大數據時代的商業建模

⑴ 從預測到「現測」 大數據商業建模的新發展

從預測到「現測」：大數據商業建模的新發展

大數據商業建模的新發展方向在哪裡？怎麼樣預測才能真正發揮大數據的特有優勢？從預測到「現測」是如何實現的？百分點首席模型科學家陳宇新教授為我們做了更深一層的闡述，從預測到「現測」：大數據商業建模的新發展。

以下是陳宇新教授在2015百分點大數據操作系統（BD-OS）暨D輪融資發布會上的演講摘錄：

謝謝大家，謝謝各位來賓！非常榮幸在今天這個場合給大家分享關於大數據商業建模新發展的一些思考，這也是現在百分點研發的一個前沿。

大家都知道預測是大數據商業應用的一個核心，大數據預測需要大量的高質量數據加上非常先進的模型，在當前的情況下什麼是預測領域新的熱點或者一個新的發展方向？怎麼樣預測才能真正發揮大數據特有的優勢？這是我想分享的，在這之前給大家先介紹兩條最近媒體報道的新聞，從新聞上大家或許能夠看出一些新的發展趨勢。這兩條新聞都是8月份華爾街日報刊登的。

第一條，蘋果和谷歌正在開發在用戶想要之前就知道用戶想要什麼的技術，在你不知道想要什麼之前就告訴你想要什麼，這兩款產品大家也聽說過，對蘋果來說叫「主動助手」，對谷歌來說這個產品叫「谷歌現代」。這兩家公司通過對你未來肯定要做的事情的一個探知反過來推測你最近的將來想干什麼。谷歌通過郵件可以知道你今天下午六點有班飛機，下午三點的時候根據你現在的位置，根據北京的交通流量告訴你現在該走了，如果走的話該打什麼車，滴滴或者Uber，這是它預測的思路，通過對一些已知的未來的事件的掌握來推測即將發生的未來應該干什麼的一個預測。

跟這個看起來沒有特別關系，但是有共通之處的另一條新聞，宏觀經濟指標預測，這家公司名字叫「現測」，創始人是哥倫比亞大學諾貝爾經濟學獎得主的博士生，大數據預測宏觀經濟指標，比如物價指數。為什麼叫「現測」？不是預測，而是很快的把剛剛發生的整個美國各種物價變化歸納出來呈現給用戶，描述剛剛發生的事件，而不是真正預測未來的物價怎麼樣。為什麼這件事有意義？因為通常政府頒布的指標是一個月或者一個季度以前的，它能做到一分鍾之前。

這兩條新聞有一個共同的關鍵詞就是「現」，NOW，這是目前對於大數據應用的一個非常重要的趨勢，那就是從預測到現測，預測是大數據建模技術的一個核心，但同時也是大數據建模的一個最大的難點，大家都說大數據很厲害，能預測很多東西，你能不能告訴我明天中國的股票是漲100點還是跌50點，沒有人可以做到。但是大數據的優勢在於很多時候我們真正需要的並不是預測，而是所謂的現測，是對極近過去的描述和極近將來的預測。

什麼叫極近？一天以前或者一小時以前？這實際上是取決於我們現在數據量的多少和技術的發展，趨勢是這個極越來越短，本來一個月前的經濟數據，現在可以知道一分鍾之前的，高頻交易之前的我們需要知道一秒鍾之前的數據。這是我們想到的現測的定義，現是一個動態過程，現測是指我們目前狀況之前一點時間和之後一點時間情況的描述或者預測，這實際上是大量的大數據應用所真正用到的預測模型，比如高頻交易，實際上已經知道市場的情況，但是在別人反應之前我們就知道了極近的過去發生的。

推薦引擎，這是大數據應用非常重要的，也是百分點最原始的DNA，根據消費者在這個頁面上當前的狀態，馬上給他一個現時的推薦，這個推薦可能只是在一秒甚至半秒之內，實時投放的RTB廣告，還有打車軟體，大家用過滴滴專車，他們背後的原理是現測的原理，我知道車在什麼地方，你在什麼地方，交通狀況，我就可以推測下一分鍾車開到哪兒，知道前一秒車在什麼地方。現測剛剛發生的事情，即將發生的事情，背後有一個非常重要的科學原理。自然也好，給了我們一個非常重要的預測手段，萬世萬物都有一個所謂的慣性，這個慣性效率發生的時候就使得我們預測能夠比較准確。一個物體從斜面上往下滑，下一秒這個木塊在什麼地方可以預測的非常准確，現測為什麼有它的准確性，來源於萬世萬物背後的慣性。

放在社會領域，慣性是由場景驅動的，比如明天我的太太過生日，生日要買生日禮物，有了這個目標，根據慣性原理，預測就變成一個現測。

現測的優勢一個是利用所謂的慣性原理，另外利用了時間差，這是大數據的特點，因為大數據往往是實時的數據，海量高頻的數據，這張圖大家可以看到如果我每十分鍾照一個這樣的照片，可能就錯過這個鏡頭，如果每一個微秒或者每半秒拍一個照片可能就看到這個鏡頭，看到這個鏡頭就有一個慣性的應用，這個女士拿起這個橘子，如果沒有時間差，比如5分鍾拍一次照這個鏡頭就錯過了，但是如果頻率高的話，我們知道她拿這個橘子看一下，雖然孩子拉走了，但她對這個橘子有興趣，這個情況下我們可以有一些營銷手段。

說起來跟預測一樣，實際上這是一個描述問題，高頻的描述效果跟預測是非常像的，我們並不在預測她到底喜歡蘋果還是橘子，只不過我們描述從預測變成了實測，描述非常有優勢，這樣我們把一個非常艱難的預測問題變成一個描述問題。這是我講的為什麼對大數據來說我們具有現測的優勢。

我有一些博士生在做模型的建立和模型的測試，根據現測的概念，我們可以發展出一系列的技術模型，這些模型有一系列商業的應用。一個是協同過濾和時間序列的分析，通常在計算機科學領域，大家都知道協同過濾的演算法，如果放在現測的考量中，就像計量經濟學的時間序列分析，在高頻交易中大量用的是時間序列分析，現在做的把協同過濾和時間序列分析結合起來，大家可以做出一個相應的應用。

第二是用戶畫像，結合快速迭代的貝葉斯學習，我們知道用戶大概是一個什麼樣的人，什麼樣的人會做什麼樣的事情，但是這個慣性趨勢放在一個特定的場景中我們可以看以前的需要，到一個修正，這個修正必須在實時中完成，很快的迭代。

