大数据的应用转化价值

大数据的应用转化价值（精选十篇）

大数据的应用转化价值 篇1

关键词：工业大数据,应用,政策建议

1 工业大数据的概念

1.1 大数据概念

大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合,正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析,从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态[2]。

1.2 工业大数据概念

工业大数据是大数据的一种类型,是工业领域智能化过程中产生的大数据,通过对数量巨大、来源分散、格式多样的工业系统的数据进行采集、存储和关联分析,从中发现产品、服务和商业的新知识、新价值、新能力。

1.3 大数据和工业大数据主要区别

2 工业大数据在智能制造中的应用价值

认识的根本任务就是要透过现象看本质。有之以为利,无之以为用。一切事物的实体为我们提供可以凭借的、可见的基础条件,而其中所隐藏的空间和可变化的无限可能性才是被我们真正使用并创造价值的所在。工业大数据只是一个现象,其本身并不重要,利用工业大数据创造价值才是根本目的。作为实现智能制造的重要驱动力,工业大数据可为企业制造与管理流程优化,产品、服务和商业模式创新,以及整个行业生态圈的快速聚合提供有效支撑。

2.1 准确把握用户需求,推动产品创新

工业企业通过智能产品中的传感器等模块,实时采集、存储和传输用户使用和偏好的数据,利用挖掘、分析等技术手段,帮助企业及时改进产品功能,预先诊断产品故障,使客户在不知不觉中参与到需求分析和产品设计等活动中,甚至可以在满足用户个性化需求的前提下,通过规模化定制来构建新的商业模式,为企业创造新的价值。

2.2 严格监控生产过程,实现科学管控

与其它行业大数据应用不同,工业大数据应用的最大价值就在于对企业生产制造和业务管理流程的智能优化。利用收集的温度、压力、热能、振动、噪声、材料、人员、产量等数据,对生产过程进行严格监控,并通过进行设备诊断、用电量、能耗、质量事故(包括违反生产规定、零部件故障)、产能、人员技能、材料等方面的分析,改进生产工艺流程,优化生产过程,降低能源消耗,制定生产计划和下达生产任务。在提升效率和质量的基础上,重塑企业制造与业务流程,实现并行、实时、透明的生产管理,真正达到科学管控。

2.3 实时监控不确定因素,规避风险发生

企业在运行过程中存在诸多不确定因素。在互联网大潮中摸爬滚打的智能制造企业的不确定因素更是被无限放大。企业既要考虑如何避免产品缺陷、加工实效、设备效率、可靠性和安全等问题,还需关注设备的性能下降、零部件磨损、运行风险升高等问题。借助工业大数据可实现在功能退化的过程中发出信息,并进一步预测和预防潜在的故障,进而规避风险发生。

2.4 切实增强用户粘性,提高营销精准度

传统营销体系往往是通过调研、采样、简单数据统计、消费者代表等方式来研究消费者行为,其最大的问题是缺乏精准性,并不能完全够代表整个消费者需求。而工业大数据将用户与企业紧密关联起来,用户参与到产品创新、设计等活动中,企业对用户需求可准确把握,不但增强了用户粘性,而且可以藉此有效制定或调整产品策略、市场策略和渠道策略等,提高营销的精准度。同时,服务已经不是传统意义上的远程人工在线的应答式和售后产品服务的模式,而是更注重利用全产业链形成的大数据进行综合的数据分析与挖掘,针对全产业链的各个环节的各级用户,面向其具体的活动需求提供定制化的、可以辅助其具体活动预测的信息。

2.5 助推企业跨界融合,建立共赢生态圈

工业大数据不仅对工业企业生产经营具有持续改善作用,对工业企业上下游与行业内外同样有正向聚合效应。比如,互联网+汽车就是基于汽车生产企业的工业大数据,综合人、车、路、环境、社会之间的关系,实现汽车、保险、维修、零配件、交通等行业间的跨界融合与互动。

3 我国工业大数据存在的问题及对策分析

3.1 存在的问题分析

我国工业大数据的应用刚刚起步,存在很多问题,其中影响工业大数据推广、发展和应用的主要的问题有五个方面:

3.1.1 挖掘工业大数据价值的核心技术体系尚未建立

当前,我国还处于促进制造业智能优化升级的探索阶段,对大多数企业而言,能够自我感知、自我记忆的数据采集感应系统尚未建立,处理复杂数据结构的数据处理技术仍需优化,高效的数据库维护和管理机制还需完善。

3.1.2 行业企业内外部数据整合应用不足

中国大数据发展报告显示,当前60%以上的企业把内部业务平台数据、客户数据和管理平台数据作为大数据应用的主要来源,只有约1/3的企业使用外部互联网数据或其他行业企业数据,还没有形成企业内外融合互动的数据采集与处理模式,外部数据应用水平有待进一步提高。

3.1.3 企业各部门之间数据集成应用难度较大

对于工业企业大数据应用来说,内部数据的集成应用是实现生产、业务协同的首要环节,而目前我国众多企业内部信息的不互通,无疑为工业大数据的应用增加了一道门槛,也降低了企业优化转型的速度。

3.1.4 工业大数据加工服务业实力较为薄弱

基于客户需求、生产环境的不同,不同行业、不同企业对数据的采集、处理过程和挖掘方向也各不相同,因此,工业大数据的应用与早期ERP等软件在企业中的应用类似,必须正对每家企业进行独立的设计、改造。这就对工业大数据加工服务业提出了更高要求,即需兼备工业行业专业知识与大数据处理能力。目前,我国工业大数据的开发应用大多由工业企业自主探索,比如海尔、红领制衣等,专业数据加工服务业企业的作用尚未显现。

3.1.5 工业大数据分析人才匮乏

智能制造的推进需要重视和开展工业大数据分析,更需要大批工业大数据分析人才。目前,我国人才教育体系中极度缺少大数据分析人才,产业界不了解工业大数据分析的工具和方法,不了解大数据分析如何能帮助实现智能转型以及如何为更多客户提供创造价值的服务。

3.2 对策分析

3.2.1 加强政策引导,促进数据整合与集成

一是加强工业大数据顶层设计,尽快出台相关制度、办法、指导意见。二是深入推进两化深度融合,引导企业加快内部数据整合与集成,夯实工业大数据应用基础。三是建议设立工业大数据统筹发展部门,引导其发展、标准制定、培训、公共服务等。

