大数据纯属忽悠

㈠ 大数据智能营销电脑是骗人的吗

首先，不存在上万个防封IP，这是我们达成的共识，我们也从来不跟客户讲有上万个防封IP。
那么为什么说我们要用一套专有的硬件系统呢？有两个重要的原因
第一点，因为软件性的产品属于不断更新，不断维护的产品。在不断的更新，维护，上新的时候，如果大家操作系统不一样，程序所处的环境不同，就会造成更新，上新后，某些功能不能正常使用。毕竟这是营销系统，不同于常规的办公软件，常规的办公软件可以兼容所有的系统。而很多电脑系统和营销系统不具备兼容性，所以我们才配备了一台电脑。
第二点，我们的营销软件，他利用的全部都是一些比如说微信，QQ的bug，我们系统所写的程序就会被杀毒软件误判为病毒给误删，几乎所有的电脑都会安装杀毒软件。所以我们就给客户配备了一套经过技术人员调试和调整了操作系统的电脑，这样的话，就可以完全满足后续的升级，更新和上新，也减少了客户在使用过程中的不稳定性
市场上有个别小公司同行大肆宣扬不需要配备硬件，说带硬件都是骗人的之类，这更说明两个问题，第一他们没有能力找到硬件厂家，（市场上大肆鼓吹不需要硬件的公司都有一个共同点，那就是他们公司不大，多以小工作室为主）另一方面也说明他们是一些破解版的小软件，没有更新，没有升级，所以破解之后可以直接拷贝到电脑上，谁要拷贝给谁就可以了，没有成本可言，算得上空手套白狼。

㈡ 零售企业如何面对“大数据时代”

零售企业如何面对“大数据时代”

当“物联网”、“云计算”我们都还没有理解清晰时，又出来了一个新名词——“大数据”，这些IT名词仅仅是概念，还是与我们所处的商业环境有直接关系？笔者认为，大多数的零售从业者都不能清晰地回应。

首先我们需要明白，商业行为的本质是什么？就是企业发现和挖掘客户需求，并提供有价值的服务以满足客户需求。最佳的商业行为就是企业通过提供不同形式的服务超越客户的需求，让客户的物超所值的感觉持续下去；这样的商业行为将能够获得更高且持续的利润。

“物联网”、“云计算”或“大数据”都是帮助我们发现和挖掘客户需求，提供快速和准确的市场数据以便客户及时决策的工具。相对传统的工具，它们更高效率、更低成本、更准确。笔者认为作为商业信息领域的从业人员，可以不需要过多地了解其内在核心技术及方式，但它们能够给零售用户和行业带来哪些变革或趋势是我们不能忽视的。

2008年马云成功地预测了经济危机，并帮助成千上万的小制造商准备了过冬的粮食。此举让马云在业内赢得崇高荣誉的同时，更为阿里巴巴带来持续的客户。马云如何做到这些事情的呢？是“大数据”给了他启示。马云对未来的预测是建立在对用户行为分析的基础上。一般而言，买家在采购商品前，会比较多家供应商的商品。此举反应到阿里巴巴的统计数据中，就是查询点击的数量和购买点击的数量相对会保持一个数值，综合各个纬度的数据能够建立用户的行为模型。因为淘宝网用户样本量巨大，从而保证了用户行为模型的准确性。“大数据”为阿里巴巴清晰地预测了用户需求和市场变化。

什么是大数据

相信马云的案例已经给我们一些启示了。

那么什么是“大数据”呢？谈到大数据，离不开物联网和云计算的关系。物联网、云计算和大数据实际上是不可分割的三大技术，不可孤立而言；物联网的快速发展为大数据提供了广泛的数据来源，云计算为大数据的诞生创造了基础环境，脱离物联网和云计算的层面，就没有大数据存在的巨大价值。

从数据的角度来看，物联网仅仅是数据的来源或者承载的方式，我们可以简单地认为是收集信息和数据的一种更加简单和有效的终端方式。

云计算是一种新的IT业务模式，这种模式的特点在于提供极低的成本、极快速的交付手段、极简单的使用方式，并且让各个关联的系统协同变得异常简单和轻松。云计算的蓬勃发展，客观上开启了大数据时代的大门，如果用高速公路来形容比喻云计算，那么大数据就是所有汽车中的货物。云计算为大数据提供了存储空间、访问渠道及运算能力。大数据是云计算的灵魂。

大数据技术简单来讲就是从各种类型的数据中，快速获取有价值信息的能力；在互联网时代，我们的数据已经不单单是传统的结构化数据了，非结构化数据、半结构化数据开始占据了我们数据的大部分内容，我们从中找到有价值的信息，已经变得不是那么容易。大数据技术的发展开始让这些问题的解决变得简单。