第三，百分點開發了一些數據動態可視化和人機互動的產品。人腦的優勢在於對一個場景的綜合把握能得到一個比計算機更好的預測，但是大數據能快速實時的截取這樣的信息，如果我們動態的展現出一些數據來，通過人機互動就可以判斷，有超市人員在的條件下，判斷這位女士喜歡橘子，讓電腦直接判斷的話不一定很准確，但是我們通過動態數據可視化使得人對一些全景的預測和電腦對數據的抓取有機的結合。

現在一些學者重點研究的就是基於運籌優化和行為科學的反時序預測，換句話說用未來來預測當下，聽上去有點兒懸乎，很多時候我們遠處的未來，你可能飛機票買好了明天要飛這是確切的未來，我們有了確切的未來用它來幫助預測當下，比如你在一家百貨商店，王府井百貨，我起碼知道你肯定是要出去的，你不可能一輩子呆在裡面，你要出這家百貨店就這幾條路徑，根據這一條就可以通過運籌優化的方法告訴你大約幾條選擇，每條選擇經過哪幾個貨架，有幾個可能的商品推薦，把幾個非常難以把握的預測問題變成已知終點反推回來的運籌優化問題，有相當多的應用，這也是百分點以前做和現在做的非常緊密的結合點，百分點的DNA本來就有實時推薦，和現測是不謀而合的理念。

百分點在建模方面做的非常多的就是用戶畫像和細化場景，仔細推敲，細化場景更往前走一步不光研究用戶場景，而是研究用戶在這個場景里的目標是什麼，在這個會場上我的目標是跟大家交流，任何用戶在任何商業環境或者任何場景當中，它實際上都有一個目的所在，到一個飯店的目的是吃飯，到學校的目的是讀書，我們把這個目的找到，剛才我講的技術，通過目的知道未來你想要的東西，反推回來當下想干什麼。已知用戶畫像推他當下的想法行為，目前建立的這套數據體系和場景細分，包括用戶畫像，為什麼在現測的范圍里有很多的應用。所以，積累大量的數據，有非常好的前景。

像大數據預測公司一樣，很多金融相關的信息及實時經濟指數，對過去的描述來預測未來。還有一個跟金融信息相關的領域，個人徵信。從現測角度，以前所謂的人口學指標，過去行為的指標，現在有更多的做法，一個人購買大件的商品，買一輛車，這個信息馬上反饋到你個人的徵信系統，你的現金流水平發生變化，這樣一種實時監控的做法，類似的有在做個性化的企業營銷。

同樣剛才舉的例子，個人的金融，信用卡根據你實時消費情況的變化可以計算出你這個月大概還能用多少錢，每個月開銷錢的總數，銀行存款多少，根據這個反推回來，反推你買什麼東西，否則你推薦的用戶可能沒有財力消費。

第三個應用，旅遊出行管理。你的航班，比如我知道明天天氣要變化，可以通過這個反推回來知道你在北京要開會，明天天氣不好，可以實時提醒你是不是把機票換成火車票，這是現測的概念，知道未來的一些確定性反過來幫助你解決不確定性。

個人健康管理，目標三個月減重五斤，根據這個可以反推回來每天該減多少，吃多少，實時調整你的健康管理計劃。

最後把一些東西放在一起，就可以打造所謂的數字生活的助理，把你整個生活各個方面管理起來，給你提供最佳的體驗。

為什麼剛才反復強調現測的重要性，而且大數據應用有極大的優勢，以前大數據經常提到這一點，所謂的三個V或者四個V，但是通常大家對大數據的探討，這個V往往是Velocity，能夠很快的把海量的數據進行處理，當你知道剛剛過去的事情和即將到來的未來。另外，大數據的相對優勢，對短尺度的應用性具有特別的優勢，但是對長尺度的應用性反而不具有明顯的優勢。

在長尺度上我可以說我也不需要大數據，用小數據就能獲得成功。但是短尺度的預測，我說不出來今天晚上大家晚飯吃什麼，大數據往往知道這一點，因為它知道你中午吃了什麼，是哪裡人，愛吃什麼，現在在什麼位置，周圍有什麼飯店，往往通過這個能推出來你要吃什麼，而且通過你什麼時候吃的中飯，身高體重，推出你什麼時候一定餓得不行了，我們可以反推回來做一系列的介紹。這是大數據非常大的優勢，在商業中應該特別重視這一點。通過大數據用戶畫像和細化場景建模發掘和利用行為慣性。這就是大數據價值提升和揚長避短的一個新的發展趨勢，希望大家多多指正和交流。謝謝！

以上是小編為大家分享的關於從預測到「現測」 大數據商業建模的新發展的相關內容，更多信息可以關注環球青藤分享更多干貨

⑵ 企業數字化轉型中，進行大數據建模分析有什麼好處

題主您好，據我所知，中大咨詢的文章中有提到過，大數據建模的具體好處如下：1、基專於大數據形成用屬戶畫像，獲取用戶偏好和使用習慣，可以使企業的產品更有競爭優勢。2、通過客戶精準營銷提高消費體驗和顧客粘度，增加銷售及提升企業名牌形象。3、通過數據挖掘和在此基礎上的科學預測，及時發現企業短板或管理漏洞，降低企業損失。4、利用數據反饋指導企業的下一輪產品設計方向，有利於企業的產品創新，如果以上回答對你有幫助，請採納，謝謝了。。

⑶ 在大數據時代，數據擁有者的商業模式有哪些

在大數據成為趨勢，成為國家戰略的今天，如何最大限度發揮大數據的價值成為人們思考的問題。無論是對於互聯網企業、電信運營商還是數量眾多的初創企業而言，大數據的變現顯得尤為重要。誰最先一步找到密碼，誰就能夠搶占市場，贏得發展。在探索大數據商業模式的同時，大數據正加速在各行各業的應用，大數據不僅為人們的購物、出行、交友提供了幫助，甚至還在高考這樣重要的事件中發揮作用。

大數據產業具有無污染、生態友好、低投入高附加值特點，對於我國轉變過去資源因素型經濟增長方式、推進「互聯網+」行動計劃、實現國家製造業30年發展目標有戰略意義。前幾年，國內大數據產業討論較多、落地較少，商業模式處於初探期，行業處於兩種極端：一種是過熱的浮躁帶來了一定的泡沫和產業風險；一種是懷疑大數據只是炒作，依然堅持傳統管理理念、經營模式。但是進入2015年之後，大數據產業告別了泡沫，進入更務實的發展階段，從產業萌芽期進入了成長期。當前，如何將大數據變現成為業界探索的重要方向。

