大数据时代的来临，使得企业在业务运作的过程中产生的数据量呈现出了爆发式的增长。各行各业都面临着海量数据的分析和处理问题。如何运用大数据技术从海量数据中挖掘出有价值的信息，将是今后企业发展的一个巨大挑战。我们在迎接挑战的同时，也可以了解、学习国内外大数据应用中的经典案例，希望能对我们有所启示。

01 塔吉特（Target）百货孕妇营销分析

最早关于大数据的故事发生在美国第二大超市塔吉特（Target）百货。孕妇对于零售商来说一直是个含金量很高的顾客群体，但是她们一般都会去专门的孕妇商店。人们一提起塔吉特，往往想到的都是日常生活用品，却忽视了塔吉特也有孕妇需要的一切。在美国，出生记录是公开的，等孩子出生了，新生儿母亲就会被铺天盖地的产品优惠广告包围。如果等到孩子出生再行动就晚了，因此零售商必须赶在孕妇怀孕前期就行动起来。

塔吉特的顾客数据分析部门发现，怀孕的妇女一般会在怀孕第三个月的时候购买很多无香乳液、无添加的化妆品、护肤品等等。几个月后，她们会购买镁、钙、锌等营养补充剂。根据数据分析部门提供的模型，塔吉特制订了全新的广告营销方案，在孕期的每个阶段给客户寄送相应的优惠券。结果，孕期用品销售呈现了爆炸性的增长。2002年到2010年间，塔吉特的销售额从440亿美元增长到了670亿美元。大数据的巨大威力轰动了全美。

02 谷歌的意图

如果说有一家科技公司准确定义了“大数据”概念的话，那一定是谷歌。根据搜索研究公司comScore的数据，仅2012年3月一个月的时间，谷歌处理的搜索词条数量就高达122亿条。谷歌的体量和规模，使它拥有比其他大多数企业更多的应用大数据的途径。

谷歌搜索引擎本身的设计，就旨在让它能够无缝链接成千上万的服务器。如果出现更多的处理或存储需要，抑或某台服务器崩溃，谷歌的工程师们只要再添加更多的服务器就能轻松搞定。将所有这些数据集合在一起所带来的结果是：企业不仅从最好的技术中获益，同样还可以从最好的信息中获益。下面选择谷歌公司的其中三个亮点。

谷歌意图：谷歌不仅存储了搜索结果中出现的网络连接，还会储存用户搜索关键词的行为，它能够精准地记录下人们进行搜索行为的时间、内容和方式，坐拥人们在谷歌网站进行搜索及经过其网络时所产生的大量机器数据。这些数据能够让谷歌优化广告排序，并将搜索流量转化为盈利模式。谷歌不仅能追踪人们的搜索行为，而且还能够预测出搜索者下一步将要做什么。用户所输入的每一个搜索请求，都会让谷歌知道他在寻找什么，所有人类行为都会在互联网上留下痕迹路径，谷歌占领了一个绝佳的点位来捕捉和分析该路径。换言之，谷歌能在你意识到自己要找什么之前预测出你的意图。这种抓取、存储并对海量人机数据进行分析，然后据此进行预测的能力，就是数据驱动的产品。

03 沃尔玛的“啤酒加尿布”

总部位于美国阿肯色州的世界著名商业零售连锁企业沃尔玛拥有世界上最大的数据仓库系统。为了能够准确了解顾客在其门店的购买习惯，沃尔玛对顾客的购物行为进行了“购物篮分析”。沃尔玛数据仓库里集中了其各门店的详细原始交易数据，在这些原始交易数据的基础上，沃尔玛利用NCR数据挖掘工具对这些数据进行分析和挖掘，可以很轻松地知道顾客经常一起购买的商品有哪些。一个意外的发现是：“跟尿布一起购买最多的商品竟是啤酒！”

这是数据挖掘技术对历史数据进行分析的结果，反映了数据内在的规律。沃尔玛派出市场调查人员和分析师对这一数据挖掘结果进行调查分析。经过大量实际的调查和分析，揭示了隐藏在“尿布与啤酒”背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%-40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

既然尿布与啤酒一起被购买的机会很多，于是沃尔玛就在其一个个门店将尿布与啤酒摆放在一起，结果是尿布与啤酒的销售量双双增长。

04 中国移动的数据化运营

通过大数据分析，中国移动能够对企业运营的全业务进行针对性的监控、预警、跟踪。大数据系统可以在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。

客户流失预警：一个客户使用最新款的诺基亚手机，每月准时缴费、平均一年致电客服3次，使用WEP和彩信业务。如果按照传统的数据分析，可能这是一位客户满意度非常高、流失概率非常低的客户。事实上，当搜集了包括微博、社交网络等新型来源的客户数据之后，这位客户的真实情况可能是这样的：客户在国外购买的这款手机，手机中的部分功能在国内无法使用，在某个固定地点手机经常断线，彩信无法使用——他的使用体验极差，正在面临流失风险。这就是中国移动一个大数据分析的应用场景。通过全面获取业务信息，可能颠覆常规分析思路下做出的结论，打破传统数据源的边界，注重社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户反馈信息，并从这些数据中挖掘更多的价值。

数据增值应用：对运营商来说，数据分析在政府服务市场上前景巨大。运营商也可以在交通、应对突发灾害、维稳等工作中使大数据技术发挥更大的作用。运营商处在一个数据交换中心的地位，在掌握用户行为方面具有先天的优势。作为信息技术的又一次变革，大数据的出现正在给技术进步和社会发展带来全新的方向，而谁掌握了这一方向，谁就可能成功。对于运营商来说，在数据处理分析上，需要转型的不仅是技巧和法律问题，更需要转变思维方式，以商业化角度思考大数据营销。

