如何做大数据投资

㈠ 企业想要成功布局大数据的七大关键步骤

企业想要成功布局大数据的七大关键步骤
在这个大数据已经成为市场一个美味的“大蛋糕”的今日，大多数企业都很想要分得一块。大多数企业正做好了布局大数据的准备，那么，该怎么做才能成功去布局?
最近，电子科技大学教授，云基地大数据实验室合伙人周涛在接受采访时提出，对于普通企业要通过修炼成为大数据企业，关键要做好7个步骤：
1.要实现数据化。企业要为此做好计划，到底需要保存什么样的数据，以人为中心的数据还是以产品为中心，还是更关注企业运营，需要做好这样的计划，然后再将企业生产经营中的数据保存下来，即便是现在看来没什么用的数据，未来也可能产生巨大的价值。比如说像售楼处、体验店客户的来访数据，就有必要完整的记录下来。包括怎么过来的，一个人来还是几个人，有老人和小孩吗，穿什么样的衣服等等，还有客户的情绪，看了什么，问了什么问题，最后买了什么东西，都是非常重要的数据。
另外，企业内部人力资源的各个方面也都可以记录下来，这些可以进行挖掘和分析的数据。他举例说，长虹公司在自己的生产线设置了很多传感器，监测温度、湿度、震动、噪音、颗粒等等因素，希望了解到生产过程中哪些因素会对员工产生明显影响。他们此前都认为温度和颗粒可能对于员工操作和产品质量影响最大，但是事实上最终数据分析的结果，温度是没有什么影响的，恒温的控制对于生产效率和合格率的贡献并不像想象中那么大，反而是噪音对于员工情绪以及生产的影响非常重要。要成为大数据企业，第一步企必须要实现数据化。
2.企业要自己培养一些大数据理念，或者是小数据挖掘的团队。做大数据，企业的规模不一样，要求也不一样。如果企业规模足够大，比如说是电信运营商或者电力、银行这样的行业，可能会形成一个大数据的团队。如果不是，比如说就是简单的服务企业，那么形成理念就可以了。现在我们认为比较好的数据科学家，也不是说就是特别擅长或适应网络，这样的人不重要了，重要的是要有武器，什么样的问题来了知道怎么解决。
关键我们认识是要培养四种理念：
(1)除了结构化数据以外还有文本、音频、图像、遥感、网络、行为轨迹、时间数据，这些数据怎么处理，它存在的大挑战是什么。
(2)一定要懂预测，因为绝大部分的大数据应用回到预测中，预测里面很多方法都是基准学习的，而基准学习目前最火的方向是集群学习。
(3)要走分布式存储计算，这绝对不是说我知道给Hadoop 、Maprece、Hbase就够了，关键问题是首先要知道怎么样去搭一个混合式的，你的数据来了，我到底是应该牺牲我的一致性还是牺牲操作性，大概的成本多少，哪些数据挖掘的重要算法我要把他Hadoop、Maprece实现，哪些算法要通过SPTA，可变逻辑治理是在硬件里面，从而替代CPU、GPU。
(4)需要整个数据向外的发展，知道哪些数据可能在外部产生什么样的重要价值，或者外部的数据能够在你的企业产生什么样的重要价值。企业应该培养出这四个能力，建立起企业数据挖掘的人才团队。
3.企业一定要做好自己的外部数据储备。我们都说“书到用时方恨少”，很多的企业，比如说像服装销售这样的传统行业，我要进的货在淘宝、天猫上卖的怎么样?在淘宝、天猫哪一个店铺怎么样?它的竞争品牌是什么样售价，怎么样销售的?对于这样一些数据，如果到需要的时候才去找，往往都来不及了。同样的道理。比如银行给中小企业发放贷款的时候，希望了解到它的用水、用电、生产、交通数据，例如通过摄像头就能知道这个企业到底有多少车运行，这些数据可能对于中小企业发放贷款决策都很重要。但是当你要发贷款的时候，再去问已经没有机会了，或者说成本太高了。我们建议，企业应该学会通过公共渠道或者数据交换的方法，根据自己的业务需求来量身定做自己的外部数据和战略数据。
4.企业要建设自己的大数据管理与应用平台。对于很多企业，做大数据并不是意味着要自己去建设数据中心。随着云计算和云数据中心出现，使用外部数据中心的成本已经非常低了，数据存储的费用也是在成倍的下降。但是，企业要做大数据，必须要在IT基础设施方面具有比较好的数据处架构，要用大一些工具比如数据分布式存储、Hadoop等等。很关键的企业不仅要具备一个数据中心的硬件，还要考虑和企业业务方向结合，不仅就是包括了数据的采集、数据库架构，向上的分析模块，再往上的API数据出口，以及横向的一些业务模块和出口这些东西。要做成企业的大数据管理应用平台，我们强调一定要从企业的业务出发，量体裁衣，企业首先必须要搞清楚自己的业务形态是什么。
5.大企业一定要有数据侦测的能力，需要有创新思维的人随时思考这些问题，比如企业占有的数据到底在外部能够产生什么样大的作用。就像我们经常拿雅昌艺术中心的例子，它存了很多艺术品的数据，所以最后它可以发布艺术指数。同样国家电网也发布两个指数，一个叫重工业用电指数，一个叫轻工业用电指数。淘宝网有它的CPI指数，还有很多企业的一些数据，实际上都可以发挥想象不到的价值。
6.一个大数据企业包括未来现代化企业，一定要有开放共享的态度。一方面需要企业把自己的很多问题社会化，另一方面企业要尽量去通过一些平等办法，通过数据交换的方式互相共享形成数据化。
7.企业还要做好数据方面的战略投资。我认为有三种比较先进的模式。
一种模式叫做产业链布局，比如说海尔、长虹可以投物联网，对物联网企业创新进行投入。比如说中信集团可以关注医疗，在这个方面寻找相关的数据应用。
第二个方面就是技术，你要知道哪些是硬技术创新，特别是在基础术设施层面的，比如加速存储，云计算的一些技术，比如数据挖掘，垂直应用分析，这个方面集中了很多创新也可以形成很大的规模。
第三种模式是数据集方面的投资，我们知道阿里巴巴投资高德是为了数据，它投资新浪微博不仅是要投钱还要花钱买数据，所有这一切本质还是想把数据流动起来做更大的事情。这种投资就是集成数据，强调数据流动性。这些投资里面有几点是需要注意的，一是要去关注企业的数据价值，其次要关注早期的投资，去长期指引而不是短期追逐回报率，最后还要多关注传统行业。
周涛教授提出，大数据的本质不在于数据量有多少，也不在于是否是异构的数据，而是在于数据是关联的，整体的数据可以流动起来。他认为，跨领域关联，通过一加一产生远大于二的价值才是大数据的精髓。
当然，数据本身并不产生价值，只有通过大数据的分析去解决难题才是价值，而大数据对于企业营销的作用是可大可小的，不过在这个把大数据作为概念的时代，企业还是要做好布局大数据的准备，向大数据企业修炼。

