正文

數(shù)據(jù)案例分析（數(shù)據(jù)案例分析怎么寫(xiě)）

發(fā)布時(shí)間：2023-03-10 14:04:53 稿源：創(chuàng)意嶺閱讀： 1102 問(wèn)大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于數(shù)據(jù)案例分析的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，相關(guān)業(yè)務(wù)請(qǐng)撥打電話：175-8598-2043，或添加微信：1454722008

本文目錄:

1、科普文：銀行業(yè)9大數(shù)據(jù)科學(xué)應(yīng)用案例解析！
2、電商銷(xiāo)售數(shù)據(jù)分析案例(Oracle)
3、大數(shù)據(jù)攻略案例分析及結(jié)論
4、數(shù)據(jù)集市的案例分析

數(shù)據(jù)案例分析（數(shù)據(jù)案例分析怎么寫(xiě)）

一、科普文：銀行業(yè)9大數(shù)據(jù)科學(xué)應(yīng)用案例解析！

在銀行業(yè)中使用數(shù)據(jù)科學(xué)不僅僅是一種趨勢(shì)，它已成為保持競(jìng)爭(zhēng)的必要條件。銀行必須認(rèn)識(shí)到，大數(shù)據(jù)技術(shù)可以幫助他們有效地集中資源，做出更明智的決策并提高績(jī)效。

以下我們羅列銀行業(yè)使用的數(shù)據(jù)科學(xué)用例清單，讓您了解如何處理大量數(shù)據(jù)以及如何有效使用數(shù)據(jù)。

（1）欺詐識(shí)別

（2）管理客戶數(shù)據(jù)

（3）投資銀行的風(fēng)險(xiǎn)建模

（4）個(gè)性化營(yíng)銷(xiāo)

（5）終身價(jià)值預(yù)測(cè)

（6）實(shí)時(shí)和預(yù)測(cè)分析

（7）客戶細(xì)分

（8）推薦引擎

（9）客戶支持

（10）結(jié)論

1、欺詐識(shí)別

機(jī)器學(xué)習(xí)對(duì)于有效檢測(cè)和防范涉及信用卡，會(huì)計(jì)，保險(xiǎn)等的欺詐行為至關(guān)重要。銀行業(yè)務(wù)中的主動(dòng)欺詐檢測(cè)對(duì)于為客戶和員工提供安全性至關(guān)重要。銀行越早檢測(cè)到欺詐行為，其越快可以限制帳戶活動(dòng)以減少損失。通過(guò)實(shí)施一系列的欺詐檢測(cè)方案，銀行可以實(shí)現(xiàn)必要的保護(hù)并避免重大損失。

欺詐檢測(cè)的關(guān)鍵步驟包括：

獲取數(shù)據(jù)樣本進(jìn)行模型估計(jì)和初步測(cè)試模型估計(jì) 測(cè)試階段和部署。

由于每個(gè)數(shù)據(jù)集都不同，每個(gè)數(shù)據(jù)集都需要由數(shù)據(jù)科學(xué)家進(jìn)行個(gè)別訓(xùn)練和微調(diào)。將深厚的理論知識(shí)轉(zhuǎn)化為實(shí)際應(yīng)用需要數(shù)據(jù)挖掘技術(shù)方面的專(zhuān)業(yè)知識(shí)，如關(guān)聯(lián)，聚類(lèi)，預(yù)測(cè)和分類(lèi)。

高效欺詐檢測(cè)的一個(gè)例子是，當(dāng)一些異常高的交易發(fā)生時(shí)，銀行的欺詐預(yù)防系統(tǒng)被設(shè)置為暫停，直到賬戶持有人確認(rèn)交易。對(duì)于新帳戶，欺詐檢測(cè)算法可以調(diào)查非常高的熱門(mén)項(xiàng)目購(gòu)買(mǎi)量，或者在短時(shí)間內(nèi)使用類(lèi)似數(shù)據(jù)打開(kāi)多個(gè)帳戶。

2、管理客戶數(shù)據(jù)

銀行有義務(wù)收集，分析和存儲(chǔ)大量數(shù)據(jù)。但是，機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)工具不是將其視為合規(guī)性練習(xí)，而是將其轉(zhuǎn)化為更多地了解其客戶以推動(dòng)新的收入機(jī)會(huì)的可能性。

如今，數(shù)字銀行越來(lái)越受歡迎并被廣泛使用。這創(chuàng)建了TB級(jí)的客戶數(shù)據(jù)，因此數(shù)據(jù)科學(xué)家團(tuán)隊(duì)的第一步是分離真正相關(guān)的數(shù)據(jù)。之后，通過(guò)準(zhǔn)確的機(jī)器學(xué)習(xí)模型幫助數(shù)據(jù)專(zhuān)家掌握有關(guān)客戶行為，交互和偏好的信息，可以通過(guò)隔離和處理這些最相關(guān)的客戶信息來(lái)改善商業(yè)決策，從而為銀行創(chuàng)造新的收入機(jī)會(huì)。

3、投資銀行的風(fēng)險(xiǎn)建模

風(fēng)險(xiǎn)建模對(duì)投資銀行來(lái)說(shuō)是一個(gè)高度優(yōu)先考慮的問(wèn)題，因?yàn)樗兄谝?guī)范金融活動(dòng)，并在定價(jià)金融工具時(shí)發(fā)揮最重要的作用。投資銀行評(píng)估公司在企業(yè)融資中創(chuàng)造資本，促進(jìn)兼并和收購(gòu)，進(jìn)行公司重組或重組以及用于投資目的的價(jià)值。

這就是為什么風(fēng)險(xiǎn)模型對(duì)于銀行來(lái)說(shuō)顯得非常重要，最好是通過(guò)掌握更多信息和儲(chǔ)備數(shù)據(jù)科學(xué)工具來(lái)評(píng)估?，F(xiàn)在，通過(guò)大數(shù)據(jù)的力量，行業(yè)內(nèi)的創(chuàng)新者正在利用新技術(shù)進(jìn)行有效的風(fēng)險(xiǎn)建模，從而實(shí)現(xiàn)更好的數(shù)據(jù)驅(qū)動(dòng)型決策。

4、個(gè)性化營(yíng)銷(xiāo)

市場(chǎng)營(yíng)銷(xiāo)成功的關(guān)鍵在于制定適合特定客戶需求和偏好的定制化報(bào)價(jià)。數(shù)據(jù)分析使我們能夠創(chuàng)建個(gè)性化營(yíng)銷(xiāo)，在適當(dāng)?shù)臅r(shí)間在正確的設(shè)備上為合適的人員提供合適的產(chǎn)品。數(shù)據(jù)挖掘廣泛用于目標(biāo)選擇，以識(shí)別新產(chǎn)品的潛在客戶。

數(shù)據(jù)科學(xué)家利用行為，人口統(tǒng)計(jì)和歷史購(gòu)買(mǎi)數(shù)據(jù)建立一個(gè)模型，預(yù)測(cè)客戶對(duì)促銷(xiāo)或優(yōu)惠的反應(yīng)概率。因此，銀行可以進(jìn)行高效，個(gè)性化的宣傳并改善與客戶的關(guān)系。

5、終身價(jià)值預(yù)測(cè)

客戶生命周期價(jià)值(CLV)預(yù)測(cè)了企業(yè)從與客戶的整個(gè)關(guān)系中獲得的所有價(jià)值。這項(xiàng)措施的重要性正在快速增長(zhǎng)，因?yàn)樗兄趧?chuàng)建和維持與特定客戶的有利關(guān)系，從而創(chuàng)造更高的盈利能力和業(yè)務(wù)增長(zhǎng)。

獲得和維系有利可圖的客戶對(duì)銀行來(lái)說(shuō)是一個(gè)不斷增長(zhǎng)的挑戰(zhàn)。隨著競(jìng)爭(zhēng)越來(lái)越激烈，銀行現(xiàn)在需要360度全方位了解每位客戶，以便有效地集中資源。這就是數(shù)據(jù)科學(xué)進(jìn)入的地方。首先，必須考慮大量數(shù)據(jù)：如客戶獲得和流失的概念，各種銀行產(chǎn)品和服務(wù)的使用，數(shù)量和盈利能力以及其他客戶的特點(diǎn) 如地理，人口和市場(chǎng)數(shù)據(jù)。

