企业大数据应用ppt

A. 企业大数据之大数据征信及风控应用

企业大数据之大数据征信及风控应用
互联网人口红利区已经过去，获客成本增大，用户对产品的要求也越发提高，高价值和低成本服务是当前的一种趋势。其中，企业服务致力于为企业在生产，销售和沟通等环节提高效率，降低成本，受到越来越多的资本青睐。
随着人工智能对行业的渗透，以及数据量的剧增，越来越多的企业服务产品正利用人工智能，大数据等相关技术提供更智能服务，大数据作为人工智能模型中的训练"粮食"，占据重要位置，如何挖掘和利用企业数据，是做好企业服务的一个重要途径，企业大数据来源主要有以下几个方面：
a.企业内部数据化档案，例如人事资料，纸质化资料等；
b.企业自产数据，例如企业内部OA，ERP和CRM系统所沉淀下来的客户数据，办公数据，生产经营数据，社交数据，电商数据，支付数据，供应链数据等；
c.企业信用数据
政府公开数据-比如工商的企业信用信息公示数据，失信被执行，被执行数据，裁判文书，开庭公告，法院公告，税务数据，动产融资数据，招投标，司法拍卖数据等，专利商标，行政处罚等数据。互联网公开数据-比如新闻数据，招聘网站数据，上市披露数据。
征信概述
1.征信定义
征信一词源于《左传·昭公八年》中的“君子之言，信而有征，故怨远于其身”。其中，“信而有征”即为可验证其言为信实，或征求、验证信用。现代征信是依法收集、整理、保存、加工自然人、法人及其他组织的信用信息，并对外提供信用报告、信用评估、信用信息咨询等服务，帮助客户判断、控制信用风险，进行信用管理的活动。
2.政策/技术/市场环境分析
政策
中国社会由熟人社会慢慢转变为陌生人社会，信用风险和信用危机也随之产生，加快信用体系建设迫在眉睫，然而，行政过程中尚未全面建立起“守信激励、失信惩戒”的机制，《政府信息公开条例》虽然已对政务信息公开作出了具体规定，但执行过程中，政务信息的公开尚不全面，部分信用信息的缺失，削弱了信用信息的完整性，不利于形成准确的信用状况判断.
技术
其次，互联网时代早已成为大家共识，企业和个人在网络上留下的大量数据，为征信带来了数据基础，且随着大数据，云计算，人工智能的发展，为智能化征信提供了技术支撑。
市场
另外，我国市场经济体制建立的时间不长，全社会信用意识和社会信用环境还比较薄弱。为争取经济利益而失信的行为时有发生。这既有信用意识淡薄的原因，也有失信成本过低的原因。征信作为金融的一个重要组成部分，是风险控制的核心，随着互联网金融的快速发展，适应互联网，大数据征信模式也营运而生，也亟需建立完善的征信制度来为征信发展保驾护航。
3.国内外征信模式
我国的征信出于初级阶段，目前国际上的征信模式主要有以下几种
a.市场主导型，美国，Equifa、Experian和TransUnion三大管理局按照市场经济的法则和运作机制，并对外提供服务给贷款授信企业，英国是P2P的发源地，以Zopa为代表网络贷款平台根据风险和利率水平促成借贷双方完成交易、使借贷双方都共同获益，在某种程度上发挥了信用中介职能。
b.政府主导型，德国，中国。以中国为例，主要是以政府主导，授权中国人民银行征信系统创建，收集，维护和整合全国部分企业和个人征信，目前已经覆盖了银行机构，法院，电信，社保，小额贷款等机构数据，目前覆盖个人和企业的数量上一直维持着增长势头，从2015年4月的8.64亿自然人、2068万户企业及其他组织增加到2017年5月的9.26亿自然人、2371万户企业及其他组织，中国大陆将近14亿人，企业及其他组织数量也在不断增加，征信系统覆盖范围还有很大的增长空间，总体上来讲，对企业的数据覆盖度不够，难以满足当前各种创新的金融模式对企业征信的需求。
c.行业协会共享，行业会员制，分享数据，并以行业协会为核心建立信用共享中心，加入协会的组织可以共享数据，并提供一定的数据支撑，以此扩大协会的数据源。
d.混合型，韩国、印度为例，以政府和市场混合，协同发展。
4.征信产品模式
征信行业的产品模式主要有按业务模式划分的企业和个人征信，按服务对象划分为信贷征信、商业征信、雇佣征信以及其他征信，各类不同服务对象的征信业务，有的是由一个机构来完成，有的是在围绕具有数据库征信机构上下游的独立企业内来完成。按征信范围可分为区域征信、国内征信和跨国征信等。
5.征信行业产业链
征信产业链包括上游的数据生产者、中游的征信机构及下游的征信信息的使用者，其中中游的征信机构运行模式主要有采集数据、加工数据及销售产品。数据供应商主要包括银行等金融机构、政府部门、工商企业和个人，几乎涉及人们生活的方方面面。征信机构从数据供应商处获得数据通过一定的模型进行加工处理得到信用评级结果，然后进行服务输出。征信报告使用方主要有房地产商、招聘企业、P2P平台、金融机构等，多数发生在个人购房和购车、个人小额信贷、企业信贷、债券买卖等场景。

