大數據最新行業案例分析

Ⅰ 大數據時代的案例分析

個案一
你開心他就買你焦慮他就拋
華爾街「德溫特資本市場」公司首席執行官保羅·霍廷每天的工作之一，就是利用電腦程序分析全球3.4億微博賬戶的留言，進而判斷民眾情緒，再以「1」到「50」進行打分。根據打分結果，霍廷再決定如何處理手中數以百萬美元計的股票。
霍廷的判斷原則很簡單：如果所有人似乎都高興，那就買入；如果大家的焦慮情緒上升，那就拋售。
這一招收效顯著——當年第一季度，霍廷的公司獲得了7%的收益率。
個案二
國際商用機器公司（IBM）估測，這些「數據」值錢的地方主要在於時效。對於片刻便能定輸贏的華爾街，這一時效至關重要。曾經，華爾街2%的企業搜集微博等平台的「非正式」數據；如今，接近半數企業採用了這種手段。
●「社會流動」創業公司在「大數據」行業生機勃勃，和微博推特是合作夥伴。它分析數據，告訴廣告商什麼是正確的時間，誰是正確的用戶，什麼是應該發表的正確內容，備受廣告商熱愛。
●通過喬希·詹姆斯的Omniture（著名的網頁流量分析工具）公司，你可以知道有多少人訪問你的網站，以及他們呆了多長時間——這些數據對於任何企業來說都至關重要。詹姆斯把公司賣掉，進賬18億美元。
●微軟專家吉拉德喜歡把這些「大數據」結果可視化：他把客戶請到辦公室，將包含這些公司的數據圖譜展現出來——有些是普通的時間軸，有些像蒲公英，有些則是鋪滿整個畫面的泡泡，泡泡中顯示這些客戶的粉絲正在談論什麼話題。
●「臉譜」數據分析師傑弗遜的工作就是搭建數據分析模型，弄清楚用戶點擊廣告的動機和方式。
處理和分析工具
用於分析大數據的工具主要有開源與商用兩個生態圈。
開源大數據生態圈：
1、Hadoop HDFS、HadoopMapRece, HBase、Hive 漸次誕生，早期Hadoop生態圈逐步形成。
2、. Hypertable是另類。它存在於Hadoop生態圈之外，但也曾經有一些用戶。
3、NoSQL，membase、MongoDb
商用大數據生態圈：
1、一體機資料庫/數據倉庫：IBM PureData(Netezza), OracleExadata, SAP Hana等等。
2、數據倉庫：TeradataAsterData, EMC GreenPlum, HPVertica 等等。
3、數據集市：QlikView、 Tableau 、 以及國內的Yonghong Data Mart 。

Ⅱ 大數據洞察有哪些特色，大數據營銷案例，大數據企業

特色案例分析：
1、浪潮GS助力廣安集團一豬一ID強化食品安全
作為輻射全國的農牧企業集團，多年來廣安集團一直企業信息化進程與企業發展需求不匹配的問題。2013年，廣安集團引入浪潮GS，採用單件管理系統，通過一豬一ID對其成長周期進行全過程監控，促使食品安全可追溯，實現飼養流程精細化、集約化管理，使每年飼料節約了2成左右，為廣安的智慧企業養成之路奠定了基礎。
2、華為大數據一體機服務於北大重點實驗室
經過大量的前期調查，比較和分析准備工作，北大重點實驗室選擇了華為基於高性能伺服器RH5885V2的HANA數據處理平台。HANA提供的對大量實時業務數據進行快速查詢和分析以及實時數據計算等功能，在很大程度上得益於華為RH5885 V2伺服器的高可靠、高性能和高可用性的支撐。
3、神州數碼助張家港市更」智慧」
在張家港實踐的城市案例中，市民登錄由」神州數碼」研發的市民公共信息服務平台後，只要憑借自己的身份證和密碼，即可通過該系統平台進行240餘項」在線預審」服務、130餘項」網上辦事」服務等，還可通過手機及時查看辦事狀態。相比於以前來說，市民辦事的時間最少可以節省一半以上。
4、中科曙光助同濟大學科研領域再創新高
為了滿足爆炸式增長的用戶和數據量，同濟大學攜手中科曙光，在全面整合雲計算平台和現有資產的基礎上，採用 DS800-F20存儲系統、Gridview集群管理系統，以及Hadoop分布式計算平台構建出了業內領先的大數據柔性處理平台，使得同濟大學在信息學科及其交叉學科研究領域邁上一個新台階。
5、中國電信基於物聯網的智能公交解決方案
中國電信提出了基於物聯網的智能公交應用整體解決方案。該方案緊密結合公交行業特點，涵蓋了全球眼視頻監控系統、GPS定位調度系統、無線數據採集系統等技術，是基於物聯網技術的公交行業車輛監控調度管理綜合性解決方案。中國電信智能交通系統利用物聯網技術，提高了公交系統中的人(乘客、司乘人員、管理人員)、公交設施(道路、場站等)和公交車輛等之間的有機聯系，從而最佳地利用了交通系統的時空資源，通過信息資源的合理開發、利用和整合，提高了公交行業運行效率，改善了服務質量，為應對重大突發事件提供了必要的手段，在公交公司的科學運營管理、安全監控等方面發揮了重要的作用，物聯網的應用已成為公交業務發展的必然趨勢。
6、明略數據為稅務部門構建的可視化涉稅分析平台
稅務系統的數據在很長時間內大量來自於納稅人的申報行為數據和報表數據，面向稅務工作人員的是割裂的不同業務系統，信息本身被業務消解為固定的邏輯和處理形式。明略數據為稅務部門構建的可視化涉稅分析平台定位為面向稅務部門的數據服務產品。產品充分利用明略底層大數據平台相關技術，數據挖掘建模技術及明略稅務行業研究專家對稅源管理專業化，風險控制精細化，決策分析智能化的理解，搭建以分析預測為核心的數據應用平台，以幫助稅務部門征管工作更有效、更全面、更精細化的展開。
7、悠易互通汽車行業大數據經驗助奧迪品薦二手車
2015年，奧迪品薦二手車項目通過悠易互通程序化購買平台進行為期5個月的推廣活動，傳播受眾主要以男性以及已有奧迪車主為主，悠易互通規劃的投放策略是，首先，通過人群標簽及關鍵詞，對精準受眾人群進行全網競價;其次，對以上競價成功人群進行優化召回，分析以提高下一輪競價成功率;根據悠易互通汽車行業大數據經驗，消費者的行為路徑為」興趣-認知考慮-轉化」，程序化購買可以通過人群召回的方式將流失人群引導到下一環節，從而促進轉化可能。最終投放結果顯示，悠易互通通過以上策略高效達成客戶KPI，曝光量超過預估13%，點擊量超過KPI 26%，注冊量高達163%。
8、東風風神大數據」動」悉全系目標受眾，打破傳統促銷方式
派擇科技應用底層行為數據管理平台Action DMP支招東風風神全系營銷推廣活動， Action DMP實現全網用戶行為元數據、應用元數據、場景元數據的實時無損解析，精準捕獲各車型目標受眾;通過分析用戶行為場景，了解他們的觸媒習慣，展開品牌與用戶定製化溝通，其中也包括個性化創意載體與溝通渠道組合。項目最終CPL成本較目標降低40%。
9、智子雲大數據挖掘助蘇寧易購訪客」回心轉意」之路
蘇寧易購期望通過智子雲的VRM模型對到站/進APP的流失訪客進行精細劃分，並藉助DSP精準定向能力跨屏鎖定目標人群，找迴流失訪客。首先，建立數據倉庫;其次智子雲個性化推薦引擎Rec-Engine;智子雲智能動態出價引擎Delta-Engine;智子雲全網跨屏LBS定向引擎Loc-Engine不但支持多屏、跨屏投放，還能從訪客轉化率、媒體、地理位置、時段、設備類型、設備號等多個維度建立訪客轉化率預測模型和商品推薦模型;最後，重定向投放，針對每一個到訪訪客計算廣告點擊率和到站轉化率，然後通過自動聚類演算法將訪客人群分檔打分，對不同分值的人群，在綜合媒體環境、競價成功率等因素後，進行實時差異化出價。最終，本次活動找回蘇寧易購的流失訪客9,572,163次，並促成36,748個直接有效訂單;最終投資回報率>3。
10、 「優衣·幸運·穿回家」優衣庫2016春節場景營銷OxO
2016年，優衣庫中國推出了」優衣·幸運·穿回家」的春節主題活動，融入」LifeWear服適人生」品牌理念。結合大數據分析規模化的消費者共性，合適的移動媒介精準傳播，藉助自媒體傳播，連接到店體驗。制定優質的移動媒介策略，結合自媒體、網路廣告、社交媒體平台、零售店和微信支付，精準覆蓋受眾，，一系列線上活動讓優衣庫品牌和冬春裝產品形象直達人心，有效地將線下用戶帶到線上參與互動並積極分享，實現OxO導流，收獲了比較理想的品牌營銷和銷售增長效果。

