大數據純屬忽悠

㈠ 大數據智能營銷電腦是騙人的嗎

首先，不存在上萬個防封IP，這是我們達成的共識，我們也從來不跟客戶講有上萬個防封IP。
那麼為什麼說我們要用一套專有的硬體系統呢？有兩個重要的原因
第一點，因為軟體性的產品屬於不斷更新，不斷維護的產品。在不斷的更新，維護，上新的時候，如果大家操作系統不一樣，程序所處的環境不同，就會造成更新，上新後，某些功能不能正常使用。畢竟這是營銷系統，不同於常規的辦公軟體，常規的辦公軟體可以兼容所有的系統。而很多電腦系統和營銷系統不具備兼容性，所以我們才配備了一台電腦。
第二點，我們的營銷軟體，他利用的全部都是一些比如說微信，QQ的bug，我們系統所寫的程序就會被殺毒軟體誤判為病毒給誤刪，幾乎所有的電腦都會安裝殺毒軟體。所以我們就給客戶配備了一套經過技術人員調試和調整了操作系統的電腦，這樣的話，就可以完全滿足後續的升級，更新和上新，也減少了客戶在使用過程中的不穩定性
市場上有個別小公司同行大肆宣揚不需要配備硬體，說帶硬體都是騙人的之類，這更說明兩個問題，第一他們沒有能力找到硬體廠家，（市場上大肆鼓吹不需要硬體的公司都有一個共同點，那就是他們公司不大，多以小工作室為主）另一方面也說明他們是一些破解版的小軟體，沒有更新，沒有升級，所以破解之後可以直接拷貝到電腦上，誰要拷貝給誰就可以了，沒有成本可言，算得上空手套白狼。

㈡ 零售企業如何面對「大數據時代」

零售企業如何面對「大數據時代」

當「物聯網」、「雲計算」我們都還沒有理解清晰時，又出來了一個新名詞——「大數據」，這些IT名詞僅僅是概念，還是與我們所處的商業環境有直接關系？筆者認為，大多數的零售從業者都不能清晰地回應。

首先我們需要明白，商業行為的本質是什麼？就是企業發現和挖掘客戶需求，並提供有價值的服務以滿足客戶需求。最佳的商業行為就是企業通過提供不同形式的服務超越客戶的需求，讓客戶的物超所值的感覺持續下去；這樣的商業行為將能夠獲得更高且持續的利潤。

「物聯網」、「雲計算」或「大數據」都是幫助我們發現和挖掘客戶需求，提供快速和准確的市場數據以便客戶及時決策的工具。相對傳統的工具，它們更高效率、更低成本、更准確。筆者認為作為商業信息領域的從業人員，可以不需要過多地了解其內在核心技術及方式，但它們能夠給零售用戶和行業帶來哪些變革或趨勢是我們不能忽視的。

2008年馬雲成功地預測了經濟危機，並幫助成千上萬的小製造商准備了過冬的糧食。此舉讓馬雲在業內贏得崇高榮譽的同時，更為阿里巴巴帶來持續的客戶。馬雲如何做到這些事情的呢？是「大數據」給了他啟示。馬雲對未來的預測是建立在對用戶行為分析的基礎上。一般而言，買家在采購商品前，會比較多家供應商的商品。此舉反應到阿里巴巴的統計數據中，就是查詢點擊的數量和購買點擊的數量相對會保持一個數值，綜合各個緯度的數據能夠建立用戶的行為模型。因為淘寶網用戶樣本量巨大，從而保證了用戶行為模型的准確性。「大數據」為阿里巴巴清晰地預測了用戶需求和市場變化。

什麼是大數據

相信馬雲的案例已經給我們一些啟示了。

那麼什麼是「大數據」呢？談到大數據，離不開物聯網和雲計算的關系。物聯網、雲計算和大數據實際上是不可分割的三大技術，不可孤立而言；物聯網的快速發展為大數據提供了廣泛的數據來源，雲計算為大數據的誕生創造了基礎環境，脫離物聯網和雲計算的層面，就沒有大數據存在的巨大價值。

從數據的角度來看，物聯網僅僅是數據的來源或者承載的方式，我們可以簡單地認為是收集信息和數據的一種更加簡單和有效的終端方式。

雲計算是一種新的IT業務模式，這種模式的特點在於提供極低的成本、極快速的交付手段、極簡單的使用方式，並且讓各個關聯的系統協同變得異常簡單和輕松。雲計算的蓬勃發展，客觀上開啟了大數據時代的大門，如果用高速公路來形容比喻雲計算，那麼大數據就是所有汽車中的貨物。雲計算為大數據提供了存儲空間、訪問渠道及運算能力。大數據是雲計算的靈魂。

大數據技術簡單來講就是從各種類型的數據中，快速獲取有價值信息的能力；在互聯網時代，我們的數據已經不單單是傳統的結構化數據了，非結構化數據、半結構化數據開始占據了我們數據的大部分內容，我們從中找到有價值的信息，已經變得不是那麼容易。大數據技術的發展開始讓這些問題的解決變得簡單。