B2B大數據交易所

國內外均有企業在推動大數據交易。目前，我國正在探索「國家隊」性質的B2B大數據交易所模式。

2014年2月20日，國內首個面向數據交易的產業組織—中關村大數據交易產業聯盟成立，同日，中關村數海大數據交易平台啟動，定位大數據的交易服務平台。2015年4月15日，貴陽大數據交易所正式掛牌運營並完成首批大數據交易。貴陽大數據交易所完成的首批數據交易賣方為深圳市騰訊計算機系統有限公司、廣東省數字廣東研究院，買方為京東雲平台、中金數據系統有限公司。2015年5月26日，在2015貴陽國際大數據產業博覽會暨全球大數據時代貴陽峰會上，貴陽大數據交易所推出《2015年中國大數據交易白皮書》和《貴陽大數據交易所702公約》，為大數據交易所的性質、目的、交易標的、信息隱私保護等指明了方向，奠定了大數據金礦變現的產業基礎。

咨詢研究報告

國內咨詢報告的數據大多來源於國家統計局等各部委的統計數據，由專業的研究員對數據加以分析、挖掘，找出各行業的定量特點進而得出定性結論，常見於「市場調研分析及發展咨詢報告」，如「2015～2020年中國通信設備行業市場調研分析及發展咨詢報告」、「2015～2020年中國手機行業銷售狀況分析及發展策略」、「2015年光纖市場分析報告」等，這些咨詢報告面向社會銷售，其實就是O2O的大數據交易模式。

各行各業的分析報告為行業內的大量企業提供了智力成果、企業運營和市場營銷的數據參考，有利於市場優化供應鏈，避免產能過剩，維持市場穩定。這些都是以統計部門的結構化數據和非結構化數據為基礎的專業研究，這就是傳統的一對多的行業大數據商業模式。

數據挖掘雲計算軟體

雲計算的出現為中小企業分析海量數據提供了廉價的解決方案，SaaS模式是雲計算的最大魅力所在。雲計算服務中SaaS軟體可以提供數據挖掘、數據清洗的第三方軟體和插件。

業內曾有專家指出，大數據=海量數據+分析軟體+挖掘過程，通過強大的各有千秋的分析軟體來提供多樣性的數據挖掘服務就是其盈利模式。國內已經有大數據公司開發了這些架構在雲端的大數據分析軟體：它集統計分析、數據挖掘和商務智能於一體，用戶只需要將數據導入該平台，就可以利用該平台提供的豐富演算法和模型，進行數據處理、基礎統計、高級統計、數據挖掘、數據制圖和結果輸出等。數據由系統統一進行管理，能夠區分私有和公有數據，可以保證私有數據只供持有者使用，同時支持多樣數據源接入，適合分析各行各業的數據，易學好用、操作界面簡易直觀，普通用戶稍做了解即可使用，同時也適合高端用戶自己建模進行二次開發。

大數據咨詢分析服務

機構及企業規模越大其擁有的數據量就越大，但是很少有企業像大型互聯網公司那樣有自己的大數據分析團隊，因此必然存在一些專業型的大數據咨詢公司，這些公司提供基於管理咨詢的大數據建模、大數據分析、商業模式轉型、市場營銷策劃等，有了大數據作為依據，咨詢公司的結論和咨詢成果更加有說服力，這也是傳統咨詢公司的轉型方向。比如某國外大型IT研究與顧問咨詢公司的副總裁在公開場合曾表示，大數據能使貴州農業節省60%的投入，同時增加80%的產出。該公司能做出這樣的論斷當然是基於其對貴州農業、天氣、土壤等數據的日積月累以及其建模分析能力。

政府決策咨詢智庫

黨的十八屆三中全會通過的《中共中央關於全面深化改革若乾重大問題的決定》明確提出，加強中國特色新型智庫建設，建立健全決策咨詢制度。這是中共中央文件首次提出「智庫」概念。

近幾年，一批以建設現代化智庫為導向、以服務國家發展戰略為目標的智庫迅速成立，中國智庫數量從2008年的全球第12位躍居當前第2位。大數據是智庫的核心，沒有了數據，智庫的預測和分析將為無源之水。在海量信息甚至泛濫的情況下，智庫要提升梳理、整合信息的能力必然需要依靠大數據分析。

研究認為，93%的行為是可以預測的，如果將事件數字化、公式化、模型化，其實多麼復雜的事件都是有其可以預知的規律可循，事態的發展走向是極易被預測的。可見，大數據的應用將不斷提高政府的決策效率和決策科學性。

自有平台大數據分析

隨著大數據的價值被各行各業逐漸認可，擁有廣大客戶群的大中型企業也開始開發、建設自有平台來分析大數據，並嵌入到企業內部的ERP系統信息流，由數據來引導企業內部決策、運營、現金流管理、市場開拓等，起到了企業內部價值鏈增值的作用。

在分析1.0時代，數據倉庫被視作分析的基礎。2.0時代，公司主要依靠Hadoop集群和NoSQL資料庫。3.0時代的新型「敏捷」分析方法和機器學習技術正在以更快的速度來提供分析結果。更多的企業將在其戰略部門設置首席分析官，組織跨部門、跨學科、知識結構豐富、營銷經驗豐富的人員進行各種類型數據的混合分析。

大數據投資工具

證券市場行為、各類指數與投資者的分析、判斷以及情緒都有很大關系。2002年諾貝爾經濟學獎授予了行為經濟學家卡尼曼和實驗經濟學家史密斯，行為經濟學開始被主流經濟學所接受，行為金融理論將心理學尤其是行為科學理論融入金融中。現實生活中擁有大量用戶數據的互聯網公司將其論壇、博客、新聞報道、文章、網民用戶情緒、投資行為與股票行情對接，研究的是互聯網的行為數據，關注熱點及市場情緒，動態調整投資組合，開發出大數據投資工具，比如大數據類基金等。這些投資工具直接將大數據轉化為投資理財產品。

