大數據好的研究課題

1. 大數據分析時代對市場營銷的影響研究

下面我為你准備的關於市場營銷的論文，歡迎閱讀借鑒，希望對大家有幫助。

一、數據分析時代演變歷程

(一)數據1.0時代

數據分析出現在新的計算技術實現以後，分析1.0時代又稱為商業智能時代。它通過客觀分析和深入理解商業現象，取締在決策中僅憑直覺和過時的市場調研報告，幫助管理者理性化和最大化依據事實作出決策。首次在計算機的幫助下將生產、客戶交互、市場等數據錄入資料庫並且整合分析。但是由於發展的局限性對數據的使用更多的是准備數據，很少時間用在分析數據上。

(二)數據2.0時代

2.0時代開始於2005年，與分析1.0要求的公司能力不同，新時達要求數量分析師具備超強的分析數據能力，數據也不是只來源於公司內部，更多的來自公司外部、互聯網、感測器和各種公開發布的數據。比如領英公司，充分運用數據分析搶佔先機，開發出令人印象深刻的數據服務。

(三)數據3.0時代

又稱為富化數據的產品時代。分析3.0時代來臨的標準是各行業大公司紛紛介入。公司可以很好的分析數據，指導合適的商業決策。但是必須承認，隨著數據的越來越大，更新速度越來越快，在帶來發展機遇的同時，也帶來諸多挑戰。如何商業化地利用這次變革是亟待面對的課題。

二、大數據營銷的本質

隨著顧客主導邏輯時代的到來以及互聯網電商等多渠道購物方式的出現，顧客角色和需求發生了轉變，世界正在被感知化、互聯化和智能化。大數據時代的到來，個人的行為不僅能夠被量化搜集、預測，而且顧客的個人觀點很可能改變商業世界和社會的運行。由此，一個個性化顧客主導商業需求的時代已然到來，大數據沖擊下，市場營銷引領的企業變革初見端倪。

(一)大數據時代消費者成為市場營銷的主宰者

傳統的市場營銷過程是通過市場調研，採集目前市場的信息幫助企業研發、生產、營銷和推廣。但是在大數據以及社會化媒體盛行的今天，這種營銷模式便黯然失色。今天的消費者已然成為了市場營銷的主宰者，他們會主動搜尋商品信息，貨比三家，嚴格篩選。他們由之前的注重使用價值到更加註重消費整個過程中的體驗價值和情境價值。甚至企業品牌形象的塑造也不再是企業單一宣傳，虛擬社區以及購物網站等的口碑開始影響消費者的購買行為。更有甚者，消費者通過在社交媒體等渠道表達個人的需求已經成為影響企業產品設計、研發、生產和銷售的重要因素。

(二)大數據時代企業精準營銷成為可能

在大數據時代下，技術的發展大大超過了企業的想像。搜集非結構化的信息已經成為一種可能，大數據不單單僅能了解細分市場的可能，更通過真正個性化洞察精確到每個顧客。通過數據的挖掘和深入分析，企業可以掌握有價值的信息幫助企業發現顧客思維模式、消費行為模式。尤其在今天顧客為了彰顯個性，有著獨特的消費傾向。相對於忠誠於某個品牌，顧客更忠誠與給自己的定位。如果企業的品牌不能最大化地實現客戶價值，那麼即使是再惠顧也難以保證顧客的持續性。並且，企業不能奢望對顧客進行歸類，因為每個顧客的需求都有差別。正是如此，大數據分析才能更好地把握顧客的消費行為和偏好，為企業精準營銷出謀劃策。

(三)大數據時代企業營銷理念――“充分以顧客為中心創造價值”

傳統的營銷和戰略的觀點認為，大規模生產意味著標准化生產方式，無個性化可言。定製化生產意味著個性化生產，但是只是小規模定製。說到底，大規模生產與定製化無法結合。但是在今天，大數據分析的營銷和銷售解決的是大規模生產和顧客個性化需求之間的矛盾。使大企業擁有傳統小便利店的一對一顧客關系管理，以即時工具和個性化推薦使得大企業實現與顧客的實時溝通等。

三、基於數據營銷案例研究――京東

京東是最大的自營式電商企業。其中的京東商城，涵蓋服裝、化妝品、日用品、生鮮、電腦數碼等多個品類。在整個手機零售商行業里，京東無論是在銷售額還是銷售量都佔到市場份額一半的規模。之所以占據這樣的優勢地位，得益於大數據的應用，即京東的JD Phone的計劃。

JD Phone計劃是依據京東的大數據和綜合服務的能力，以用戶為中心整合產業鏈的優質資源並聯合廠商打造用戶期待的產品和服務體驗。京東在銷售的過程中，通過對大數據的分析，內部研究出一種稱為產品畫像的模型。這個模型通過綜合在京東網站購物消費者的信息，例如：年齡、性別、喜好等類別的信息，然後進行深入分析。根據分析結果結合不同的消費者便有諸如線上的程序化購買、精準的點擊等營銷手段，有效的幫助京東實現精準的營銷推送。不僅如此，通過對於後續用戶購物完成的售後數據分析，精確的分析商品的不足之處或者消費者的直接需求。數據3.0時代的一個特徵便是企業不在單純的在企業內部分析數據，而是共享實現價值共創。所以，京東把這些數據用於與上游供應商進行定期的交流，間接促進生產廠商與消費者溝通，了解市場的需求，指導下一次產品的市場定位。總的來說，這個計劃是通過京東銷售和售後環節的大數據分析，一方面指導自身精準營銷，另一方面，影響供應商產品定位和企業規劃，最終為消費者提供滿足他們需求的個性化產品。

四、大數據營銷的策略分析

(一)數據分析要樹立以人為本的思維

“以人為本”體現在兩個方面，一方面是數據分析以客戶為本，切實分析客戶的需求，用數據分析指導下一次的產品設計、生產和市場營銷。另一方面，以人為本體現在對用戶數據的保密性和合理化應用。切實維護好大數據和互聯網背景下隱私保護的問題，使得信息技術良性發展。

(二)正確處理海量數據與核心數據的矛盾

大數據具有數據量大、類型繁多、價值密度低和速度快時效高的特點。所以在眾多海量的數據中，只有反映消費者行為和市場需求的信息才是企業所需要的。不必要的數據分析只會影響企業做出正確的決策。鑒於此，首先企業需要明確核心數據的標准;其次企業要及時進行核心數據的歸檔;最後要有專業的數據分析專業隊數據進行分析，得出科學合理的結果以指導實踐。

(三)整合價值鏈以共享數據的方式實現價值創造

2. 大數據下的計算機信息處理技術研究論文

大數據下的計算機信息處理技術研究論文

摘要： 現如今，隨著科學技術的快速發展，計算機技術已經融入到人們的生活之中，想想10年前的計算機技術和現如今的計算機技術，真的是天壤之別，發生了翻天覆地的變化。同時，大數據的應用也越來越廣泛，帶來了豐厚的利潤，各種「雲」層出不斷，對大數據的背景下，計算機信息處理的技術提出更高的競爭和要求。本文首先介紹大數據的概念，闡述基於大數據背景下的各種計算機信息處理技術，並對技術進行分析研究，最後對大數據未來的發展的機會做出分析。

關鍵詞： 大數據；計算機信息；技術研究

隨著科技的迅猛發展，大數據的應用愈來愈廣，隨之產生的數據系統總量大，十分龐大，這就對大數據時代下的計算機信息處理技術提出了更高的要求，如何將大數據處理的井然有序，有條不紊，值得每一位考研人員進行探討。

一、大數據的概念

什麼是大數據？大數據，另一種叫法稱之為巨型資料，是一個十分復雜密集的數據集，這樣的數據集在一定的時間內，依靠於傳統普通的數據加工軟體無法最終實現管理、抓取及處理的功能，需要進行創新，用新的處理模式才能夠實現。大數據具有虛擬化、按需服務、低成本等等特點。在每一個消費者的角度來看，大數據中的計算技術資源服務可以幫助每一個大數據用戶完成想要的資源信息，用戶只需進行付費就可以直接使用，根本不需要到處搜尋資料，跑來派去的打聽。這從根本上改變了人們對信息資源的需求方式，為用戶提供一種超大規模的網路資源共享。同時，面對海量的大資料庫資源，如何對大數據資源進行處理，得到用戶們想要的信息資源，需要計算機信息技術不斷的進行挖掘。

