众公司抢滩大数据蓝海

1. 巨头抢滩大数据风控，都用了什么姿势

2016年在互联网金融领域，金融科技（Fintech）成了最火最红的一个词。特别是在11月份的乌镇世界互联网大会上，有关互金融的会议议程中都已经不怎么提“互联网金融”这种说法，而是进化到了数字普惠金融和金融科技这些说法。

既然要做到数字、科技，必然需要依靠大数据来做金融。恰逢这些天借贷宝的“裸条”事件曝光，也暴露了在互联网金融行业里，不少企业的风控做得非常初级，甚至是简单粗暴。互联网金融让快速交易成为可能，不做好风控一定会造成巨大风险，而数字和科技恰恰是做好风控的核心。

做风控往往要一套风控模型，用来计算平台方能够承受什么风险等级的客户，将各种金融交易的市场风险控制在合理的范围内，使衍生品市场交易能够稳定运行，最可能减少波动。今天无论是蚂蚁金服、微众银行、网络金融、网易金融还是京东金融，虽然都是靠大数据做风控，但各家做法又有很多细节差别。

蚂蚁金服的CTU智能风控大脑

毫无疑问，蚂蚁金服在金融科技领域一直是领头羊的位置。蚂蚁金服最强的也就是大数据处理能力，其中有一套CTU智能风控大脑，这也是蚂蚁金服的工作核心。

所谓的CTU智能风控大脑，工作流程主要是分成这样几步——判断请求发起是否为帐户主人。CTU判断是否为账户住人主要通过是否是可信的行为、可信的位置、可信的设备以及可信的关系。如果这些纬度都可信，再去判断资金、个人隐私、相关数据有无风险。判断依据就是我们所熟知的支付宝、余额宝、招财宝、芝麻信用、网商银行等业务数据。

阿里在金融体系的数据很强，特别是因为淘宝、天猫这些电商平台上积累的电商数据更是对个人用户的消费能力有很大的洞悉能力。用户电商消费记录、旅游消费记录、以及加油消费记录都可以作为评估其信用的依据。有的互联网金融公司专门从事个人电商消费数据分析，只要客户授权其登陆电商网站，就可以借助于工具将客户历史消费数据全部抓取并进行汇总和评分。

芝麻信用的最大作用就在于此，再加上芝麻信用打通了微博之类的平台，社交数据也在逐渐补足。目前，蚂蚁金服的数据包括在线购物、与他人资金往来、还信用卡、资金理财、公用事业费缴纳、房屋租赁或买卖、跳槽情况、婚姻状态、社交关系等，从用户信用历史、行为偏好、履约能力、身份特质、人际关系等。

重要的是，蚂蚁金服的数据还在向传统金融机构开放，一方面通过传统金融机构获取数据，另一方面和传统金融机构合作，这种数据获取能力使其数据之强无出其右。当然，蚂蚁金服也有数据短版，前段时间的“支付鸨”事件可能也从侧面证明，蚂蚁金服想进一步挖掘社交数据，完善风控体系。

微众银行用6个模型找到坏客户

在微众银行看来，海量客户可以确保资产结构稳定。当做到上亿级用户时，信用风险就是可以接受的社会平均风险，微众银行要做的就是在社会平均风险下挑出“坏客户”，进一步降低风险。

坏客户的数据其实在征信公司手中都有。目前，市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单，真正有价值的黑名单仅在两百万左右。

腾讯不仅和征信公司合作，旗下的微众银行也通过6个模型找到“坏客户”——微信社交、QQ社交、财付通交易数据、人民银行资产负债与还款状况以及是否急需资金。总体来看，微众银行最大的优势在于腾讯的社交数据。一方面通过和微信结合推出了微信支付，和QQ结合推出了QQ钱包，用社交的方式带动金融；另一方面又通过社交数据以及用户在银行的资产数据来判定用户的信用情况。

不过，因为缺乏用户在衣食住行等电商、O2O、生活服务场景的数据，所以微众银行正通过加强与O2O平台合作的方式，来积累用户的消费数据，完善自家的数据风控体系。相比于蚂蚁金服，微众银行的数据优势还是在于社交体系中的强大数据积淀。

网络金融主动预警捕捉高危行为

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示得更充分，信用评分就会更加客观，接近借款人实际风险。

网络金融主要是打通“人+手机+设备+IP”（如手机号、身份证号、设备号、网络账号等）等关联纬度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，进行反欺诈识别，生产黑名单，对借款人的行为进行预测。在贷款后，也会对借款人贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。

网络金融的这种做法的逻辑和微众银行其实非常相似，思路都是找到“坏客户”，然后降低平均风险。除此之外，网络金融此前还和中信银行合作成立“百信银行”，合作开发金融产品。实际上，这种做法一方面是为了获取渠道，另一方面，也是双方互相补足征信数据的一种做法。此外，网络旗下的O2O业务也能为其数据积累奠定一定的基础。

在金融业务和风险控制这两方面，金融机构有天然的优势。金融是一个强监管和门槛较高的行业，金融机构多年积累的风险甄别能力，以及对金融的理解和产品的设计能力，这些是很难被互联网公司所取代的。网络金融和中信银行之间的关系是网络的壁垒所在。