6.面临问题
1.征信监管和法律健全亟需提高，政府信息公开有待加强，征信法律法规不够完善；
2.数据处理算法计算能力有待提高，随着大数据与征信的结合，对数据的处理，分析和建模能力提出了更高的要求，才能更好的挖掘出企业信息价值。
3.信用信息安全问题严峻，虽然国家一直在出台政策保护征信数据，但个人，企业的隐私数据安全面临十分严峻的挑战，催生了巨大的黑色产业发展，由此带来了金融诈骗，电信诈骗，网络诈骗，木马病毒窃取隐私数据进行交易获利等违法犯罪活动。
7.大数据征信与传统征信的区别
1.覆盖群体更丰富，随着网络的普及和互联网金融的大力发展，更多的人或企业将会留下数据到相关平台，扩大了征信覆盖的群体。
2.数据来源更广泛，传统征信的数据来源比较单一，但大数据征信会整合互联网公开半公开数据，第三方机构合作数据以及自由数据，数据来源变得更加广泛。
3.数据价值的深入挖掘，随着大数据和人工智能在征信行业的运用，机器学习，NLP，文本抽取等技术对企业数据的挖掘更加深入。
企业信用数据的行业运用
1.信贷风控，金融的核心是风险管理，目前主要由政府信用公示机构，比如国家企业信用查询网，中国失信被执行网，中国被执行信息网，法院网，信用中国等公开查询数据，为信贷金融机构提供贷前，贷中，贷后的信息查询，信用报告和监控等服务。
2.融资租赁，为融资租赁公司提供融前尽调，融后监控服务，提高工作人员效率，并通过集团化账号系统深入各个业务部门，提升工作质量和效率。
3.信用评级，根据企业的工商，法务，新闻，经营，债卷等多维度数据，对企业进行信用评级，常见的是债券评级.
4.供应链金融，围绕核心企业，管理上下游中小企业的资金流和物流，并把单个企业的不可控风险转变为供应链企业整体的可控风险，通过立体获取各类信息，将风险控制在最低的金融服务。
5.其他，比如招聘，商业调研和律所。
企业征信的未来展望
1.数据共享
数据作为征信和风控行业的核心资产，也是构建信用社会的基石，过分孤立或过分共享都不利于行业发展。所以，如何在实现共赢，保护隐私的基础上做到数据共享，打破数据孤岛，打通各个平台的数据通道，让不同的数据汇集在一起，共同打造征信体系，是未来的发展趋势。
2.挖掘数据价值
随着大数据征信技术的不断发展，征信产品将从信息的初次挖掘向深层次挖掘发展。初次挖掘是指围绕企业相关数据，通过自身爬取入库，第三方API接口或数据合作等方法整合并进行数据汇总分类，并以信息报告，图片等方式简单罗列呈现。深层次挖掘是将收集到的数据与征信专业知识相结合，构建风险识别与量化，规则引擎，企业关联图谱，数据可视化等产品，对数据进深度挖掘，从而深化征信产品与服务，提高征信产品的专业性。例如利用企业工商信息，建立企业关联网络，当网络上某一企业出现负面信息时，能够迅速识别风险并预警其他企业，并根据风险情况量化预警等级。
3.提供垂直，细分领域服务
随着征信市场规模的不断扩大，部分征信机构基于自身特点及优势，开始出现专注于某一细分领域或某一业务环节提供具有针对性、定制化的征信产品服务的趋势。例如提供爬虫技术，一站式爬取，清洗，整合和入库；针对新闻的舆情监控服务；提供企业获客服务，为金融机构筛选优势客户，实现精准营销；提供企业金融服务，比如理财，融资，支付和信贷；提供C2B，B2B的股权投资撮合平台等。

B. 大数据在企业中的应用

大数据在企业中的应用

2015年9月10日，首席数据官联盟成立仪式暨第一届首席数据官大会在北大召开，本次活动由中国新一代IT产业联盟和易观智库联合主办，中国新一代IT产业推进联盟技术分委会秘书长鲁四海发表演讲并参与对话讨论。本次对话环节由易观智慧院副院长葛涵涛主持，参与对话的嘉宾有北大电子政务研究院副院长杨明刚、壳牌中国CIO徐斌、华为大数据总监刘冬冬、北京瀚思安信科技有限公司联合创始人董昕。各位嘉宾从大数据在企业的应用、人才队伍建设等方面进行深入讨论，以下是对话实录：

葛涵涛：首先我想请大家做一下自我介绍。

刘冬冬：今年上半年开始代表华为做大数据生态圈的建设，我们这个生态圈是1+6的模式，华为提供公有云，大计算等服务，与数据挖掘，商业应用，数据可视化展示等合作伙伴，国内筛选200多家大数据公司，和比较核心的合作伙伴，开始了第一批，第二批，第三批的流程，第一批选择16家签约，第二批还有十几家，今年年底会完成初步50家的合作伙伴的合作。