二、大數據下的計算機信息處理技術

總體的來說，基於大數據背景下的計算機信息處理技術總共可以分成以下3個方面：信息的獲取及加工技術、信息的存儲技術和信息安全方面的技術。下面就針對這三種技術，進行研究分析。1）信息的獲取及加工技術。信息的獲取及加工技術是實現信息化的第一步，是最基礎的工作內容，只有完成了信息數據的搜集工作，才能進行下面的計算機信息技術的處理。因此，如若進行信息的採集工作，需要首先明確信息的目標源，對信息數據進行監控，時刻把握信息的流向及動態，然後將採集的信息數據輸入至計算機資料庫中，實現了信息的獲取採集工作。接下來是第二步，信息的加工及處理工作，所有的加工和處理技術的核心在於用戶的指引，完全由用戶導向，設定信息的篩選范圍，確定信息的豐富度等等。最後是依照於用戶的要求，將信息資源傳輸到用戶手中。這樣就實現了整個信息從採集到處理，再從處理到傳送工作的整個流程。2）信息的存儲技術。在大數據的背景下，對於整個計算機信息的處理，信息技術的存儲是十分關鍵的環節，可以將處理加工的數據得以保存，更方便用戶對於數據的調取和應用。而且，現如今的信息數據總量大、更新速度快，合理的運用存儲方面的技術，可以快速的實現信息的存儲工作，提高工效效率，將復雜變簡單。在目前的時代下，應用最廣泛的是分布式數據存儲技術，應用十分方便，能夠實現快速大量的數據存儲。3）信息安全方面的技術。大數據在方便用戶使用和享受的同時，信息數據資源的安全性也是不容忽略的，而且隨著社會的發展，數據資源的安全性和隱私性逐漸受到關注，如何實現資料庫的安全是個十分值得研究的課題。首先最主要的是建立計算機安全體系，充分引進更多的人才。其次需要加強安全技術的研發速度，由於大數據發展及更新速度快，需要快速的更新原有的安全體系，盡快的適應大數據時代的更新速度。除此之外，加強對信息的監測是十分必要的，避免不法之人進行數據的盜取，在信息數據龐大的體量下，依然能夠提供穩定有效的安全體系。

三、大數據下的計算機信息技術的發展前景

1）雲技術的發展是必然趨勢。雲計算網路技術是越來越得到大的發展，一方面由於計算機硬體系統的數據處理技術有限，雲技術可以完全的將弊端破除，同時，它能夠利用最新的數據資源和處理技術，不依賴於計算機硬體系統。因此，隨著龐大的數據越來越復雜，傳統的數據處理方式已經不能夠適應，未來將計算機信息處理必將朝著雲計算發展。2）計算機網路不再受限於計算機硬體。未來，計算機網路技術將會不再受制於計算機硬體的限制，網路的傳輸技術更加趨向於開放化，計算機網路和計算機硬體將會分隔開，重新定義新的網路架構。3）計算機技術和網路相互融合。傳統的計算機技術需要運用計算機的硬體系統才能夠實現信息的處理、加工及存儲工作，未來新的.計算技術將脫離於計算機硬體配備，可以僅僅用計算機網路就可以實現數據的加工和處理。同時，二者也將會相互融合、相互發展真正的滿足由於大數據時代的更新所帶來的困擾，這是未來大數據背景下計算機技術發展的又一個方向。

四、大數據下的計算機信息技術面臨的機遇和挑戰

在大數據背景下，計算機信息技術的機遇和挑戰並存，首先，病毒及網站的惡意攻擊是少不了的，這些問題是站在計算機信息技術面前的巨大挑戰，同時，近些年，網路詐騙不斷，社會關注度逐漸提高，網路的安全問題也是不同忽視，再者，信息之間的傳送速度也有限，需要對傳送技術進行創新，以適應更高的用戶需求。最後，隨著大資料庫的不斷豐富，越來越龐大的數據資源進行加工和處理，對數據的存儲又有了新的要求，如何適應不斷龐大的數據信息量，實現更加便捷的、滿足用戶需求的調取也是一個巨大的挑戰。與此同時，也存在著許多的機遇。首先，大數據對信息安全的要求越來越大，一定程度上帶動了信息安全的發展，其次，大數據在應用方面，對企業及用戶帶來了巨大的便利，同時也豐富了產業資源，未來用戶及企業面前的競爭可能會轉化為大數據信息資源的競爭。最後，大數據時代的來臨，構造了以信息安全、雲計算和物聯網為主要核心的新形勢。

五、結論

通過一番研究，目前在大數據時代下，計算機信息技術確實存在著一定的弊端，需要不斷的進行創新和發展，相信未來的雲計算會越來越先進，越來越融入到人們的生活及工作當中，計算機信息技術面臨的巨大的挑戰和機遇，面對挑戰，抓住機遇，相信未來我國的計算機技術會越來越好，必將超過世界領先水平！

參考文獻：

[1]王秀蘇.計算機信息處理技術在辦公自動化上的應用[J].科技經濟市場,2010(03).

[2]張連傑.企業管理中計算機技術的應用[J].電腦知識與技術,2011(26).

[3]陳靜.淺談計算機處理技術[J].科技與企業,2012(11).

[4]趙春雷,喬治納漢."大數據"時代的計算機信息處理技術[J].世界科學,2012.

[5]庄晏冬.智能信息處理技術應用與發展[J].黑龍江科技信息,2011.

[6]艾伯特拉斯洛,巴拉巴西,著.馬慧,譯.爆發:大數據時代預見未來的新思維[M].北京:中國人民大學出版社,2012.河南省高等學校重點科研項目計劃（16A520008）

;

3. 如何有效利用大數據分析

1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法

大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。

大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。

大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於

統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。

整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。

4. 在大數據或數據挖掘方面可以研究的課題有哪些

數據獲取等方向都有涉及、數據維護、數據挖掘偏業務的可以稱之為運專營分析師，偏管理的屬可以稱之為數據決策分析師，偏金融的可以稱之為注冊項目數據分析師，因行業和發展方向的不同，工作方向為維護數據可以稱之為資料庫管理員，資料庫工程師，工作方向為挖掘方向的稱之為數據挖掘師等等，數據分析師在 業務

5. 求一個大數據方向的開題點,研究生畢業論文開題點

大數據（Big Data）又稱為巨量資料，指需要新處理模式才能具有更強的決策力、洞察力和流程優化能力的海量、高增長率和多樣化的信息資產。「大數據」概念最早由維克托·邁爾·舍恩伯格和肯尼斯·庫克耶在編寫《大數據時代》中提出，指不用隨機分析法（抽樣調查）的捷徑，而是採用所有數據進行分析處理。對於「大數據」（Big data）研究機構Gartner給出了定義，「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理。換言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

6. 大學生科研立項課題 本人是學統計的 才大二 想做大數據方向的課題 有沒有什麼好的建議 和統計或者數

「社會統計學與數理統計學的統一」理論的重大意義
2011-10-23 23:05

王見定教授指出：社會統計學描述的是變數，數理統計學描述的是隨機變數，而變數和隨機變數是兩個既有區別又有聯系，且在一定條件下可以相互轉化的數學概念。王見定教授的這一論述在數學上就是一個巨大的發現。

我們知道「變數」的概念是17世紀由著名數學家笛卡爾首先提出，而「隨機變數」的概念是20世紀30年代以後由蘇聯學者首先提出，兩個概念的提出相差3個世紀。截至到王見定教授，世界上還沒有第二個人提出變數和隨機變數兩者的聯系、區別以及相互的轉化。我們知道變數的提出造就了一系列的函數論、方程論、微積分等重大數學學科的產生和發展；而隨機變數的提出則奠定了概率論和數理統計等學科的理論基礎和促進了它們的蓬勃發展。可見變數、隨機變數概念的提出其價值何等重大，從而把王見定教授在世界上首次提出變數、隨機變數的聯系、區別以及相互的轉化的意義稱為巨大、也就不視為過。

下面我們回到：「社會統計學和數理統計學的統一」理論上來。王見定教授指出社會統計學描述的是變數，數理統計學描述的是隨機變數，這樣王見定教授准確地界定了社會統計學與數理統計學各自研究的范圍，以及在一定條件下可以相互轉化的關系，這是對統計學的最大貢獻。它結束了近400年來幾十種甚至上百種以上五花八門種類的統計學混戰局面，使它們回到正確的軌道上來。

由於變數不斷地出現且永遠地繼續下去，所以社會統計學不僅不會消亡，而且會不斷發展狀大。當然數理統計學也會由於隨機變數的不斷出現同樣發展狀大。但是，對隨機變數的研究一般來說比對變數的研究復雜的多，而且直到今天數理統計的研究尚處在較低的水平，且使用起來比較復雜；再從長遠的研究來看，對隨機變數的研究最終會逐步轉化為對變數的研究，這與我們通常研究復雜問題轉化為若干簡單問題的研究道理是一樣的。既然社會統計學描述的是變數，而變數描述的范圍是極其寬廣的，絕非某些數理統計學者所雲：社會統計學只作簡單的加、減、乘、除。從理論上講，社會統計學應該復蓋除了數理統計學之外的絕大多數數學學科的運作。所以王見定教授提出的：「社會統計學與數理統計學統一」理論，從根本上糾正了統計學界長期存在的低估社會統計學的錯誤學說，並從理論上和應用上論證了社會統計學的廣闊前景。

