如何写大数据媒体人

Ⅰ 以大数据为主题,写一篇1500字的文章

世界包含的多得难以想象的数字化信息变得更多更快……从商业到科学，从政府到艺术，这种影响无处不在。科学家和计算机工程师们给这种现象创造了一个新名词：“大数据”。大数据时代什么意思？大数据概念什么意思？大数据分析什么意思？所谓大数据，那到底什么是大数据，他的来源在哪里，定义究竟是什么呢？

七：最后北京开运联合给您总结一下

不管大数据的核心价值是不是预测，但是基于大数据形成决策的模式已经为不少的企业带来了盈利和声誉。
1、从大数据的价值链条来分析，存在三种模式：
1)手握大数据，但是没有利用好;比较典型的是金融机构，电信行业，政府机构等。
2)没有数据，但是知道如何帮助有数据的人利用它;比较典型的是IT咨询和服务企业，比如，埃森哲，IBM，开运联合等。
3)既有数据，又有大数据思维;比较典型的是Google，Amazon，Mastercard等。
2、未来在大数据领域最具有价值的是两种事物：

Ⅱ 如何入门大数据

大数据
数据科学并没有一个独立的学科体系，统计学，机器学习，数据挖掘，数据库，分布式计算，云计算，信息可视化等技术或方法来对付数据。
但从狭义上来看，我认为数据科学就是解决三个问题：
1. data pre-processing;(数据预处理）
2. data interpretation；（数据解读）
3.data modeling and analysis.（数据建模与分析）
这也就是我们做数据工作的三个大步骤：
1、原始数据要经过一连串收集、提取、清洗、整理等等的预处理过程，才能形成高质量的数据；
2、我们想看看数据“长什么样”，有什么特点和规律；
3、按照自己的需要，比如要对数据贴标签分类，或者预测，或者想要从大量复杂的数据中提取有价值的且不易发现的信息，都要对数据建模，得到output。
这三个步骤未必严谨，每个大步骤下面可能依问题的不同也会有不同的小步骤，但按我这几年的经验来看，按照这个大思路走，数据一般不会做跑偏。
这样看来，数据科学其实就是门复合型的技术，既然是技术就从编程语言谈起吧，为了简练，只说说R和Python。但既然是荐数据科学方面的书，我这里就不提R/Python编程基础之类的书了，直接上跟数据科学相关的。
R programming
如果只是想初步了解一下R语言已经R在数据分析方面的应用，那不妨就看看这两本：
R in action：我的R语言大数据101。其实对于一个没有任何编程基础的人来说，一开始就学这本书，学习曲线可能会比较陡峭。但如果配合上一些辅助材料，如官方发布的R basics（http://cran.r-project.org/doc/contrib/usingR.pdf），stackoverflow上有tag-R的问题集（Newest ‘r’ Questions），遇到复杂的问题可在上面搜索，总会找到解决方案的。这样一来，用这本书拿来入门学习也问题不大。而且这本书作者写得也比较轻松，紧贴实战。
Data analysis and graphics using R：使用R语言做数据分析的入门书。这本书的特点也是紧贴实战，没有过多地讲解统计学理论，所以喜欢通过情境应用来学习的人应该会喜欢这本入门书。而且这本书可读性比较强，也就是说哪怕你手头没电脑写不了代码，有事没事拿出这本书翻一翻，也能读得进去。
但如果你先用R来从事实实在在的数据工作，那么上面两本恐怕不够，还需要这些：
Modern applied statistics with S：这本书里统计学的理论就讲得比较多了，好处就是你可以用一本书既复习了统计学，又学了R语言。（S/Splus和R的关系就类似于Unix和Linux，所以用S教程学习R，一点问题都没有）
Data manipulation with R：这本书实务性很强，它教给你怎么从不同格式的原始数据文件里读取、清洗、转换、整合成高质量的数据。当然和任何一本注重实战的书一样，本书也有丰富的真实数据或模拟数据供你练习。对于真正从事数据处理工作的人来说，这本书的内容非常重要，因为对于任何研究，一项熟练的数据预处理技能可以帮你节省大量的时间和精力。否则，你的研究总是要等待你的数据。
R Graphics Cookbook：想用R做可视化，就用这本书吧。150多个recipes，足以帮你应付绝大多数类型的数据。以我现在极业余的可视化操作水平来看，R是最容易做出最漂亮的图表的工具了。
An introction to statistical learning with application in R：这本书算是著名的the element of statistical learning的姊妹篇，后者更注重统计（机器）学习的模型和算法，而前者所涉及的模型和算法原没有后者全面或深入，但却是用R来学习和应用机器学习的很好的入口。
A handbook of statistical analysis using R：这本书内容同样非常扎实，很多统计学的学生就是用这本书来学习用R来进行统计建模的。
Python
Think Python，Think Stats，Think Bayes：这是Allen B. Downey写的著名的Think X series三大卷。其实是三本精致的小册子，如果想快速地掌握Python在统计方面的操作，好好阅读这三本书，认真做习题，答案链接在书里有。这三本书学通了，就可以上手用Python进行基本的统计建模了。