网易金融构建北斗七大风控模型

相比于蚂蚁金服是靠大而全的数据构建的风控体系以及微众银行、网络金融的滤网型风控体系，网易金融更注重全流程构建风控体系，并在关键节点上进行风险控制。

网易北斗是网易金融构建的智能风控平台，其风控流程和其他平台一样，都分成了贷前、贷中、贷后这三个部分，但是网易北斗把贷前、贷中、贷后分得更为细致——网易北斗在贷前做了获客引流模型、反欺诈型模型以及风控授信模型，先构建了筛选机制。在贷中又做了信贷管理模型，确定放贷的金额以及调查还贷能力等。在贷后还有风险预警模型、云催收模型和用户增值模型，一方面可以防止出现坏账的情况，另一方面也是在判断用户未来的业务合作以及增值空间，为后续的二次贷款做好准备。

网易金融不仅做好自家平台的风控体系，并通过和银行、传统金融机构合作赋能的方式释放自己的大数据风控能力。一方面是做了魔镜精准营销服务平台这个大数据一站式精准智能营销系统，帮助传统金融机构获客及精准营销。另外一方面也是通过网易七鱼这个全智能云客服专家系统，帮助传统金融机构解决各项问题，让银行提升审批效率和降低成本。在获客和解决问题的同时，实际上网易金融的深度学习系统也在不断提升，并且未来很可能可以与这些金融机构有更多在数据方面的合作。

虽然说网易金融在大数据风控方面的能力和蚂蚁金服有一些差异，但是在今年9月，清华大学在和网易金融建立金融科技中心的基础上，和蚂蚁金服也签署了合作协议，网易金融事实上和蚂蚁金服在风控层面上有一些数据合作。这对于双方的大数据积累、风控能力提升都有一定的帮助作用。

除此之外，魔镜精准营销服务平台以及网易七鱼这样的云客服专家系统也是体现了网易金融在智能风控领域注重实用性的一面。也难怪今年乌镇世界互联网大会上，丁老板对媒体说，“我们肯定在这些方面（人工智能）是遥遥领先的！”

京东金融一手靠消费一手靠合作

京东做风控主要是靠消费金融来驱动，通过京东商城庞大的交易数据为基础，覆盖了物流、用户等京东生态体系内的所有有效数据，不断构建大数据基础以及风控系统。

2015年6月份，京东还投资了美国互联网金融公司ZestFinance，且成立名为JD-ZestFinanceGaia的合资公司，以将后者的信用模型应用于京东的消费金融体系和风控模型。京东在国内的合资风控公司也即将开业，参股公司还包括数据银行聚合数据、个人信贷风控公司聚信立。做这一系列的布局，其实也表明，京东在通过这种合作的方式不断完善自家数据。

在京东生态圈之外，京东金融通过各种合作、投资模式，获取到更多的生态数据。比如说京东金融投资了不少汽车租赁平台，切到汽车后市场。另外，京东也和百安居之类家装平台进行合作。京东一方面是在支付、供应链、产品众筹等领域和合作伙伴展开合作，另外一方面也是不断通过合作、投资的方式不断拓展到生态体系外的其他场景之中，不断丰富自家的数据。

按照京东的数据统计来看，投资+合作这两种方式已经让其覆盖了教育、租房、装修、旅游、汽车等众多消费场景，囊括了近 2000家京东商城的供应商。这对于京东风控能力的提升会有较大帮助。

写在最后：

2016年互金行业进入以金融科技为潮流的转型期，技术逐步成为平台的核心竞争力，拥有强技术和数据优势的平台将在行业竞争中脱颖而出。从国内主流互金玩家的整体来看，目前各家都处于信用数据的收集期和积累期，采用用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。随着BAT、网易、京东等玩家的持续深入，国内互金环境也将不断改善。

作者：深几度，微信号：852405518，微信公众号“深几度”，转载请保留版权内容。

2. 中国有哪些公司在做大数据

大数据近几年来可谓蓬勃发展，它不仅是企业趋势,也是一个改变了人类生活的技术创新。大数据对行业用户的重要性也日益突出。掌握数据资产,进行智能化决策,已成为企业脱颖而出的关键。因此,越来越多的企业开始重视大数据战略布局,并重新定义自己的核心竞争力。本文整理了在中国境内活跃的大数据领域最具影响力的企业，它们有的是计算机或者互联网领域的巨头，有的则是刚刚创办不久的初创企业。但它们有一个共同点，那就是它们都看到了大数据带来的大机会，并毫不犹豫地挺进了这个领域。

在当前的互联网领域，大数据的应用已经十分广泛，尤其以企业为主，企业成为大数据应用的主体。大数据真能改变企业的运作方式吗？答案毋庸置疑是肯定的。随着企业开始利用大数据，我们每天都会看到大数据新的奇妙的应用，帮助人们真正从中获益。大数据的应用已广泛深入我们生活的方方面面，涵盖医疗、交通、金融、教育、体育、零售等各行各业。

