互联网思维UFO模型中的U代表User experience，即极致用户体验，其对应的方向是产品设计；F代表Freemium，即免费商业模式，其对应的方向是商业模式研究和设计；O代表精细化运营，其对应的方向是产品运营，而大数据在这三个方向的应用起到不同程度的作用。

其中，大数据与F（免费商业模式）及U（极致用户体验）关联度或者驱动度中等，与O（精细化运营）关联度或驱动度最高。

 

1、通过免费或者“利润超薄”的产品或服务发展大规模的用户，形成用户大盘；

2、产品可以做到通过互联网方式每天有机会与用户发生接触或联系。即前文提到的例子，如果你把手机卖给一个人，就不跟他“联系”了，这个人并不是你的用户，但你通过某种方式每天跟他“联系”，如你在手机上提供软件服务，让这个人跟你发生“联系”，他就是你的用户；

3、产品或服务是否可以做到版本迭代升级。很多人认为传统领域的产品或者服务比较难提供“版本”升级，但其实这只是受传统思维方式所阻。以汽车为例，我们常常认为已经卖给客户的车不存在版本升级的概念，而特斯拉做到了：特斯拉在2014年12月底宣布了计划把 Tesla Roadster 升级，Roadster 将会被换上一组新的电池，对比原本那组电池来说，新电池可以在同样的体积下提供额外 31% 的能量，另外，Roadster 还会换上新的空气动力学套件，令到车身的风阻系数由 0.36 减至 0.31，还有就是会换上滚动摩擦系数更低的轮胎。

我们在设计好的免费商业模式的时候，要充分考虑以上三点。但大数据目前在商业模式设计、商业模式研究、创新商业模式研究这方面的能力还比较弱，目前在中国还没看到成功的利用大数据的智慧来辅助设计商业模式的案例，也许是因为计算机目前的智慧还没达到设计商业模式的能力高度。但是我们可以通过大数据的方法进行行业监测以及进行创新监测，从而可以辅助战略规划人员来进行商业模式的设计。比如我们可以通过爬虫技术的手段采集互联网上的国内外行业发展动态、行业发展趋势、分析师文章、最新专利申请情况、相关最新产品上市情况等来辅助战略规划人员进行相关的行业分析和创新分析，以辅助设计商业模式。总的来说，大数据在免费商业模式设计方面的能力还比较弱。

但如果大数据作为商业模式中的一个引擎，即大数据作为产品的一个引擎，就有可能促进商业模式的升级。打个比方，把一个传统的商业模式比作一辆汽车，这辆汽车的引擎是2.0的排量，如果你在设计商业模式的时候把大数据很好的融入商业模式中，那么这辆2.0排量的汽车就有可能升级为2.0T，即变成带涡轮增压的发动机，动力将更猛。如健康领域，如果是一个销售传统血压计的商业模式，投资人对这种商业模式并不会很关注，但在血压计加上大数据的能力，即做智能血压计，可以远程监控父母的血压情况，及时进行病情预警，这种加入的大数据的商业模式就会比较有投资价值。

总的来说，如果把大数据作为一种研究能力来支撑商业模式研究，那么其作用相对较低，只能在行业监测和创新监测起一些作用；但如果把大数据作为一个引擎嵌入到商业模式中，嵌入到产品中，其价值则非常大。

通过大数据我们可以监测一个产品是否做到足够的简单（simple），我们可以基于大数据构建很多的用户体验监测模型。如用户行为的漏斗模型，我们可以把用户使用产品的关键触点（touchpoint）定义出来，监测每个触点之间的转化率。如电商购物，用户进入首页、查看商品产品详情、把产品放到购物车、购买以及支付等是关键用户关键触点，通过监控各环节之间转化率来以及从最开始的接触点到最终的接触点的转化率来衡量产品的体验是否做的足够好，足够简单。