定向采購線上交易平台

數據分析結果很多時候是其他行業的業務基礎，國內目前對實體經濟的電子商務化已經做到了B2C、C2C、B2B等，甚至目前O2O也越來越流行，但是對於數據這種虛擬商品而言，目前還沒有具體的線上交易平台。比如服裝製造企業針對某個省份的市場，需要該市場客戶的身高、體重的中位數和平均數數據，那麼醫院體檢部門、專業體檢機構就是這些數據的供給方。通過獲取這些數據，服裝企業將可以開展精細化生產，以更低的成本生產出貼合市場需求的服裝。假想一下，如果有這樣一個「大數據定向采購平台」，就像淘寶購物一樣，可以發起買方需求，也可以推出賣方產品，通過這樣的模式，外加第三方支付平台，「數據分析結論」這種商品就會悄然而生，這種商品不佔用物流資源、不污染環境、快速響應，但是卻有「供」和「需」雙方巨大的市場。而且通過這種平台可以保障基礎數據安全，大數據定向采購服務平台交易的不是底層的基礎數據，而是通過清洗建模出來的數據結果。所有賣方、買方都要實名認證，建立誠信檔案機制並與國家信用體系打通。

非營利性數據徵信評價機構

在國家將公民信息保護納入刑法范圍之前，公民個人信息經常被明碼標價公開出售,並且形成了一個「灰色產業」。為此，2009年2月28日通過的刑法修正案（七）中新增了出售、非法提供公民個人信息罪，非法獲取公民個人信息罪。該法條中特指國家機關或者金融、電信、交通、教育、醫療等單位的工作人員，不得將公民個人信息出售或非法提供給他人。而公民的信息在各種考試中介機構、房產中介、釣魚網站、網站論壇依然在出售，詐騙電話、騷擾電話、推銷電話在增加運營商話務量的同時也在破壞整個社會的信用體系和公民的安全感。

雖然數據交易之前是交易所規定的經過數據清洗的數據，但是交易所員工從本質上是無法監控全國海量的數據的。數據清洗只是對不符合格式要求的數據進行清洗，主要有不完整的數據、錯誤的數據、重復的數據三大類。因此，建立非營利性數據徵信評價機構是非常有必要的，將數據徵信納入企業及個人徵信系統，作為全國徵信系統的一部分，避免黑市交易變成市場的正常行為。

除了徵信評價機構之外，未來國家公共安全部門也許會成立數據安全局，納入網路警察范疇，重點打擊將侵犯企業商業秘密、公民隱私的基礎數據進行數據販賣的行為。

結語：

大數據已經從論壇串場、浮躁的觀點逐步走向國家治理體系建設、營銷管理、生產管理、證券市場等方面，其商業模式也多種多樣。市場經驗表明，存在買賣就存在商品經濟，具體哪種商業模式佔主流將由市場決定。而最終的事實將證明，大數據交易商品經濟必然成為「互聯網+」的重要組成部分。

⑷ 創建有效的大數據模型的6個技巧

創建有效的大數據模型的6個技巧
數據建模是一門復雜的科學，涉及組織企業的數據以適應業務流程的需求。它需要設計邏輯關系，以便數據可以相互關聯，並支持業務。然後將邏輯設計轉換成物理模型，該物理模型由存儲數據的存儲設備、資料庫和文件組成。
歷史上，企業已經使用像SQL這樣的關系資料庫技術來開發數據模型，因為它非常適合將數據集密鑰和數據類型靈活地鏈接在一起，以支持業務流程的信息需求。
不幸的是，大數據現在包含了很大比例的管理數據，並不能在關系資料庫上運行。它運行在像NoSQL這樣的非關系資料庫上。這導致人們認為可能不需要大數據模型。
問題是，企業確實需要對大數據進行數據建模。
以下是大數據建模的六個提示：
1.不要試圖將傳統的建模技術強加於大數據
傳統的固定記錄數據在其增長中穩定且可預測的，這使得建模相對容易。相比之下，大數據的指數增長是不可預測的，其無數形式和來源也是如此。當網站考慮建模大數據時，建模工作應該集中在構建開放和彈性數據介面上，因為人們永遠不知道何時會出現新的數據源或數據形式。這在傳統的固定記錄數據世界中並不是一個優先事項。
2.設計一個系統，而不是一個模式
在傳統的數據領域中，關系資料庫模式可以涵蓋業務對其信息支持所需的數據之間的大多數關系和鏈接。大數據並非如此，它可能沒有資料庫，或者可能使用像NoSQL這樣的資料庫，它不需要資料庫模式。
正因為如此，大數據模型應該建立在系統上，而不是資料庫上。大數據模型應包含的系統組件包括業務信息需求、企業治理和安全、用於數據的物理存儲、所有類型數據的集成、開放介面，以及處理各種不同數據類型的能力。
3.尋找大數據建模工具
有商業數據建模工具可以支持Hadoop以及像Tableau這樣的大數據報告軟體。在考慮大數據工具和方法時，IT決策者應該包括為大數據構建數據模型的能力，這是要求之一。
4.關注對企業的業務至關重要的數據
企業每天都會輸入大量的數據，而這些大數據大部分是無關緊要的。創建包含所有數據的模型是沒有意義的。更好的方法是確定對企業來說至關重要的大數據，並對這些數據進行建模。
5.提供高質量的數據
如果組織專注於開發數據的正確定義和完整的元數據來描述數據來自何處、其目的是什麼等等，那麼可以對大數據模型產生更好的數據模型和關系。可以更好地支持支持業務的數據模型。
6.尋找數據的關鍵切入點
當今最常用的大數據載體之一就是地理位置，這取決於企業的業務和行業，還
有其他用戶需要的大數據常用密鑰。企業越能夠識別數據中的這些常用入口點，就越能夠設計出支持企業關鍵信息訪問路徑的數據模型。

⑸ 大數據企業商業模式5+1模型的內部因素包括哪些

1戰略定位戰略定位是企業戰略選擇的結果，也是商業模式體系中其他幾個部分的起點。戰略定位需要考慮三個方面，即：長期發展、利潤增長、獨特價值。商業模式中的「定位」更多地是作為整個商業模式的支撐點，同樣的定位可以有不一樣的商業模式，同樣的商業模式也可以實現不一樣的定位。
2業務系統業務系統是指企業達到戰略定位所需要的業務環節、各合作方扮演的角色以及利益相關者合作方式。企業圍繞戰略定位所建立起來的業務系統將形成一個價值網路，明確了客戶、供應商/其他合作方在通過商業模式獲得價值的過程中扮演的角色。
3關鍵資源能力關鍵資源能力是指業務系統運轉所需要的重要資源和能力，任何商業模式構建的重點工作之一就是了解業務系統所需要的重要資源和能力有哪些，如何分布，以及如何獲取和建立。不是所有的資源和能力都同等珍貴，也不是每一種資源和能力都是企業所需要的，只有和戰略定位、業務系統、盈利模式、現金流結構相契合、並能互相強化的資源和能力，才是企業真正需要的。