Ⅲ 企業大數據實戰案例

企業大數據實戰案例

一、家電行業

以某家電公司為例，它除了做大家熟知的空調、冰箱、電飯煲外，還做智能家居，產品有成百上千種。在其集團架構中，IT部門與HR、財務等部門並列以事業部形式運作。

目前家電及消費電子行業正值「內憂外患」，產能過剩，價格戰和同質化現象嚴重；互聯網企業涉足，顛覆競爭模式，小米的「粉絲經濟」，樂視的「平台+內容+終端+應用」，核心都是經營「用戶」而不是生產。該公司希望打造極致產品和個性化的服務，將合適的產品通過合適的渠道推薦給合適的客戶，但在CPC模型中當前只具備CP匹配（產品渠道），缺乏用戶全景視圖支持，無法打通「CP（客戶產品）」以及「CC（客戶渠道）」的匹配。

基於上述內外環境及業務驅動，該公司希望將大數據做成所有業務解決方案的樞紐。以大數據DMP作為企業數據核心，充分利用內部數據源、外部數據源，按照不同域組織企業數據，形成一個完整的企業數據資產。然後，利用此系統服務整個企業價值鏈中的各種應用。

那麼問題來了，該公司的數據分散在不同的系統中，更多的互聯網電商數據分散在各大電商平台，無法有效利用，怎麼解決？該公司的應對策略是：1）先從外部互聯網數據入手，引入大數據處理技術，一方面解決外部互聯網電商數據利用短板，另一方面可以試水大數據技術，由於互聯網數據不存在大量需要內部協調的問題，更容易快速出效果；2）建設DMP作為企業統一數據管理平台，整合內外部數據，進行用戶畫像構建用戶全景視圖。

一期建設內容：技術實現上通過定製Spark爬蟲每天抓取互聯網數據（主要是天貓、京東、國美、蘇寧、淘寶上的用戶評論等數據），利用Hadoop平台進行存儲和語義分析處理，最後實現「行業分析」、「競品分析」、「單品分析」 三大模塊。

該家電公司大數據系統一期建設效果，迅速在市場洞察、品牌診斷、產品分析、用戶反饋等方面得到體現。

二期建設目標：建設統一數據管理平台，整合公司內部系統數據、外部互聯網數據（如電商數據）、第三方數據（如外部合作、塔布提供的第三方消費者數據等）。

該公司大數據項目對企業的最大價值是將沉澱的數據資產轉化成生產力。IT部門，通過建設企業統一的數據管理平台，融合企業內外部數據，對於新應用快速支持，起到敏捷IT的作用；業務部門，通過產品、品牌、行業的洞察，輔助企業在產品設計、廣告營銷、服務優化等方面進行優化改進，幫助企業進行精細化運營，基於用戶畫像的精準營銷和個性化推薦，幫助企業給用戶打造極致服務體驗，提升客戶粘性和滿意度；戰略部門，通過市場和行業分析，幫助企業進行產品布局和戰略部署。