大家可以清晰看出，我們提及的智慧商業脫離了大數據是不可能實現的，大家熟悉的商業智能離開了大數據就是一個忽悠人概念了。

大數據具備四大特徵：第一，數據量巨大，從TB躍升到PB級別；第二，數據類型豐富，包含日誌、視頻、音頻、圖片、地理信息、文檔等等；第三，數據價值密度低，以視頻數據為例，一個超過一小時的視頻，可能有價值的信息不到三秒；第四，數據處理速度快，要達到秒極，需要能夠實時獲取有價值的數據。

這些還都是大數據的概念和特徵，回歸到我們實際的商業行為中，大數據能夠為我們帶來什麼益處？

以往我們進行商業判斷時，大多靠我們的經驗和直覺，所以會出現不是很確定的判斷或者走一步看一步的探路式情況發生。大數據時代很多企業的正確決策是依靠數據分析得出，從而為企業帶來巨大的運營效益。麥當勞、肯德基以及蘋果公司等旗艦專賣店的位置都是建立在數據分析基礎之上的精準選址。在零售業中，數據分析的技術與手段更是得到廣泛的應用，傳統企業如沃爾瑪通過數據挖掘重塑並優化供應鏈，新崛起的電商如卓越亞馬遜、淘寶等則通過對海量數據的掌握和分析，為用戶提供更加專業化和個性化的服務。

各類企業如何應對大數據時代發展

我們怎樣來面對大數據時代？筆者認為可以分為幾步來考慮。

首先企業的領導者要重視大數據的發展、重視企業的數據中心，把收集客戶數據做為企業運行第一目標；第二，對企業內部人員進行培訓及建立收集數據的機制；第三，以業務需求為准則，確定哪些數據是需要收集；第四，確認在企業已有的數據基礎上或者未來方向前提下，如何達成前三項目標的基礎建設方案。

看完這些，很多人會認為，這些IT基礎工作需要巨大的投入和龐大的信息化團隊，做為中國商業最大的一份子——中小微型零售企業不可能或沒有足夠的能力來面對這樣一場變化。

大中型企業因為本身業務及利潤的積淀，已經能夠承擔這樣一場需求趨勢的需要成本。中小微型企業還處於快速發展過程中，如果也如同大中型企業進行全方面投入，將很快會被新型的IT工具拖垮或者遭受重創。幸運的是IT的發展為所有的企業都提供了平等的選擇，雲計算的廣泛應用即是對這樣一場變革帶來的臨時禮物。做為中小微型零售企業，完全不必考慮自己建設一套IT系統，他們從精力、成本、能力上來說都不適合，因此此類企業可以將企業的IT建設外包給適合的服務商，企業本身的所有精力投入到客戶的開發上。

亞馬遜在全球率先推出了雲服務的基礎平台，為中小微型商業企業提供了大型企業和超大型企業同樣的基礎環境及系統架構，小企業只需清晰規劃自己的目標和適合的步驟後，使用雲平台按需付費即可，大可不必進行巨大的初始投入及不可預測的運行成本。目前國內已經出現一批在為國內中小微型零售企業提供類似服務的信息服務商，比如基於客戶關系管理的「XTOOLS」，基於客戶服務的「迅鳥」雲呼叫平台，基於連鎖店面管理的「甩手掌櫃」等等。至於各中小微型企業怎麼選擇適合自己的發展平台，則需要依靠該企業領導者本人的智慧。

以上是小編為大家分享的關於零售企業如何面對「大數據時代」的相關內容，更多信息可以關注環球青藤分享更多干貨

㈢ 各位網友好，大家互相轉發，大數據雲定位是騙錢的。

發到讓人人都能看到的網上，以不讓更多的人受騙，我被騙了88元，找一個欠我錢不接電話的人結果交了八八元提示還交就是個騙子網。

㈣ 大數據智能營銷系統是騙人的嗎

至於是不是騙人的，我們不妨先來了解一下什麼是大數據智能營銷系統，是一套具備營銷功能的神奇軟體，一套可以在微信、扣扣、簡訊、郵箱上自動跑業務的營銷軟體，擁有一套系統，頂10個業務員，讓營銷變簡單，讓推廣全自動。自動營銷，自動接單。

那麼，我們可以再來看看都有哪些功能：

1.採集功能

大數據採集板塊：可以幫助您採集到全國各地各行各業、所有公司、店鋪、零售商+老闆手機號、扣扣、郵箱等精準有效信息，而且通過關鍵詞還可以提取各種資源群信息。

2.推廣功能

信息推廣板塊：可以通過扣扣、微信、簡訊、郵箱讓你不進群強制向群成員推送廣告信息，可以讓你手機群發簡訊，也可以扣扣郵箱每天推送40萬條有效信息

網路推廣：讓你的網站，個人網站排名提升，並且可以提供超級外聯。

3.營銷功能

俗話說的好，量變產生質變，每天定向推送40萬條有效信息，有需求的老闆看到肯定會主動聯系你，還會提高你產品的知名度！

以上這些只是我本人對於大數據智能營銷系統的一些理論上的了解，至於具體操作實踐效果如何還沒有試過，所以說呢，是不是騙人的沒法給你一個准確的答案，但是本人也要提醒一下題主，現在網路上充斥著各行各業的騙子，如果在網上購買這個的話，交易需謹慎，希望不要別騙哦。