05 阿里信用贷款和淘宝数据魔方

中国最大的电子商务公司阿里巴巴已经在利用大数据技术提供服务：阿里信用贷款与淘宝数据魔方。

每天有数以万计的交易在淘宝上进行。与此同时相应的交易时间、商品价格、购买数量都会被记录。更重要的是，这些信息可以与买方和卖方的年龄、性别、地址、甚至兴趣爱好等个人特征信息相匹配。各大中小城市的百货大楼做不到这一点，大大小小的超市做不到这一点，而互联网时代的电商可以做到。

淘宝数据魔方就是淘宝平台上的大数据应用方案。通过这一服务，商家可以了解淘宝平台上的行业宏观情况、自己品牌的市场状况、消费者行为情况等，并可以据此进行生产、库存决策，而与此同时，更多的消费者也能以更优惠的价格买到心仪的宝贝。

而阿里信用贷款则是阿里巴巴通过其掌握的企业交易数据，借助大数据技术自动分析判定是否给予企业贷款，全程不会出现人工干预。截至目前，阿里巴巴已经放贷300多亿元，坏账率约0.3%左右，大大低于商业银行。

2018年4月11日，主题为“时代据变，服务为先”的神策数据C轮融资发布会在北京丽亭华苑酒店举行。会上，神策数据发布重磅融资消息，即获得华平投资领投，红杉资本中国基金、DCM资本、襄禾资本、晨兴资本、线性资本、明势资本跟投，共计4400万美元的新一轮融资，泰合资本担任独家财务顾问。这标志着，神策数据成为国内用户行为分析领域，首家完成C轮融资的大数据公司。

发布会现场，神策数据回顾了2017年公司取得的成绩，并宣布2018年的产品及业务发展战略。投资方、合作伙伴、行业领先企业客户等数百名嘉宾亲临现场，共同见证。

神策数据成立于2015年4月，创始人及核心团队深耕行业多年，十一年的数据分析实践聚焦垂直行业和企业业务，始终以洞察用户需求为基础，坚持产品打磨与服务并重的发展理念。一路走来，神策数据稳执用户行为分析领域行业之牛耳，被媒体多次誉为“中国大数据分析的实力象征”。

凭借已被验证的商业模式、完备的管理理念、强大的市场拓展能力、夯实的技术根基等，神策数据始终领跑用户行为分析领域，持续获得资本认可。在此之前，2015年3月，公司获得天使轮融资;2016年4月，神策数据正式对外宣布获得400万美元A轮融资，由红杉资本领投，天使轮投资机构线性资本、明势资本和薛蛮子全部跟投;2017年3月，神策数据正式对外宣布获得1100万美元B轮融资，由DCM资本领投，红杉资本中国基金跟投。在神策数据C轮融资中，华平投资、襄禾资本、晨兴资本作为新一轮进入的资方，A轮、B轮所有资方全部跟投，现场他们分别介绍了投资神策数据的原因以及对其的期许。

华平投资董事总经理丁毅表示：“到2020年,全球数据量将会达到44ZB(1ZB=10亿TB=1万亿GB)，这催生了强大的与大数据相关的存储、处理、分析和应用的需求。华平作为全球领先的私募股权投资机构，很早就开始关注中国的企业服务市场，尤其是发展非常迅速的大数据分析领域。神策数据是我们评估过的团队里面，最懂中国企业数据化现状与建设的团队，他们在中国的大数据分析领域沉淀了十来年，尤其是在数据安全、技术创新和行业应用方面积累了丰富的实践经验。神策数据对其产品定位非常清晰，从创立之初便致力于为中国企业解决最底层的数据根基建设问题，从数据采集、清洗、模型构建、分析和可视化等大数据分析的全流程，提供最优质的技术和服务。我们调查发现，神策数据的客户黏性非常高，超过40%的客户多个部门每天都会使用神策分析。中国的大数据产业正在步入快速推进期，大数据在各行业的全面渗透将重构产业格局，未来神策数据大有可为!”

襄禾资本创始合伙人汤和松表示：“无论从技术实力、团队综合能力，还是其商业模式、行业前瞻性等方面来看，神策数据都是十分优秀的大数据公司，其巨大潜力是我们投资的主要考虑因素。希望神策数据能够充分发挥技术优势和独特的团队文化，服务好客户，成为大数据领域的明星‘独角兽’。”

晨兴资本合伙人袁野表示：“中国企业正处于从互联网时代向数据化时代转型的阶段，越来越多的企业开始重视并挖掘数据资产价值。神策数据从夯实数据基础开始，准确定位企业需求，成为企业用数据驱动决策和产品智能的必备。神策数据对市场趋势、客户需求具有深刻洞察，我们十分认同神策数据的使命观与价值观，相信团队能够在数据智能的大趋势中给客户创造持久价值。数据智能，选神策数据!”

