疫情下的数据化应用思考

一、 数据的力量在疫情期间的三个重要表现

我们希望通过数据在疫情中的重要表现来引申，让大家去思考数据对于您所在的企业，您所执行的创业项目，或者您所执行的具体项目，是不是能发挥类似的作用？

1.1 判断人员动向，精准控制疫情传播

这张动图是百度呈现的 500 万离武汉人群的去向数据。

在疫情发生的初期，全国人民最关注的就是疫区的人们都去了哪里，所以这张动图的浏览量非常高。通过这样一个呈现方式，我们可以很清晰地了解疫区人们的迁出动向。

随后大家开始越来越关注与自己所在地区相关的数据。这时候这些互联网公司又为我们提供了更多的数据成像，帮助我们排查自己身边是否有确诊或者疑似病例。

比如搜狗搜索推出的这三个数据功能：

1. 疫情小区——通过手机 APP 查询您所在的小区有没有疫情的出现；
2. 传染路线——通过呈现新增病患的活动区域与路线，让公众查询是否与处在潜伏期的感染者有过接触；
3. 患者同程——通过收集和汇总各个渠道发布的资讯，把所有出现过感染病例的公共交通班次做成数据查询库，方便大家查询自己是否在乘坐公共交通的过程中，和患者同乘。

结合阅览者自身数据，定制化地进行数据推送，这就是数据展现的进阶表现，也是搜狗比百度高明的地方——看来再漂亮的 PC 版数据可视化也没有及时、高可用度的移动端数据查询来得有效。这也提醒了各位数据应用者注意这个变化趋势。

1.2 判断疫情走势，建立全民预警机制

到了数据运用的最高阶段，就是当我们的数据积累到一定程度之后，可以开始进行数据的预测。

清华的 A.I 团队通过建模对疫情的发展进行了预测。通过拿到的少量已有数据（左侧阴影部分），就能够预测出未来我们整个的疫情走向（右侧高亮区域）。

虽然这个数据模型预测的准确与否，我们还要拭目以待，但从目前来看，数据整体上升的趋势与钟南山、闻玉梅两位疫情专家，基于专业知识进行主观预测的结果是基本吻合的。

我们还看到网上一位程序员，制作了一个预测模拟程序，可以模拟人群场景中的感染（黄色部分）比例， 并且用动态的方式来呈现了出来。

此外，该模型还可以加入一些限定条件。比如，当医疗资源用尽之后，抑或如果我们没有管控交通出行等。系统可以根据这些条件，推演数据的巨大变化。

数据化正在变得越来越有说服力，通过这样的仿真预测，模拟未来走势的数据信息，已经被越来越多的公众了解，相信有关亦疫情的决策中会大量地使用这些数据预测方法。

1.3 优化资源配置，辅助多方协助抗疫

为应对这次疫情，浙江省运用了“大数据 + 网格化”的方式，全面排查可疑人群。

杭州下城区在“城市大脑”的支持下，通过运用数据的能力，仅用几干名网络人员就完成了全下城区的排查——

每当有疫情区的车牌进入到相应的网格区域，区域负责人就会获得手机提示，并且通过与所有住户资料的数据库对比，一旦来自疫情区的住户刷了电梯卡，负责人即可立刻进行排查工作。

由此可见，杭州的数据驱动能力已经达到了一个更高的水平。

以上就是数据的力量，在疫情期间的三个重要表现：

事实上在我们的企业经营中，三种数据的力量（展示状态——驱动工作——预测发展），也是这样逐步发挥价值的。您可以思考一下，在您的企业中，数据力量发挥到什么层次呢？

二、用 GIO “数据能力测评工具”评事件

接下来，我们将通过 GrowingIO “数据能力测评”工具，从疫情公布、民众防疫、社会捐助和企业转型 4 个纬度，结合丁香医生、去哪儿网等案例，为大家逐一分析数据能力的表现。

2.1 疫情公布

首先，我们通过 GrowingIO “数据能力测评”工具来分析一下在目前疫情中，在“疫情公布”上，我们整个社会的数据能力如何？

该模型大致有两个部分，左边是象限图，右边是从 L1 到 L5 把“疫情公布”的数据化水平分成了五个级别。

左边象限图上有两个坐标轴，横向维度展示的是疫情发布能力。从不公布，到有限平台的公布，再到能够在多维度、多渠道发布数据。

纵向的坐标轴共有 3 个层次，依次上升。

第一个区间是完全没有数据，第二区间是能够看到数据，第三个区间是会使用数据，也就是能够用数据助力和指导疫情发布。

通过这两个坐标轴，我们画出了 9 个象限区域，几个主要区域形成了我们定位的 L1 – L5 五个级别，接下来将分别对应不同阶段的不同情况来进行分析，方便大家理解。