3. 大数据未来的发展前景怎么样

我不知道你理解的大数据是什么？如果是真正的大数据，那么现阶段来看发展前景很好，专而且有很大可能性会更属好，因为现在人们对大数据的利用还停留在一个比较初级的层面，大部分是分析已经发生（比如浏览习惯）或正在发生（比如自动驾驶），那么将来还会出现“将要发生”（比如将要购买什么，将要发生什么等等）。
当然，这是一种比较理想的状态，现在也有公司说有这种产品，不过大部分都是噱头，没什么实际作用。
而且现在的的大数据，很大程度上是分析一种群体特征，比如各种占比、分布、多少等等，将来大数据还要细化，毕竟大数据的来源是人，那么一个人的大数据能不用能对人本身进行分析呢？明显可以，就和社会的发展一样，开始是一家一户的小农经济，然后是大家一起干的大锅饭，然后再次出现细化分工甚至越来越细，然后继续整合细化，整合细化，直到最优化（基本不可能，因为这个是没有统一标准的，在这里这种方式最好，在另外一个地方可能就会有所区别）。
所以个人感觉，大数据将来的发展很好，当然如果你的大数据是狭义上的大数据，比如XX大数据，那就没那么重要了，也有发展，但是和真正的大数据去比较那么就失色很多了。

4. 大数据未来的前景怎么样

随着互联网时代的到来，人们愈发认识到现代科技与计算机技术的重要性，无论是互联网头部企业对IT技术的研发应用还是普通企业的发展需要都可以看出IT行业正处于如日中天的发展态势下，行业竞争同样十分激烈。
大数据已经成为人们耳熟能详的IT业术语了，近年来大数据的发展态势也越来越好，大数据俨然已经成为行业流行趋势。

大数据是当今社会发展所独有的产物，正是因为在日常生产、生活当中每天都会产生海量的数据，且提取其中有价值的数据能够帮助企业运营决策，才产生了大数据需求。大数据以互联网上产生的数据为基础，兼具海量化、多样化、快速化、价值化四大特点，正因为通过对批量数据的提取处理、应用到相关领域能够取得突破性进展，大数据逐渐成为IT行业流行趋势。
根据当前的发展状况来看，人工智能、云计算、云端迁移、大数据的业务连续性将会是行业关注的重点，在专业靠谱的教育机构培训完就业也非常好的，建议你找入学签订就业协议的培训机构，保障自己的就业，目前很多培训机构都提供就业保障，

5. 抢滩企服万亿市场，企服平台的垂直与综合博弈

众所周知，企业服务行业已成为资本圈热门的投资赛道之一。

相关机构统计显示，截至2021年11月17日，全球企业服务领域本年度共计2501起投融资事件，总融资金额约11364.75亿元。其中，国内企业服务领域投融资达1236起，总融资金额约1934.73亿元。

在资本的推动下，越来越多的互联网企业投身到了企业服务领域。从分类来看，目前的企服战场，一边是专注细分领域的垂直类平台，另一边是品类众多的综合类平台。两股势力交火不断，究竟谁更胜一筹呢？

事实上，用户数量天然受限，交易频次较低导致用户粘性不强，无不增加了垂直企服领域获取新用户、留存用户的难度。而从长远来看，专注某一细分领域的垂直型服务商的技术优势，并不能形成长久的竞争壁垒，此外，规模有限、多元化不力，也使得垂直玩家的发展道路变得越来越窄。

企业服务本质上具备多样化的应用场景，相较于云、saas、大数据等更专注于企业架构优化的数字化模式，企业类用户主营业务之外的其他细分服务，如商标、注册、专利申请等才是更高频的需求。

由于不同的细分行业，对企服的需求及痛点都不尽相同，那么，高效响应各类用户的各种需求，为用户创造更多价值，才是构建企业服务护城河最重要的一关。由此，企服赛道需要综合型企服平台来完成产业升级。

综合型企服平台基本做的是全品类，强调满足用户“一站式”服务需求，能解决用户两大痛点：一是用户不需要去各个机构、平台挨个轮番比较、比价，减少了一定的沟通成本；二是能解决经营过程中的所有需求，助力用户节约人力成本，提高效率。

可以说，企服赛道之争，必将是“综合型选手”的主场。这也是为什么猪八戒网这家企服平台，能够在企服行业激烈竞争中，得以站稳脚跟并获得良好发展的重要原因。

正如猪八戒网创始人朱明跃所说， 社会 价值决定公司的商业价值，无论企业还是个人，都能在猪八戒网这个平台，实现从设计到编程，到知识产权、财税、 科技 服务、工场等等诸多一站式服务。“因此，猪八戒网是一个综合型的服务平台”。

朱明跃提到，“我们始终坚信一点——我们的平台既可以为海量人才提供就业、创业的舞台，又可以为上千万企业提供专业服务解决他们的灵活用工问题，还可以为各个产业转型升级提供数字新动能，我们坚信这是时代需要的。”

近几年，猪八戒网通过产品创新，在助力人才灵活就业方面取得积极进展，目前已帮助178万人实现了灵活就业。而这些人才所提供的专业服务，又为成上千万企业的成长壮大提供了强有力赋能。十余年来，猪八戒网累计孵化企业10万余家，如果仅按每个公司平均10人计算，平台解决了100万人的就业。

从根本上解决用户需求，加强精细化运营，保证服务品质长期稳定，是猪八戒网成功打造“综合型”企服领域的样板，可以看到，深耕每一个领域的猪八戒网，其商业模式已从过去纯粹双边平台的撮合，成功升级为一个真正为企业、为产业、为众生服务的模式。