大家可以清晰看出，我们提及的智慧商业脱离了大数据是不可能实现的，大家熟悉的商业智能离开了大数据就是一个忽悠人概念了。

大数据具备四大特征：第一，数据量巨大，从TB跃升到PB级别；第二，数据类型丰富，包含日志、视频、音频、图片、地理信息、文档等等；第三，数据价值密度低，以视频数据为例，一个超过一小时的视频，可能有价值的信息不到三秒；第四，数据处理速度快，要达到秒极，需要能够实时获取有价值的数据。

这些还都是大数据的概念和特征，回归到我们实际的商业行为中，大数据能够为我们带来什么益处？

以往我们进行商业判断时，大多靠我们的经验和直觉，所以会出现不是很确定的判断或者走一步看一步的探路式情况发生。大数据时代很多企业的正确决策是依靠数据分析得出，从而为企业带来巨大的运营效益。麦当劳、肯德基以及苹果公司等旗舰专卖店的位置都是建立在数据分析基础之上的精准选址。在零售业中，数据分析的技术与手段更是得到广泛的应用，传统企业如沃尔玛通过数据挖掘重塑并优化供应链，新崛起的电商如卓越亚马逊、淘宝等则通过对海量数据的掌握和分析，为用户提供更加专业化和个性化的服务。

各类企业如何应对大数据时代发展

我们怎样来面对大数据时代？笔者认为可以分为几步来考虑。

首先企业的领导者要重视大数据的发展、重视企业的数据中心，把收集客户数据做为企业运行第一目标；第二，对企业内部人员进行培训及建立收集数据的机制；第三，以业务需求为准则，确定哪些数据是需要收集；第四，确认在企业已有的数据基础上或者未来方向前提下，如何达成前三项目标的基础建设方案。

看完这些，很多人会认为，这些IT基础工作需要巨大的投入和庞大的信息化团队，做为中国商业最大的一份子——中小微型零售企业不可能或没有足够的能力来面对这样一场变化。

大中型企业因为本身业务及利润的积淀，已经能够承担这样一场需求趋势的需要成本。中小微型企业还处于快速发展过程中，如果也如同大中型企业进行全方面投入，将很快会被新型的IT工具拖垮或者遭受重创。幸运的是IT的发展为所有的企业都提供了平等的选择，云计算的广泛应用即是对这样一场变革带来的临时礼物。做为中小微型零售企业，完全不必考虑自己建设一套IT系统，他们从精力、成本、能力上来说都不适合，因此此类企业可以将企业的IT建设外包给适合的服务商，企业本身的所有精力投入到客户的开发上。

亚马逊在全球率先推出了云服务的基础平台，为中小微型商业企业提供了大型企业和超大型企业同样的基础环境及系统架构，小企业只需清晰规划自己的目标和适合的步骤后，使用云平台按需付费即可，大可不必进行巨大的初始投入及不可预测的运行成本。目前国内已经出现一批在为国内中小微型零售企业提供类似服务的信息服务商，比如基于客户关系管理的“XTOOLS”，基于客户服务的“迅鸟”云呼叫平台，基于连锁店面管理的“甩手掌柜”等等。至于各中小微型企业怎么选择适合自己的发展平台，则需要依靠该企业领导者本人的智慧。

以上是小编为大家分享的关于零售企业如何面对“大数据时代”的相关内容，更多信息可以关注环球青藤分享更多干货

㈢ 各位网友好，大家互相转发，大数据云定位是骗钱的。

发到让人人都能看到的网上，以不让更多的人受骗，我被骗了88元，找一个欠我钱不接电话的人结果交了八八元提示还交就是个骗子网。

㈣ 大数据智能营销系统是骗人的吗

至于是不是骗人的，我们不妨先来了解一下什么是大数据智能营销系统，是一套具备营销功能的神奇软件，一套可以在微信、扣扣、短信、邮箱上自动跑业务的营销软件，拥有一套系统，顶10个业务员，让营销变简单，让推广全自动。自动营销，自动接单。

那么，我们可以再来看看都有哪些功能：

1.采集功能

大数据采集板块：可以帮助您采集到全国各地各行各业、所有公司、店铺、零售商+老板手机号、扣扣、邮箱等精准有效信息，而且通过关键词还可以提取各种资源群信息。

2.推广功能

信息推广板块：可以通过扣扣、微信、短信、邮箱让你不进群强制向群成员推送广告信息，可以让你手机群发短信，也可以扣扣邮箱每天推送40万条有效信息

网络推广：让你的网站，个人网站排名提升，并且可以提供超级外联。

3.营销功能

俗话说的好，量变产生质变，每天定向推送40万条有效信息，有需求的老板看到肯定会主动联系你，还会提高你产品的知名度！

以上这些只是我本人对于大数据智能营销系统的一些理论上的了解，至于具体操作实践效果如何还没有试过，所以说呢，是不是骗人的没法给你一个准确的答案，但是本人也要提醒一下题主，现在网络上充斥着各行各业的骗子，如果在网上购买这个的话，交易需谨慎，希望不要别骗哦。

