大数据时代的商业建模

⑴ 从预测到“现测” 大数据商业建模的新发展

从预测到“现测”：大数据商业建模的新发展

大数据商业建模的新发展方向在哪里？怎么样预测才能真正发挥大数据的特有优势？从预测到“现测”是如何实现的？百分点首席模型科学家陈宇新教授为我们做了更深一层的阐述，从预测到“现测”：大数据商业建模的新发展。

以下是陈宇新教授在2015百分点大数据操作系统（BD-OS）暨D轮融资发布会上的演讲摘录：

谢谢大家，谢谢各位来宾！非常荣幸在今天这个场合给大家分享关于大数据商业建模新发展的一些思考，这也是现在百分点研发的一个前沿。

大家都知道预测是大数据商业应用的一个核心，大数据预测需要大量的高质量数据加上非常先进的模型，在当前的情况下什么是预测领域新的热点或者一个新的发展方向？怎么样预测才能真正发挥大数据特有的优势？这是我想分享的，在这之前给大家先介绍两条最近媒体报道的新闻，从新闻上大家或许能够看出一些新的发展趋势。这两条新闻都是8月份华尔街日报刊登的。

第一条，苹果和谷歌正在开发在用户想要之前就知道用户想要什么的技术，在你不知道想要什么之前就告诉你想要什么，这两款产品大家也听说过，对苹果来说叫“主动助手”，对谷歌来说这个产品叫“谷歌现代”。这两家公司通过对你未来肯定要做的事情的一个探知反过来推测你最近的将来想干什么。谷歌通过邮件可以知道你今天下午六点有班飞机，下午三点的时候根据你现在的位置，根据北京的交通流量告诉你现在该走了，如果走的话该打什么车，滴滴或者Uber，这是它预测的思路，通过对一些已知的未来的事件的掌握来推测即将发生的未来应该干什么的一个预测。

跟这个看起来没有特别关系，但是有共通之处的另一条新闻，宏观经济指标预测，这家公司名字叫“现测”，创始人是哥伦比亚大学诺贝尔经济学奖得主的博士生，大数据预测宏观经济指标，比如物价指数。为什么叫“现测”？不是预测，而是很快的把刚刚发生的整个美国各种物价变化归纳出来呈现给用户，描述刚刚发生的事件，而不是真正预测未来的物价怎么样。为什么这件事有意义？因为通常政府颁布的指标是一个月或者一个季度以前的，它能做到一分钟之前。

这两条新闻有一个共同的关键词就是“现”，NOW，这是目前对于大数据应用的一个非常重要的趋势，那就是从预测到现测，预测是大数据建模技术的一个核心，但同时也是大数据建模的一个最大的难点，大家都说大数据很厉害，能预测很多东西，你能不能告诉我明天中国的股票是涨100点还是跌50点，没有人可以做到。但是大数据的优势在于很多时候我们真正需要的并不是预测，而是所谓的现测，是对极近过去的描述和极近将来的预测。

什么叫极近？一天以前或者一小时以前？这实际上是取决于我们现在数据量的多少和技术的发展，趋势是这个极越来越短，本来一个月前的经济数据，现在可以知道一分钟之前的，高频交易之前的我们需要知道一秒钟之前的数据。这是我们想到的现测的定义，现是一个动态过程，现测是指我们目前状况之前一点时间和之后一点时间情况的描述或者预测，这实际上是大量的大数据应用所真正用到的预测模型，比如高频交易，实际上已经知道市场的情况，但是在别人反应之前我们就知道了极近的过去发生的。

推荐引擎，这是大数据应用非常重要的，也是百分点最原始的DNA，根据消费者在这个页面上当前的状态，马上给他一个现时的推荐，这个推荐可能只是在一秒甚至半秒之内，实时投放的RTB广告，还有打车软件，大家用过滴滴专车，他们背后的原理是现测的原理，我知道车在什么地方，你在什么地方，交通状况，我就可以推测下一分钟车开到哪儿，知道前一秒车在什么地方。现测刚刚发生的事情，即将发生的事情，背后有一个非常重要的科学原理。自然也好，给了我们一个非常重要的预测手段，万世万物都有一个所谓的惯性，这个惯性效率发生的时候就使得我们预测能够比较准确。一个物体从斜面上往下滑，下一秒这个木块在什么地方可以预测的非常准确，现测为什么有它的准确性，来源于万世万物背后的惯性。

放在社会领域，惯性是由场景驱动的，比如明天我的太太过生日，生日要买生日礼物，有了这个目标，根据惯性原理，预测就变成一个现测。

现测的优势一个是利用所谓的惯性原理，另外利用了时间差，这是大数据的特点，因为大数据往往是实时的数据，海量高频的数据，这张图大家可以看到如果我每十分钟照一个这样的照片，可能就错过这个镜头，如果每一个微秒或者每半秒拍一个照片可能就看到这个镜头，看到这个镜头就有一个惯性的应用，这个女士拿起这个橘子，如果没有时间差，比如5分钟拍一次照这个镜头就错过了，但是如果频率高的话，我们知道她拿这个橘子看一下，虽然孩子拉走了，但她对这个橘子有兴趣，这个情况下我们可以有一些营销手段。

说起来跟预测一样，实际上这是一个描述问题，高频的描述效果跟预测是非常像的，我们并不在预测她到底喜欢苹果还是橘子，只不过我们描述从预测变成了实测，描述非常有优势，这样我们把一个非常艰难的预测问题变成一个描述问题。这是我讲的为什么对大数据来说我们具有现测的优势。

我有一些博士生在做模型的建立和模型的测试，根据现测的概念，我们可以发展出一系列的技术模型，这些模型有一系列商业的应用。一个是协同过滤和时间序列的分析，通常在计算机科学领域，大家都知道协同过滤的算法，如果放在现测的考量中，就像计量经济学的时间序列分析，在高频交易中大量用的是时间序列分析，现在做的把协同过滤和时间序列分析结合起来，大家可以做出一个相应的应用。

第二是用户画像，结合快速迭代的贝叶斯学习，我们知道用户大概是一个什么样的人，什么样的人会做什么样的事情，但是这个惯性趋势放在一个特定的场景中我们可以看以前的需要，到一个修正，这个修正必须在实时中完成，很快的迭代。