二、快消行業

以寶潔為例，在與寶潔中國市場部的合作中發現，並不是一定要先整合內外部數據才能做用戶畫像和客戶洞察。寶潔抓取了主流網站上所有與寶潔評價相關的數據，利用語義分析和建模，掌握不同消費群體的購物喜好和習慣，僅僅利用外部公開數據，快速實現了客戶洞察。

此外，寶潔還在渠道管理上進行創新。利用互聯網用戶評論數據進行社群聆聽，監控與寶潔合作的50個零售商店相關的用戶評論，通過線上數據進行渠道/購物者研究並指導渠道管理優化。

實現過程：

1、鎖定微博、大眾點評等互聯網數據源，採集百萬級別消費者談及的與寶潔購物相關內容；

2、利用自然語言處理技術，對用戶評論進行多維建模，包括購物環境、服務、價值等10多個一級維度和50個二級維度，實現對用戶評論的量化；

3、對沃爾瑪、屈臣氏、京東等50個零售渠道進行持續監控，結果通過DashBoard和周期性分析報告呈現。

因此，寶潔能夠關聯企業內部數據，更有效掌握KA渠道整體情況，甚至進一步掌握KA渠道的關鍵細節、優勢與劣勢，指導渠道評級體系調整，幫助制定產品促銷規劃。

三、金融行業

對於消費金融來說，家電、快消的案例也是適用的，尤其是精準營銷、產品推薦等方面。這里主要分享徵信風控方面的應用。顯然，互聯網金融如果對小額貸款都像銀行一樣做實地考察，並投入大量人力進行分析評判的話，成本是很高的，所以就有了基於大數據的批量的信用評分模型。最終目的也是實現企業畫像和企業中的關鍵人物畫像，再利用數據挖掘、數據建模的方法建立授信模型。宜信的宜人貸、芝麻信用等本質上就是這個架構。

在與金融客戶的接觸中發現，不論銀行還是金融公司，對外部數據的需求都越發迫切，尤其是外部強特徵數據，比如失信記錄、第三方授權後的記錄、網路行為等。

以上是小編為大家分享的關於企業大數據實戰案例的相關內容，更多信息可以關注環球青藤分享更多干貨

Ⅳ 有哪些大數據分析案例

三個領域大數據應用案例分析
1、無人駕駛汽車。汽車非常昂貴，然而在歐洲，人們只有4%的時間在使用汽車，96%的時間把車停在停車場，這是非常不高效的系統。如果未來普及了無人駕駛的汽車，我們就可以過上另一種生活。
我們將只需要在手機上點一個按鍵，車就會自己開過來，把我們帶去目的地。這種車就像沒有駕駛員的計程車，可以被反復使用，效率和可持續性都得到了提升，也避免了資源浪費。
有研究發現，如果自動機動車得到普及，可以減少25%的交通擁堵，減少30%的城市停車場面積。如果北京減少30%的停車場需求，城市生活將大不一樣。
2、醫療行業。我們的壽命現在都比較長了，但仍然希望能夠更長。現在，我們的醫療水平並不是很好，由於我們忽視了每一個人的個體差異，醫生會用通常的方法治療每一個人。然而，基於大數據，我們可以做精確醫療，通過大數據分析每個人的差異，進行精確的治療、劑量、用量，讓患者更快恢復健康。
3、教育行業。我們要讓下一代有能力了解這個世界。然而，因為沒有數據，我們難以做到因材施教，所有孩子獲得同樣的教學，學習同樣的書本。低效率的教學就是在浪費腦力、知識和我們解決問題的能力。
如果我們用大數據去分析孩子在發展學習能力時遇到的問題，就可以進行個性化的學習，就可以釋放知識和理解力的力量，讓每一個孩子充分開發潛能。
-

Ⅳ 目前大數據在哪些行業有案例或者說應用

大數據應用的關鍵，也是其必要條件，就在於"IT"與"經營"的融合，當然，這里的經營的內涵可以非常廣泛，小至一個零售門店的經營，大至一個城市的經營。以下是關於各行各業，不同的組織機構在大數據方面的應用的案例，在此申明，以下案例均來源於網路，本文僅作引用，並在此基礎上作簡單的梳理和分類。

大數據應用案例之：醫療行業

SetonHealthcare是採用IBM最新沃森技術醫療保健內容分析預測的首個客戶。該技術允許企業找到大量病人相關的臨床醫療信息，通過大數據處理，更好地分析病人的信息。

在加拿大多倫多的一家醫院，針對早產嬰兒，每秒鍾有超過3000次的數據讀取。通過這些數據分析，醫院能夠提前知道哪些早產兒出現問題並且有針對性地採取措施，避免早產嬰兒夭折。

大數據應用案例之：能源行業

智能電網現在歐洲已經做到了終端，也就是所謂的智能電表。在德國，為了鼓勵利用太陽能，會在家庭安裝太陽能，除了賣電給你，當你的太陽能有多餘電的時候還可以買回來。通過電網收集每隔五分鍾或十分鍾收集一次數據，收集來的這些大稿數據可以用來預測客戶的用電習慣等，從而推斷出在未來2~3個月時間里，整個電網大概需要多少電。有了這個預測後，就可以向發電或者供電企業購買一定數量的電。因為電有點像期貨一樣，如果提前買就會比較便宜，買現貨就比較貴。通過這個預測後，可以降低采購成本。

維斯塔斯風力系統，依靠的是BigInsights軟體和IBM超級計算機，然後對氣象數據進行分析，找出安裝風力渦輪機和整個風電場最佳的地點。利用大數據，以往需要數周的分析工作，現在僅需要不足1小時便可完成。

大數據應用案例之：通信行業

XOCommunications通過使用IBMSPSS預測分析軟體，減少了將近一半的客戶流失率。XO現在可以預測客戶的行為，發現行為趨勢，並找出存在缺陷的環節，從而幫助公司及時採取措施，保留客戶。此外，IBM新的Netezza網路分析加速器，將通過提供單個端到端網路、服務、客戶分析視圖的可擴展平台，幫助通信企業制定更科學、合理決策。