㈡ 现货原油投资大数据怎么做单

EIA数据或其他数据都包含三项数据，分别是前值、预测值、实际值：

1、每次数据发布前，根据衫拦已知的前值与预测值，对于可能出现的价格路径进行预判；
2、单纯数据的角度出发，当发布的实际值：
实际值>前值>预测值 利空原油
实际值<前值<预测值 利多原油
前值<实际值<预测值 先涨后跌
预测值<实际值<前值 先跌后涨
经过统计以上数据的对比，隐团属于大概率出现的情况。
3、要准确做好EIA，可以以技术分析为核心提灶塌橘前测算阻力点位，在结合以上方法效果会更好。关于具体的方法，留言或点我主页交流。

㈢ 大数据基金该怎么投

大数据基金该怎么投_数据分析师考试

自去年以来，大数据基金纷纷成立。在运作了将近一年的时间里，这些大数据基金体现出来的特性如何？适合什么样的投资人？如何投资才能收益最大化？

风格迥异

目前市场上正在运行的大数据基金有4只，分别是中证腾安价值100指数、中证网络百发策略100指数、中证淘金大数据100指数和大数据系列策略指数（i100和i300）。4只跟踪上述指数的基金分别是博时中证淘金大数据100、银河中证腾安指数，广发百发100、南方大数据100。

具体从4只指数基金来看，风格迥异的同时也有相似点。

广发百发100跟踪百发100指数。该指数采用网络金融搜索和用户行为大数据，通过相应的数据挖掘和分析手段，将涉及特定金融实体的数据进行自动分析、归并、统计和计算，并引入量化投资模型，编制股票市场指数。

南方新浪大数据i100与广发中证100较为相似，它以新浪财经的互联网财经大数据应用为特色，基于财经新闻媒体与社交平台海量大数据，在选股策略上，i100指数综合财务、市场驱动、大数据三大因子。

博时中证淘金100，从编制方案来看，以电商商品类目相关中证三级行业的所有股票为样本空间，从中根据综合财务因子、市场驱动因子、聚源电商大数据因子选取综合评分最高的样本股，并采用等权重计算。数据来源为支付宝的实际交易，包含了行业的价格、销量、人气等景气程度数据。对样本空间的股票，按其综合财务因子、综合市场因子和淘宝大数据因子计算的综合评分降序排列，选取排名前100名的股票作为中证淘金大数据100指数成分股。

银河定投宝中证腾安价值100更偏爱被低估的上市公司：指数依据定价偏离程度排序，佐以质价比率、公司资质、每股评分等多项财务指标，选择市场价格相对低估的100家上市公司股票为样本。指数样本主要集中于工业、可选消费及医药卫生三个中证一级行业，样本数量分别达到30只、23只及14只，合计权重达67%。信息技术、原材料、金融地产、主要消费、电信业务、能源及公用事业依次排名4到10位。

高贝塔适合波段操作

从这些大数据指数走势来看，更具备高贝塔产品的特性。

今年以来，淘金100涨幅86.37%，中证腾安价值100涨幅64.01%，网络100涨幅51.65%，新浪大数据i100涨幅82.37%。同期上证综指今年以来的涨幅为25.83%，沪深300涨幅18.18%，创业板指数涨幅96.89%。

自6月份发生的股市大跌，沪深300由最高点跌至近期最低点的跌幅为34%，上证指数跌幅不到35%，创业板指数跌幅51%。同期，淘金100跌幅46%，中证腾安价值100跌幅44%，网络100指数跌幅49%，新浪大数据i100跌幅42.7%。

从4只大数据基金或长或短的历史业绩可发现，大数据基金相对于普通的权益类基金在股市中表现为净值波动大。有基金经理表示，与成熟市场主要由理性机构投资者构成相比，A股市场仍以散户为主，因此市场受投资者情绪影响很大，投资者情绪可以更多地反映在互联网大数据上，但投资情绪的巨大波动也会带来互联网基金的高贝塔属性，对此投资者要有心理准备。从目前来看，投资者在市场低位布局该类基金，等待市场热度提升，是比较好的方法。

以上是小编为大家分享的关于大数据基金该怎么投的相关内容，更多信息可以关注环球青藤分享更多干货

㈣ “大数据”要这样用才赚钱!