⑹ 大數據時代:五大商業分析技術趨勢

大數據時代:五大商業分析技術趨勢

目前，趨勢中心對如何應對分析挑戰的關注力度並不亞於他們考慮在新商業視角中如何充分利用機遇的力度。例如，隨著越來越多的公司開始不得不面對海量數據以及 考慮如何利用這些數據，管理與分析大型不同數據集的技術開始出現。提前分析成本與性能趨勢意味著公司能夠提出比以前更為復雜的問題，提供更為有用的信息以 幫助他們運營業務。

在采訪中，首席信息官們總結出了5大影響他們進行分析的IT趨勢。它們分別為：大數據的增長、快速處理技術、IT商品的成本下降、移動設備的普及和社交媒體的增長。

大數據指非常龐大的數據集，尤其是那些沒有被整齊的組織起來無法適應傳統數據倉庫的數據集。網路蜘蛛數據、社交媒體反饋和伺服器日誌，以及來自供應鏈、行業、周邊環境與監視感測器的數據都使得公司的數據變得比以往越來越復雜。

盡管並不是每個公司都需要處理大型、非結構型數據集的技術。VeriskAnalytics公司首席信息官PerryRotella認為所有的首席信息 官都應當關注大數據分析工具。Verisk幫助金融公司評估風險，與保險公司共同防範保險詐騙，其在2010年的營收超過了10億美元。

Rotella認為，技術領導者對此應當採取的態度是，數據越多越好，歡迎數據的大幅增長。Rotella的工作是預先尋找事物間的聯系與模型。

HMS公司首席信息官CynthiaNustad認為，大數據呈現為一種「爆炸性」增長趨勢。HMS公司的業務包括幫助控制聯邦醫療保險 （Medicare）和醫療補助（Medicaid）項目成本和私有雲服務。其客戶包括40多個州的健康與人類服務項目和130多個醫療補助管理計劃。 HMS通過阻止錯誤支付在2010年幫助其客戶挽回了18億美元的損失，節約了數十億美元。Nustad稱：「我們正在收集並追蹤大量素材，包括結構性與 非結構性數據，因為你並不是總是知道你將在其中尋找什麼東西。」

大數據技術中談論最多的一項技術是Hadoop。該技術為開源分布式數據處理平台，最初是為編輯網路搜索索引等任務開發的。Hadoop為多個「非關系型（NoSQL）」技術（其包括CouchDB和MongoDB）中的一種，其通過特殊的方式組織網路級數據。

Hadoop可將數據的子集合分配給成百上千台伺服器的處理，每台伺服器匯報的結果都將被一個主作業調度程序整理，因此其具有處理拍位元組級數據的能力。 Hadoop既能夠用於分析前的數據准備，也能夠作為一種分析工具。沒有數千台空閑伺服器的公司可以從亞馬遜等雲廠商那裡購買Hadoop實例的按需訪 問。

Nustad稱，盡管並不是為了其大型的聯邦醫療保險和醫療補助索賠資料庫，但是HMS正在探索NoSQL技術的使用。其包括了結構性數據，並且能夠被 傳統的數據倉庫技術所處理。她稱，在回答什麼樣的關系型技術是經實踐證明最好用的解決方案時，從傳統關系型資料庫管理出發是並不明智。不過，Nustad 認為Hadoop正在防止欺詐與浪費分析上發揮著重要作用，並且具備分析以各種格式上報的病人看病記錄的潛力。

在采訪中，那些體驗過Hadoop的受訪首席信息官們，包括Rotella和Shopzilla公司首席信息官JodyMulkey在內都在將數據服務作為公司一項業務的公司中任職。

Mulkey稱：「我們正在使用Hadoop做那些以往使用數據倉庫做的事情。更重要的是，我們獲得了以前從未用過的切實有用的分析技術。」例如，作為 一家比較購買網站，Shopzilla每天會積累數太位元組的數據。他稱：「以前，我們必須要對數據進行采樣並對數據進行歸類。在處理海量數據時，這一工作 量非常繁重。」自從採用了Hadoop，Shopzilla能夠分析原始數據，跳過許多中間環節。

GoodSamaritan醫院是一家位於印第安納州西南的社區醫院，其處於另一種類型。該醫院的首席信息官ChuckChristian稱：「我們並 沒有我認為是大數據的東西。」盡管如此，管理規定要求促使其存儲整如龐大的電子醫療記錄等全新的數據類型。他稱，這無疑要求他們要能夠從數據中收集醫療保 健品質信息。不過，這可能將在地區或國家醫療保健協會中實現，而不是在他們這種單個醫院中實現。因此，Christian未必會對這種新技術進行投資。

IslandOneResorts公司首席信息官JohnTernent稱，其所面臨的分析挑戰取決於大數據中的「大」還是「數據」。不過，目前他正在 謹慎地考慮在雲上使用Hadoop實例，以作為一種經濟的方式分析復雜的抵押貸款組合。目前公司正在管理著佛羅里達州內的8處分時度假村。他稱：「這種解 決方案有可能解決我們目前正遇到的實際問題。」

肯塔基大學首席信息官VinceKellen認為，大數據技術只是快速分析這一大趨勢中的一個元素。他稱：「我們期待的是一種更為先進的海量數據分析方法。」與更為快速地分析數據相比，數據的大小並不重要，「因為你想讓這一過程快速完成」。

由於目前的計算能夠在內存中處理更多的數據，因此與在硬碟中搜索數據相比，其計算出結果的速度要更快。即使你僅處理數G數據，但情況依然與此。

盡管經過數十年的發展，通過緩存頻繁訪問的數據，資料庫性能提升了許多。在載入整個大型數據集至伺服器或伺服器集群的內存時，這一技術變得更加實用，此時硬碟只是作為備份。由於從旋轉的磁碟中檢索數據是一個機械過程，因此與在內存中處理數據相比，其速度要慢許多。

Rotella稱，他現在幾秒中進行的分析在五年前需要花上一個晚上。Rotella的公司主要是對大型數據集進行前瞻性分析，這經常涉及查詢、尋找模 型、下次查詢前的調整。在分析速度方面，查詢完成時間非常重要。他稱：「以前，運行時間比建模時間要長，但是現在建模時間要比運行時間長。」

列式資料庫伺服器改變了關系型資料庫的傳統行與列結構，解決了另一些性能需求。查詢僅訪問有用的列，而不是讀取整個記錄和選取可選列，這極大地提高了組織或測量關鍵列的應用的性能。