㈤ 關於物聯網,你別被這5個大數據忽悠了

關於物聯網,你別被這5個大數據忽悠了

但它的概念非常模糊。在一些談話中，不同的參與者用「大數據」所表示的意思可能有以下三種：1.大量的數據;2.超出傳統資料庫功能的數據集;3.使用軟體工具來分析前兩個意義的數據集。

物聯網最顯著的效益就是它能極大地擴展我們監控和測量真實世界中發生的事情的能力。車間經理知道如果發動機發出嗚嗚聲就說明出現了問題。一個有經驗的房主知道烘乾機的通風系統可能會被線頭塞住，從而導致安全隱患。數據系統最終給予了我們精確理解這些問題的能力。

然而，挑戰在於使這些讓信息更有價值的系統和商業模型不斷發展。想一下智能恆溫器在峰值功率很緊張的情況下，公用事業單位和第三方能源服務企業想要每分鍾准確更新能源消耗情況：通過精確調整能源並最大化節省能源，使得夏季普通的一天和節約用電的一天能夠有明顯的區別。但如果把時間縮短到午夜至凌晨四點間，對信息的需求就不是那麼急迫了：數據主要在確定長期趨勢時才能有價值。

現在從消費者的角度思考。15分鍾的數據更新間隔都有可能導致超負荷。這不僅僅沒有價值，還可能會造成貶低它價值的麻煩事。相反，消費者所需要的不過是一份能夠指明一些趨勢的月度總結表。

我經常跟人們討論關於「數據價值」的挑戰。下面的列表總結了數據的一般類別以及製造商和服務提供商所追求的機會。

五種大數據類型

狀態數據

冷庫中的空氣壓縮機是否正常運作?它們中是否有一個已經罷工了?不用擔心，狀態數據可以提供供應商和消費者關於物聯網的實時動態數據。

狀態數據是物聯網數據中最普遍、最基礎的一種。事實上所有事都會產生類似的數據，並把它作為基礎。在許多市場中，狀態數據更多地被用作進行更復雜分析的原材料，但它也具有它自身的重要價值。

看看Streetline是怎樣找到停車位的——它創造了能夠提醒訂閱者空餘車位的系統。當然，長期的數據能幫到城市規劃者，但對於消費者來說，實時狀態數據才是最重要的。

定位數據

我的貨物到哪兒了?它到達目的地了嗎?定位服務是GPS應用的必然趨勢。GPS非常強大，但在室內、人潮擁擠的地方以及快速變化的環境中的效果並不明顯。那些試圖追蹤托盤以及機械叉車的人可能會需要實時信息。

作為早期的物聯網市場，農業領域也需要充分利用位置數據，因為農場主通常需要在很大的地理面積上定位自己的設備。我們已經看到了一些能夠幫助人們定位鑰匙的消費品的出現，這意味著在為商業和工業用戶提供服務的領域存在著更大的市場，尤其是在時間緊迫時，這些領域有大量的資產需要追蹤的情況下。Foursquare針對油漆倉庫的發展就是抓住了這樣一個巨大的機遇。

個性化數據

不要用個人數據來拒絕個性化數據。個性化數據指的是關於個人偏好的匿名數據。消費者自然會對自動化產生懷疑。因為一些住宅管理系統比起你的舒適更關心節省的成本，所以往往你不想困在一個昏暗的辦公室或者冰冷的酒店客房。自動化技術同樣也存在安全隱患。

盡管如此，自動化也是不可避免的。沒有人會為了節省4.75美元而不停地用手指來試恆溫器的溫度。同樣，那些依靠人工交互的照明系統也失敗了(一些智能照明生產者希望用他們的感測器數據告訴商店的管理者何時應該打開結賬通道)。挑戰將圍繞開發應用程序和產品規則而展開。

可供行為參考數據

把這個看作是有後續計劃的狀態數據。建築物消耗了整個國家電力的73%，並且其中一大部分(根據EPA顯示，最高達到30%)被浪費了。為什麼呢?因為對於大多數建築物的所有者來說：能源是次要的問題。他們雖也想解決這一問題，但擔心成本、精力以及一些棘手的局面所產生的損失會超出收益。

對於這一問題相應地產生了兩種方法：1.能夠改變系統實時狀態的自動化技術;2.能夠使人們改變行為習慣或者做長線投資的說服力。Opower開創了關於說服力的解決方案，也就是提供用戶及其鄰里之間使用能源的對比數據。根據他們自己的研究，這些具有說服力的數據能使能耗降低2到3個百分點。

