱就将无用武之地，因为仅仅计算通航的货运成本，人力成本并不会比使用集装箱以及其背后一系列的机器贵多少。但是，如果站在「运货」的系统角度，即把货物从出发地运往终点的货运综合总成本计入考量，那么，集装箱可以大大加快货物在轮船、卡车、铁路运输之间的周转，并且依靠机器把原本的货运综合总成本降低到一个难以置信的程度。
当时，纽约港务局的成本估算是，哪怕算上了集装箱的成本，在装卸成本上，集装箱航运也要比散装航运便宜94%。
从此，集装箱被系统地大规模使用，拓展了国家和国家之间的贸易往来，国际贸易瓶颈就此被打破，世界性生产和世界性消费成为了新常态，世界贸易格局就此彻底改变。
现在的平台大数据生态非常类似集装箱被系统使用之前的世界。
一边是平台海量的数据等待产品化和商业化，另一边是企业无穷的对于大数据的想象以及需求，但是有限的大数据产品和大数据产品的有限度使用，限制了平台的海量数据转化成为满足企业需求的利器。
打个比方的话，就像一个漏斗，上面有非常多的沙子，下面有很大的空间，但是因为被中间的通道所限制，所以沙子虽然一直在漏下来，但是漏下去的速度很慢。
为什么会这样？
之前准备了一堆的材料来试图说明理由，不过后来看到一段对此更简单明晰的表述：
很多人选择通过建模开始。有些从功能的发现或工程中开始。还有人通过搭建基础设施去做规模化服务开始。但Belkin认为数据产品只有一个正确的答案和出发点：理解如何评估性能和搭建评估工具。（via Everything We Wish We'd Known About Building Data Products）
站在数据的角度上，建模、功能发现、规模化服务都属于数据的「通航」业务，帮助需求方能够到达大数据的彼岸，但是，如果放到更系统的商业流程下来看，如果数据并不能帮助企业降低系统成本，提高商业效率，而只是在业务环节满足需求，那么，很难说，大数据能够改变这个世界。
要改变世界，大数据产品唯一有效的出发点，只能是而且应该是改变人们评估性能的方式，进而改变人们认知世界的模式。
粗略地说，性能评估可以分成两种：第一种，大数据业务产品，类似「通航」，服务于具体的业务，关注分项业务数据从而有效地评估业务性能，比如WA、运营；第二种，大数据策略产品，提供辅助决策，类似「货运」，关注核心关键数据从而有效地评估系统性能。
举个例子吧。
一个家庭里面，最烦恼的就是小孩子生病了。
生病有两种情况，第一种，有明显的病状，比如抽搐、严重外伤等等，第二种，没有明显的病状，比如感冒、发炎等等。第一种情况下，需要立刻送医院找医生治疗，这毋庸置疑。但是，面对不明显的病状，我们要如何决定是否要送医就诊还是在家休息呢？
通常情况下，最有效辅助我们决策的是下图这个东西——一支体温计。
如果小孩子的体温持续一小时超过39度，那么，大部分家长都会考虑送医就诊。而医生则会要求小孩子去做血检等等详细的检查，从而获取到更详细的数据报表。
根据检查的数据报表，医生确认小孩子得了什么病，病灶是什么，需不需要挂盐水，要吃哪些药。
在这个过程中，体温计就是家长的辅助决策工具：它提供了一个核心关键指标——体温；并且，通常情况下，不管是医生还是网上的资料都提供了一个决策参考的性能评估指标——超过39度最好就要送医。
而那张血检的报表就是医生的业务工具：它提供了详细的业务（血液成本）指标，并且对这些指标进行了分类的性能评估，根据指标偏离参考指标的状况，来判定采取什么样的业务对策，从而有效扭转病情。
小孩治病的过程，其实是一个双层决策：首先是家长利用体温来决定是否送医，其次是医生根据详细检查来确定如何治病。如果总结成流程，那么可能就如下：
1）小孩子的就诊决策过程：
发现问题（生病症状）-收集数据（体温）-分析数据（是否高于39度）-制定策略（送医、先用冷毛巾降温再观察、使用退烧药或者退烧贴）-决策（送医或者不送医）
2）医生的诊断流程：