7. 大數據培訓課題有哪些

大數據培訓的話分開發方向和運維方向，主要包括前端、java、資料庫、大數據自身的一些課程

8. 大數據挖掘在虛擬醫葯科研方面的思考

大數據挖掘在虛擬醫葯科研方面的思考
1.基於大數據挖掘的虛擬醫葯科研案例
數據挖掘發展到今天，按照時下的概念應該到了「大」數據挖掘的時代了。我們還是先從幾個相關案例開始吧。
1.1 虛擬臨床試驗-大數據採集
我們首先來看這樣一個案例。2011年06月，輝瑞制葯有限公司宣布開展一項「虛擬」臨床研究，該項研究是一個得到美國食品和葯物管理局批準的試點項目，首字母縮寫為「REMOTE」。「REMOTE」項目是在美國開展的第一項病人只需使用手機和互聯網、而不用重復跑醫院的臨床研究，該項目的目標是要確定此類「虛擬」臨床研究能否產生和傳統臨床研究一樣的結果。而傳統的臨床研究要求病人住在醫院附近，並且定期前往醫院或診所進行初次檢查和多次後續檢查。如果這一項目有效，那它可能意味著全美國的病人都能參加今後的許多醫學研究。這樣一來，原先的科研項目中未得到充分代表的群體將得以參加，數據收集速度將大大加快，而且成本也很可能會大幅下降，參與者退出的幾率也很可能會降低不少。
從上例中，我們可以看到，利用互聯網可以收集遠遠大於傳統臨床科研樣本數目的超大量病人的臨床數據，而且其中有些臨床數據可能來自於更加便捷的可穿戴健康監測設備。如果這樣的研究，在科研設計嚴謹、質量標准得到有效執行、各種誤差得到有效控制的情況下，科研的效率和成果的可信度可以顯著提高。正如輝瑞公司首席醫療官弗蕾達?劉易斯-霍爾所說的：「讓更多樣化的人群得以參與研究有可能會推動醫學進步，並為更多的病人帶來更好的療效。」
1.2 虛擬葯物臨床試驗-大數據挖掘
我們再來看另外一個案例。1992年，抗抑鬱葯物帕羅西汀（Paxil）獲准上市；1996年，降膽固醇葯物普拉固（Pravachol）正式開售。兩種葯品生產企業的研究證明：每種葯物在單獨服用時是有效且安全的。可是，患者要是同時服用兩種葯是否安全，沒有人知道，甚至很少有人想過。美國斯坦福大學的研究人員應用數據挖掘技術分析了數萬例患者的電子病歷後，很快發現了一個出人意料的答案：同時服用兩種葯物的患者血糖含量較高。這對於糖尿病患者來說影響很大，過多的血糖對他們來說是一種嚴重的健康威脅！科學家還通過分析血糖檢測結果和葯物處方，來尋找隱藏的規律。
對於單個醫生來說，他所經歷的同時服用這兩種葯物的病人是很有限的，雖然其中可能有少數的糖尿病患者莫名其妙地血糖升高了，但醫生很難意識到這是由於病人同時服用了Paxil和Pravachol造成的。因為這是一種掩藏在大數據中的隱含規律，如果不是有人有目的地專門研究Paxil和Pravachol聯合用葯的安全性的話，個體醫生是很難揭示這個規律的。但是，臨床葯品成千上萬，我們怎麼可能對任意組合的兩、三種葯聯合應用的安全性和有效性進行逐一研究呢？數據挖掘很可能是一種有效的、快速的、主動式的探索多種葯聯合應用問題的方法！
研究者不必再召集患者去做臨床試驗，那樣做的話花費太大了。電子病歷及其計算機應用的普及為醫療數據挖掘提供了新的機遇。科學家不再局限於通過召集志願者來開展傳統的課題研究，而是更多地從現實生活中的實驗中，如日常的大量的臨床案例中篩選數據並開展虛擬科研，這些並非來自計劃的課題立項的實驗數據保存在許多醫院的醫療記錄中。
類似本案例，應用數據技術使得研究人員可以找出在葯物批准上市時無法預見的問題，例如一種葯物可能對特定人群產生怎樣的影響。另外，對醫療記錄的數據挖掘不僅將為研究帶來好處，還會提高醫療服務系統的效率。
1.3 虛擬葯物靶標發現-知識發現
我們再看看這樣的一類研究。通常新葯研發的過程都比較漫長,投入巨大，風險也很高。有數據表明，新葯研發的平均時間長達15年,平均耗費超過8億美元。但是,由於葯物療效的不佳和毒副作用太高，使得許多葯物的研發經常在臨床階段就失敗了，造成了巨大的經濟損失。作為葯物研發的源頭,葯物靶標的發現和識別對葯物的研發成功率具有舉足輕重性的作用。隨著生物信息技術的不斷發展,以及蛋白質組學數據、化學基因組學數據的日益增長,應用數據挖掘技術結合傳統生物實驗技術,可為葯物新靶標的發現提供新的技術手段,為靶標識別預測提供新的方法。構建葯物靶標資料庫，利用智能計算技術和數據挖掘技術對現有的葯物靶標數據開展深入探索，以期發現新的葯物靶標正是這樣一類研究，我們也稱之為葯物靶標的知識發現。
傳統的葯物靶標的發現，通常大都是通過大量的、反復的生物化學實驗來實現的，不僅成本高、效率低，成功率也很低，猶如瞎子摸象一樣，不好掌握方向。而應用數據挖掘這一自動的、主動的、高效的探索技術，可以開展虛擬葯物靶標發現，不僅大大加快了葯物靶標發現的進程，而且大幅減少了生物化學實驗的次數和成本，同時也提高了傳統生化實驗的成功率。
2. 數據挖掘在虛擬醫葯科研上的應用
大數據時代，醫葯研發面臨更多的挑戰和機遇，為了更好的節約研發成本，提高新葯研發成功率，研發出更有競爭力的新葯，可以應用數據挖掘技術開展虛擬醫學科研和葯物研究。數據挖掘在虛擬醫葯科研上的應用，可以總結為如下幾個方面。
2.1 通過預測建模幫助制葯公司降低研發成本提高研發效率。模型基於葯物臨床試驗階段之前的數據集及早期臨床階段的數據集，盡可能及時地預測臨床結果。評價因素包括產品的安全性、有效性、潛在的副作用和整體的試驗結果。通過預測建模可以降低醫葯產品公司的研發成本，在通過數據建模和分析預測葯物臨床結果後，可以暫緩研究次優的葯物，或者停止在次優葯物上的昂貴的臨床試驗。
2.2 通過挖掘病人數據，評估招募患者是否符合試驗條件，從而加快臨床試驗進程，提出更有效的臨床試驗設計建議。例如: 通過聚類方法對患者群體進行聚類，尋找年齡、性別、病情、化驗指標等方面的特徵，判定是否滿足試驗條件，也可以根據這些特徵更好的設立對照組。
2.3 分析臨床試驗數據和病人記錄可以確定葯品更多的適應症和發現副作用。在對臨床試驗數據和病人記錄進行分析後，可以對葯物進行重新定位，或者實現針對其他適應症的營銷。通過關聯分析等方法對試驗數據進行挖掘可能會發現事先想不到一些成果，大大提高數據的利用程度。
2.4 實時或者近乎實時地收集不良反應報告可以促進葯物警戒。葯物警戒是上市葯品的安全保障體系，對葯物不良反應進行監測、評價和預防。通過聚類、關聯等大數據挖掘手段分析葯品不良反應的情況，用葯、疾病、不良反應的表現，是否跟某種化學成分有關等。例如不良反應症狀的聚類分析，化學成分與不良反應症狀的關聯分析等。另外在一些情況下，臨床實驗暗示出了一些情況但沒有足夠的統計數據去證明，現在基於臨床試驗大數據的分析可以給出證據。
2.5 針對性葯物研發：通過對大型數據集(例如基因組數據)的分析發展個性化葯物。這一應用考察遺傳變異、對特定疾病的易感性和對特殊葯物的反應的關系，然後在葯物研發和用葯過程中考慮個人的遺傳變異因素。很多情況下，病人用同樣的用葯方案但是療效卻不一樣，部分原因是遺傳變異。針對同病種的不同的患者研發不同的用葯，或者給出不同的用法。
2.6 對葯物化學成分的組合和葯理進行挖掘，激發研發人員的靈感。例如針對於中醫葯物研發，用數據挖掘手段對於中葯方劑和癥候進行分析研究，探討方劑和針對症狀之間的聯系，從功效、歸經、葯性和葯味等方面進行分類特徵分析。
3. 虛擬葯物臨床試驗分析系統
現在越來越多的臨床科研和葯物臨床試驗都是從日常的臨床工作中生成的大數據中經過嚴格的條件篩選來提取數據的。正如我們在本文1.1和1.2中提到的案例一樣，所謂虛擬葯物臨床試驗，是以更廣泛的臨床數據採集，和從海量的醫院電子化的病歷中按照事先的設計需求經過嚴格的條件篩選來開展的，雖然是虛擬的方法而不是傳統的方法，這種葯物臨床試驗研究有樣本代表更廣泛、成本低、效率高、研究成果更豐富等優點。採用虛擬研究的方法可以完全替代某些傳統的葯物臨床研究，也可以作為某些傳統的葯物臨床研究的預試驗或探索性研究，以使真正的葯物臨床研究工作多、快、好、省。我們現在來看一下虛擬葯物臨床試驗分析系統是如何工作的。
3.1 虛擬葯物研究的基本思路
1、建設葯物臨床試驗數據倉庫，充分整合和積累的臨床數據和葯物應用數據。 2、設計、選取葯物臨床試驗的觀察組樣本與對照組樣本。 3、應用數據挖掘技術探索葯物對於疾病治療的效果和產生的副作用。 4、應用統計學技術進行葯物臨床試驗效果的推斷和評價。
3.2 建立葯物臨床數據倉庫
建設葯物臨床試驗數據倉庫有兩種途徑，一種是通過經典的葯物臨床試驗設計來定製化和採集相關數據，傳統的方法主要記錄在紙質文檔上，也有專門數據錄入軟體，這種方法採集的數據是按照預先設計進行的，直接形成葯物臨床試驗的專用數據，但通常樣本數據量不會太大；另外一種是將醫院大量的、歷史的臨床用葯數據進行抽取、變換、裝載，然後充分整合積累的其他臨床數據和葯物應用數據，形成葯物臨床試驗數據源，為生成葯物臨床試驗數據提供支撐，這樣的樣本數據量可能很大，我們後面演示的方法就是採用種數據進行「虛擬」樣本篩選和分析的。
3.3 葯物臨床試驗樣本設計
葯物臨床試驗樣本根據葯物研究的需要可以有很多設計，例如單因素單水平設計，單因素兩水平設計，單因素多水平設計，配對設計設計，區組設計設計，重復測量設計等。我們這里以兩因素區組設計為例來介紹一下樣本篩選。本例僅以方法演示為目的，不考慮嚴格的醫學專業意義。
本研究的疾病為動脈硬化心臟病，處理因素為葯物應用，共有三種葯物，分別為倍他樂克、諾和靈、硝酸異山梨脂。區組因素為年齡，分了三個年齡段。觀察指標為血鈉。我們科研設計按照「三要素、四原則」進行數據篩選。所謂「三要素」是研究人群，處理因素和觀察對象。所謂四原則是指隨機、對照、重復、均衡等原則。按照如下圖一的輸入條件，可以將數據集篩選出來，然後再用統計分析工具進行統計分析。

