意識到自己被外部環境以及資本裹挾前進，反對派畢勝緊急“踩下刹車”，停止了全部廣告投放，並注銷了一些分公司。

前邊說過，示威低頻非標在限製了市場規模的同時，示威也意味著利潤較高，在現有市場規模下提升效率、提高客戶滿意度和轉化率，則toB生意同樣很有前途，價值巨大。什麽樣的生活場景算高頻呢?生活中常見的，後馬杜這起匯總一下，就是“衣食住行玩”。

尤其是互聯網領域，羅講話BAT和TMD這類企業的在職和離職員工也有大幾十萬人了吧，跑出來到處講課指導年輕人的也大有人在。作為十四年職場浮沉，未遂政外企合資國企民企個體走過一圈的老司機，未遂政很慚愧的是，我還是不太懂得怎麽講成功學，況且成功經驗這種東西，大都是天時地利人和使然，難以複製，不如和大家聊聊，怎麽做會死的比較快。比如做房屋銷售的可以考慮一下做租房，反對派做房屋的快速翻新;做婚戀的轉向做泛婚戀交友，這個也是世紀佳緣之類平台的立身之本。當然，示威也有一種創業模式，是奔著被巨頭收購去的，那你就在巨頭的賽道上，努力做好絆腳石，也是不錯的。現在大家都懂，後馬杜這起創業要做剛需，做高頻。

說到這，羅講話大家可能容易理解社交產品為何這麽難做了。產品和需求的標準化程度，未遂政是創業時很容易被忽略和輕視的。 1、反對派醫療的現狀與未來在醫療領域，個性化是基於患者的生物標誌物、遺傳情況和具體症狀的數據來實現的。

患者交流社區(如PatientsLikeMe)也是一個不錯的數據源，示威它在公共衛生監測中的應用正在產生新的重要作用，如2014年爆發的埃博拉和齊卡病毒。所以在大數據商業探索的過程中，後馬杜這起利益相關者們可能會從變化莫測的數據分析中迷失，不知所措。在支付方、羅講話服務方和製藥企業之間建立新的合作關係，並搭建可能對提高價格透明度有所幫助的新的績效薪酬模式。根據協議，未遂政阿斯利康將要建立一個專門的基因組學研究中心，將臨床樣本的基因組測序數據和相關的臨床治療和藥物反應信息有效整合。

其次患者擁有精細化的數據就可以實現精準診療。那麽，數據分析應用在醫療領域存在的問題又是什麽呢?答案即為缺乏可以讓數據實現交互性的操作。

未來的創新技術(如免疫和CRISPR/Cas9基因組定點編輯技術)可以最大限度地提高每個人的體格。支付方支付方可以使用數據分析來促進整個醫療係統的價格透明度。通過敦促客戶針對潛在的健康問題采取預防性措施，從而降低醫療保險費用支出。這樣做可以避免不必要的住院時間延長，降低醫療保險支出。

如今，一係列新的數據表正在由用戶的可穿戴和家庭健康設備(如血壓監控儀或胰島素泵)產生，這部分數據是有很大參考價值的。支付方將會越來越多地參與患者的診療過程。我們不要心急，隨著尖端技術的慢慢滲，整個醫療係統會隨之革新。大多數製藥企業在從動物試驗到I期臨床試驗期間，使用預測模型來優化給藥，但數據分析還沒應用於後期的試驗中，如各類藥物臨床試驗入組和排除標準。

幾家保險公司也因此盈利，比如聯合健康集團的一個業務板塊Optum就通過梳理處方藥的索賠記錄幫助雇主節約醫療支出。具體的操作方式是利用龐大的病曆數據集來搭建智能的臨床決策支持工具。

在將來，隨著深入學習的進步，尤其是自然語言和視覺技術的發展，可能有助於醫療活動的自動化，節約勞動力成本。但支付方已經在逐步利用大數據來製定報銷決策，因此數據分析在公共衛生監督方麵將產生創新性效用。