徐斌：壳牌品牌是比较大的公司，壳牌中国业务比较大，壳牌中国在今年已经是121年了，1894年正式进入中国了，就没有离开。目前我们在中国的业务有上油的油气的开采，中油的炼化等业务。大数据在壳牌的应用历史比较悠久，我们开采油田的时候需要用海量的数据做分析，帮助我们在哪里打井更有效，如何保证制造环节更顺畅，更早的发现潜在的风险，这方面有比较多的应用。针对我们几百万的用户，也在做很多的和社交媒体的合作，掌握我们的客户，留住我们的客户，寻找新的商业机会。今天很高兴有机会和大家交流大数据，特别是我们传统行业如何使用大数据。

董昕：谢谢大家，我们是瀚思大数据安全，一个新的创业公司。大家想安全和大数据有什么关系？其实有非常深的关系，我们后面有机会再和大家讲。我们这个团队是2014年成立的，主要成员是来自于埃森哲、甲骨文等这些公司。我们致力于把大型企业云中心、互联网里面所有跟安全相关的，跟业务、应用安全相关的数据做统一大规模的存储、挖掘、学习和展现，帮助IT从业者，运维人员，甚至企业的领导层从数据终发现一些跟安全相关的东西。希望通过数据驱动整个行业，和整个企业实现由传统的基于防御的安全策略，转向主动智能的安全策略。我们成立一年多，我们公里56人，40多个人都是研发人员，数学科学家等跟数据相关的人员。非常高兴有机会和大家探讨比较新的行业。

杨明刚：非常感谢主办方的邀请，很多朋友可能了解电子政务，电子政务就是政府的信息化，还有所谓的智慧城市，还有数字城市。在过去一年多，一直做政府相关的信息化的应用，包括顶层设计。现在随着大数据概念的提出以后，应用和需求在过去一直存在，只是提升了一个水平。电子政务这块近两三年提上很重要的地位。电子商务对大数据的需求也是蛮多的，过去三四年，我们一直研究政务数据和商业大数据，非常高兴和大家探讨数据和首席数据官未来在整个企业决策和政策决策中的作用。

葛涵涛：我们的各位嘉宾对大数据，对数据资产进行了前期的描绘和支撑。我们都知道现在大数据产品和数据产品数据来源非常广，包括来自于智能设备，可穿戴设备，来自于金融，来自于终端设备。有了大量的数据，基于数据进行挖掘和分析，数据产品化以后，再将数据产品应用到业务中。但是这些数据产品安全性怎么样？针对数据安全和用户数据隐私与大数据是什么关系？

杨明刚：我先从价值方面跟大家分享一下。美国有一本书《数字化生存》目前这个社会，随着网络的发展，我们所有的网络，所也的社会的形态都可以用数据来表达，这个时候无论是政务数据，还是商业数据，还是个人数据都可以用来提供，或者给我们未来决策提供参考。无论是政府治理，还是企业的科学决策，或者个人未来合理的消费计划，都可以从数据中提取到相关的决策参考。所以这块，其实所有的数据，看似杂乱无章，各种非结构数据和结构化的数据，通过适当的方法处理，或者通过数学模型处理，能够给我们管理和决策带来新的支持或者更大的支持，这是我对整个目前数字这块所谓的资产，数据是可以增值的资产。

其实我们有了互联网以后，每个人在网络上，无论是购物，还是通过社交工具或者社会化媒体发表相关的看法或者思想等，我们在网络上留下了大量的数字的网络痕迹，其实提取这些痕迹，包括相关的特征，用一定的方法去分析，就可以找寻每个人或者相关的机构未来的表现。这个东西在这里面，有很多东西涉及到个人隐私，可能在这里买的房子，或者附近相关的消费，根据你的社会属性可以判断你未来的行为。从某种行为来说，会让我自己感觉很不舒服，但是这些信息是通过我们允许的放在网络上，只是相关的机构提取过来做一些加工，可能对个人的隐私或者个人尊严是一种挑战。随着国家立法的完善，我相信网络的隐私权保护会逐渐解决。

董昕：其实好恶夸张的说，我们在座的每一个人都不安全，在网络空间，无论是你产生的数据，还是你的痕迹，还是你的隐私，或多或少在自己的手机里，PC里，或者是服务器端，安全和隐私可能是永恒的话题，比较大，我就不展开讲了。从我们的角度来说，我们更关注的，从一个角度如何把核心的数据，核心的资产保值增值，安全隐私的问题。无论是大数据下面的数据隐私，数据安全，还是小数据的数据隐私和数据安全方法论是一样的。在管理制度上怎么进行保障？

过去谈论到数据安全，更多的时候是靠技术手段为主，所以才会出现各种各样的防火墙，加解密设备，数据防泄漏，防入侵。这些东西都有用，但是无法解决所有的问题。要不然也不会出现JP摩根信用卡数据泄漏等问题。我们需要拥抱新型的技术，新型的平台，通过技术本身解决安全问题。