反饋數據

你了解你的顧客的真實想法嗎?你也許認為你了解，但是你可能錯了。在不遠的將來，生產者還能分析從已銷售的產品中獲取的數據，從而更好地了解產品在現實世界中的使用情況。現在大部分公司並不太了解他們產品的使用狀況。這些產品從分銷商處裝運，從零售商處銷售，最後進入了千家萬戶。而使用者和生產者可能永遠都不會有交集。

物聯網創造了一個從消費者到生產者的反饋迴路，在這里產品生產者可以通過適度水平的隱私、安全以及匿名性來檢驗產品的實際表現，並鼓勵持續的產品改進和創新。

以上是小編為大家分享的關於關於物聯網,你別被這5個大數據忽悠了的相關內容，更多信息可以關注環球青藤分享更多干貨

㈥ 朱記大數據就是騙子公司，變相傳銷。根本不是很聯通合作商，辦理分期貸款利息特別高，按時還款還說逾期！

完全是騙局，請千萬別相信，義烏已被工商查了，確定是傳銷

㈦ 大數據可能是一場騙局

大數據可能是一場騙局
幾乎每天都能看到有人在談論大數據，讓人好生厭煩。什麼是大數據（Big Data） ? 簡單一點可以理解為超出傳統數據管理工具處理能力的大規模、復雜的數據集合。判斷是否數據大數據的范疇，要從三個維度來衡量：數據量（Volume）、處理速度（ Velocity）以及數據種類（Variety）。

大數據（Big Data） 是 2012 年信息技術領域最時髦的詞彙。當然，跟所有曾經的時髦技術熱詞一樣，最後可能是一場騙局。為什麼？
大數據是個相對的概念，新瓶裝舊酒
有些人所說的大數據處理方式，不過是在既有的方案上包裝了一下，新瓶裝舊酒，只為趕時髦。今天的大數據可能到了明天算不上大數據。過去我們也曾經對「海量數據」望而生畏。但海量數據時代並沒有給多少企業帶來革命性的變化，在 MapRece 以及 Hadoop 出現之前，沒有多少企業能夠輕松的對數據進行大規模並行計算（奇怪的是，那時候沒有多少人提大數據）。而 NoSQL 的出現也為處理數據的方式帶來了更多可能性。我們突然發現，處理數據能力已經悄然增強。
大數據是機會，但不是所有人的機會
大數據的商業前景被過分誇大了。到目前來看，只有為數不多的企業真正擁有大數據，而且這些數據的管理、處理、分析並沒有帶來所謂空前大的挑戰。因為新的工具、新的計算方式已經已經具備處理這些數據的能力。
大數據是機會，但只是少數人的機會，更多是巨頭們的商業障眼法，比如 IBM 、Oracle、微軟，他們提倡甚至誇大大數據的目的還是為了向你兜售他們的工具，兜售他們的解決方案，確切的說，從你身上賺錢。更有甚者，居然是向你兜售硬體，這不完全是扯淡么？ 大硬體還差不多。
中小型公司應該繞道走，別唯大佬們馬首是瞻，別總去湊熱鬧。你所需要的東西，通過開源社區就可以獲取到，參加各種大佬們口沫橫飛的會議還不如和工程師聊聊可以運用什麼工具來具體操練一下。適用好比什麼都重要。創業公司也應該繞著大數據走，這未必是個好方向。 大數據的確會有價值，但沒有那麼大
必須要承認從某些大數據中會挖掘出新的價值，但這個價值只是附加價值，沒有理由去誇大他，更沒有理由去無端的想像。你可以說這篇沙漠可能有金子，但並不是說沙漠中一定就能挖掘出金子。
從現在業界一些公司拿出來的所謂的大數據應用實例來看，依然只是在利用傳統意義上的數據價值，只是巧妙地把這筆帳記在了大數據上而已。一個電子商務網站說什麼地方的人買東西最瘋狂或是什麼型號手機最好賣，這會是大數據分析的結果，完全是扯淡嘛。難道數據倉庫系統分析出來的結果和這個大數據出來的結果會有不同么？
不算結束的結束語
大數據不會是什麼商業模式的變革，重視大數據，但沒必要抱著大數據的大腿，尤其是在業界對於數據還不夠重視的時候，就更別說大數據了。相信隨著時間的推移，大數據這個詞會和信息爆炸、網格計算、雲計算等逐漸被淡忘，當然，到時候可能出現新的時髦詞彙了。
沒有大數據，只有數據；沒有藍海，只有大海；沒有先知，只有忽悠。