未来，在市场对企业服务“多元化需求”的驱动下，行业或将迎来新一轮洗牌。唯有那些能助力用户提高效率和创新能力，为其带来发展“增量”的综合型企服平台，才能拥有更好的发展机会。

6. 大数据未来的发展前景怎么样

大数据分析专职岗位有：大数据分析师，大数据分析员，大数据分析主管等，为内企业决策层提容供详细和准确的数据依据。
首先来说人才缺口，未来3至5年，中国需要200万+大数据人才，目前大数据从业人数不足50万，市场需求远远得不到满足。总结来说就是，未来大数据人才缺口会越来越大，缺的人多了，自然好就业。
然后来看职位薪资，普通大数据开发工程师的基本岗位薪资起步即1万+，一般入职薪资13000元左右，3年以上工作大数据开发工程师薪资高达30000元/月。
接着来看行业前景，2017年中国大数据产业总体规模为4700亿元人民币，预计2018年将突破5700亿元，未来大数据与云计算、AI相结合，将缔造数百个就业新岗位。说白了就是行业前景可观，未来可期。
最后看看最实际的问题，企业需求，BAT、滴滴、今日头条重金招贤纳士，急寻大数据人才，校招年薪水平均再30万以上，80%中小型企业大数据建设已经起步，需求量大增。有大企业需求，未来的就业前景自然不言而喻。
大数据发展前景是非常不错的

7. 关于大数据你不可不知的大企业及大布局

关于大数据你不可不知的大企业及大布局_数据分析师考试

如果说有一家科技公司准确定义了“大数据”概念的话，那一定是谷歌。根据搜索研究公司康姆斯科（Comscore）的调查，仅2012年3月一个月的时间，谷歌处理的搜索词条数量就高达122亿条。

谷歌不仅存储了它的搜索结果中出现的网络连接，还会储存所有人搜索关键词的行为，它能够精准地记录下人们进行搜索行为的时间、内容和方式。这些数据能够让谷歌优化广告排序，并将搜索流量转化为盈利模式。谷歌不仅能追踪人们的搜索行为，而且还能够预测出搜索者下一步将要做什么。换言之，谷歌能在你意识到自己要找什么之前预测出你的意图。这种抓取、存储并对海量人机数据进行分析，然后据此进行预测的能力，就是所谓的“大数据”。

2012：大数据十字路口？

为什么大数据突然变得这么火？为什么《纽约时报》把2012年定义为“大数据的十字路口”？

大数据之所以进入主流大众的视野，源自三种趋势的合力:

第一，许多高端消费品公司加强了对大数据的应用。社交网络巨擎 Facebook 使用大数据来追踪用户在其网络的行为，通过识别你在它的网络中的好友，从而给出新的好友推荐建议，用户拥有越多的好友，他们与 Facebook之间的黏度就越高。更多的好友意味着用户会分享更多照片、发布更多状态更新、玩更多的游戏。

商业网站LinkdIn则使用大数据在求职者和招聘职位之间建立关联。有了LinkdIn,猎头们再也不用向潜在的受聘者打陌生电话来碰运气，而可以通过简单的搜索找出潜在受聘者并联系他们。与此相似，求职者也可以通过联系网站上其他人，自然而然地将自己推销给潜在的雇主。

第二，以上两家公司都在2012年早些时候陆续上市。Facebook 在纳斯达克上市,LinkedIn 在纽约证券交易所上市。这两家企业和谷歌一样，虽然表面上是消费品公司，然而其本质是大数据企业。除去这两家，Splunk 也在 2012 年完成了上市,它是一家帮助大中型企业提供运营智能的大数据企业。这些企业的公开上市提高了华尔街对于大数据的兴趣。这种兴趣带来了空前的盛况——硅谷的风险投资家们开始前仆后继地投资大数据企业。大数据将引发下一波创业大潮，而这次浪潮有望让硅谷在未来几年取代华尔街。

第三，亚马逊、Facebook、LinkedIn 和其他以数据为核心消费品的活跃用户们，开始期待自己在工作中也能获得畅通无阻地使用大数据的体验，而不再仅仅限于生活娱乐。用户们此前一直想不通，既然互联网零售商亚马逊可以推荐阅读书目、推荐电影、推荐可供购买的产品，为什么他们所在的企业却做不到类似的事情。

比如，既然汽车租赁公司拥有客户过去租车的信息和现有可用车辆库存的信息，这些公司为何就不能在向不同的租车人提供合适的车辆方面做得更智能一点？公司还可以通过新的技术，将公开信息利用起来——比如某个特定市场的状况，会议活动信息，以及其他可能会影响市场需求和供给的事件。通过将内部供应链数据和外部市场数据结合在一起，公司就可以更加精确地预测什么车辆可用，以及可用时间。

与此类似，零售商应当可以将来自外部的公开数据和内部数据结合在一起，利用这种混合的数据进行产品定价和市场布局。同时还可以同时考虑影响现货供应能力的多种因素以及消费者购物习惯，包括哪两种产品相搭配会卖得更好，这样零售商就可以提升消费者的平均购买量，从而获得更高的利润。