战绩斐然!细分行业TOP50坐拥半壁

Gartner报告称，超过9成以上的企业管理层视数据为战略性资产，超过8成的企业经理认为数据资产并未体现在资产负债表上，而是隐含在无形资产中。数据资产的沉淀和价值的可持续性挖掘，是任何一家企业获得永久性竞争力的基石。

神策数据创始人兼COO刘耀洲认为，越来越多的企业管理者意识到数据资产沉淀的重要性。数据与智能变得紧密且融合，数据不再只是扮演“支持单业务、单角色的数据分析需求”的角色，而是围绕客户真实需求，贯穿从客户初次触点、客户培育、价值匹配、客户成功的全流程全接触点的运营流程中，形成从数据积累，到数据分析与应用，最终到实践验证的良性应用闭环。

凭借深度用户行为分析产品神策分析(Sensors Analytics)三大产品优势——支持私有化部署、全端数据采集、PaaS支持定制开发，以及以客户全生命周期的精湛服务体系，神策数据赢得大批互联网领域客户和“互联网+”领域客户。

刘耀洲表示，神策数据在细分行业TOP50企业中，已坐拥半壁江山，包括中国银联、中国电信、百度视频、中青旅、太平洋保险、百联、万达、海尔、永辉、中邮消费金融、广发证券、聚美优品、中商惠民、趣店、链家、四川航空、纷享销客、Keep、东方明珠、36氪等500余家付费企业。

在服务互联网客户的过程中，神策数据践行数据驱动理念，推动互联网企业发展。一组数据印证了这一点：在神策数据服务互联网客户的过程中，有108家企业在2017年发生融资，占比20%。

在服务“互联网+”客户的过程中，神策数据深入细分行业，积聚大量成功实践经验。

快速发展的金融企业，需要自主把控风险，对数据分析平台安全性、准确性以及与现有核心业务系统整合能力要求比较高。神策数据帮助其实时收集用户行为数据，通过对客户的行为偏好分析，协助构建风控模型，识别异常交易，评估客户的还款能力和还款意愿，增强反欺诈渠道和客户的实时甄别能力。

泛零售企业十分注重数据资产积累与沉淀，希望通过全端的用户行为获取，实现线上和线下的数据打通和融合，还原一个多场景下的用户全貌，提供以顾客为中心的新零售服务。神策分析支持私有化部署，支持客户端、服务器、业务数据和线下数据等全端数据采集能力，线上线下数据打通、全面勾勒用户画像，通过用户标签体系构建、定制开发、智能算法的应用，帮助零售企业实现深度的应用场景。

他介绍，500余家付费企业客户让神策数据的产品和服务体系饱经磨砺;神策数据也配合各行业头部客户进行前沿性探索，其沉淀下来的数据驱动场景和行业最佳实践，已成为神策数据为客户复制行业最佳实践并不断创新的源动力。

直指行业最高标准!部署最快、性能最稳、查询最实时

产品技术实力是神策数据引领数据浪潮的内生动力。在践行理念与使命的过程中，作为大数据核心技术和资源优势的掌控者，神策数据的产品宽度和精度，让同行业望尘莫及。

发布会现场，神策数据创始人兼CTO曹犟详细介绍，神策分析在产品架构、产品功能等方面不断演进，并分别介绍了泛零售行业线上线下场景融合、大金融业用户数据与业务数据整合、文娱业精准推荐的前沿应用探索等。

他所公布的一系列产品性能量化指标，更是直指行业最高级别标准。包括：

相比同行用时几天甚至数月的安装部署，神策数据集群版安装部署从2017年初的3小时缩至30分钟，再次刷新行业之最;

同样令同类企业无法企及的是，同等硬件资源下，相比去年同期的数据处理能力提升4.45倍，相同数据量占用的存储空间降低50%，神策分析可稳定流畅地处理数亿日活的数据量。例如，同样处理一百万条数据，神策数据比同类解决方案，要节省客户至少6倍的计算资源;

通过对500余家客户硬件成本投入核算，神策数据客户的硬件成本投入仅为选择其它数据分析厂商的20%。私有化部署门槛较低——对客户的最低硬件标准是单机四核16G。与此形成强大反差的是，同类服务商需要客户提供大于5台以上甚至更多的机器。撇开客户对多台机器的后续维护成本不谈，神策数据私有化部署方案让客户平均节省了80%的硬件成本……

曹犟介绍，产品打磨始终围绕企业业务场景，追求深度行业化。一切迭代均从用户需求出发，以解决客户业务诉求为根本目标，保证客户能够以最低的成本，挖掘最高的数据价值。

“把客户扶上马，我们的服务只完成了20%”

“强化服务体系，才能实现规模扩张。”神策数据创始人兼CEO桑文锋在会场谈到服务对公司发展的价值时表示，神策数据从不纠结客户数量，他认为客户发展应该像“滚雪球”一样越滚越大，低劣的产品与服务必然造成“狗熊掰玉米”般客户流失。

支持私有化部署，重视数据根基的搭建，服务理念贯穿客户全生命周期，帮助各类型客户将数据资产转化为可推动生产力的数据资本，这是神策数据自成立之日即具备的独特定位。

“销售卖产品给客户，把客户送上马，这时我们的服务仅完成了20%。”桑文锋表示，大数据之于企业应用远不止产品本身，需要可持续的服务依托和价值传递，“服务为先”的理念要渗透至整个用户生命周期中。“神策数据在服务客户时，坚持‘二八模型’。不同于传统企业软件服务的‘八二模型’，神策数据签单只完成了20%的工作，后续的用户用起来和用好，真正给客户带来业务价值，才是神策数据的独特所在。”

ToB服务商的持续服务所承载的价值不可估量，提供高质量的服务交付和解决客户全生命周期各阶段问题至关重要。除产品本身的核心优势外，神策数据致力于树立用户行为分析领域服务最高标准，其组织架构、服务流程、服务工具演变等，为其再造颠覆性的服务竞争优势：

第一，问题驱动，催化高效服务之组织架构;