第三，百分点开发了一些数据动态可视化和人机互动的产品。人脑的优势在于对一个场景的综合把握能得到一个比计算机更好的预测，但是大数据能快速实时的截取这样的信息，如果我们动态的展现出一些数据来，通过人机互动就可以判断，有超市人员在的条件下，判断这位女士喜欢橘子，让电脑直接判断的话不一定很准确，但是我们通过动态数据可视化使得人对一些全景的预测和电脑对数据的抓取有机的结合。

现在一些学者重点研究的就是基于运筹优化和行为科学的反时序预测，换句话说用未来来预测当下，听上去有点儿悬乎，很多时候我们远处的未来，你可能飞机票买好了明天要飞这是确切的未来，我们有了确切的未来用它来帮助预测当下，比如你在一家百货商店，王府井百货，我起码知道你肯定是要出去的，你不可能一辈子呆在里面，你要出这家百货店就这几条路径，根据这一条就可以通过运筹优化的方法告诉你大约几条选择，每条选择经过哪几个货架，有几个可能的商品推荐，把几个非常难以把握的预测问题变成已知终点反推回来的运筹优化问题，有相当多的应用，这也是百分点以前做和现在做的非常紧密的结合点，百分点的DNA本来就有实时推荐，和现测是不谋而合的理念。

百分点在建模方面做的非常多的就是用户画像和细化场景，仔细推敲，细化场景更往前走一步不光研究用户场景，而是研究用户在这个场景里的目标是什么，在这个会场上我的目标是跟大家交流，任何用户在任何商业环境或者任何场景当中，它实际上都有一个目的所在，到一个饭店的目的是吃饭，到学校的目的是读书，我们把这个目的找到，刚才我讲的技术，通过目的知道未来你想要的东西，反推回来当下想干什么。已知用户画像推他当下的想法行为，目前建立的这套数据体系和场景细分，包括用户画像，为什么在现测的范围里有很多的应用。所以，积累大量的数据，有非常好的前景。

像大数据预测公司一样，很多金融相关的信息及实时经济指数，对过去的描述来预测未来。还有一个跟金融信息相关的领域，个人征信。从现测角度，以前所谓的人口学指标，过去行为的指标，现在有更多的做法，一个人购买大件的商品，买一辆车，这个信息马上反馈到你个人的征信系统，你的现金流水平发生变化，这样一种实时监控的做法，类似的有在做个性化的企业营销。

同样刚才举的例子，个人的金融，信用卡根据你实时消费情况的变化可以计算出你这个月大概还能用多少钱，每个月开销钱的总数，银行存款多少，根据这个反推回来，反推你买什么东西，否则你推荐的用户可能没有财力消费。

第三个应用，旅游出行管理。你的航班，比如我知道明天天气要变化，可以通过这个反推回来知道你在北京要开会，明天天气不好，可以实时提醒你是不是把机票换成火车票，这是现测的概念，知道未来的一些确定性反过来帮助你解决不确定性。

个人健康管理，目标三个月减重五斤，根据这个可以反推回来每天该减多少，吃多少，实时调整你的健康管理计划。

最后把一些东西放在一起，就可以打造所谓的数字生活的助理，把你整个生活各个方面管理起来，给你提供最佳的体验。

为什么刚才反复强调现测的重要性，而且大数据应用有极大的优势，以前大数据经常提到这一点，所谓的三个V或者四个V，但是通常大家对大数据的探讨，这个V往往是Velocity，能够很快的把海量的数据进行处理，当你知道刚刚过去的事情和即将到来的未来。另外，大数据的相对优势，对短尺度的应用性具有特别的优势，但是对长尺度的应用性反而不具有明显的优势。

在长尺度上我可以说我也不需要大数据，用小数据就能获得成功。但是短尺度的预测，我说不出来今天晚上大家晚饭吃什么，大数据往往知道这一点，因为它知道你中午吃了什么，是哪里人，爱吃什么，现在在什么位置，周围有什么饭店，往往通过这个能推出来你要吃什么，而且通过你什么时候吃的中饭，身高体重，推出你什么时候一定饿得不行了，我们可以反推回来做一系列的介绍。这是大数据非常大的优势，在商业中应该特别重视这一点。通过大数据用户画像和细化场景建模发掘和利用行为惯性。这就是大数据价值提升和扬长避短的一个新的发展趋势，希望大家多多指正和交流。谢谢！

以上是小编为大家分享的关于从预测到“现测” 大数据商业建模的新发展的相关内容，更多信息可以关注环球青藤分享更多干货

⑵ 企业数字化转型中，进行大数据建模分析有什么好处

题主您好，据我所知，中大咨询的文章中有提到过，大数据建模的具体好处如下：1、基专于大数据形成用属户画像，获取用户偏好和使用习惯，可以使企业的产品更有竞争优势。2、通过客户精准营销提高消费体验和顾客粘度，增加销售及提升企业名牌形象。3、通过数据挖掘和在此基础上的科学预测，及时发现企业短板或管理漏洞，降低企业损失。4、利用数据反馈指导企业的下一轮产品设计方向，有利于企业的产品创新，如果以上回答对你有帮助，请采纳，谢谢了。。

⑶ 在大数据时代，数据拥有者的商业模式有哪些

在大数据成为趋势，成为国家战略的今天，如何最大限度发挥大数据的价值成为人们思考的问题。无论是对于互联网企业、电信运营商还是数量众多的初创企业而言，大数据的变现显得尤为重要。谁最先一步找到密码，谁就能够抢占市场，赢得发展。在探索大数据商业模式的同时，大数据正加速在各行各业的应用，大数据不仅为人们的购物、出行、交友提供了帮助，甚至还在高考这样重要的事件中发挥作用。

大数据产业具有无污染、生态友好、低投入高附加值特点，对于我国转变过去资源因素型经济增长方式、推进“互联网+”行动计划、实现国家制造业30年发展目标有战略意义。前几年，国内大数据产业讨论较多、落地较少，商业模式处于初探期，行业处于两种极端：一种是过热的浮躁带来了一定的泡沫和产业风险；一种是怀疑大数据只是炒作，依然坚持传统管理理念、经营模式。但是进入2015年之后，大数据产业告别了泡沫，进入更务实的发展阶段，从产业萌芽期进入了成长期。当前，如何将大数据变现成为业界探索的重要方向。