電信業者透過數以千萬計的禪者客戶資料，能分析出多種使用者行為和趨勢，賣給需要的企業，這是全新的資料經濟。

中國移動通過大數據分析，對企業運營的全業務進行針對性的監控、預警、跟蹤。系統在第一時間自動捕捉市場變化，再以最快捷的方式推送給指定負責人，使他在最短時間內獲知市場行情。

NTTdocomo把手機位置信息和互聯網上的信息結合起來，為顧滾襲孝客提供附近的餐飲店信息，接近末班車時間時，提供末班車信息服務。

大數據應用案例之：零售業

"我們的某個客戶，是一家領先的專業時裝零售商，通過當地的百貨商店、網路及其郵購目錄業務為客戶提供服務。公司希望向客戶提供差異化服務，如何定位公司的差異化，他們通過從Twitter和Facebook上收集社交信息，更深入的理解化妝品的營銷模式，隨後他們認識到必須保留兩類有價值的客戶：高消費者和高影響者。希望通過接受免費化妝服務，讓用戶進行口碑宣傳，這是交易數據與交互數據的完美結合，為業務挑戰提供了解決方案。"Informatica的技術幫助這家零售商用社交平台上的數據充實了客戶主數據，使他的業務服務更具有目標性。

零售企業也監控客戶的店內走動情況以及與商品的互動。它們將這些數據與交易記錄相結合來展開分析，從而在銷售哪些商品、如何擺放貨品以及何時調整售價上給出意見，此類方法已經幫助某領先零售企業減少了17%的存貨，同時在保持市場份額的前提下，增加了高利潤率自有品牌商品的比例。

Ⅵ 大數據攻略案例分析及結論

大數據攻略案例分析及結論

我們將迎來一個「大數據時代」。與變化相始終的中國企業，距離這場革命還有多遠？而追上領先者又需要多快的步伐？

｛研究結論｝

■大數據營銷的本質是一個影響消費者購物前心理路徑的問題，而這在大數據時代前很難做到。

■對於傳統企業而言，要打通線上與線下營銷，實現新的商業模式，如O2O等，離不開大數據。

■雖然大數據應用往往集中於大數據營銷，但對於一些企業，大數據的應用早已超越了營銷范疇，全面進入了企業供應鏈、生產、物流、庫存、網站和店內運營等各個環節。

■對於大部分企業，由於數據分析人員與業務人員之間的彼此視角與思考方向不同，大數據分析和運營之間存在脫節情況，這是大數據無法用於企業運營最大的阻力

■對於大多數互聯網公司來說，大數據量、大用戶量是一個相互促進，強者越強的循環過程。

■對於大型互聯網平台，大數據已經成為其生態循環中的血液，對於這些企業，最重要

的不是如何利用大數據改進自身運營，而是利用大數據更好地繁榮平台生態。

■對於平台企業，它們的大數據策略正逐漸從大數據運營，向運營大數據轉變，前者和

後者的差別在於，前者只是運營改進的動力，而後者則成為企業實現未來戰略的核心資源。

我們都已被反復告知：我們將迎來一個「大數據時代」。

大數據應用，將和雲計算、3D列印這些技術變革一樣，顛覆既有規則，並成為先行企業的制勝關鍵。

與變化相始終的中國企業，距離這場革命還有多遠？而追上領先者又需要多快的步伐？

來自於互聯網、移動互聯網、物聯網感測器、視頻採集系統的數據正海量增長，匯成大數據的海洋，相伴的是海量數據存儲、分析技術的突破性發展，所有這一切都給企業的應用帶來了無限可能性。

中國企業家研究院對當前中國企業大數據應用的狀況進行了歸納分類，以幫助企業了解實際應用大數據時的困局難點，並提供領先企業的典型案例以資借鑒。

表1

表2

大數據運營—企業提升效率的助推力

對於大多數企業而言，運營領域的應用是大數據最核心的應用，之前企業主要使用來自生產經營中的各種報表數據，但隨著大數據時代的到來，來自於互聯網、物聯網、各種感測器的海量辯笑虧數據撲面而至。於是，一些企業開始挖掘和利用這些數據，來推動運營效率的提升。大數據運營應用中，大數據的應用分為三類：用於企業外部營銷、用於內部運營，以及用於領導層決策。

一、大數據營銷

大數據營銷的本質是影響目標消費者購物前的心理路徑，它主要應用在三個方面：1、大數據渠道優化，2、精準營銷信息推送，3、線上與線下營銷的連接。在消費者購物前，通過各種方式，直接介入其信息收集和決策過程。而這種介入，是建立在對於線上與線下海量用戶數據分析的基礎之上。相比傳統狂轟濫炸或等客上門的營銷，大數據營銷無論在主動性和精準性方面，都有非常大的優勢。它是目前主要的大數據應用領域。

大數據營銷不僅僅是用大數據找出目標顧客，向其發布促銷信息，它還可以做到：

實現渠道優化。根據用戶的互聯網痕跡進行渠道營銷效果優化，就是根據互聯網上顧客的行為軌跡來找出哪個營銷渠道的顧客來源最多，哪個來源顧客實際購買量最多，是否是目標顧客等等，從而調整營銷資源在各個渠道的投放。例如東風日產，它利用對顧客來源的追蹤，來改進營銷資源在各個網路渠道如門戶網站、搜索和微博的投放。

精準營銷信息攜神推送。精準建立在對海量消費者的行為分析基礎之上，消費者網路瀏覽、搜索行為被網路留下，線下的購買和查看等行為可以被門店的POS機和視頻監控記錄，再加上他們在購買和注冊過程中留下的身份信息，在商家面前，正逐漸呈現出消費者信息的海洋。

一些企業通過收集海量的消費者信息，然後利用大數據建模技術，按消費者屬升猛性（如所在地區、性別）和興趣、購買行為等維度，挖掘目標消費者，然後進行分類，再根據這些，對個體消費者進行營銷信息推送。比如孕婦裝品牌十月媽咪通過對自己微博上粉絲評論的大數據分析，找出評論有「喜愛」相關關鍵詞的粉絲，然後打上標簽，對其進行營銷信息推送。京東商城副總經理李曦表示：「用大數據找出不同細分的顧客需求群，然後進行相應的營銷，是京東目前在做的事情。」小也化妝品將自身網站作為收集消費者信息的雷達，對不同消費者推薦相應的肌膚解決方案，創始人肖尚略希望在未來，大數據營銷能替代網站的作用，真正成為面向顧客的前端。