Python For Data Analysis： 作者是pandas的主要开发者，也正是Pandas使Python能够像R一样拥有dataframe的功能，能够处理结构比较复杂的数据。这本书其实analysis讲得不多，说成数据处理应该更合适。掌握了这本书，处理各种糟心的数据就问题不大了。
Introction to Python for Econometrics, Statistics and Data Analysis：这本书第一章就告诉你要安装Numpy, Scipy, Matplotlib, Pandas, IPython等等。然后接下来的十好几章就是逐一介绍这几个库该怎么用。很全面，但读起来比较枯燥，可以用来当工具书。
Practical Data Analysis： 这本书挺奇葩，貌似很畅销，但作者把内容安排得东一榔头西一棒子，什么都讲一点，但一个都没讲透。这本书可以作为我们学习数据分析的一个索引，看到哪块内容有意思，就顺着它这个藤去摸更多的瓜。
Python Data Visualization Cookbook： 用Python做可视化的教材肯定不少，我看过的也就这一本，觉得还不错。其实这类书差别都不会很大，咬住一本啃下来就是王道。
Exploratory Data Analysis 和 Data Visualization
Exploratory Data Analysis：John Tukey写于1977年的经典老教材，是这一领域的开山之作。如今EDA已经是统计学里的重要一支，但当时还是有很多人对他的工作不屑一顾。可他爱数据，坚信数据可以以一种出人意料的方式呈现出来。正是他的努力，让数据可视化成为一门无比迷人的技术。但这本书不推荐阅读了，内容略过时。要想完整地了解EDA，推荐下一本：
Exploratory Data Analysis with MATLAB：这本书虽然标题带了个MATLAB，但实际上内容几乎没怎么讲MATLAB，只是每讲一个方法的时候就列出对应的MATALB函数。这本书的重要之处在于，这是我读过的讲EDA最系统的一本书，除了对visualization有不输于John Tucky的讲解外，对于高维的数据集，通过怎样的方法才能让我们从中找到潜在的pattern，这本书也做了详尽的讲解。全书所以案例都有对应的MATALB代码，而且还提供了GUI（图形用户界面）。所以这本书学起来还是相当轻松愉悦的。
Visualize This：中译本叫“鲜活的数据”，作者是个“超级数据迷”，建立了一个叫http://flowingdata.com的网页展示他的数据可视化作品，这本书告诉你该选择什么样的可视化工具，然后告诉你怎样visualize关系型数据、时间序列、空间数据等，最后你就可以用数据讲故事了。如果你只想感受一下数据可视化是个什么，可以直接点开下面这个链接感受下吧！A tour through the visualization zoo（A Tour Through the Visualization Zoo）
Machine Learning & Data Mining
这一块就不多说了，不是因为它不重要，而是因为它太太太重要。所以这一部分就推两本书，都是”世界名著“，都比较难读，需要一点点地啃。这两本书拿下，基本就算是登堂入室了。其实作为机器学习的延伸和深化，概率图模型（PGM）和深度学习（deep learning）同样值得研究，特别是后者现在简直火得不得了。但PGM偏难，啃K.Daphne那本大作实在太烧脑，也没必要，而且在数据领域的应用也不算很广。deep learning目前工业界的步子迈得比学术界的大，各个domain的应用如火如荼，但要有公认的好教材问世则还需时日，所以PGM和deep learning这两块就不荐书了。
The Element of Statistical Learning：要学机器学习，如果让我只推荐一本书，我就推荐这本巨著。Hastie、Tibshirani、Friedman这三位大牛写书写得太用心了，大厦建得够高够大，结构也非常严谨，而且很有前瞻性，纳入了很多前沿的内容，而不仅仅是一部综述性的教材。（图表也做得非常漂亮，应该是用R语言的ggplot2做的。）这本书注重讲解模型和算法本身，所以需要具备比较扎实的数理基础，啃起这本书来才不会太吃力。事实上掌握模型和算法的原理非常重要。机器学习（统计学习）的库现在已经非常丰富，即使你没有完全搞懂某个模型或算法的原理和过程，只要会用那几个库，机器学习也能做得下去。但你会发现你把数据代进去，效果永远都不好。但是，当你透彻地理解了模型和算法本身，你再调用那几个库的时候，心情是完全不一样的，效果也不一样。
Data Mining: Concepts and Techniques, by Jiawei Han and Micheline Kamber 数据挖掘的教材汗牛充栋，之所以推荐这本韩家炜爷爷的，是因为虽然他这本书的出发点是应用，但原理上的内容也一点没有落下，内容非常完整。而且紧跟时代，更新的很快，我看过的是第二版，就已经加进去了social network analysis这种当时的前沿内容。现在已经有第三版了，我还没看过，但应该也加入了不少新内容。其实这本书并不难读，只是篇幅较长，啃起来比较耗时。
其实这两本书里单拎出来一块内容可能又是几本书的节奏，比如bayesian方法，再拿出两三本书来讲也不为过，我个人用到的比较多，而且也确实有不少好书。但并非是所有data scientist都要用到，所以这一块就不再细说。