另外一个国外很多报告中都写到了，设备本身控制数据资产不太现实，我假设所有的东西都是不安全的，把所有的东西都放一个安全体系，这是国际探讨的问题。我们怎么用新型技术保护数据安全，同时结合技术，如何使安全管理的流程和措施，能够在企业中获得更多的认识，从而解决这个问题。

葛涵涛：关于数据能力开放的问题，在之前大数据会议上，阿里集团代表上讲过，阿里的数据不开放，他们是不是有数据安全的考量。因为他们收购了高德等一系列的社交和位置的公司，掌握了用户全维度的数据，这是出于隐私保护，基于安全的数据开放，还是比较遥远的话题。刚才我们在CDO调研报告里面，在未来的数据业务和大数据技术方向上，在行业领域里面的发展是非常重要的，我想请刘冬冬和徐总分别谈谈，比如说大数据业务，还有数据资产等等相关的技术和服务，在你们相应的通讯和能源行业怎么与你们的业务结合落地的。

徐斌：像大数据的应用，在我们自己的传统行业会产生什么样的作用？我们自己内部把大数据的企业进行划分。从企业决策中大数据起了很多的作用，同行用爆破的方式采集信息，帮助我们判断出这个地方打一口井效率是不是高，因为每一口的井的成本是上百万的，提高10%的成功率是很可观的，这是决策支持。

第二个是运营优化，比如说油站地下油库存在非常大的隐患，汽油和柴油泄漏的时候，一对环境造成很大的风险，第二对地下水有影响，甚至产生爆炸。一旦发生这种情况，通过大数据技术能不能提前发现潜在的泄漏风险。通过对比站的分析，提前发现是否存在不适当的损耗的发生，从而发现风险。

第三个就是市场营销，在我们消费互联网层面谈了很多，我们怎么样找到客户的特性，延伸业务领域，包括业务合作。另外通过合作，找到我们潜在的客户。像今天的孙总，我们客户最典型的，对油品的质量要求比较高。我们从互联网找到这个维度，在电商上购买率很高的，经常谈到汽车的，这两个碰撞就能找到潜在客户。

第四个就是企业安全进行风险管控。能源行业是高危行业，包括油品配送过程中，配送的时候出现问题，可能出现爆炸的风险，包括成本的增加。因此我们在海外作业的时候，不能很好及时发现风险，可能造成重大的人身伤害，包括知识产权的保护，有跟多配方，这是很关键的，这个怎么防止黑客攻击。这个和董总有相关性，企业安全，人身的安全，包括信息安全。

第五是业务创新，第六是模式变革。这两个把我们传统的，我们通过卖汽油变成我们可能变成第三方汽车服务后市场。以后我们油品可能免费，免费的意义在于盈利模式通过后面衍生的新业务，就是羊毛出在猪身上狗来买单。这就是大数据在我们能源行业6方面的价值。

葛涵涛：我们原来做过石油远程管道安全监护。现在俄罗斯他们传输的油气管道，很多油气管道每隔多少公里就有检查油压、温度，还有油管表面的状况，加入了很多传感器，获取管道表面的数据，另外还有相应的机器人，会在轨道上定期巡逻，用光来检查表面的状况。将这些数据全部汇总在当地的数据中心，最后汇总到欧洲数据中心，如果正常就显示为绿色的。大数据帮助能源运输企业，在你发生问题之前就帮你预测问题即将在什么时间大概发生。在发生之前进行预警，我觉得这个也是大数据跟商业智能整合的非常好的一个案例。

徐斌：在我们石油行业，特别是化工行业，生产行业一旦有一些事故终止生产，想恢复是非常长的时间，一般是三个月，三个月损失多大。越早预测到危险，提前采取措施，效率是很明显的。

刘冬冬：我们通讯行业跟石油行业是很像的。我们华为也会装各种各样的传感器采集数据，知道什么地方有什么问题，然后解决问题。比如说一个大型会场，一个足球场，数万人，大家都在发微信，这个时候能不能发出去，信号如何？这是我们自身运营商的应用场景。衍生出来的应用场景，如果华为或者运营商更早的把大数据应用到企业的经营管理等等各个维度中去，就不会发生像上海那样的踩踏事件。当外滩单位面积内聚集的人口超过一定量以后就应该有一个预警，告诉相关的管理部门，公安也好，告诉相关的部门人说这个地方已经超多了，通过手机我们可以捕捉这个信息。我们在大数据行业刚刚起步，我相信将来所有的行业，都会面临变成以数据为驱动，或者以数据为核心驱动力的，而不是像以前以产品为驱动力，以渠道或者品牌为驱动力的。以数据为驱动力的话，这个问题是蛮大的，作为华为来说，现在从各个方面改为以数据为驱动力。从宏观来说，我们将要做什么，我们要做哪些产品，这些都可以通过数据给我们进行指导。