B2B大数据交易所

国内外均有企业在推动大数据交易。目前，我国正在探索“国家队”性质的B2B大数据交易所模式。

2014年2月20日，国内首个面向数据交易的产业组织—中关村大数据交易产业联盟成立，同日，中关村数海大数据交易平台启动，定位大数据的交易服务平台。2015年4月15日，贵阳大数据交易所正式挂牌运营并完成首批大数据交易。贵阳大数据交易所完成的首批数据交易卖方为深圳市腾讯计算机系统有限公司、广东省数字广东研究院，买方为京东云平台、中金数据系统有限公司。2015年5月26日，在2015贵阳国际大数据产业博览会暨全球大数据时代贵阳峰会上，贵阳大数据交易所推出《2015年中国大数据交易白皮书》和《贵阳大数据交易所702公约》，为大数据交易所的性质、目的、交易标的、信息隐私保护等指明了方向，奠定了大数据金矿变现的产业基础。

咨询研究报告

国内咨询报告的数据大多来源于国家统计局等各部委的统计数据，由专业的研究员对数据加以分析、挖掘，找出各行业的定量特点进而得出定性结论，常见于“市场调研分析及发展咨询报告”，如“2015～2020年中国通信设备行业市场调研分析及发展咨询报告”、“2015～2020年中国手机行业销售状况分析及发展策略”、“2015年光纤市场分析报告”等，这些咨询报告面向社会销售，其实就是O2O的大数据交易模式。

各行各业的分析报告为行业内的大量企业提供了智力成果、企业运营和市场营销的数据参考，有利于市场优化供应链，避免产能过剩，维持市场稳定。这些都是以统计部门的结构化数据和非结构化数据为基础的专业研究，这就是传统的一对多的行业大数据商业模式。

数据挖掘云计算软件

云计算的出现为中小企业分析海量数据提供了廉价的解决方案，SaaS模式是云计算的最大魅力所在。云计算服务中SaaS软件可以提供数据挖掘、数据清洗的第三方软件和插件。

业内曾有专家指出，大数据=海量数据+分析软件+挖掘过程，通过强大的各有千秋的分析软件来提供多样性的数据挖掘服务就是其盈利模式。国内已经有大数据公司开发了这些架构在云端的大数据分析软件：它集统计分析、数据挖掘和商务智能于一体，用户只需要将数据导入该平台，就可以利用该平台提供的丰富算法和模型，进行数据处理、基础统计、高级统计、数据挖掘、数据制图和结果输出等。数据由系统统一进行管理，能够区分私有和公有数据，可以保证私有数据只供持有者使用，同时支持多样数据源接入，适合分析各行各业的数据，易学好用、操作界面简易直观，普通用户稍做了解即可使用，同时也适合高端用户自己建模进行二次开发。

大数据咨询分析服务

机构及企业规模越大其拥有的数据量就越大，但是很少有企业像大型互联网公司那样有自己的大数据分析团队，因此必然存在一些专业型的大数据咨询公司，这些公司提供基于管理咨询的大数据建模、大数据分析、商业模式转型、市场营销策划等，有了大数据作为依据，咨询公司的结论和咨询成果更加有说服力，这也是传统咨询公司的转型方向。比如某国外大型IT研究与顾问咨询公司的副总裁在公开场合曾表示，大数据能使贵州农业节省60%的投入，同时增加80%的产出。该公司能做出这样的论断当然是基于其对贵州农业、天气、土壤等数据的日积月累以及其建模分析能力。

政府决策咨询智库

党的十八届三中全会通过的《中共中央关于全面深化改革若干重大问题的决定》明确提出，加强中国特色新型智库建设，建立健全决策咨询制度。这是中共中央文件首次提出“智库”概念。

近几年，一批以建设现代化智库为导向、以服务国家发展战略为目标的智库迅速成立，中国智库数量从2008年的全球第12位跃居当前第2位。大数据是智库的核心，没有了数据，智库的预测和分析将为无源之水。在海量信息甚至泛滥的情况下，智库要提升梳理、整合信息的能力必然需要依靠大数据分析。

研究认为，93%的行为是可以预测的，如果将事件数字化、公式化、模型化，其实多么复杂的事件都是有其可以预知的规律可循，事态的发展走向是极易被预测的。可见，大数据的应用将不断提高政府的决策效率和决策科学性。

自有平台大数据分析

随着大数据的价值被各行各业逐渐认可，拥有广大客户群的大中型企业也开始开发、建设自有平台来分析大数据，并嵌入到企业内部的ERP系统信息流，由数据来引导企业内部决策、运营、现金流管理、市场开拓等，起到了企业内部价值链增值的作用。

在分析1.0时代，数据仓库被视作分析的基础。2.0时代，公司主要依靠Hadoop集群和NoSQL数据库。3.0时代的新型“敏捷”分析方法和机器学习技术正在以更快的速度来提供分析结果。更多的企业将在其战略部门设置首席分析官，组织跨部门、跨学科、知识结构丰富、营销经验丰富的人员进行各种类型数据的混合分析。

大数据投资工具

证券市场行为、各类指数与投资者的分析、判断以及情绪都有很大关系。2002年诺贝尔经济学奖授予了行为经济学家卡尼曼和实验经济学家史密斯，行为经济学开始被主流经济学所接受，行为金融理论将心理学尤其是行为科学理论融入金融中。现实生活中拥有大量用户数据的互联网公司将其论坛、博客、新闻报道、文章、网民用户情绪、投资行为与股票行情对接，研究的是互联网的行为数据，关注热点及市场情绪，动态调整投资组合，开发出大数据投资工具，比如大数据类基金等。这些投资工具直接将大数据转化为投资理财产品。

定向采购线上交易平台

数据分析结果很多时候是其他行业的业务基础，国内目前对实体经济的电子商务化已经做到了B2C、C2C、B2B等，甚至目前O2O也越来越流行，但是对于数据这种虚拟商品而言，目前还没有具体的线上交易平台。比如服装制造企业针对某个省份的市场，需要该市场客户的身高、体重的中位数和平均数数据，那么医院体检部门、专业体检机构就是这些数据的供给方。通过获取这些数据，服装企业将可以开展精细化生产，以更低的成本生产出贴合市场需求的服装。假想一下，如果有这样一个“大数据定向采购平台”，就像淘宝购物一样，可以发起买方需求，也可以推出卖方产品，通过这样的模式，外加第三方支付平台，“数据分析结论”这种商品就会悄然而生，这种商品不占用物流资源、不污染环境、快速响应，但是却有“供”和“需”双方巨大的市场。而且通过这种平台可以保障基础数据安全，大数据定向采购服务平台交易的不是底层的基础数据，而是通过清洗建模出来的数据结果。所有卖方、买方都要实名认证，建立诚信档案机制并与国家信用体系打通。

