利用数据提升经济效益有很多战场，本文聊的是用户转化领域的2个典型情景和现存的问题。（其他还有偏后台的供应商管理或工作流平台优化，有空再写）
现在有哪些用户行为数据（以OTA为例）
用户从搜索入站，关键词是出行需求；出行日期和当前日期的差距，暗示用户此时处于出行的何种阶段，以及出行可能的类别；反复搜索、筛选、查看的过程数据；多设备反复以上过程的数据；（假如没有就这样离开了）完成预订的行为数据；查询订单状态，可能有来电来信的行为数据；完成后的点评，索取发票的沟通等行为数据。
假设我们不看以上任何数据，最传统方式在后台一个个产品录入，根据价格/分类排序，也完全可以售卖。借鉴了数据之后，首先“准备干啥”，其次“为了什么”，让我们分两大类的利用数据的方式，来解答这两个问题：
第一大类 润物细无声
客人没有感觉到额外的事情发生，最主要的场景是“排序”--这个词范围很大，产品排序，类别排序，评论排序等等，只要是排序就有数据优化空间。
排序的基本因素，大致可以分为三部分：
一是内容本身的质量
不同类目差距很大：
虚拟产品关注是否传递了充分的信息，例如OTA来说，图片数量、种类、质量，格式化的基本信息，例如位置信息，设施和使用说明等等；
如果是实物产品，涉及仓储，例如哪个分仓有哪些SKU，配送费用等；
虚拟和实物共有的，影响排序的内容，是服务内容，比如退改签条例，一般而言服务类内容有行业标准和法律法规，比较难拉开差距（但是钻空子的行当还是太多了，比如ota。。。。，这种情况下服务类内容对质量分影响很大）；
第一部分对大部分打工同学来说根本不是问题，因为如果内容都不具备，根本不会有什么数据分析和数据运营，然而对创业同学来说，大部分时间还是花在这部分，后面的事情略奢侈。
二是非实时的干预
比如付费对排名的影响（这个可以写一个p4p的长篇论文，对于不做ppc的人来说就是买流量，其实完全不是这么一回事儿，市场投放的人命苦就在这里，不多展开。）
再比如根据市场活动需求排序，根据利润排序，根据账号购买历史排序等等。
这部分其实客人大都可以自己排序筛选，无非是有一个默认排序，以及特殊区域、广告区域的排序而已。
三是实时的干预
也就是所谓大数据反哺。举例子来说，如果这个客人在之前的记录里，显示出商务或者大款的特征（类似价格倒序排序，只看这个地区最贵的酒店），此时应该在各个角落将各种排序从D丝版本切到高富帅版本。
这时的排序调整可以对转化起到戏剧化的影响-不仅仅是增加了客单价，甚至因为优先展示了高价产品，转化率会更高，因为让某些客人觉得合乎身价。
三个层次排序的数据应用水平
排序优化的应用水平，也就是一二三的顺序，首先基础内容是最最根本的，没有一，什么也玩不起来；二可能对新转型互联网的行业有难度,一般来说都是标配；三是更上一层楼的对资源和团队有一定要求的、比较前沿的领域，二线以上互联网公司一般都有。
第二大类 嘈切错杂弹
相比第一类的尽量不打扰，第二类是“适度打扰客人”。
如果说第一类已经充分进入大数据时代，第二类的现状就基本属于和数据分析没有太大的关系，靠行业经验和直觉来试错。
类比线下的传统行业，如果第一大类是超市如何放置商品货架的话，第二大类无疑就是主动推销的促销人员了。
传统零售行业，包括传统软件行业，已经有极其成熟的经验体系，即在客人进入门店的每个时间节点，介入推销的成功率是有规律性的差异的，这是需要培训给每一个，学历可能不是太高的店员店长的。至于传统软件行业，互联网时代的小朋友可能很难想象，大部分销售是靠会展的（其他部分是靠酒席的），和传销拉人一样，在展会过程中，为与会者做产品介绍的每个时间节点，例如见面寒暄，介绍册，参观展厅，介绍案例，各个环节和情景下，介入干预并说服的成功率是不同的，同样有完整的培训体系。
然而目前这一切都是基于经验，而不是基于理性的。
时代已经悄然发生变化，翻译软件已经可以通过机器学习，自行掌握不同语言的语序差异和使用习惯，在统计学进入这个领域之前，这是无法描述给机器的、只有人类能做到的模糊任务。换句话说，假如能收集大量的可供学习的素材，“在哪个时间节点，如何打扰客人，收益的期望最大”是完全可以计算的。
不做任何干预的情况下，客人在进站-搜索-排序-筛选-再次搜索-排序-离站或支付下单，有一个期望的转化率，我们的命题就是，根据用户的行为数据，选择最合适的位置“打扰”客人，并验证这个选择是否最优，逐步改善。
对传统超市、会展销售、呼叫中心来说，在根据经验制定了操作流程和培训之后，在流程和培训无法企及的地方如何继续优化呢？--完全是残酷的适者生存，如果销售人员和产品、当地客群本身“相性”高（也就是匹配），自然会越“打扰”业绩越好，如果不匹配，很快就会走人，天朝最不缺的就是用来试验的人，很快就会产生明星推销人员，没有人会关注离开的人。
然而离开的人并非没有价值，我们换个角度思考，如果在残酷的适者生存的过程里，用数据记录完整的过程呢？性别/年龄/学历水平/主动程度/切入的话题/擅长的产品类别，不断淘汰，不断有人脱颖而出的过程，正是典型的模型参数学习过程。
回到最开头的ota会员营销话题，本文想说的是，无论打扰的方式是站内信/edm/微信，还是短信/电话，打扰的内容是阳春白雪的文案还是下里巴人的让利，我们现在跳出执行的细节层面，在整体来看，形式/内容/话术风格/时令/地域文化差异，共同影响了结果，而这一切只要有数据，都是可以机器学习的。
显然如果只有online数据，无论完整性还是完备性都是不够的，还需要有和客服/门店/快递人员的语音记录等线下内容。虽然难度看起来很大，但是令人不寒而栗的是，如果这些问题被克服了，实际上就不需要多次重复建设，这可能是一种公共社会基础模块，类似《三体2》里，几十年后到处触摸屏、实时语音提示的情景。
这种（显然会导致一大堆人失业的）未来，在目前看来并不是非常不可能，除了数据获取和清洗需要很大的投入之外，暂时无法克服的只剩下一些存储和运算的性能瓶颈而已。
聊一点题外话
在古装片里，经常能看到皇帝召出占星师之类的角色，用八卦来推算未来，一般来说我们称之为“迷信”。
然而假如用数据运营的角度重新看，有一些古代知识分子，根据历史经验，把各种相关事件抽象到阴阳八卦（也就是1和0的二进制），以3位数的二进制（例如乾就是111）来将历史事件归纳提炼，变成“某种规律”，当需要占卜时，只需要把当时已知的情况作为参数录入进“某种规律”，就可以得到一个误差极大、但具备一定参考价值、并且算法还在不断更新的“天意”。
用这个角度看，在没有任何计算设备的古代，这个方法是何其的科学。（而且占卜结果不好，并不会重新算、或者改掉，相比之下比现在的统计局还更靠谱一些）
在思考一些数据应用的情景时，偶尔就会想，可能我们现在的很多数据处理方法（为了克服性能问题，大量用减少精确性的偷懒假设，比如马尔可夫链），在未来人类看来，和阴阳八卦的误差率数量级是差不多的。带着这些遐思去一边整理随笔，一边回顾历史、吐槽未来，也算是周末（带娃之余）最简单最纯粹的快乐吧。