3.2.2 加大财税金融、投融资政策扶持力度,调动企业积极性

一是设立国家工业大数据发展专项基金,充分发挥专项基金的政策放大作用,引导社会资本积极参与工业大数据应用。二是完善企业研发费用计核方法,将工业大数据应用研究费用加计扣除优惠政策范围。三是加强对小微工业企业的财政税收政策支持,减轻小微工业企业进行大数据应用的负担。

3.2.3 建立全方位的技术应用推广机制,提高企业认知度

一是针对工业企业实施一批具有特色的大数据应用试点示范项目,二是定期举办工业大数据优秀项目成果展,三是加强工业大数据应用的国内外交流合作,打破企业间壁垒,推动信息共享和跨界融合。

参考文献

[1]中国制造2025.中华人民共和国国务院,2015.5.8

[2]促进大数据发展行动纲要.中华人民共和国国务院,2015.8.31

[3][美]李杰.工业大数据-工业4.0时代的工业转型与价值创造,2015.9

大数据精准营销的价值与方法 篇2

网舟科技数据分析课题组

大数据营销价值：

随着全球的信息总量呈 现爆炸式增长，移动互联网、可选渠道和设备增加以及不断变化的消费者特征，同时大数据技术的更新日益。大数据营销依托多平台的数据采集及大数据技术的分析及预测能力，使企业的营销更加精准，为企业带来更高的投资回报率。无论是线上还是线下大数据营销的核心在于在合适的时间，基于你对用户的了解，把你希望推送的东西通过合适的载体，以合适的方式，推送给合适的人。

大数据营销关键问题：

问题1：怎么才能准确知道Who？Where？Do What? How Do? 大数据营销首先要解决的是数据汇聚的问题。通过打通用户在多个渠道上的行为数据，构建对用户行为和用户数据的深入洞察，一方面实时监控各渠道的用户行为特征，运营和营销的效果，进行优化；另一方面集中用户的数据，便于后续的深入挖掘工作，实现以用户为中心的数据汇聚，提升用户数据价值，实现用户交互的精准识别和多渠道数据打通，为用户提供更准确的服务和营销。问题2：渠道及交叉渠道组合方式如何选择？

当营销预算不够的时候，如何在搜索和其他的渠道间进行营销预算的分配？是选择电子商务最优搜索渠道还是选择跨渠道组合营销呢？跨渠道营销预算如何进行排列组合？

问题3：如何通过个性化营销让企业离用户更近一点？

营销方式从海量广告过度到一对一以用户体验为中心的精准营销，一对一精准营销实际上是对于任何一个互联网用户在那一刻，在那一个渠道以一个独特的价格，推送一个独特的广告创意，效果是怎么样的。围绕用户、业务场景、触点、营销推送内容/活动推荐，并且基于跨渠道触发式的营销能力，在注重用户体验同时达到最佳的营销效果，并且可对营销进行跟踪，从而不断优化营销策略。

问题4：如何实现基于大数据营销的即时营销？

企业希望通过实时分析来获取竞争优势。精准营销也要求在活动的同时我们就能得到数据，立即优化营销效果。

大数据营销系统组成：

基于大数据的精准营销过程分为：采集和处理数据、建模分析数据、解读数据这么三个大层面。通过对客户特征、产品特征、消费行为特征数据的采集和处理，可以进行多维度的客户消费特征分析、产品策略分析和销售策略指导分析。通过准确把握客户需求、增加客户互动的方式推动营销策略的策划和执行。

网舟科技大数据营销项目的解决方案主体为：数据整合营销平台

营销管理平台中心有一个通用的工作流引擎，以及创新生动的用户界面。它具有高度自动化的特点，基于角色的协作，工作流工具使营销上很容易定义流程规划和管理预算、资源和内容，细分客户，定义规则和机制，创建和重建模板，执行活动，捕捉反应，定义领导流程和结果分析。营销商根据需求动态的格式化内容协调所有营销过程与跨越多渠道的用户交互，而视觉框架使这一切变得更直观。

大数据精准营销实现方式：

通过一个表达式构建器、原始SQL、或通过预定的过滤器进行构造。即可以基于一个无限数量的隐式或显式条件下，利用底层营销数据：包括历史客户交易、人口统计、模型评分、营销历史以及浏览行为等实时变量，进行细分和决策规则的配置。支持Offer（针对不同特点客户所要提供的营销内容、素材等的供给物）与渠道(网站、手机应用、邮件短信等)的关联配置。数据营销后台可对各触点的推送offer中的推送规则、推送内容进行定义，还可实现多渠道、多波次的营销定义，并负责精准营销的推荐实施。

大数据的应用转化价值 篇3

关键词：大数据；资源转化；ETL

中图分类号：TP391.3

大数据的5V（Volume、Velocity、Variety、Veracity、Value）特性所带来的复杂性使企业面临全面挑战。面对大数据的复杂性，传统的解决方案在本地IT资源配套方面采取了高昂但低效的变通方案：比如手工编码、升级数据库来勉强应对。最好的例子就是为了联接异构数据源而设置数据准备区（Data staging area）。这一项变化不仅大大增加了数据集成环境的复杂性，而且带来了至少每年几百万的数据库运转费用[1]。

不难发现，在制定成功的数据策略时，两个关键因素必须得到反映，即易扩展性和高成本收益，这使得经常被忽视而实际起决定作用的数据集成过程应重新被纳入重点考虑。

1 企业大数据资源转化现状

随着企业信息化建设的发展，巨大的投资为企业建立了众多的信息系统，以帮助企业进行内外部业务的处理和管理工作[2]。但是随着信息系统的增加，各自孤立工作的信息系统将会造成大量的冗余数据和业务人员的重复劳动。企业应用集成（EAI，Enterprise Application Integration）应运而生。EAI通过建立底层数据交换平台来联系横贯整个企业的异构系统、应用、数据源等，完成在企业内部的ERP、CRM、SCM、數据库、数据仓库，以及其它重要的内部系统之间无缝地共享和交换数据的需要。数据集成是企业应用集成的重要环节，企业实现数据集成，可以使更多的人更充分地使用已有数据资源，减少资料收集、数据采集等重复劳动和相应费用。