还有一些印象比较深刻的书：
Big Data Glossary： 主要讲解大数据处理技术及工具，内容涵盖了NoSQL，MapRece，Storage，Servers，NLP库与工具包，机器学习工具包，数据可视化工具包，数据清洗，序列化指南等等。总之，是一本辞典式的大数据入门指导。
Mining of Massive Datasets：这本书是斯坦福大学Web Mining的讲义，里面很多内容与韩家炜的Data Mining那本书重合，但这本书里详细地讲了MapRece的设计原理，PageRank（Google创业时期的核心排序算法，现在也在不断优化更新）讲解得也比较详细。
Developing Analytic Talent： 作者是个从事了十几年数据工作的geek，技术博客写得很有个人风格，写的内容都比较偏门，通常只有具备相关数据处理经验的人能体会出来，丝毫不照顾初学者的感受。比如他会谈到当数据流更新太快时该怎么办，或者MapRece在什么时候不好用的问题，才不管你懂不懂相关基础原理。所以这本书不太适合初学者阅读。这本书其实是作者的博客文章的集结，用how to become a data scientist的逻辑把他近几年的博客文章串联了起来。
Past, Present and Future of Statistical Science：这本书是由COPSS（统计学社主席委员会，由国际各大统计学会的带头人组成）在50周年出版的一本纪念册，里面有50位统计学家每人分别贡献出的一两篇文章，有的回忆了自己当年如何走上统计学这条路，有的探讨了一些统计学的根本问题，有的谈了谈自己在从事的前沿研究，有的则给年轻一代写下了寄语。非常有爱的一本书。
其它资料
Harvard Data Science：这是H大的Data science在线课，我没有修过，但口碑很好。这门课需要费用8千刀左右，比起华盛顿大学的4千刀的Data science在线课虽贵一倍，但比斯坦福的14千刀要便宜将近一半（而且斯坦福的更偏计算机）。如果想自学，早有好心人分享了slides: （https://drive.google.com/folderview?id=0BxYkKyLxfsNVd0xicUVDS1dIS0k&usp=sharing）和homeworks and solutions: （https://github.com/cs109/content）
PyData：PyData是来自各个domain的用Python做数据的人每年举行一次的聚会，期间会有各路牛人举行一些规模不大的seminar或workshop，有好心人已经把video上传到github，有兴趣的去认领吧（DataTau/datascience-anthology-pydata · GitHub）
工具
R/Python/MATLAB（必备）：如果是做数据分析和模型开发，以我的观察来看，使用这三种工具的最多。R生来就是一个统计学家开发的软件，所做的事也自然围绕统计学展开。MATLAB虽然算不上是个专业的数据分析工具，但因为很多人不是专业做数据的，做数据还是为了自己的domain expertise（特别是科学计算、信号处理等），而MATLAB又是个强大无比的Domain expertise工具，所以很多人也就顺带让MATLAB也承担了数据处理的工作，虽然它有时候显得效率不高。Python虽然不是做数据分析的专业软件，但作为一个面向对象的高级动态语言，其开源的生态使Python拥有无比丰富的库，Numpy, Scipy 实现了矩阵运算/科学计算，相当于实现了MATLAB的功能，Pandas又使Python能够像R一样处理dataframe，scikit-learn又实现了机器学习。
SQL（必备）：虽然现在人们都说传统的关系型数据库如Oracle、MySQL越来越无法适应大数据的发展，但对于很多人来说，他们每天都有处理数据的需要，但可能一辈子都没机会接触TB级的数据。不管怎么说，不论是用关系型还是非关系型数据库，SQL语言是必须要掌握的技能，用什么数据库视具体情况而定。
MongoDB（可选）：目前最受欢迎的非关系型数据库NoSQL之一，不少人认为MongoDB完全可以取代mySQL。确实MongoDB方便易用，扩展性强，Web2.0时代的必需品。
Hadoop/Spark/Storm（可选）: MapRece是当前最著名也是运用最广泛的分布式计算框架，由Google建立。Hadoop/Spark/storm都是基于MapRece的框架建立起来的分布式计算系统，要说他们之间的区别就是，Hadoop用硬盘存储数据，Spark用内存存储数据，Storm只接受实时数据流而不存储数据。一言以蔽之，如果数据是离线的，如果数据比较复杂且对处理速度要求一般，就Hadoop，如果要速度，就Spark，如果数据是在线的实时的流数据，就Storm。
OpenRefine（可选）：Google开发的一个易于操作的数据清洗工具，可以实现一些基本的清洗功能。
Tableau（可选）：一个可交互的数据可视化工具，操作简单，开箱即用。而且图表都设计得非常漂亮。专业版1999美刀，终身使用。媒体和公关方面用得比较多。
Gephi（可选）：跟Tableau类似，都是那种可交互的可视化工具，不需要编程基础，生成的图表在美学和设计上也是花了心血的。更擅长复杂网络的可视化。