“大数据”要这样用才赚钱!

大数据的生意经其实很简单，就是收入增加，花费减少；就是增加客户，提高客户体验，提高资金回报的杠杆率；大数据应用成熟之后，大数据可以预测商业未来，发现新的商业机会。
一石激起千层浪，国务院发布的2015 第50号文《促进大数据发展行动纲要》刷满了朋友圈，特别是其中提到了大力推动政府部门数据共享，稳步推动公共数据资源开放。2017年底前形成跨部门数据资源共享格局，到2018年实现统一共享平台全覆盖和数据共享及交换。2020年培育10家国际领先的大数据核心龙头企业，500家大数据应用、服务和产品制造企业。
众所周知，大数据商业价值巨大。但是中国大数据的商业价值还没有被充分挖掘。主要的困难在大数据的分散，具有价值的数据大部分集中在在政府内部，垄断国企业，以及互联网巨头之中。分散的数据无法帮助企业拿到具有价值的信息，无法实现大数据的商业变现。政府开放数据，以及大数据交易市场的建立是中国大数据商业价值应用的重中之重。
另外大数据的应用场景和大数据隐私问题，也是大数据商业应用功能的两大问题，不知道数据应用场景，就无法寻找具有价值的数据，就无让数据发挥作用，大数据的应用就会停留在解决数据采集、处理、存储等大数据1.0时代的低级阶段，无法实现大数据商业变现，无法激励企业进一步投资大数据，无法形成数据价值应用的生态循环。大数据隐私问题是所有企业不能回避的问题，到底何种数据可以进行交换，何种数据可以采集和变现，何种数据可以作为商品在市场流通，这些问题既影响个人隐私保护，又影响到企业购买数据产品的积极性，同时也影响了数据企业的发展。
中国大数据企业分为三类，一类是大数据技术公司，为企业提供大数据平台搭建，技术咨询，大数据计算和存储的产品，例如华为、亚信、浪潮等传统IT公司。一类是大数据服务公司，为企业提供基于大数据技术的服务、平台、产品。包括为企业搭建大数据挖掘工具，搜索引擎，分析引擎等大数据处理平台，大数据清洗和挖掘服务例如明略科技，ADMaster，百分点。最后一类是提供数据产品的大数据公司，他们拥有数据，加工生成具有价值的数据，为市场提供标准的数据产品。例如芝麻信用，TalkingData，九次方，星图数据等。
中国大数据市场的数据来源有四种，一种是通过网络爬虫采集的外部数据，大多数提供舆情分析的公司就是通过爬虫技术来进行数据采集的。例如海量数据。一种是提供SaaS服务得到的数据，例如Talkindata。另外一种是靠和运营商或政府合作，通过数据挖掘得到的数据，例如亚信和九次方。最后一种就是自身平台产生的数据（电商、旅游、媒体等互联网企业），包括BAT以及较大的一些互联网公司如360、当当、唯品会、聚美优品、携程、今日头条等。
一、开放数据的价值
开放数据就是政府向社会公布自己所拥有的，并经过脱敏的数据。包括天气数据、GPS数据、金融数据、教育数据、交通数据、能源数据、医疗数据、政府投资数据、农业数据等。这些原始数据本身并没有明显的商业价值，但经过一些公司加工之后，可以产生巨大的商业价值。
开放数据在美国有几千亿美金的市场，包括300亿美金的气象数据，900亿美金的GPS数据，上千亿美金的医疗数据。但政府开放的数据是原始数据，数据自身的商业价值并不大，需要专业的公司对数据进收集，清洗，挖掘，展现，从而形成具有商业价值的数据。在美国有很多公司是依靠加工政府开放数据而实现其商业价值的，例如处理天气数据的Zillow公司，the weather channel 公司，以及处理GPS数据的Garmin公司，它们的总市值已经超过了一百亿美金。
1 、政府开放数据的主要范围
a政府收集和制造的科学数据。例如天气数据，政府资助的医疗研究数据。这些数据都可以作为公共资源进行使用。
b 政府运行的数据，例如政府支出或大型项目运行数据。开放数据一方面可以增加民众对政府的信任，另一个方面可以给一些公司带来商业机遇。
c监管行业的数据。这些数据由企业提供给政府，并且经过政府二次加工。这些宏观数据对于产业规划，企业的投资战略都有很大影响。
2、 中国开放数据之路的挑战
a 国家对数据治理还没有完成。很多数据没有集中管理，还是处于信息孤岛状态，这些都是开放数据需要解决的问题。数据治理投资巨大，时间周期较长，都是巨大的挑战。
b 一些开放数据还不是电子形式。例如医疗数据和教育数据，在一些地区还处于纸质记录状态，没有形成电子档案。这些数据的电子化也是一个较大的挑战。
c 开放数据的脱敏和整合将是一项重大的挑战。特别是国有企业的数据，哪些数据可以公开，哪些数据需要脱敏，如何整合各个地方的数据，这些都是一个挑战
d 大数据服务公司和大数据人才匮乏。由于大数据市场刚刚开始，市场上缺少大数据人才和大数据服务公司，公开的数据短时间可能很难产生商业价值，这会影响政府和企业开放数据的积极性，不利于形成良性的大数据商业市场，会影响开放数据项目的持续发展。