企业日常运作的信息系统一般是由多个传统系统、不兼容数据源、数据库与应用所共同构成的复杂数据集合，各个部分之间不能彼此交流。从这个层面看：目前运行的应用系统是用户花费了很大精力和财力构建的、不可替代的系统，特别是系统的数据。而建立数据仓库的目的就是要把这些不同来源的数据整合组织起来统一管理，从而做到数据的一致性与集成化，提供一个全面的，单一入口的解决方案。但是，在实施数据集成的过程中，由于不同用户提供的数据可能来自不同的途径，其数据内容、数据结构和数据质量千差万别，有时甚至会遇到数据格式不能转换或数据转换格式后丢失信息等棘手问题，严重阻碍了数据在各部门和各应用系统中的流动与共享。因此，如何对数据进行有效的集成管理已成为增强企业商业竞争力的必然选择。

2 ETL流程介绍及其作用

数据仓库是一个面向主题性、集成性、时变性、非易失性的数据集合。主要用于支持企业战略决策处理。它是商业智能中数据集成的中心点和数据集市的数据源，可以提供企业数据中的通用结构[3]。对数据仓库的研究主要集中在设计及对于决策支持方面。ETL是数据仓库中的主要技术，它原本是作为构建数据仓库的一个环节，负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。现在也越来越多地将ETL应用于一般信息系统中数据的迁移、交换和同步。

ETL中三个字母分别代表的是Extract、Transform、Load，即抽取、转换、加载。

（1）数据抽取：从源数据源系统抽取目的数据源系统需要的数据；（2）数据转换：将从源数据源获取的数据按照业务需求，转换成目的数据源要求的形式，并对错误、不一致的数据进行清洗和加工；（3）数据加载：将转换后的数据装载到目的数据源。在ETL处理过程中，数据先从OLTP（联机事务处理）数据库中抽取出来，然后转换成符合数据仓库表的格式，最后装载进数据仓库数据库中。许多数据仓库还吸收非联机事务处理系统中的数据，如TXT文件、传统系统（RDBMS，HTTP，FTP，Flat File等）以及电子表格。ETL通常是一系列过程的复杂结合。它在数据仓库发展中消耗最多努力也对商业分析、数据库设计和应用技巧性要求很高的技术手段ETL过程不是一次性的。当数据源发生变化时，数据仓库会定期需要更新。同时，当业务发生变化时，数据仓库系统同样需要改变以保持其对决策制定产生价值。因此，ETL会经历改变和发展。ETL过程的设计必须支持易改进。一个可靠的、精心设计且备有文件说明的ETL系统对于数据仓库项目的成败是至关重要的。

3 ETL工具的功能及选取原则

为了对ETL的功能产生一个大体的了解，对ETL工具最突出的功能进行了归纳：

（1）在源端识别相关信息；（2）抽取出这些相关信息；（3）将抽取出的信息向数据系统应用转置；（4）将这些来自于异构数据源的信息转换为统一格式；（5）基于数据库及业务规则对结果数据集进行清洗；（6）将扩展（更新）载入数据仓库、刷新数据集市。

为更好地为企业大数据处理服务，前端数据集成中该如何选择ETL工具呢？一般来说需要考虑以下几个方面：

（1）对平台的支持程度；（2）对数据源的支持程度；（3）抽取和装载的性能是不是较高，且对业务系统的性能影响大不大，倾入性高不高；（4）数据转换和加工的功能强不强；（5）是否具有管理和调度功能；（6）是否具有良好的集成性和开放性。

4 结束语

现行的数据集成架构方法在企业面对大数据环境下面临失效的可能。提高大数据资源转化率是企业、科研机构乃至政府研究在大数据环境下实现目标的共同瓶颈。在当前数据量激增的背景下，传统的技术和模式已不能解决问题。数据的整合处理亟需新的架构方法——支持易伸缩性和高成本收益的架构方法。企业生命力的瓶颈也不再是对超量数据的装载和处理，而是如何经济、高效地实现将数据转化为能有效反映运营现状、并对决策形成帮助的信息。改进现有的ETL过程可以实现当前数据策略实践过程中的困境。

参考文献：

[1]Jorge A.Lopez.Best practices for turning big data into big insight[J].Business IntelligenceJournal，2012（17）.

[2]张瑞.ETL数据抽取研究综述[J].软件导刊，2010（09）：164-165.

[3]W.H.Inmon.The data warehouse budget[J/OL].DM Review Magazine，2010.

作者简介：李芸（1982-），女，湖北孝感人，讲师，硕士，研究方向：情报学。

大数据的应用转化价值 篇4

互联网的出现拉近了整个世界的距离, 人们通过网络实现了"零"障碍的信息交流和协作。同时, 借助互联网的高速发展、物联网和云技术的普及、数据库技术的逐渐成熟, 产生了以几何级数增长的庞大的数据量。"数据", 已经渗透到当今的每一个行业和领域, 越来越多的人们开始意识到, "数据"的重要性与不可或缺性。只有把握准确、稳定的"数据", 才能保证社会经济持续高速的发展。互联网学者和企业专家预测:在未来, 数据将会像土地、石油和资本一样, 成为经济运行中的根本性资源。互联网技术的不断发展促使数据资源更加开放, 也使现代社会迎来了全新的大数据时代。

1 互联网大数据时代

(1) 大数据的由来

"大数据"一词起源于美国, 即具有海量的数据规模、快速的数据流转、动态的数据体系、多样的数据类型、巨大的数据价值等特点的巨量资料, 是指所涉及的资料量规模巨大到无法通过目前主流软件工具, 在合理时间内达到撷取、管理、处理, 并整理成为帮助企业经营决策更具积极意义的资讯。"大数据"的实质是在数量巨大、种类繁杂的数据中, 快速获取有效信息, 创造更新更大的价值, 其不仅仅是数据数量上的扩大, 更是数据质量提升的表现。

(2) 大数据的发展现状

大数据在商业、经济及其他领域中越来越多地被提及、被应用。淘宝在2012年就推出了"淘宝时光机", "时光机"通过分析顾客从注册为淘宝用户以来的所有行为, 用叙述记事的方式记录顾客淘宝的经历, 与用户分享淘宝的成长, 并根据用户的喜好和与其相类似的其他用户的喜好, 进一步分析预测用户的下阶段行为, 以极具个性化的数据进行了有效客户链接, 增进了顾客的认同感。