客户的反馈与需求，是神策数据服务体系建设的根基，并伴随组织架构不断优化与升级。自成立以来，依托各行业头部客户的数据实践经验与创新探索成果，神策数据从专注打磨产品，正逐渐发展成为以核心产品为基础、全生命周期专业服务(咨询分析、客户成功与技术支持等)为延展的客户全生命周期服务形态，赋能企业数据化转型。

第二，高标准流程，协同效应支撑全服务生态;

简约、高效的组织架构与服务流程能够最大限度地释放服务价值，让组织更好发挥协同效应，达到“1+1>2”的最佳服务状态。神策数据的服务团队围绕客户全生命周期，实现高标准快速部署，在需求梳理、事件指标设计、数据接入、实践应用等阶段随时待命客户问题，有效降低客户的投入成本和缩短上手时间，引导数据驱动落地企业。

第三，微信群配工单，零距离响应高频服务需求;

在服务工具方面，神策数据自研独立的运维管理系统、硬件监测工具、工单系统、运维“挂号”系统等，不断提升服务效率和人效比。值得一提的是，与大多数单纯依赖工单系统客户沟通的ToB企业不同，神策数据一直坚持微信群的一对一的服务方式，如此保证与客户的零距离互动，并保证及时响应客户的高频次服务需求。近期，为了沉淀客户信息的流转记录，神策数据自研轻量、简约的工单系统，完成客户问题反馈与汇总，实现更深层次的需求挖掘。

第四，首家推出企业服务全生命周期管理产品，提升客户黏性;

为了更好地服务于企业客户，神策数据经过这一年多全生命周期客户服务体系构建的实践，在此次发布会上隆重推出企业服务全生命周期管理产品。企业服务全生命周期管理产品是在神策分析基础上，根据企业客户的SaaS产品使用深度、频度、行为习惯等，结合其成长阶段、企业规模、消费额等，基于RFM模型，对客户进行分级管理;建立高流失风险类客户预警机制，并及时采取挽救行动;挖掘“重要发展客户”和“重要价值客户”特征与差异，对客户使用现状和迁移变化实时监测，从而制定不同类别客户的运营策略。将原来的被动响应问题，变为主动发现问题、并及时提供针对性的专业服务，提升企业客户的续约、黏性与口碑。

未来可期深度行业化赋能企业

作为首家迈过C轮增长魔咒的用户行为分析领域的领头企业，神策数据的产品、服务体系、商业模式的成熟度得到极大提升和认可，并开始进入规模化扩张的上升通道。在神策数据公布的2018年产品和业务战略框架中，企业将继续厚植产品优势，并持续加码客户服务，赋能企业及客户核心竞争力构建与产业转型升级。

桑文锋介绍，神策数据将围绕产品打磨、市场规模扩张、垂直领域深入、专业服务升级四方面持续倾注资源。

无论是产品迭代还是服务体系的建设，神策数据一切决策均源自客户的需求深挖。桑文锋指出，神策数据未来将继续聚焦细分行业，推出行业解决方案。同时依托500余家头部客户的数据驱动实践经验，通过咨询服务不断将新的行业洞察与研究分析应用于企业，帮助客户成功数字化转型、精细化管理和运营，使其能够集中精力实现其核心商业价值。

来源：东北新闻网

当下，逢运营必谈数据分析，APP运营更是如此。数据分析的用意本不在于数据本身，而是要打造一个数据反馈闭环。收集数据，设计基础数据指标，多维度交叉分析不同指标，以数据甄别问题，再反向作用产品，最终形成数据驱动产品设计的闭环。

从运营小白到产品经理，提到APP数据分析，必谈DAU、MAU、留存率、频率、时长…..那么，究竟如何将这些数据分析和日常运营结合起来呢?针对同一款产品的数据分析，一定要根据产品的生命周期(PLC,Product Lifetime Cycle)来做分析工作，不同时期数据分析的重心也有所区别，下面就从产品的几个重要时期――初创期、成长期、成熟期、衰退期，结合案例来聊聊。

【ASO优化服务】APP如何做数据分析。

一、初创期

这一阶段是检验产品定位和运营对用户与市场判断是否正确的时期，即验证产品或服务是否解决了某个群体的问题，也即常说的痛点;对运营来说，则是能否找到用户与产品的契合点，并根据用户的反馈快速迭代调整产品，以此获取第一批种子用户并扩大他们的影响力。

产品和运营阶段要有MVP思想，要用比较小的成本来验证产品和运营手段等。在产品同质化的互联网环境下，获取长尾用户的成本比抢占巨头的用户成本要小的多，因此，初创时期的产品一定要找准自己的定位，否则很容易陷入运营的困境。

【ASO优化服务】APP如何做数据分析。

举个例子：

网易云音乐在音乐市场已经拥有几大巨头的时候，刚上线时将目光聚焦在“民谣”，独’立音乐人等相对比较小众的类型上。在上线之初，网易云音乐用一个月时间跑遍成都丽江等地的知名live house,签下许多独’立自由的民谣创作人，吸引了一批小众的群体用户，结果这个小众组织内部越积越大，用户越来越多，为网易云音乐用4年时间突破4亿用户打下坚实的基础。

关键数据――目标人群画像

任何产品在上线之前，都会有自己的目标人群画像设定，惟有这样，才能具有强针对性，强吸引力。

初期需要分析的用户数据一般包括：性别，地域，年龄，客户端。有了一定数据后，再根据用户浏览界面等分析用户的喜好等，并以此来制作内容，在产品――用户――运营之间形成良性循环。同时通过这些数据对app的界面、流程、推送内容做优化，最终实现精准的用户个性推荐等。