谷歌的行动

谷歌的体量和规模，使它拥有比其他大多数企业更多的应用大数据的途径。谷歌的优势之一在于，它拥有一支软件工程师部队，这使得谷歌能够从无到有地建立大数据技术。

谷歌的另一个优势在于它所拥有的基础设施。谷歌搜索引擎本身的设计，就旨在让它能够无缝链接成千上万的服务器。如果出现更多的处理或存储需要，抑或某台服务器崩溃，谷歌的工程师们只要再添加更多的服务器就能轻松搞定。

谷歌软件技术的设计也秉持着同样的基础设施理念。MapRece（谷歌开发的编程工具，用于大规模数据集的并行运算。——译者注）和谷歌文件系统（Google File System）就是两个典型的例子。《连线》杂志在 2012年初夏曾报道称，这两个软件系统“重塑了谷歌建立搜索索引的方式”。

为数众多的企业如今开始使用Hadoop, 它是MapRece和谷歌文件系统的一种开源衍生产品。Hadoop允许横跨多台电脑，对庞大的数据集合进行分布式处理。在其他企业刚刚开始使用Hadoop的时候，谷歌早已多年深耕大数据技术，这让它在行业中获得了巨大的领先优势。

如今谷歌正在进一步开放数据处理领域，将其和更多第三方共享。谷歌最近刚刚推出web服务BigQuery。该项服务允许使用者对超大量数据集进行交互式分析。按照谷歌目前的状况，“超大量”，意味着数十亿行数据。BigQuery 就是按指令在云端运行的数据分析。

除此以外，谷歌还坐拥人们在谷歌网站进行搜索及经过其网络时所产生的大量机器数据。用户所输入的每一个搜索请求，都会让谷歌知道他在寻找什么，所有人类行为都会在互联网上留下痕迹路径，而谷歌占领了一个绝佳的点位来捕捉和分析该路径。

不仅如此，谷歌在搜索之外还有更多获取数据的途径。企业安装“谷歌分析（Google Analytics）”之类的产品来追踪访问者在其站点的足迹，而谷歌也可获得这些数据。网站还使用“谷歌广告联盟（Google Adsense）”，将来自谷歌广告客户网的广告展示在其站点，因此，谷歌不仅可以洞察自己网站上广告的展示效果，同样还可以对其他广告发布站点的展示效果一览无余。

将所有这些数据集合在一起所带来的结果是：企业不仅从最好的技术中获益，同样还可以从最好的信息中获益。在信息技术方面，许多企业可谓耗资巨大，然而在信息技术的组成部分之一——信息领域，谷歌所进行的庞大投入和所获得的巨大成功，却罕有企业能望其项背。

亚马逊步步紧逼

谷歌并不是惟一一个推行大数据的大型技术公司。互联网零售商亚马逊已经采取了一些激进的举动，令其有可能成为谷歌的最大威胁。

曾有分析者预测，亚马逊2015年营收将超过1000亿美元，它即将赶超沃尔玛成为世界最大的零售商。如同谷歌一样，亚马逊也要处理海量数据，只不过它处理数据带有更强的电商倾向。消费者们在亚马逊的网站上对想看的电视节目或是想买的产品所进行的每一次搜索，都会让亚马逊对该消费者的了解有所增加。基于搜索和产品购买行为，亚马逊就可以知道接下来应该推荐什么产品。而亚马逊的聪明之处还不止于此，它还会在网站上持续不断地测试新的设计方案，从而找出转化率最高的方案。

你会认为亚马逊网站上的某段页面文字只是碰巧出现的吗？如果你这样认为的话，你应该再好好想一想。整个网站的布局、字体大小、颜色、按钮以及其他所有的设计，其实都是在多次审慎测试后的最优结果。

以数据为导向的方法并不仅限于以上领域，按一位前员工的说法，亚马逊的企业文化就是冷冰冰的数据导向型文化。数据显示出什么是有效的、什么是无效的，新的商业投资项目必须要有数据的支撑。对数据的长期专注让亚马逊能够以更低的售价提供更好的服务。消费者常常会完全跳过谷歌之类的搜索引擎，直接去亚马逊网站搜索商品、并进行购买。

争夺消费者控制权的战争硝烟还在弥漫扩散，苹果、亚马逊、谷歌，以及微软，这四家公认的巨头如今不仅在互联网上厮杀，在移动领域同样打得难解难分。鉴于消费者们把越来越多的时间花在手机和平板电脑等移动设备上，坐在电脑前的时间越来越少，因此，那些能进入消费者掌中移动设备的企业，将在销售和获取消费者行为信息方面更具有优势。企业掌握的消费者群体和个体信息越多，它就越能够更好地制定内容、广告和产品。

从支撑新兴技术企业的基础设施到消费内容的移动设备，令人难以置信的是，亚马逊的触角已触及到更为广阔的领域。亚马逊在几年前就预见了将服务器和存储基础设施开放给其他人的价值。“亚马逊网络服务（Amazon Web Services，简称 AWS）”是亚马逊公司知名的面向公众的云服务提供者，为新兴企业和老牌公司提供可扩展的运算资源。虽然AWS 成立的时间不长，但已有分析者估计它每年的销售额超过15亿美元。

AWS所提供的运算资源为企业开展大数据行动铺平了道路。当然，企业依然可以继续投资建立以私有云为形式的自有基础设施，而且很多企业还会这样做。但是如果企业想尽快利用额外的、