Ⅲ 如何成为优秀的新媒体人，新媒体运营是什么

新媒体运营是一个很大的范畴，并不是单单发发微博、微信不是我想发什么，而是站在用户的角度，了解用户想看到什么，涉及的内容也是多样，其中有数据、心理博弈、热点借势、大号资源利用、媒介合作、话题引爆，承载着这个时代的更多公关、广告的职能。
像企业神运营的典范一一杜蕾斯，据传其微博运营团队超过10人，背后早已是形成一套有系统的企业文化，在此基础上投入相当的人力物力来进行新媒体运营，如设计一样，有一套有理有据的逻辑，而不是运营编辑人员想想段子，做做抽奖，抓抓热点来做运营。

那么， 什么样的新媒体才是企业需要的呢？
一、新媒体需要网感。何为网感，网感就是能抓住热点，熟悉数据分析，信息搜索能力。无论是传统媒体还是新媒体，对网感的把握是关键。
二、整合能力。新媒体编辑，素材整合，资源能力上要强。有时你得到几句话或别人给你一个小爆料，你要可以发展成一篇文章。
第三，文采。所有的事情都可以找到发生的结构和场景，他的存在是有逻辑的，他的发生是有走向的，文采是为这些内在的逻辑服务的，不能只看文章的文字特别。
当我们来谈一个合格的新媒体运营的时候，我们在谈什么？
1.理解产品
一切不离产品，脱离产品的运营等于0。很多做新媒体运营的同学喜欢发段子，发鸡汤，这样数据会很好看，转发很多评论也很真实，但没有人谈你的产品这件事就毫无意义。
新媒体运营的第一点在于理解产品，到什么程度？熟悉产品的历史及每一个功能点，理解用户的使用场景，知道产品最吸引用户的点在哪儿，能快速定位并解决用户提出的所有问题，甚至对产品本身有自己的思考，这一切都建立在对产品的理解上。
2.了解用户
你还在相信网上的95后特征数据报告吗？OUT了吧，有没有想过这些数据的来源是哪儿？对用户的理解，建立在长期接触用户，和用户打成一片，解决用户问题的基础上。
新媒体运营人员每天面对的微博粉丝、微信听众都是用户，他们的喜怒哀乐、喜好与特征，是通过细心观察与反复验证，印入脑子里的。试图通过看几篇网上流传的数据报告了解用户，是最不靠谱的，我会告诉你我曾经一晚上拍脑袋编出来的数据被多家主流媒体当新闻报道过吗？
3.懂传播
现在微博上怎样最吸粉，微信上用哪种方式能够引爆朋友圈，大家都在做的H5页面有什么诀窍能够让粉丝愿意扩散。形式一直在变，但方法论却没有变过，那就是传播的逻辑，引爆点、传播节点、传播形式三个要素。
所以新媒体运营人员要想的绝对不是出路在哪儿，而是你在这个岗位做过了什么，重点是在产品、用户、传播三个维度上做到多大程度，这就是新媒体运营这份工作经历的价值点，转岗只是一个时间与流程上的问题。
我一开始没有用新媒体运营编辑这个词，是因为我觉得编辑这个限定词不能涵盖真正的新媒体运营这份工作，业内自嘲叫首席微博/微信运营官（CWO）我倒觉得不错。
梳理完新媒体运营的工作价值，我们来看出路在哪儿：
产品线：
我刚才讲过，做新媒体运营的第一点是对自家产品有足够的理解，而做产品都是相通的，做安全产品的产品经理换去做浏览器同样也能成功，因为他懂的是产品，而不仅仅是安全产品。
懂产品，本质上是对用户需求与用户场景的理解，长期和用户在一起，接地气，知道普通用户最需要什么，最喜欢什么，至少你懂社交产品的用户的特**，不然怎么能在微博微信两大社交平台上工作呢？
把平常对新浪微博的吐槽转化成你的产品优化方案吧。至于写需求文档、用Axure画产品原型图，这些都只是形式上的东西，有人教就能很快学会。更何况做过H5游戏设计吧？这难道不是你的产品经验？
运营/市场线：
新媒体运营，运营的是新媒体渠道。产品运营，运营的是产品。如果把新媒体账号当成一个产品呢？你既是产品经理，也是产品运营。对于产品运营线来说，很多时候新媒体都是重要的承载体。
首先不得不说很多公司的活动运营都还是需要在新媒体上执行落地，对于产品内无用户沉淀的公司，新媒体就是进行用户运营的外部渠道，比如小米公司的用户运营渠道矩阵——微博、微信、社区、米聊。
说起来都是很简单的话，做起来需要仔细去琢磨。市场线我就不多赘述，在很多公司里新媒体运营属于市场公关体系的，所以应该清楚市场线平常是做什么工作，转换的只是渠道载体而已。

