10.
如何理解人群包？
第一，人群包是平台为了数据变现在个人隐私和商业应用之间平衡的产物。不管是阿里也好还是腾讯也罢，在人群包上都有「一次打包人群不得低于5000人」的规定，为的就是避免个人信息和个人隐私在使用中透出；
第二，人群包和「精准到人」并不冲突。人群包解决的是人群细分问题，也就是说要我的信息要触达什么样的一群人，我从数据上、算法上、策略上予以定义，利用平台的数据工具打包成一个黑箱；而「精准到人」指的则是在打包人群之后，利用机器对机器之间的黑箱机制，定位和精准推送到人群包中的每个个体，推送过程不可见；
第三，人群包中，人能影响的部分在于初始的人群定义，以及算法的设定等等。人群定义来自于对经验的抽离，以及准确而有效的数据挖掘，如果涉及商用，则需要更多的行业经验输入，根据商业常识提出算法逻辑，以及进行算法调优。
第四点，也是理解上最重要的一点，人群包首先是工程问题，其次是业务问题，最后才是数据问题。
以前在朋友圈发了一条吐槽：「偏激点说，如果没有工程能力，就别谈大数据了。」点赞的朋友不少，不过，对于大部分没有碰过数据的童鞋来说，恐怕很难理解这里的槽点在哪。
下面我就依据一年来投身大数据的经验，从我的角度聊聊这件事情。一家之言，不求正确，但求有所启发。
11.
先从对大数据的认知入手来聊聊对于big data的两种截然不同的误解。
第一种，矮化big data，把big data等同于survey data和census data，只关注数据质量好坏和分析方法是否合理。
第二种，神话big data，就是对于大数据存在不合理的想象，似乎大数据一出，什么问题都解决了。
如果简单粗暴地来跟之前个人观点做对照的话，第一种观点把big data视为数据问题，认为BI就可以解决；第二种观点把big data视为业务救星，却忽略了数据上所需要的条件，以及缺乏清晰的目标指向——我知道有机会，但不知道机会在哪；我知道有风险，但不知道风险在哪。
这两种误解本质上都仍然停留在数据分析的思维上，也即用数据分析来辅助（高层）决策，而并没有真正使用数据来驱动业务：
如果你自称是数据驱动，但每件事情都必须由一位分析师经手，那么，你就不是真正的数据驱动。
数据分析和数据驱动的gap在于，在科层制组织中，传统BI的目标在于支持决策层更好地决策，因此更重视数据本身的质量，更重视分析和洞察的精确性，而对于效率要求并不那么高，最终的成果需要浓缩成为PPT和PDF，由决策层根据报告进行决策，并向下传达命令；但是在扁平化的互联网公司，数据驱动的目标在于支持打仗中执行层的业务和决策，更重视的是决策效率，更重视的是普通员工是否能用数据进行自我决策，对于分析和洞察的精确性要求并不高，更在意的是分析、洞察环节都能用机器的方式完成，解放人去做人的事情，从而提高执行效率，更重视的是执行后的优化和迭代。
简单来说，对于传统BI，大数据只是分析和洞察的其中一个数据选项，但是对于大数据环境下的数据驱动，更重视的是「快速、规模和效率」前提下的数据工业化处理、数据挖掘以及使用者的自我决策。
这个gap，存在传统BI和大数据BI之间，也存在BI和业务之间，业务抱怨BI给的数据没有任何用途，BI抱怨业务没有给出明确的分析方向。但是，通常来说，业务和BI都会抱怨没有高质量数据和可靠的分析工具（躺枪）。
不管是把大数据视为业务问题还是数据问题，都忽略了数据存储、计算、消费过程中的工程难题——如何让每个员工都能够通过数据自我决策，如何让每个业务行为都能够通过数据自我检测，如何让数据驱动业务成为实践而不仅仅是挂在嘴边……所有这些问题，都需要通过计算机工程来解决，在平台上做数据产品，最缺的从来不是产品经理，而是各种工程师。
事实上，这就回到了题目中的第一句话：「（大数据）首先是工程问题」，如果不从这个角度来理解大数据，业务和BI永远处于一种互相打架的状态，而不是合作来推动大数据的产品化、商业化。
12.