非营利性数据征信评价机构

在国家将公民信息保护纳入刑法范围之前，公民个人信息经常被明码标价公开出售,并且形成了一个“灰色产业”。为此，2009年2月28日通过的刑法修正案（七）中新增了出售、非法提供公民个人信息罪，非法获取公民个人信息罪。该法条中特指国家机关或者金融、电信、交通、教育、医疗等单位的工作人员，不得将公民个人信息出售或非法提供给他人。而公民的信息在各种考试中介机构、房产中介、钓鱼网站、网站论坛依然在出售，诈骗电话、骚扰电话、推销电话在增加运营商话务量的同时也在破坏整个社会的信用体系和公民的安全感。

虽然数据交易之前是交易所规定的经过数据清洗的数据，但是交易所员工从本质上是无法监控全国海量的数据的。数据清洗只是对不符合格式要求的数据进行清洗，主要有不完整的数据、错误的数据、重复的数据三大类。因此，建立非营利性数据征信评价机构是非常有必要的，将数据征信纳入企业及个人征信系统，作为全国征信系统的一部分，避免黑市交易变成市场的正常行为。

除了征信评价机构之外，未来国家公共安全部门也许会成立数据安全局，纳入网络警察范畴，重点打击将侵犯企业商业秘密、公民隐私的基础数据进行数据贩卖的行为。

结语：

大数据已经从论坛串场、浮躁的观点逐步走向国家治理体系建设、营销管理、生产管理、证券市场等方面，其商业模式也多种多样。市场经验表明，存在买卖就存在商品经济，具体哪种商业模式占主流将由市场决定。而最终的事实将证明，大数据交易商品经济必然成为“互联网+”的重要组成部分。

⑷ 创建有效的大数据模型的6个技巧

创建有效的大数据模型的6个技巧
数据建模是一门复杂的科学，涉及组织企业的数据以适应业务流程的需求。它需要设计逻辑关系，以便数据可以相互关联，并支持业务。然后将逻辑设计转换成物理模型，该物理模型由存储数据的存储设备、数据库和文件组成。
历史上，企业已经使用像SQL这样的关系数据库技术来开发数据模型，因为它非常适合将数据集密钥和数据类型灵活地链接在一起，以支持业务流程的信息需求。
不幸的是，大数据现在包含了很大比例的管理数据，并不能在关系数据库上运行。它运行在像NoSQL这样的非关系数据库上。这导致人们认为可能不需要大数据模型。
问题是，企业确实需要对大数据进行数据建模。
以下是大数据建模的六个提示：
1.不要试图将传统的建模技术强加于大数据
传统的固定记录数据在其增长中稳定且可预测的，这使得建模相对容易。相比之下，大数据的指数增长是不可预测的，其无数形式和来源也是如此。当网站考虑建模大数据时，建模工作应该集中在构建开放和弹性数据接口上，因为人们永远不知道何时会出现新的数据源或数据形式。这在传统的固定记录数据世界中并不是一个优先事项。
2.设计一个系统，而不是一个模式
在传统的数据领域中，关系数据库模式可以涵盖业务对其信息支持所需的数据之间的大多数关系和链接。大数据并非如此，它可能没有数据库，或者可能使用像NoSQL这样的数据库，它不需要数据库模式。
正因为如此，大数据模型应该建立在系统上，而不是数据库上。大数据模型应包含的系统组件包括业务信息需求、企业治理和安全、用于数据的物理存储、所有类型数据的集成、开放接口，以及处理各种不同数据类型的能力。
3.寻找大数据建模工具
有商业数据建模工具可以支持Hadoop以及像Tableau这样的大数据报告软件。在考虑大数据工具和方法时，IT决策者应该包括为大数据构建数据模型的能力，这是要求之一。
4.关注对企业的业务至关重要的数据
企业每天都会输入大量的数据，而这些大数据大部分是无关紧要的。创建包含所有数据的模型是没有意义的。更好的方法是确定对企业来说至关重要的大数据，并对这些数据进行建模。
5.提供高质量的数据
如果组织专注于开发数据的正确定义和完整的元数据来描述数据来自何处、其目的是什么等等，那么可以对大数据模型产生更好的数据模型和关系。可以更好地支持支持业务的数据模型。
6.寻找数据的关键切入点
当今最常用的大数据载体之一就是地理位置，这取决于企业的业务和行业，还
有其他用户需要的大数据常用密钥。企业越能够识别数据中的这些常用入口点，就越能够设计出支持企业关键信息访问路径的数据模型。

⑸ 大数据企业商业模式5+1模型的内部因素包括哪些

1战略定位战略定位是企业战略选择的结果，也是商业模式体系中其他几个部分的起点。战略定位需要考虑三个方面，即：长期发展、利润增长、独特价值。商业模式中的“定位”更多地是作为整个商业模式的支撑点，同样的定位可以有不一样的商业模式，同样的商业模式也可以实现不一样的定位。
2业务系统业务系统是指企业达到战略定位所需要的业务环节、各合作方扮演的角色以及利益相关者合作方式。企业围绕战略定位所建立起来的业务系统将形成一个价值网络，明确了客户、供应商/其他合作方在通过商业模式获得价值的过程中扮演的角色。
3关键资源能力关键资源能力是指业务系统运转所需要的重要资源和能力，任何商业模式构建的重点工作之一就是了解业务系统所需要的重要资源和能力有哪些，如何分布，以及如何获取和建立。不是所有的资源和能力都同等珍贵，也不是每一种资源和能力都是企业所需要的，只有和战略定位、业务系统、盈利模式、现金流结构相契合、并能互相强化的资源和能力，才是企业真正需要的。