這些數(shù)據(jù)通常需要大量清洗和操作才能變得可用和有意義。銀行客戶的概況，產(chǎn)品或服務(wù)差異很大，他們的行為和期望也不盡相同。數(shù)據(jù)科學(xué)家的工具中有許多工具和方法來(lái)開(kāi)發(fā)CLV模型，如廣義線性模型(GLM)，逐步回歸，分類(lèi)和回歸樹(shù)(CART)。建立一個(gè)預(yù)測(cè)模型，以確定基于CLV的未來(lái)營(yíng)銷(xiāo)策略，這對(duì)于在每個(gè)客戶的一生中與該公司保持良好的客戶關(guān)系，實(shí)現(xiàn)更高的盈利能力和增長(zhǎng)是具有非常有價(jià)值的過(guò)程。

6、實(shí)時(shí)和預(yù)測(cè)分析

分析在銀行業(yè)中的重要性不可低估。機(jī)器學(xué)習(xí)算法和數(shù)據(jù)科學(xué)技術(shù)可以顯著改善銀行的分析策略，因?yàn)殂y行業(yè)務(wù)的每個(gè)使用案例都與分析密切相關(guān)。隨著信息的可用性和多樣性迅速增加，分析變得更加復(fù)雜和準(zhǔn)確。

可用信息的潛在價(jià)值非常驚人：指示實(shí)際信號(hào)的有意義的數(shù)據(jù)量(不僅僅是噪聲)在過(guò)去幾年呈指數(shù)級(jí)增長(zhǎng)，而數(shù)據(jù)處理器的成本和規(guī)模一直在下降。區(qū)分真正相關(guān)的數(shù)據(jù)和噪音有助于有效解決問(wèn)題和制定更明智的戰(zhàn)略決策。實(shí)時(shí)分析有助于了解阻礙業(yè)務(wù)的問(wèn)題，而預(yù)測(cè)分析有助于選擇正確的技術(shù)來(lái)解決問(wèn)題。通過(guò)將分析整合到銀行工作流程中，可以實(shí)現(xiàn)更好的結(jié)果，以提前避免潛在的問(wèn)題。

7、客戶細(xì)分

客戶細(xì)分意味著根據(jù)他們的行為(對(duì)于行為分割)或特定特征(例如區(qū)域，年齡，對(duì)于人口統(tǒng)計(jì)學(xué)分割的收入)挑選出一組客戶。數(shù)據(jù)科學(xué)家的一系列技術(shù)如聚類(lèi)，決策樹(shù)，邏輯回歸等等，因此它們有助于了解每個(gè)客戶群的CLV并發(fā)現(xiàn)高價(jià)值和低價(jià)值的細(xì)分市場(chǎng)。

沒(méi)有必要證明客戶的這種細(xì)分允許有效地分配營(yíng)銷(xiāo)資源，并且為每個(gè)客戶群提供基于點(diǎn)的方法的最大化以及銷(xiāo)售機(jī)會(huì)。不要忘記，客戶細(xì)分旨在改善客戶服務(wù)，并幫助客戶忠誠(chéng)和留住客戶，這對(duì)銀行業(yè)是非常必要的。

8、推薦引擎

數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)工具可以創(chuàng)建簡(jiǎn)單的算法，分析和過(guò)濾用戶的活動(dòng)，以便向他建議最相關(guān)和準(zhǔn)確的項(xiàng)目。這種推薦引擎即使在他自己搜索它之前也會(huì)顯示可能感興趣的項(xiàng)目。要構(gòu)建推薦引擎，數(shù)據(jù)專(zhuān)家需要分析和處理大量信息，識(shí)別客戶配置文件，并捕獲顯示其交互的數(shù)據(jù)以避免重復(fù)提供。

推薦引擎的類(lèi)型取決于算法的過(guò)濾方法。協(xié)同過(guò)濾方法既可以是基于用戶的，也可以是基于項(xiàng)目的，并且可以與用戶行為一起分析其他用戶的偏好，然后向新用戶提出建議。

協(xié)同過(guò)濾方法面臨的主要挑戰(zhàn)是使用大量數(shù)據(jù)，導(dǎo)致計(jì)算問(wèn)題和價(jià)格上漲?；趦?nèi)容的過(guò)濾與更簡(jiǎn)單的算法一起工作，其推薦與用戶參考先前活動(dòng)的項(xiàng)目相似的項(xiàng)目。如果行為復(fù)雜或連接不清，這些方法可能會(huì)失敗。還有一種混合類(lèi)型的引擎，結(jié)合了協(xié)作和基于內(nèi)容的過(guò)濾。

沒(méi)有任何方法是普適的，它們每個(gè)都有一些優(yōu)點(diǎn)和缺點(diǎn)，正確的選擇取決于你的目標(biāo)和情況。

9、客戶支持

杰出的客戶支持服務(wù)是保持與客戶長(zhǎng)期有效關(guān)系的關(guān)鍵。作為客戶服務(wù)的一部分，客戶支持是銀行業(yè)中一個(gè)重要但廣泛的概念。實(shí)質(zhì)上，所有銀行都是基于服務(wù)的業(yè)務(wù)，因此他們的大部分活動(dòng)都涉及服務(wù)元素。它包括全面及時(shí)地回應(yīng)客戶的問(wèn)題和投訴，并與客戶互動(dòng)。

數(shù)據(jù)科學(xué)使這一過(guò)程更好地實(shí)現(xiàn)了自動(dòng)化，更準(zhǔn)確，個(gè)性化，直接和高效，并且降低了員工時(shí)間成本。

結(jié)論

為了獲得競(jìng)爭(zhēng)優(yōu)勢(shì)，銀行必須承認(rèn)數(shù)據(jù)科學(xué)的重要性，將其融入決策過(guò)程，并根據(jù)客戶數(shù)據(jù)中獲得可操作的見(jiàn)解制定戰(zhàn)略。從小型可管理的步驟開(kāi)始，將大數(shù)據(jù)分析整合到您的運(yùn)營(yíng)模式中，并領(lǐng)先于競(jìng)爭(zhēng)對(duì)手。

由于這種快速發(fā)展的數(shù)據(jù)科學(xué)領(lǐng)域以及將機(jī)器學(xué)習(xí)模型應(yīng)用于實(shí)際數(shù)據(jù)的能力，因此可以每天擴(kuò)展此用例列表，從而獲得更多更準(zhǔn)確的結(jié)果。

二、電商銷(xiāo)售數(shù)據(jù)分析案例(Oracle)

數(shù)據(jù)來(lái)源于Kaggle的電商數(shù)據(jù)集 The UCI Machine Learning Repository ，英國(guó)在線零售商在2010年12月1日到2011年12月9日的在線銷(xiāo)售數(shù)據(jù)，該電商公司主要以銷(xiāo)售各類(lèi)禮品為主，多數(shù)客戶都是批發(fā)商。

使用Oracle 對(duì)數(shù)據(jù)進(jìn)行處理與清洗，通過(guò)RFM模型、復(fù)購(gòu)率、消費(fèi)生命周期等對(duì)用戶維度進(jìn)行分析，利用ABC分類(lèi)、退貨率等維度展開(kāi)剖析，結(jié)合Excel圖表進(jìn)行可視化展示，為精準(zhǔn)營(yíng)銷(xiāo)與個(gè)性化服務(wù)提供支持。

根據(jù)分析目的選擇字段，數(shù)據(jù)集共8個(gè)字段，如果表格字段較多，視情根據(jù)分析目的的需要選擇合適的字段。

創(chuàng)建備用表new_ecommerce，將舊表的數(shù)據(jù)去重添加進(jìn)備用表。原有數(shù)據(jù)541909條，去重后數(shù)據(jù)536641條，刪除重復(fù)值5268條。

檢查缺失值

CustomerID存在缺失值135037條，Description出現(xiàn)缺失值1454條。數(shù)據(jù)都很大，不可能全部刪除。Description產(chǎn)品描述不是項(xiàng)目分析，不用處理。