打通線上線下營銷。一些企業將互聯網上海量消費者的行為痕跡數據與線下購買數據打通，實現了線上與線下營銷的協同。比如東風日產，線上與線下的協同營銷方式為：其門戶網站帶來訂單線索，而通過這些線索，服務人員進行電話回訪，從而推動顧客在線下交易。在此過程中，東風日產記錄了消費者進入、瀏覽、點擊、注冊、電話回訪和購買各個環節的數據，實現了一個橫跨線上線下，以大數據分析為支持的，營銷效果不斷優化的閉環營銷通路。而國雙科技，衡量某一地區線下促銷活動的效果，就是看互聯網上，來自這個地區對於促銷內容的搜索量。一些企業，通過鼓勵線下顧客使用微信和Wi-Fi等可追蹤消費者行為和喜好的設備，來打通線上與線下數據流，銀泰百貨計劃鋪設Wi-Fi，鼓勵顧客在商場內使用，然後根據Wi-Fi賬號，找出這個顧客，再通過與其它大數據挖掘公司合作，以大數據的手段，發掘這個顧客在互聯網的歷史痕跡，來了解這個顧客的需求類型。

二、大數據用於內部運營

相比大數據營銷，大數據在內部運營中的應用更深入，對於企業內部的信息化水平，以及數據採集和分析能力的要求更高。本質上，是將企業外部海量消費者數據與企業內部海量運營數據聯系起來，在分析中得到新的洞察，提升運營效率。（詳見P96表5：大數據在內部運營中的應用）

表5

三、大數據用於決策

在大數據時代，企業面對眾多新的數據源和海量數據，能否基於對這些數據的洞察，進行決策，進而將其變成一項企業競爭優勢的來源？同大數據營銷和大數據內部運營相比，運用大數據決策難度最高，因為它需要一種依賴數據的思維習慣。

已有少數企業開始嘗試。比如國內一些金融機構在推出一個金融產品時，會廣泛分析該金融產品的應用情況和效果、目標顧客群數據、各種交易數據和定價數據等，然後決定是否推出某個金融產品。

但是，中國企業家研究院在調研中發現，目前中國企業當中，大數據決策的應用非常之少，許多企業領導者進行決策時，仍習慣於憑借歷史經驗和直覺。

大數據產品——企業利潤滋長的新源泉

大數據除了用於運營外，還能夠與企業產品結合，成為企業產品背後競爭力的核心支持或者直接成為產品。提供大數據產品的企業分為兩類，直接提供大數據產品的企業，以及將大數據作為產品和服務核心支撐的企業。前者主要為大數據產業鏈中提供數據服務的參與者，包括數據擁有者、存儲企業，挖掘企業、分析企業等，後者則主要是那些以大數據為產品核心支撐的企業，它們大多是互聯網企業，其產品和服務先天就有大數據基因，這些企業包括搜索引擎、在線殺毒、互聯網廣告交易平台以及眾多植根於移動互聯網之上，為用戶提供生活和資訊服務的APP等。

表3

表4

一、大數據作為產品核心支持

它們主要在以下幾方面使用大數據：

1、提供信息服務。很多互聯網企業通過對海量互聯網信息和線下信息的整合和分析，為個人和企業提供信息服務，典型的如網路、去哪兒、一淘、高德地圖、春雨醫生等等。在美國，一些互聯網企業甚至根據大數據提供更深度的預測信息服務，美國科技創新公司farecast，通過分析特定航線機票的價格，幫助消費者預測機票價格走勢。

2、分析用戶的個性化需求，藉此提供個性化產品和服務，或者實現更精準的廣告。典型的有移動社交工具陌陌、網路、騰訊、廣告交易平台品友互動以及一些互聯網游戲商。這種應用往往先是收集海量用戶的互聯網行為數據，將用戶分類，根據不同類型的用戶，提供個性化的產品，或者提供個性化的促銷信息。比如網易等門戶網站推出了訂閱模式，讓使用者按照個人喜好方便地定製和整合不同來源的信息。

3、增強產品功能。對於很多互聯網產品，如殺毒軟體、搜索引擎等等，海量數據的處理能夠讓產品變得更聰明更強大，如果沒有大數據，產品的功能就大大減弱。比如奇虎360公司的360殺毒軟體，憑借每天海量的殺毒處理，建立了龐大的病毒庫，這使它能夠更快地發現病毒，而一些小的殺毒軟體公司則無法做到這一點。

4、掌控信用狀況，提供信貸服務。阿里巴巴上匯集了海量中小企業的日常資金與貨品往來，通過對這些往來數據的匯總與分析，阿里巴巴能發現單個企業的資金流與收入情況，分析其信用，找出異常情況與可能發生的欺詐行為，控制信貸風險。

5、實現智能匹配。婚戀網站、交易平台等，利用大數據可以進行精準而高效的配對服務。網易花田會挖掘用戶行為數據，比如點擊哪些異性的頁面，發表什麼樣的評論，建立用戶興趣模型，從而挖掘到用戶所期待另一半的類型，然後主動推薦與對方匹配度比較高的人選。2010年，阿里巴巴嘗試性地推出「輕騎兵」服務，由阿里巴巴將中國各產業集群地的供應商與海外買家的個性采購需求進行快速匹配，所憑借的，就是對供應商的海量交易數據信息的整合與挖掘。

二、大數據直接作為產品

對一些企業，大數據直接成為了產品，這些產品包括海量數據、分析、存儲與挖掘的服務等，目前大數據產業鏈正在形成過程中，出現了一批開放、出售、授權大數據和提供大數據分析、挖掘的公司和機構，前者主要是一些擁有海量數據的公司，將數據服務作為新的盈利來源。如大型的互聯網平台、民航、電信運營商、一些擁有大數據的政府機構等等，後者主要包括一些能夠存儲海量數據或者將海量數據與業務場景結合，進行分析和挖掘，或者提供相關產品的公司，如IBM、SAP、拓而思、天睿公司。它們為大數據應用者們提供海量數據存儲、數據挖掘、圖像視頻、智能分析等服務以及相關系統產品。