谷歌的Adsense也同样依赖于大数据的支持。Adsense是将网站流量转化为收入的一种服务, 它对网络顾客的行动进行追踪, 并深入挖掘用户对站点的关注度数据。通过网络账户跟踪与查询的次数、信息点击率、广告点击次数及利用Adsense获得的收入量进一步分析顾客兴趣与偏好, 进而实施精准化营销。Adsense已成为数据转化为效益的典型案例。

通过大数据应用的诸多案例, 可以看出:大数据已经开始在各行各业发挥着巨大的影响力, 其应用价值和潜力已经逐渐显现, 正试图改变现代企业的竞争形态, 为企业竞争打开新局面。大数据也已成为当今社会的一种重要资源。

(3) 互联网大数据的意义

随着互联网的发展, 网络用户访问及使用量的逐步增加, 由不同网络功能的开发和使用带来的数据量也随之增多。从互联网企业数据的处理到个人数据的收集与分析, 均是推动大数据发展的有效动力。大数据已快速进入到了与互联网相关的各领域, 在引入了由网络用户产生数据的模式同时也为领域中的各类企业创造了更多的发展机遇。可以说, 如果技术是互联网前进的生命力, 那么数据就是推动未来互联网发展的灵魂。

2 大数据对电子商务的应用价值

在互联网、物联网、移动技术等新型应用与电子商务相结合的同时, 产生、积累了大量的、形式多样的用户网络行为数据资源, 被称为电子商务大数据, 并呈现出前所未有的"数据爆炸"状态。这种状态促使电子商务行业重新审视数据的重要性, 并形成对数据的新型管理理念, 即提炼大数据中的有效数据, 与具体电子商务业务结合运用, 深入挖掘数据资源的价值, 进行精准化、个性化、智能化的客户服务创新, 以达到既降低成本, 又提高效益的双效效应。

(1) 提升竞争优势价值

现代电子商务数据的来源已经不局限于企业的Web站点, 企业会更多的利用电子邮件、微博、Web日志、互动社区等社交媒介多元化的收集相关数据, 这些数据将从不同方面反映着企业自身业务的状况、客户的状态、竞争对手的动向、社会环境的优劣, 企业的决策行为是基于对数据的分析而做出的。因此, 这方面的数据信息越全面, 越趋于社会化, 越具有实时性, 以此制定出的企业发展与竞争策略就越准确、越有针对性、越贴近客户, 当然企业在市场上的竞争优势的可持续性就随之增强了。

(2) 挖掘数据驱动运营价值

大数据庞大的数据量为电子商务企业做好了锁定并把握消费者的基础保证, 电商企业通过不断的整合数据资源, 使得所属供应链上下游参与方能更方便的共享信息与资源, 并模糊业务节点的界限, 从而优化电子商务全程业务流程, 提高各业务节点的流畅度, 进而提高的业务效率。同时, 大数据模式下电子商务交易带来的互动数据, 不仅为电商企业, 也为网络交易平台提供了全方位的市场信息, 为以电子商务交易为核心的新兴产业链打造了活性数据平台。

(3) 重塑多重商机价值

对于电子商务企业来说"低成本、高效率"是其取胜市场的法宝, 而致胜的战术就是基于对大数据的分析和优化。通过收集消费者带来的海量数据, 进一步挖掘用户需求, 便于企业准确预测潜在客户市场, 提高交易的成功率。另一个方面, 在大数据状态推动下, 消费者获取、滤选、分析数据信息的能力也在不断的提高, 对数据信息准确识别能力的增强有利于消费者将注意力反应在其网络行为中, 继而利于电商企业智能业务和服务的开发与推广, 为企业节约成本、占领市场带来巨大的多重商机。

(4) 改善物流服务质量价值

电子商务与物流业的合作随着云计算、物联网和数据应用等技术的突破越来越密切, 电商企业与物流企业因一笔交易带来了共同的服务对象, 对于客户数据的分析也就不仅局限于电商企业单向操作。大数据改变了物流业的服务方向和服务内容, 物流企业通过对客户数据的分析能够更合理的选择派送方式, 优选路径, 提供差异化服务, 提高物流服务的质量, 提升电商物流业的品牌形象。

(5) 创造消费者感知价值

消费者作为互联网技术应用的主力军, 最大限度的抢占了大数据中的消费数据, 这些数据在企业进行数据信息分析时转化为极有价值的商业数据。大数据环境下互联网消费体系创造了全开放的数据系统, 网络消费者在网络应用上投入的资金更多的是要获得个人满足感的体验与感受, 网络消费对象得以拓展的同时, 智能化、人性化、差异化、互动性的网络服务争先呈现在消费者面前, 让消费者最大限度的感受消费的归属感、满足感和幸福感, 实现商家与消费者双赢的深度价值创造。

3 大数据应用对电子商务发展的影响

(1) 商业模式创新

大数据为电子商务企业带来的最大效益就是直接订单转化, 即通过电商企业和网络用户的网络交易行为记录, 结合交易环境和人口因素分析, 形成带有持续性特征的行业大数据, 以此为基础进行准确的市场细分和定位, 实现以数据服务为导向的订单扩大趋势, 突破大数据模式下"产品+数据"的新型商业模式转化。

(2) 形成竞争差别化

大数据的介入, 使数据成为电子商务企业的核心资产, 如何挖掘、利用数据是各行业、企业竞争的焦点。电子商务企业围绕大数据产业链, 对掌控的市场数据, 进行整合、分析与挖掘, 以数据驱动实现"1+1>2"的集成效果。这种效果为电子商务行业同质化竞争窘境带来新的出路, 电子商务企业也从单纯的价格竞争上升到了多元化竞争层次, 形成了全产业链上的差别化竞争。

电子商务行业、企业在大数据领域内的应用, 已经开始进入大规模的普及阶段。互联网大数据带来的商业模式创新也已成为电子商务行业发展的永恒主题, 只有进一步认识到大数据的本质, 遵循大数据的商业逻辑, 才能使电子商务企业在激烈的竞争中取得胜利, 最终实现数据应用的良性循环。

参考文献

[1]刘鹏.大数据技术与应用[J].中兴通讯技术, 2013 (04) .