发现问题（生病症状）-收集数据（分项检查）-分析数据和病情形成报告（诊断报告）-解决问题（对症下药）-监测（体温是否仍然高于39度等等）-治愈
整个流程中，最重要的是两个东西，第一个是体温这个核心关键指标，家长根据其与参考值（37度正常体温）的差额进行系统评估和决策，第二个是诊断报告，医生根据分项检查后的归因分析对症下药。
为什么要详细说明小孩治病的整个过程，因为，如果仔细去考察成熟品牌的决策流程，事实上也是这样的一个「战略-策略-执行」的双层决策逻辑：首先决定是否有病以及是否需要看病，然后才是看什么病以及怎么治病。
在上一篇<22>为什么你的品牌营销越来越难，因为你缺少Big Strategy里，我曾经描述品牌的花钱逻辑大概如下：
这条链条上最重要的商业逻辑其实是这样的：给到品牌一个系统的评估结果，通过支持品牌的系统决策，从而在品牌的预算里面分得最大的蛋糕。
说白了，所有的蛋糕（投放策略、业务策略、执行策略），都是建立在一个决策之下：我要建设什么样的品牌，对外发出怎样的one voice，如何建立消费者认知，怎么样积累品牌资产，等等；再到具体策略这一环节，比如投放什么媒体，每个渠道分配多少预算，也都建立在一个投放决策之下：我要怎么投放才能对我的品牌负责。
就像小孩是否需要寻医问诊只需要一个体温计，为什么要这么决策，如何评估这一个决策的系统性能，也只需要一到两个核心关键指标就可以了。
下面就可以来说说大数据沙漏的瓶颈出现原因了：因为现在所有的大数据产品给品牌商提供的都是「分项检查报告」，而不是「诊断报告」，更不是「体温计」。
简单来说，大数据产品提供的详细而丰富的数据维度，本质上都只是类似血检这样的分项检查报告，你知道自己的白细胞升高了多少，血小板减少了多少，但是，这并不能告诉你是否需要去医院就诊，还是自己用退烧药就能解决。
如果你想系统性地了解现在面临的问题，那么最好的办法，就是雇佣一个私人医生，比如成立BI团队，聘请数据科学家和数据工程师，或者找到专业的医生，比如交给一个有数据能力的第三方，从而生成一张系统的「诊断报告」。
但是如果仅仅是「分项检查报告」，那么，是由传统的市场调研公司提供还是由平台大数据产品提供，这两者有本质上的区别吗？
我倾向于认为没有。
我的倾向来源于过去淘宝「数据魔方」产品的体验。站在数据分析的维度，数据魔方提供的数据已经相对非常丰富，可以用于电商运营，然而，我所接触过的品牌市场负责人，却无一例外抱怨说，数据魔方没办法用于制作向老板汇报的PPT，「一份100页的PPT，数据魔方最多只能用于5页PPT的制作」。
这里的困境在于，品牌市场负责人需要的是对品牌这一「系统」的整体评估结果，而数据魔方提供的只是在淘宝这个单一市场上业务的分项评估，品牌需要自己拥有「私人医生」来生成诊断报告，从而提供系统评估结果。
下面，我们来看看这个「私人医生」需要具备什么能力。
首先，他得懂云计算吧，得知道平台的数据是怎么出来的吧，得知道怎么通过算法建模吧，甚至得知道怎么搭建数据产品吧；其次，他得懂企业的业务吧，知道企业业务的每个重要细节吧，明了企业的战略意图如何落地吧，会做商业分析吧。
一言以蔽之，这是个超人：既具备数据科学家级别的技术能力，又具备企业家级别的商业分析能力。
大部分情况下，品牌能找到的「私人医生」只有两类。
第一，平台战略合作，由平台提供个性化的「私人医生」服务。比如《Alimama大数据营销白皮书》里面提供的所有案例，都是平台和品牌合作show case的结果，但是标准化的产品和服务一直都在探索和成型中，并不能形成规模；
第二，由传统agency提供的咨询顾问服务，通过市场调研公司、研究机构等等来形成品牌「诊断报告」，并提供相应商业解决方案。属于完全个性化的服务，市场很大，玩家也很多，需要品牌自行甄选。
目光所见，反正我是没发现哪个团队同时具备这两项能力还有规模化实施能力的，要真有这样的团队，请告诉我，我借钱也一定要投天使，跪舔也要投，恩。
