從2個用數據提升轉化的場景聊開去

利用數據提升經濟效益有很多戰場，本文聊的是用戶轉化領域的2個典型情景和現存的問題。（其他還有偏後台的供應商管理或工作流平台優化，有空再寫）

現在有哪些用戶行為數據（以OTA為例）

用戶從搜索入站，關鍵詞是出行需求；出行日期和當前日期的差距，暗示用戶此時處於出行的何種階段，以及出行可能的類別；反覆搜索、篩選、查看的過程數據；多設備反覆以上過程的數據；（假如沒有就這樣離開了）完成預訂的行為數據；查詢訂單狀態，可能有來電來信的行為數據；完成後的點評，索取發票的溝通等行為數據。

假設我們不看以上任何數據，最傳統方式在後台一個個產品錄入，根據價格/分類排序，也完全可以售賣。借鑒了數據之後，首先「準備幹啥」，其次「為了什麼」，讓我們分兩大類的利用數據的方式，來解答這兩個問題：

第一大類 潤物細無聲

客人沒有感覺到額外的事情發生，最主要的場景是「排序」--這個詞範圍很大，產品排序，類別排序，評論排序等等，只要是排序就有數據優化空間。

排序的基本因素，大致可以分為三部分：

一是內容本身的質量

不同類目差距很大：

虛擬產品關注是否傳遞了充分的信息，例如OTA來說，圖片數量、種類、質量，格式化的基本信息，例如位置信息，設施和使用說明等等；

如果是實物產品，涉及倉儲，例如哪個分倉有哪些SKU，配送費用等；

虛擬和實物共有的，影響排序的內容，是服務內容，比如退改籤條例，一般而言服務類內容有行業標準和法律法規，比較難拉開差距（但是鑽空子的行當還是太多了，比如ota。。。。，這種情況下服務類內容對質量分影響很大）；

第一部分對大部分打工同學來說根本不是問題，因為如果內容都不具備，根本不會有什麼數據分析和數據運營，然而對創業同學來說，大部分時間還是花在這部分，後面的事情略奢侈。

二是非實時的干預

比如付費對排名的影響（這個可以寫一個p4p的長篇論文，對於不做ppc的人來說就是買流量，其實完全不是這麼一回事兒，市場投放的人命苦就在這裡，不多展開。）

再比如根據市場活動需求排序，根據利潤排序，根據賬號購買歷史排序等等。

這部分其實客人大都可以自己排序篩選，無非是有一個默認排序，以及特殊區域、廣告區域的排序而已。

三是實時的干預

也就是所謂大數據反哺。舉例子來說，如果這個客人在之前的記錄里，顯示出商務或者大款的特徵（類似價格倒序排序，只看這個地區最貴的酒店），此時應該在各個角落將各種排序從D絲版本切到高富帥版本。

這時的排序調整可以對轉化起到戲劇化的影響-不僅僅是增加了客單價，甚至因為優先展示了高價產品，轉化率會更高，因為讓某些客人覺得合乎身價。

三個層次排序的數據應用水平

排序優化的應用水平，也就是一二三的順序，首先基礎內容是最最根本的，沒有一，什麼也玩不起來；二可能對新轉型互聯網的行業有難度,一般來說都是標配；三是更上一層樓的對資源和團隊有一定要求的、比較前沿的領域，二線以上互聯網公司一般都有。

第二大類 嘈切錯雜彈

相比第一類的盡量不打擾，第二類是「適度打擾客人」。

如果說第一類已經充分進入大數據時代，第二類的現狀就基本屬於和數據分析沒有太大的關係，靠行業經驗和直覺來試錯。

類比線下的傳統行業，如果第一大類是超市如何放置商品貨架的話，第二大類無疑就是主動推銷的促銷人員了。

傳統零售行業，包括傳統軟體行業，已經有極其成熟的經驗體系，即在客人進入門店的每個時間節點，介入推銷的成功率是有規律性的差異的，這是需要培訓給每一個，學歷可能不是太高的店員店長的。至於傳統軟體行業，互聯網時代的小朋友可能很難想像，大部分銷售是靠會展的（其他部分是靠酒席的），和傳銷拉人一樣，在展會過程中，為與會者做產品介紹的每個時間節點，例如見面寒暄，介紹冊，參觀展廳，介紹案例，各個環節和情景下，介入干預並說服的成功率是不同的，同樣有完整的培訓體系。