⑹ 大数据时代:五大商业分析技术趋势

大数据时代:五大商业分析技术趋势

目前，趋势中心对如何应对分析挑战的关注力度并不亚于他们考虑在新商业视角中如何充分利用机遇的力度。例如，随着越来越多的公司开始不得不面对海量数据以及 考虑如何利用这些数据，管理与分析大型不同数据集的技术开始出现。提前分析成本与性能趋势意味着公司能够提出比以前更为复杂的问题，提供更为有用的信息以 帮助他们运营业务。

在采访中，首席信息官们总结出了5大影响他们进行分析的IT趋势。它们分别为：大数据的增长、快速处理技术、IT商品的成本下降、移动设备的普及和社交媒体的增长。

大数据指非常庞大的数据集，尤其是那些没有被整齐的组织起来无法适应传统数据仓库的数据集。网络蜘蛛数据、社交媒体反馈和服务器日志，以及来自供应链、行业、周边环境与监视传感器的数据都使得公司的数据变得比以往越来越复杂。

尽管并不是每个公司都需要处理大型、非结构型数据集的技术。VeriskAnalytics公司首席信息官PerryRotella认为所有的首席信息 官都应当关注大数据分析工具。Verisk帮助金融公司评估风险，与保险公司共同防范保险诈骗，其在2010年的营收超过了10亿美元。

Rotella认为，技术领导者对此应当采取的态度是，数据越多越好，欢迎数据的大幅增长。Rotella的工作是预先寻找事物间的联系与模型。

HMS公司首席信息官CynthiaNustad认为，大数据呈现为一种“爆炸性”增长趋势。HMS公司的业务包括帮助控制联邦医疗保险 （Medicare）和医疗补助（Medicaid）项目成本和私有云服务。其客户包括40多个州的健康与人类服务项目和130多个医疗补助管理计划。 HMS通过阻止错误支付在2010年帮助其客户挽回了18亿美元的损失，节约了数十亿美元。Nustad称：“我们正在收集并追踪大量素材，包括结构性与 非结构性数据，因为你并不是总是知道你将在其中寻找什么东西。”

大数据技术中谈论最多的一项技术是Hadoop。该技术为开源分布式数据处理平台，最初是为编辑网络搜索索引等任务开发的。Hadoop为多个“非关系型（NoSQL）”技术（其包括CouchDB和MongoDB）中的一种，其通过特殊的方式组织网络级数据。

Hadoop可将数据的子集合分配给成百上千台服务器的处理，每台服务器汇报的结果都将被一个主作业调度程序整理，因此其具有处理拍字节级数据的能力。 Hadoop既能够用于分析前的数据准备，也能够作为一种分析工具。没有数千台空闲服务器的公司可以从亚马逊等云厂商那里购买Hadoop实例的按需访 问。

Nustad称，尽管并不是为了其大型的联邦医疗保险和医疗补助索赔数据库，但是HMS正在探索NoSQL技术的使用。其包括了结构性数据，并且能够被 传统的数据仓库技术所处理。她称，在回答什么样的关系型技术是经实践证明最好用的解决方案时，从传统关系型数据库管理出发是并不明智。不过，Nustad 认为Hadoop正在防止欺诈与浪费分析上发挥着重要作用，并且具备分析以各种格式上报的病人看病记录的潜力。

在采访中，那些体验过Hadoop的受访首席信息官们，包括Rotella和Shopzilla公司首席信息官JodyMulkey在内都在将数据服务作为公司一项业务的公司中任职。

Mulkey称：“我们正在使用Hadoop做那些以往使用数据仓库做的事情。更重要的是，我们获得了以前从未用过的切实有用的分析技术。”例如，作为 一家比较购买网站，Shopzilla每天会积累数太字节的数据。他称：“以前，我们必须要对数据进行采样并对数据进行归类。在处理海量数据时，这一工作 量非常繁重。”自从采用了Hadoop，Shopzilla能够分析原始数据，跳过许多中间环节。

GoodSamaritan医院是一家位于印第安纳州西南的社区医院，其处于另一种类型。该医院的首席信息官ChuckChristian称：“我们并 没有我认为是大数据的东西。”尽管如此，管理规定要求促使其存储整如庞大的电子医疗记录等全新的数据类型。他称，这无疑要求他们要能够从数据中收集医疗保 健品质信息。不过，这可能将在地区或国家医疗保健协会中实现，而不是在他们这种单个医院中实现。因此，Christian未必会对这种新技术进行投资。

IslandOneResorts公司首席信息官JohnTernent称，其所面临的分析挑战取决于大数据中的“大”还是“数据”。不过，目前他正在 谨慎地考虑在云上使用Hadoop实例，以作为一种经济的方式分析复杂的抵押贷款组合。目前公司正在管理着佛罗里达州内的8处分时度假村。他称：“这种解 决方案有可能解决我们目前正遇到的实际问题。”

肯塔基大学首席信息官VinceKellen认为，大数据技术只是快速分析这一大趋势中的一个元素。他称：“我们期待的是一种更为先进的海量数据分析方法。”与更为快速地分析数据相比，数据的大小并不重要，“因为你想让这一过程快速完成”。

由于目前的计算能够在内存中处理更多的数据，因此与在硬盘中搜索数据相比，其计算出结果的速度要更快。即使你仅处理数G数据，但情况依然与此。

尽管经过数十年的发展，通过缓存频繁访问的数据，数据库性能提升了许多。在加载整个大型数据集至服务器或服务器集群的内存时，这一技术变得更加实用，此时硬盘只是作为备份。由于从旋转的磁盘中检索数据是一个机械过程，因此与在内存中处理数据相比，其速度要慢许多。

Rotella称，他现在几秒中进行的分析在五年前需要花上一个晚上。Rotella的公司主要是对大型数据集进行前瞻性分析，这经常涉及查询、寻找模 型、下次查询前的调整。在分析速度方面，查询完成时间非常重要。他称：“以前，运行时间比建模时间要长，但是现在建模时间要比运行时间长。”

列式数据库服务器改变了关系型数据库的传统行与列结构，解决了另一些性能需求。查询仅访问有用的列，而不是读取整个记录和选取可选列，这极大地提高了组织或测量关键列的应用的性能。

Ternent警告称，列式数据库的性能优势需要配合正确的应用和查询设计。他称：“为了进行区别，你必须以适当的方式问它适当的问题。”此此同时，他 还指出，列式数据库实际上仅对处理超过500G字节数据的应用有意义。他称：“在让列式数据库发挥作用之前，你必须收集一规模的数据，因为它依赖一定水平 的重复提升效率。”