3.4 葯物臨床數據挖掘
應用數據挖掘技術不僅可以提高葯物臨床數據的利用程度，而且可以探索和發現葯物臨床應用中的新的積極作用和新的消極作用。利用多種數據挖掘方法分析臨床試驗數據和病人的電子化數據，可以確定葯物更多的適應症和發現未知的副作用。在對臨床試驗數據和病人記錄進行挖掘分析後，可以對葯物進行重新定位，或者實現針對其他適應症的推廣應用。通過對葯物試驗數據進行挖掘可能會發現意想不到一些成果，大大提高數據的應用效益。
如本例，我們使用數據挖掘的方法深入研究葯物對於實驗室指標的影響。探索和發現葯物臨床應用中的正負影響，可以通過觀察病人用葯前後的很多醫學特徵和生理指標來進行，而觀察更加客觀的各種實驗室指標是很多葯物研究的必備設計之一。下面是一個應用倍他樂克葯物治療冠心病的研究，我們應用了數據挖掘的有關技術分析了倍他樂克的血葯濃度的變化對病人各個實驗室指標的影響，如下圖二，顯示了部分實驗室指標的影響結果。

以上結果需要與臨床醫務人員以及葯物研究人員共同探討。在刨去了各種人為因素以及業務系統客觀影響因素之後，我們可以發現先前未知的倍他樂克對病人生理指標的影響，其中有些影響在醫學上可能是積極的，而有些影響在醫學上可能是反面的。
3.5 統計分析設計
虛擬葯物臨床試驗分析系統的統計分析模塊，包含了葯物研發中常用的統計分析方法，如T檢驗、方差分析、相關分析、回歸分析、非參數檢驗等，設計思路按照統計學思維，首先對數據進行驗證，根據驗證結果選擇統計分析方法。下面我們以重復測量設計為例進行說明。
本研究的疾病為動脈硬化心臟病，處理因素為葯物應用倍他樂克，觀察指標為我們從數據挖掘中發現有影響的血鉀指標。我們可以使用3.3提供的模塊對篩選的樣本進行提取和分析，也可以從本模塊直接選取所需的數據並分析。重復測量分析有兩種方法，一個是Hotelling T2檢驗，另一個是方差分析，本系統提供了這兩種統計檢驗方法。
部分樣本數據如下圖三所示：

這里，我們僅觀察一下方差分析方法的結果輸出，如下圖四所示。

從圖中我們可以看到，根據P值得到：處理因素「倍他樂克」葯物對血鉀起作用，測量時間對血鉀有影響，處理因素和測量時間有交互影響。從而驗證了我們應用數據挖掘得到的結果。
4. 數據挖掘在中葯研發上的應用
以上內容，我們重點是以西葯的研究應用為例來說明以數據挖掘為特色的虛擬醫葯研究的方法。其實，數據挖掘和虛擬葯物研究還非常適合於中醫中葯的研究工作，因為中醫學本身是一個經過幾千年不斷摸索、積累和驗證的、知識體系龐大的、具有完整理論體系的醫學科學，但我們還需要應用現代知識不斷地深入理解、挖掘、提高和應用，以便與現代科學能更好地融合。而數據挖掘正是探索和解釋中醫學奧秘的有力工具！
國內許多單位也開展一些中醫中葯數據挖掘的局部性的嘗試。現在，我們就將這些數據挖掘在中醫中葯研究中的嘗試加以匯總，分列如下： 1、中葯配方中的文本數據挖掘； 2、對「葯理」起關鍵作用的「有效成分」——單體或化學成分的挖掘； 3、中葯方劑配伍規律的數據挖掘與研究； 4、方劑配伍物質基礎與葯效如(證侯、症狀)關系的數據挖掘； 5、方劑配伍的用量與方劑效用級別間的關系(量效關系及模型) 挖掘； 6、中葯葯性理論與中葯有效成份的關系挖掘； 7、方劑中各葯味間的相關性挖掘； 8、相似病症的隱含相似關系挖掘； 9、同種疾病不同葯方的相似性和差異性的挖掘和研究。 10、數據挖掘用於不確切病症的分類和研究。