在大数据产品里面，哪些是最需要的，哪些是最急迫的，我们可以通过分析挖掘出来，这个可以指导我们企业将来做什么，不做什么。从很小的细节来说，华为2016年找谁做手机形象代言人，我们可以用大数据做。华为手机的粉丝超过100万。这些人共同关注的是谁，他们共同兴趣爱好是什么？他们每天什么时间上网，数据的统计就告诉我们了，不需要决策部门每天坐在一起拍脑袋决定是谁，不是谁。刚才说到数据安全问题，我认为数据安全和技术是矛和盾的问题。现在接受就可以了，当我们现在收到骚扰短信垃圾短信，为什么会收到，是因为他们掌握了我们手机信息。当企业掌握了很多的信息以后，这时候就造成可以满意度的问题，让数据决定数据安全，让市场决定技术到什么程度，自然会有优胜劣汰，服务好的企业就会持续发展，服务部好的企业就会死掉。

葛涵涛：我们对用户数据掌握的越来越多，我们对数据精准分析越来越多，我们传递出来的消息就是精准营销，传递的信息就是有用的信息，而不是垃圾信息。这实际上对我们大数据企业，对技术和算法提出了更高的要求。如何通过大数据分析方法寻找数据中隐藏的，还没有被发现的价值和知识。

杨明刚：其实所谓大数据，大价值，大数据应该不是大忽悠，我为什么这么说？因为我在过去一段时间，有一个地方政府，某一个行业部门在使用大数据，但是建完的大数据系统无法满足他们的业务需求。我们传统的大数据，一部分是对现有数据的发现，这就是数据检索，传统的数据方法就可以做到，对已知的东西，已知的问题，每个数据单元都是了解的，这时候无论是结构化数据，还是非结构化数据，我们可以带着问题找到蛛丝马迹，问题存在什么地方。另外一部分应该是预测的部分，就像海尔孙总谈到的问题，其实可以预测。业务管理专家和业务模型建构专家需要有一个紧密结合。大数据其实是一件奢侈品，对华为这样的产品，对我们海尔这样的企业，对壳牌这样的企业是可以投得起资金的，大数据是奢侈品，但是绝大部分的中小企业也需要科学决策，也需要了解市场需求，这时候面临很重要的选择，要面临高昂的成本建立系统，这是不可能的。但是绝大多数的大数据企业都需要高投资，中小企业怎么通过在数据时代不被淘汰，需要大数据解决方案提供商，或者需要大数据研究者提供一种更典范的，或者更普世的大数据解决方案，不是依托与传统的数据检索，或者传统的数据包装实现大数据的方案，而是需要跳出传统的大数据分析方法之外，能不能有另外一种更科学，更普世的方法，让我们很多中小企业都能享受到当今的大数据服务，需要我们在座的一起探讨。实际上个人也需要大数据服务。

葛涵涛：跟简单，更方便使用的大数据产品，方便企业减少这方面的预算，让更多的人使用大数据带来的便利。

杨明刚：中国的天气预报部门利用大数据是最好的，把过去一百多年的历史数据拿过来进行预报。真正的大数据是对未来可能的知识的发现，通过大数据发现潜在的数据之间的关联。

葛涵涛：实际上我们刚才提到了各个不同的行业和企业对大数据的应用，因为你在北大做了十年CIO方面的培养，你们对CDO这方面的人才培养有什么样的动作和支持。

鲁四海：我们也在探讨，刚才我们在PPT里面分享，首先为什么会有这样的角色存在，驱动力是什么？然后再说需要什么杨得技能？我觉得CDO有一部分的东西需要从课堂学习的，偏技术这块的，能涵盖技术和基础管理这块。CDO需要有一些经济学的基础在里面。大数据更大的是告诉我们未来是什么样，告诉我们一些未知的东西。不是提一个假设，拿数据进行分析证明这个假设是对的或者是错的，这个意义不大。真正的意义能够告诉你未来是这样的。我觉得CDO在培养过程当中，除了课堂学习以外，还要跟内部的业务部门进行内部的学习和交流。因为我们面临着未知的世界，更多的需要广阔的舞台，像CDO联盟一样，未来我们做一些交流性的东西，各个行业，不同行业的方式方法进行跨界整合，因为数据在这个时代就是跨界。

葛涵涛：下面我们请我们在座的各位嘉宾，用简单的一两句话展望一下大数据时代下，我们这些数据管理人才，CDO们如何在整个大数据背景下做好我们的工作，能在工作上出新出彩，在我们业务设计上有相应的业务创新。

鲁四海：应该说任何一个行业任何一个企业的数据都是资产，每个企业都将拥有将数据变成核心竞争力的能力，这个能力可能是自建也可以购买服务获得。

杨明刚：大数据应用成为未来决策的核心推动力，今天的大数据不能成为大忽悠。

董昕：我们谈了很多技术方面的话题，我觉得一个CDO第一应该有大数据的理念，未来主要的价值都是数据。另外一点，我们认为作为一个CDO，一定要跟我们业务相联系，懂我们的业务，知道我们的收入从哪里来，成本在哪里，效率从哪里提升，这样CDO才能落地。