可扩展的运算资源，他们还可以方便快捷地在亚马逊的公共云上使用多个服务器。如今亚马逊引领潮流、备受瞩目，靠的不仅是它自己的网站和Kindle之类新的移动设备，支持着数千个热门站点的基础设施同样功不可没。

AWS带来的结果是，大数据分析不再需要企业在IT上投入固定成本，如今，获取数据、分析数据都能够在云端简单迅速地完成。换句话说，企业过去由于无法存储而不得不抛弃数据，如今它们有能力获取和分析规模空前的数据。

实现信息优势

AWS之类的服务与Hadoop之类的开源技术相结合，意味着企业终于能够尝到信息技术在多年以前向世人所描绘的果实。

数十年来，人们对所谓“信息技术”的关注一直偏重于其中的“技术”部分。首席信息官的职责只不过是对服务器、存储和网络的购买及管理。而今，信息以及对信息的分析和存储、依据信息进行预测的能力，正成为企业竞争优势的来源。

信息技术刚刚兴起的时候，较早应用信息技术的企业能够更快地发展，超越他人。微软在20世纪90年代树立起威信，这不仅仅得益于它开发了世界上应用最为广泛的操作系统，还在于它当时在公司内部将电子邮件作为标准沟通机制。

在许多企业仍在犹豫是否采用电子邮件的时候，电子邮件事实上已经成为微软讨论招聘、产品决策、市场战略之类事务的机制。虽然群发电子邮件的交流在如今已是司空见惯，但在当时，这样的举措让微软较之其他未采用电子邮件的公司，更加具有速度和协作优势。拥抱大数据、在不同的组织之间民主化地使用数据，将会给企业带来与之相似的优势。诸如谷歌和Facebook之类的企业已经从“数据民主”中获益。

通过将内部数据分析平台开放给所有跟自己的公司相关的分析师、管理者和执行者，谷歌、Facebook 及其他一些公司已经让组织中的所有成员都能向数据提出跟商业有关的问题、获得答案

并迅速行动。 以Facebook为例，它将大数据推广成为内部的服务，这意味着该服务不仅是为工程师设计的，也是为终端用户——生产线管理人员设计的，他们需要运用查询来找出有效的方案。因此，管理者们不需要等待几天或是几周的时间来找出网站的哪些改变最有效，或者哪些广告方式效果最好，他们可以使用内部的大数据服务，而该服务就是为了满足其需求而设计的，这使得数据分析的结果很容易就可以在员工之间被分享。

过去的二十年是信息技术的时代，接下来二十年的主题仍会是信息技术。这些企业能够更快地处理数据，而公共数据资源和内部数据资源一体化将带来独特的洞见，使他们能够远远超越竞争对手。如同我所撰写的《大数据的八大定律》（The Top 8 Laws Of Big Data）所言，你分析数据的速度越快，它的预测价值就越大。企业如今正在渐渐远离批量处理（批量处理指先存储数据，事件之后再慢慢进行分析处理），转向实时分析来获取竞争优势。

对于高管们而言，好消息是：来自于大数据的信息优势不再只属于谷歌、亚马逊之类的大企业。Hadoop之类的开源技术让其他企业同样可以拥有这样的优势。老牌财富100强企业和新兴初创公司，都能够以合理的价格，利用大数据来获得竞争优势。

大数据的颠覆

大数据带来的颠覆，不仅是与以往相比可以获取和分析更多数据的能力，更重要的是获取和分析等量数据的价格也正在显著下降，而价格越低，销量就会越高。然而，隐含其中的讽刺关系正如所谓的“杰文斯悖论”(Jevons Paradox)。经济学家杰文斯通过观察工业革命得出该悖论，并以他的名字命名（杰文斯悖论的核心是，资源利用率的提高导致价格降低 , 最终会增加资源的使用量。——译者注）。科技进步使储存和分析数据的方式变得更有效率，公司将做更多的数据分析，因此并没有减少工作。简而言之，这就是大数据带来的颠覆。

从亚马逊到谷歌，从IBM到惠普和微软，大量的大型技术公司纷纷投身大数据，而基于大数据解决方案，更多初创型企业如雨后春笋般涌现，实现开放源和共享云。大公司致力于横向的大数据解决方案，与此同时，小公司则专注于为重要垂直业务提供应用程序。有些产品优化销售效率，还有些产品通过将不同渠道的营销业绩与实际的产品使用数据相关联，为未来营销活动提供建议。这些大数据应用（Big Data Applications，简称BDA）意味着小公司不必在内部开发或配备所有大数据技术；在很多情况下，它们可以利用基于云端的服务来满足数据分析需求。在技术之外，这些小企业还会开发一些产品，追踪记录与健康相关的指标并据此提出改善人们行为的建议。诸如此类的产品有望减少肥胖，提高生活质量，同时降低医疗成本。

大数据路线图

产业分析研究公司福雷斯特（Forrester）估计，企业数据的总量在以每年 94% 的增长率飙升。这样的高速增长之下，每个企业都需要一个大数据路线图。至少，企业应制订获取数据的战略，获取范围应从内部电脑系统的常规机器日志，到线上的用户交互记录。即使企业当时并不知道这些数据有什么用也要这样做，这些数据的用处随后或许会突然被发现。