然而，当我们在讨论医生的时候，我们似乎忘了，我们最终需要的只是一个系统的评估结果，而不是这个评估结果是谁给的，怎么给的。这就好象俗语所言，客户要的是墙上的洞，而不是钻头。
举个例子，传统投放中，投不投电视节目，第一看的是收视率，投不投媒体，第一看的是发行量。现在投视频媒体，可能首先要看播放时长和点击量，投自媒体，要看用户量和阅读数。
虽然大家都说「万恶的收视率」，但为什么最终大家仍然会使用收视率作为评估指标的第一选择？
个人的答案是，成熟公司的职业经理人体系，以及负载在这个体系之上的流程，才是这类指标成为评估第一选择的原因。
在成熟公司中，所有的职业经理人都需要向公司证明自己「花钱的正确性」，哪怕是老板要拍脑袋也需要证明这一点。而为了做到这一点，成熟公司都有一整套评估流程，agency也有一整套流程来向客户证明「花钱的正确性」。
这时候，选择指标就很有讲究了。首先，评估指标必须是稳定的，如果指标今天有明天没有，就不能用于评估；其次，评估指标的计算方式必须是公开的，而且足够简单，方便追寻原因；再次，评估指标的采样成本要足够低，如果天天做调研，成本就太贵了；最后，也是最重要的，这个评估指标大家都在用，足够权威。
所以，收视率能成为投放电视的系统评估结果指标，虽然万恶，虽然有样本污染问题，虽然不能用于衡量电视节目质量等等一系列问题，但是因为上述原因，在误差范围内，仍然是「可用」的指标。
对于系统评估指标来说，可用比好用更重要。例如，为了提升收视率10%的精确度，那么所花的成本可能至少要提升一倍，但是可用性和现状没有大差别，那么，不管是品牌还是数据机构，为什么要多花一倍的钱去提升这一点点精确度呢？
那么，和传统的取样方式相比，大数据的优势体现在哪里呢？
第一，大数据使用全样样本（相对取样而言），其数据维度的精确和丰富程度，传统取样方式不能比，也更为系统；第二，大数据使用结构化数据，数据的储存和计算逻辑都保持稳定，而取样方式获取的样本和数据清洗的方式等等每次都不一样；第三，大数据是动态的数据采集过程，相比较传统取样方式频率更高也更精确，反馈更快速。
所以，对于面向品牌的大数据策略产品来说，要产生类似收视率这样的核心关键指标，是非常容易的事情。比如获客中的CAC（获客成本）、留存中的流失率等等。
唯一的问题是，这些指标都是标准的理性指标，而不包含任何「态度」指标在内。而消费者的认知态度，以及在此之上的品牌资产积累过程，恰恰是品牌所需要考量的重中之重。或者，更功利地考虑，职业经理人需要什么样的指标才能证明自己「花钱的正确性」，并且这个指标能够在品牌公司里进入流程。
从进入流程考量，平台大数据的优势在于：
第一，动态的全样本数据采集，更为真实、高频、稳定，真数据反映真问题；第二，平台的数据打通能力（ID Mapping），让数据更具备系统特征，从而可以用于系统评估，例如阿里的数据能力打通了品牌的awareness- trading-repeat-loyalty全流程，实践过程中其实有能力给出系统评估指标；第三，平台的数据采集是全方位的，不管什么数据维度，采集下来再说，加上这些数据都被结构化储存了下来，所以，历史数据都可以查询和使用，这个在阿里妈妈叫「时光可逆」，譬如说，我们在做案例的时候通过数据发现，大部分妈妈在第一次购买奶粉后6个月，会有更换其他品牌奶粉的冲动。
所以，对于平台大数据策略产品来说，现在的问题只剩下一点：系统的评估指标是什么？用什么指标来衡量品牌的体温是否达标？
事实上，我们认为自己已经找到了这个评估指标，简单到令人难以置信，只是，或许只有AT这样的平台才有能力获取这一指标。
从这一指标出发，我们构想了一整套基于指标的大数据策略产品逻辑，或者称之为产品价值观更为合适。因为产品还在寻求落地，所以，以下关于产品价值观的描述只能算是猜想了，是否通用也未可知。一家之言，不求正确，但求有所启发。
我们认为，面向品牌的大数据策略产品会具备以下的特征：
1）类似体温计，足够简单清晰
