為何眼下大批企業的數據案例難以凸顯代價？個中很主要的一點是，產物司理沒有懂數據。許多的產物司理還逗留在從前做產物的階段，靠感到來做產物其實不曉得若何用數據來改良產物，更沒意想到數據巳經成瞭做產物的焦點原資料。曩昔的it時期我們隻是簡略的應用數據，很少為懂得決題目而提煉過數據。為何我要誇大提煉過的數據？由於假如我們要讓數據發生代價，讓更貼身的數據剖析框架去辦理用戶的現實題目，就須要將數據嵌入到產物大概臨盆流程中，在數據提煉的末瞭一千米，讓數據在產物中措辭。

　　若何讓數聽說話？在曩昔的信息時期，我們最善於的辦法是依據汗青數據統計紀律，指引行為。好比我們會統計曩昔一個月周五下晝六點的出租車小費，盤算出價均勻數，然後告知用戶發起給小費5元。我們所應用的數據大多都是單一角度而靜態的數據。

　　而如今，我們更願望獲得全景而靜態的數據集。好比我們能夠獵取分歧街道的梗塞水平，從而盤算司機對小費的敏感度；我們能夠聚集鄰近的氣象情形，演唱會散場的時光數據等等來猜測某個時段，某個地段大概成交的打車小費金額。如許的算法就是應用瞭更周全的大數據，經由過程更多的情況靜態數據，而非汗青統計數據來供給辦事。

　　將來，產物司理須要理解若何用數據來增值。這個中有三個癥結點：產物化，數據化和貿易眼力。而眼下許多產物司理更多存眷的是產物化，疏忽瞭數據化。

　　那末若何用數據來增值呢？讓數據前置。

　　假定我須要為女兒挑選一所黌舍，假如要等三個月後測驗成就出來，才曉得黌舍沒有靠譜，會沒有會太糟？假如我可以或許依據數據盤算來權衡這所黌舍是不是合適我的女兒，這就是數據前置。許多數據代價的癥結就是數據前置，讓更多半據嵌入到產物當中，發生代價。

　　另外一個更輕易懂得的案例是谷歌無人汽車。谷歌無人汽車就是在用數據剖析框架來完成辦事。這一辦事的條件是數據的質量、穩固性和盤算速率都已充足完美，使得數據指引行為進入瞭完整主動的情境。谷歌的工程師用上千個模子來支撐這一數據剖析框架，以包管無人汽車在行駛中沒有會湧現不測。

　　反不雅眼下大批公司的營業，許多公司還逗留在用統計數據做決議計劃參考，假如我們將數據剖析框架運用到公司營業中，我們就會發明一個全新代價。