[2]邱仁宗, 黄雯, 翟晓梅.大数据技术的伦理问题[J].科学与社会, 2014 (01) .

大数据的应用转化价值 篇5

首先广告主可以根据自己的产品设定目标客户的特征，例如性别、年龄、所在地、收入等信息。“微决策”通过对微博数据挖掘，内置了一套社会化消费者行为模型能够准确判断消费者的年龄，消费能力，兴趣爱好等核心信息。通过这些信息的过滤，找到最合适的产品受众。

接着需要设置目标客户的关键词。“微决策”将定义好的目标客户规则用数学的方法投射到整个微博平台上，再从用户背景、行为、影响力、兴趣爱好 4 个维度来寻找相似的人群，尽可能精准的找到潜在客户。

找出你的目标客户之后，接下来就需要针对他们进行定点投放广告。通过决策规则，可以设定此次营销的总费用、微博发送形式、账号规则、以及发送价格等条件。根据广告主实际的需求进行有针对性的选择。

最后“微决策”会根据广告主设定的信息，通过算法计算出最优的营销方案。其中方案包括推荐方案、达人方案、以及微博易平台推荐方案和微易互通平台推 荐方案。推荐方案和达人方案是系统算法基于整个微博数据而计算出的最佳物理方案，但有时候却很难实际操作。例如我之前测试推广 36 氪网站时，系统给我推荐的最佳营销方案是让@李开复转发微博，

因此“微决策”通过和“微博易平台”以及“微易互通平台”的合作，系统会自动匹配这两个平台账号内的营销账号，给出最接近物理方案的推荐结果。

我想是个商家都会眼红小米手机在微博上的“营销盛宴”吧。一条短短的微博，被转发了 260 万次，覆盖近5 亿用户，微博链接被点击 30 多万次，3 天内增长 100 多万粉丝。不过遗憾的是，并非每个人都有足够的资源策划这样一场“营销盛宴”。选择一个好的营销方案，往往能够起到事半功倍的效果。

目前“微决策”只提供微博营销的“选号”功能，专注于提高广告主的决策效率，提供最适合的营销账号选择。自己本身是没有诸如@冷笑话精选这类的营销账号，不过团队也在考虑将各类大号集结到微决策的平台上。“微决策”后期还将会陆续推出营销账号分析、广告传播效果分析等工具，帮助用户完成从设定需求到最终执行营销方案的一站式服务。

微博数据挖掘是门大生意，前两天我们才介绍过基于微博数据挖掘的个性化阅读应用“今日头条”。“微决策”则侧重于用户行为数据和微博营销账号的挖掘工作，再根据广告主的需求，利用算法将两者匹配起来，以实现精准的广告投放。目前“微决策”团队已经完成早期融资，正在寻求 A 轮融资，已经和多家 VC 有过接触。

据Infomorrow团队(“微 决策”只是他们的其中一个产品)向我们 36 氪透露，投资人主要是看好社会化大数据挖掘的前景，以及对于他们团队的认可。团队的核心数据科学家均来自全球领先的消费者金融机构，整个数据团队在消费者 风险评分卡开发，预测模型建立，以及其他消费者数据挖掘领域拥有深厚的功底和经验。而社会化的数据挖掘只是一种手段，除了微博营销外，还有很多想象的空间。

电商大数据时代的价值洼地 篇6

数据帮你做决策

过去的运营驱动数据将变为数据驱动运营，大数据不仅指海量的数据，还包含数据的细分，企业内部几乎所有的环节都将以数据的形式加以展现，比如各业务环节的时间节点衍生出的效率优化。在亚马逊，每天会有大量的基于运营的报表和数据处理，运营策略、市场推广策略的改变主要是看数据，它自行定义的自动补货模型就是基于时间序列和极值的原理而形成的，有效地解决完全依靠人工的订货、补货模式，提升了库存管理的效率。

分析用户的智慧

电商最根本的就是做用户体验，当电商手里有了大量的消费者购买行为的数据，消费者研究甚至可以具体到某一个用户，包含区域购买力、商品区域化、客户分层、购物周期、购物偏向性、投诉原因等诸多数据，指标的结合将为企业实行差异化战略和精准式营销提供重要依据。通过数据分析，还可以有效的识别与竞争对手差异因素，开创新的蓝海，为消费者提供更适宜的购物体验。

打造立体的“数据网”

电子商务内部的信息流转都可以转化为数据，多维度、多视角的使用数据，通过某一核心维度将数据的范围逐渐扩大，将某一行为产生的原因与合理性通过十几个甚至更多的数据标准加以展现，使之更加准确和突出重点，比如销售数据就可以以销售额为核心。将产品销售的区域性、周期性、售后的退换货、客诉率、订单的周期性、客户的忠诚度等多种指标综合分析。

让数据“看得见，摸得着”

传统意义上的数据分析更多的是以简单的图表或者PPT的形式加以展现，不够直观，2010年以后数据信息图兴起，为数据分析和结果输出提供了非常好的视觉效果和理解性，利用简单的图形组合将单一的图表转化为了更丰富的内涵结果，极大地刺激了人们的感官神经，使枯燥的数据变得生动形象，数据信息图只是数据可视化深入发展的一种表现，大数据时代会衍生出很多类似的方法。

大平台需要“一碗水端平”

就时间性而言，基本分析主要是基于历史数据和现实数据，模型可以提供长期的预测数据并评估现实数据的合理性，二者相互补充，不同方法之间相互补充和对比能对业务发展提供更准确的参考依据。随着电商业务模式的稳定和成熟，模型的使用会逐渐增加，尤其是在消费者研究、销售预测、库存管理方面；简单或复杂的方法都是必须的，二者的作用不同，在构建大数据平台时，电商需要更好地平衡二者之间的关系，使之发挥相应的效用。