徐斌：数据本身有没有价值，我个人认为数据是没有价值的，虽然我今天讲了很多大数据。只有当数据能帮助企业产生价值的时候才能成为有价值的资产。我经常说数据资产，每个公司都有大量的数据，他们不是资产，因为它没有用。数据只有成为有用的信息，成为知识，变成智慧，它才是真正的数据资产。不要神话大数据，大数据产生业务的价值，产生商业的价值才叫大。第二我们企业有CDO，或者有虚拟CDO职位，通过其他的CIO、CMO承担。最主要的是脚踏实地，循序渐进，如果你不把企业的数据用好，谈何大数据。如果企业没有从数据支持决策的文化，大家做任何事情不用客观数据帮我们做分析，给你再多的数据也没用。首先是企业文化。第二把现有的数据用好，然后循序渐进引用更多的数据做分析。通过数据发现未知东西，这是伪命题。因为你发现未知东西，因为你不知道，原因是什么。当形成智慧知道为什么会发生，这是我们追求的目的，只不过我们现在不知道，所以通过相关的分析找到了相关性，但是不知道原因。未来当我们有足够多的知识积累，我们就知道原因了。未知领域是大数据的使用阶段。

刘冬冬：大数据这块没有找到盈利模式，没有找到市场，推不动。现在大家找到了盈利模式才推下去了，这才是有用的，大数据有用才是硬道理。对于CDO来说，我认为跨界才是最重要的。不光要有知道企业内部的小数据，同时也要知道外部的数据如何和企业内部的数据相结合。比如说做销售的，系统能不能很快的告诉员工，这个公司销售额有多大的产能，以及其他合作公司等等的情况，有价值才是最重要的。

以上是小编为大家分享的关于大数据在企业中的应用的相关内容，更多信息可以关注环球青藤分享更多干货

C. 京东分享 企业大数据的新认识与应用

京东分享：企业大数据的新认识与应用

大数据和我们每个人日常生活已经非常紧密地联系在一起了。

随便举个场景的例子，比如说，早上醒来的时候我通过智能手表的数据，发现昨晚的睡眠质量并不是太好，早上洗脸刷牙吃过早饭，步行1000多步来到六道口地铁刷卡坐地铁，两站3块钱到达奥林匹克公园，在地铁上我通过京东手机客户端发现一双我之前浏览过的Nike篮球鞋降价了，京东将这条商品信息主动推送过来，我立马下单购买，节省了100多块钱，并且我把这条信息通过微信分享到了朋友圈。

在这个过程中，我个人生产了睡眠数据、步行距离数据、地铁刷卡消费数据、地铁起点终点地理数据、京东购物数据、微信朋友圈数据，所以作为大数据生产者我一下子生产了这么多数据。而作为大数据消费者，在我以后浏览京东商城或app的时候，系统可能会向我推荐改善睡眠智能的枕头、篮球鞋或与篮球鞋相关的其他商品，而我朋友圈的朋友看到我的分享信息后，他们也可能因为我的分享而去购买。

而我们生产的这些数据，企业尤其是互联网公司拿到后，通过数学统计和挖掘的算法将其进行聚类、拆分和预测得到更多相关数据，通过这些数据对我们每个人进行标签化的描述。如性别，婚姻状况，兴趣爱好，收入情况，是否喜欢运动，促销敏感度等等，这样就得到了我们每个人的很多属性，如人口基本属性、购买能力、行为特征、社交网络、心理特征、兴趣爱好等等。

企业掌握了这些数据之后，他们如何来利用这些数据呢？是通过这些数据来做营销，如精准营销，广告的精准投放，商品的精准推荐？还是通过这些数据精细化企业内部运营管理？又或是通过这些数据改善生产工艺流程、指导产品的二次研发？那就看企业大数据修行的层次了。大数据应用的好，可以真正提升到战略高度，用的不好，大数据也就是锦上添花，可有可无的东西。

按照数据挖掘的聚类思维，企业数据可以分为内部数据和外部数据，内部数据又可以简单分为财务数据和供应链数据（大供应链概念）。当然不同行业的企业经营内容差别很多，如金融行业，涉及到投资、融资、现金管理等财务方面可能多一些，涉及到供应链很少，而生产制造或流通服务行业，涉及供应链的数据就会多一些。

财务数据主要是以财务报表，尤其是财务发布的三大报表为主，资产负债表、利润表以及现金流量表。之后是总帐，总帐里面记账会涉及到科目、科目不够用我们也会设置辅助核算，还有大多企业每年都会做预算，预算大多也是围绕财务指标制定的，或者是以财务预算为主倒推业务预算。当然财务管理中其中一大块还有资金管理。