㈤ 关于物联网,你别被这5个大数据忽悠了

关于物联网,你别被这5个大数据忽悠了

但它的概念非常模糊。在一些谈话中，不同的参与者用“大数据”所表示的意思可能有以下三种：1.大量的数据;2.超出传统数据库功能的数据集;3.使用软件工具来分析前两个意义的数据集。

物联网最显著的效益就是它能极大地扩展我们监控和测量真实世界中发生的事情的能力。车间经理知道如果发动机发出呜呜声就说明出现了问题。一个有经验的房主知道烘干机的通风系统可能会被线头塞住，从而导致安全隐患。数据系统最终给予了我们精确理解这些问题的能力。

然而，挑战在于使这些让信息更有价值的系统和商业模型不断发展。想一下智能恒温器在峰值功率很紧张的情况下，公用事业单位和第三方能源服务企业想要每分钟准确更新能源消耗情况：通过精确调整能源并最大化节省能源，使得夏季普通的一天和节约用电的一天能够有明显的区别。但如果把时间缩短到午夜至凌晨四点间，对信息的需求就不是那么急迫了：数据主要在确定长期趋势时才能有价值。

现在从消费者的角度思考。15分钟的数据更新间隔都有可能导致超负荷。这不仅仅没有价值，还可能会造成贬低它价值的麻烦事。相反，消费者所需要的不过是一份能够指明一些趋势的月度总结表。

我经常跟人们讨论关于“数据价值”的挑战。下面的列表总结了数据的一般类别以及制造商和服务提供商所追求的机会。

五种大数据类型

状态数据

冷库中的空气压缩机是否正常运作?它们中是否有一个已经罢工了?不用担心，状态数据可以提供供应商和消费者关于物联网的实时动态数据。

状态数据是物联网数据中最普遍、最基础的一种。事实上所有事都会产生类似的数据，并把它作为基础。在许多市场中，状态数据更多地被用作进行更复杂分析的原材料，但它也具有它自身的重要价值。

看看Streetline是怎样找到停车位的——它创造了能够提醒订阅者空余车位的系统。当然，长期的数据能帮到城市规划者，但对于消费者来说，实时状态数据才是最重要的。

定位数据

我的货物到哪儿了?它到达目的地了吗?定位服务是GPS应用的必然趋势。GPS非常强大，但在室内、人潮拥挤的地方以及快速变化的环境中的效果并不明显。那些试图追踪托盘以及机械叉车的人可能会需要实时信息。

作为早期的物联网市场，农业领域也需要充分利用位置数据，因为农场主通常需要在很大的地理面积上定位自己的设备。我们已经看到了一些能够帮助人们定位钥匙的消费品的出现，这意味着在为商业和工业用户提供服务的领域存在着更大的市场，尤其是在时间紧迫时，这些领域有大量的资产需要追踪的情况下。Foursquare针对油漆仓库的发展就是抓住了这样一个巨大的机遇。

个性化数据

不要用个人数据来拒绝个性化数据。个性化数据指的是关于个人偏好的匿名数据。消费者自然会对自动化产生怀疑。因为一些住宅管理系统比起你的舒适更关心节省的成本，所以往往你不想困在一个昏暗的办公室或者冰冷的酒店客房。自动化技术同样也存在安全隐患。

尽管如此，自动化也是不可避免的。没有人会为了节省4.75美元而不停地用手指来试恒温器的温度。同样，那些依靠人工交互的照明系统也失败了(一些智能照明生产者希望用他们的传感器数据告诉商店的管理者何时应该打开结账通道)。挑战将围绕开发应用程序和产品规则而展开。

可供行为参考数据

把这个看作是有后续计划的状态数据。建筑物消耗了整个国家电力的73%，并且其中一大部分(根据EPA显示，最高达到30%)被浪费了。为什么呢?因为对于大多数建筑物的所有者来说：能源是次要的问题。他们虽也想解决这一问题，但担心成本、精力以及一些棘手的局面所产生的损失会超出收益。

对于这一问题相应地产生了两种方法：1.能够改变系统实时状态的自动化技术;2.能够使人们改变行为习惯或者做长线投资的说服力。Opower开创了关于说服力的解决方案，也就是提供用户及其邻里之间使用能源的对比数据。根据他们自己的研究，这些具有说服力的数据能使能耗降低2到3个百分点。

反馈数据

你了解你的顾客的真实想法吗?你也许认为你了解，但是你可能错了。在不远的将来，生产者还能分析从已销售的产品中获取的数据，从而更好地了解产品在现实世界中的使用情况。现在大部分公司并不太了解他们产品的使用状况。这些产品从分销商处装运，从零售商处销售，最后进入了千家万户。而使用者和生产者可能永远都不会有交集。