Ⅳ 一个真正的新媒体人应该具备哪些条件

一个真正的新媒体人应该具备以下条件：

1、文案

作为一个新媒体运营者，写文案是最基础的能力，写出来的文章要尽可能地被更多人喜欢、点击，这才是关键。平时要多写作积累。

2、具备捕捉时事热点的能力

无论是社会热点新闻还是行业热点资讯，都要比别人更敏感一些要学会快速跟进热点。

3、积累渠道的社交能力

渠道推广在新媒体运营中也是很重要的一个环节，所以在平日里对于渠道的积累也是非常重要的工作，积累渠道最重要的是与人沟通打交道的能力，因此基本的社交能力也是新媒体人要具备的能力之一。

4、用户运营

新媒体运营要与用户建立良好的关系，时常与用户交流，明白用户真正的需要，改进创新产品，达到很好的用户体验。

5、规划好平台内容的能力

内容建设是在平台搭建初期就要完成的工作，后期虽然也可以变化，但是主体是一定要定下来的，主体一旦确认了，以后就不要再变换了，千万记住平台的调性一定不要轻易变化。没有内容、内容质量不高都是留不住粉丝的主要因素。

(4)如何写大数据媒体人扩展阅读

发展历程：

根据新媒体使用主体及受众群体的变化，新媒体的演进历程可划分为精英媒体阶段、大众媒体阶段以及个人媒体阶段。

1、精英媒体阶段

早期使用新媒体的人群在媒介受众群体中属于少数派团体，他们具有前卫的媒介传播意识，也掌握着更先进、更丰富的媒介资源，是新媒体的第一批受益人群。

2、大众媒体阶段

由精英媒体向大众媒体发展，离不开媒介技术进步所带来的传播成本的下降，新媒体以更低廉的传播成本、更便捷的传播方式以及更丰富的信息传播内容成为一种大众媒体，其传播的内容及形式从某种程度上甚至改变了人们的生活方式以及对媒介本质的理解。

3、个人媒体阶段

伴随着新媒体技术的不断发展及普及，以往没有占据媒体资源和平台，且具备媒介特长的个体，开始逐渐通过网络来发表自己的言论和观点，通过平台展示给受众，这是个人媒体阶段到来的一个标志。

Ⅳ 如何利用大数据技术提升媒体生产力和传播影响力

大数据（big
data），是指无法在可承受的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。
有人把数据比喻为蕴
藏能量的煤矿。煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。与此类似，大数据并不在“大”，而在于“有用”。价值含量、挖掘成本比数量更为重要。对于很多行业而言，如何利用这些大规模数据是成为赢得竞争的关键。
大数据的价值体现在以下几个方面：
1)对大量消费者提供产品或服务的企业可以利用大数据进行精准营销;
2)
做小而美模式的中长尾企业可以利用大数据做服务转型;
3)
面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值。

Ⅵ 作为新媒体人必须掌握的六个原创写作要求分别是什么

新媒体写作秘诀

链接:

Ⅶ 如何做一个媒体人

在现有条件下，还不错的！敢于正视一些社会现实问题，特别是对于突出问题不回避，而且评论相对出中肯犀利。分析有理有据。 只是，倾向于就事论事，因此，有时候看来让人感觉憋气而已！如果你不是忧国忧民的话！
1、要有一颗热爱生活的心。传媒是时代发展、社会进步的镜子，关系百姓民生的国家大事、要事以及身边周遭寻常百姓的趣事、好事等等，都需要我们传媒人有一颗热爱生活的、敏感的心和一双慧眼去发现生活中的真善美、通过新闻报道、广告策划，让老百姓见证时代的变迁、通过媒介感受到生活的快乐和美好。传媒人首先要是阳光的，有健康心态的，否则，社会中的阴暗面会腐蚀你的价值观，会让你在林林总总的社会真实面前迷茫，会让你在形形色色的社会万象中绝望。传媒要带给人们健康的、积极向上的、能真实反映社会发展的信息而不是和社会发展背道而驰的信息，作为专业传媒人，我们应该时刻谨记：我们是社会的一面镜子，我们要积极地让人们通过这面镜子感受到生活的美好和希望。
2、 一个合格的传媒人还应该有一股强烈的社会责任感，一种对政府、社会、大众负责的社会责任感。传媒的发达和高度商业化正在将信息的功能不断扩展延伸，信息消费的功能也日趋多样化。大众传媒也难以逃脱盈利的生存模式，在“义”和“利”之间，传媒人因为旗帜鲜明地身体力行“社会责任感”。“铁肩担道义，妙手著文章”是对新闻人的要求，既要业务精通，还要古道热肠。当今社会，传媒无孔不入，从大众媒介到小众媒介，从固定媒介到流动媒介、已经形成了一个传媒的天罗地网。