供应链的数据种类就会更多一些，从供应链上游的供应商到下游的消费者，包括采购，仓储，物流，生产，销售，售后等数据。当然每个环节我们还是可以再进一步去细化。

另外，相信没有一家是自己关起来门来做生产，做营销的，都要积极地去参考外部数据，这其中就包括国家政策、经济环境、股市行情、竞争对手、主要原材料价格等。

大多数企业应该实施了BI系统或报表自动化系统，如果这些系统是由乙方单位负责规划建设，他们在规划或者实施过程中制定的系统方案架构图无非就是分三个层次顶多四个层次。

从下往上说，第一个层次元数据层或者数据源层，就是我们业务应用系统的数据，财务，供应链，人力资源，预算等等。

第二层次叫做大数据存储层，就是把下面每个层次的数据源采集到一个数据仓库里面去，之后就到了第三个层次，分析模型层，基于数据仓库构建分析模型，有的方案甚至将分析模型层直接省略掉，直接到了最后一个层次数据展示层，将分析模型中的数据展示出来。根据笔者多年从业经验，这样的组织形式顶多称之为BI系统，还不能称之为大数据系统。

京东大数据并不是一个单独的系统或产品，京东大数据应用已经融入到每个业务应用系统当中了。我们的大数据采集平台在不影响系统或产品效率以及客户体验的前提自动将所有数据定时、实时采集到Hadoop平台上，以大数据平台为核心，将经过加工、处理、分析和挖掘后的结果分发后各个业务系统以及数据产品中，如商城、采销、数据罗盘、领航等。下图仅供参考：

不是每家企业都是京东，也不是每家企业都是互联网公司，不是每家企业的业务都必须需要大数据的支撑。在满足自己业务需求的前提下，企业是不是也能玩一玩小数据应用呢？答案是肯定的，大数据应用也是可以分层次的，每个层次满足企业对数据不同层次的需要。大致分为5个层次，每个层次是逐级递进的关系。

1.业务监测

这是大数据应用的初级阶段，即传统的DW/BI阶段。在这个阶段，企业部署商业智能(BI)解决方案，其实就是一套自动化报表系统，用以监测现有业务的运行状况。

业务监测，有时也被称为业务绩效管理(Business Performance Management)，指企业使用基本的分析手段，来预警业务运行低于或高于预期的情况，并自动发送相关警示信息给相应业务和管理人员。企业业务和管理人员可以根据之前制定的预警规则，提前掌握业务经营情况，实现提前预警，帮助他们有针对性、有预见性的采取一些措施和手段，来防范于未然。

这个阶段最关键有两个要点，一个是预警规则的设计，经常采用的方法包括参照方法(同期比较、同类营销活动比较、同业标杆比较)或指标方法(品牌开发、客户满意度、产品绩效、财务分析)，指标分析法就是选择合理的指标，当然这里合理指标的选择说起来容易，其实做起来也要费一番脑筋的，给大家举个我之前碰到的例子，当时是给一个做离散制造的企业做方案设计，他们在库存管理方面绩效考核一个非常重要的指标就是存货周转率或存货周转天数，这本来是一个非常正常也是经常使用的指标，但是这家单位的库存管理存在假出库、假入库的情况，这种情况就造成了存货周转率这个绩效指标看起来非常好看，后来我们经过考虑改用动销比，存销比作为指标，将库存指标和销售指标联合起来组合使用，就避免了假出库、假入库的情况。举这个例子的目的，就是想说明我们在做业务监控的时候，指标选择很重要，既要准确、公正地反映出该块业务运营情况，同时还要避免人为造假的情况。

2.业务洞察

业务洞察意味着系统不只是提供数据报表，而是“智能”报表或“智能”仪表盘，需要根据历史数据进一步预测、挖掘出我们通过前面多维分析还不知道的一些数据了。

比如说，笔者以前在给杭州某家连锁酒店做项目的时候，我们需要根据该酒店在全国范围内投资过酒店的经营情况数据来做些更好玩的东西出来，如我们需要根据之前投资过的酒店的装修投入情况，不同档次当前出租率，酒店餐饮部门的上座率和翻台率，营业收入，成本费用以及当地城市竞争对手酒店情况来预测新投资一家酒店的投资回报率和投资回收期。另外，还有就是财务分析中经常会用到的杜邦分析，简单说下杜邦分析，杜邦分析就是从财务的角度对整个企业财务绩效情况进行综合分析的一个模型，他基本原理就是顶端是ROE，针对ROE我们可以分解为ROA×权益乘数，ROA又可以分为销售净利率×资产周转率，之后再次分解，最后成一个全是财务指标的树形结构。由于这些财务指标都是通过财务报表项目，会计科目和辅助核算计算出来的，所以他们之间存在着非常紧急的逻辑关系，这样的话，我们可以计算一些技术手段实现模拟预测，如做下一年预算或规划的时候，想让某些财务指标达到什么水平，我们事先将其进行调整，和他相关的指标也会联动，比如将净利润提高1%，销售收入、营销成本、管理费用等其他指标就需要达到什么程度?这样可以帮我们做到事先预测，更好地做规划和预算。