大數據平台——企業群落繁榮的滋養劑

而網路已建成了包括網路指數、司南、風雲榜、數據研究中心和網路統計在內的五大數據體系平台，幫助其營銷平台上的企業了解消費者行為、興趣變化，以及行業發展狀況、市場動態和趨勢、競爭對手動向等信息。

為解決這些問題，各個平台在積極地努力。比如阿里巴巴建立了數據委員會，在統一數據格式標准、從源頭上保證數據的質量，採集和加工出精細化的數據，確保其能符合平台企業的應用場景等方面，不遺餘力地嘗試。尤其在大數據精細化方面，阿里巴巴更是作為其大數據戰略的重點。這方面，騰訊目前也在加快步伐。比如新版騰訊網出現了「一鍵登錄」的提示，用戶可以在上面通過一些細分標簽，訂閱自己關注的內容。實際上，這也是騰訊收集更精細化的用戶興趣數據的一個有效手段。

Tips

大數據實戰手冊

將大數據應用於內部運營中時，企業會遇到一些常見問題

1企業如何獲取與分析數據？

互聯網是大數據的一個主要來源，一些線下的傳統企業很難獲得。但它們可以：

a和擁有或能抓取海量數據的平台、企業以及政府機構合作。比如淘寶上的電商就購買淘寶收集的海量數據中與自身運營相關的部分，用於自身業務。再如卡夫通過與IBM合作，在博客、論壇和討論版的內容中抓取了47.9萬條關於自己產品的討論信息，通過大數據分析出消費者對卡夫食品的喜愛程度和消費方式。

b建立自己在互聯網上的平台，比如朝陽大悅城利用自己的微信、微博等平台收集消費者評論數據。

c許多傳統企業沒有分析海量數據的能力，此時它們可以和大數據分析和挖掘公司合作，目前市場上已經有天睿公司、IBM、百分點、華勝天成等一批提供大數據分析和挖掘服務的公司，它們是傳統企業進行大數據分析可以藉助的力量。

2如何避免大數據應用時的部門分割？

對於許多企業，其信息流被各部門彼此分割，數據難以互通，對於這種情況下，大數據的共享和匯集就只是一個泡影，更難以實現大數據的深度應用。

要打通部門之間信息分割的局面，首先要建立統一的、集中的數據系統。就像立白信息與知識總監王永紅所說的，「要真正用好大數據，企業要採用大集中的信息系統。」從更深入的角度來談，企業信息流的部門分割，更在於企業部門之間的分割，比如有一些企業的營銷按照渠道分割，導致對於顧客的大數據收集和分析效果大打折扣。

IBM智慧商務技術總監楊旭青認為，「很多時候由於組織結構問題，大數據分析有效性大大降低了。」這就需要組織與流程層面的重新設計，在這方面，阿里巴巴的部門負責人輪崗制度，對於打破部門壁壘無疑是一劑好葯。而一些企業為了打破部門分割，建立了矩陣型的組織結構，強化部門間的橫向合作，這些無疑為大數據的匯集、共享與應用創造了良好條件。

3如何讓業務人員重視大數據的應用？

解決這個問題，一方面在於一把手對整個企業數據文化的倡導，比如1號店董事長於剛就要求業務人員無論在開會，還是匯報工作時，都以數據說話，而馬雲更是將大數據提升到了戰略高度。

另一方面，也在於數據部門的帶動，阿里巴巴數據委員會負責人車品覺分享了經驗，「因為運營部門的業務人員很難看到大數據的潛力，可以首先從一些對業務見效快，見效顯著的數據項目出發，通過一兩個項目的成功，調動對方的積極性，然後再逐步一個個地引導。」

4為何大數據工作與運營需求脫節？

這往往是由於數據人員與業務人員視角、專業知識不同而導致的。大數據人員做了很多努力，但是業務人員卻認為這些努力無關痛癢。如何解決這個問題？

有的企業從組織設計上發力，將大數據納入業務分析部門的管理之下，用業務統馭數據。對於朝陽大悅城，由主要負責戰略和經營分析的部門來管理大數據工作，其中的大數據分析人員則作為支持人員。在負責人張岩看來，大數據要靠商業法則指導，關鍵是找到業務需求的點，然後由數據分析和挖掘人員實現。在具體操作中，大悅城對微信的數據挖掘，挖掘什麼樣的關鍵詞，由業務分析人員確定，而具體挖掘則由數據部門做；有的企業從流程設計上著手，推動業務部門與數據部門人員之間的溝通，建立數據人員工作與效果掛鉤的考核機制。

例如阿里巴巴根據數據挖掘的成效（比如帶來的商品轉化率的提升）來考核數據挖掘師，考核數據分析師則看其分析結果能否出現在經營負責人的報告中。從數據部門自身角度則需要降低運營部門使用數據的障礙和門檻，比如立白集團的數據人員會努力嘗試向運營部門提供更易懂、更生動的圖形化數據分析界面，在立白老闆辦公室上，就有一份「客戶運營健康體檢表」，讓老闆對全國經銷商的當月銷售情況一目瞭然。再如阿里巴巴開發的無線Bi，讓經營人員在手機上也可以看到大數據分析結果，拿車品覺的話說，「以數據之氧氣包圍經營人員。」