㈧ 大數據徵信與「大忽悠」徵信的距離有多遠

大數據徵信與「大忽悠」徵信的距離有多遠
大數據徵信自今年異軍突起以來就被認定為「救世主」般的角色，成為資本和市場追逐的對象。被負面輿論逼入「牆角」的互聯網金融更是如獲至寶，感慨找到了解決風險管理的「良葯」。不過，方興未艾的徵信行業尚不足以支撐起不斷擴展的商業藍圖，其最核心的獨立、客觀、公正、規范原則岌岌可危，稍有不慎，或將淪為一場虛有其表的「概念游戲」。
或正如徵信第一股商安信CEO陳曉東先生所言，國內徵信市場現在處在一個一哄而上的階段，以後會有一個沉澱的過程，優勝劣汰，剩下來的將是具有優質數據和強大評級體系的徵信機構。真正的爆發期將出現在市場沉澱之後。
那麼何為徵信？仿若斡旋雲端、披著面紗的徵信其實沒那麼神秘。
徵信是專業化的、獨立的第三方機構為個人或企業建立信用檔案，依法採集、客觀記錄其信用信息，並依法對外提供信用信息服務的一種活動。按業務模式可分為企業徵信和個人徵信，按服務對象可分為信貸徵信、商業徵信、僱傭徵信等。
我國徵信業起步較晚，信用生態建設相對滯後，但在互聯網時代卻存在獨特的機會。在互聯網金融發展如火如荼之際，基於大數據技術的互聯網徵信應運而生，一舉踏上風頭浪尖，又反向推動了國內信用經濟的發展。
截至2015年10月底，國內出現問題的互聯網金融平台數已達到1078家，其中10月新增47家。互聯網金融在一定程度上覆蓋了傳統金融服務盲區（央行徵信系統收錄自然人8.7億多，但有信貸記錄的自然人僅有約3.7億，這意味著還有四分之三的人在申請信貸等服務時會遇到障礙），但是由於信息不對稱、信息採集難等因素，一直處在野蠻生長的狀態。
對金融業，徵信完善了對風險的識別、判斷、評估和管理，有利於加快授信過程，分級定價，降低優質借款人借貸成本，大幅提高信貸效率，以螞蟻小貸為例，放款時間基本在3分鍾以內，小則幾千，多則幾萬。對商業，徵信逐漸被作為經濟運行和社會管理的標准，以此撬動的商業模式創新迅速拓展至酒店、租房、招聘、旅遊等行業。
金融服務對雙11的滲透融合堪稱互聯網徵信功成名就的一役。數家電商各領風騷出新招，最終交易額也不出意外地攀上歷史新高。而在公眾為天貓912億的交易數據驚嘆時，有心人已經發現，今日與往年不一樣的氣象。
雙11當天，螞蟻花唄共發放6048萬筆消費信貸，占支付寶交易總量的8.5%，與其功能相似的京東白條，同比增長800%。首次接入雙11的花唄與京東白條同為信用支付產品，即基於電商平台、支付等沉澱的海量數據，藉助互聯網大數據、雲計算等技術，經過綜合信用評估後，給予用戶在指定店鋪享受先消費、後付款服務的信用額度，並支持分期還款。
花唄對接的是螞蟻小貸，京東白條對接的是京東金融。互聯網金融深度嵌入消費場景，憑借更具便捷性、更具場景化、更個性化的產品迅速崛起。但相比傳統消費金融（銀行信用卡與消費貸款），互聯網消費金融在徵信、風控、資金周轉、催收等方面仍面臨著諸多阻礙和風險。
相對於傳統徵信多採用信貸數據和公共機構數據作為數據源，互聯網徵信拓寬了數據採集維度，包括電商數據、社交數據等，一方面能更加全面的反映信用主體的情況，但另一方面，由於央行徵信中心的金融資料庫還未向這些機構開放，其數據評估的准確性和公信力難免被人質疑。
大數據徵信的軟肋
今年，在政府鼓勵和市場迫切需求雙重驅動下，國內掀起了一股狂熱的互聯網徵信浪潮，電商平台、互聯網公司、大數據公司、支付機構、傳統徵信機構、P2P平台等都是不同的代表。從應用場景創新和品牌影響力上講，阿里、騰訊、網路等互聯網公司無疑更受矚目。從專業性上來說，商安信、中誠信等傳統徵信機構在評級模型、商業徵信業務等方面更具優勢。
相比對企業徵信公司的備案制，個人徵信公司的審核制顯得更為嚴格。今年1月，央行印發《關於做好個人徵信業務准備工作的通知》，首批入圍的芝麻信用、騰訊徵信、前海徵信等8家機構在年中完成驗收工作。然而時至今日，仍未下發個人徵信牌照，由此足見央行的審慎態度。
首批入圍徵信機構大部分將信用評分作為首推產品，並快速拓展應用場景，搶占市場制高點。如芝麻徵信的「芝麻分」和考拉徵信的「考拉分」已經應用到酒店、租車、旅遊等多個場景；前海徵信的 「好信度」目前主要服務於金融信貸，華道徵信已推出的「豬豬分」專門用於檢驗租房者信用狀況，中誠信的「萬象分」則可以用於就醫、保險領域。
但已經有不少人心存疑慮，質疑大數據徵信的含金量和可靠性：
1、 數據整合難：央行徵信系統並未開放，徵信機構無法獲取珍貴的信貸數據，而央行對企業在小貸、租賃金融的信貸行為也難以全面掌握；公共數據廣泛分散在工商、質檢、海關、稅務等政府和業務管理部門，雖然建設統一信用信息平台已提上日程，但數據孤島的問題仍難解；芝麻信用、騰訊徵信等所背靠的集團，以及各類P2P平台自建的徵信公司本身存在業務交叉和競爭關系，共享「黑名單」易，共享「白名單」難。
2、 數據標准缺失：到底哪些信息需要列入徵信評估范疇還沒一個統一的界定，越來越多的信息被納入徵信范疇，交通違章、地鐵逃票等似乎什麼都可以往裡裝，這些都可能構成個人不良徵信記錄影響個人信貸。
3、 公信力遭質疑：「徵信採集者與使用者沒有任何關系」的獨立第三方原則被模糊，首批入圍的民營徵信機構數據的採集和使用都與自身有著千絲萬縷的聯系，這就決定了現在市場中的很多模型只能適用於自己的小生態，同時民營徵信機構既做裁判又做選手，最終評價的公正性或在市場份額爭搶中失衡。
4、 評級模型五花八門：中國並不缺數據，但缺乏可以數據通用的評估模型。國內個人徵信大多模仿了美國FICO的模型，但在評估維度上五花八門，加上採集的數據差異，這就造成同一個人在不同平台得到的評分可能會千差萬別。而企業徵信的評級模型，以及債券評級模型的嚴謹性、科學性在國際上並無強公信力。