关键数据――留存率

当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就产品和运营比较关注的留存率展开来讲。

留存率的分析，对运营和产品人员来说非常重要。在前期没有参考指标的情况下，可以通过了解行业数据，知道自己的APP在整个行业的水平，然后从新增用户、活跃用户、启动次数、使用时长等多个维度去对比自己产品与行业平均水平的差异以及自己产品的对应的指标在整个行业的排名，再考虑优化调整产品。

【ASO优化服务】APP如何做数据分析。

二、快速成长期

经过了产品打磨的初始阶段，产品有了一定累积用户，加以运营手段让产品进入快速成长期。这一时期，需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、转化到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

这个阶段对运营来说，就是小步快跑、快速试错的营销突击战，最大程度和范围内实现病毒式营销，实现用户的自增长。

所谓的“小步快跑”，就是快速地、不停歇地执行一个个的营销项目，不要花费太多时间在项目前的讨论中，而是要用实际效果去检验项目质量。

看看网易云音乐在这一步怎么做的，在2015年春节前的几个月，几乎每周都有创意并且传播，大约4-5个H5，投放十几篇的软文在各种公众号、论坛等，发布几十篇的PR稿件，邀请几十位KOL发表关于云音乐的评测等，同时，还以几乎每周一次的频率举办“校园音乐开放日”的线下活动。他们还抓住刚刚兴起的Uber，进行跨界营销。

【ASO优化服务】APP如何做数据分析。

而且，据网易内部人员透露，像这种投放的创意，每个大概花费在4万元左右，其实很多公司对这个成本还是可以承受的，而效果如何，则是对运营人员素质的一次检验了。

三、成熟期

当产品进入成熟期，意味着：技术稳定，成本降低，实现规模化生产，潜在的购买者逐渐转向为现实的购买者，有很多的忠实用户;竞争对手也比较多和强大。运营人员需要采取比较主动的策略，延长成熟期。

这时候需要关注的数据主要在：总用户数、新增用户、流失用户、回流用户;各渠道的日活跃(DAU)、周活跃(WAU)、月活跃(MAU);

流失与回流

用户流失无法避免，但产品和运营人员必须了解用户流失的原因，同时加入运营手段进行流失用户的召回和沉睡用户的唤醒。

营销广告投放渠道转化率

对于一些稳定的投放渠道，要多关注转化率，并进行渠道的优化，此时可以采用一些第三方数据分析服务的产品，监控广告的播放与转化，采取一些运营手段，提升转化率;

例如，先关注各渠道的投放和转化率，并分析各落地页面以及跳出页面的比率，随之调整优化产品页面。

【ASO优化服务】APP如何做数据分析。

99click商助科技的广告监播页面，可以看到用户来源、浏览轨迹和跳出率等，分析出跳出率高的原因，辅助用户调查，得出比较准确的结论，最后进行产品的优化和改进。

四、衰退期

任何产品都可能随着科技的发展和市场消费的升级等，进入衰退期。而产品想要不断有新的用户进来，就需要用优良的内容和卓越的产品功能吸引用户。

作为一款APP，不论是用户调查还是算法分析都要分析出用户的关注点，只有这样才能紧跟用户需求，抓住他们的吸引力。

【ASO优化服务】APP如何做数据分析。

例如，一款音乐APP，他的主要用户群体是大学生，用户最关注的是“音乐资源丰富”这一点，那么后续就要在这块下一些成本。如果反其道而行，只是在营销上下功夫，而不扩充资源库，那么将互失去很多用户。

对社会保险统计工作的几点认识

社会保险统计是运用多种统计方法观察、研究社会保险范围、内容、水平、规模效益状况及其发展趋势、特点和规律的一门科学。社会保险统计信息工作的基本任务是依法对社会保险机构统计信息进行采集、审核、汇总、分析、公布，开展统计信息预测，为促进社会保险事业的健康发展提供决策参考和依据。但是，目前社会保险统计信息的现状不容乐观，还存在一些问题，制约了社会保险统计信息工作的发展，有的甚至认为社会保险统计可有可无，统计就是评估。这样势必影响到社会保险事业的发展。为此，建议从以下几个方面加强社会保险统计信息工作。　

一、确保统计数据质量　　基础数据的采集是统计的一项基础性工作，采集的准不准，质量高不高，直接关系到统计信息汇总的质量。抓好统计信息源是做好社会保险统计工作的关键一环，是提高统计质量的根本保证。　　一要健全社会保险统计体系。二要统一统计口径。三要严把数据审核关。　　二、调整统计调查方法　　一是完善调查内容。及时追踪政府的宏观决策，积极开辟社会保险统计调查新领域，及时、全面的为政府重大决策的实施提供服务，为本级部门的重点工作和重大决策提高服务。积极研究尝试开展涵盖社会保险、人才就业、劳动关系等多领域的调查，监测和评价统计指标体系。