3、有关开放数据一些建议
人类社会即将进入数字时代，开放数据将会是巨大的生产力。政府已经认识到了开放数据的价值，会持续推动政府和国企的数据开放。即使短时间内开放数据的投资看不到商业价值，但其未来经济价值会促使政府坚持开放数据的政策，持续进行投资。就像中国的高速公路，开放数据是另外一条信息高速公路，将数据转化为资产，转化为巨大的社会生产力，帮助企业实现更大的商业价值。
对于数据拥有者的政府，需要在保障公共安全和个人隐私的前提下，完成数据治理和数据整合，逐步向社会开放数据，并提高数据质量，公开面向所有个人和企业，有效利用政府科技资金，让利益相关企业和个人参与到开放数据项目中，鼓励创新，接受外部挑战，利用集体智慧，实现数据最优选择。
对于国有企业，需要在保护自身商业利益的前提下开放数据，帮助各自产业链企业的发展。同时开放数据也可以帮助其自身进行产业规划，进行有效投资，发现市场机会和风险，稳健经营，科学决策。企业可以利用开放数据提高生产效率，减少资源浪费，降低决策失误风险。产业链企业的良性发展，也会推动国企自身发展和进化，提高竞争力，优化企业经营，实现产业共赢。
对于企业家，开放数据将会作为新的资源，帮助企业进行发展，聚焦新的商业机遇，特别是在开放数据影响较大的保健行业，金融行业，能源行业，教育行业。数据服务公司可以利用开放数据，帮助消费者挖掘数据的潜在价值，为企业和政府提供具有价值的商业数据。对于经营中的公司，可以利用开放数据评价商业伙伴和潜在投资，通过提供数据来树立消费者的忠诚度，学会在透明的商业社会中进行经营，寻找公共或私人合作的机会，专注自身产品和客户，为消费者提供更好的产品和服务。
二、万亿的大数据市场
2014年的GDP中消费占比已经超过了50%，标志着中国经济正在向市场经济转型，消费占GDP 50%－70%是中等发达国家向市场经济过渡的一个表现，未来中国经济增长最大的引擎应该来源于消费，特别是个人消费。中国正在经历经济结构调整和城镇化，个人消费需求巨大，社会产品较为丰富，渠道也较为通畅，物流成本正在下降，运输能力正在提高。但是社会消费零售总额增加的还不够快，资源配置不平衡，社会整体消费水平还处于较低的水平。这些问题正在成为中国经济发展的难题，是企业和社会需要解决的问题。
大数据的商业应用将会帮助企业解决这些问题；大数据的有效利用将会提高社会消费水平，将会帮住企业提高效率、洞察客户、增加收入。大数据商业应用未来是万亿级的大市场，大数据是大生意。
大数据时代最重要的特征是人类所有的行为都被数据记录下来，无论是在电商的购买行为，旅游度假，娱乐活动，行为轨迹等，所有的人类社会行为都被各种传感器和互联网记录下来。数据记录了一切，人类社会的行为都变成了数据，用纸质媒体记录人类历史的时代已经过去，历史正在被数据以文字、数据、表格、声音、影像的方式记录了下来。中国的大数据应用主要集中在征信和精准营销，这两个市场的规模加在一起不过两千亿，但是大数据如果同所有企业的商业需求相结合，其产生的化学反应将是巨大的，市场规模将会超过万亿，大数据是个大生意。
网络连接了信息与读者，阿里连接了商品与消费者，腾讯连接了人与人。BAT所有的连接都是建立在数据基础之上的，可以认为大数据连接了一切。数据连接了消费者和商家，数据连接了客户习惯，数据连接客户喜好，数据连接了位置，数据连接了时间和空间，数据连接了历史和现在。连接一切的大数据将会反馈所连接的事物、空间和时间，通过数据记录来反馈物体的移动，客户的消费习惯，个人爱好，行为习惯，活动轨迹，运动规律等。重要的这些反馈数据能知道；你是谁、你在哪里、你喜欢什么、你在干什么、你的消费能力、以及你未来的需求等。所有被反馈的事物都被打上了一个或多个数据标签，这些具有价值的标签经过整理和分析后，将会揭示事物之间的相关性和规律，将会为个人、商家、社会带来巨大价值。
1、大数据帮助制造业规划生产，降低资源浪费
制造业过去面临生产过剩的压力，很多产品包括家电、纺织产品、钢材、水泥、电解铝等都没有按照市场实际需要生产，造成了资源的极大浪费。利用电商数据、移动互联网数据、零售数据，我们可以了解未来产品市场都需求，为客户定制产品。
例如依据用户在电商搜索产品的数据以及物流数据，可以推测出家电产品和纺织产品未来的实际需求量，厂家将依据这些数据来进行生产，避免生产过剩。移动互联网的位置信息可以帮助了解当地人口进出的趋势，避免生产过多的钢材和水泥，
2、移动大数据帮助房地产开发商规划房地产开发
房地产行业在过去为中国GDP贡献了很大力量，未来粗放型的房地产行业将会转向精细化经营，从选地到规划和从设计到建设，都需要参考当地到人口数据和消费者信息，进行科学决策；利用大数据商业应用加快房子销售速度，降低自身负债。
房地产公司可以利用人群的手机位置信息来帮助企业进行开发规划、土地选址、商铺开发等。同时利用人群到用户画像信息帮助房产公司选择合作商户，提升消费人气，最终提高房产价值。