在實(shí)際工作中，像CustomerID客戶ID缺失，首先找業(yè)務(wù)部門(mén)或者數(shù)據(jù)來(lái)源部門(mén)確認(rèn)信息并且補(bǔ)上。本項(xiàng)目只有單一數(shù)據(jù)，無(wú)法找到相關(guān)人員確認(rèn)，暫且把NULL值替換為0。

5.1檢查日期是否在范圍內(nèi)（2010年12月1日到2011年12月9日）

交易成功，銷(xiāo)量不可能為負(fù)值或零值。如果銷(xiāo)量為零或者負(fù)值情況，那么需要和業(yè)務(wù)/數(shù)據(jù)來(lái)源部門(mén)確認(rèn)具體的原因。這里假設(shè)出現(xiàn)負(fù)值是客戶退貨情況。

檢查發(fā)現(xiàn)交易銷(xiāo)量小于0的發(fā)票編號(hào)大都是"C”開(kāi)頭的，有部分異常銷(xiāo)量小于0但不是以"C"開(kāi)頭，這里做刪除處理。

檢查發(fā)現(xiàn)有單價(jià)為0的免費(fèi)單，共計(jì)1174。暫且不分析免費(fèi)單，直接刪除免費(fèi)單的數(shù)據(jù)。

檢查發(fā)現(xiàn)兩筆壞賬，單價(jià)都是負(fù)值，故把它刪除。

根據(jù)分析目的，我們處理InvoiceDate日期數(shù)據(jù)。這里只做日期分析，不分析小時(shí)分鐘，故轉(zhuǎn)換為日期格式。

根據(jù)分析目的，本次分析將采用RFM模型

在RFM模式中：

R：最近一次消費(fèi)時(shí)間（最近一次消費(fèi)到參考時(shí)間的間隔）

F：消費(fèi)的頻率(消費(fèi)了多少次）

M：消費(fèi)的金額（總消費(fèi)金額）

一般的分析型RFM強(qiáng)調(diào)以客戶的行為來(lái)區(qū)分客戶。

根據(jù)最近一次消費(fèi)與客戶數(shù)的分析結(jié)果顯示最長(zhǎng)的天數(shù)差是373天，最短0天；80%的客戶在200天內(nèi)都有交易記錄，說(shuō)明客戶忠誠(chéng)度不錯(cuò)。

分析顯示，10次交易記錄以內(nèi)的客戶占絕大部分，說(shuō)明客戶是很認(rèn)可產(chǎn)品和服務(wù)。

在2010年12月1日到2011年12月9日期間，交易金額主要集中在 1000英鎊以內(nèi)和1000-3000英鎊這兩個(gè)范圍內(nèi)。

分析發(fā)現(xiàn)，該電商平臺(tái)總交易客戶數(shù)4372位。交易客戶中，一般發(fā)展客戶（可以說(shuō)是新客戶）最多，占總數(shù)的34%，其次是一般挽留客戶(流失客戶)29%，重要發(fā)展客戶22%，重要價(jià)值客戶10%，重要挽留客戶5%和重要挽回客戶0.16%。

每月新客數(shù)量及其占比

每月的新老客戶的銷(xiāo)售數(shù)量與銷(xiāo)售金額

用戶生命周期 = 最近一次購(gòu)買(mǎi)時(shí)間 - 第一次購(gòu)買(mǎi)時(shí)間

商品退貨分析

結(jié)合ABC分類(lèi)進(jìn)行分析，選取退貨率大于均值且為A級(jí)的商品（主要是綜合上文提及的ABC分類(lèi)和退貨率計(jì)算，通過(guò)創(chuàng)建view的形式進(jìn)行聯(lián)結(jié)后篩選，創(chuàng)建退貨率視圖為view_return_rate，ABC分類(lèi)視圖為view_class），這里篩選出64個(gè)商品。

三、大數(shù)據(jù)攻略案例分析及結(jié)論

大數(shù)據(jù)攻略案例分析及結(jié)論

我們將迎來(lái)一個(gè)“大數(shù)據(jù)時(shí)代”。與變化相始終的中國(guó)企業(yè)，距離這場(chǎng)革命還有多遠(yuǎn)？而追上領(lǐng)先者又需要多快的步伐？

｛研究結(jié)論｝

怎樣才能用起來(lái)大數(shù)據(jù)？障礙如何解決?中國(guó)企業(yè)家研究院對(duì)10多家在大數(shù)據(jù)應(yīng)用方面的領(lǐng)先企業(yè)進(jìn)行了采訪調(diào)研，更多家企業(yè)進(jìn)行了書(shū)面資料調(diào)研，我們發(fā)現(xiàn)：

■ 當(dāng)前中國(guó)企業(yè)的大數(shù)據(jù)應(yīng)用可以歸類(lèi)為：大數(shù)據(jù)運(yùn)營(yíng)、大數(shù)據(jù)產(chǎn)品、大數(shù)據(jù)平臺(tái)三大=領(lǐng)域，前兩者更多是企業(yè)內(nèi)部的應(yīng)用，后者則在于用大數(shù)據(jù)來(lái)繁榮整個(gè)平臺(tái)企業(yè)群落的生態(tài)。

■ 大數(shù)據(jù)營(yíng)銷(xiāo)的本質(zhì)是一個(gè)影響消費(fèi)者購(gòu)物前心理路徑的問(wèn)題，而這在大數(shù)據(jù)時(shí)代前很難做到。

■ 對(duì)于傳統(tǒng)企業(yè)而言，要打通線上與線下?tīng)I(yíng)銷(xiāo)，實(shí)現(xiàn)新的商業(yè)模式，如O2O等，離不開(kāi)大數(shù)據(jù)。

■ 雖然大數(shù)據(jù)應(yīng)用往往集中于大數(shù)據(jù)營(yíng)銷(xiāo)，但對(duì)于一些企業(yè)，大數(shù)據(jù)的應(yīng)用早已超越了營(yíng)銷(xiāo)范疇，全面進(jìn)入了企業(yè)供應(yīng)鏈、生產(chǎn)、物流、庫(kù)存、網(wǎng)站和店內(nèi)運(yùn)營(yíng)等各個(gè)環(huán)節(jié)。

■ 對(duì)于大部分企業(yè)，由于數(shù)據(jù)分析人員與業(yè)務(wù)人員之間的彼此視角與思考方向不同，大數(shù)據(jù)分析和運(yùn)營(yíng)之間存在脫節(jié)情況，這是大數(shù)據(jù)無(wú)法用于企業(yè)運(yùn)營(yíng)最大的阻力

■ 對(duì)于大多數(shù)互聯(lián)網(wǎng)公司來(lái)說(shuō)，大數(shù)據(jù)量、大用戶量是一個(gè)相互促進(jìn)，強(qiáng)者越強(qiáng)的循環(huán)過(guò)程。

■ 對(duì)于大型互聯(lián)網(wǎng)平臺(tái)，大數(shù)據(jù)已經(jīng)成為其生態(tài)循環(huán)中的血液，對(duì)于這些企業(yè)，最重要

的不是如何利用大數(shù)據(jù)改進(jìn)自身運(yùn)營(yíng)，而是利用大數(shù)據(jù)更好地繁榮平臺(tái)生態(tài)。

■ 對(duì)于平臺(tái)企業(yè)，它們的大數(shù)據(jù)策略正逐漸從大數(shù)據(jù)運(yùn)營(yíng)，向運(yùn)營(yíng)大數(shù)據(jù)轉(zhuǎn)變，前者和

后者的差別在于，前者只是運(yùn)營(yíng)改進(jìn)的動(dòng)力，而后者則成為企業(yè)實(shí)現(xiàn)未來(lái)戰(zhàn)略的核心資源。

我們都已被反復(fù)告知：我們將迎來(lái)一個(gè)“大數(shù)據(jù)時(shí)代”。

大數(shù)據(jù)應(yīng)用，將和云計(jì)算、3D打印這些技術(shù)變革一樣，顛覆既有規(guī)則，并成為先行企業(yè)的制勝關(guān)鍵。

與變化相始終的中國(guó)企業(yè)，距離這場(chǎng)革命還有多遠(yuǎn)？而追上領(lǐng)先者又需要多快的步伐？

來(lái)自于互聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)傳感器、視頻采集系統(tǒng)的數(shù)據(jù)正海量增長(zhǎng)，匯成大數(shù)據(jù)的海洋，相伴的是海量數(shù)據(jù)存儲(chǔ)、分析技術(shù)的突破性發(fā)展，所有這一切都給企業(yè)的應(yīng)用帶來(lái)了無(wú)限可能性。