二是调整调查频率。在工作中，根据不同的调查对象、不同的调查内容，区别对待，采取不同的调查频率，提高快速反应能力，以灵活多变的调查方法，跟踪观察复杂多变的统计对象，以满足多层次、多部门、多目标的统计信息需求。　　三是提高调查效率。运用现代化的手段，加快统计调查工作信息化建设，从而提高社会保险统计工作效率。随着计算机、网络、管理信息系统等信息技术的迅速发展，给统计调查提供了许多科学有效的方法和便利。社会保险统计在利用计算机技术和网络基数进行信息管理的同时，应积极运用计算机技术、网络技术等进行高效准确的数据采集和数据分析。在今后工作中，从完善统计结构软件入手，着力进行统计信息网络建设，能大大方便工作，提高工作效率。　　三、进行科学的统计分析　　一是确定统计分析目标。针对社会保险体制改革中不断出现新情况、新问题、新经验的状况，社会保险统计分析，分清形势，确定有针对性的分析目标，特别是抓住社会保险工作实践中带有苗头性、倾向性、突发性和趋势性的问题，充分利用统计数据进行综合分析，提出政策措施和建议。　

二是做好基础数据采集。提高统计数据质量是统计信息工作的永恒的主题。统计数据质量体现在真实性、准确性、及时性、适应性等方面。如何保证统计数据质量，必须从源头抓起，从被调查单位的原始记录。数据收集、整理、汇总、上报的全过程，从每一个统计指标的困境，包括范围、取得渠道、指标来龙去脉，数据的采集操作制度化，以及建立健全统计原始记录、统计报表、统计台账制度。原始记录是统计基础工作的基础，这项工作必须做细、做准，不得有半点的虚假，这也是从源头上杜绝了虚假数据的产生，保证了社会保险统计数据采集的真实性和准确性。　　三是深入开展分析和专题研究，为科学决策和管理提供可供选择的咨询建议和对策方案。社会保险统计要提高决策咨询服务水平，重点是加强统计分析，做好决策咨询调研工作。统计分析要由简单的就数论数，数字文字化，转到对数字背后的深层关系进行分析，对数字背后的社会保障发展规律进行探讨，大大丰富社保统计工作内容，提高社会保险统计产品（统计报表、统计分析、统计调研报告等）的质量。通过实行重点课题责任制度、统计分析定期评估制度、热点问题及时追踪制度等等，使统计分析质量持续提高。　

四是建立表内和表间平衡关系。社会保险统计报表是一个完善体系，报表内部、报表之间都有严密的逻辑关系，保证逻辑关系合理是填报统计报表的基本要求。为了让基层统计人员更好地掌握报表的逻辑关系，确保报表填报的严密性，减少填报错误，提高填报质量，要对报表表内和表间的逻辑关系进行统一和规范，并将这些平衡公式录入统计软件，从而使数据之间，报表之间保持合理的逻辑关系。当因录入或其他的原因使统计数据出现差错时，表内和表间平衡关系都会受到影响，统计软件能够自动地、及时地为统计人员提出错误，是统计失误在基层就能够得到解决，从而提高统计报表质量。　　五是实行统计数据库与业务数据库对接。实现统计数据与业务数据的对接是一个多管齐下的系统工程，要业务、信息系统管理部门等多方努力，真正实行统计数据库与业务数据库对接，才能从基础经办机构统计工作中消除统计数据的虚报、瞒

报和假报现象，减少统计失误，保证统计分析的科学性。四、提高统计服务意识　　社会保险统计信息工作对社会保险政策、业务政策的出台都是重要的辅助工具，树立服务意识，利用社保统计这个工具，是我们做好社会保险经办工作的基础。　

一要高度重视社会保险统计信息工作。各级社会保险经办机构要进一步加强领导，提高认识，把社会保险统计工作摆上议事日程，各级业务部门领导要重视社会保险统计工作，经常了解本统筹区社保统计的基本情况，通过社保统计的数据分析本行政区社保工作的利弊，更好地为社会保险工作的决策服务。　　二要加大对基层统计人员的业务培训力度。基层社会保险经办机构面临机构整合、职能调整等，人员变化较频繁，给社保统计工作带来一定困难和问题。当前，提高基层统计人员的整体素质和服务意识迫在眉睫。要通过不定期地举办不同对象、不同层次的统计人员的培训，在培训中要注重基层统计工作的实际，要注重更新统计人员的知识，改善统计人员的知识结构，提高统计人员的综合素质。　　三要不断创新统计信息服务形式。要不断提高科学、准确、及时、有效的社会保险统计信息服务的领域和空间，通过统计业务报刊、统计信息网站，相互交流社会保险统计信息工作经验。通过依托并不断创新服务形式，使社会保险统计工作的地位得到加强，社会保险统计工作的环境得到改善，社会保险统计工作的发展更加宽广。

大数据时代到来，数据分析变的越来越重要。该数据分析架构产品已成功运行三年，满足日活百万的企业。产品结构很简单，用世上最简单的语言php，最普遍的数据库mysql，服务器可以选择apache也可以选择nginx，一切看你自己的喜好。

随着青岛市建设全国性社会化大数据中心战略的提出，岛城正兴起大数据与云计算的研发热潮。紧跟时代脚步的青岛地铁也已结合自身实践，着手探索地铁客流大数据分析，为后续发展积累经验、奠定基础。

客流数据的分析对地铁来说非常重要，它为地铁车辆调配、公交车辆调配及交通规划等奠定基础，为地铁的精细化、自动化运营提供重要的数据支持。

举例来说，某天早高峰期间出现了大量乘客滞留站台上不去车的情况，需要加开车次，是往上行还是下行方向开？这就需要对客流进行OD分析（即出发地Origin与目的地Destination）。

青岛地铁的技术人员目前对3号线的客流进行了OD分析，发现当前工作日最多的往返站点主要存在于李村站<->五四广场站及五四广场站<->青岛站，周末最多的往返站点主要存在于李村站<->青岛站及五四广场站<->李村站。根据上面的结论，就可以分别针对工作日、节假日的情况加强大客流站的客流引导措施。