3、移动大数据帮助餐饮零售行业进行选址和顾客导流
餐饮零售行业最关注客户流量，过去开店选址时经常安排人员在十字路口进行人流统计，利用统计的人口流动信息来决定开店地址。进入到移动互联网时代之后，智能手机的位置信息可以帮助餐饮零售行业进行开店选址，企业可以参考客户画像来决定开店的规模，以及产品的类别。
移动互联网端的用户标签和画像数据还可以帮助企业进行一些精准营销，为新开的商户导入客流。特别是在规模较大的购物商厦中，移动App端的位置导航功能，可以指引客户找到新的商户，参加促销活动。市场上已经有成熟的零售餐饮商家和移动互联网大数据公司在开店引流方面进行合作，资金利用的杠杆率超过了5倍，投入产出比较高。
4、传感器数据帮助产品进行故障诊断和预测
家电和汽车正在走向智能化，通过安装传感器，汽车和智能家电可以将运行参数和运行状态传送到厂家的云平台，厂家可以了解其产品的运行状态，零部件的老化程度，帮助厂家及时更换故障器件，延长产品使用寿命，提高安全系数。汽车行业和智能家电在物联网领域将会产生巨大的市场，云计算和大数据处理平台将起到关键的作用。
中国汽车市场的销售规模超过万亿，家电市场也有一万多亿。车联网和智能家电涉及的大数据应用市场也是巨大的，按照大数据商业变现高杠杆率的特点，其市场规模至少应该在百亿左右。
5、利用移动互联网位置信息进行精准营销
O2O已经成为了一个重要的商业模式，很多互联网企业和传统企业都在寻找O2O的应用场景，订餐、教育、家政、汽车美容等都成为O2O的应用典范。移动互联网数据具有LBS和实时特点，可以帮助企业及时连接客户，依据客户需求进行精准营销。
大型购物中心一般都设有电影院，经常存在某些电影在开场前30分钟，大量电影票还没有出售的情况。借助于手机App推送广告功能，电影院在电影放映前30分钟，可以将电影票以2折价格推送给正在周围就餐的客户。依据客户画像信息，电影票将推送给喜爱看电影的顾客，增加电影销售额。企业可以利用手机App进行广告推送，做到千人千面，依据客户喜好来进行广告推送。这种精准广告推送具有成本低、转化率高的特点，在餐饮、服装、美容、零售等行业取得了良好的应用效果。如果基于位置信息的精准广告推送被大规模的商业应用，将会促进商品流转，大幅度提高社会消费总额，帮助传统企业实现互联网＋的战略。
6、电商大数据将会帮助企业优化资源配置
电商是最早利用大数据进行精准营销的行业，电商网站内推荐引擎将会依据客户的购买行为，进行关联产品的推荐。除了精准营销，电商还可以依据客户消费习惯来提前为客户备货，并利用便利店作为货物中转点，在客户下单后的短时间内，将货物送上门，提高客户体验。电商还可以利用其交易数据和现金流数据，为其生态圈内的商户提供小额贷款，也可以将此数据提供给银行，为中小企业信贷提供支持。
电商的数据量足够大，数据较为集中，数据种类较多，其商业应用具有较大的想象空间。包括预测流行趋势，消费趋势、地域消费特点、客户消费习惯、消费行为的相关度、消费热点等。依托大数据分析，电商可帮助企业进行产品设计、库存管理、计划生产、资源配置等，有利于精细化大生产，提高生产效率，优化资源配置。
7、移动大数据助力交通运输规划和管理
交通大数据应用主要在两个方面，一方面可以利用大数据传感器的数据了解车辆通行密度，合理进行道路规划。另一方面可以利用大数据分析来实现交通信号灯智能切换，提高已有线路运输能力。
在美国，政府依据某一路段的交通事故信息来增设信号灯，降低了50%以上的交通事故率。大数据可以帮助机场安排航班起降，提高管理效率；航空公司可以利用大数据提高上座率，降低运行成本；铁路公司可以利用大数据安排客运和货运列车，降低运营成本。
8、大数据帮助金融行业进行价值变现
大数据在金融行业应用范围较广，典型的案例有花旗银行利用IBM沃森电脑为财富管理客户推荐产品，美国银行利用客户点击数据集为客户提供特色服务。招商银行(600036,股吧)利用客户刷卡、存取款、电子银行转帐、微信评论等行为数据进行分析，每周给客户发送针对性广告信息。
中国目前金融行业大数据价值变主要在用户体验提升和大数据营销两个方面，其中招商银行信用卡中心和平安银行(000001,股吧)走到了金融行业的前面。
大数据在很多行业都有广泛的应用场景，例如在医疗行业，农林牧渔、能源行业、物流行业等，大数据将会是电商之后的另外一个巨大市场，结合了所有行业的商业需求之后，大数据产业的市场规模将会是个万亿级别。大数据不是电力但是比电力更能提供动力，大数据不是石油，但是比石油更能驱动企业发展。大数据就是资产，能够帮助企业进行价值变现。大数据的生意经其实很简单，就是收入增加，花费减少；就是增加客户，提高客户体验，提高资金回报的杠杆率；大数据应用成熟之后，大数据可以预测商业未来，发现新的商业机会。