9. 基於大數據的視覺搜索應用與組織模式研究

基於大數據的視覺搜索應用與組織模式研究
當前視覺搜索已成為信息科學領域的前沿課題，主要用於分析和研究現實世界實體屬性、行為、事件與視覺大數據資源之間的發展規律，針對視覺大數據資源的獲取、組織、描述與利用問題，研究視覺資源及其時空關聯信息之間的價值發現與資源整合的內在機理
當前視覺搜索已成為信息科學領域的前沿課題，主要用於分析和研究現實世界實體屬性、行為、事件與視覺大數據資源之間的發展規律，針對視覺大數據資源的獲取、組織、描述與利用問題，研究視覺資源及其時空關聯信息之間的價值發現與資源整合的內在機理，解決其多維關聯與協同融合問題，進而實現視覺大數據資源的有效整合、知識發現與實時交互。
基於此，本研究從宏觀與中觀角度，從信息科學視角下視覺搜索研究的起源著手，對其發展歷程、概念與特點進行描述，圍繞其理論與應用研究的幾個關鍵問題展開討論，並簡要探討其最新研究進展及應用。
1、大數據環境下視覺搜索的發展歷程及特點
1.1 問題的提出
視覺搜索不是一個新名詞，它最早出現於心理學與生理學領域，用於描述人們通過視覺通道在特定區域內檢測某特定目標是否出現或出現後確定其位置的行為。如在地圖上找某大學所處位置、在食堂內點菜、在書架上找書或在圖書館內找人等。在現實世界中，人們經常需要利用視覺搜索在復雜物理環境中獲取有價值的信息，來決定接下來的語言和行為。因此，視覺搜索理論受到心理學家和人因(HumanFactors)學家的廣泛關注，大量研究集中在對人類視覺認知、生理反饋機理的理解與表達上，並總結出了許多應用型和理論型知識。正是由於視覺搜索的可用性和有效性，使得許多工作、行業、領域都離不開這一生理行為。
相關基礎理論和關鍵技術的不斷發展與完善，促使傳統視覺搜索應用不斷向信息化、技術化和網路化方向發展，如何將傳統視覺搜索行為轉換成「所見即所知」式視覺搜索模式，這一難題逐漸擺在了人們面前。與此同時，網路環境、信息技術、計算性能、存儲空間、數據規模與軟硬體設施等方面的飛速提升，也為客觀物理世界與虛擬網路空間之間建立起密不可分的關聯關系，使視覺搜索技術的實現成為可能。人們可以方便快捷地採集客觀物理世界中的視覺對象，從互聯網中獲取與之相關的關聯信息。
1.2 視覺搜索發展歷程及發展趨勢
近幾年來，隨著大數據環境的逐步完善和大數據技術的迅速發展，關於視覺資源整合與視覺搜索研究的呼聲越來越大。Nature和Science分別於2008年、2011年出版了大數據專題研究，提出圖像、視頻與用戶交互信息是未來大數據的重要組成部分。2009年，Stanford University的Griod、Chandrasekhar等學者將視覺搜索理論引入到信息檢索領域，提出Visual Search、Mobile Visual Search等概念，舉辦了第一屆移動視覺搜索研討會，並對其體系結構、應用與服務模式等問題進行了探討。2010年，Google技術研究部前主管Norvig在Nature上發表的專題論文2020Visions中指出，「文本、圖像和視頻等視覺資源及用戶交互信息、感測信息的有機融合，會給搜索引擎帶來巨大挑戰，如何對視覺搜索結果進行資源深度整合將會成為Google未來10年面臨的最大挑戰。」同年，北京大學高文、黃鐵軍與段凌宇等將其引入國內，舉辦了第二屆移動視覺搜索研討會，並圍繞其關鍵技術、體系結構、視覺資源組織與描述方法、視覺資源標准化與視覺知識庫建設等問題展開了研討。2012年，這一理論與技術迅速被中國計算機學會所接受，認為將視覺搜索與增強現實技術相結合的信息檢索模式，將是繼搜索引擎之後的新一代互聯網服務範式。隨後，張興旺、朱慶華等嘗試將其引入數字圖書館領域，並圍繞相關理論與應用模式展開了研究。
根據視覺搜索研究的發展軌跡來看，國內關於視覺搜索研究總體仍處於探索與嘗試階段，研究軌跡已基本跨過早期理論性嘗試過程，正步入中期技術性和應用性探索階段。尤其是在我國科學技術部於2011年啟動國家重點基礎研究發展計劃(「973」計劃)「面向公共安全的跨媒體計算理論與方法」，對跨媒體視覺資源的統一表示和建模方法、關聯推理和深度挖掘、綜合搜索和內容合成等關鍵科學問題進行研究之後，國內相關研究步入快速發展階段。自2015年以來，視覺搜索理論與應用研究的重要性和必要性更加凸顯，國務院2015年9月印發的《促進大數據發展行動綱要》提出，要充分利用大數據，提升領域數據資源的獲取和利用能力，推動各類數據融合和資源整合。國務院2015年7月印發的《關於積極推進「互聯網+」行動的指導意見》提出「構建包括語音、圖像、視頻、地圖等數據的海量訓練資源庫，加強人工智慧基礎資源和公共服務等創新平台建設」。國家自然科學重大研究計劃「大數據驅動的管理與決策研究」認為「大數據價值的產生機理和轉換規律具有高度的應用領域依賴性」。科技部2016年發布的《關於發布國家重點研發計劃精準醫學研究等重點專項2016年度項目申報指南的通知》的「雲計算和大數據重點專項」中更是明確將「面向大范圍場景透徹感知的視覺大數據智能分析關鍵技術」列為重點研究內容之一，要求對視覺語義建模、視覺對象的時空定位與搜索、跨場景數據關聯技術等展開研究。
1.3 視覺搜索研究對象及視覺大數據資源特點
視覺搜索的研究已逐漸發展成為信息檢索領域的主要研究趨勢，到目前為止，關於視覺搜索的定義尚未形成統一的認識，但從信息檢索角度來看，大家對它的普遍理解是指將客觀物理世界中的視覺資源作為檢索對象，通過互聯網去獲取關聯信息的一種信息檢索方式。它是以視覺大數據資源及其關聯信息為研究對象，以視覺大數據資源的獲取、分析、組織、理解和表達方法為主要研究內容，以信息技術與方法為主要研究手段，以發現視覺大數據資源蘊含的知識價值和拓展其利用能力為主要研究目標的一種綜合性的應用型前沿領域。它主要針對的是當前大數據環境下海量、多元異構、動態無序和高速進化的視覺資源的分析和利用問題，重點研究的是如何充分利用當前飛速發展的信息技術來解決視覺大數據資源的理解和表達，如何有效地實現視覺搜索，如何利用視覺搜索技術來從海量視覺大數據資源中發現新的知識。
毫無疑問，未來是一個智慧(或稱之為「互聯網+」)的時代。智慧地球、智慧城市、智慧圖書館等理論與應用的迅速發展，給視覺搜索理論與應用研究提供了「沃土」。「互聯網+」時代所衍生的數據規模的劇增，文本、圖像、音視頻、用戶交互信息與各種感測信息會成為「數據海洋」的主流，而這些數據來源中超過80%來自於人類視覺通道，現階段把握「互聯網+」時代信息檢索和知識服務未來發展脈絡的最重要手段可能是視覺搜索。
視覺大數據資源因其包含文本、圖像、音視頻與用戶觀看記錄等復雜無序、動態變化的時空信息，使其成為數字圖書館中內容最豐富的信息載體，並將會成為「互聯網+」時代最為重要的信息表達和信息傳播媒介。而以視覺大數據資源為研究對象的視覺搜索，由於前者所處知識空間的知識實體與知識價值在時間、空間和屬性三個方面的自有特性，使得視覺搜索也呈現出復雜無序、動態變化和時空語義關聯等特性，同時也需要對視覺大數據資源的形式化表達、系統化組織、結構化描述與時空關聯關系分析方法等進行研究。由此可得知視覺大數據資源主要具有以下特徵：
視覺大數據資源包含文本、圖像、視頻、用戶觀看信息及用戶交互信息等時空信息，並且它所包含的視覺對象、事物內容、事件過程在時間、空間、語義等方面具有時序或時空關聯關系。
視覺大數據資源具有時空語義關聯、動態變化、數據規模大和結構復雜等特點，這些基於視覺對象、事物內容、事件過程的動態變化可以用時空語義關聯進行表達和描述，其獲取、組織和描述過程可以用機器語言來進行表達，通過視覺對象、事物內容、事件過程之間的語義關聯映射，建立視覺大數據資源的時空語義關聯關系。
視覺大數據資源具有數據規模大、結構復雜、類型多元、多維尺度關聯和縱深緯度高等特性，可根據視覺大數據資源的時空語義關系建立對應的尺度關聯機制。針對不同尺度、縱深緯度的視覺大數據資源的時空關聯關系，可實現視覺對象、事物內容、事件過程之間的多維尺度轉換和重置，進而實現視覺大數據資源的語義關聯關系分析。
視覺大數據資源能提供基於視覺資源內容來理解視覺對象行為，根據視覺對象的時空語義關聯關系建立起發展趨勢模型，並根據有效組織、理解和描述來預測某特定事物在某特定階段將可能發生的行為態勢。
可針對視覺大數據資源的獲取、組織、理解和描述問題，來實現用戶與視覺大數據資源之間的實時交互、反饋和視覺對象知識庫的構建。根據視覺對象的相似行為特徵、時空關聯關系和實時交互結果，來幫助人們製作、生產、運營和消費新的視覺資源，滿足數字圖書館用戶的多元化知識服務需求。
2、大數據環境下視覺搜索的應用與組織模式
視覺大數據資源經過組織、分析、處理和整合，並建立基於特定領域的數字圖書館視覺搜索平台之後，才能為用戶提供大數據知識服務。不同學科、領域的視覺搜索模式對視覺大數據資源的獲取、組織、處理與整合模式會有所不同。正因如此，當前大部分應用是從知識服務與信息檢索角度，建立起領域導向的視覺大數據資源整合平台，通過視覺搜索來對視覺大數據資源進行有效管理與利用，並按照特定學科、專業和領域的知識服務需求來提供服務，從而滿足各類大數據知識服務需求。
2.1 基於深度學習的視覺搜索工業應用模式
傳統視覺搜索研究主要是先採用人工標注方法對視覺資源的底層特徵進行標注後，再採用機器學習方法來解決視覺資源之間的語義鴻溝、異構鴻溝與語義關聯之間的問題。基於人工標注的視覺大數據資源整合與利用方法，需要標注者擁有豐富的專業領域知識和工業應用經驗，需耗費大量的時間和人力成本，且精確性低。與對視覺資源特徵進行人工標注方法不同的是，深度學習一般都是通過對視覺資源特徵進行多層神經網路訓練後，進行視覺特徵學習，進而獲取到特徵提取更合理、區分性更強的視覺特徵理解和描述。大量研究證明通過深度分析方法所提取到的視覺特徵在圖像分類與識別、視覺場景識別、智能監控、語音識別、知識圖譜構建等應用領域都獲得過成功。視覺資源的顯著性特徵提取和分割方法，能夠採用模擬人類視覺系統和生理認知體系來提取視覺資源中顯著性特徵區域。目前，性能相對最好的視覺資源特徵提取方法在公開的視覺大數據資源數據集中的顯著性特徵檢測准確率在95%左右，視覺資源前景特徵分割准確率將近92%，這一比例在近幾年全球性各類大規模視覺資源分析與識別比賽中，仍然在不斷增加。比如，Google研究組在大規模視覺識別挑戰賽(ILSVRC)中，採用改進的深度卷積網路Google Net將圖像識別准確率提升到93%;Google小組在微軟圖像標題生成挑戰賽(MS COCO ICC)中，採用基於深度分析的圖像特徵提取方法獲得冠軍;悉尼科技大學與卡耐基梅隆大學、微軟亞洲研究院和浙江大學在THUMOS比賽中，均將深度分析方法與視覺對象運動特徵結合起來對視覺資源進行動作識別，分別獲得前三名。