Ⅷ 洪倍：怎么用大数据玩转数字媒体

ITjob阿牛为你讲解，够详细吧
洪倍：其实我们讲的整个数字媒体这个生态圈其实是目前大数据整个领域可能自发玩的最火的一个领域，而且我们讲运营商数据是给整个数字媒体提供非常好的基层业务的支撑，我们看整个数字媒体生态圈有什么样的角色分工，刚刚其实有讲到媒体，各种网站就是媒体，第二个提到广告，第三个就是受众，电信用户，移动用户，包括宽带的用户，也就是我们讲的访客，第四个当然是电商，那就是直销渠道。第四个是受众互动，第五个是广告推送。所以最后我们讲互联网生态圈就是五个维度上积累数据。这是我们看到的一个趋势，从1980年家里面开始普及电视，电视是单项的传播渠道，后来是互联网，首先是交互的，而且联结在一起，最后看到互联网方式越来越多了，从最开始互联网到移动概念，手机，PAD，最后大家发现又回到了原点，电视化了，上海电视通在数字电视领域已经耕耘很深。所以最后你会发现我们现在所有的受众移动盘，我们的媒体内容已经在抢占受众各种各样的时间，然后又产生各种各样的数据，这个数据让我们产生各种各样的有利于缠身各种各样的信息，所以它形成了非常好的互联网的闭环。
大家看到一个图，都在吃饭，都在玩手机。看微信，微博，包括朋友圈，公司圈，都在微信上进行沟通，所以这也是大量的数据。所以最后你会发现最近十年互联网包括移动互联网，你会发现最后死掉的是右下觉，活下来的都是黏度高的，黏度最高的是邮件活得很好，然后慢慢地新闻资讯，我们看到很多传统的纸媒，电视，都在转型，他们希望成为一个有观点的黏度状态。互联网营销方式也在改变，最早是砸大钱在电商栏目买一个好广告，投电视，慢慢地变成广告精准。还有买博士伦眼镜怎么样定义受众，同样我们看中国好声音怎么分受众，同样我们可以看到广告跟社交联动。怎么样联动？之前我们做了一个案例，一个汽车用户他有几百万的粉丝，这些用户以什么样的关系存在？以前是没有人知道的，我们用新的趋势就是显卡计算，我们知道整个人的关系网是一个什么样，是一个图，所以显卡天然的是用图计算，所以我们分析了，发现这样一个计算品牌的粉丝天然的报了18个团，里面有两个是僵尸粉的团，历史上他有两家公司加粉，一个是跟他有关系的明星代言人，被他邀请过参加试驾活动，被他邀请过参加拍摄的明星是一个粉丝团。另外一个是经销商。如果投广告的话，对这四个粉丝团不要投。所以我们剩下的可能应该是对内，剩下14个团去投广告，社交跟广告也在联动，所以这是大数据分析的比较有典型的案例。
我们再看互联网也在开始做专题活动，一些不同的季节不同的领域不同的产品做活动，他们通过数据挖掘去营销策划这个活动，明天就是双12，一个月前双11，双11就是电商平台的联动，怎么样提高转化率，我看亚信的同事提到，通过电商数据提高17%的转化率，意味着未来提高更大的170%的转化率。
这个是我们历史上跟客户做的非常经典的案例，一个是达标率，地域分布、拼刺控制、内容剧目定向。每个人看高八次以上，很多人会觉得非常烦，我相信大家看视频的时候前面几十秒广告很难受。同样的地域，是不是能够做广告，我们发现地域还是有差别，我们跟合作伙伴在考虑怎么样分析里面有多少因为路由的设置导致的错误。同样比如说这个地区没有4S店，他们就不要做广告销售。如果两个媒体用户重合度非常高的话，是不是另外一个小的媒体就可以替代掉，或者是补强的作用。
前面是媒体大数据的统计产生。这里面是微观的数据，比如说用户，我们看网站设计，从用户访问路径上来看是不是合理的，诉求是A，但是你的交互是B，所以我们通过路径方式也是一张图网，哪条路径是用户最喜欢的竖井，哪条路径是最容易实现用户购买的路径，这个是我们帮助客户提高转化效率的路径。同样的我们也发现有一个非常有趣的数据，看广告真的没有用吗？不是，我们在一些电信网站上发现看广告的用户，在看完广告后三天之后再回到电商平台购买的广告率是没有看广告的三倍。而且这个用户是忠实的老用户，而且他的流失率很低，这也是大数据挖掘出来非常有趣的一个现象。