業內專家指出，只根據數據分析出的規律並不全面，如果僅據此進行風控審核，難免會出現疏漏或偏差。大數據只能作為輔助手段，不能作為風控的決策依據。
日前，有媒體報道，商務部正在醞釀制定《互聯網金融機構信用評級與認證標准》。中國互聯網金融信息查詢系統主任、《標准》制定課題組副組長徐洲指出，只有獨立的第三方才能避免為利益左右，才能把促進行業規范發展放在第一位，做到客觀、公正、及時的信息披露。
某金融研究機構人士分析認為，一個從各處收集數據並完成大數據徵信的機構，不能是數據來源方，也不能是金融服務的提供方，這樣才能避免數據打架的現象。徵信行業要真正興起，發揮應有的作用，還是需要發揮出商安信、中誠信等獨立第三方徵信機構的力量。
市場在哪兒
千億、萬億？關於徵信市場空間有多大的討論一時沸沸揚揚。
平安證券發表的徵信行業專題報告《計算機行業徵信市場系列研究》預計，中國徵信行業未來市場規模將達千億元，其中企業徵信市場規模有百億元，個人徵信市場規模有千億元。
美國富國銀行高級副總裁王強在《給中國個人徵信市場估值》中預計，中國個人徵信市場規模大概350億美元。換算成人民幣，超2000億元。
不過，央行徵信管理局局長王煜卻給市場潑了一盆冷水，其認為徵信市場容量有限，不容易賺錢，有人號稱徵信市場有上千億的潛力，有忽悠的成分。資金不是最重要的，更需要技術、人才，需要反映信用信息的數據。搞攀比，搶位置，不真心干或者說沒有能力干，是不可持續的。
徵信屬於信用服務業的一環，作為一個服務行業，它的的市場到底在哪兒？
1、 國際商貿。國內徵信起初是為配合對外貿易調查的需求而產生的，包括企業和保險機構的信用核實、資信報告服務等。最早的企業徵信機構是由政府部門主導建立，但其自身具有嚴重的局限性，後大量民營機構和外資機構介入市場。
目前來看，國內提供貿易徵信服務比較成熟的民營機構僅有商安信一家，但其依託的也是世界前三的信用信息服務機構Creditreform在評級體系和數據資源上的支持。作為傳統徵信機構，商安信掛牌上市以來積極謀求進軍互聯網徵信，11月份已發布三款新產品：3A-biz 2.0商業風險管理多應用平台、3A-eBiz移動端和3A-Verify。3A-biz 2.0商業風險管理多應用平台，打通了信用認證、評估、核實等應用場景和傳統PC端與手機移動端的數據交換通道，與市場中偏重打分的產品截然不同，具有一定的行業跨越意義。
隨著中國對外開放的升級和「一帶一路」新戰略的實施，貿易環節的信用服務有增無減，市場容量很大。
2、 互聯網消費金融。國務院11月23日發布指導意見：積極發揮新消費引領作用，加快培育形成新供給新動力；支持發展消費信貸，鼓勵符合條件的市場主體成立消費金融公司，將消費金融公司試點范圍推廣至全國。
在我國，可以提供消費信貸服務的主要為銀行、小貸公司、消費金融公司。銀行的消費信貸服務由來已久，包括信用卡和消費貸款，但是受限於審核標准，長時間的審核流程、三、四線城市開發緩慢等因素，一直處於不溫不火的狀態。隨著金融服務與互聯網不斷縱深融合，互聯網消費金融產品迅速崛起，成為消費金融爆發的重要力量。據艾瑞咨詢公布的首份消費金融報告數據顯示，預計到2017年，中國消費金融整體市場將突破千億，三年復合增長率高達94%。而作為互聯網徵信作為消費金融推進的基礎，市場也有隨之爆發的可能。
3、 信貸業務。中小企業融資難由來已久，一方面是因為企業資質有限，缺少實物抵押，抗風險能力低，另一方面是因為銀行近來隨對中小企業融資雖有所傾斜，但額度仍然有限，流程依然復雜。互聯網金融在一定程度上解決了這一問題，並催生了對徵信的巨大需求。現今中小貸款機構在項目的風控環節主要還是靠人力審查，紙質材料傳遞，外加灰色渠道查央行徵信。貸前黑名單掃描及貸後管理跟蹤基本為空白。整體風控的效率非常低下，以及流程容易受人為因素干擾出錯等。
在個人信貸方面，互聯網金融提供者傾向於自建平台，合作共建行業黑名單，以規避風險提高效率。而在企業信貸方面，則更多依賴第三方徵信機構的力量。在這里，就不得不提一下商安信所引入的Creditreform的SI評估模型（筆者十分看好）。和絕大多數企業評估模型側重對歷史數據分析不同，Creditreform側重對流動性和短期償債能力的監測，能直觀反映企業近期狀況與風險度。
另外，隨著阿里網商銀行和騰訊微眾銀行兩家互聯網銀行的開業，以及其市場上各類小貸和消費信貸產品的陸續推出，傳統銀行以往依託於自身客戶群體和線下的物理網點進行客戶資料收集、信貸審核和貸款發放的傳統模式必然會受到較大的沖擊，預期未來銀行將加強與徵信機構的合作。
4、 應收賬業務。信用服務業可分為前端的數據採集，中端的信用認證和信用評估，後端的資產處置。互聯網徵信公司大多僅從事前端和中端兩部分，對後端的資產處置、應收賬業務罕有涉及（難、累），目前提供這類服務的主要還是傳統徵信公司和第三方外包公司。
應收賬業務包括企業應收賬管理與金融機構應收賬管理兩大類。根據人民銀行 2015年2 季度的數據，社會融資規模存量在 131.58 萬億，增速為 11.9%，年增長規模在 10 萬億以上。假設需要進行資產處置的資產為 1%，則市場規模達1.31萬億，空間極大，而企業應收賬管理市場更是難以估計。
5、 對傳統商業模式的改造。在這方面步子邁的最快的當屬阿里旗下的芝麻信用，芝麻分高於600分可以免押租用永安城市自行車，在6000多間酒店免押金入住，650分以上可以在神州租車、一嗨租車信用租車，高於700分無須提供其他資料能申請新加坡簽證。大數據徵信應用場景拓展撬動的商業模式創新，動輒催生了一個又一個新市場，預期未來，這部分市場將把持在背景深厚的互聯網徵信公司手中。
作為一個新興行業，徵信業在發展初期出現混亂局面本無可厚非。但是，徵信已逐漸充當起金融創新、市場運行和社會管理的基礎樁，更需要慎之又慎的前行。