傳統學術研究的理論成果往往需要很長一段時間發展，才能逐漸走向成熟，並進入到實際的工業應用中去。但無論是深度學習，還是視覺搜索，它們都擁有著極強的工程理論模型。一方面，它們在被學術界關注和研究的同時，也被工業領域所密切關注和嘗試;另一方面，由於工業領域(如Google、網路、微軟等)早就擁有著大規模的視覺大數據資源，且一直活躍在諸多信息科學領域的研究前沿，在很多領域，它們相較於學術界更有優勢。如Google的知識圖譜Knowledge Graph，Google Now與Google街景地圖，微軟的語音助手Cortana，愛奇藝的愛奇藝大腦，Facebook的Graph Search等均屬於工業界視覺搜索較為經典的應用案例。事實上，國外工業界各大公司，如Google，Facebook，Microsoft等對視覺搜索不僅僅只是開展大量的研究，甚至還在內部成立了專門研究機構，國內的網路、華為、騰訊和阿里巴巴也不例外。
2.2 基於知識計算的視覺搜索知識服務模式
數字圖書館領域對視覺搜索理論與應用展開研究的一個重要目的，就是為高校和科研機構的研究人員提供嵌入式協作化的知識服務，而數字圖書館視覺搜索平台是將海量視覺大數據資源與平台提供的視覺大數據資源的組織、分析和處理功能嵌入到知識服務過程中。
視覺大數據資源整合與利用是當前國內外人工智慧、信息檢索領域的研究熱點，擁有非常廣泛的應用與研究前景。事實上，圖像搜索作為視覺搜索的一個研究分支方向，近幾年來，國內已有很多個人(如中國科學院高科、北京大學高文與黃鐵軍、南京大學朱慶華)、機構(如浙江大學、清華大學、北京大學、中國科學院計算所等)、企業(如愛奇藝、網路、騰訊、360、搜狗等)正在做與之相關的研究，並且很多已經推出了基於內容的圖像搜索平台，為用戶提供圖像搜索服務。而美國的麻省理工學院、加州大學伯克利分校、伊利諾伊大學和英國的牛津大學等相關研究工作開始得更早，也研發出了相應的基於圖像內容的圖像搜索系統。
在以上所有相關研究中，它們都具有一個典型的研究特徵：研究目的是為了解決視覺搜索的應用問題，而對應的視覺搜索模式大部分是基於知識計算。由於視覺搜索需要組織、分析和處理的對象主要包括文本、圖像、視頻等各類蘊含大量價值的視覺資源，因此，如何從視覺大數據資源中獲取有價值的知識，就成為國外學術界和工業界一直以來的研究熱點。以發掘視覺大數據資源中蘊含的豐富的、復雜關聯的知識為目的的知識庫稱之為視覺對象知識庫。目前，全球基於文本、圖像、音視頻等視覺資源的各類知識庫有不少於60種，而基於這些視覺對象知識庫的具體應用案例和系統平台也有幾百種。其中，比較有代表性的應用案例有維基網路的DBpedia(2014版中包含8.7萬部電影、12.3萬張唱片、45萬個物件等)、Google的知識圖譜Knowledge Graph(包括地標、城市、人名、建築、電影、藝術作品等5億個搜索結果實體與350億條關聯知識條目)、Facebook的Graph Search(包含10億名用戶、2400億張圖像、10000億次頁面訪問量等)等。
藉助視覺搜索的相關理論與技術，開展對海量、異構、多元的視覺大數據資源的研究，不僅可豐富信息檢索的外延和內涵，而且可以有效地解決當前數字圖書館所面臨的「大數據、小知識、小服務」的瓶頸，具有一定的應用價值和現實意義。
2.3 基於語義分析的視覺內容關聯組織模式
從已有研究來看，視覺搜索的研究對象大部分集中在文本與圖像上，其中圖像搜索是學者們著力解決的重點方向。視覺搜索研究可分為3個階段：一是20世紀70年代末期開始的基於文本/元數據的圖像搜索。這一方式主要通過人工標注元數據對圖像進行描述，來實現對圖像的信息檢索功能，缺點是元數據標注費時費力，描述標准與反饋內容不完整，且容易有太多主觀色彩。二是20世紀90年代開始提出基於視覺內容的圖像搜索方法。這一方式其本質是採用人工構造圖像底層視覺特徵的方式來進行圖像相似性比較，進而實現圖像搜索，缺點是對圖像底層特徵和高層語義之間存在的語義鴻溝問題沒有得到較好解決。三是21世紀初期提出的基於深度學習的圖像搜索方法。社交網路與用戶生成內容成為網路數據的主要來源，利用用戶標簽對圖像語義進行組織、表達和理解成為研究主流，深度學習方法由此融入到相關領域。
與圖像搜索相比，視頻表達和分析則是視覺搜索領域相對較新的研究領域。視頻由大量圖像幀組成，且圖像幀之間有較為緊密的時空與語義關聯關系，這對視覺搜索技術要求更高。但由於深度學習在文本與圖像搜索領域所取得的成功，學者們開始藉助於深度學習框架，對視頻進行組織、理解和描述，尤其是在視頻特徵提取這一關鍵環節採取了以下幾種方法：一是視頻靜態關鍵幀特徵描述。由於視頻是由大量圖像幀按時序與語義關聯組成，故可採用深度學習方法對靜態視頻幀(即圖像關鍵幀)進行特徵學習。在具體應用中，一旦確定合理的靜態關鍵幀提取和編碼方式，也能形成較好的視頻描述效果。二是動態視頻時序特徵描述。有學者曾提出密集軌跡方法對視頻進行分析，取得了不錯效果。三是前面兩種方法的有機結合。牛津大學的Simonyan等提出採用時間和空間深度神經網路來對視頻進行分析，時間軸輸入的原始視頻，用於對視頻中的視覺對象進行識別，空間軸輸入的時序關聯場，用於對視頻中視覺對象的動作及其軌跡進行識別。
目前國內外也有大量針對視覺內容分析與表達方面的競賽，比如2013年美國佛羅里達大學組織開展的THUMOS比賽，就對海量視覺數據集中異構無序的視覺資源進行分析和理解，該項賽事隨後每年都會開展相關研究。國內外許多高校、科研機構都積極參與到該項賽事中，如清華大學、浙江大學、香港中文大學、卡耐基梅隆大學、悉尼科技大學等。美國國家標准與技術研究所2011年組織開展的TRECVID比賽，針對大規模視覺數據集中復雜視覺資源中事件監測問題展開研究。近幾年來，該項賽事也一直在圍繞著這個主題開展相關研究，國內許多高校，如復旦大學、浙江大學、北京理工大學與同濟大學等，在這項賽事中也獲得了一定成績。
目前雖然在視覺大數據資源的組織、分析、理解和利用方法上有很多研究成果，但這些成果最終目的是應用於視覺搜索。近年來一系列研究對於視覺搜索及其在各行業、領域的應用與推廣工作起到了積極作用，這對於數字圖書館領域而言，是一個積極信號。
3 大數據環境下視覺搜索研究的5個核心問題
盡管視覺搜索已經獲得了工業界和學術界(包括數字圖書館領域在內)的高度關注，但目前在國內並未得到廣泛應用及推廣，主要原因是由於相關技術與應用產品尚未完全成熟，存在著視覺搜索性能不夠理想或不夠穩定、用戶體驗質量不佳、應用局限性較強等問題，圍繞這些問題，就需要從視覺搜索研究基礎理論與技術角度來解決。從數字圖書館視覺搜索模式構建流程[1]來看，視覺搜索研究主要包括5個核心問題，分別描述如下。
視覺大數據資源的獲取與組織方法。互聯網環境下視覺大數據資源的存在形式是動態無序和異構離散的，視覺資源的生產和發布是動態變化的。視覺資源所蘊含的信息內容都包含多個異構、復雜的信息主題，彼此之間存在語義時空關聯關系。而傳統基於人工標注的視覺資源標注方法往往不夠精確，因此，如何快速獲取到所需視覺資源，是視覺搜索應用的關鍵問題。而對與待搜索視覺對象無關的視覺資源的清洗過濾，以及視覺大數據資源的有效組織是視覺搜索應用的核心問題。
視覺大數據資源的理解與表達方法。為了在海量視覺大數據資源中找到與待搜索對象一致的視覺資源，就需要從符合待搜索視覺資源的特徵分析與理解出發，對其視覺內容進行多元化、結構化、多層次的深度理解和表達。
視覺大數據資源整合與交互方法。視覺搜索作為一種信息檢索模式，其服務對象是用戶。對視覺大數據資源的獲取與組織、理解與表達的目的是為了給用戶提供智慧化、人性化的知識服務。因此，如何圍繞視覺大數據資源整合全生命周期進行多維度分析，從而滿足用戶對視覺大數據資源的多元化知識服務需求，也是視覺搜索研究能否成為現實的核心問題。
視覺對象知識庫建設及標准化問題。視覺搜索依賴於視覺對象知識庫的建設。基於高質量的視覺對象知識庫，用戶可快速將待搜索視覺對象與虛擬信息空間中的視覺大數據資源進行有效關聯，從而享受到數字圖書館提供的視覺搜索知識服務。同時，標准化問題也是視覺搜索應用能否順利應用和推廣的關鍵所在。
視覺搜索體系的安全與可靠性理論。無論在任何時候，網路安全及系統可靠性問題是永遠無法迴避的難題，視覺搜索亦不例外。在視覺搜索體系中，數據安全性與知識產權、用戶隱私權、系統可用性與可靠性等問題亦是視覺搜索能否得到有效推廣與應用的核心問題。
4 總結與展望
在「互聯網+」時代，信息服務正越來越廣泛地深入到用戶智慧化、個性化和嵌入式的知識服務需求中去，數字圖書館領域開始呼喚新型的殺手級信息檢索模式。視覺搜索是當前信息檢索領域發展的一個重要前沿和創新突破口，在充分汲取國內外信息科學領域先進研究成果的基礎上，開展數字圖書館視覺搜索基礎理論與應用研究，不僅有望從理論上豐富數字圖書館知識服務研究思想與未來發展框架，也有利於揭示數字圖書館中視覺大數據資源價值的產生機理與轉換規律。
毫無疑問，人類正在向「『互聯網+』時代」邁進，作為一種技術與理念創新，視覺搜索必然符合一般信息技術生存、發展與成熟基本規律，需要經歷技術誕生的萌芽期、飛速進步的發展期、迅速膨脹的高峰期、去泡沫化的低谷期、穩步發展的光明期和實際應用的高峰期6個階段。目前來看，國內外已有視覺搜索研究正處於發展期，存在著理論與技術交叉之後學科間的不平衡這一問題。當前視覺搜索的理論、方法與技術研究主要集中在商業型視覺搜索應用上，對於產生視覺大數據資源的學術領域則關注較少。實際上，以科學研究、學科服務等學術領域為代表的視覺大數據資源，具有異於商業型應用的豐富內涵與獨特特徵，只有全面掌握商業應用與學術領域的相關研究，才有助於建立更加科學、系統、合理的視覺搜索理論體系和應用框架。