Ternent警告稱，列式資料庫的性能優勢需要配合正確的應用和查詢設計。他稱：「為了進行區別，你必須以適當的方式問它適當的問題。」此此同時，他 還指出，列式資料庫實際上僅對處理超過500G位元組數據的應用有意義。他稱：「在讓列式資料庫發揮作用之前，你必須收集一規模的數據，因為它依賴一定水平 的重復提升效率。」

保險與金融服務巨頭JohnHancock公司的首席信息官AllanHackney稱，為了提高分析性能，硬體也需要進行提升，如增加GPU晶元，其 與游戲系統中用到的圖形處理器相同。他稱：「可視化需用到的計算方法與統計分析中用到的計算方法非常相似。與普通的PC和伺服器處理器相比，圖形處理器的 計算速度要快數百倍。我們的分析人員非常喜歡這一設備。」

隨著計算能力的增長，分析技術開始從內存與存儲價格的下降中獲益。同時，隨著開源軟體逐漸成為商業產品的備選產品，競爭壓力也導致商業產品價格進一步下降。

Ternent為開源軟體的支持者。在加入IslandOne公司之前，Ternent為開源商業智能公司Pentaho的工程副總裁。他稱：「對於我來說，開源決定著涉足領域。因為像IslandOne這樣的中等規模公司能夠用開源應用R替代SAS進行統計分析。」

以前開源工具僅擁有基本的報告功能，但是現在它們能夠提供最為先進的預測分析。他稱：「目前開源參與者能夠橫跨整個連續統一體，這意味著任何人都能夠使用它們。」

HMS公司的Nustad認為，計算成本的變化正在改變著一些基礎性架構的選擇。例如，創建數據倉庫的一個傳統因素是讓數據一起進入擁有強大計算能力的 伺服器中以處理它們。當計算能力不足時，從操作系統中分離分析工作負載可以避免日常工作負載的性能出現下降。Nustad稱，目前這已經不再是一個合適的 選擇了。

她稱：「隨著硬體與存儲越來越便宜，你能夠讓這些操作系統處理一個商業智能層。」通過重定數據格式和將數據裝載至倉庫中，直接建立在操作應用上的分析能夠更為迅速地提供答案。

Hackney觀察認為，盡管性價比趨勢有利於管理成本，但是這些潛在的節約優勢將被日益增長的能力需求所抵消。盡管JohnHancock每台設備的存儲成本在今年下降了2至3%，但是消耗卻增長了20%。

與所有的應用一樣，商業智能正日益移動化。對於Nustad來說，移動商業智能具有優先權，因為每個人都希望Nustad能夠隨時隨地親自訪問關於她的 公司是否達到了服務級協議的報告。她還希望為公司的客戶提供數據的移動訪問，幫助客戶監控和管理醫療保健開銷。她稱：「這是一個客戶非常喜歡的功能。在五 年前，客戶不需要這一功能，但是現在他們需要這一功能了。」

對於首席信息官來說，要迎合這一趨勢更多的是為智能手機、平板電腦和觸摸屏設備創建適用的用戶界面，而不是更為復雜的分析能力。或許是出於這方面的原因，Kellen認為這相對容易。他稱：「對於我來說，這只是小事情。」

Rotella並不認為這很簡單。他稱：「移動計算影響著每一個人。許多人開始使用iPad工作，同時其它的移動設備正在呈現爆炸式增長。這一趨勢正在 加速並改變我們與公司內部計算資源交互的方式。」例如，Verisk已經開發了能夠讓理賠人在現場快速進行分析的產品，因此他們能夠進行重置成本評估。他 稱：「這種方式對我們的分析產生了影響，同時也讓每一個需要它的人隨手就能使用。」

Rotella稱：「引發這種挑戰的因素在於技術的更新速度。兩年前，我們沒有iPad，而現在許多人都在使用iPad。隨著多種操作系統的出現，我們正力爭搞清楚其是如何影響我們的研發的，這樣一來我們就不必一而再、再而三的編寫這些應用。」

IslandOne的Ternent指出，另一方面，為每一種移動平台創建原生應用的需求可能正在消退，因為目前手機和平板電腦上的瀏覽器擁有了更為強 大的功能。Ternent稱：「如果我能夠使用一款專門針對移動設備的基於web的應用，那麼我並不能肯定我將會對定製的移動設備應用進行投資。」

隨著臉譜、推特等社交媒體的興起，越來越多的公司希望分析這些由網站產生的數據。新推出的分析應用支持人類語言處理、情感分析和網路分析等統計技術，這些並不是典型商業智能工具套件的組成部分。

由於它們都是新的，許多社交媒體分析工具可以作用服務獲得。其中一個典型範例是Radian6。Radian6為軟體即服務（SaaS）產品，近期已經 被Salesforce.com所收購。Radian6是一種社交媒體儀表盤，為TwITter的留言、臉譜上的帖子、博客與討論版上的帖子與評論中提及 的特定術語以正負數顯示，尤其是為商標名提供生動的直觀推斷。當營銷與客戶服務部門購買後，這類工具不再對IT部門有很嚴重的依賴性。目前，肯塔基大學的 Kellen仍然相信他需要對它們高度關注。他稱：「我的工作是識別這些技術，根據競爭力評估哪些演算法適合公司，然後開始培訓合適的人員。」

與其他公司一樣，大學也對監督他們大學的聲譽十分感興趣。與此同時，Kellen表示，他可能還將尋找機會以開發專門用於解決學校所關注問題的應用，如 監督學生入學率等問題。例如，監控學生在社交媒體上的帖子能夠有幫於學校與管理人員盡早了解學生在大學里遇到的麻煩。Kellen稱，目前戴爾已經做了這 些工作，其產品支持公司探測人們關於故障筆記本電腦的推文。他稱，IT開發人員還應當尋找一些辦法將社交媒體分析得出的報警信息推送至應用中，以便於公司 對相關事件快速做出反應。

Hackney稱：「我們沒有訣竅，也沒有工具處理和挖掘海量社交媒體帖子的價值。不過，一旦你收集了數據，你需要有能力獲取公司事件的充足信息，以將 它們關聯起來。」雖然Hackney稱JohnHancock在這一領域內的努力還處於「起步階段」，但是他認為IT部門將在公司數據的社交分析服務所提 供的數據關聯中發揮重要作用。例如，如果社交媒體數據顯示公司在中西部地區的社會評論越來越負面，那麼他將希望看一下如果公司在該地區就價格或策略進行調 整是否會扭轉這一負面發展趨勢。

Hackney稱，發現這類關聯的意義在於讓公司領導相信對社交媒體的投資具有高回報。他稱：「在我所從事的行業中，每個人都是精算師，每個人都在計算，他們不會將任何東西建立在想當然之上。」