在该模型中：

L1 ：信息完全不透明

这可能是很多年前的状态，公共安全事件出现的时候，没有数据、没有信息、没有公布，信息完全不通畅。

L2 ：渠道少，消息杂，数据零散

有限的平台可以发布一些信息，但信息比较杂， 而且数据比较零散，没有统一的平台能够呈现数据动态全貌，且消息发布都是一次过性的，难以查阅。

L3 ：有统一平台，有数据图表，有汇总统计

统一的平台上，比如新浪网、腾讯等，可以看到数据的展示，数据变化趋势的展示也更加全面详细。

L4 ：多维度数据拆解，数据展示丰富

例如之前提到的百度，能够把数据用更好的方式展现出来，例如一些实时动态提供的城市-全国-国际的数据查询，有了分类汇总，更加直观详尽。

腾讯和新浪后期数据的展示形式也越来越丰富，不但可以按照省市进行拆分，武汉地区的新增的确诊人数和疑似人数也可以被拆解出来，数据越来越细致。

L5 ：结合受众自身标签，定制化、多渠道展示

达到了这个级别，疫情发布的能力本身很强，同时还能够用数据来增强和放大发布能力。

就比如丁香医生这个案例：

丁香医生是一个非常特殊的媒体，本身就是一家以医疗服务为核心的服务商。APP 积攒了大量的用户数据，能知道用户曾经居住的城市、患病史、关注信息等很多标签。

在这样的数据基础上，疫情发生后，丁香医生很快为用户提供了“一键订阅地区疫情”的功能。在这个功能里，用户可以立刻生成定制化的数据图表，包含所在城市、小区、相关病种提示等信息。

所以，在疫情公布方面，很多企业因为有过往的数据优势，已经逐渐达到了一个很高级别的数据能力。应该说这就是我们目前在市场上，可以看到的最高级别的数据发布能力。我们暂且把这样的数据化水平定位为 L5 级。那么您所在的企业在信息展示方面能够达到哪个级别呢？

2.2 民众防疫

民众防疫，就是如何指导老百姓抵抗疫情。它的基础能力从一开始没有参考、到有统一的指导、再到能够实时指导，逐渐升为三个层次。

在该模型中：

L1 ：只有历史的标准防疫知识

突发公共卫生事件之后，我们可参考和使用的只有历史经验和教科书上的标准防御知识，没有任何实时定制化的措施。

L2 ：全面科普式的防御指导

虽然数据还没有进行收集和统计，但是已经开始有统一的科普性防御指导，可以开始针对当下的事件做统一的、权威性的指导。

L3 ：可监控疫情防控效果数据

融合了数据能力，可看到的疫情防控效果的数据，辅助领导和民众做防控、做决策。比如是否继续居家办公、是否要求在属地隔离等。

L4 ：根据不同阶段、不同区域数据指导防控

这是我们能够进一步地使用数据，有区分的指导不同地区的疫情防控。比如现在看到的不同城市的复工政策的不同。现在政府正在做类似的工作，不同的城市、不同的区域，在根据各自的数据情况采取不同的应对策略。

L5 ：精准到个人或事件的实时防控级

这个最高级别的数据化案例，可以参考去哪儿网提供的一个服务：

去哪儿网通过过去获得的用户预定公共交通工具的历史行程数据，与疫情当中哪一班次的公共交通工具上出现病患的数据相结合，推出了一个服务，能主动提醒同程疫情，助力用户精准防疫。