10. 大數據技術在網路營銷中的策略研究論文

大數據技術在網路營銷中的策略研究論文

從小學、初中、高中到大學乃至工作，說到論文，大家肯定都不陌生吧，論文的類型很多，包括學年論文、畢業論文、學位論文、科技論文、成果論文等。那要怎麼寫好論文呢？以下是我幫大家整理的大數據技術在網路營銷中的策略研究論文，歡迎閱讀與收藏。

摘要：

當今，隨著信息技術的飛速發展，互聯網用戶的數量日益增加，進一步促進了電子商務的快速發展，並使企業能夠更准確地獲取消費者數據，大數據技術應運而生。該技術已被一些企業用於網路營銷，並取得了顯著的營銷效果。本文基於大數據的網路營銷進行分析，分析傳統營銷存在的問題和挑戰，並對大數據技術在網路營銷中的作用進行研究，最後針對性地提出一些基於大數據的網路營銷策略，以促進相關企業在大數據時代加強網路營銷，並取得良好的營銷效果。

關鍵詞：

大數據；網路營銷；應用策略；營銷效果；

一、前言

現代社會已經完全進入了信息時代，在移動互聯網和移動智能設備飛速發展與普及之下，消費者的消費數據都不斷被收集、匯總並處理，這促進了大數據技術的發展。大數據技術可以精準的分析消費者的習慣，藉助大數據技術，商家可以針對顧客進行個性化營銷，極大地提高了精準營銷的效果，傳統的營銷方式難以做到這一點。因此，現代企業越來越重視發展網路營銷，並期望通過大數據網路營銷以增加企業利潤。

二、基於大數據的網路營銷概述

網路營銷是互聯網出現之後的概念，初期只是信息爆炸式的轟炸性營銷。後來隨著移動智能設備的普及、移動互聯網的發展以及網路數據信息的海量增長，大數據技術應運而生。大數據技術是基於海量的數據分析，得出的科學性的結果，出現伊始就被首先應用於網路營銷之中。基於大數據的網路營銷非常精準，是基於海量數據分析基礎上的定向營銷方式，因此也叫著數據驅動營銷。其主要是針對性對顧客進行高效的定向營銷，最為常見的就是網路購物App中，每個人得到的物品推薦都有所區別；我們瀏覽網路時，會不斷出現感興趣的內容，這些都是大數據營銷的結果。

應用大數據營銷，企業可以精準定位客戶，並根據客戶的喜好與類型對產品與服務進行優化[1]，然後向目標客戶精準推送。具體來說，基於大數據技術的精準網路營銷過程涉及三個步驟：首先是數據收集階段。企業需要通過微博、微信、QQ、企業論壇和網站等網路工具積極收集消費者數據；其次，數據分析階段，這個階段企業要將收集到的數據匯總，並進行處理形成大數據模型，並通過數據挖掘技術等高效的網路技術對數據進行處理分析，以得出有用的結論，比如客戶的消費習慣、消費能力以及消費喜好等；最後，是營銷實施階段，根據數據分析的結果，企業要針對性地制定個性化的營銷策略，並將其積極應用於網路營銷以吸引客戶進行消費。基於大數據的網路營銷其基本的目的就是吸引客戶主動參與到營銷活動之中，從而提升營銷效果和經濟收益。

三、傳統網路營銷存在的一些問題

(一)傳統網路營銷計劃主要由策劃人主觀決定，科學性不足

信息技術的迅速發展，使得很多企業難以跟上時代的步伐，部分企業思想守舊，沒有跟上時代潮流並開展網路營銷活動，而是仍然繼續使用傳統的網路營銷模型和方式。即主要由策劃人根據自己過去的經驗來制定企業的營銷策略，存在一定的盲目性和主觀性，缺乏良好的信息支持[2]。結果，網路營銷計劃不現實，難以獲得有效的應用，導致網路營銷的效果不好。

(二)傳統網路營銷的互動性不足，無法進行准確的產品營銷

傳統的網路營銷互動性較差，主要是以即時通信軟體、郵箱、社交網站以及彈窗等推送營銷信息，客戶只能被動的接受信息，無法與企業進行良性互動和溝通，無法有效的表達自己的訴求，這導致了企業與客戶之間的割裂，極大的影響了網路營銷的效果。此外，即使一些企業獲得了相關數據，也沒有進行科學有效的分析，但卻沒有得到數據分析的結果，也沒有根據客戶的需求進行有效的調整，從而降低了營銷活動的有效性。

(三)無法有效分析客戶需求，導致客戶服務質量差

當企業進行網路營銷時，缺乏對相關技術的關注以及對客戶需求的分析的缺乏會導致企業營銷策略無法獲得預期的結果。因此，企業只能指望出於營銷目的向客戶發布大量營銷內容。這種營銷效果非常糟糕。客戶不僅將無法獲得有價值的信息，而且此類信息的「轟炸」也會使他們感到煩躁和不耐煩，這將適得其反，並降低客戶體驗[3]。

四、將基於大數據的網路營銷如何促進傳統的網路營銷

(一)使網路營銷決策更科學，更明智

在傳統的網路營銷中，經理通常根據過去的經驗來制定企業的營銷策略，盲目性和主觀性很多，缺乏可靠的數據。基於大數據的網路營銷使用可以有效地收集有關市場交易和客戶消費的數據，並利用數據挖掘技術等網路技術對收集到的數據進行全面科學的分析與處理，從中提取有用的相關信息，比如客戶的消費習慣、喜好、消費水平以及行為特徵等，從而制定針對客戶的個性化營銷策略，此外，企業還可以通過數據分析獲得市場發展變化的趨勢以及客戶消費行為的趨勢，從而對未來的市場形勢作出較為客觀的判斷，進而幫助企業針對未來一段時間內的行為制定科學合理的'網路營銷策略，提升企業的效益[4]。

(二)大大提高了網路營銷的准確性

如今，大數據驅動的精準網路營銷已成為網路營銷的新方向。為了有效地實現這一目標，企業需要在啟動網路營銷之前依靠大數據技術來准確分析大量的客戶數據，以便有效地捕獲客戶的消費需求，並結合起來制定準確的網路營銷策略[5]。此外，在實施網路營銷策略後，積極收集客戶反饋結果並重新分析客戶評論，使企業對客戶的實際需求有更深刻的了解，然後制定有效的營銷策略。如果某些企業無法有效收集客戶反饋信息，則可以收集客戶消費信息和歷史消費信息，然後對這些數據進行准確的分析，從而改善企業的原始網路營銷策略並進行促銷以獲取准確的信息，進而制定有效的網路營銷策略。

(三)顯著提高對客戶網路營銷服務水平

通過利用大數據進行准確的網路營銷，企業可以大大改善客戶服務水平。這主要體現在兩個方面：一方面可以使用大數據准確地分析客戶的實際需求，以便企業可以進行有針對性的的營銷策略，可以大大提高客戶服務質量。另一方面，使企業可以有效地吸收各種信息，例如客戶興趣、愛好和行為特徵，以便向每個客戶發布感興趣的推送內容，以便客戶可以接收他們真正需要的信息，提高客戶滿意度。

五、基於大數據的網路營銷優勢

(一)提高網路營銷廣告的准確性

在傳統的網路營銷中，企業傾向於使用大量無法為企業帶來相應經濟利益的網路廣告進行密集推送，效率低下。因此，必須充分利用大數據技術來提高網路營銷廣告的准確性。首先，根據客戶的情況制定策略並推送合適的廣告，消費場景在很大程度上影響了消費者的購買情緒，並可以直接確定消費者的購買行為。如果客戶在家中購買私人物品，則他們第二天在公司工作時，卻同送前一天相關私人物品的各種相關的廣告。前一天的搜索行為引起的問題可能會使消費者處於非常尷尬的境地，並影響他們的購買情緒。這表明企業需要有效地識別客戶消費場景並根據這些場景發布更准確的廣告[6]。一方面，通過IP地址來確定客戶端在網路上的位置。客戶在公共場所時，廣告內容應簡潔明了。另一方面，可以通過指定時間段來確定推送通知的內容。在正確的時間宣傳正確的內容。其次，提高客戶選擇廣告的自主權。在傳統的網路營銷中，企業通常採用彈出式廣告，插頁式廣告和浮動廣告的形式來強力吸引客戶的注意力，從而引起強烈的客戶不滿。一些客戶甚至會毫不猶豫地購買廣告攔截軟體，以防止企業廣告。在這方面，大數據技術可用於改善網路廣告的形式和內容並提高其准確性。