許多企業(yè)希望將大數(shù)據(jù)用起來(lái)，帶動(dòng)企業(yè)的經(jīng)營(yíng)，但不知從哪里著手。它們不惜重金投資大數(shù)據(jù)信息系統(tǒng)、分析系統(tǒng)，聘請(qǐng)更多的人才，希望能從這個(gè)新趨勢(shì)中獲益，不過(guò)卻無(wú)奈地發(fā)現(xiàn)，大數(shù)據(jù)仍然停留在云端，沒(méi)有帶來(lái)多少實(shí)際收益。它們找不到大數(shù)據(jù)與業(yè)務(wù)結(jié)合的突破口。而一些真正將大數(shù)據(jù)應(yīng)用于實(shí)戰(zhàn)的企業(yè)，卻在應(yīng)用過(guò)程中困難重重：大數(shù)據(jù)無(wú)法與業(yè)務(wù)結(jié)合；沒(méi)有收集、分析海量數(shù)據(jù)的能力；經(jīng)營(yíng)人員缺少應(yīng)用大數(shù)據(jù)的動(dòng)力；數(shù)據(jù)來(lái)源魚(yú)龍混雜難以使用……

中國(guó)企業(yè)家研究院對(duì)當(dāng)前中國(guó)企業(yè)大數(shù)據(jù)應(yīng)用的狀況進(jìn)行了歸納分類(lèi)，以幫助企業(yè)了解實(shí)際應(yīng)用大數(shù)據(jù)時(shí)的困局難點(diǎn)，并提供領(lǐng)先企業(yè)的典型案例以資借鑒。

表1

表2

大數(shù)據(jù)運(yùn)營(yíng)—企業(yè)提升效率的助推力

對(duì)于大多數(shù)企業(yè)而言，運(yùn)營(yíng)領(lǐng)域的應(yīng)用是大數(shù)據(jù)最核心的應(yīng)用，之前企業(yè)主要使用來(lái)自生產(chǎn)經(jīng)營(yíng)中的各種報(bào)表數(shù)據(jù)，但隨著大數(shù)據(jù)時(shí)代的到來(lái)，來(lái)自于互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、各種傳感器的海量數(shù)據(jù)撲面而至。于是，一些企業(yè)開(kāi)始挖掘和利用這些數(shù)據(jù)，來(lái)推動(dòng)運(yùn)營(yíng)效率的提升。大數(shù)據(jù)運(yùn)營(yíng)應(yīng)用中，大數(shù)據(jù)的應(yīng)用分為三類(lèi)：用于企業(yè)外部營(yíng)銷(xiāo)、用于內(nèi)部運(yùn)營(yíng)，以及用于領(lǐng)導(dǎo)層決策。

一、大數(shù)據(jù)營(yíng)銷(xiāo)

大數(shù)據(jù)營(yíng)銷(xiāo)的本質(zhì)是影響目標(biāo)消費(fèi)者購(gòu)物前的心理路徑，它主要應(yīng)用在三個(gè)方面：1、大數(shù)據(jù)渠道優(yōu)化，2、精準(zhǔn)營(yíng)銷(xiāo)信息推送，3、線上與線下?tīng)I(yíng)銷(xiāo)的連接。在消費(fèi)者購(gòu)物前，通過(guò)各種方式，直接介入其信息收集和決策過(guò)程。而這種介入，是建立在對(duì)于線上與線下海量用戶數(shù)據(jù)分析的基礎(chǔ)之上。相比傳統(tǒng)狂轟濫炸或等客上門(mén)的營(yíng)銷(xiāo)，大數(shù)據(jù)營(yíng)銷(xiāo)無(wú)論在主動(dòng)性和精準(zhǔn)性方面，都有非常大的優(yōu)勢(shì)。它是目前主要的大數(shù)據(jù)應(yīng)用領(lǐng)域。

大數(shù)據(jù)營(yíng)銷(xiāo)不僅僅是用大數(shù)據(jù)找出目標(biāo)顧客，向其發(fā)布促銷(xiāo)信息，它還可以做到：

實(shí)現(xiàn)渠道優(yōu)化。根據(jù)用戶的互聯(lián)網(wǎng)痕跡進(jìn)行渠道營(yíng)銷(xiāo)效果優(yōu)化，就是根據(jù)互聯(lián)網(wǎng)上顧客的行為軌跡來(lái)找出哪個(gè)營(yíng)銷(xiāo)渠道的顧客來(lái)源最多，哪個(gè)來(lái)源顧客實(shí)際購(gòu)買(mǎi)量最多，是否是目標(biāo)顧客等等，從而調(diào)整營(yíng)銷(xiāo)資源在各個(gè)渠道的投放。例如東風(fēng)日產(chǎn)，它利用對(duì)顧客來(lái)源的追蹤，來(lái)改進(jìn)營(yíng)銷(xiāo)資源在各個(gè)網(wǎng)絡(luò)渠道如門(mén)戶網(wǎng)站、搜索和微博的投放。

精準(zhǔn)營(yíng)銷(xiāo)信息推送。精準(zhǔn)建立在對(duì)海量消費(fèi)者的行為分析基礎(chǔ)之上，消費(fèi)者網(wǎng)絡(luò)瀏覽、搜索行為被網(wǎng)絡(luò)留下，線下的購(gòu)買(mǎi)和查看等行為可以被門(mén)店的POS機(jī)和視頻監(jiān)控記錄，再加上他們?cè)谫?gòu)買(mǎi)和注冊(cè)過(guò)程中留下的身份信息，在商家面前，正逐漸呈現(xiàn)出消費(fèi)者信息的海洋。

一些企業(yè)通過(guò)收集海量的消費(fèi)者信息，然后利用大數(shù)據(jù)建模技術(shù)，按消費(fèi)者屬性（如所在地區(qū)、性別）和興趣、購(gòu)買(mǎi)行為等維度，挖掘目標(biāo)消費(fèi)者，然后進(jìn)行分類(lèi)，再根據(jù)這些，對(duì)個(gè)體消費(fèi)者進(jìn)行營(yíng)銷(xiāo)信息推送。比如孕婦裝品牌十月媽咪通過(guò)對(duì)自己微博上粉絲評(píng)論的大數(shù)據(jù)分析，找出評(píng)論有“喜愛(ài)”相關(guān)關(guān)鍵詞的粉絲，然后打上標(biāo)簽，對(duì)其進(jìn)行營(yíng)銷(xiāo)信息推送。京東商城副總經(jīng)理李曦表示：“用大數(shù)據(jù)找出不同細(xì)分的顧客需求群，然后進(jìn)行相應(yīng)的營(yíng)銷(xiāo)，是京東目前在做的事情。”小也化妝品將自身網(wǎng)站作為收集消費(fèi)者信息的雷達(dá)，對(duì)不同消費(fèi)者推薦相應(yīng)的肌膚解決方案，創(chuàng)始人肖尚略希望在未來(lái)，大數(shù)據(jù)營(yíng)銷(xiāo)能替代網(wǎng)站的作用，真正成為面向顧客的前端。