人人为我，我为人人

电商数据现在很难获得，部分公开的数据其准确性存疑，竞争对手的分析也是建立在不客观的基础上，限制了整个行业对数据的合理利用。大数据概念的确立，提高了企业对数据的重视程度，企业的部分职能也在转变，数据催生的服务功能正在兴起，如一淘网、淘宝网等定期发布的内部价格指数、品类销售报告，就是将内部数据共享化的一个好的开端，很多企业将通过结合自身和行业公开数据对电商某一领域开展专业化的研究，为新进入者或者行业的发展提供深度服务；在互联网时代，数据共享是必然的趋势。

大数据价值实现还需应用落地 篇7

如何让大数据有效应用, 找出大数据的真正价值, 是所有人都在考虑的问题。大数据应用需要经过采集、存储、处理、分析过程, 才能最终和业务有效关联, 为企业和决策者提供价值。在数据采集和发掘阶段, 需要对数据进行分类管理;在数据存储和处理分析过程中, 企业需要良好的平台支撑, 与行业应用软件结合, 对数据进行实时分析, 监测数据异常与趋势;在应用过程中, 需结合历史与统计数据, 搭建预测模型, 对决策者需要的信息进行精准预测, 并能提供建议。

大数据应用更多需要考虑的是技术与行业的深度融合, 才能给社会带来更多价值。云计算与移动计算的普及使得软件应用形态发生了根本变化, 在行业应用中, 需要分析不同形态和不同类别数据特性, 从而依据应用场景确定对应的解决方案。大数据在行业应用过程中, 尚存在用户需求并不明确、没有成熟的模式可以借鉴的问题, 因此需要大数据平台技术和行业应用经验相结合。

大数据的海量数据特点, 使其在处理时需要占用更多的计算资源, 企业在选择使用计算平台时, 需要考虑数据存储和处理高效性, 也要考虑数据传输和处理存储过程的安全性。本刊从第九期开始组织的大数据系列专题, 从发展、标准、解决方案几个角度诠释了大数据的发展历程以及现状。本期邀请国内企业资深技术人员对企业大数据技术、部署和数据安全进行解析, 以及介绍企业在车联网保险服务、即时推荐服务、数据中心等的应用案例, 虽不能概国内大数据发展全貌, 亦可见企业大数据发展一隅。

大数据的应用转化价值 篇8

大数据时代要求企业营销决策基于量化数据, 充分把握客户的心理和行为模式, 制定科学合理的企业营销方案, 紧随市场发展趋势, 做出正确的企业营销决策。在大数据时代下, 企业依靠坚实的技术分析总结海量信息, 搜集利于企业营销的数据和信息, 对企业营销进行科学预见, 结合客户个性化需求制订营销方案, 成功实现个性化营销。在大数据时代企业营销同样面临风险, 因此需要把握企业营销风险转化机制, 重视企业营销数据挖掘, 打造企业营销竞争力, 占领客户消费市场, 促进企业营销稳健发展。

1. 大数据时代企业营销风险转化机制

1.1 营销环境突变角度看营销系统事故

大数据时代营销环境中, 企业营销面临海量客户、海量信息等状况, 需要对市场海量信息的准确判断才能抓住市场需求。但是, 就当前市场而言, 企业供给大于需求, 随着企业供给的增多, 企业市场份额受竞争者威胁逐渐下降, 加之客户个性化需求的凸显, 客户满足感波动较大。企业在大数据时代下, 往往由于营销数据挖掘有限, 建立了营销蓝海市场, 尤其是市场进入壁垒较低时, 越来越多的企业进驻市场, 同时还面临企业服务单一, 产品同质化严重问题, 缺乏相配套的市场服务, 仅能满足对客户的基本需求。但是, 在不断发展的大数据时代市场下, 客户需求个性化、多样化逐渐凸显, 导致企业营销未能获得海量数据分析总结的结果中, 导致企业营销率下降, 也导致企业营销对品牌联想度降低。

1.2 营销系统震荡角度看营销系统事故

大数据时代营销系统而言, 主要包括企业文化、企业管理、企业市场定位, 这三大要素在当前大数据时代往往由于企业自身疏忽, 没能打造坚实的企业文化, 导致企业管理缺少“软实力”, 在市场中迷失方向, 即未能准确把握大数据营销系统中的“信息流+管理流+产品流”。在大数据时代信息流中, 如果企业文化薄弱, 难以形成大数据营销渠道, 很可能会被海量信息所覆盖, 客户难以直接感受企业品牌, 未能把握客户市场需求, 未能有效传达企业产品信息。抑或, 在大数据时代, 简单的企业文化、粗放的管理、同质化产品, 客户对企业营销的感知更多的是一条记忆线, 并没有直观的消费刺激, 难以留给客户长期市场印象, 未能构建客户消费联想, 导致错失市场机会。

1.3 营销管理失效角度看营销系统事故

大数据时代营销管理要求从企业战略角度考虑, 加强企业营销战略管理, 但是当前很多企业在大数据背景营销存在渠道不畅、手段单一、跟踪服务缺失等问题, 导致企业无形中流失客户, 市场信誉受损。从企业营销系统角度看, 企业传统营销在面临大数据时代背景营销创新的冲击, 未能有效整合传统营销和创新营销, 一味沿用传统营销模式, 或者简单抄袭O2O营销模式, 未能构建适宜的营销系统。如, 在大数据时代企业营销系统中, 营销管理机制应该是灵活的、即时的, 但是很多企业只是直线职能制或扁平化组织结构, 这大大制约了企业营销活动的开展效率, 存在大数据挖掘的营销隐患。

2. 大数据时代企业营销风险防范对策

2.1 大数据时代企业营销可行性分析

企业营销在大数据背景下, 应制定稳定的企业营销战略, 即从战略视角实行企业营销管理, 企业营销战略作为企业营销工作的行动纲领, 是具有战略意义的方向性、全局性的营销谋划, 是基于企业经营目标、企业大数据营销环境以及企业资源能力均衡提出的动态工作点。大数据时代背景企业营销战略具有重要价值, 影响着企业营销活动的质量和水平, 也影响着企业研发活动、生产活动、人力资源管理、财务活动的水平。因此, 需要对企业营销可行性进行科学分析, 包括综合考虑企业发展战略、企业市场潜力、企业收益概率等因素, 基于大数据时代企业营销环境, 预测评价企业经营状况, 得到企业市场营销的结果, 规避企业营销风险, 有效对接大数据市场。