物联网创造了一个从消费者到生产者的反馈回路，在这里产品生产者可以通过适度水平的隐私、安全以及匿名性来检验产品的实际表现，并鼓励持续的产品改进和创新。

以上是小编为大家分享的关于关于物联网,你别被这5个大数据忽悠了的相关内容，更多信息可以关注环球青藤分享更多干货

㈥ 朱记大数据就是骗子公司，变相传销。根本不是很联通合作商，办理分期贷款利息特别高，按时还款还说逾期！

完全是骗局，请千万别相信，义乌已被工商查了，确定是传销

㈦ 大数据可能是一场骗局

大数据可能是一场骗局
几乎每天都能看到有人在谈论大数据，让人好生厌烦。什么是大数据（Big Data） ? 简单一点可以理解为超出传统数据管理工具处理能力的大规模、复杂的数据集合。判断是否数据大数据的范畴，要从三个维度来衡量：数据量（Volume）、处理速度（ Velocity）以及数据种类（Variety）。

大数据（Big Data） 是 2012 年信息技术领域最时髦的词汇。当然，跟所有曾经的时髦技术热词一样，最后可能是一场骗局。为什么？
大数据是个相对的概念，新瓶装旧酒
有些人所说的大数据处理方式，不过是在既有的方案上包装了一下，新瓶装旧酒，只为赶时髦。今天的大数据可能到了明天算不上大数据。过去我们也曾经对「海量数据」望而生畏。但海量数据时代并没有给多少企业带来革命性的变化，在 MapRece 以及 Hadoop 出现之前，没有多少企业能够轻松的对数据进行大规模并行计算（奇怪的是，那时候没有多少人提大数据）。而 NoSQL 的出现也为处理数据的方式带来了更多可能性。我们突然发现，处理数据能力已经悄然增强。
大数据是机会，但不是所有人的机会
大数据的商业前景被过分夸大了。到目前来看，只有为数不多的企业真正拥有大数据，而且这些数据的管理、处理、分析并没有带来所谓空前大的挑战。因为新的工具、新的计算方式已经已经具备处理这些数据的能力。
大数据是机会，但只是少数人的机会，更多是巨头们的商业障眼法，比如 IBM 、Oracle、微软，他们提倡甚至夸大大数据的目的还是为了向你兜售他们的工具，兜售他们的解决方案，确切的说，从你身上赚钱。更有甚者，居然是向你兜售硬件，这不完全是扯淡么？ 大硬件还差不多。
中小型公司应该绕道走，别唯大佬们马首是瞻，别总去凑热闹。你所需要的东西，通过开源社区就可以获取到，参加各种大佬们口沫横飞的会议还不如和工程师聊聊可以运用什么工具来具体操练一下。适用好比什么都重要。创业公司也应该绕着大数据走，这未必是个好方向。 大数据的确会有价值，但没有那么大
必须要承认从某些大数据中会挖掘出新的价值，但这个价值只是附加价值，没有理由去夸大他，更没有理由去无端的想象。你可以说这篇沙漠可能有金子，但并不是说沙漠中一定就能挖掘出金子。
从现在业界一些公司拿出来的所谓的大数据应用实例来看，依然只是在利用传统意义上的数据价值，只是巧妙地把这笔帐记在了大数据上而已。一个电子商务网站说什么地方的人买东西最疯狂或是什么型号手机最好卖，这会是大数据分析的结果，完全是扯淡嘛。难道数据仓库系统分析出来的结果和这个大数据出来的结果会有不同么？
不算结束的结束语
大数据不会是什么商业模式的变革，重视大数据，但没必要抱着大数据的大腿，尤其是在业界对于数据还不够重视的时候，就更别说大数据了。相信随着时间的推移，大数据这个词会和信息爆炸、网格计算、云计算等逐渐被淡忘，当然，到时候可能出现新的时髦词汇了。
没有大数据，只有数据；没有蓝海，只有大海；没有先知，只有忽悠。