㈨ 大數據時代，容易被數據誤導的八個問題

現在做銷售、市場的人如果不懂得數據分析，用數據說話那真是落伍了。沒見很多企業領導開口就是「拿數據給我看，沒有數據我怎麼做決策啊?」。可見數據分析在當今的企業管理中占據做非常重要的地位，並且數據分析師也是未來十年最有前途的十大職業之一。

先看一個利用數據忽悠人的案例： 在美國和西班牙交戰期間，美國海軍的死亡率是千分之九，而同時期紐約居民的死亡率是千分之十六。後來海軍徵兵人員就用這些數據來證明參軍更安全。你認為這個結論正確嗎?當然不正確，這兩個數字根本就是不匹配的，當兵的都是身強力壯的年輕人，而居民的死亡率是包括老弱病殘的數據，這些人相對來說，死亡率是高的。所以正常應該是用同年齡段的海軍數據和紐約居民來對比。

其實你發現9‰和16‰根本就不具有可對比性。

企業管理人員對「假」數據是深惡痛疾。原因不言而喻：「假數據」造成資源浪費，決策失誤，貽誤戰機等等。簡單總結一下「有問題數據」的幾個方面，幫助大家早日練成火眼金睛。需要提醒大家的是「有問題的數據」並不代表一定是「假」的數據，因為有的數據是真的，但是結論確實「假」的。常見的利用數據來

誤導大家的情況有以下幾種：

一、隨意製造「假」的數據來忽悠客戶或消費者

請原諒我用了「製造」這個動詞。

這種情況隨處可見，對於某些人或組織來說，數據的嚴肅性根本就是一句空話，他們是要什麼數據就編什麼數據，他們的名字叫」編「委。對於這種情況，我們一定要多問幾個為什麼，問清楚數據源就可以了。記住「無數據(源)就沒有真相」。比如報紙的發行量永遠是世界上最難解的謎題，我也不知道答案，我只知道：