2.2 增强企业营销系统适应力

防范大数据时代企业营销风险, 最大化降低企业营销活动风险带来的冲击, 需要增强企业自身营销系统的适应能力, 以灵活、独立、即时的企业营销决策保障营销活动顺畅, 在企业营销活动中实现真实性、即时性信息渠道畅通。制定企业营销大数据小组, 不断完善企业营销预警系统, 保证企业营销活动高效开展, 化解大数据营销风险。企业以项目小组形式, 构建大数据营销分析小组, 专门分析市场海量信息, 抓住有效信息和客户心理, 推出完善的营销方案。同时, 还需要有效应对营销突发事件, 获取应急信息数据, 针对企业营销活动中的风险点设立预警机制, 其中主要包括监控功能、诊断功能、纠错功能、辅助决策功能、健全功能。

在大数据背景下企业营销, 首先要收集各类市场数据信息, 动态跟踪企业营销活动及风险转化机制, 监测营销活动预警值和实际值, 及时发现营销异常活动;其次, 深入分析判断营销异常活动, 寻找并确定异常根源, 并根据异常根源, 诊断和纠正营销活动偏差, 让其回到正常轨道;再次, 在诊断过程中, 结合企业营销活动预警信号, 整理并分析企业营销决策信息, 做出科学可行的营销决策;最后, 通过企业营销预警系统, 整合企业营销活动中的资源, 将企业营销风险环节提炼并上升共性规范, 增强企业营销活动的适应力。

2.3 有效整合传统营销和创新营销

大数据时代企业营销创新是基于传统营销活动实现的, 所以要有效整合企业传统营销和创新营销, 为企业大数据营销提供依据。第一, 大数据时代背景下, 企业传统营销是相对有限的, 难以全面覆盖大数据市场, 而且大数据带来市场海量信息, 企业传统营销渠道也有限, 难以准确判断分析市场信息和客户需求, 导致企业营销活动往往错失市场机会。这就需要企业紧抓大数据营销优势, 将企业传统营销渠道拓展, 以全新有效的方式实现企业和市场、客户的相互交互, 紧抓市场需求和客户喜好, 实现传统和创新的良性互动。企业面对大数据营销, 有机结合传统营销和创新营销, 实现企业整体营销功效, 获得企业营销成功。

结论

在大数据时代背景下, 企业营销想要实现扩张和管理的平衡, 需要加强企业文化的建设, 不断满足客户需求, 创新企业服务, 深入分析市场信息, 细化市场结构, 融入大数据时代元素, 为客户提供个性化服务, 培育客户忠诚度。笔者在文中从营销环境突变角度、营销系统震荡角度、营销管理失效角度看营销系统事故, 剖析营销风险转化机制, 提出大数据时代企业营销可行性分析、增强企业营销系统适应力、有效整合传统营销和创新营销防范对策, 有机结合传统营销和创新营销, 完善企业营销组织体系, 健全企业营销预警机制, 紧抓大数据市场机会, 实施企业营销战略管理, 增强客户市场体验, 提高客户满意度, 实现企业稳健营销。

摘要：大数据时代背景下, 数量级式增长的信息, 企业营销发生深层次的变革。企业需要重点关注大数据时代对营销带来的影响, 正确评估大数据时代企业营销风险, 把握营销风险转化机制, 给出相应的防范对策, 有机结合大数据时代和企业营销工作, 分散企业营销风险。

关键词：大数据时代,企业营销,营销风险

参考文献

[1]卢珍宏.探讨大数据时代的营销变革[J].市场营销, 2015 (05)

[2]张庆旺.如何实现传统营销和网络营销的整合[J].商场现代化, 2015 (10)

挖掘“大数据+”的潜在价值 篇9

面对一个计算技术日新月异, 存储技术突飞猛进, 网络传输速度翻番的时代, 我们应该如何把握?畅销书《大数据》作者徐子沛在书中描绘了一个技术快速迭代、信息大爆炸的大数据时代, 并提出这样的思考。

今天我们已经处于这样的阶段。在消费级互联网向产业互联网发展的过程中, 数据、技术和资源已经成为网络经济的要素, 这已经是不言而喻。不仅如此, 产业互联网还有更多的特点, 包括商业模式、生产过程及业务流程都会重新定义, 比如过去我们在生产和制造中, 对数据的使用更多的是采集、统计, 而在今天, 如果不能采用数据分析、数据挖掘, 并作出相关的生产预测, 就很难称得上是智能制造。

这就是我们今天要关注的一个重点话题, 当工业生产和大数据结合在一起, 如何挖掘它们的深层次价值?

大数据具备4个要素, 数据量、数据种类、数据速度和数据价值, 也就是我们通常所说的4V要素, 如果从这几方面去挖掘工业大数据的潜在价值, 应该方向不会错。随着信息化系统设备的完善, 包括二维码、工业传感器、工控系统、MES、ERP、CAD等都会产生各种数据, 这些数据也都具备大数据的特征。从数据量的角度来说, 只有具备足够的工业生产数据, 我们才能在此基础上进行统计和分析, 甚至进行生产预测。同样以数据的种类来说, 增加工业生产数据的种类并进行分析、挖掘, 可以提高企业的生产效果、降低企业的成本。这些从理解上并不难, 因此也不是当前工业大数据的难点所在。

真正的难点在于, 如何超越当前工业大数据的现状, 将工业生产的所有过程完全纳入数据考核的范畴?也在于我们要不仅仅依赖目前有限的生产数据, 而是应当包括一些非结构性数据在内的数据, 将它们串联起来, 帮助进行生产。

其实, 国内已经有人提出了这方面的建议。国内工业4.0专家、兰光创新总经理朱铎先曾表示, 目前国内企业在工业大数据方面仍是以传统方式在进行数据采集、分析, 缺乏一些数据集成和数据联通, 在生产环节中很难打通平台、软件、硬件、手持设备之间的隔断, 也就难以做到真正的工业大数据创新, 这也是目前中国企业难以和国外企业抗衡的重要原因之一。

阿里巴巴一直将数据业务作为集团的战略方向之一, 这次又再次走在了一些互联网企业的前面。“如果将一些分散在PC、手机、手持终端中的数据进行串联, 打通线上和线下的环节, 就能发挥大数据的真正价值”, 1月26日阿里系全域大数据公司“友盟+”宣布成立, 阿里巴巴副总裁车品觉接受媒体采访时这样表示。据笔者了解, 其实, 全域大数据就是要把这些散落在各处的数据进行集中、串联, 进而凸显它们的潜在价值。

目前包括海尔、美的等在内的家电制造行业正在从传统制造模式转型, 后续提供基于智能化和“互联网+”的解决方案。据了解, 美的集团已经和“友盟+”达成合作。美的智慧家居研究院院长李强对此次合作进行了评价——借助“友盟+”的大数据优势, 美的可以打造天气、食材、水质、用水量等数据, 为用户提供便捷的生活场景。

大数据的应用转化价值 篇10

一、什么是大数据?为什么人人言必称大数据?