我们相信，如果用户完成一个产品操作任务，用的步骤越少，转化率相对就越高。

通过大数据的手段，我们可以帮助更好的快速迭代，以提升效果。尤其是利用A/B测试方法以及灰度发布实时监测手段。A/B 测试简单来说，就是为同一个目标制定两个方案或版本（比如两个页面），让一部分用户使用 A 方案，另一部分用户使用 B 方案，通过及时的统计使用效果数据如点击率等，看哪个方案更符合设计目标。当然，在实际操作过程之中还有许多需要注意的细节，在此就不赘述。Google很多新的产品上线或者功能优化上线前都要进行A/B测试。对于常规的A/B测试，同一个目标一般要做两种方案，很多互联网公司为了简化，一般只做一种方案，进行灰度上线（即只抽取一小部分用户进行产品发布）以后，再通过大数据实时监测看这个效果和之前版本的效果对比，如果效果不如之前的版本，新版本就放弃正式发布。

通过大数据的手段也可以帮助产品实时产品微创新的效果。360公司的周鸿祎先生说过，口碑是衡量创新的标准，因为给用户带来强烈体验的东西一定能形成口碑。通过大数据可以很好的及时监测产品口碑的情况。通过大数据爬虫的手段，我们可以抓取产品在互联网上的评价，如抓取微博、论坛、电商评论等，通过自然语言处理的手段和语义分析，对评论等非结构数据进行处理和挖掘，计算产品的推荐度，实时掌握产品口碑情况；另一方面，我们也可以通过大数据的手段，实时发现产品问题点，这样会对产品的改进非常有帮助。在很多产品导向型的大型互联网企业，都会要求若1小时内有3人同时反映一个问题，就定义为BUG，需要在24小时内必须立即解决。基于大数据的手段可以在产品问题的及时发现和定位上非常有帮助。

但值得注意的是，企业在这方面的建设一定要考虑如何让数据分析人员、算法人员与产品运营人员更好的融合在一起工作，否则大数据将在产品运营环节比较难起到理想的作用。因为很多公司的运营人员并不是非常了解大数据在哪些运营的环节可以用到大数据；同时，数据分析和算法人员不能很好的理解业务，也不知道有哪些运营策略和场景，也较难为产品运营人员提供好的支持。我们的建议是如果数据分析人员和算法人员能够定期参与产品运营的一些例会，甚至如果有可能，可以让数据分析和算法人员与产品运营人员坐在一个相邻的办公区域一起工作。

基于大数据可以更好的做精细化运营监控、更准确的做用户细分、更准确的进行个性化推荐、更合理的进行营销推广效果的评估、更有效的进行用户生命周期管理以及基于用户生命周期进行相关的营销和运营策略。具体方面如下：

1、在精细化运营监控方面，我们需要进行关键数据体系梳理和构建，在此基础上通过智能化模型开发出来的数据产品，监控关键数据的异动，并可以快速定位数据异动的原因，辅助运营决策；

2、通过基于大数据的方法进行用户细分，基于大数据可以找出更好的细分维度，并对用户做更好区隔，以辅助产品运营人员做更加准确的用户细分，并洞察每个细分人群的兴趣爱好和消费倾向，对每类用户分别进行有针对性的策划和运营活动。

3、通过数据挖掘的手段进行用户生命周期管理，我们可以可做到实时对不同生命周期的用户进行实时标记和预警，并把有效的活动当成商品一样及时的推送给不同生命周期阶段的客户。

4、通过大数据的方法，我们可以实现对不同通过渠道的效果评估。如果只看一些表面的数据，如广告的点击率，是非常难衡量不同推广渠道的真正效果。如果把用户的渠道行为和后续产品行为（即通过渠道获取的用户在产品上的各种使用行为）进行打通跟踪，在此数据基础上构建渠道质量评估模型，将能够更好的发现渠道的真正质量，或者更直接的，可以发现推广渠道的究竟有多少是虚假的流量。

5、通过利用基于大数据进行有针对性的用户画像，并通过用户画像数据、用户行为和偏好数据，结合个性化推荐算法实现根据用户不同的兴趣和需求推荐不同的商品或者产品，通过算法真正的实现“投其所好”，以实现推广资源效率和效果最大化。