那么，客流数据是怎样收集上来的？

首先，进出站闸机等车站终端设备通过乘客刷单程卡、琴岛通等，采集到乘客的进出站信息，汇总到各车站的计算机系统。

各车站的计算机系统每天会将数据定期上传至线路中央计算机系统，后者再将数据定期自动上传到清分中心的“大柜子”里。

在机房内通过专用系统，专业人员们就可以将客流数据导出，进行传输、处理等。

技术人员们说，因为现在还只有一条线，当前的工作主要是数据的积累及初步的挖掘与分析，建立相应的概念、准则和处理方法。

（左一小哥蛮帅的昂~）

待2号线以及11号线开通，线网成形，客流量加大，OD信息研究还会有更重要的作用。

比如通过客流分析对某些站点进行定性，根据“办公”、“住宅”、“综合”等属性，提供快递箱等不同服务；再比如通过对云购票设备使用者年龄、性别、主要活动站点的分析，提供相关的个性化服务等。

社会性别统计在提高政府服务职能中的应用

在党的十七大中就已经提出了科学发展观，并对政府的服务职能有了明确的指示。社会性别统计是从技术层面为政府做出正确的科学决策和构建社会主义和谐社会提供依据，对政府应当承担的社会治理和公共服务职能进行了规定，是实现社会健康发展的关键。但是通过相关调查研究显示，目前，在我国的很多基层部门的日常工作中，很少有涉及到社会性别统计的，而且一些统计部门对社会性别统计也没有明确的要求，所以说我国的社会性别统计还处于起步阶段。本文分析了社会性别统计的重要意义，并有针对性的提出了如何从技术层面解决政府向服务职能转变的途径与方式，从而使我们的政府能够更好的服务于人民和社会。　　一、社会性别统计的概念及意义　

（一）社会性别统计的概念　　目前，在我国使用的较为普遍的关于社会性别统计的概念主要是指提供关于男女性别比例的相关数据的同时，还必须对男性和女性为社会所做出的贡献进行量化并予以评价。在我国进行社会性别统计工作时，除了对性别进行分类外，还要充分的考虑两性之间的现实差异和不同需求，在对数据进行收集和表达中所使用的概念、指标、变量、方法要能够反映社会上的性别问题，并能够对这些指标实施监测和评估。　　（二）社会性别统计的意义　　在党的十七大中就已经提出了科学发展观的基本内涵“坚持以人为本，树立全面、协调、可持续”，因此要充分的体现以人为本，而且在现实的社会生活中，每个人都有平等的人权。但是由于女性本身的一些特点，在实际的社会工作中很容易造成性别歧视，性别统计可以使一个国家能够更深刻地到女性和男性在不同的地域、不同的社会机构及不同的人群中所做出的贡献及需求上存在的差异。因此进行社会性别统计的重要意义就在于它可以真实的反应出社会的不同层面的现状，为政府做出正确的决策提供科学可靠的数据，同时还可以对政府的决策和行为实施监督。目前我国的社会性别统计的资料还存在很大的缺口，例如教育、卫生、人口、婚姻与家庭、就业等方面。因此，性别统计必须作为一种社会的全覆盖，包括社会中的各个层次的人群，民族、地域、年龄和宗教信仰等，为更好的实现社会公正和公平提供有力依据。　

二、社会性别统计在我国的实施现状及存在的主要问题　　（一）我国社会性别统计的现状　　我国政府于1995-2010年已经制定了《中国妇女发展纲要》，对妇女的统计工作提出了具体的要求，要求提出：增设性别统计指标，建立一套完善的性别数据库。对妇女的相关发展现状进行预测和评估，为更好的做出科学决策提供依据。”近年来，国家统计局及国务院办公厅都对性别统计的相关问题做出了重要批示，这也在一定程度上标志这我国的性别统计制度已经初步形成。　　（二）我国的社会性别统计存在的主要问题　　1、我国的社会性别统计尚未进入国家法制范围　　目前在我国社会性别统计工作尚处于起步阶段，在很多工作中都存在问题，特别是性别统计尚未进入到国家的法制范围内，这就直接造成了性别统计资料没有相关法律进行保障，性别资料和数据调查统计工作很难保障，包括目前我国最为权威的《中国统计年鉴》也没有设立一个专门的章节对性别统计资料进行一个系统的统计。　

2、我国尚未设立专门的社会性别统计机构　　目前我国尚未建立一个专门进行社会性别统计的机构，因此就不能对社会中女性和男性人群的生存状态等情况有一个科学的统计，甚至在我国的社会性别统计工作中还存在很多的缺口，例如人口、就业、婚姻与家庭、收入和财产、教育、卫生与保健、社会参与、犯罪与被侵害及生活时间分配等方面。　　3、我国尚未建立一套完善的性别统计制度　　在我国尚未建立起一套完善的性别统计制度，对一些重要的社会性别数据进行抽样调查，例如家庭暴力、妇女贫困等方面。而要弥补社会性别统计的缺口仍然有很长的路程要走，因此必须建立性别统计制度将其与社会发展的各个领域相联系。　　三、应用提高政府服务职能的社会性别统计的有效途径　　（一）建立社会性别统计的相关法律　　如果将性别统计的相关制度和内容列入《统计法》，就可以做到社会性别统计工作有法可依，就能更加明确国家和有关部门在社会性别统计中的职责和义务，建立健全相关制度，确保性别统计数据的真实可靠。　