㈧ 大数据征信与“大忽悠”征信的距离有多远

大数据征信与“大忽悠”征信的距离有多远
大数据征信自今年异军突起以来就被认定为“救世主”般的角色，成为资本和市场追逐的对象。被负面舆论逼入“墙角”的互联网金融更是如获至宝，感慨找到了解决风险管理的“良药”。不过，方兴未艾的征信行业尚不足以支撑起不断扩展的商业蓝图，其最核心的独立、客观、公正、规范原则岌岌可危，稍有不慎，或将沦为一场虚有其表的“概念游戏”。
或正如征信第一股商安信CEO陈晓东先生所言，国内征信市场现在处在一个一哄而上的阶段，以后会有一个沉淀的过程，优胜劣汰，剩下来的将是具有优质数据和强大评级体系的征信机构。真正的爆发期将出现在市场沉淀之后。
那么何为征信？仿若斡旋云端、披着面纱的征信其实没那么神秘。
征信是专业化的、独立的第三方机构为个人或企业建立信用档案，依法采集、客观记录其信用信息，并依法对外提供信用信息服务的一种活动。按业务模式可分为企业征信和个人征信，按服务对象可分为信贷征信、商业征信、雇佣征信等。
我国征信业起步较晚，信用生态建设相对滞后，但在互联网时代却存在独特的机会。在互联网金融发展如火如荼之际，基于大数据技术的互联网征信应运而生，一举踏上风头浪尖，又反向推动了国内信用经济的发展。
截至2015年10月底，国内出现问题的互联网金融平台数已达到1078家，其中10月新增47家。互联网金融在一定程度上覆盖了传统金融服务盲区（央行征信系统收录自然人8.7亿多，但有信贷记录的自然人仅有约3.7亿，这意味着还有四分之三的人在申请信贷等服务时会遇到障碍），但是由于信息不对称、信息采集难等因素，一直处在野蛮生长的状态。
对金融业，征信完善了对风险的识别、判断、评估和管理，有利于加快授信过程，分级定价，降低优质借款人借贷成本，大幅提高信贷效率，以蚂蚁小贷为例，放款时间基本在3分钟以内，小则几千，多则几万。对商业，征信逐渐被作为经济运行和社会管理的标准，以此撬动的商业模式创新迅速拓展至酒店、租房、招聘、旅游等行业。
金融服务对双11的渗透融合堪称互联网征信功成名就的一役。数家电商各领风骚出新招，最终交易额也不出意外地攀上历史新高。而在公众为天猫912亿的交易数据惊叹时，有心人已经发现，今日与往年不一样的气象。
双11当天，蚂蚁花呗共发放6048万笔消费信贷，占支付宝交易总量的8.5%，与其功能相似的京东白条，同比增长800%。首次接入双11的花呗与京东白条同为信用支付产品，即基于电商平台、支付等沉淀的海量数据，借助互联网大数据、云计算等技术，经过综合信用评估后，给予用户在指定店铺享受先消费、后付款服务的信用额度，并支持分期还款。
花呗对接的是蚂蚁小贷，京东白条对接的是京东金融。互联网金融深度嵌入消费场景，凭借更具便捷性、更具场景化、更个性化的产品迅速崛起。但相比传统消费金融（银行信用卡与消费贷款），互联网消费金融在征信、风控、资金周转、催收等方面仍面临着诸多阻碍和风险。
相对于传统征信多采用信贷数据和公共机构数据作为数据源，互联网征信拓宽了数据采集维度，包括电商数据、社交数据等，一方面能更加全面的反映信用主体的情况，但另一方面，由于央行征信中心的金融数据库还未向这些机构开放，其数据评估的准确性和公信力难免被人质疑。
大数据征信的软肋
今年，在政府鼓励和市场迫切需求双重驱动下，国内掀起了一股狂热的互联网征信浪潮，电商平台、互联网公司、大数据公司、支付机构、传统征信机构、P2P平台等都是不同的代表。从应用场景创新和品牌影响力上讲，阿里、腾讯、网络等互联网公司无疑更受瞩目。从专业性上来说，商安信、中诚信等传统征信机构在评级模型、商业征信业务等方面更具优势。
相比对企业征信公司的备案制，个人征信公司的审核制显得更为严格。今年1月，央行印发《关于做好个人征信业务准备工作的通知》，首批入围的芝麻信用、腾讯征信、前海征信等8家机构在年中完成验收工作。然而时至今日，仍未下发个人征信牌照，由此足见央行的审慎态度。
首批入围征信机构大部分将信用评分作为首推产品，并快速拓展应用场景，抢占市场制高点。如芝麻征信的“芝麻分”和考拉征信的“考拉分”已经应用到酒店、租车、旅游等多个场景；前海征信的 “好信度”目前主要服务于金融信贷，华道征信已推出的“猪猪分”专门用于检验租房者信用状况，中诚信的“万象分”则可以用于就医、保险领域。
但已经有不少人心存疑虑，质疑大数据征信的含金量和可靠性：
1、 数据整合难：央行征信系统并未开放，征信机构无法获取珍贵的信贷数据，而央行对企业在小贷、租赁金融的信贷行为也难以全面掌握；公共数据广泛分散在工商、质检、海关、税务等政府和业务管理部门，虽然建设统一信用信息平台已提上日程，但数据孤岛的问题仍难解；芝麻信用、腾讯征信等所背靠的集团，以及各类P2P平台自建的征信公司本身存在业务交叉和竞争关系，共享“黑名单”易，共享“白名单”难。
2、 数据标准缺失：到底哪些信息需要列入征信评估范畴还没一个统一的界定，越来越多的信息被纳入征信范畴，交通违章、地铁逃票等似乎什么都可以往里装，这些都可能构成个人不良征信记录影响个人信贷。
3、 公信力遭质疑：“征信采集者与使用者没有任何关系”的独立第三方原则被模糊，首批入围的民营征信机构数据的采集和使用都与自身有着千丝万缕的联系，这就决定了现在市场中的很多模型只能适用于自己的小生态，同时民营征信机构既做裁判又做选手，最终评价的公正性或在市场份额争抢中失衡。
4、 评级模型五花八门：中国并不缺数据，但缺乏可以数据通用的评估模型。国内个人征信大多模仿了美国FICO的模型，但在评估维度上五花八门，加上采集的数据差异，这就造成同一个人在不同平台得到的评分可能会千差万别。而企业征信的评级模型，以及债券评级模型的严谨性、科学性在国际上并无强公信力。