Ⅶ 科普文：銀行業9大數據科學應用案例解析！

在銀行業中使用數據科學不僅僅是一種趨勢，它已成為保持競爭的必要條件。 銀行必須認識到，大數據技術可以幫助他們有效地集中資源，做出更明智的決策並提高績效。

以下我們羅列銀行業使用的數據科學用例清單，讓您了解如何處理大量數據以及如何有效使用數據。

（1）欺詐識別

（2）管理客戶數據

（3）投資銀行的風險建模

（4）個性化營銷

（5）終身價值預測

（6）實時和預測分析

（7）客戶細分

（8）推薦引擎

（9）客戶支持

（10）結論

1、欺詐識別

機器學習對於有效檢測和防範涉及信用卡，會計，保險等的欺詐行為至關重要。 銀行業務中的主動欺詐檢測對於為客戶和員工提供安全性至關重要。 銀行越早檢測到欺詐行為，其越快可以限制帳戶活動以減少損失。 通過實施一系列的欺詐檢測方案，銀行可以實現必要的保護並避免重大損失。

欺詐檢測的關鍵步驟包括：

獲取數據樣本進行模型估計和初步測試 模型估計 測試階段和部署。

由於每個數據集都不同，每個數據集都需要由數據科學家進行個別訓練和微調。 將深厚的理論知識轉化為實際應用需要數據挖掘技術方面的專業知識，如關聯，聚類，預測和分類。

高效欺詐檢測的一個例子是，當一些異常高的交易發生時，銀行的欺詐預防系統被設置為暫停，直到賬戶持有人確認交易。對於新帳戶，欺詐檢測演算法可以調查非常高的熱門項目購買量，或者在短時間內使用類似數據打開多個帳戶。

2、管理客戶數據

銀行有義務收集，分析和存儲大量數據。但是，機器學習和數據科學工具不是將其視為合規性練習，而是將其轉化為更多地了解其客戶以推動新的收入機會的可能性。

如今，數字銀行越來越受歡迎並被廣泛使用。這創建了TB級的客戶數據，因此數據科學家團隊的第一步是分離真正相關的數據。之後，通過准確的機器學習模型幫助數據專家掌握有關客戶行為，交互和偏好的信息，可以通過隔離和處理這些最相關的客戶信息來改善商業決策，從而為銀行創造新的收入機會。

3、投資銀行的風險建模

風險建模對投資銀行來說是一個高度優先考慮的問題，因為它有助於規範金融活動，並在定價金融工具時發揮最重要的作用。投資銀行評估公司在企業融資中創造資本，促進兼並和收購，進行公司重組或重組以及用於投資目的的價值。

這就是為什麼風險模型對於銀行來說顯得非常重要，最好是通過掌握更多信息和儲備數據科學工具來評估。現在，通過大數據的力量，行業內的創新者正在利用新技術進行有效的風險建模，從而實現更好的數據驅動型決策。

4、個性化營銷

市場營銷成功的關鍵在於制定適合特定客戶需求和偏好的定製化報價。數據分析使我們能夠創建個性化營銷，在適當的時間在正確的設備上為合適的人員提供合適的產品。數據挖掘廣泛用於目標選擇，以識別新產品的潛在客戶。

數據科學家利用行為，人口統計和歷史購買數據建立一個模型，預測客戶對促銷或優惠的反應概率。因此，銀行可以進行高效，個性化的宣傳並改善與客戶的關系。

5、終身價值預測

客戶生命周期價值(CLV)預測了企業從與客戶的整個關系中獲得的所有價值。 這項措施的重要性正在快速增長，因為它有助於創建和維持與特定客戶的有利關系，從而創造更高的盈利能力和業務增長。

獲得和維系有利可圖的客戶對銀行來說是一個不斷增長的挑戰。 隨著競爭越來越激烈，銀行現在需要360度全方位了解每位客戶，以便有效地集中資源。 這就是數據科學進入的地方。首先，必須考慮大量數據：如客戶獲得和流失的概念，各種銀行產品和服務的使用，數量和盈利能力以及其他客戶的特點 如地理，人口和市場數據。

這些數據通常需要大量清洗和操作才能變得可用和有意義。 銀行客戶的概況，產品或服務差異很大，他們的行為和期望也不盡相同。 數據科學家的工具中有許多工具和方法來開發CLV模型，如廣義線性模型(GLM)，逐步回歸，分類和回歸樹(CART)。 建立一個預測模型，以確定基於CLV的未來營銷策略，這對於在每個客戶的一生中與該公司保持良好的客戶關系，實現更高的盈利能力和增長是具有非常有價值的過程。

6、實時和預測分析

分析在銀行業中的重要性不可低估。機器學習演算法和數據科學技術可以顯著改善銀行的分析策略，因為銀行業務的每個使用案例都與分析密切相關。隨著信息的可用性和多樣性迅速增加，分析變得更加復雜和准確。

可用信息的潛在價值非常驚人：指示實際信號的有意義的數據量(不僅僅是雜訊)在過去幾年呈指數級增長，而數據處理器的成本和規模一直在下降。區分真正相關的數據和噪音有助於有效解決問題和制定更明智的戰略決策。實時分析有助於了解阻礙業務的問題，而預測分析有助於選擇正確的技術來解決問題。通過將分析整合到銀行工作流程中，可以實現更好的結果，以提前避免潛在的問題。

7、客戶細分

客戶細分意味著根據他們的行為(對於行為分割)或特定特徵(例如區域，年齡，對於人口統計學分割的收入)挑選出一組客戶。數據科學家的一系列技術如聚類，決策樹，邏輯回歸等等，因此它們有助於了解每個客戶群的CLV並發現高價值和低價值的細分市場。

沒有必要證明客戶的這種細分允許有效地分配營銷資源，並且為每個客戶群提供基於點的方法的最大化以及銷售機會。不要忘記，客戶細分旨在改善客戶服務，並幫助客戶忠誠和留住客戶，這對銀行業是非常必要的。

8、推薦引擎

數據科學和機器學習工具可以創建簡單的演算法，分析和過濾用戶的活動，以便向他建議最相關和准確的項目。這種推薦引擎即使在他自己搜索它之前也會顯示可能感興趣的項目。要構建推薦引擎，數據專家需要分析和處理大量信息，識別客戶配置文件，並捕獲顯示其交互的數據以避免重復提供。