打通線上線下?tīng)I(yíng)銷(xiāo)。一些企業(yè)將互聯(lián)網(wǎng)上海量消費(fèi)者的行為痕跡數(shù)據(jù)與線下購(gòu)買(mǎi)數(shù)據(jù)打通，實(shí)現(xiàn)了線上與線下?tīng)I(yíng)銷(xiāo)的協(xié)同。比如東風(fēng)日產(chǎn)，線上與線下的協(xié)同營(yíng)銷(xiāo)方式為：其門(mén)戶網(wǎng)站帶來(lái)訂單線索，而通過(guò)這些線索，服務(wù)人員進(jìn)行電話回訪，從而推動(dòng)顧客在線下交易。在此過(guò)程中，東風(fēng)日產(chǎn)記錄了消費(fèi)者進(jìn)入、瀏覽、點(diǎn)擊、注冊(cè)、電話回訪和購(gòu)買(mǎi)各個(gè)環(huán)節(jié)的數(shù)據(jù)，實(shí)現(xiàn)了一個(gè)橫跨線上線下，以大數(shù)據(jù)分析為支持的，營(yíng)銷(xiāo)效果不斷優(yōu)化的閉環(huán)營(yíng)銷(xiāo)通路。而國(guó)雙科技，衡量某一地區(qū)線下促銷(xiāo)活動(dòng)的效果，就是看互聯(lián)網(wǎng)上，來(lái)自這個(gè)地區(qū)對(duì)于促銷(xiāo)內(nèi)容的搜索量。一些企業(yè)，通過(guò)鼓勵(lì)線下顧客使用微信和Wi-Fi等可追蹤消費(fèi)者行為和喜好的設(shè)備，來(lái)打通線上與線下數(shù)據(jù)流，銀泰百貨計(jì)劃鋪設(shè)Wi-Fi，鼓勵(lì)顧客在商場(chǎng)內(nèi)使用，然后根據(jù)Wi-Fi賬號(hào)，找出這個(gè)顧客，再通過(guò)與其它大數(shù)據(jù)挖掘公司合作，以大數(shù)據(jù)的手段，發(fā)掘這個(gè)顧客在互聯(lián)網(wǎng)的歷史痕跡，來(lái)了解這個(gè)顧客的需求類(lèi)型。

二、大數(shù)據(jù)用于內(nèi)部運(yùn)營(yíng)

相比大數(shù)據(jù)營(yíng)銷(xiāo)，大數(shù)據(jù)在內(nèi)部運(yùn)營(yíng)中的應(yīng)用更深入，對(duì)于企業(yè)內(nèi)部的信息化水平，以及數(shù)據(jù)采集和分析能力的要求更高。本質(zhì)上，是將企業(yè)外部海量消費(fèi)者數(shù)據(jù)與企業(yè)內(nèi)部海量運(yùn)營(yíng)數(shù)據(jù)聯(lián)系起來(lái)，在分析中得到新的洞察，提升運(yùn)營(yíng)效率。（詳見(jiàn)P96表5：大數(shù)據(jù)在內(nèi)部運(yùn)營(yíng)中的應(yīng)用）

表5

三、大數(shù)據(jù)用于決策

在大數(shù)據(jù)時(shí)代，企業(yè)面對(duì)眾多新的數(shù)據(jù)源和海量數(shù)據(jù)，能否基于對(duì)這些數(shù)據(jù)的洞察，進(jìn)行決策，進(jìn)而將其變成一項(xiàng)企業(yè)競(jìng)爭(zhēng)優(yōu)勢(shì)的來(lái)源？同大數(shù)據(jù)營(yíng)銷(xiāo)和大數(shù)據(jù)內(nèi)部運(yùn)營(yíng)相比，運(yùn)用大數(shù)據(jù)決策難度最高，因?yàn)樗枰环N依賴數(shù)據(jù)的思維習(xí)慣。

已有少數(shù)企業(yè)開(kāi)始嘗試。比如國(guó)內(nèi)一些金融機(jī)構(gòu)在推出一個(gè)金融產(chǎn)品時(shí)，會(huì)廣泛分析該金融產(chǎn)品的應(yīng)用情況和效果、目標(biāo)顧客群數(shù)據(jù)、各種交易數(shù)據(jù)和定價(jià)數(shù)據(jù)等，然后決定是否推出某個(gè)金融產(chǎn)品。

但是，中國(guó)企業(yè)家研究院在調(diào)研中發(fā)現(xiàn)，目前中國(guó)企業(yè)當(dāng)中，大數(shù)據(jù)決策的應(yīng)用非常之少，許多企業(yè)領(lǐng)導(dǎo)者進(jìn)行決策時(shí)，仍習(xí)慣于憑借歷史經(jīng)驗(yàn)和直覺(jué)。

大數(shù)據(jù)產(chǎn)品——企業(yè)利潤(rùn)滋長(zhǎng)的新源泉

大數(shù)據(jù)除了用于運(yùn)營(yíng)外，還能夠與企業(yè)產(chǎn)品結(jié)合，成為企業(yè)產(chǎn)品背后競(jìng)爭(zhēng)力的核心支持或者直接成為產(chǎn)品。提供大數(shù)據(jù)產(chǎn)品的企業(yè)分為兩類(lèi)，直接提供大數(shù)據(jù)產(chǎn)品的企業(yè)，以及將大數(shù)據(jù)作為產(chǎn)品和服務(wù)核心支撐的企業(yè)。前者主要為大數(shù)據(jù)產(chǎn)業(yè)鏈中提供數(shù)據(jù)服務(wù)的參與者，包括數(shù)據(jù)擁有者、存儲(chǔ)企業(yè)，挖掘企業(yè)、分析企業(yè)等，后者則主要是那些以大數(shù)據(jù)為產(chǎn)品核心支撐的企業(yè)，它們大多是互聯(lián)網(wǎng)企業(yè)，其產(chǎn)品和服務(wù)先天就有大數(shù)據(jù)基因，這些企業(yè)包括搜索引擎、在線殺毒、互聯(lián)網(wǎng)廣告交易平臺(tái)以及眾多植根于移動(dòng)互聯(lián)網(wǎng)之上，為用戶提供生活和資訊服務(wù)的APP等。

表3

表4

一、大數(shù)據(jù)作為產(chǎn)品核心支持

它們主要在以下幾方面使用大數(shù)據(jù)：

1、提供信息服務(wù)。很多互聯(lián)網(wǎng)企業(yè)通過(guò)對(duì)海量互聯(lián)網(wǎng)信息和線下信息的整合和分析，為個(gè)人和企業(yè)提供信息服務(wù)，典型的如百度、去哪兒、一淘、高德地圖、春雨醫(yī)生等等。在美國(guó)，一些互聯(lián)網(wǎng)企業(yè)甚至根據(jù)大數(shù)據(jù)提供更深度的預(yù)測(cè)信息服務(wù)，美國(guó)科技創(chuàng)新公司farecast，通過(guò)分析特定航線機(jī)票的價(jià)格，幫助消費(fèi)者預(yù)測(cè)機(jī)票價(jià)格走勢(shì)。

2、分析用戶的個(gè)性化需求，借此提供個(gè)性化產(chǎn)品和服務(wù)，或者實(shí)現(xiàn)更精準(zhǔn)的廣告。典型的有移動(dòng)社交工具陌陌、百度、騰訊、廣告交易平臺(tái)品友互動(dòng)以及一些互聯(lián)網(wǎng)游戲商。這種應(yīng)用往往先是收集海量用戶的互聯(lián)網(wǎng)行為數(shù)據(jù)，將用戶分類(lèi)，根據(jù)不同類(lèi)型的用戶，提供個(gè)性化的產(chǎn)品，或者提供個(gè)性化的促銷(xiāo)信息。比如網(wǎng)易等門(mén)戶網(wǎng)站推出了訂閱模式，讓使用者按照個(gè)人喜好方便地定制和整合不同來(lái)源的信息。

3、增強(qiáng)產(chǎn)品功能。對(duì)于很多互聯(lián)網(wǎng)產(chǎn)品，如殺毒軟件、搜索引擎等等，海量數(shù)據(jù)的處理能夠讓產(chǎn)品變得更聰明更強(qiáng)大，如果沒(méi)有大數(shù)據(jù)，產(chǎn)品的功能就大大減弱。比如奇虎360公司的360殺毒軟件，憑借每天海量的殺毒處理，建立了龐大的病毒庫(kù)，這使它能夠更快地發(fā)現(xiàn)病毒，而一些小的殺毒軟件公司則無(wú)法做到這一點(diǎn)。

4、掌控信用狀況，提供信貸服務(wù)。阿里巴巴上匯集了海量中小企業(yè)的日常資金與貨品往來(lái)，通過(guò)對(duì)這些往來(lái)數(shù)據(jù)的匯總與分析，阿里巴巴能發(fā)現(xiàn)單個(gè)企業(yè)的資金流與收入情況，分析其信用，找出異常情況與可能發(fā)生的欺詐行為，控制信貸風(fēng)險(xiǎn)。