业内专家指出，只根据数据分析出的规律并不全面，如果仅据此进行风控审核，难免会出现疏漏或偏差。大数据只能作为辅助手段，不能作为风控的决策依据。
日前，有媒体报道，商务部正在酝酿制定《互联网金融机构信用评级与认证标准》。中国互联网金融信息查询系统主任、《标准》制定课题组副组长徐洲指出，只有独立的第三方才能避免为利益左右，才能把促进行业规范发展放在第一位，做到客观、公正、及时的信息披露。
某金融研究机构人士分析认为，一个从各处收集数据并完成大数据征信的机构，不能是数据来源方，也不能是金融服务的提供方，这样才能避免数据打架的现象。征信行业要真正兴起，发挥应有的作用，还是需要发挥出商安信、中诚信等独立第三方征信机构的力量。
市场在哪儿
千亿、万亿？关于征信市场空间有多大的讨论一时沸沸扬扬。
平安证券发表的征信行业专题报告《计算机行业征信市场系列研究》预计，中国征信行业未来市场规模将达千亿元，其中企业征信市场规模有百亿元，个人征信市场规模有千亿元。
美国富国银行高级副总裁王强在《给中国个人征信市场估值》中预计，中国个人征信市场规模大概350亿美元。换算成人民币，超2000亿元。
不过，央行征信管理局局长王煜却给市场泼了一盆冷水，其认为征信市场容量有限，不容易赚钱，有人号称征信市场有上千亿的潜力，有忽悠的成分。资金不是最重要的，更需要技术、人才，需要反映信用信息的数据。搞攀比，抢位置，不真心干或者说没有能力干，是不可持续的。
征信属于信用服务业的一环，作为一个服务行业，它的的市场到底在哪儿？
1、 国际商贸。国内征信起初是为配合对外贸易调查的需求而产生的，包括企业和保险机构的信用核实、资信报告服务等。最早的企业征信机构是由政府部门主导建立，但其自身具有严重的局限性，后大量民营机构和外资机构介入市场。
目前来看，国内提供贸易征信服务比较成熟的民营机构仅有商安信一家，但其依托的也是世界前三的信用信息服务机构Creditreform在评级体系和数据资源上的支持。作为传统征信机构，商安信挂牌上市以来积极谋求进军互联网征信，11月份已发布三款新产品：3A-biz 2.0商业风险管理多应用平台、3A-eBiz移动端和3A-Verify。3A-biz 2.0商业风险管理多应用平台，打通了信用认证、评估、核实等应用场景和传统PC端与手机移动端的数据交换通道，与市场中偏重打分的产品截然不同，具有一定的行业跨越意义。
随着中国对外开放的升级和“一带一路”新战略的实施，贸易环节的信用服务有增无减，市场容量很大。
2、 互联网消费金融。国务院11月23日发布指导意见：积极发挥新消费引领作用，加快培育形成新供给新动力；支持发展消费信贷，鼓励符合条件的市场主体成立消费金融公司，将消费金融公司试点范围推广至全国。
在我国，可以提供消费信贷服务的主要为银行、小贷公司、消费金融公司。银行的消费信贷服务由来已久，包括信用卡和消费贷款，但是受限于审核标准，长时间的审核流程、三、四线城市开发缓慢等因素，一直处于不温不火的状态。随着金融服务与互联网不断纵深融合，互联网消费金融产品迅速崛起，成为消费金融爆发的重要力量。据艾瑞咨询公布的首份消费金融报告数据显示，预计到2017年，中国消费金融整体市场将突破千亿，三年复合增长率高达94%。而作为互联网征信作为消费金融推进的基础，市场也有随之爆发的可能。
3、 信贷业务。中小企业融资难由来已久，一方面是因为企业资质有限，缺少实物抵押，抗风险能力低，另一方面是因为银行近来随对中小企业融资虽有所倾斜，但额度仍然有限，流程依然复杂。互联网金融在一定程度上解决了这一问题，并催生了对征信的巨大需求。现今中小贷款机构在项目的风控环节主要还是靠人力审查，纸质材料传递，外加灰色渠道查央行征信。贷前黑名单扫描及贷后管理跟踪基本为空白。整体风控的效率非常低下，以及流程容易受人为因素干扰出错等。
在个人信贷方面，互联网金融提供者倾向于自建平台，合作共建行业黑名单，以规避风险提高效率。而在企业信贷方面，则更多依赖第三方征信机构的力量。在这里，就不得不提一下商安信所引入的Creditreform的SI评估模型（笔者十分看好）。和绝大多数企业评估模型侧重对历史数据分析不同，Creditreform侧重对流动性和短期偿债能力的监测，能直观反映企业近期状况与风险度。
另外，随着阿里网商银行和腾讯微众银行两家互联网银行的开业，以及其市场上各类小贷和消费信贷产品的陆续推出，传统银行以往依托于自身客户群体和线下的物理网点进行客户资料收集、信贷审核和贷款发放的传统模式必然会受到较大的冲击，预期未来银行将加强与征信机构的合作。
4、 应收账业务。信用服务业可分为前端的数据采集，中端的信用认证和信用评估，后端的资产处置。互联网征信公司大多仅从事前端和中端两部分，对后端的资产处置、应收账业务罕有涉及（难、累），目前提供这类服务的主要还是传统征信公司和第三方外包公司。
应收账业务包括企业应收账管理与金融机构应收账管理两大类。根据人民银行 2015年2 季度的数据，社会融资规模存量在 131.58 万亿，增速为 11.9%，年增长规模在 10 万亿以上。假设需要进行资产处置的资产为 1%，则市场规模达1.31万亿，空间极大，而企业应收账管理市场更是难以估计。
5、 对传统商业模式的改造。在这方面步子迈的最快的当属阿里旗下的芝麻信用，芝麻分高于600分可以免押租用永安城市自行车，在6000多间酒店免押金入住，650分以上可以在神州租车、一嗨租车信用租车，高于700分无须提供其他资料能申请新加坡签证。大数据征信应用场景拓展撬动的商业模式创新，动辄催生了一个又一个新市场，预期未来，这部分市场将把持在背景深厚的互联网征信公司手中。
作为一个新兴行业，征信业在发展初期出现混乱局面本无可厚非。但是，征信已逐渐充当起金融创新、市场运行和社会管理的基础桩，更需要慎之又慎的前行。