保险与金融服务巨头JohnHancock公司的首席信息官AllanHackney称，为了提高分析性能，硬件也需要进行提升，如增加GPU芯片，其 与游戏系统中用到的图形处理器相同。他称：“可视化需用到的计算方法与统计分析中用到的计算方法非常相似。与普通的PC和服务器处理器相比，图形处理器的 计算速度要快数百倍。我们的分析人员非常喜欢这一设备。”

随着计算能力的增长，分析技术开始从内存与存储价格的下降中获益。同时，随着开源软件逐渐成为商业产品的备选产品，竞争压力也导致商业产品价格进一步下降。

Ternent为开源软件的支持者。在加入IslandOne公司之前，Ternent为开源商业智能公司Pentaho的工程副总裁。他称：“对于我来说，开源决定着涉足领域。因为像IslandOne这样的中等规模公司能够用开源应用R替代SAS进行统计分析。”

以前开源工具仅拥有基本的报告功能，但是现在它们能够提供最为先进的预测分析。他称：“目前开源参与者能够横跨整个连续统一体，这意味着任何人都能够使用它们。”

HMS公司的Nustad认为，计算成本的变化正在改变着一些基础性架构的选择。例如，创建数据仓库的一个传统因素是让数据一起进入拥有强大计算能力的 服务器中以处理它们。当计算能力不足时，从操作系统中分离分析工作负载可以避免日常工作负载的性能出现下降。Nustad称，目前这已经不再是一个合适的 选择了。

她称：“随着硬件与存储越来越便宜，你能够让这些操作系统处理一个商业智能层。”通过重定数据格式和将数据装载至仓库中，直接建立在操作应用上的分析能够更为迅速地提供答案。

Hackney观察认为，尽管性价比趋势有利于管理成本，但是这些潜在的节约优势将被日益增长的能力需求所抵消。尽管JohnHancock每台设备的存储成本在今年下降了2至3%，但是消耗却增长了20%。

与所有的应用一样，商业智能正日益移动化。对于Nustad来说，移动商业智能具有优先权，因为每个人都希望Nustad能够随时随地亲自访问关于她的 公司是否达到了服务级协议的报告。她还希望为公司的客户提供数据的移动访问，帮助客户监控和管理医疗保健开销。她称：“这是一个客户非常喜欢的功能。在五 年前，客户不需要这一功能，但是现在他们需要这一功能了。”

对于首席信息官来说，要迎合这一趋势更多的是为智能手机、平板电脑和触摸屏设备创建适用的用户界面，而不是更为复杂的分析能力。或许是出于这方面的原因，Kellen认为这相对容易。他称：“对于我来说，这只是小事情。”

Rotella并不认为这很简单。他称：“移动计算影响着每一个人。许多人开始使用iPad工作，同时其它的移动设备正在呈现爆炸式增长。这一趋势正在 加速并改变我们与公司内部计算资源交互的方式。”例如，Verisk已经开发了能够让理赔人在现场快速进行分析的产品，因此他们能够进行重置成本评估。他 称：“这种方式对我们的分析产生了影响，同时也让每一个需要它的人随手就能使用。”

Rotella称：“引发这种挑战的因素在于技术的更新速度。两年前，我们没有iPad，而现在许多人都在使用iPad。随着多种操作系统的出现，我们正力争搞清楚其是如何影响我们的研发的，这样一来我们就不必一而再、再而三的编写这些应用。”

IslandOne的Ternent指出，另一方面，为每一种移动平台创建原生应用的需求可能正在消退，因为目前手机和平板电脑上的浏览器拥有了更为强 大的功能。Ternent称：“如果我能够使用一款专门针对移动设备的基于web的应用，那么我并不能肯定我将会对定制的移动设备应用进行投资。”

随着脸谱、推特等社交媒体的兴起，越来越多的公司希望分析这些由网站产生的数据。新推出的分析应用支持人类语言处理、情感分析和网络分析等统计技术，这些并不是典型商业智能工具套件的组成部分。

由于它们都是新的，许多社交媒体分析工具可以作用服务获得。其中一个典型范例是Radian6。Radian6为软件即服务（SaaS）产品，近期已经 被Salesforce.com所收购。Radian6是一种社交媒体仪表盘，为TwITter的留言、脸谱上的帖子、博客与讨论版上的帖子与评论中提及 的特定术语以正负数显示，尤其是为商标名提供生动的直观推断。当营销与客户服务部门购买后，这类工具不再对IT部门有很严重的依赖性。目前，肯塔基大学的 Kellen仍然相信他需要对它们高度关注。他称：“我的工作是识别这些技术，根据竞争力评估哪些算法适合公司，然后开始培训合适的人员。”

与其他公司一样，大学也对监督他们大学的声誉十分感兴趣。与此同时，Kellen表示，他可能还将寻找机会以开发专门用于解决学校所关注问题的应用，如 监督学生入学率等问题。例如，监控学生在社交媒体上的帖子能够有帮于学校与管理人员尽早了解学生在大学里遇到的麻烦。Kellen称，目前戴尔已经做了这 些工作，其产品支持公司探测人们关于故障笔记本电脑的推文。他称，IT开发人员还应当寻找一些办法将社交媒体分析得出的报警信息推送至应用中，以便于公司 对相关事件快速做出反应。

Hackney称：“我们没有诀窍，也没有工具处理和挖掘海量社交媒体帖子的价值。不过，一旦你收集了数据，你需要有能力获取公司事件的充足信息，以将 它们关联起来。”虽然Hackney称JohnHancock在这一领域内的努力还处于“起步阶段”，但是他认为IT部门将在公司数据的社交分析服务所提 供的数据关联中发挥重要作用。例如，如果社交媒体数据显示公司在中西部地区的社会评论越来越负面，那么他将希望看一下如果公司在该地区就价格或策略进行调 整是否会扭转这一负面发展趋势。

Hackney称，发现这类关联的意义在于让公司领导相信对社交媒体的投资具有高回报。他称：“在我所从事的行业中，每个人都是精算师，每个人都在计算，他们不会将任何东西建立在想当然之上。”