当然这个可以未来跟很多运营商合作，运营商不会帮助虚假信息，怎么样判别？比如说亚信，可以非常方便地知道这是机器人，老是在播放，这是亚信和运营商知道的，机器人他不断地刷COOKIE，它是模拟的手段。
刚刚讲到异常数据甄别六大维度，我们看到运营商里面很多，我们作弊的时候最大的作弊就是机器人，被机器控制的人，或者叫机器人，运营商本身做安全的时候已经有了一定的模型。还有整个广告的行业更干净，让广告主愿意花更多的钱，同时为他产生更多的价值。
刚刚我们讲的都是一些冷冰冰的数字，我们发现更多的是实现价值，广告第一个是不是能够看到？在什么样的环境下被看到，视频广告跟普通原来我们看到横幅的广告最大的区别是什么？你会发现视频在空间上几乎独占，但是时间15秒，然后原来的小的按纽广告在空间不是独占，但是在时间上永远是独占。所以这两种得到的结果可能空间是存在的，但是效果完全不一样。
还有提到了副媒体。还有音频广告，最近有很多的APP开始抢到了耳朵了，眼睛已经抢了，所以一些听音乐的软件开始做了，像司马拉雅，FM，他们也是开始做广告的方式，包括今天早上看到的新闻Google已经在美国把户外的液晶屏成功可以实时定价进行投放，当然它会参照很多的参数比如说地理位置，人流量，以及周边的广告交互情况定不同的情况。
最最传统微观的就是调研，调研是什么，我们拿样本去统计，做统计指标来映射，这个我觉得是比较有趣的东西。怎么样建立更好的样本，我们讲样本最大的问题还是甄别真和假。我们认为运营商的数据天然的有人和数据，人和的分布，甚至是套餐使用情况，消费者的简单统计可以做简单的消费行为，当然简单统计之后要处理敏感数据。我们过去怎么得到这个人的收入的，现在你还用问吗，运营商发现每个月20号发短信工资已发18500，运营商完全可以知道，但是他不知道是谁。过去说你有每年看过这样的广告？这个时候有一个悖论，这次看广告是不算看广告呢？只有通过真实的监测数据，我们为广告提供看过多少次，在哪个媒体看，看的是哪个形式，通过这样的采集过程中，我们采集了200万的样本库，接下来我们会跟运营商做得更准确，覆盖更广，因为现在手机有9个月到12个月的换机周期，我们通过匿名方法把它关联起来提供一些样本的持久度。
这个是我们实际在我们这个行业里面给广告主做的品牌价值的指标，这些指标其实通过调研的方法计算出来的，当调研样本比较大的时候它其实就是一个比较大的数据量的统计了，我们有一个数据库有一个分支是几万个样本库，那个样本库差不多有十几万份，那个东西也是非常庞大的，我们看到它是非常款的一张表，分析起来需要一些工作。
这个是所有媒体对比的实时的案例。时间关系我就不讲了。
我们回到社交化，移动化，这里面有几个东西跟运营商非常有关系，运营商也都在做的，wifi，移动，电信联通都在做的WIFI接入，最近央视又报道不要介WIFI，可能信息会被偷盗。但是用了wifi它是个网关，隐私都可以提取到。然后我们可以通过一个特定的渠道代码优惠券到使用优惠券的转化率，这个是不是够准确。同样我们设了两个条件，针对平时消费运动品的同学去卖隐性眼镜和平时去火锅的隐性眼镜，通过短信发出去的优惠券和刷卡发出去的优惠券不一样。这是直观的转化通路。同样我们广告在过去很硬，现在慢慢软化，过去说APPG内制虚拟道具，比如说某某可乐的运动表情，会搭配运动产品让用户使用，目的就是积累用户的行为，我可以针对你用户的使用记录，刚刚我们看到用户的画像。所以同样运营商我相信可以做很多这样的事情。
刚刚我们讲的是一些实际应用场景，我们的方法论。其实我这里不太想提的大家非常熟悉的东西，比如HADOOP，比如数据关联分析，数据建模，数据挖掘。你看这里面提的东西都是分析，你会发现内部舆情很重要，我们跟内部有一个共识就是广告费是一个数字，但是它前面是一个符号，正还是负很重要，如果你最近都是负面，大家看到广告结果，这就是被某个电视台曝过光的品牌。所以我们花了很多力气去做了这样一个实验室，专门做舆情分析，分几个部分，谁在哪个场合说了什么样的话跟哪个品牌有关系，表示怎么样。我们新浪微博是我们最大的合作伙伴。爬完舆情之后做情感分析，情感分析我们鉴定规则引擎，能够快速定论调主题。