数据所具有的价值远远高于你最初的期待，千万不要随便抛弃数据。企业还需要一个计划以应对数据的指数型增长。照片、即时信息以及电子邮件的数量非常庞大，由手机、GPS 及其他设备构成的“感应器”释放出的数据量甚至还要更大。

理想情况下，企业应该具备一种能够让数据分析贯穿于整个组织的视野，分析应该尽可能地接近实时。通过观察谷歌、亚马逊、Facebook和其他科技领袖企业，你可以看到大数据之下的种种可能。管理者需要做的就是在组织中融入大数据战略。

谷歌和亚马逊这样的企业，应用大数据进行决策已数年有余，它们在数据处理上已经获得了广泛的成功。而现在，你也可以拥有同样的能力。

以上是小编为大家分享的关于关于大数据你不可不知的大企业及大布局的相关内容，更多信息可以关注环球青藤分享更多干货

8. BAT抢滩大数据风控，为何瞄向了银行业

完成了对C端市场的瓜分之后，BAT等互联网巨头们还是瞄向了B端市场。
在2016年及之前，BAT、网易、京东等互联网巨头们已经在云计算、人工智能等领域推出了诸多针对企业级市场的服务，从如今的趋势来看，被畅谈许久的大数据或将是BAT们争夺的又一块价值洼地。
日前，网络云传出消息为民生银行提供信贷企业的风险管理和预警的云服务。在寻找大数据布局切口的问题上，风控和银行成为BAT们的共同选择。
风控是银行业的七寸，也是大数据的练武场
顾名思义，风控即风险控制，通过建模的方法对借款人进行风险控制和风险提示，消灭或减少风险事件发生的各种可能性，或减少风险事件发生时造成的损失。
现在的商业银行在本质上属于经营风险的特殊企业，通过承担风险，转化风险，并将风险植入金融产品和服务中再加工风险。在国内外商业银行的发展史中，因风险管理不当、资产质量低下而导致倒闭、被政府接管的不乏其例。如何有效的管理风险、规避风险成为商业银行生存与发展的灵魂。
银监会在去年7月份发布的《中国银行业信息科技“十三五”发展规划监管指导意见》成为大数据风控加速落地的催化剂，比如说在服务和应用层面强调基于大数据的营销、风控应用的推广。
动作敏锐的互联网金融早早完成了大数据风控的布局，看起来有些传统的银行业在节奏上似乎有些迟缓。
对于线上的纯数据和信用类贷款平台而言，引入大数据风控产品并没有太多门槛。对于商业银行却不然，尤其是中小银行，对大数据风控技术的应用尚不成熟，其风控模式更多关注的是静态的风险预判，这和中小银行科技水平和风控能力相对较低、数据信息的数量和质量存在缺陷等不无关系。
一般来说，大数据风控有着三个核心要素，即风控模型、场景和资金。商业银行仍然拥有着低成本资金优势，在线下场景也有着长期客户积累，大数据和海量风控因子恰恰是很多商业银行所欠缺的。
反观BAT等互联网巨头，在海量数据、金融云、用户画像、信用体系等方面有着先天的优势，特别是在银行逐渐实现业务电子化、金融监管收紧的情况下，BAT与商业银行在大数据风控方面的合作似乎是水到渠成的。
背靠大数据金库的BAT，如何开局？
BAT在大数据风控方面有着相似的逻辑，依靠自身积累的大数据体系，利用技术打造风控能力，再将这种能力开放给银行等金融客户。
以网络云和民生银行合作的风险预警项目为例，依靠网络云的大数据收集、分析和计算建模能力，为民生银行提供海量非结构化数据的加工处理，和目标企业进行关联，并借助风险识别模型判断产生风险信号，再通过网络云bos服务和API对接银行内部业务，以实现对授信企业的风险监测。其中涉及了网络云在大数据方面的三层应用：
数据挖掘：作为国内最大的搜索引擎，网络拥有大量的公共数据和需求数据，且在样本数据的复杂性、广度、多样性等方面占据优势。尤其在金融领域的数据涵盖了支付、贷款、理财、保险、证券、银行、征信、基金、众筹等各个领域。而银行不良贷款率的增加和信息的不对称有很大的关系，网络在数据层面较于银行自身的积累有着不可比拟的优势。举个例子来说，通过网络的大数据可以对银行的借贷用户进行全方位的追踪，包括搜索习惯、交易信息、个人信用、地理位置等等，将风险控制到最低。
数据处理：网络云推出了“天算”平台，基于网络的大数据和人工智能技术，为企业提供从数据收集、存储、处理分析到应用场景的一站式服务。比如针对金融风控行业的特点,“天算”制定了相应的解决方案,通过网络搜索、地图、社交、交易、政府等各类数据的收集,以人工智能技术、深度学习技术、大数据能力为支撑,实现了对各类金融客户深度场景的定制,如购车贷款、企业贷款、教育贷款、家装贷款等,为金融机构提供安全高效的风控服务。此外网络云BOS提供的云存储服务，实现了银行内部数据和外部大数据的打通。
风控模型：相比于市场上很多纸上谈兵的风控模型，网络的优势在于搭建了已经应用于实战的风控模型，具体体现在网络金融的主动预警捕捉高危行为。网络金融打通了“人+手机+设备+IP”等关联纬度，基于全网行为进行监测，捕捉高危行为特征，在贷前准入方面就开始排查风险，进行反欺诈识别，生产黑名单，对借款人的行为进行预测。并在贷款后对借款人贷后行为进行跟踪和监测，只要触发预警规则，也会激发提醒。由此可以看出，为网络金融提供技术能力和风控能力的网络云，在风控模型上的能力不可小觑。
与此同时，阿里和腾讯也打起了大数据风控的主意，典型的就是蚂蚁金服、微众银行等也在试图对外进行技术开放。但网络的做法给行业带来了新的启示，以云服务的姿态进行大数据能力的输出，和第三方平台纯粹的大数据风控体系相比，云计算、人工智能、大数据结合的服务模式无疑更具备优势。
从大数据农民到大数据商人
觊觎银行业的不只有BAT，还有形形色色的创业者，毕竟百万亿规模的银行业是一个不可多得的蛋糕。不过，民生银行作为股份制银行将云服务应用到贷后管理和信贷决策领域，却给行业带来了更多值得解读的信号。从云服务的角度来讲，金融云在安全层面又一次刷新了历史，但从大数据的角度来看，BAT正从自给自足的“农民”转型成为大数据“商人”。
其实从2014年开始，BAT就开始加速大数据的应用，比如腾讯的社交大数据、阿里的电商大数据以及网络的搜索数据。不过这个阶段，BAT扮演更多的是大数据“农民”的角色，阿里应用大数据进行用户画像主要在电商层面，网络用大数据来改善广告和营销效果，腾讯用大数据来改善运营等等。云服务的大规模应用为大数据的开放提供了良好的“媒介”，BAT也开始进行角色转变。
但在当前的大数据格局中，除了政府所掌握的数据，BAT等互联网巨头成为大数据资源的垄断者之一。可即便如此，数据孤岛仍是围困BAT在大数据方面想象力的重要原因，正如阿里对于社交数据的缺失，腾讯在生活场景数据方面的不足。同样的困局还存在于银行业，目前央行个人征信记录覆盖率仅为35%，这一数字在某种程度上甚至不及BAT所搭建的信用体系和风控模型，尤其体现在数据的维度上。从这个角度或许也能够解释，为何BAT把大数据风控的潜在客户指向了银行业。
大数据应用的云服务化或是结束数据割裂最行之有效的方式，比如说网络云和民生银行的合作方式在服务的标准化和可复制方面并没有太大的门槛，这就意味着未来将适用于更多的企业，而作为云服务的供应方也将从更多维度获取到数据。
数据显示，目前国内大数据的市场份额已经达到了1000亿人民币，预测到2025年中国的大数据产业会是一万亿元的规模，有着近十倍的增长。数据的流通势必将以指数级的形式加速大数据产业的发展，但在诱人的前景背后也面临着标准化、规范化、安全性、公平性等一系列亟待解决的问题。
结语
30多年前，世界著名未来学家阿尔文·托夫勒就在《第三次浪潮》一书中预言，大数据极有可能是继农业革命和工业革命后的“第三次浪潮”。或许其中的过程有些曲折，从银行业和大数据风控身上，我们看到了未来的希望。
Alter，互联网观察者，长期致力于对智能硬件、云计算、VR等行业的观察研究。

