大数据应用类产品特点：

首先，任何产品的出发点是不变的，以 用户需求、痛点为中心是永恒不变的；

其次，验证大数据挖掘产生的知识与用户需求的良好结合，才是上层设计中的关键；

再次，基于“知识”+“需求”+“技术”的应用，产生新的数据和知识。从而不断迭代、优化、更新产品 。

最后，真正达成商业目标，才是产品存活的关键。活下来，形成口碑，扩大投入，占领市场。

可以遇见的是，此类产品应用空间广泛，极具吸引力！但是投入大，周期长，预期收益不明确，是这类产品最大的挑战，小伙伴们是否做好准备迎接挑战呢？

那么，大数据应用类产品的设计、开发、验证、运营、推广、营销如何形成闭环呢？

一、大数据驱动类产品的执行框架：

大数据应用类产品实战

永恒的真理：从用户需求出发，深入到用户每个细节的场景，发现痛点；完善的商业、需求、竞品分析、基本的数据分析，将你的想法用DEMO的形式展示出来，获得认可后，开展候选工作。此时你可以明确的获知：

需要大数据为你提供哪些“知识”

能否提供这些“知识”

还可以提供哪些“知识”

这些“知识”能否满足用户需求？

带着这些问题，数据挖掘技术将带你进一步验证想法，获知答案！

使用“数据驱动”的方法，驱动产品的各个环节和阶段，后文会详细举例说明各个阶段的具体内容。

数据挖掘驱动新的应用：

验证产品idea的可实现性、假设

使“过去“预测”未来“成为可能

可自更新的数据模型，更聪明

…

数据思维驱动产品设计：

原型和需求文档开始之前，先确定核心指标

提前预测核心指标间的转化关系

…

二、数据化驱动推广

这是一个很常见的话题，各种方法非常多。在此期望分享的是，通过大数据挖掘完成新产品，客户接受度存在一定的市场预热时间，每次客户看到这种产品都会爆出惊艳的反馈，但是客户真正接受或使用产品还有段路要走，这段路就是要不断的完善内容营销。在内容营销中同样要注重数据转化漏斗和客户可接受内容之间的匹配。

数据化驱动产品营销：

数据挖掘的结果定义了产品外在、内容、功能，同时也可以定义目标客户、用户（或受众范围）。

用户使用数据定义了效果，进一步细化用户画像

三、数据思维驱动产品设计：

也许你有过这样的经历，完成一次产品设计时，基本的套路是参考几家竞品的流程，结合自身特点快速完成一版产品设计。这种做法是通用的，最显著问题是给自己挖坑：竞品的内在心得是不知道的，为什么这么做，只有自己产品上线踩了坑才知道。

首先抓取竞争对手数据，分析竞争对手核心数据转化情况，从而更优目的性的设计自己的产品。（这个方法，谁用谁知道！）

案例：某内容性网站：经过数据抓取分析，建立了竞争对手核心数据转化模型：

大数据应用类产品实战四、数据化驱动运营

大数据应用类产品一个很有意思的特点就是，首批目标用户或者目标客户就藏在数据里面。例如某人事招聘产品：

用于分析职业画像和职位晋升图谱的的简历与企业，就是平台目标求职者和客户；

用户分析企业人才流动情况的简历，决定了企业的规模、行业、地区、业务等范畴，为企业实时更新画像；

企业数据的统一、归一，加上简历中提取的企业涉及的业务范围，自然形成了企业发展的经济图谱。

四、数据挖掘，驱动新产品应用

大数据应用类产品实战

上述整个过程，涵盖了从数据采集、准备、挖掘算法、建模的全过程。

需要掌握相关技术、知识不断实践，初期可以使用IBM SPSS工具，完成基本的数据建模->产品应用分析。

在此需要特别说明的是，数据模型的建立不能等同于开发工程师的算法工作完成，上述展现的步骤是产品人员通过数据挖掘手段评估、分析、验证需求、idea的过程。技术工程师自有好方法！哈哈。如果你验证，没有拿出具备说服力的模型，技术工程师们是不会买账的

案例：某职业社交网站推荐商机模型模型：

一度商机、二度商机，基于用户行为、内容数据推荐（技术实现可以使用推荐系统、关键词标签系统），使用“过去的商机规律”来预测“现在可能的商机规律”。数据模型的简历采用IBM SPSS Modeler 分析人与人之间的商机关系网（具体数据不再呈现）。

通过“过去”预测“未来”的方式，只能满足用户一部分需求，数据模型的结果显示，用户对相似领域的商机独立于“关系网”存在，同时用户需求调研也清晰的显示，用户需要更直观的“相似领域商机”推荐出来。

通过以上案例可以看出，数据挖掘结合用户需求才能最优化满足用户需求。