只提供一个用于系统评估的核心关键指（ti）标（wen），类似NPS，一个指标就可以用于监测、评估和发现问题；核心维度不超过2~3个，类似BDI/CDI；背后的自定义参数足够丰富，品牌可以根据自己的需求来选择参数，从而获取符合目标的评估指标。
2）让经过基本职业训练的人拿着计算器就能使用
Growing I/O的创始人张溪梦的一句话对我影响很深，他说，大数据大数据，使用的规模大才能叫大数据。什么是使用的规模呢，就是普通的员工是否能够使用数据结果进行自我决策。这也就是我不认可现在提供「分项检查结果」大数据产品的原因，仍然需要通过专业团队和专职人员的转化才能用于决策；分项功能虽然丰富，但是并不能提供系统评估。
另外要特别说明的是，虽然使用简单，但是最终的使用结果还是仰赖于使用者的经验和智力，经过专业训练的「私人医生」（比如agency）肯定比普通用户更能用好数据产品。
3）低成本
低成本的意思和2）有类似之处，分成两个层次：第一层次，提供一个品牌的体温计，一个品牌公司哪怕不雇佣「私人医生」，也能够简单使用这一产品，也能够用一个核心关键指（ti）标（wen）来监测和评估品牌策略；第二层次，客户根据数据使用付费，使用越多，需求越深，费用越高，客户的初级需求，很便宜就可以实现。
4）只提供一份诊断报告，足够发现问题
把分项的日常评估指标集中呈现在一张报表上，让品牌公司自己去发现问题。我们坚定地认为，让数据的归数据，让商业的归商业，这才是策略最正确的解法。机器不能代替人的智力。
总的来说，整个面向品牌的大数据策略产品核心就是：体温计+诊断报告（大数据智能分析）。
首先，combine平台上所有来源的数据，输出到一个数据仓库，并提供一个体温计，提供核心关键指标用于系统策略评估；
其次，打通所有的分析模型，给每个需要的人提供一份诊断报告，提供分项的关键指标用于分项的策略评估，或者用于发现问题。
如果硬要找一个对标产品的话，花了一段时间搜索我还真找到了：Segment Sources+Looker Block。
以下是Looker上对此的描述：
Segment Sources
With Segment Sources, siloed customer data can be pulled into a single data warehouse to get the complete view of the customer experience. Sources include Salesforce, Stripe, Zendesk and more added weekly. Check out the current list of connections here.
Looker + Segment
Looker connects directly to Segment Warehouses, and gives everyone in your company the ability to explore and understand the data that drives your business. Looker Blocks are available for Segment data and Sources integrations, making it easy to get immediate value and insights in the form of data exploration and visualization
自行感受一下。
实际的产品区别，是因为美国的数据生态和国内的数据生态之间有区别，有时间再来写写。
就酱。
PS：怎么觉得像是在写BP呢，啊哈哈哈哈。
人了解世界的时候，都是先问who & where，慢慢学会问why，当对答案不满足的时候就开始问how，所以，knowhow才是人对世界的回答。谢谢关注Knowhow_Ho，何夕一言堂，这是我对世界的回答，一家之言，不求正确，但求有所启发。