以上是小編為大家分享的關於大數據時代:五大商業分析技術趨勢的相關內容，更多信息可以關注環球青藤分享更多干貨

⑺ 如何用大數據分析創造商業價值

大數據分析是研究大量且多樣的數據集(即大數據)的過程，從而揭示隱藏的模式，未知的相關性，市場趨勢，客戶偏好和其他有用信息，這些信息可幫助公司做出更明智的商業決策。通過專業的分析系統和軟體，大數據分析可以指明商業收益的方向，比如新的機遇，有效的營銷，更好的客戶服務，提高運營效率以及競爭優勢等等。
以下是通過大數據分析將大大受益的十大行業：
1. 銀行和證券
通過網路活動監控和自然語言處理程序，監控金融市場，從而減少欺詐性交易。交易委員會正在使用大數據分析監控股票市場，避免非法交易的發生。
2. 通訊和媒體
同時在多個平台(移動，網路和電視)上實時報道世界各地的事件。媒體的一部分，音樂行業使用大數據關注最新的趨勢，並通過自動調諧軟體創作出流行的曲調。
3. 體育
了解特定地區針對不同活動的收視率模式，並通過分析來監測個人球員和球隊的表現。像板球世界盃，FIFA世界盃和溫布爾頓國際網球錦標賽的體育賽事均有使用大數據分析。
4. 醫療保健
收集公共衛生數據，從而更快地應對個人健康問題，並掌握新病毒株(如埃博拉病毒)在全球傳播的狀態。不同國家衛生部門合並使用大數據分析工具，以便在人口普查後進行數據收集。
5. 教育
針對目前快速發展的各種領域，更新和升級相關文獻。世界各地的大學均使用大數據來檢測和追蹤學生和教師的情況，並通過不同科目的出席率分析學生的興趣喜好。
6. 製造業
通過大數據提高供應鏈管理，提高生產率。製造企業使用這些分析工具，確保以最佳方式分配生產資源，從而獲得最大效益。
7. 保險
通過預測分析處理各種業務，從開發新產品到應對索賠。保險公司使用大數據了解需求最大的政策計劃，並產生更多收益。
8. 消費者貿易
預測和管理人員編制以及庫存需求。消費者貿易公司通過會員制度，記錄會員情況從而發展貿易。
9. 交通運輸
制定更好的路線規劃，交通監控和物流管理。主要是政府為了避免交通堵塞而設立的。
10. 能源
通過智能電表減少電氣泄漏，並幫助用戶管理能源使用情況。負荷調度中心使用大數據分析來監測負荷模式，並根據不同的參數分析能源消耗趨勢之間的差異，並節約能源。

⑻ 大數據平台可視化建模工具推薦

Smartbi數據挖掘平台（Smartbi Mining）是用於預測性分析的獨立產品，旨在為企業所做的決策提供預測性智能內。該平台不僅可為用戶容提供直觀的流式建模、拖拽式操作和流程化、可視化的建模界面，還提供了大量的數據預處理操作。此外，它內置了多種實用的、經典的機器學習演算法，這些演算法配置簡單降低了機器學習的使用門檻，大大節省了企業成本，並支持標準的PMML模型輸出，可以將模型發送到Smartbi統一平台，與商業智能平台實現了完美整合。使用對象包括數據科學家、業務分析師、行業咨詢師、實施顧問等。

⑼ 大數據給零售行業帶來的商業價值

大數據給零售行業帶來的商業價值

在大數據推動的商業革命暗涌中，要麼學會使用大數據的杠桿創造商業價值，要麼被大數據驅動的新生代商業格局淘汰。

最早關於大數據的故事發生在美國第二大的超市塔吉特百貨(Target)。孕婦對於零售商來說是個含金量很高的顧客群體。但是他們一般會去專門的孕婦商店而不是在Target購買孕期用品。人們一提起Target，往往想到的都是清潔用品、襪子和手紙之類的日常生活用品，卻忽視了Target有孕婦需要的一切。那麼Target有什麼辦法可以把這部分細分顧客從孕婦產品專賣店的手裡截留下來呢?

為此，Target的市場營銷人員求助於Target的顧客數據分析部(Guest Data & Analytical Services)的高級經理Andrew Pole，要求他建立一個模型，在孕婦第2個妊娠期就把她們給確認出來。在美國出生記錄是公開的，等孩子出生了，新生兒母親就會被鋪天蓋地的產品優惠廣告包圍，那時候Target再行動就晚了，因此必須趕在孕婦第2個妊娠期行動起來。如果Target能夠趕在所有零售商之前知道哪位顧客懷孕了，市場營銷部門就可以早早的給他們發出量身定製的孕婦優惠廣告，早早圈定寶貴的顧客資源。

可是懷孕是很私密的信息，如何能夠准確地判斷哪位顧客懷孕了呢?Andrew Pole想到了Target有一個迎嬰聚會(baby shower)的登記表。Andrew Pole開始對這些登記表裡的顧客的消費數據進行建模分析，不久就發現了許多非常有用的數據模式。比如模型發現，許多孕婦在第2個妊娠期的開始會買許多大包裝的無香味護手霜;在懷孕的最初20周大量購買補充鈣、鎂、鋅的善存片之類的保健品。最後Andrew Pole選出了25種典型商品的消費數據構建了「懷孕預測指數」，通過這個指數，Target能夠在很小的誤差范圍內預測到顧客的懷孕情況，因此Target就能早早地把孕婦優惠廣告寄發給顧客。

那麼，顧客收到這樣的廣告會不會嚇壞了呢?Target很聰明地避免了這種情況，它把孕婦用品的優惠廣告夾雜在其他一大堆與懷孕不相關的商品優惠廣告當中，這樣顧客就不知道Target知道她懷孕了。百密一疏的是，Target的這種優惠廣告間接地令一個蒙在鼓裡的父親意外發現他高中生的女兒懷孕了，此事甚至被《紐約時報》報道了，結果Target大數據的巨大威力轟動了全美。

根據Andrew Pole的大數據模型,Target制訂了全新的廣告營銷方案，結果Target的孕期用品銷售呈現了爆炸性的增長。Andrew Pole的大數據分析技術從孕婦這個細分顧客群開始向其他各種細分客戶群推廣，從Andrew Pole加入Target的2002年到2010年間，Target的銷售額從440億美元增長到了670億美元。

我們可以想像的是，許多孕婦在渾然不覺的情況下成了Target常年的忠實擁泵，許多孕婦產品專賣店也在渾然不知的情況下破產。渾然不覺的背景里，大數據正在推動一股強勁的商業革命暗涌，商家們早晚要面對的一個問題就是：究竟是在渾然不覺中崛起，還是在渾然不覺中滅亡。

大數據是誰?