对于大数据有许多定义, 其中维基百科的定义是一个最大众的定义:“大数据, 指的是无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。根据美国麦肯锡公司的预测, 大数据每年将会为美国医疗服务业带来3000亿美元的潜在增加值, 为位置服务产业带来6000亿美元的潜在年收入, 为欧洲的公共管理带来2500亿欧元的潜在价值。此外制造业可使设备装配成本降低50%, 通过充分利用大数据零售商可以使其运营利润增长60%。通过经合组织 (OECD) 的一项最新研究成果以及对互联网数据市场价值的估计, 更加证明了大数据存在巨大的潜在价值。

二、大数据存在的缺陷

1. 大数据只是一种辅助工具。

大数据毫无疑问确实是一个非常有价值的工具, 并且在某些领域产生了至关重要的影响。但是大数据只是可以辅助科学调查, 而不能完全的代替, 大数据能告诉我们是什么, 但不能告诉我们为什么。因为虽然大数据能够非常好地检测相关性, 特别是那些用小数据集可能无法测出的微妙相关性, 但是它并不会告诉我们哪一种相关性是有意义的。

2. 大数据可能带来大风险。

大数据可以给我们提供更多的信息相关性, 但是如果你在两个变量中不断地寻找相关性, 那么你很可能会纯粹出于偶然发现虚假的相关性, 由于缺乏谨慎的检查, 这些大数据的量级会造成一些错误的分析结论。正如统计学家冯启思所说, 依赖于网站的大数据收集常常把一些用不同方法、有不同目的数据整合起来, 有时候这会产生负面的影响。从这样的数据样本得出结论通常是需要冒很大风险的。

3. 大数据难以测量人的感受。

组织机构总是想了解人们想知道什么, 而且在这方面得心应手, 但是却不知道人们的感受。行为经济学证明:我们依靠偶获的灵感, 直觉和猜测选择人生的道路。一旦这些灵感被庞大的数字所遮蔽, 这便成了一个不能处理的巨大问题。英国《卫报》认为大数据削弱了人们的同理心, 数字化已经渗透到我们生活的各个方面, 我们以这种方式获得政务服务, 管理自己的金钱—甚至我们与朋友交流的方式也越来越依赖数字媒体。感受虽然不能被量化, 但是社会、经济和人道主义精神对数据的产生和使用影响深远。

4. 大数据掩盖了价值观念。

数据总是依照某人的倾向和价值观念而被构建出来的, 大数据可以把任何事都简化为数字, 并给出听上去很科学的解释, 而那些看起来很客观公正的数据分析结果, 其实从构建到解读的整个过程都贯穿了价值的选择。著名商业思想家纳西姆?塔勒布) 曾指出数据会制造出更大的“干草垛”, 在这个庞大的“干草垛”中, 我们需要找的那根针会被埋的更深。换言之就是那些“重大”发现的数量会被数据扩张带来的噪音而淹没。

三、如何利用“小数据”决胜大数据时代

1. 从小数据流中获取灵感。

面多“大数据”浪潮的冲击, 人们往往认为数据达到一定的规模才有用, 数据的量大但并不意味着全都能用到。小细节解锁大问题, 所以需要学会去筛选那些具有潜在商业导向价值的数据, 善于从小数据流中获得灵感, 并将其落实为具体行动。

2. 提高数据的可信性。

大数据侧重于广度, 更加强调标准化, 其统计结果一般体现出其规律并预示着未来趋势。现阶段, 大数据时代只是刚刚开启, 大数据分析往往缺乏谨慎的检查导致人们做出错误决策。而小数据侧重于深度, 贵在挖掘, 使人们摆脱了对经验的依赖, 使决策由主观性走向客观性从而使数据更加可信。譬如通过收集多元异构的数据来对数据进行分析理解, 从而提高数据的可信性, 通过历史数据的对比可以推断数据的可信性, 最终运用数学模型来检验数据的可信性。

3. 使大数据更加可视化。

数据的可视化可能用到虚拟现实的结合或增强现实技术, 从可视化的效果可以有助于判断大数据挖掘的可信性。例如, 美国统计参加NBA的球队的比赛情况, 发现投篮概率与投篮命中率以及投篮位置有一定的规律, 从80年代开始他们就对球员在赛场上的表现数据进行可视化, 通过30多年的积累NBA已经可以辨别每一个球员在场上的弱点, 方便教练进行针对性战术安排, 到目前为止约有15家NBA球队俱乐部请了数据分析师, 而他们的平均获胜率高达59.3%, 那些没有进行数据分析的球队仅有平均40.7%的获胜率。

总而言之, 大数据只是互联网发展到现今阶段的一种表象或特征而已, 面对社会各界的“大数据”热, 应当冷静的看到, 大数据的核心在于为客户挖掘数据中蕴藏的价值, 大数据体现出规律, 小数据蕴含着智慧。统计学家博可斯 (George Box) 曾说:所有的模型都是错的, 但有些仍然是有用。相信通过技术创新的不断发展, 那些原本很难收集使用的数据会越来越容易被充分利用起来了, 从而逐步为人类社会创造更多的价值。

参考文献

[1][英]维克托·迈尔·舍恩伯格.《大数据时代——生活、工作与思维的大变革》.浙江人民出版社.

[2]刘智慧, 张泉灵.大数据技术研究综述[J].浙江大学学报 (工学版) .

[3]吴娜, 石青辉.大数据背景下的营销伦理问题研究[J].湖南商学院学报.