㈤ 大数据创业的5大要点,你知道吗

大数据是当今最热门的科技词汇，同时也是最困难的创业项目。CSC对Infochimps的收购表明，那些无法顺利拿到第二轮融资的大数据创业公司 面临着要么关张，要么被人收购的命运

Harris的观点可以归纳为五点，IT经理网摘译整理如下：
1.基础设施非常难
不仅开发基础设施技术产品很难，销售起来也很难，具体到大数据基础设施工具如Hadoop、NoSQL数据库和流处理系统则更是难上加难。客户需要大量培训和教育，付费哟娜谷需要大量支持和及时跟进的产品开发工作。

新兴的大数据创业公司还必须与那些在客户那里已经有一些知名度甚至合作项目的公司竞争，例如Cloudera、Hortonworks、10gen、亚马逊AWS、IBM、Oracle等。
反观大数据应用创业则相对简单的多，无论面向垂直行业应用还是数据可视化这样的通用大数据应用都是如此。因为这些大数据应用的价值对于客户来说更为直观，距离业务也更近，进入企业IT系统的摩擦也更小。

2.云计算是朋友
无论你是销售大数据基础设施还是应用，云计算都是更有效的业务载体。选择云计算不仅仅是在云端托管，更重要的是通过云计算向客户提供服务。你将拥有更多控制权，同时在有限的资源上优化运行也会让你对产品的理解更加透彻。
云计算也降低了潜在用户试用产品的成本和门槛，从NewRelic到亚马逊AWS都从云计算+大数据模式中获益。

3.开发者是朋友
如果你主要从事大数据分析，例如ClearStory、Platfora或者CRM营销应用，数据分析师就是你的朋友。无论那种情况，最好的办法就是围绕以开发者和市场人员为主的目标受众进行开发和营销工作，CIO反而不是很好的目标受众！
专注CIO而非开发者往往会导致你在实际签约时碰到棘手问题。围绕开发者营销的战术被很多云计算创业公司和纯大数据软件公司所采用，例如Splunk和Tableau。
再比如Infochimps和Continuuity的产品类似（两者都被迫按落云头，迫降在用户数据中心），但Continuuity完全面向开发者，这意味着能积累更多技术粉丝。

4.将数据科学家推向前台中央
这既是市场也是销售策略，数据科学家才是能够展示数据和平台威力的人，他们也是会议上最受欢迎的演讲者。
但大数据科学家也需要慎重选择传播内容。如今大家都接受了Hadoop和NoSQL，所以没必要每次开会言必称4V之类的科普。至于如何配置和集成大数据系统也只能吸引小部分听众，除非你的项目规模超大。
Cloudera比竞争对手出名的原因有很多，但其中Jeff hammerbacher绝对是一位举足轻重的人物。不要空谈大数据大数据的价值和架构，站在听众的立场说说具体能做哪些分析，如何做。

5.开源有多重要，取决于你自己
几乎所有的大数据公司都依赖开源软件，有些是“借”来的，如Hadoop、Storm以及各种数据库，有些是自行开发的，有些则是混合模式，例如在HBase上增加的一些功能应用。这些开源项目如此流行是因为社区的力量。
开源绝不是看起来那么轻松，不是说你在Github上放点代码就谈得上回馈社区了。开源的目的是将使用相同代码的人聚拢成社区，并不断改进代码。这 里与第三点中我们提到的吸引开发者有关。只有更多的用户和开发者对你产生兴趣了，在你的产品上花时间和精力了，才有可能最终掏钱。
不计其数的创业公司都将代码开源了，但那些真正能推动项目并建设社区的公司才能脱颖而出。例如Neo Technology的Neo4j、Concurrent的Casading以及10gen的MongoDB。甚至Twitter这样面向大众的公司都开源了Storm和Mesos等项目。

㈥ 可以利用大数据炒股吗

大数据可以用于股票交易，所谓大数据，就是一个新的分析概念，利用新的系统、新的工具、新的模型来挖掘大量动态的、可持续的数据，从而获得具有洞察力和新价值的东西。大数据已经在一些金融工具中有所体现，大数据会将股票之前的数据全都发布出来，股民可以根据这只股票之前的数据来进行对比。

其实大数据只能说是个趋势，我们可以通过打数据让投资者能够有一个参考性，但不能够过度依赖大数据，毕竟着只是数据，这些数据是死的，而股市却是千变万化的，我们不能过度的依赖大数据得出的分析与结论，大数据也只是作为一个参考数据。世事无绝对，更何况是股票，可能上一秒还是盈利的状态，但是下一秒就已经处于亏损了，不少人也因为炒股倾家荡产，所以这边还是要提醒大家一下，谨慎行事，不要盲目跟风。

㈦ 大数据下互联网金融怎么投资

随着网络经济迅速发展,网络金融、网上购物等电子商务的发展如雨后春笋，人们不得不意识到，互联网金融时代来了。支付宝、余额宝、微信红包??，互联网金融大战在马年春节就已拉响。

1第一是传统的金融借助互联网渠道为大家提供服务。这个是大家熟悉的网银。互联网在其中发挥的作用应该是渠道的作用。

2第二种模式，类似金融平台，由于它具有电商的平台，为它提供信贷服务创造的优于其他放贷人的条件。互联网在里边发挥的作用是依据大数据收集和分析进而得到信用支持.