大數據炙手可熱，但是能說清楚大數據是什麼的人卻不多。要真正弄明白什麼是大數據，我們首先得看看Target是怎麼收集大數據的。

只要有可能，Target的大數據系統會給每一個顧客編一個ID號。你刷信用卡、使用優惠券、填寫調查問卷、郵寄退貨單、打客服電話、開啟廣告郵件、訪問官網，所有這一切行為都會記錄進你的ID號。

而且這個ID號還會對號入座的記錄下你的人口統計信息：年齡、是否已婚、是否有子女、所住市區、住址離Target的車程、薪水情況、最近是否搬過家、錢包里的信用卡情況、常訪問的網址等等。Target還可以從其他相關機構那裡購買你的其他信息：種族、就業史、喜歡讀的雜志、破產記錄、婚姻史、購房記錄、求學記錄、閱讀習慣等等。乍一看，你會覺得這些數據毫無意義，但在Andrew Pole和顧客數據分析部的手裡，這些看似無用的數據便爆發了前述強勁的威力。

在商業領域，大數據就是像Target那樣收集起來的關於消費者行為的海量相關數據。這些數據超越了傳統的存儲方式和資料庫管理工具的功能范圍，必須用到大數據存儲、搜索、分析和可視化技術(比如雲計算)才能挖掘出巨大商業價值。

大數據的商業價值

大數據這么火，因此很多人就跟起風來，言必稱大數據，可是很多人不但沒搞明白大數據是什麼的問題，也不知道大數據究竟能往哪些方面挖掘出巨大的商業價值。這樣瞎子摸象般的跟風註定了是要以慘敗告終的，就像以前一窩蜂地追逐社交網路和團購一樣。那麼大數據究竟能往哪些方面挖掘出巨大的商業價值呢?根據IDC和麥肯錫的大數據研究結果的總結，大數據主要能在以下4個方面挖掘出巨大的商業價值：對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動;運用大數據模擬實境，發掘新的需求和提高投入的回報率;提高大數據成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率;進行商業模式、產品和服務的創新。筆者把他們簡稱為大數據的4個商業價值杠桿。企業在大踏步向大數據領域投入之前，必須清楚地分析企業自身這4個杠桿的實際情況和強弱程度。

1、對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動。本文開頭Target的故事就是這個杠桿的案例，瞄準特定的顧客群體來進行營銷和服務是商家一直以來的追求。雲存儲的海量數據和大數據的分析技術使得對消費者的實時和極端的細分有了成本效率極高的可能。比如在大數據時代之前，要搞清楚海量顧客的懷孕情況，得投入驚人的人力、物力、財力，使得這種細分行為毫無商業意義。

2、運用大數據模擬實境，發掘新的需求和提高投入的回報率。現在越來越多的產品中都裝有感測器，汽車和智能手機的普及使得可收集數據呈現爆炸性增長。Blog、Twitter、Facebook和微博等社交網路也在產生著海量的數據。雲計算和大數據分析技術使得商家可以在成本效率較高的情況下，實時地把這些數據連同交易行為的數據進行儲存和分析。交易過程、產品使用和人類行為都可以數據化。大數據技術可以把這些數據整合起來進行數據挖掘，從而在某些情況下通過模型模擬來判斷不同變數(比如不同地區不同促銷方案)的情況下何種方案投入回報最高。

3、提高大數據成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率。大數據能力強的部門可以通過雲計算、互聯網和內部搜索引擎把大數據成果和大數據能力比較薄弱的部門分享，幫助他們利用大數據創造商業價值。這個杠桿的案例是關於沃爾瑪的一個故事。

沃爾瑪開發了一個叫做Retail Link的大數據工具，通過這個工具供應商可以事先知道每家店的賣貨和庫存情況，從而可以在沃爾瑪發出指令前自行補貨，這可以極大地減少斷貨的情況和供應鏈整體的庫存水平。在這個過程中，供應商可以更多的控制商品在店內的陳設，可以通過和店內工作人員更多地接觸，提高他們的產品知識;沃爾瑪可以降低庫存成本，享受員工產品知識提高的成果，減少店內商品陳設的投入。綜合起來，整個供應鏈可以在成本降低的情況下，提高服務的質量，供應商和沃爾瑪的品牌價值也同時得到了提升。通過在整條供應鏈上分享大數據技術，沃爾瑪引爆了零售業的生產效率革命。

4、進行商業模式，產品和服務的創新。大數據技術使公司可以加強已有的產品和服務，創造新的產品和服務，甚至打造出全新的商業模式。這個杠桿將引用Tesco為案例。Tesco收集了海量的顧客數據，通過對每位顧客海量數據的分析，Tesco對每位顧客的信用程度和相關風險都會有一個極為准確的評估。在這個基礎上，Tesco推出了自己的信用卡，未來Tesco還有野心推出自己的存款服務。

大數據的商業革命

通過以上4個杠桿，大數據能夠產生出巨大的商業價值，難怪麥肯錫說大數據將是傳統4大生產要素之後的第5大生產要素。大數據對市場佔有率、成本控制、投入回報率和用戶體驗都會起到極大的促進作用，大數據優勢將成為企業最值得倚重的比較競爭優勢。根據麥肯錫的估計，如果零售商能夠充分發揮大數據的優勢，其營運利潤率就會有年均60%的增長空間，生產效率將會實現年均0.5%-1%的增長幅度。在大數據這個概念炒熱起來的當下，人們才發現像沃爾瑪、Target、亞馬遜、Tesco這樣的商業巨頭已經不聲不響地運用了大數據技術好多年，用大數據驅動市場營銷、驅動成本控制、驅動產品和服務創新、驅動管理和決策的創新、驅動商業模式的創新。許多商界驕子慨嘆競爭不過Target們的不解之謎也終於告破。

在大數據推動的商業革命暗涌中，與時俱進絕不僅僅是附庸風雅的卡位之戰，要麼學會使用大數據的杠桿創造商業價值，要麼被大數據驅動的新生代商業格局淘汰。這是天賜良機，更是生死之戰。成功者將是中國產業鏈升級獨領風騷的梟雄，失敗者擁有的只有遺憾。

以上是小編為大家分享的關於大數據給零售行業帶來的商業價值的相關內容，更多信息可以關注環球青藤分享更多干貨