5、實(shí)現(xiàn)智能匹配。婚戀網(wǎng)站、交易平臺(tái)等，利用大數(shù)據(jù)可以進(jìn)行精準(zhǔn)而高效的配對(duì)服務(wù)。網(wǎng)易花田會(huì)挖掘用戶行為數(shù)據(jù)，比如點(diǎn)擊哪些異性的頁(yè)面，發(fā)表什么樣的評(píng)論，建立用戶興趣模型，從而挖掘到用戶所期待另一半的類(lèi)型，然后主動(dòng)推薦與對(duì)方匹配度比較高的人選。2010年，阿里巴巴嘗試性地推出“輕騎兵”服務(wù)，由阿里巴巴將中國(guó)各產(chǎn)業(yè)集群地的供應(yīng)商與海外買(mǎi)家的個(gè)性采購(gòu)需求進(jìn)行快速匹配，所憑借的，就是對(duì)供應(yīng)商的海量交易數(shù)據(jù)信息的整合與挖掘。

大數(shù)據(jù)作為產(chǎn)品核心支撐的關(guān)鍵在于用戶量。對(duì)于大多數(shù)互聯(lián)網(wǎng)公司來(lái)說(shuō)，用戶量越多，收集的數(shù)據(jù)越多，憑借更多的數(shù)據(jù)，其產(chǎn)品與商業(yè)模式會(huì)不斷改進(jìn)，進(jìn)而帶來(lái)更多的用戶。

二、大數(shù)據(jù)直接作為產(chǎn)品

對(duì)一些企業(yè)，大數(shù)據(jù)直接成為了產(chǎn)品，這些產(chǎn)品包括海量數(shù)據(jù)、分析、存儲(chǔ)與挖掘的服務(wù)等，目前大數(shù)據(jù)產(chǎn)業(yè)鏈正在形成過(guò)程中，出現(xiàn)了一批開(kāi)放、出售、授權(quán)大數(shù)據(jù)和提供大數(shù)據(jù)分析、挖掘的公司和機(jī)構(gòu)，前者主要是一些擁有海量數(shù)據(jù)的公司，將數(shù)據(jù)服務(wù)作為新的盈利來(lái)源。如大型的互聯(lián)網(wǎng)平臺(tái)、民航、電信運(yùn)營(yíng)商、一些擁有大數(shù)據(jù)的政府機(jī)構(gòu)等等，后者主要包括一些能夠存儲(chǔ)海量數(shù)據(jù)或者將海量數(shù)據(jù)與業(yè)務(wù)場(chǎng)景結(jié)合，進(jìn)行分析和挖掘，或者提供相關(guān)產(chǎn)品的公司，如IBM、SAP、拓而思、天睿公司。它們?yōu)榇髷?shù)據(jù)應(yīng)用者們提供海量數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)挖掘、圖像視頻、智能分析等服務(wù)以及相關(guān)系統(tǒng)產(chǎn)品。

大數(shù)據(jù)平臺(tái)——企業(yè)群落繁榮的滋養(yǎng)劑

相對(duì)企業(yè)本身對(duì)大數(shù)據(jù)的應(yīng)用，大數(shù)據(jù)平臺(tái)更多是利用大數(shù)據(jù)來(lái)搭建企業(yè)生態(tài)。一些擁有龐大數(shù)據(jù)資源的大型互聯(lián)網(wǎng)平臺(tái)，已變?yōu)榘Ａ考纳叩纳鷳B(tài)系統(tǒng)。在這個(gè)生態(tài)系統(tǒng)中，它們將海量用戶互聯(lián)網(wǎng)行為痕跡和分析提供給平臺(tái)上的企業(yè)，用于它們改善經(jīng)營(yíng)，推動(dòng)整個(gè)平臺(tái)生態(tài)繁榮，在這一過(guò)程中，它們也收取數(shù)據(jù)服務(wù)費(fèi)。阿里巴巴就是一個(gè)典型的例子，從數(shù)據(jù)魔方、黃金策到聚石塔，阿里巴巴不斷地為平臺(tái)上中小電商提供數(shù)據(jù)產(chǎn)品和服務(wù)。

而百度已建成了包括百度指數(shù)、司南、風(fēng)云榜、數(shù)據(jù)研究中心和百度統(tǒng)計(jì)在內(nèi)的五大數(shù)據(jù)體系平臺(tái)，幫助其營(yíng)銷(xiāo)平臺(tái)上的企業(yè)了解消費(fèi)者行為、興趣變化，以及行業(yè)發(fā)展?fàn)顩r、市場(chǎng)動(dòng)態(tài)和趨勢(shì)、競(jìng)爭(zhēng)對(duì)手動(dòng)向等信息。

而當(dāng)大數(shù)據(jù)從企業(yè)內(nèi)部運(yùn)營(yíng)的動(dòng)力，變成平臺(tái)企業(yè)的產(chǎn)品和服務(wù)時(shí)，平臺(tái)企業(yè)也在經(jīng)歷著一個(gè)從大數(shù)據(jù)運(yùn)營(yíng)到運(yùn)營(yíng)大數(shù)據(jù)的階段。數(shù)據(jù)從運(yùn)營(yíng)的支持工具，變成了生產(chǎn)資料。此前平臺(tái)們的關(guān)注點(diǎn)，更多的是如何用好現(xiàn)有的大數(shù)據(jù)。而未來(lái)，它們的關(guān)注點(diǎn)則更多是如何將大數(shù)據(jù)這個(gè)生產(chǎn)資料管理好、經(jīng)營(yíng)好，如何更好地為平臺(tái)上的企業(yè)服務(wù)。這就涉及到收集的數(shù)據(jù)質(zhì)量怎樣？格式標(biāo)準(zhǔn)是否統(tǒng)一？數(shù)據(jù)作為一種原材料，其精細(xì)化程度如何？是否符合平臺(tái)上企業(yè)應(yīng)用的具體場(chǎng)景？是平臺(tái)上企業(yè)拿來(lái)就能用的，還是還需要平臺(tái)上的企業(yè)再加工？

為解決這些問(wèn)題，各個(gè)平臺(tái)在積極地努力。比如阿里巴巴建立了數(shù)據(jù)委員會(huì)，在統(tǒng)一數(shù)據(jù)格式標(biāo)準(zhǔn)、從源頭上保證數(shù)據(jù)的質(zhì)量，采集和加工出精細(xì)化的數(shù)據(jù)，確保其能符合平臺(tái)企業(yè)的應(yīng)用場(chǎng)景等方面，不遺余力地嘗試。尤其在大數(shù)據(jù)精細(xì)化方面，阿里巴巴更是作為其大數(shù)據(jù)戰(zhàn)略的重點(diǎn)。這方面，騰訊目前也在加快步伐。比如新版騰訊網(wǎng)出現(xiàn)了“一鍵登錄”的提示，用戶可以在上面通過(guò)一些細(xì)分標(biāo)簽，訂閱自己關(guān)注的內(nèi)容。實(shí)際上，這也是騰訊收集更精細(xì)化的用戶興趣數(shù)據(jù)的一個(gè)有效手段。

Tips

大數(shù)據(jù)實(shí)戰(zhàn)手冊(cè)

將大數(shù)據(jù)應(yīng)用于內(nèi)部運(yùn)營(yíng)中時(shí)，企業(yè)會(huì)遇到一些常見(jiàn)問(wèn)題

1企業(yè)如何獲取與分析數(shù)據(jù)？

互聯(lián)網(wǎng)是大數(shù)據(jù)的一個(gè)主要來(lái)源，一些線下的傳統(tǒng)企業(yè)很難獲得。但它們可以：

a 和擁有或能抓取海量數(shù)據(jù)的平臺(tái)、企業(yè)以及政府機(jī)構(gòu)合作。比如淘寶上的電商就購(gòu)買(mǎi)淘寶收集的海量數(shù)據(jù)中與自身運(yùn)營(yíng)相關(guān)的部分，用于自身業(yè)務(wù)。再如卡夫通過(guò)與IBM合作，在博客、論壇和討論版的內(nèi)容中抓取了47.9萬(wàn)條關(guān)于自己產(chǎn)品的討論信息，通過(guò)大數(shù)據(jù)分析出消費(fèi)者對(duì)卡夫食品的喜愛(ài)程度和消費(fèi)方式。

b 建立自己在互聯(lián)網(wǎng)上的平臺(tái)，比如朝陽(yáng)大悅城利用自己的微信、微博等平臺(tái)收集消費(fèi)者評(píng)論數(shù)據(jù)。

c 許多傳統(tǒng)企業(yè)沒(méi)有分析海量數(shù)據(jù)的能力，此時(shí)它們可以和大數(shù)據(jù)分析和挖掘公司合作，目前市場(chǎng)上已經(jīng)有天睿公司、IBM、百分點(diǎn)、華勝天成等一批提供大數(shù)據(jù)分析和挖掘服務(wù)的公司，它們是傳統(tǒng)企業(yè)進(jìn)行大數(shù)據(jù)分析可以借助的力量。