3第三种模式，大家经常谈到的P2P的模式，这种模式更多的提供了中介服务,这种中介把资金出借方需求方结合在一起。发展至今由P2P的概念已经衍生出了很多模式。

4以上三种模式稳贷建议大家要做好详细的分析，再进行投资这样投资有保证。

㈧ 大数据时代应该如何投资股票

给一篇关于【如何使用大数据进行A股行业投资】的教程给你参考一下~

好的投资，首先是选好行业

红杉资本曾经有一条著名的投资经验，大意是：好的投资，首先是选好赛道，其次是赛道上的选手。对于每天活跃于资本市场上的投资者而言，赛道所指的正是你正在投资、或者将要投资的那家公司它所在的行业，更直接的说，你投资于什么行业，投资于这个行业的哪家公司，决定了你最终能获得什么样的收益表现。

那么，红杉资本的这条投资经验是否适用于A股市场，并给我们带来可观的投资收益呢？本文试图通过量化分析和交易回测来验证这一投资模式是否真正有效，所采用的数据取自于聚宽数据出品的JQData本地量化金融数据，通过梳理出自2010年以来A股市场上不同行业的发展情况，进一步构建出一个优质行业龙头组合，观察其从2015年股灾至今的收益表现。最终发现，这样一个优质行业的龙头组合，从股灾至今大幅跑赢了上证指数和沪深300指数高达30%的以上的收益率，可以说是超乎预期的。以下是具体分析过程。

2010 ~ 2017 沪深A股各行业量化分析

在开始各行业的量化分析之前，我们需要先弄清楚两个问题：

• 第一，A股市场上都有哪些行业；

• 第二，各行业自2010年以来的营收、净利润增速表现如何？

第一个问题：
很好回答，我们使用JQData提供的获取行业成分股的方法，输入get_instries(name='sw_l1')
得到申万一级行业分类结果如下：它们分别是：【农林牧渔、采掘、化工、钢铁、有色金属、电子、家用电器、食品饮料、纺织服装、轻工制造、医药生物、公用事业、交通运输、房地产、商业贸易、休闲服务、综合、建筑材料、建筑装饰、电器设备、国防军工、计算机、传媒、通信、银行、非银金融、汽车、机械设备】共计28个行业。

第二个问题：

要知道各行业自2010年以来的营收、净利润增速表现，我们首先需要知道各行业在各个年度都有哪些成分股，然后加总该行业在该年度各成分股的总营收和净利润，就能得到整个行业在该年度的总营收和总利润了。这部分数据JQData也为我们提供了方便的接口：通过调用get_instry_stocks(instry_code=‘行业编码’, date=‘统计日期’)，获取申万一级行业指定日期下的行业成分股列表，然后再调用查询财务的数据接口：get_fundamentals(query_object=‘query_object’, statDate=year)来获取各个成分股在对应年度的总营收和净利润，最后通过加总得到整个行业的总营收和总利润。这里为了避免非经常性损益的影响，我们对净利润指标最终选取的扣除非经常性损益的净利润数据。

我们已经获取到想要的行业数据了。接下来，我们需要进一步分析，这些行业都有什么样的增长特征。

我们发现，在28个申万一级行业中，有18个行业自2010年以来在总营收方面保持了持续稳定的增长。它们分别是：【农林牧渔，电子，食品饮料，纺织服装，轻工制造，医药生物，公用事业，交通运输，房地产，休闲服务，建筑装饰，电气设备，国防军工，计算机，传媒，通信，银行，汽车】；其他行业在该时间范围内出现了不同程度的负增长。

那么，自2010年以来净利润保持持续增长的行业又会是哪些呢？结果是只有5个行业保持了基业长青，他们分别是医药生物，建筑装饰，电气设备，银行和汽车。（注：由于申万行业在2014年发生过一次大的调整，建筑装饰，电气设备，银行和汽车实际从2014年才开始统计。）

从上面的分析结果可以看到，真正能够保持持续稳定增长的行业并不多，如果以扣非净利润为标准，那么只有医药生物，建筑装饰，电气设备，银行和汽车这五个行业可以称之为优质行业，实际投资中，就可以只从这几个行业中去投资。这样做的目的是，一方面，能够从行业大格局层面避免行业下行的风险，绕开一个可能出现负增长的的行业，从而降低投资的风险；另一方面，也大大缩短了我们的投资范围，让投资者能够专注于从真正好的行业去挑选公司进行投资。

「2010-2017」投资于优质行业龙头的收益表现




选好行业之后，下面进入选公司环节。我们知道，即便是一个好的行业也仍然存在表现不好的公司，那么什么是好的公司呢，本文试图从营业收入规模和利润规模和来考察以上五个基业长青的行业，从它们中去筛选公司作为投资标的。