(二)提高網路營銷市場的定位精度

在諸如電子郵件營銷和微信營銷之類的網路營銷方法中，一個普遍現象是企業擁有大量的粉絲，並向這些粉絲發送了大量的營銷信息，但是卻沒有得到較好的反饋，營銷效果較差。造成這種現象的主要原因是企業產品的市場定位不正確。可以通過以下幾個方面來提高網路營銷市場中的定位精度：

1、分析客戶數據並確定產品在市場上的定位：

首先，收集大量基本數據並創建客戶資料庫。在此過程中，應格外小心，以確保收集到的有關客戶的信息是全面的。因此，可以使用各種方法和渠道來收集客戶數據。例如，可以通過論壇、企業官方網站、即時通信軟體以及購物網站等全面的收集客戶的各種信息。收集完成後利用高效的數據分析處理技術對信息進行處理，並得出結果，包括客戶的年齡、收入、習慣以及消費行為等結果，然後根據結果對企業的產品進行定位，並與客戶的需求相匹配，進而明確市場[7]。

2、通過市場調查對產品市場定位進行驗證：

在利用大數據及時對企業產品進行市場定位之後，有必要對進一步進行市場調查，以進一步清晰產品的市場定位，如果市場調查取得較為滿意的效果，則表明網路營銷策略較為成功，可以加大推廣力度以促進產品的銷售，如果效果不滿意，則要積極分析問題，尋找原因並提出針對性的解決改進措施，以獲得較為滿意的結果[8]。

3、建立客戶反饋機制：

客戶反饋機制可以有效的幫助企業改進產品營銷策略，主要體現有兩個主要功能：一是營銷產品在市場初步定為成功後可以通過客戶反饋積極征詢客戶的意見，並進一步改進產品，確保產品更適應市場；二是如果營銷產品市場定位不成功，取得的效果不佳，可以通過客戶反饋概括定位失敗的原因，這將有助於將來的產品准確定位。

(三)增強網路營銷服務的個性化

為了增強網路營銷服務的個性化，企業不僅必須能夠使用大數據識別客戶的身份，而且還必須能夠智能地設計個性化服務。首先，通過大數據了解客戶的身份。一方面，隨著網路的日益普及，企業可以在網路上收集客戶各個方面的信息。但是，眾所周知，由於互聯網管理的不規范與復雜性，大多數信息不是高度可靠的，甚至某些信息之間存在著極為明顯的矛盾。因此，如果企業想要通過大數據來了解其客戶的身份，則必須首先確保所收集的信息是可信且准確的。另一方面，企業必須能夠從大量的客戶信息中選擇最能體現其個性的關鍵信息，並降低分析企業數據的成本[9]。二是合理設計個性化服務。個性化服務的合理設計要求企業在兩個方面進行運營：一方面，由於現實環境的限制，企業無法一一滿足所有客戶的個性化需求。這就要求企業盡一切努力來滿足一部分客戶的個性化需求，並根據一般原則開發個性化服務。另一方面，如果完全根據客戶的個人需求向他們提供服務，則企業的服務成本將不可避免地急劇上升。因此，企業應該對個性化客戶服務進行詳細分析，並嘗試以適合其個人需求的方式為客戶提供服務，而不會給企業造成太大的財務負擔。

六、基於大數據網路營銷策略

使用大數據的准確網路營銷模型基本上包括以下步驟。首先，收集有關客戶的大量信息；其次，通過數據分類和分析選擇目標客戶；第三，根據分析的信息制定準確的網路營銷計劃；第四，執行營銷計劃；第五，評估營銷結果並計算營銷成本；第六，在評估過程的基礎上，進一步改善，然後更准確地篩選目標客戶。在持續改進的過程中，上述過程可以改善網路營銷。因此，在大數據時代，電子商務企業必須突破原始的廣泛營銷理念，並採用新的營銷策略。

(一)客戶檔案策略

客戶檔案意味著在收集了有關每個人的基本信息之後，可以大致了解每個人的主要銷售特徵。客戶檔案是准確進行電子商務促銷的重要基礎，也是實現精確營銷目標的極其重要的環節。電子商務企業利用客戶檔案策略可以獲得巨大收益。首先，藉助其專有的銷售平台，電子商務企業可以輕松，及時且可靠地收集客戶使用情況數據。其次，在傳統模型中收集數據時，由於需要控製成本，因此經常使用抽樣來評估數據的一般特徵[10]。大數據時代的數據收集模型可以減少錯誤並提高數據准確性。當分析消費者行為時最好以目標消費者為目標。消費者行為分析是對客戶的消費目的和消費能力的分析，可幫助電子商務企業更好地選擇合適的目標客戶。在操作中，電子商務企業需要在創建資料庫後繼續優化分析結果，以最大程度地分析消費者的偏好。

(二)滿足需求策略

為了滿足多數人的需求，傳統的營銷方法逐漸變得更加同質。結果，難以滿足少數客戶的特殊需求，並且導致利潤損失。基於大數據客戶檔案技術的電子商務企業可以分析每個客戶的需求，並採取差異化人群的不同需求最大化的策略，從而獲取較大的利潤。為了滿足每個客戶的需求，最重要的是實現差異化，而不僅僅是滿足多數人的需求，因此必須准確地分析客戶的需求，還必須根據客戶的需求提供更多個性化的產品[11]。比如當前，定製行業非常流行，賣方可以根據買方提供的信息定製獨特的產品，該產品的利潤率遠高於批量生產線。

(三)客戶服務策略

隨著網路技術的逐步發展，電子商務企業和客戶可以隨時進行通信，這基本上消除了信息不對稱的問題，使客戶可以更好地了解他們想要購買的產品以及遇到問題時的情況。當出現問題時，可以第一時間解決，提高交易速度。因此，當電子商務企業制定用於客戶服務的營銷策略時，一切都以客戶為中心。為了更好地實施此策略，必須首先改善資料庫並加深對客戶需求的了解[12]。二是提高售前、售後服務質量，開展集體客戶服務培訓，縮短客戶咨詢等待時間，改善客戶服務。最後，我們必須高度重視消費者對產品和服務的評估，及時糾正不良評論，並鼓勵消費者進行更多評估，良好的服務態度和高質量的產品可以大大提高目標客戶對產品的忠誠度，並且可以吸引消費者進行第二次購買。

(四)多平台組合策略

在信息時代，人們可以在任何地方看到任何信息，這也將分散他們的注意力，並且重新定向他們的注意力已經成為一個大問題。如果希望得到更多關注，則可以組合跨多個平台的營銷策略，並在網路平台和傳統平台上混合營銷。網路平台可以更好地定位自己並吸引更多關注，而傳統平台則可以更好地激發人們的購買慾望。平台融合策略可以幫助電子商務企業擴大獲取客戶的渠道，不同渠道的用戶購買趨勢不同，可以改善資料庫[13]。

七、結語

總體而言，大數據時代不僅給網路營銷帶來了挑戰，而且還帶來了新的機遇。大數據分析不僅可以提高准確營銷的效果，更好地服務消費者，改變傳統的被動營銷形式，並提升網路營銷效果。

參考文獻

[1]劉儉雲.大數據精準營銷的網路營銷策略分析[J].環球市場，2019(16):98.

[2]栗明，曾康有.大數據時代下營業網點的精準營銷[J].金融科技時代，2019(05):14-19.

[3]劉瑩.大數據背景下網路媒體廣告精準營銷的創新研究[J].中國商論，2018(19):58-59.

[4]李研，高書波，馮忠偉.基於運營商大數據技術的精準營銷應用研究[J].信息技術，2017(05):178-180.

[5]袁征.基於大數據應用的營銷策略創新研究[J].中國經貿導刊(理論版),2017(14):59-62.

[6]邱媛媛.基於大數據的020平台精準營銷策略研究[J].齊齊哈爾大學學報(哲學社會科學版),2016(12):60-62.

[7]張龍輝.基於大數據的客戶細分模型及精確營銷策略研究[J].河北工程大學學報(社會科學版),2017,34(04):27-28.

[8]李巧丹.基於大數據的特色農產品精準營銷創新研究——以廣東省中市山為例[J].江蘇農業科學，2017,45(06):318-321.

[9]孫洪池，林正傑.基於大數據的B2C網路精準營銷應用研究——以中國零售商品型企業為例[J].全國流通經濟，2016(12):3-6.

[10]趙玉欣，王艷萍，關蕾.大數據背景下電商企業精準營銷模式研究[J].現代商業，2018(15):46-47.

[11]張冠鳳.基於大數據時代下的網路營銷模式分析[J].現代商業，2014(32):59-60.

[12]王克富.論大數據視角下零售業精準營銷的應用實現[J].商業經濟研究，2015(06):50-51.

[13]陳慧，王明宇.大數據：讓網路營銷更「精準」[J].電子商務，2014(07):32-33.

;