㈨ 大数据时代，容易被数据误导的八个问题

现在做销售、市场的人如果不懂得数据分析，用数据说话那真是落伍了。没见很多企业领导开口就是“拿数据给我看，没有数据我怎么做决策啊?”。可见数据分析在当今的企业管理中占据做非常重要的地位，并且数据分析师也是未来十年最有前途的十大职业之一。

先看一个利用数据忽悠人的案例： 在美国和西班牙交战期间，美国海军的死亡率是千分之九，而同时期纽约居民的死亡率是千分之十六。后来海军征兵人员就用这些数据来证明参军更安全。你认为这个结论正确吗?当然不正确，这两个数字根本就是不匹配的，当兵的都是身强力壮的年轻人，而居民的死亡率是包括老弱病残的数据，这些人相对来说，死亡率是高的。所以正常应该是用同年龄段的海军数据和纽约居民来对比。

其实你发现9‰和16‰根本就不具有可对比性。

企业管理人员对“假”数据是深恶痛疾。原因不言而喻：“假数据”造成资源浪费，决策失误，贻误战机等等。简单总结一下“有问题数据”的几个方面，帮助大家早日练成火眼金睛。需要提醒大家的是“有问题的数据”并不代表一定是“假”的数据，因为有的数据是真的，但是结论确实“假”的。常见的利用数据来

误导大家的情况有以下几种：

一、随意制造“假”的数据来忽悠客户或消费者

请原谅我用了“制造”这个动词。

这种情况随处可见，对于某些人或组织来说，数据的严肃性根本就是一句空话，他们是要什么数据就编什么数据，他们的名字叫”编“委。对于这种情况，我们一定要多问几个为什么，问清楚数据源就可以了。记住“无数据(源)就没有真相”。比如报纸的发行量永远是世界上最难解的谜题，我也不知道答案，我只知道：

1、媒体自己公布的发行量实际上是他们的最高发行记录，一般来讲大家习惯去掉“最高”二字

2、当年某些报纸为了创造最高发行量，直接把报纸从印刷厂拉倒垃圾站，这种情况是公然而无耻的作假，后被禁止

大家看看这句话中的数字是否有错误：公司业务员小强有24个客户，4月不重复客户购买比率为78%(备注:不重复客户购买比例=有订单的客户总数/总客户数)。答案是错误的，因为永远算不出来78%这个数据。

二、定向取值问题

这种一种具有隐蔽性和欺骗性的手段。何为定向取值?就是先假定一个结论，然后选取最利于这个结论的人群进行市场调查或研究，最后号称这个规律或结论具有普遍性。比如平均工资，我要让他高，就去写字楼访问，我要让他低，那就如劳务市场吧!这种方法是一种骗人的伎俩，要不得，可是很多人非常热衷!