以上是小编为大家分享的关于大数据时代:五大商业分析技术趋势的相关内容，更多信息可以关注环球青藤分享更多干货

⑺ 如何用大数据分析创造商业价值

大数据分析是研究大量且多样的数据集(即大数据)的过程，从而揭示隐藏的模式，未知的相关性，市场趋势，客户偏好和其他有用信息，这些信息可帮助公司做出更明智的商业决策。通过专业的分析系统和软件，大数据分析可以指明商业收益的方向，比如新的机遇，有效的营销，更好的客户服务，提高运营效率以及竞争优势等等。
以下是通过大数据分析将大大受益的十大行业：
1. 银行和证券
通过网络活动监控和自然语言处理程序，监控金融市场，从而减少欺诈性交易。交易委员会正在使用大数据分析监控股票市场，避免非法交易的发生。
2. 通讯和媒体
同时在多个平台(移动，网络和电视)上实时报道世界各地的事件。媒体的一部分，音乐行业使用大数据关注最新的趋势，并通过自动调谐软件创作出流行的曲调。
3. 体育
了解特定地区针对不同活动的收视率模式，并通过分析来监测个人球员和球队的表现。像板球世界杯，FIFA世界杯和温布尔顿国际网球锦标赛的体育赛事均有使用大数据分析。
4. 医疗保健
收集公共卫生数据，从而更快地应对个人健康问题，并掌握新病毒株(如埃博拉病毒)在全球传播的状态。不同国家卫生部门合并使用大数据分析工具，以便在人口普查后进行数据收集。
5. 教育
针对目前快速发展的各种领域，更新和升级相关文献。世界各地的大学均使用大数据来检测和追踪学生和教师的情况，并通过不同科目的出席率分析学生的兴趣喜好。
6. 制造业
通过大数据提高供应链管理，提高生产率。制造企业使用这些分析工具，确保以最佳方式分配生产资源，从而获得最大效益。
7. 保险
通过预测分析处理各种业务，从开发新产品到应对索赔。保险公司使用大数据了解需求最大的政策计划，并产生更多收益。
8. 消费者贸易
预测和管理人员编制以及库存需求。消费者贸易公司通过会员制度，记录会员情况从而发展贸易。
9. 交通运输
制定更好的路线规划，交通监控和物流管理。主要是政府为了避免交通堵塞而设立的。
10. 能源
通过智能电表减少电气泄漏，并帮助用户管理能源使用情况。负荷调度中心使用大数据分析来监测负荷模式，并根据不同的参数分析能源消耗趋势之间的差异，并节约能源。

⑻ 大数据平台可视化建模工具推荐

Smartbi数据挖掘平台（Smartbi Mining）是用于预测性分析的独立产品，旨在为企业所做的决策提供预测性智能内。该平台不仅可为用户容提供直观的流式建模、拖拽式操作和流程化、可视化的建模界面，还提供了大量的数据预处理操作。此外，它内置了多种实用的、经典的机器学习算法，这些算法配置简单降低了机器学习的使用门槛，大大节省了企业成本，并支持标准的PMML模型输出，可以将模型发送到Smartbi统一平台，与商业智能平台实现了完美整合。使用对象包括数据科学家、业务分析师、行业咨询师、实施顾问等。

⑼ 大数据给零售行业带来的商业价值

大数据给零售行业带来的商业价值

在大数据推动的商业革命暗涌中，要么学会使用大数据的杠杆创造商业价值，要么被大数据驱动的新生代商业格局淘汰。

最早关于大数据的故事发生在美国第二大的超市塔吉特百货(Target)。孕妇对于零售商来说是个含金量很高的顾客群体。但是他们一般会去专门的孕妇商店而不是在Target购买孕期用品。人们一提起Target，往往想到的都是清洁用品、袜子和手纸之类的日常生活用品，却忽视了Target有孕妇需要的一切。那么Target有什么办法可以把这部分细分顾客从孕妇产品专卖店的手里截留下来呢?

为此，Target的市场营销人员求助于Target的顾客数据分析部(Guest Data & Analytical Services)的高级经理Andrew Pole，要求他建立一个模型，在孕妇第2个妊娠期就把她们给确认出来。在美国出生记录是公开的，等孩子出生了，新生儿母亲就会被铺天盖地的产品优惠广告包围，那时候Target再行动就晚了，因此必须赶在孕妇第2个妊娠期行动起来。如果Target能够赶在所有零售商之前知道哪位顾客怀孕了，市场营销部门就可以早早的给他们发出量身定制的孕妇优惠广告，早早圈定宝贵的顾客资源。

可是怀孕是很私密的信息，如何能够准确地判断哪位顾客怀孕了呢?Andrew Pole想到了Target有一个迎婴聚会(baby shower)的登记表。Andrew Pole开始对这些登记表里的顾客的消费数据进行建模分析，不久就发现了许多非常有用的数据模式。比如模型发现，许多孕妇在第2个妊娠期的开始会买许多大包装的无香味护手霜;在怀孕的最初20周大量购买补充钙、镁、锌的善存片之类的保健品。最后Andrew Pole选出了25种典型商品的消费数据构建了“怀孕预测指数”，通过这个指数，Target能够在很小的误差范围内预测到顾客的怀孕情况，因此Target就能早早地把孕妇优惠广告寄发给顾客。

那么，顾客收到这样的广告会不会吓坏了呢?Target很聪明地避免了这种情况，它把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不相关的商品优惠广告当中，这样顾客就不知道Target知道她怀孕了。百密一疏的是，Target的这种优惠广告间接地令一个蒙在鼓里的父亲意外发现他高中生的女儿怀孕了，此事甚至被《纽约时报》报道了，结果Target大数据的巨大威力轰动了全美。

根据Andrew Pole的大数据模型,Target制订了全新的广告营销方案，结果Target的孕期用品销售呈现了爆炸性的增长。Andrew Pole的大数据分析技术从孕妇这个细分顾客群开始向其他各种细分客户群推广，从Andrew Pole加入Target的2002年到2010年间，Target的销售额从440亿美元增长到了670亿美元。

我们可以想象的是，许多孕妇在浑然不觉的情况下成了Target常年的忠实拥泵，许多孕妇产品专卖店也在浑然不知的情况下破产。浑然不觉的背景里，大数据正在推动一股强劲的商业革命暗涌，商家们早晚要面对的一个问题就是：究竟是在浑然不觉中崛起，还是在浑然不觉中灭亡。

大数据是谁?