把人群包以及背后的大数据视为工程问题，意味着在使用人群包之前，需要趟过诸多数据采集、存储、计算、消费背后的社会、技术、经济（也称SET效应）坑。
以平台为例，（以下6条引用自@才言 的总结）
1、从线下IDC到线上计算平台的gap（IOE带来的诸多坑）；
2、计算平台常规作业到熟练使用大数据开发套件的gap（先搞懂BI吧）；
3、从开发节点调度管理到熟悉使用数据产品服务使用的gap（人和物的数据不一样）；
4、从拼凑数据产品服务到理解整套解决方案的应用场景的gap；
5、从解决方案确定到预算、合同和项目周期等商务环节的gap；
6、这里面还没有提到算法，走到建立在分布式集群上的算法平台还存在gap。
具体的就不一一解释了，反正碰到了实际的业务问题，自然会懂。
这些gap，首当其冲的就是工程落地的gap，不考虑是否能落地的大数据业务，就好像没有打地基的楼房，看着威武雄壮，实际上风一吹就倒，没有意义。
以数据收集为例，我们可能会碰到以下问题：
1.目标所需要的数据是否可收集
2.收集成本是否可以接受
3.不同数据源的数据是否可以打通
4.海量的数据存储问题如何解决？
5.数据架构如何设计？
……
其次，就是从产品到业务的gap。是否需要开发新的数据产品（模块），以及，需要什么样的产品（模块）组合，类似这样的问题，常常令人挠头。
以品牌建设为例，我们就至少会碰到以下实际的问题：
1.如何从行为数据（current behavior）推导出真实的消费欲望（desire behavior）？
2.如何从互联网的GMV KPI切换为Brand KPI？
3.如何从人群的Targeting（定向）推导出Insight（洞察）？
4.如何保证品牌所使用的人群洞察有效可用？
……
从产品到业务的gap，一句话来说就是「算法代替经验公式」的gap——哪些经验公式可以被算法代替，哪些暂时不能，还要从商业服务维度考虑有效的产品组合、业务进度、灰度管理以及企业数据的安全等等问题。
对于训练有数的分析师来说，这些或许都不是大问题，但是对于数据挖掘来说，或者更进一步说，对于数据产品的落地，都是大问题。
总的来说，为数据找到实际的应用场景，在今天，是比讨论大数据的数据质量和分析方法更有意义的事情；而大数据工程能力的缺乏，则会让以上讨论都毫无意义。
13.
回到人群包的讨论上来。
前文提到目前阻碍大数据规模化使用的两大基本问题：数据打通和数据质量，这两点在上一篇《数据上云之一》里面已经有过解释，这里说一说为什么理解人群包非常重要。
以前在其他文章里讲过一个基本观点：
电商1.0是零售上网，电商2.0是数据上云。（详见诎作《什么是大数据业务》一文）
分享一种最近一直在用的数据视角来分别解释这两者。
简单来说，就是以货为中心和以人为中心的区别：「零售上网」是基于货的id去mapping（匹配）所有的数据，不管是天猫、京东，还是顺丰、菜鸟，核心视角是货的供求关系；而「数据上云」是基于人的id去mapping所有的数据，核心视角是人有哪些需求，又是如何被满足的。
和货的数据相比，人的数据要更为海量和多元，也更难收集和处理。仅以投放举例，过去你只是想卖货，那么，阿里妈妈三千个标签就足够满足你的需求，但当今天你不只是想卖货，还想和消费者建立一些联系，并且想通过这种联系从激烈的竞争中脱颖而出，那么，阿里妈妈的数据标签就不够用了。后来御膳房一度成为投放的新宠，以及今天钻石展位（阿里的display广告产品）越来越成为商家曝光的首要选择，都是这种需求的表现。
当这种需求无法通过数据满足的时候，人们就只能转向媒体诞生后的「内容定向」来寻求和消费者的强联系，自媒体以及自媒体广告的火热，背后隐藏着的正是数据营销从「以货为中心」向「以人为中心」的转变。阿里巴巴大举旗帜进入内容营销、以及去年阿里妈妈在大会上宣布「去标签化」、阿里巴巴商家事业部发布客户运营平台，都是这个过程中最具有代表性的事件。
再举一个例子，我之前所参与的大数据策略产品，核心在于「每个人的价值观由其喜爱的事物所构成」，试图从人的One ID的角度来重新梳理底层数据以及算法，用价值观分群的方式，用大规模、工程化的数据处理能力，智能化洞察每个个体的需求，来重新定义人、货、场之间的关系。
这也一定是未来数据产品的发展方向。
把商业从数据意义上强回归到「以人为中心」，这就是人群包的意义所在。
14.
如果略加展望，那么，未来那些拥有「数据围栏」，并能够从各种业务中收集到人群数据的商业项目最具有商业前景。
举生鲜超市为例。
线下的生鲜超市，在高德地图上只能说是一个point（点），而不是POI（point of interest）点，因为在地图的这个点上，你只能查看到地址在哪，从我所处的为止过去要多少公里，可能还有一些外观的照片和店铺自己写的介绍；
好一点的生鲜超市会开展线上配送业务，那么，你在饿了吗的app上可以查看这家店铺有哪些生鲜供货，价格如何；
但是，当消费者的ID在平台上和其他平台数据打通以后，那么，店铺或许就会知道核心消费者的消费水平如何，他们更喜欢在外面吃饭还是自己做法，他们经常听什么音乐，喜欢什么明星，因此，就可以在店铺中针对性的开展新业务和提供新的服务，这个时候，在这个point上就富集了大量的人群兴趣，并且，我们有途径（比如支付宝）可以和人群产生互动，让数据流动起来成为活数据。
我并没有说盒马鲜生，不过我认为这就是接下来最具有数据商业前景的模式：
- 首先是线下某类人群的富集区域或工具（原生或者后来创造）；
- 其次是该业务整体上线，并且可以通过第三方支付、移动app等方式和人群发生互动；
- 长远来说一定是数据可规模化采集，或者属于独特的数据类型，或者就是数据质量特别高，短期内的表现可能是人群需求富集，或者是人群（包）质量比较高。
这个公式简单来说就是：数据上云=零售上网+人群包。
下一篇会对这个公式进行详细解释，这篇就写到这里了。
<未完待续>
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。