把这种方法用到极致的是市场调查公司或某些政府机关。比如某年某地区说要在半年内将房价降价多少以上，半年以后他们真的做到了，可是老百姓并没有感到房价下降的趋势，为什么呢?原来他们玩了个数字游戏，半年前的样本是城区的房价平均，半年后加上了郊区的房价后取平均。

大部分市场调查公司是定向取值的热衷者。很多企业的老板会要求市调公司按照他们的结论来采样调查，然后用这个数据去做广告、公关，欺骗消费者。有些公司的调查数据是真的(即调查的样本数足够多，且没有定向选取调查对象)，但结论却是假的。因为企业也可以定向取结论。比如(此事例是为了说明问题，假设的数据，千万不要当真)，比如某种牙膏宣传：使用该品牌的牙膏后将使蛀牙减少23%，这个数据是市场调查后的数据。当然这个数据对你一定是有诱惑力的。因为你认为减少的反义词就是没减少!可你是否知道他的背后有可能是这样的：23%的人蛀牙减少，40%的人没有任何反应，37%的人蛀牙反而增多了(只是这种可能性不大)。

看看这幅画你就懂了

三、田忌赛马

田忌赛马的故事大家想必都听说过，利用田忌赛马来误导的情况也是比较多见的。看一个例子，2010年底某知名B2C网站搞了一个“全民疯抢”活动，活动结束后，某人在微博上写道：就成交数据看，在大促四日里的日均交易额已经远远超过了09年度国美、苏宁和百联三家线下大卖场的总和日均销售额。就这句话来说是没有问题的，错在前后数据没有可对比性，用自己促销时的最大值和别人的常规日销售来做对比，这样的对比没有任何意思。这个就好像刘翔参加残奥会比赛得了冠军又能如何?根本就不是一个组别。

再来看一组数据：2010年12月20日到12月26日电影《非诚勿扰2》和《让子弹飞》的周票房分别为2.4亿和2.1亿(备注：非2是12月22日上市，让是12月16日上市)。从这两个数据是否我们可以得出这样的结论：“非2”票房大大超越“让”的票房。从纯数据的角度来说，实际上这两个数据没有可对比性，不匹配。因为12.20-12.26是“非2”上影的第一周，是“让”上影的第二周。正常大片的票房高点都是在第一周。如果我们单看他们第一周的票房数据：让上市第一周4天票房共2.9亿，平均每天0.7亿，非2上影前5天票房2.4亿，平均票房约0.5亿元，“让”票房反而高很多!

田忌赛马实际上就是在选择数据的结论。数据的匹配性是我们时刻都需要提防的，这方面是极易犯错误的，有时候我们看起来非常合理的对比也有可能是非常不合理的。

四、数据分析的系统误差

数据分析有的时候是人为因素影响，有的时候还可能有系统误差出现。举说来说：假设人事部要在一个公司内部调查一下大家对新来的总经理的看法，选项有五个：非常喜欢、喜欢、没感觉、不喜欢、非常不喜欢。要求匿名投票。收回选票后结果如下：非常喜欢25%，喜欢40%，没感觉20%，不喜欢10%，非常不喜欢5%。由于是匿名投票你可能认为这个数据没问题了吧(假设没有拍马屁的现象)。

我的回答是不一定。因为很可能还有很多员工根本就没有投票。他们不投票的原因有可能是不知道该调查或忙没来得及投票等，还有就是这些弃权票很可能都是要投“不喜欢”的人，他们不想表达自己的真实想法，所以他们有“目的”的放弃了投票。想想联合国大会的弃权票吧，有点这个意思的吧。另外如果这个调查的五个选项改成如下排序：非常不喜欢、不喜欢、没感觉、喜欢、非常喜欢。还是刚才投完票的那些人来投，结果可能不一样哦!

强力推荐阅读文章

年薪40+W的大数据开发【教程】，都在这儿！

大数据零基础快速入门教程

Java基础教程

web前端开发基础教程

linux基础入门教程学习

大数据工程师必须了解的七大概念

云计算和大数据未来五大趋势

如何快速建立自己的大数据知识体系