9. 一个段子解释什么叫大数据什么叫蓝海红海什么叫互联网思维什么叫众筹

大数据：指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产！
红海战略：是指市场竞争已经白热化，产品、服务同质化严重，企业利润呈现微薄甚至负利，在这样的市场中竞争、搏杀，价格战此起彼伏，最后都是两败俱伤，所以很形象的表示为红海；对于后进入的企业就在没有必要进去了。
蓝海战略：是指通过创新，无论是经营管理创新、营销创新还是商业模式创新等等，都是通过改造现有的体系，从成本、消费群体、消费方式转变、产品服务升级提升等诸多方面，实现创新从而跳出红海，开辟属于自己的蓝海市场空间，达到盈利的目的。通过创新实现进步，带给消费者更多的体验和享受，并且消费者愿意接受的方式，但蓝海的开拓是建立在时间效力之上的，在新开辟的市场中很快会有跟进者，从而又会出现红海的情况，所以企业必须保持领先，不断的超越自己，不断发现新的蓝海，保持盈利水平。
互联网思维：充分利用互联网的精神、价值、技术、方法、规则、机会来指导、处理、创新、工作的思想。世界公仆领袖“联谊会公仆”、“全球大同”的作者彭友指出全球已进入互联网时代，我思献人人、人人助我思的互联网思维顺势而生。
互联网以用户体验为中心，真正找到用户的痛点，找到用户的普遍需求，为客户创造价值。
众筹：简单说就是有大众或群众做投资的一种方式，比如现在比较流行的PHP投资这种类型

10. 大数据行业现在挺火的，入行难吗，需要掌握哪些技术

大数据行业前景很不错的，薪资也很可观，大数据相对来说更适合有基础的人学习，零基专础学习属有一定的难度，懂Java或者是做过Java开发的人学习起来相对容易，大数据需要学习的技术包含8个阶段，按照顺序学习就可以了，希望你早日学有所成。

大数据需要掌握哪些技术