大数据炙手可热，但是能说清楚大数据是什么的人却不多。要真正弄明白什么是大数据，我们首先得看看Target是怎么收集大数据的。

只要有可能，Target的大数据系统会给每一个顾客编一个ID号。你刷信用卡、使用优惠券、填写调查问卷、邮寄退货单、打客服电话、开启广告邮件、访问官网，所有这一切行为都会记录进你的ID号。

而且这个ID号还会对号入座的记录下你的人口统计信息：年龄、是否已婚、是否有子女、所住市区、住址离Target的车程、薪水情况、最近是否搬过家、钱包里的信用卡情况、常访问的网址等等。Target还可以从其他相关机构那里购买你的其他信息：种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。乍一看，你会觉得这些数据毫无意义，但在Andrew Pole和顾客数据分析部的手里，这些看似无用的数据便爆发了前述强劲的威力。

在商业领域，大数据就是像Target那样收集起来的关于消费者行为的海量相关数据。这些数据超越了传统的存储方式和数据库管理工具的功能范围，必须用到大数据存储、搜索、分析和可视化技术(比如云计算)才能挖掘出巨大商业价值。

大数据的商业价值

大数据这么火，因此很多人就跟起风来，言必称大数据，可是很多人不但没搞明白大数据是什么的问题，也不知道大数据究竟能往哪些方面挖掘出巨大的商业价值。这样瞎子摸象般的跟风注定了是要以惨败告终的，就像以前一窝蜂地追逐社交网络和团购一样。那么大数据究竟能往哪些方面挖掘出巨大的商业价值呢?根据IDC和麦肯锡的大数据研究结果的总结，大数据主要能在以下4个方面挖掘出巨大的商业价值：对顾客群体细分，然后对每个群体量体裁衣般的采取独特的行动;运用大数据模拟实境，发掘新的需求和提高投入的回报率;提高大数据成果在各相关部门的分享程度，提高整个管理链条和产业链条的投入回报率;进行商业模式、产品和服务的创新。笔者把他们简称为大数据的4个商业价值杠杆。企业在大踏步向大数据领域投入之前，必须清楚地分析企业自身这4个杠杆的实际情况和强弱程度。

1、对顾客群体细分，然后对每个群体量体裁衣般的采取独特的行动。本文开头Target的故事就是这个杠杆的案例，瞄准特定的顾客群体来进行营销和服务是商家一直以来的追求。云存储的海量数据和大数据的分析技术使得对消费者的实时和极端的细分有了成本效率极高的可能。比如在大数据时代之前，要搞清楚海量顾客的怀孕情况，得投入惊人的人力、物力、财力，使得这种细分行为毫无商业意义。

2、运用大数据模拟实境，发掘新的需求和提高投入的回报率。现在越来越多的产品中都装有传感器，汽车和智能手机的普及使得可收集数据呈现爆炸性增长。Blog、Twitter、Facebook和微博等社交网络也在产生着海量的数据。云计算和大数据分析技术使得商家可以在成本效率较高的情况下，实时地把这些数据连同交易行为的数据进行储存和分析。交易过程、产品使用和人类行为都可以数据化。大数据技术可以把这些数据整合起来进行数据挖掘，从而在某些情况下通过模型模拟来判断不同变量(比如不同地区不同促销方案)的情况下何种方案投入回报最高。

3、提高大数据成果在各相关部门的分享程度，提高整个管理链条和产业链条的投入回报率。大数据能力强的部门可以通过云计算、互联网和内部搜索引擎把大数据成果和大数据能力比较薄弱的部门分享，帮助他们利用大数据创造商业价值。这个杠杆的案例是关于沃尔玛的一个故事。

沃尔玛开发了一个叫做Retail Link的大数据工具，通过这个工具供应商可以事先知道每家店的卖货和库存情况，从而可以在沃尔玛发出指令前自行补货，这可以极大地减少断货的情况和供应链整体的库存水平。在这个过程中，供应商可以更多的控制商品在店内的陈设，可以通过和店内工作人员更多地接触，提高他们的产品知识;沃尔玛可以降低库存成本，享受员工产品知识提高的成果，减少店内商品陈设的投入。综合起来，整个供应链可以在成本降低的情况下，提高服务的质量，供应商和沃尔玛的品牌价值也同时得到了提升。通过在整条供应链上分享大数据技术，沃尔玛引爆了零售业的生产效率革命。

4、进行商业模式，产品和服务的创新。大数据技术使公司可以加强已有的产品和服务，创造新的产品和服务，甚至打造出全新的商业模式。这个杠杆将引用Tesco为案例。Tesco收集了海量的顾客数据，通过对每位顾客海量数据的分析，Tesco对每位顾客的信用程度和相关风险都会有一个极为准确的评估。在这个基础上，Tesco推出了自己的信用卡，未来Tesco还有野心推出自己的存款服务。

大数据的商业革命

通过以上4个杠杆，大数据能够产生出巨大的商业价值，难怪麦肯锡说大数据将是传统4大生产要素之后的第5大生产要素。大数据对市场占有率、成本控制、投入回报率和用户体验都会起到极大的促进作用，大数据优势将成为企业最值得倚重的比较竞争优势。根据麦肯锡的估计，如果零售商能够充分发挥大数据的优势，其营运利润率就会有年均60%的增长空间，生产效率将会实现年均0.5%-1%的增长幅度。在大数据这个概念炒热起来的当下，人们才发现像沃尔玛、Target、亚马逊、Tesco这样的商业巨头已经不声不响地运用了大数据技术好多年，用大数据驱动市场营销、驱动成本控制、驱动产品和服务创新、驱动管理和决策的创新、驱动商业模式的创新。许多商界骄子慨叹竞争不过Target们的不解之谜也终于告破。

在大数据推动的商业革命暗涌中，与时俱进绝不仅仅是附庸风雅的卡位之战，要么学会使用大数据的杠杆创造商业价值，要么被大数据驱动的新生代商业格局淘汰。这是天赐良机，更是生死之战。成功者将是中国产业链升级独领风骚的枭雄，失败者拥有的只有遗憾。

以上是小编为大家分享的关于大数据给零售行业带来的商业价值的相关内容，更多信息可以关注环球青藤分享更多干货