1、按营业收入规模构建的行业龙头投资组合

首先，我们按照营业收入规模，筛选出以上5个行业【医药生物，建筑装饰，电气设备，银行和汽车】从2010年至今的行业龙头如下表所示：






结论




通过以上行业分析和投资组合的历史回测可以看到：

• 先选行业，再选公司，即使是从2015年股灾期间开始投资，至2018年5月1号，仍然能够获得相对理想的收益，可以说，红杉资本的赛道投资法则对于一般投资者还是比较靠谱的。

• 在构建行业龙头投资组合时，净利润指标显著优于营业收入指标，获得的投资收益能够更大的跑赢全市场收益率

• 市场是不断波动的，如果一个投资者从股灾期间开始投资，那么即使他买入了上述优质行业的龙头组合，在近3年也只能获得12%左右的累计收益；而如果从2016年5月3日开始投资，那么至2018年5月2日，2年时间就能获得超过50%以上的收益了。所以，在投资过程中选择时机也非常重要~

㈨ 公司如何通过大数据赚钱

公司如何通过大数据赚钱

现代大数据项目具备巨大的节约成本的潜力，其效果对于过去的数据处理方式而言有如童话。但需要谨记的是，在投入时间和资源到大数据项目之前，首先要确认你的项目是收益大于成本的。只有傻瓜才会匆匆对一个点子一见钟情并倾其所有。

大数据无疑是时下炙手可热的流行词汇，然而，我们鲜少看到具体大数据如何带来收益，和具体如何实现的例子，这是怎么回事呢？

多年来，在经历了几个通信和投行的大数据相关早期实施项目后，我认为这个新兴技术的收益主要在于：实现对复杂系统更为精准的剖析，例如股票市场或供应链。（投行成为最早一批应用大数据分析的行业之一，可谓毫不意外。对利用技术提升效率，创造效益更为敏锐的商业模式，往往也是更赚钱的。）

在投行的日常工作中，为了精准地选择投资机会、选购股票，有大量对文档处理的需求，例如新闻简报，财务报表。如果人工进行，工作量过于庞大。因此助理分析师们往往简化他们的预测分析过程，并使用电子表格来完成绝大部分工作。通过大数据技术，投行可以整合各种信息，减少可能的（简化分析带来的）风险，从整体上带来更优越的分析和预测能力。

公司如何通过大数据赚钱

通过大数据平台，股票经纪和投资经理们可以聚合各种来源的非格式化数据，辅助判断哪些公司值得投资。所谓‘非格式化数据’包括如公司新闻，产品评论，供应商数据，价格变化，将这些信息以所谓“大数据”形式整合，通过建模，帮助股票经纪决策买入或售出股票。

有些采用如上方式进行投资预测的公司，很注重节约实施成本，例如使用云平台（如AWS），先从很小数量的服务器开始，随着获益增长，逐步提高投入。一位我认识的分析师，从一家大投行离职创业后，在不到六个月的时间内，仅仅使用非常有限的投入，创立了一个盈利良好的大数据交易系统。

即便在传统制造领域，大数据仍然可以提升预测能力。我曾经担任过顾问的某欧洲一线汽车制造厂商，通过建立一个钢材交易成本的分析系统，选择更好的时机，以更优价格买入原材料。这个系统由开源Java框架Hadoop创建，整合了多个供应商的共计15Tb的数据，在两年内为该公司节省了1600万美元。

这个项目的成功主要有两个原因：首先，公司有足够的信息为所有的供应商建模；其次，该项目节省的原材料成本超过了实施这个项目的费用。

公司为何因为大数据亏钱

然而，并非每个大数据项目都会这样成功。公司在大数据项目上以亏损告终的概率，有时和成功的概率相差无几。大数据项目失败的早期症状有很多种，最常见的问题如：

步子迈太大：大数据并不需要一笔巨大的预算，如果怀着巨大的投入将带来巨大回报的预期开始一个大数据项目，往往会产生问题。在正式开始前，明智的做法是，尝试用有限的投入，在小范围内测试这个技术是否确实能带来预期的收益。按这样的节奏，一个项目可以按部就班地随着收益逐步提高，而逐步扩大投入规模，确保收益始终大于投入。

低估人力投入：在开始实施一个大数据系统前，问自己一个简单的问题：这个项目是否可以不需要持续的人工支持来运作？如果答案是，需要人工支持，那么建议停止项目。建立这样一个项目往往意味着百万级的损失，无法在有利润情况下保持维护和运行。

迷信自然语言处理：大数据有个经常听到的功能是，通过自然语言处理，将各种领域的各种数据处理成直接可读可理解的形式。这听起来确实很赞，但是在实际应用中，往往不尽如人意。自然语言处理仍然存在许多妨碍应用的限制，主要由于人工智能的发展还不够－－而且在可见的10年内，这个情况可能不会有很大改观。

现代大数据项目具备巨大的节约成本的潜力，其效果对于过去的数据处理方式而言有如童话。但需要谨记的是，在投入时间和资源到大数据项目之前，首先要确认你的项目是收益大于成本的。只有傻瓜才会匆匆对一个点子一见钟情并倾其所有。

以上是小编为大家分享的关于公司如何通过大数据赚钱的相关内容，更多信息可以关注环球青藤分享更多干货