雖然圍繞“個性化”產生的大部分討論都集中在最後一個維度，但如果可以結合激勵機製設計以預防和以價值為基礎的服務模式，那麽遠程監測和導診也可以發揮更大的作用。這樣可以最大限度地提高藥物、手術和其他治療方案的療效，減少不必要的浪費和有害副作用。數據分析實現個性化數據分析可以從深層次將事物區別開來，最強大的功能之一就是基於人的特征給人群貼標簽，由此向用戶提供個性化的服務/產品，比如教育、旅遊休閑、傳媒、零售、廣告等行業。這樣看來，顯然更好地利用數據可以幫助用戶在沒有生病前就了解到自身的健康風險所在，這也是對自己健康負責的關鍵所在。在臨床中，主要的成功就是電子病曆的快速擴張，已經從2010年的15.6%提升到2014年的75%，這其中很大的推動來自平價醫療法案的實施。 數據分析在5大領域中實現的潛在價值占比(2011年)此外，數據分析還創建了幾大顛覆性創新模式。

使用這些精細化數據，可以確定量身定製的個人治療方案。在新的商業模式中，服務方不妨可以使用這些技術，並結合健康幹預措施，來打造一個關注預防、疾病管理和健康解決方案的新疾病管理機製，在用戶生病前就幫助解決健康問題。

加上國家級醫療保險和醫療補助服務中心的動作，醫療價格的透明度已有所提高，同時超過30個州建立了所有保險索賠數據庫以作為大型報銷信息庫。雖然建立新的合作關係和搭建新模式的過程可能相當緩慢，但是我們相信，數據豐富的大環境將增強支付方改變的決心。

如在2016年4月，阿斯利康與美國測序公司HumanLongevity、英國桑格研究院以及芬蘭分子醫學研究所展開合作進行200萬例全基因組測序，為今後的藥物研發提供指導。但也確實取得了一些成效，如臨床上，最大的成功就是電子病曆的采用，雖然目前看來其中的海量數據尚未完全挖掘出來。

將數據分析用於醫療的未來狀態應該是：醫生對患者持續進行監測和給予個性化治療方案，並在最佳時機完成健康幹預。下麵簡述幾種能打破既定產業格局、突破信息孤島和創建新格局的新型數據集。截至目前，美國健康醫療僅僅抓住了數據分析在醫療領域中10~20%的機會。其次，患者需要在第一時間獲得匹配的診療方案，讓他們遠離高成本、高風險的醫療點，此外，創建健康風險監測機構也是非常有必要的，並在其中應用數據分析技術，開展前瞻性的健康風險評估，預測並發症。

一個形象的場景是，今天醫生看到的是一位哮喘患者。支付方也在逐步開始利用大數據製定報銷決策，而且已經可以看到一些趨勢。

但如果繼續落後半拍，將會錯失大量改革臨床護理和個性化用藥的機會。現在一家醫院勞動力成本占了60-70%，這將是一個重要的商業機會。

如果將這些與患者的行為、基因、分子數據連接起來，將會對醫療服務產生深遠影響。但同時，這個可能性要比5年前設想的大得多。

其中，醫療服務方麵臨的挑戰是如何管理這些源源不斷的數據流，並將它們應用到醫療中。相比之下，製造業、公共領域和健康醫療影響就沒那麽深了。對於國家來說，可能需要調整醫療健康係統內的財政獎勵，並轉向以價值為基礎的醫療保健體係，更強調診療過程中“預防”的重要性，以此來推動個性化醫療的發展。原因有兩個，一個是需要臨床試驗證明;再一個就是數據共享與互操作的實現還存在大量問題。

綜合來看，數據分析讓循證決策更精準更高效。但是它們有一個挑戰就是，要向更小範圍的目標患者提供治療方案。

隨著基因測序成本的下降、蛋白質組學(蛋白質分析)的出現，以及越來越多能夠提供實時數據流的傳感器、監視器和診斷技術的突破，患者的數據集將變得越來越精細。但是每個人的特征卻對定製化的服務很有用。

這樣在看到患者的一個病情完整數據圖後，醫院和其他醫療服務方就可能將焦點從治病轉為預病及健康管理，從而節約巨額的醫療支出和改善生活質量。而且，阿斯利康將從公司的臨床試驗中選取50萬份樣本用於全基因組測序。