2 如何避免大數(shù)據(jù)應(yīng)用時(shí)的部門(mén)分割？

對(duì)于許多企業(yè)，其信息流被各部門(mén)彼此分割，數(shù)據(jù)難以互通，對(duì)于這種情況下，大數(shù)據(jù)的共享和匯集就只是一個(gè)泡影，更難以實(shí)現(xiàn)大數(shù)據(jù)的深度應(yīng)用。

要打通部門(mén)之間信息分割的局面，首先要建立統(tǒng)一的、集中的數(shù)據(jù)系統(tǒng)。就像立白信息與知識(shí)總監(jiān)王永紅所說(shuō)的，“要真正用好大數(shù)據(jù)，企業(yè)要采用大集中的信息系統(tǒng)?！睆母钊氲慕嵌葋?lái)談，企業(yè)信息流的部門(mén)分割，更在于企業(yè)部門(mén)之間的分割，比如有一些企業(yè)的營(yíng)銷(xiāo)按照渠道分割，導(dǎo)致對(duì)于顧客的大數(shù)據(jù)收集和分析效果大打折扣。

IBM智慧商務(wù)技術(shù)總監(jiān)楊旭青認(rèn)為，“很多時(shí)候由于組織結(jié)構(gòu)問(wèn)題，大數(shù)據(jù)分析有效性大大降低了?！边@就需要組織與流程層面的重新設(shè)計(jì)，在這方面，阿里巴巴的部門(mén)負(fù)責(zé)人輪崗制度，對(duì)于打破部門(mén)壁壘無(wú)疑是一劑好藥。而一些企業(yè)為了打破部門(mén)分割，建立了矩陣型的組織結(jié)構(gòu)，強(qiáng)化部門(mén)間的橫向合作，這些無(wú)疑為大數(shù)據(jù)的匯集、共享與應(yīng)用創(chuàng)造了良好條件。

3 如何讓業(yè)務(wù)人員重視大數(shù)據(jù)的應(yīng)用？

解決這個(gè)問(wèn)題，一方面在于一把手對(duì)整個(gè)企業(yè)數(shù)據(jù)文化的倡導(dǎo)，比如1號(hào)店董事長(zhǎng)于剛就要求業(yè)務(wù)人員無(wú)論在開(kāi)會(huì)，還是匯報(bào)工作時(shí)，都以數(shù)據(jù)說(shuō)話，而馬云更是將大數(shù)據(jù)提升到了戰(zhàn)略高度。

另一方面，也在于數(shù)據(jù)部門(mén)的帶動(dòng)，阿里巴巴數(shù)據(jù)委員會(huì)負(fù)責(zé)人車(chē)品覺(jué)分享了經(jīng)驗(yàn)，“因?yàn)檫\(yùn)營(yíng)部門(mén)的業(yè)務(wù)人員很難看到大數(shù)據(jù)的潛力，可以首先從一些對(duì)業(yè)務(wù)見(jiàn)效快，見(jiàn)效顯著的數(shù)據(jù)項(xiàng)目出發(fā)，通過(guò)一兩個(gè)項(xiàng)目的成功，調(diào)動(dòng)對(duì)方的積極性，然后再逐步一個(gè)個(gè)地引導(dǎo)?！?/p>

4 為何大數(shù)據(jù)工作與運(yùn)營(yíng)需求脫節(jié)？

這往往是由于數(shù)據(jù)人員與業(yè)務(wù)人員視角、專(zhuān)業(yè)知識(shí)不同而導(dǎo)致的。大數(shù)據(jù)人員做了很多努力，但是業(yè)務(wù)人員卻認(rèn)為這些努力無(wú)關(guān)痛癢。如何解決這個(gè)問(wèn)題？

有的企業(yè)從組織設(shè)計(jì)上發(fā)力，將大數(shù)據(jù)納入業(yè)務(wù)分析部門(mén)的管理之下，用業(yè)務(wù)統(tǒng)馭數(shù)據(jù)。對(duì)于朝陽(yáng)大悅城，由主要負(fù)責(zé)戰(zhàn)略和經(jīng)營(yíng)分析的部門(mén)來(lái)管理大數(shù)據(jù)工作，其中的大數(shù)據(jù)分析人員則作為支持人員。在負(fù)責(zé)人張巖看來(lái)，大數(shù)據(jù)要靠商業(yè)法則指導(dǎo)，關(guān)鍵是找到業(yè)務(wù)需求的點(diǎn)，然后由數(shù)據(jù)分析和挖掘人員實(shí)現(xiàn)。在具體操作中，大悅城對(duì)微信的數(shù)據(jù)挖掘，挖掘什么樣的關(guān)鍵詞，由業(yè)務(wù)分析人員確定，而具體挖掘則由數(shù)據(jù)部門(mén)做；有的企業(yè)從流程設(shè)計(jì)上著手，推動(dòng)業(yè)務(wù)部門(mén)與數(shù)據(jù)部門(mén)人員之間的溝通，建立數(shù)據(jù)人員工作與效果掛鉤的考核機(jī)制。

例如阿里巴巴根據(jù)數(shù)據(jù)挖掘的成效（比如帶來(lái)的商品轉(zhuǎn)化率的提升）來(lái)考核數(shù)據(jù)挖掘師，考核數(shù)據(jù)分析師則看其分析結(jié)果能否出現(xiàn)在經(jīng)營(yíng)負(fù)責(zé)人的報(bào)告中。從數(shù)據(jù)部門(mén)自身角度則需要降低運(yùn)營(yíng)部門(mén)使用數(shù)據(jù)的障礙和門(mén)檻，比如立白集團(tuán)的數(shù)據(jù)人員會(huì)努力嘗試向運(yùn)營(yíng)部門(mén)提供更易懂、更生動(dòng)的圖形化數(shù)據(jù)分析界面，在立白老板辦公室上，就有一份“客戶運(yùn)營(yíng)健康體檢表”，讓老板對(duì)全國(guó)經(jīng)銷(xiāo)商的當(dāng)月銷(xiāo)售情況一目了然。再如阿里巴巴開(kāi)發(fā)的無(wú)線Bi，讓經(jīng)營(yíng)人員在手機(jī)上也可以看到大數(shù)據(jù)分析結(jié)果，拿車(chē)品覺(jué)的話說(shuō)，“以數(shù)據(jù)之氧氣包圍經(jīng)營(yíng)人員?！?/p>

以上是小編為大家分享的關(guān)于大數(shù)據(jù)攻略案例分析及結(jié)論的相關(guān)內(nèi)容，更多信息可以關(guān)注環(huán)球青藤分享更多干貨

四、數(shù)據(jù)集市的案例分析

通過(guò)吉林市等城市的成功試點(diǎn)，中國(guó)移動(dòng)已經(jīng)決定將數(shù)據(jù)集市作為2006年移動(dòng)地市級(jí)公司的建設(shè)重點(diǎn)之一。這也同時(shí)意味著，電信行業(yè)建立在數(shù)據(jù)倉(cāng)庫(kù)基礎(chǔ)上的BI應(yīng)用已經(jīng)進(jìn)入到更加深入挖掘的階段，其產(chǎn)生的結(jié)果將直接服務(wù)于一線的生產(chǎn)銷(xiāo)售……

