作者：数据掘金者@大师兄

混迹数据江湖十余载；

专注互联网营销广告领域；

负责大数据商业变现和大数据业务架构工作。

谈到大数据，很多人一下子会联想到的是大数据处理技术，很专业、很高大上的新事物。但大数据发展到如今，大数据处理技术固然重要，但已然不是最重要的，更重要的还是要找到商业模式，形成数据商业能力闭环。也就是我想说的，大数据需要变现，需要赚钱。

很多人都会在谈大数据如何变现的事情，各行各业也确实在用大数据赚到钱，并且充斥着各种招数，除了巨头们，如淘宝、天猫等电商平台的精准营销，滴滴、高德地图和百度地图等大数据出行，抖音和快手等平台的兴趣推荐，但真正拥有大数据的数据公司或者其他类型的公司赚到钱的并不多。

那大数据如何变现？今天我就想和大家聊聊这个话题。

01如何理解数据的价值？

大数据变现的前提，数据必须有价值。当然，数据都是有价值的，这点大家都不会质疑。不同质量的数据，有不同的价值，数据的价值是客观存在的。那数据是怎么来的呢？肯定不是凭空而来的，数据是从一个场景、一个业务或者一个应用产生而来的，所以数据的价值是由它产生的环节和过程的独特属性而赋予的。因此，数据可以有很多属性，比如金融属性、交易属性、社交属性等，也正是这些具有不同属性的数据，造成了不同的数据价值，以及数据应用层面的差异化。

举个例子来说明，比方说，你日常用微信在便利店购买小商品产生的支付数据，你在淘宝上购买东西产生的网购数据，你用贷款购买房子或者车子产生的房贷和车贷等这些数据，都是具有金融属性的数据。大家也都明白一个道理，离钱越近的数据，价值越大。因此，带有金融属性的数据，价值非常大，可以直接用来做征信和金融风控，但这种数据通常很难获取。

同样，你每天通过APP看资讯、聊天、听音乐、打游戏、刷抖音等等，都会产生很多网络行为、媒体偏好和社交属性的数据，通过这些属性就可以完整的勾勒出一个人用户画像，所以，这些数据也很有价值。

02如何理解数据的变现？

什么是数据的变现？就是把这些不同属性的数据再次应用到场景中去，体现新价值的过程。而这种场景更多的是新场景，尤其是跨场景关联可能会产生更高的数据价值。

有很多公司拥有海量数据，也掌握了高深的数据处理技术，但数据一直很难变现，我想说这是数据变现能力问题。那什么是数据变现能力？就是把数据转化成生产力的能力。这些能力，主要是了解应用场景、解决客户的实际问题，并能够进一步将其提炼，包装成业务的能力。像这些公司的数据变现方式，往往是停留在售卖原始数据的初级变现方式，变现效率低下，更多的是与数据中介公司合作，很难与终端品牌客户合作。所以说，变现是一种能力，也是提升数据价值的基础。没有变现的能力，提升数据价值就是空谈。

因此，市场上一直存在一个认知误区，大数据领域赚不到钱。以我亲身经历来看，大数据赚钱并不一定需要高深的技术，也并不一定是数据量越大越好。只要真正理解了客户的需求，哪怕就是用了很普通的数据处理技术，为客户提供数据服务，解决他们很关键很头疼的问题，也能创造很大的价值，也能赚到可观的收入。

03数据变现如何落地？

数据变现如何落地？数据产生于业务或者应用，那么体现数据价值最好的办法就是要回归到业务中去。数据回归到业务有四个层级的方法，由远到近。

首先是直接售卖数据源，给数据使用方来提升数据价值。这档子生意，运营商以及围绕运营商服务获取到部分数据的服务商，比较喜欢和擅长做这块生意。他们服务的对象，主要是政府和数据中介公司。

其次是数据挖掘，数据拥有方不仅具备了数据源优势，还具备了数据加工、处理以及洞察的能力，能够把数据转化成知识来变现。所以说数据挖掘是数据价值的第一次提升。比如，第三方数据研究公司提供的专项研究，就是典型的数据挖掘服务。

然后是数据的打通，如果说数据挖掘是提升数据价值的一次体现，那么数据的打通就是使数据发生核聚变的一次反应。比方说我们有很多设备ID，很多单维度的数据，但是单一维度的数据价值并不高。因为它只揭示了很小部分的特征，只能继续用回产生数据的业务场景，无法产生跨域作用。比如，企业上传自己的数据到阿里的广告投放系统，然后在他们系统中将自己的数据与系统中的数据进行整合与计算，从而实现基于自有数据人群放大（look-alike）的特定人群投放。

最后，也是最高级的实现方法，就是数据流转。数据的流转就是数据又流动到业务，这个流回不少简单的回流，而是经过加工处理，又返回业务，产生新的数据，形成闭环。尤其是跨界的数据，或者说具有不同属性的数据进行加工、流转，形成新的业务数据，就可以使原有的数据价值得到一个极大的升华。程序化广告中的CTR预判，抖音和今日头条的智能化推荐，都是属于这一层。

04写在最后

数据变现，有很多渠道，也有很多场景。只要用心，懂市场，都不难找到。不要过于纠结什么数据模型，什么商业模型，在行业的应用过程中，尊重市场的规律，以市场导向，不喊口号，扎扎实实帮助客户解决问题，数据的价值一定可以挖掘出来。

-END-