这就达到了一个很高的数据使用能力。即用户没有主动查询，也会为用户推送风险信息，提醒用户马上采取相应的隔离防御措施。

在我们看来，这就接近于达到了 L5 。在这个状态下，我们的民众就能得到一种定制化的、实时精准化的防疫指导。

2.3 社会捐助

再来看看本次疫情中的社会捐助。这也是防疫过程中的一个主要话题，我们来评测一下社会捐助的数据能力状态。

同样借助我们的工具，把社会捐助自身水平分成了三个层次：零散捐助、大 V 捐助、辐射带动。

而我们最期待的就是能辐射带动越来越多的人支援武汉，帮助疫情区的百姓和疫情防控的工作人员战胜疫情。那么数据能不能助力这一目标呢？

在该模型中：

L1：零散行为，没有统计

这样会很难达到我们对期望的标准。

L2 ：公众人物 / 企业带头捐助

虽然这些捐助有消息的发布，但具体数据依然是不可统计、不可对比、难以查询的。

L3 ：捐助结果全面公示

大 V 捐助数据排行榜结合在一起，具体的数据被公布，能一定程度上带动更多的大 V 进行捐助。

这次疫情中有一个特点：民众已经不止于希望了解捐助的金额，已经理性地需要跟进了解到这些资金捐助，这对数据的展示就提出了更高的要求。

L4’ ：各企业 / 个人，对照数字踊跃捐款

这和之前测评模型的发展不太一样，进入了我们评测模型的一个子区域，GIO 也把这个区域称为一个亚区域，即数据能力弱于业务能力发展的区域。

随着捐助的数据越来越清晰，或者由于排行榜出现等因素，大 V 们开始起到了一些辐射带动作用，他们的粉丝开始跟随大 V 进行捐助。

这确实带来了很好的示范效应。所以我们看到，仅仅是将捐助的数据、渠道、结果公示出来，就已经开始能够推动捐助能力发展到到辐射带动的层次了。

以下饭圈的故事就形成了一个 L4’ 水平的案例。

案例：饭圈“粉丝公益”：

很多流量明星将自己的捐赠数据在自己的粉丝群体中公开。过去饭圈的应援活动是为自己的爱豆花钱打榜，但今天这些粉丝开始和他们的爱豆一起做公益。

这个过程中在数据的刺激下，饭圈文化产生了越来越多的社会效益。

同时，这也是一个新旧动能转换很好的案例，我们下一节课会具体讲新旧动能转化在疫情期间给我们不同的行业、企业带来的影响。

L5：使用数据让捐赠更有效

案例：77 个产品经理的“战疫”产品：

这是一个真正达到 L5 级的案例。

这是在我们互联网人中刷屏的一个事件，77 个产品经理共同打造了一款战疫平台，三天之内左手对接了 40 多家医院，右手对接了无数的捐赠方，在中间做快速协同。

这已经达到了 L5 的级别，是非常先进的。有创新思维又很务实的产品经理在很好地使用数据，通过数据打通流程，连接需求方、供给方，用数据把整个捐赠物资提升到及高效的水平。

更重要的是，基于数据还发现了很多被忽视的需要援助的群体，比如一些精神医院、一些边缘地市，推进了社会捐助体系公平化、平等化的进程。

2.4 企业转型

在本次疫情期间，很多企业都在转型，因为商业格局在发生变化。

2003 年非典疫情后，马云开始做淘宝，公众新的消费习惯也被逐渐养成。17 年后的今天，本次疫情将会给我们商业格局带来什么影响呢？

今天我们先开一个头，下一次的企业的转型（新旧动能的转化）一定是和数据紧密相关的。

未来可以预见，人们很可能会普遍减少线下交互，宅文化流行，恐于社交，就像日本和芬兰一样，这次疫情只是极致的将这种情况预告给我们，希望大家能去感受这个变化趋势。

回到这个模型里，我们把企业转型的横向维度分为：固守传统、有限尝试和全面融合三种转型状态。

为什么最后一个状态不叫全面创新？因为我们说的大部分企业还是传统企业，不可能把所有的传统业务全部抛掉，变成一个完全互联网化的公司，这是不现实也不符合经济规律的。

对我们广大的企业来讲，最好的办法是把创新业务和现在的主要业务相融合，这是我们认为的最高境界，也是高手操盘的结果。当然数据会帮助企业完成这样的转型。

在该模型中：

L1：数据基础差，没有新模式

这样的企业其实现在还有很多。

L2：主观焦虑，尝试新模式，贡献占比小

领导很焦虑，想转型和尝试新模式，但是新模式贡献比很小，根本不够看。

L3：新模式价值能够衡量，用户数据资产有积累

因为能够看到数据，新模式价值能够衡量。这里说的衡量，不是指新模式业务营收，而是多维度的衡量，包括用户数据资产价值等，有眼光的企业就会根据这些数据加大投入新模式。

L4：利用数据指导转型，效果加大

这个级别，我们学会使用数据来指导我们的转型策略，优化新业务模式，反哺传统业务，企业发展有了数据策略，传统业务也如虎添翼。

L5：基于数据，个性化服务 / 融合主营业务

这是我们希望企业最终都能走到的级别，即会用数据，新老业务又全面融合了。怎么做，我们在下一节课会具体介绍。

下面我们只介绍一个初步达到 L4 级水平的案例。

云海肴花式自救案例：

云海肴，一家云南餐厅。几年内在全国快速发展了上百家的门店。

那么在此次疫情中，云海肴做了什么？

云海肴的线下门店关门了，但服务还在进行中。他们提供生鲜、半成品等，并且支持配送，自己的平台不够，员工还跑到了河马生鲜去上班。

从云海肴的角度讲，企业获得了一些现金流；从社会公益的角度讲，大家看到的是云海肴的员工跑到河马生鲜去志愿服务等等。

在这个过程中我们可以看到，云海肴在转型的过程中，不但自己在做各种尝试，还试着把自身与盒马的新模式相融合，因为只能借助第三方渠道，所以还不能算作 L5 级的全面融合，勉强进入 L4 的水平。

三、结语

今天我们遴选了疫情公布、民众防疫、社会捐助和企业转型 4 个维度给大家做了展示，最重要的是让大家能够学会使用这样的数据工具，也能够在这个过程中体会到，数据到底和我们的日常业务是怎么结合的。

作者：邢昊，GrowingIO 咨询服务与运营副总裁

来源：GrowingIO 增长公开课第 35 期

本文作者 @GrowingIO

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！