过去怎么做情感分析，比如某某对象很好，但是另一个牌子就有点差了，请问这句话过去情感判断判断出来什么？中性，因为有一个好字有一个差字，但是我们的引擎里面两个品牌，A品牌好，B品牌差，所以它要被拆解开，因为我们做跟传统相关的内容。同样一条好的消息或者是一条坏的消息，怎么样被转发的，转发到了多少人，它是不是覆盖到你的粉丝。最后你可以统计出一个你是好事传千里还是坏事传千里，这个取决于你最后是正还是负。大家都知道可乐，两年多都是在可乐瓶上打标签，可乐这两年瓶子是我们做的，我们把粉丝挑出300个热词，喜欢什么样的歌，喜欢什么样的自称，他们把30个比较高大上的正面的词，然后大家可以超市里面购买小清新的可乐瓶。然后他们给王力宏送了一箱可乐，王力宏自发地收到一瓶可乐，然后称为我的歌声王力宏，我用一箱可乐的成本换了几十万次的转发成功。也就是我们讲营销不仅仅是广告，很有趣，但是你要依靠数据。
这个当然是回到了最后我们讲的PRE的引擎，我们讲到了营销是广告，还有一个O字，广告主有自己的阵地，自己的网站，自己的商店，这些广告主都是自己的OD，这些OD本身没有什么流量，我们需要赚流量，刚刚讲的社交，有多少人愿意分享你，有多少人愿意晒单，它其实愿意跟你的官方网站带流，当然这里面可以唯一打标识。PC互联网COOKIE是很好的标识，运营商将来的ID是不是可以成为运营商的数字标识。如果一个家庭有多个上网帐号，多个上网帐号，你可以知道这个家庭是可以跟哪个手机绑定。通过这个标识可以在任何环境下面找到定向，因为通过标识可以分析他行为的大概画像。行为画像是有很多很多侧面，比如说这个是HQ1，回到讲人的侧面，很多数据源都能够画出一个人的侧面，但是怎么画出一个更全的侧面？这是我们今天和运营商讨论的层面。我们怎么把这些侧面融合起来，广告主自己也有一部分，因为你有可能买了广告主的东西。我们把只有这些全部融合起来，能够在对的时间，在对的场合，找到对的人说对的话。最近双11淘宝的话，会发现你搜索的东西还没买的话，会在微博和其他场合到处看到淘宝关于这部分的广告。那时候你会觉得淘宝怎么还聪明，后来多了你可能会反感。这时候你会发现如果我们能够把这些标签全部打成ID之后，有这么多的广告形式，可能都跟你的需求有关系，这个时候当然有的人很害怕，我没有隐私了，我的世界被探知了，但是你有的时候又觉得我的生活很便利，我出去的时候可能要叫车吧，这个时候会觉得有个社会小助手不断的在提醒你。
当然这个是我们广告主怎么样跟电视和互联网跨起来，未来数字化是更好的跨，当然有曲线模型和数据模型，也是基于我们很多经验挖掘，做到很好的整合。今年我们做了非常有趣的模型，叫做赞助模型。我们通过这个评估大数据的建模方法，让赞助的东西也变得更加精准，可以被评估。
所以最后我们回到说整合营销，我们讲生态链里面你会发现一个词其实很重要，刚刚我提到的，对的时间，对的地点，找对的人，说对的话。任何一个操作都是准的，同样你还能预估，我应该花多少钱，买什么样的媒体，我在电商网站怎么样备货，我产品应该怎么样设计，我针对不同的人群开发新的产品。
这是我们讲的双闭环的结果，这是广告主，你会发现大家都在这个双闭环结构中发展。一开始你发展这个产品，你需要推广这个产品，这些都是靠数据的力量来帮你提供数据决策，然后在集成过程中会帮你做二次传播，你在网络渠道销售，或者在线下销售，这个评论反馈到网上，这儿评论可以重新设计下一代产品，下一代产品可以同时做推广，再反馈，再做数据模型。如果这个环做好，就会发现这个产品不断的做下去，这个产品不会死，因为不断的有人在里面把它做更好的正向下去。今天我就说到这儿，待会儿我们有圆桌，会讨论更多实际的东西。谢谢大家！

Ⅸ 大数据营销，软文广告怎么写

软文，英文抄是Advertorial，是相对于硬性广告而言，指由企业的市场策划人员或广告公司的文案人员来负责撰写的“文字广告”。与硬广告相比，软文之所以叫做软文，做软文推广找锦随推，精妙之处就在于一个“软”字，让用户不受强制广告的宣传下，文章内容与广告的完美结合，从而达到广告宣传效果。