數(shù)據(jù)集市：深化挖掘第一步

電信行業(yè)對(duì)于數(shù)據(jù)倉(cāng)庫(kù)并不陌生，為了實(shí)現(xiàn)從產(chǎn)品導(dǎo)向往客戶導(dǎo)向的轉(zhuǎn)變，電信公司紛紛建立以客戶為中心的數(shù)據(jù)倉(cāng)庫(kù)，希望依據(jù)客戶的需要、期望及喜好來(lái)制訂策略，提升企業(yè)競(jìng)爭(zhēng)力。簡(jiǎn)單說(shuō)，數(shù)據(jù)倉(cāng)庫(kù)就是為了保證數(shù)據(jù)查詢和分析的效率，按照主題將所有的數(shù)據(jù)分門(mén)別類(lèi)進(jìn)行存儲(chǔ)，需要的時(shí)候，可以按主題提取數(shù)據(jù)并做進(jìn)一步的分析處理。

數(shù)據(jù)集市，可以稱(chēng)作小數(shù)據(jù)倉(cāng)庫(kù)，是用來(lái)分析相關(guān)專(zhuān)門(mén)業(yè)務(wù)問(wèn)題或功能目標(biāo)而做的專(zhuān)項(xiàng)的數(shù)據(jù)集合。它建立在具有統(tǒng)一數(shù)據(jù)存儲(chǔ)模型的數(shù)據(jù)倉(cāng)庫(kù)下，各級(jí)業(yè)務(wù)人員按照各部門(mén)特定的需求把數(shù)據(jù)進(jìn)行復(fù)制、處理、加工，并最終統(tǒng)一展現(xiàn)為有部門(mén)特點(diǎn)的數(shù)據(jù)集合，數(shù)據(jù)集市的應(yīng)用是對(duì)數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用的補(bǔ)充。

經(jīng)過(guò)近幾年的努力，吉林移動(dòng)通信有限責(zé)任公司已經(jīng)成功在省級(jí)公司建立起了面向決策支持的經(jīng)營(yíng)分析系統(tǒng)，BI系統(tǒng)也逐漸完善。省級(jí)公司從業(yè)務(wù)系統(tǒng)中將相關(guān)業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、清洗、加工、整理、加載到數(shù)據(jù)倉(cāng)庫(kù)中，在數(shù)據(jù)倉(cāng)庫(kù)中形成基礎(chǔ)的分析數(shù)據(jù)的存儲(chǔ)，對(duì)地市一級(jí)公司的營(yíng)銷(xiāo)策略進(jìn)行指導(dǎo)。

問(wèn)題也隨之產(chǎn)生，由于下屬分公司在客戶群體、市場(chǎng)容量、利潤(rùn)來(lái)源等地域差異明顯，省級(jí)公司通過(guò)全省范圍內(nèi)分公司數(shù)據(jù)的匯總和分析，難以對(duì)單個(gè)地市級(jí)分公司產(chǎn)生個(gè)性化決策支持。另一方面，地市一級(jí)的分公司在開(kāi)拓終端市場(chǎng)的過(guò)程中，激發(fā)了旺盛的應(yīng)用需求，具體表現(xiàn)為對(duì)數(shù)據(jù)粒度的要求更加精細(xì)、需求更加靈活多變、要求更強(qiáng)的可操作性。

2005年6月，中國(guó)移動(dòng)通信有限公司制定了《中國(guó)移動(dòng)經(jīng)營(yíng)分析系統(tǒng)數(shù)據(jù)集市（試點(diǎn)）業(yè)務(wù)技術(shù)建議書(shū)》。為了使經(jīng)營(yíng)分析系統(tǒng)在地市級(jí)公司日常生產(chǎn)經(jīng)營(yíng)中發(fā)揮更大作用，吉林移動(dòng)最終決定與亞信科技合作，全面進(jìn)行數(shù)據(jù)集市的搭建。吉林省吉林市成為12個(gè)試點(diǎn)中第一個(gè)吃螃蟹的城市。

吉林移動(dòng)希望通過(guò)數(shù)據(jù)集市的建設(shè)及時(shí)準(zhǔn)確地了解掌握地市公司的分析需求，更好地為一線地市公司的生產(chǎn)營(yíng)銷(xiāo)服務(wù)。吉林市分公司也希望提升自身的經(jīng)營(yíng)分析水平，落實(shí)集團(tuán)公司的精細(xì)化營(yíng)銷(xiāo)戰(zhàn)略。

在總體設(shè)計(jì)方面，吉林移動(dòng)希望通過(guò)吉林市的試點(diǎn)為吉林省其它分公司建設(shè)統(tǒng)一的數(shù)據(jù)集市的模型，基本涵蓋地市固定統(tǒng)計(jì)報(bào)表及分析的需求，統(tǒng)一建模，統(tǒng)一管理。在功能上，為地市分公司的市場(chǎng)營(yíng)銷(xiāo)行為提供客戶個(gè)體分析，提高經(jīng)營(yíng)分析結(jié)果的可實(shí)施能力，支持精細(xì)化營(yíng)銷(xiāo)，支持地市開(kāi)發(fā)過(guò)靈活專(zhuān)題分析。開(kāi)發(fā)標(biāo)準(zhǔn)化、開(kāi)放的數(shù)據(jù)平臺(tái)，滿足省內(nèi)不同地市分公司更多個(gè)性化的、臨時(shí)性的分析需求。

總體來(lái)說(shuō)，吉林移動(dòng)對(duì)亞信科技提出了很實(shí)際的業(yè)務(wù)描述，就是以提供豐富的數(shù)據(jù)為基礎(chǔ)，以提供簡(jiǎn)要分析功能、提高日常分析能力為主要手段，以解決各類(lèi)業(yè)務(wù)目標(biāo)為最終目的，大力提升地市公司數(shù)據(jù)綜合運(yùn)用、分析能力，大力提升分公司主動(dòng)服務(wù)、主動(dòng)營(yíng)銷(xiāo)效能。

數(shù)據(jù)集市項(xiàng)目從2005年6月開(kāi)始組織需求調(diào)研，經(jīng)歷了5個(gè)月的建設(shè)時(shí)間，于2005年11月底上線使用，完成了中國(guó)移動(dòng)集團(tuán)公司試點(diǎn)所要求完成的所有基本集功能以及符合吉林本地特色的擴(kuò)展集的內(nèi)容。

作為實(shí)施方，亞信科技在吉林?jǐn)?shù)據(jù)集市建設(shè)過(guò)程中遵循了平臺(tái)標(biāo)準(zhǔn)化、業(yè)務(wù)個(gè)性化的原則。亞信一方面在數(shù)據(jù)集市基礎(chǔ)平臺(tái)采用標(biāo)準(zhǔn)的系統(tǒng)軟件，使數(shù)據(jù)集市的邏輯數(shù)據(jù)模型統(tǒng)一、標(biāo)準(zhǔn)；另一方面，在地市分公司開(kāi)發(fā)應(yīng)用功能時(shí)，結(jié)合本地的實(shí)際情況，體現(xiàn)了本地的需求特色。在項(xiàng)目建設(shè)期間，吉林移動(dòng)曾兩次就該項(xiàng)目建設(shè)的方法與思路向中國(guó)移動(dòng)集團(tuán)公司領(lǐng)導(dǎo)匯報(bào)，亞信的建設(shè)思路及建設(shè)成果得到了移動(dòng)總公司的高度認(rèn)可。

隨著吉林移動(dòng)、云南移動(dòng)等公司數(shù)據(jù)集市項(xiàng)目的成功試點(diǎn)，中國(guó)移動(dòng)31個(gè)省的上百家地市級(jí)公司將紛紛上馬數(shù)據(jù)集市項(xiàng)目?？梢灶A(yù)見(jiàn)，2006年將是移動(dòng)公司進(jìn)一步深入挖掘BI應(yīng)用，提升BI建設(shè)水平的一年，數(shù)據(jù)集市作為專(zhuān)項(xiàng)的數(shù)據(jù)集合與分析系統(tǒng)，對(duì)中國(guó)移動(dòng)地市級(jí)分公司的日常經(jīng)營(yíng)管理將產(chǎn)生至關(guān)重要的作用，成為中國(guó)移動(dòng)落實(shí)精細(xì)化經(jīng)營(yíng)策略的重點(diǎn)工程。

數(shù)據(jù)案例分析（數(shù)據(jù)案例分析怎么寫(xiě)）