推薦引擎的類型取決於演算法的過濾方法。協同過濾方法既可以是基於用戶的，也可以是基於項目的，並且可以與用戶行為一起分析其他用戶的偏好，然後向新用戶提出建議。

協同過濾方法面臨的主要挑戰是使用大量數據，導致計算問題和價格上漲。基於內容的過濾與更簡單的演算法一起工作，其推薦與用戶參考先前活動的項目相似的項目。如果行為復雜或連接不清，這些方法可能會失敗。還有一種混合類型的引擎，結合了協作和基於內容的過濾。

沒有任何方法是普適的，它們每個都有一些優點和缺點，正確的選擇取決於你的目標和情況。

9、客戶支持

傑出的客戶支持服務是保持與客戶長期有效關系的關鍵。作為客戶服務的一部分，客戶支持是銀行業中一個重要但廣泛的概念。實質上，所有銀行都是基於服務的業務，因此他們的大部分活動都涉及服務元素。它包括全面及時地回應客戶的問題和投訴，並與客戶互動。

數據科學使這一過程更好地實現了自動化，更准確，個性化，直接和高效，並且降低了員工時間成本。

結論

為了獲得競爭優勢，銀行必須承認數據科學的重要性，將其融入決策過程，並根據客戶數據中獲得可操作的見解制定戰略。 從小型可管理的步驟開始，將大數據分析整合到您的運營模式中，並領先於競爭對手。

由於這種快速發展的數據科學領域以及將機器學習模型應用於實際數據的能力，因此可以每天擴展此用例列表，從而獲得更多更准確的結果。

Ⅷ 支付行業日誌大數據分析案例解讀

支付行業日誌大數據分析案例解讀

伴隨新的支付方式出現，近年來移動支付蓬勃發展，如何分析、利用海量交易數據，已成為當前支付企業面對的巨大難題。日誌作為數據的載體，蘊含著豐富的信息，傳統的日誌分析方式低效而固化，無法應對數據體量大、格式不統一、增長速度快的現狀，在交易出現異常及失敗時，更難以滿足實時處理、快速響應的需求。

本文講述某支付公司採用日誌易後，通過日誌大數據實現業務深度分析及風險控制的實踐經驗。

本次分享結合企業自身對支付行業的理解，將支付行業的需求總結為以下三點：

一、監管合規

1、人民銀行對支付機構的日誌審計和安全合規規定;

2、開發訪問日誌的許可權管理。

二、安全性

安全是支付公司非常重視的，安全風險有時會引起一些輿論導向，比如某些金融機構案件被媒體標注為特別關注;某某支付公司發現了資金線的問題，消費者的錢不知去向等，這些都是一個社會的關注的焦點。結合市場風險及大環境，支付行業的安全性需求具體表現在：

1、支付交易的安全性要求;

2、數據訪問的安全性要求;

3、防止敏感信息的泄露等。

對支付行業來說，日誌易產品在數據訪問、許可權要求等方面體現出很好的應用價值。

三、可靠性

1、定位及解決問題的時效性;

2、系統流程的可靠性。

眾多支付公司，當前做的產品主要針對新興支付行業，特別是當前較熱門的移動支付。那麼移動支付的優勢在哪裡?最主要的是便捷，而便捷的基礎就是時效性強，可靠性高。為了更好發揮移動支付的便捷，支付公司對時效性，可靠性的要求很高，而這才是使用日誌易大數據分析平台的深層次原因，日誌易幫支付公司解決了最根本的行業需求，在可靠性方面展現了產品的價值。

支付公司日常業務方面的需求，涉及到以下場景：

1、多種不同的訪問失敗類型進行分類;

2、每天需要做應答碼的統計排名、佔比以及走勢圖;

3、每個分類統計結果在一張圖分別展示每個應答碼趨勢;

4、統計當日支付失敗數量並分析;

5、需要導出訪問失敗類型的匯總統計表;

6、成功交易佔比分析。

該公司原有的解決方案存在一定的局限性，比如：手動工作耗時量大、實時性差、人為造成失誤、分析維度不能靈活變動及決策滯後等等。

支付公司有時會根據業務需要，對數據進行收集、清理，包括日誌數據的清理等。當人為參與數據操作過多時，會引起部分意想不到的失誤，從而引發問題。另外一點就是，原有方案實時性差，會導致公司的很多業務流程優化非常滯後。支付行業IT人都知道，支付的維度是非常非常多的，做任何一筆支付，基礎維度包括時間、金額、筆數等，還會有像交易地點、客戶習性或者說需要根據支付數據研究客戶的習性等等。一家支付公司不可能單純做一個支付產品，所以支付產品包羅萬象，聚合起來維度就更為復雜。

面對支付企業眾多需求和行業的原有解決方案的短板，客戶選擇部署日誌易產品後，實現了如下功能：

1、各交易系統中每筆交易的狀態等信息，按時間戳歸類進行分析統計、實時報表展示;

2、根據日誌易實時統計的多個維度的報表、圖表，更准確的做出故障點判斷;

3、決策層更直觀的看到每天、每周、每種交易類型的故障高峰期及故障問題分布。

該支付公司使用日誌易產品實現的解決方案及一些需求：

1、產品角度來說，第一就是優化，充分滿足客戶需求，提升用戶體驗，第二是產品分析，第三是數字營銷方面的.要求;

2、從業務流程的角度或者說從合規角度來說，第一就是我們的業務流程分析，第二是後續的設備性能管理方面的要求。第三是合規方面的要求，最後是運維系統的預防性維護工作;

3、從日誌易的數據收集角度來說，產品可以從支付公司的業務數據，也就是從交易數據抽取，然後可以從運維方面的IT數據、安全數據抽取，甚至可以從物聯網去抽取一些數據。

電子支付如今已滲透入網購、轉賬、生活繳費、基金債券等居民的日常生活中，關系著國家經濟及居民的生活質量，可謂任重而道遠。日誌易作為國內首家海量日誌分析企業，一直致力於開發一款配置方便、功能強大的日誌管理工具，以高品質的產品為金融行業用戶信息化建設搭建高可靠平台，共同面對數字浪潮中更多的未知與挑戰，實現支付企業對日誌分析管理產品高效、實時、安全的需求。

;