当然这个阶段可以做预测的还有很多，比如零售行业，大多品类的销售是有销售周期的，基于销售周期我们可以对销售进行预测。也可以根据历史用户对不同营销方式的响应程度、营销费用、营销商品以及营销效果之间的关系，较为准确的锁定目标人群进行有针对性的营销，提高营销效率，降低营销成本。

3.业务优化

业务优化对于绝大多数企业来说还是很具备吸引力的，这也是很多企业日思夜想的目标。其实在这个阶段我们可以一步步来，一点点来做，至少企业是有能力将分析技术嵌入到业务运营之中。这里举个我们之前给传统企业做过一个案例，像大多数企业一样， 这家企业也有ERP系统，在采购环节，我们可以将供应绩效模型引入进来，当然这个供应商绩效模型可能要考虑的因素会比较多，如供货质量、供货效率，次品率，售后服务等等很多因素，采购人员在进行采购的时候可以根据供应商绩效模型自主选择合适的供应商，这是一个例子，另外还可以将主要原材料的市场价格进行实时接入到采购界面，让采购管理人员可以自己掌握采购周期，合理安排采购计划。

在零售行业我们都知道，商品和商品之间，用户和用户之间，用户和商品之间是存在着很强的关联关系，就像大伙常说啤酒和尿布的例子，巧克力和避孕套的例子。这里可以大家稍微说下，大多电商是怎么做的，我们通过这些商品在被购买的记录中找出每两个商品之间的关联关系，这种关联关系并不是对等的，比如说购买了手机的用户一般也会同时购买手机壳，而买手机壳的人不一定也买手机，这就说明手机和手机壳之间是有关系的，而且是强关系。手机壳和手机之间关系是弱关系，这里关系的强弱我们用系数来说明。所以商品和商品之间的这种关系，我们就形成一个商品模型。基于这个商品模型，我们就可以更好向用户推荐他浏览过、购买过、收藏过、评论过的商品了。说完商品，我们再说用户，用户通过类似的浏览行为，搜索行为，评论行为以及购买行为，我们可以找到用户和用户之间的关系。基于用户之间的行为关系，我们可以向用户推荐其他和他相关度很强的用户购买或感兴趣的一些商品。这也就是好多互联网公司做广告推荐，商品推荐，促销信息推荐等常用的做法。

4.数据盈利

数据盈利也就是我们经常谈到数据变现，数据盈利的一种方式就是数据产品化。目前有很多数据服务类公司，可以采集到移动端游戏， app使用情况，用户行为等数据，通过他们数据挖掘和分析的技术，再通过产品或服务的行为进行输出即可实现变现的目的。另外，手机厂商，如小米、华为等，他们都拥有几亿的活跃用户，掌握一手用户在手机的行为数据，甚至包括支付数据。能变现的方面就有很多了，限制他们的就是他们的想法了。另外也越来越多的传统厂商将产品数据化了，如汽车+大数据 变成了特斯拉，家居+大数据变成了智能家居，当然这里能举的例子还有很多。

5.业务重塑

业务重塑应该是大数据成熟度模型的最高阶段。在这个阶段，某些企业希望利用对客户使用方式、产品效能行为及总体市场趋势的分析，将商业模式转换到新市场的新服务，例如：京东的新开展的业务，京东金融、京东智能。此外，我们可以发挥一下想象力，BAT有哪些业务是以主营业务数据为基础开拓出来的，是不是能想到很多？

中国乃至世界真正拥有大数据的企业不多，我们是幸运的，拥有电商全价值链的大数据，如何挖掘这座金矿？限制我们的只有我们自己的想法。

以上是小编为大家分享的关于京东分享 企业大数据的新认识与应用的相关内容，更多信息可以关注环球青藤分享更多干货

D. 什么是大数据的40页ppt免费下载

不要用设计模板，用修改背景的方法1、在幻灯片空白地方单击右键选择背景，可以选择填充效果 2、在填充效果立选择你需要的图片背景或者其他 3、最后选择全部应用就可以了

E. 企业如何应用大数据分析

企业应用大数据分析就要借助一些数据分析工具，比如商业智能软件FineBI，有了工具就专等于完成了一属半。一般数据分析工作可分为以下三个步骤：
1、明确业务需求
按业务驱动的角度，了解业务部门需要解决什么样的问题，业务范围是什么，所要达成的效果又是怎样，依据这些需求来实施部署商业智能工具。
2、数据结合与关联
由于企业数据海量的特点和多元化的结构形式，需要商业分析工具具有海量的数据探索和分析能力，能够实时有效的与已有数据结合，产生精确的行动方向。
此外，企业数据的价值最终体现在客户的消费上，因此，对于能直接产生价值的数据要和客户关系和交易数据进行结合和关联，从而做出直接导向效益的决策。
3、培养数据分析人才
企业的数据分析，商业智能系统的部署是关键，但业务人员数据分析水平也同样重要。这就要求人员在信息过程管理当中要逐渐培养科学化管理数据的意识，企业上下也要统一共识，从而形成对企业数据的综合管理。