1、媒體自己公布的發行量實際上是他們的最高發行記錄，一般來講大家習慣去掉「最高」二字

2、當年某些報紙為了創造最高發行量，直接把報紙從印刷廠拉倒垃圾站，這種情況是公然而無恥的作假，後被禁止

大家看看這句話中的數字是否有錯誤：公司業務員小強有24個客戶，4月不重復客戶購買比率為78%(備注:不重復客戶購買比例=有訂單的客戶總數/總客戶數)。答案是錯誤的，因為永遠算不出來78%這個數據。

二、定向取值問題

這種一種具有隱蔽性和欺騙性的手段。何為定向取值?就是先假定一個結論，然後選取最利於這個結論的人群進行市場調查或研究，最後號稱這個規律或結論具有普遍性。比如平均工資，我要讓他高，就去寫字樓訪問，我要讓他低，那就如勞務市場吧!這種方法是一種騙人的伎倆，要不得，可是很多人非常熱衷!

把這種方法用到極致的是市場調查公司或某些政府機關。比如某年某地區說要在半年內將房價降價多少以上，半年以後他們真的做到了，可是老百姓並沒有感到房價下降的趨勢，為什麼呢?原來他們玩了個數字游戲，半年前的樣本是城區的房價平均，半年後加上了郊區的房價後取平均。

大部分市場調查公司是定向取值的熱衷者。很多企業的老闆會要求市調公司按照他們的結論來采樣調查，然後用這個數據去做廣告、公關，欺騙消費者。有些公司的調查數據是真的(即調查的樣本數足夠多，且沒有定向選取調查對象)，但結論卻是假的。因為企業也可以定向取結論。比如(此事例是為了說明問題，假設的數據，千萬不要當真)，比如某種牙膏宣傳：使用該品牌的牙膏後將使蛀牙減少23%，這個數據是市場調查後的數據。當然這個數據對你一定是有誘惑力的。因為你認為減少的反義詞就是沒減少!可你是否知道他的背後有可能是這樣的：23%的人蛀牙減少，40%的人沒有任何反應，37%的人蛀牙反而增多了(只是這種可能性不大)。

看看這幅畫你就懂了

三、田忌賽馬

田忌賽馬的故事大家想必都聽說過，利用田忌賽馬來誤導的情況也是比較多見的。看一個例子，2010年底某知名B2C網站搞了一個「全民瘋搶」活動，活動結束後，某人在微博上寫道：就成交數據看，在大促四日里的日均交易額已經遠遠超過了09年度國美、蘇寧和百聯三家線下大賣場的總和日均銷售額。就這句話來說是沒有問題的，錯在前後數據沒有可對比性，用自己促銷時的最大值和別人的常規日銷售來做對比，這樣的對比沒有任何意思。這個就好像劉翔參加殘奧會比賽得了冠軍又能如何?根本就不是一個組別。

再來看一組數據：2010年12月20日到12月26日電影《非誠勿擾2》和《讓子彈飛》的周票房分別為2.4億和2.1億(備註：非2是12月22日上市，讓是12月16日上市)。從這兩個數據是否我們可以得出這樣的結論：「非2」票房大大超越「讓」的票房。從純數據的角度來說，實際上這兩個數據沒有可對比性，不匹配。因為12.20-12.26是「非2」上影的第一周，是「讓」上影的第二周。正常大片的票房高點都是在第一周。如果我們單看他們第一周的票房數據：讓上市第一周4天票房共2.9億，平均每天0.7億，非2上影前5天票房2.4億，平均票房約0.5億元，「讓」票房反而高很多!

田忌賽馬實際上就是在選擇數據的結論。數據的匹配性是我們時刻都需要提防的，這方面是極易犯錯誤的，有時候我們看起來非常合理的對比也有可能是非常不合理的。

四、數據分析的系統誤差

數據分析有的時候是人為因素影響，有的時候還可能有系統誤差出現。舉說來說：假設人事部要在一個公司內部調查一下大家對新來的總經理的看法，選項有五個：非常喜歡、喜歡、沒感覺、不喜歡、非常不喜歡。要求匿名投票。收回選票後結果如下：非常喜歡25%，喜歡40%，沒感覺20%，不喜歡10%，非常不喜歡5%。由於是匿名投票你可能認為這個數據沒問題了吧(假設沒有拍馬屁的現象)。

我的回答是不一定。因為很可能還有很多員工根本就沒有投票。他們不投票的原因有可能是不知道該調查或忙沒來得及投票等，還有就是這些棄權票很可能都是要投「不喜歡」的人，他們不想表達自己的真實想法，所以他們有「目的」的放棄了投票。想想聯合國大會的棄權票吧，有點這個意思的吧。另外如果這個調查的五個選項改成如下排序：非常不喜歡、不喜歡、沒感覺、喜歡、非常喜歡。還是剛才投完票的那些人來投，結果可能不一樣哦!

強力推薦閱讀文章

年薪40+W的大數據開發【教程】，都在這兒！

大數據零基礎快速入門教程

Java基礎教程

web前端開發基礎教程

linux基礎入門教程學習

大數據工程師必須了解的七大概念

雲計算和大數據未來五大趨勢

如何快速建立自己的大數據知識體系