然而目前這一切都是基於經驗，而不是基於理性的。

時代已經悄然發生變化，翻譯軟體已經可以通過機器學習，自行掌握不同語言的語序差異和使用習慣，在統計學進入這個領域之前，這是無法描述給機器的、只有人類能做到的模糊任務。換句話說，假如能收集大量的可供學習的素材，「在哪個時間節點，如何打擾客人，收益的期望最大」是完全可以計算的。

不做任何干預的情況下，客人在進站-搜索-排序-篩選-再次搜索-排序-離站或支付下單，有一個期望的轉化率，我們的命題就是，根據用戶的行為數據，選擇最合適的位置「打擾」客人，並驗證這個選擇是否最優，逐步改善。

對傳統超市、會展銷售、呼叫中心來說，在根據經驗制定了操作流程和培訓之後，在流程和培訓無法企及的地方如何繼續優化呢？--完全是殘酷的適者生存，如果銷售人員和產品、當地客群本身「相性」高（也就是匹配），自然會越「打擾」業績越好，如果不匹配，很快就會走人，天朝最不缺的就是用來試驗的人，很快就會產生明星推銷人員，沒有人會關注離開的人。

然而離開的人並非沒有價值，我們換個角度思考，如果在殘酷的適者生存的過程里，用數據記錄完整的過程呢？性別/年齡/學歷水平/主動程度/切入的話題/擅長的產品類別，不斷淘汰，不斷有人脫穎而出的過程，正是典型的模型參數學習過程。

回到最開頭的ota會員營銷話題，本文想說的是，無論打擾的方式是站內信/edm/微信，還是簡訊/電話，打擾的內容是陽春白雪的文案還是下里巴人的讓利，我們現在跳出執行的細節層面，在整體來看，形式/內容/話術風格/時令/地域文化差異，共同影響了結果，而這一切只要有數據，都是可以機器學習的。

顯然如果只有online數據，無論完整性還是完備性都是不夠的，還需要有和客服/門店/快遞人員的語音記錄等線下內容。雖然難度看起來很大，但是令人不寒而慄的是，如果這些問題被克服了，實際上就不需要多次重複建設，這可能是一種公共社會基礎模塊，類似《三體2》里，幾十年後到處觸摸屏、實時語音提示的情景。

這種（顯然會導致一大堆人失業的）未來，在目前看來並不是非常不可能，除了數據獲取和清洗需要很大的投入之外，暫時無法克服的只剩下一些存儲和運算的性能瓶頸而已。

聊一點題外話

在古裝片里，經常能看到皇帝召出占星師之類的角色，用八卦來推算未來，一般來說我們稱之為「迷信」。

然而假如用數據運營的角度重新看，有一些古代知識分子，根據歷史經驗，把各種相關事件抽象到陰陽八卦（也就是1和0的二進位），以3位數的二進位（例如乾就是111）來將歷史事件歸納提煉，變成「某種規律」，當需要占卜時，只需要把當時已知的情況作為參數錄入進「某種規律」，就可以得到一個誤差極大、但具備一定參考價值、並且演算法還在不斷更新的「天意」。

用這個角度看，在沒有任何計算設備的古代，這個方法是何其的科學。（而且占卜結果不好，並不會重新算、或者改掉，相比之下比現在的統計局還更靠譜一些）

在思考一些數據應用的情景時，偶爾就會想，可能我們現在的很多數據處理方法（為了克服性能問題，大量用減少精確性的偷懶假設，比如馬爾可夫鏈），在未來人類看來，和陰陽八卦的誤差率數量級是差不多的。帶著這些遐思去一邊整理隨筆，一邊回顧歷史、吐槽未來，也算是周末（帶娃之餘）最簡單最純粹的快樂吧。