（二）建立健全性别统计的相关制度在建立的社会性别法之后，必须建立健全其数据质量的监管制度、评估制度及普查制度等，并对社会性别统计的相关数据进行及时调查、收集、整理，并将相关结果及时公布。　　（三）建立性别统计数据库　　国际的财政部门应当为建立覆盖全国的性别统计数据库提供资金支持，实现数据资源的共享，更好的服务于社会资源的利用。　　四、结束语　　当前我国政府正在由管理型向服务型转变，政府是服务社会的主体，要想更好的实现政府的服务职能，就必须从技术层面进行数据支持。社会性别统计就是很好技术支持手段，能够为政府更为科学的制定决策提供有力依据。本文在阐述了社会性别统计的概念和重要意义，并分析了当前社会性别统计的发展现状和存在的主要问题，从而有针对性的提出了社会性别统计在提高政府服务职能方面的有效途径，为更好的服务于社会和人民奠定了基础。

（图片来源：全景视觉）

经济观察网 邓晓蕾/文大数据已成为刚需，对行业用户的重要性日益突出。根据Gartner数据显示，超过九成以上的企业管理层视数据为战略性资产，超过八成的企业经理认为数据资产并未体现在资产负债表上，而是隐含在无形资产中。掌握数据资产进行智能化决策，是企业获得核心竞争力的基石。

近几年，大数据在各行各业的落地应用不断开花，数据开始发挥越来越大的价值，驱动业务增长。加上大数据较为清晰的盈利模式，也成为资本市场竞逐的焦点。据不完全统计，在4月上旬，大数据领域投融资事件超过10起。

目前，在国内大数据领域较为典型的大数据公司主要有两类，一批是本身具有获取大数据能力的BAT等互联网巨头，另外一批是大数据初创公司，他们依赖于大数据工具，针对市场需求，为市场带来创新方案并推动技术发展。

以初创公司神策数据为例，该公司成立三年内已获得上亿元融资。该公司主要为企业提供以用户行为分析(UBA/UEBA)为核心的可视化数据服务，帮助企业解决了从采集、建模、可视化的问题，构建了数据驱动的闭环。去年，其服务的互联网客户中有108家企业发生了融资，占比 20%。

4月11日，神策数据完成4400万美元C轮融资，该轮融资由华平资本领投，A、B轮投资方跟投，其中包括红杉中国、晨兴资本、DCM资本、线性资本、明势资本等。此前，公司曾获得600万元人民币天使轮融资、400万美元A轮融资及1100万美元B轮融资。

投资人的青睐不仅缘于神策数据近十年积累的大数据分析经验，主要是其核心创始团队均来自于百度大数据。神策数据创始人兼CEO桑文锋表示，神策数据成立三年来，很幸运的走对了每一步。“从百度出来创业并没有跟风SaaS，而是结合中国市场的实际情况，确定了要做私有化部署，来帮助各类型客户将数据资产转化为可推动生产力的数据资本。

事实上，数据资产与数据资本的差距，数据沉淀与数据可持续性挖掘的差距，蕴含着巨大的机会，也为AI的应用提供基石。神策数据创始人兼COO刘耀洲认为，数据与AI变得紧密且融合，数据不再只是扮演“支持单业务、单角色的数据分析需求”的角色，而是围绕客户真实需求，贯穿从客户初次触点、客户培育、价值匹配、客户成功的全流程全接触点的运营流程中，形成从数据积累，到数据分析与应用，最终到实践验证的良性应用闭环。

以泛零售企业为例，随着互联网流量增长的红利消退，“获客”成本已经飙升到难以承受的程度。企业希望通过数据资产的积累和沉淀获取全端的用户行为数据，实现线上和线下的数据打通和融合，还原一个多场景下的用户全貌，提供以顾客为中心的新零售服务。

但是，在这个大数据的落地的过程中会遇到很多的“雷”，背后原因是存在很多的数据孤岛，以及对应的数据口径不一致导致的问题。这就需要大量的工作要集中在数据ETL(Extract，数据从来源端经过抽取；Transform，转换；Load，加载至目的端的过程)和数据整合等基础性工作上。另外，为了AI的应用更加容易些，只有进行数据积累和沉淀，以及可持续性的挖掘数据价值，才能保证数据的完整性和一致性，最终让数据分析的智能预测准确率提升。

神策数据的做法是通过私有化部署，先帮助企业做好数据采集和建模等数据基础工作，再进行数据分析和咨询业务。从而帮助企业获取数据并分析多维度、海量、实时的数据分析，从而驱动决策和驱动产品智能化。

“销售把产品卖给客户，这时的服务其实仅完成了20%。”桑文锋解释道，也就是说，数据不止驱动决策，数据更大的价值在于更早一步的数据驱动产品智能化，即利用个性化推荐、个性化投放广告等真实落地的功能，让产品本身得到大幅度优化。

在这个过程中，神策数据迈向成熟的最重要一步是服务意识的形成。桑文锋表示，大数据之于企业应用远不止产品本身，需要可持续的服务和价值传递。“我们在服务客户时，不同于传统企业软件服务的‘八二模型’，而是坚持‘二八模型’。签单只是完成了20%的工作，后续用户用起来并给客户带来业务价值，才是神策数据的独特所在。”

作为首家迈过 C 轮增长魔咒的神策数据，在产品、服务体系、商业模式的成熟度上已经得到市场初步认可，未来的重点在于将如何实现规模化扩张。

桑文锋认为，创业不应纠结于客户数量，只有强化服务体系，才能实现规模扩张。客户发展应该像“滚雪球”一样越滚越大，低劣的产品与服务必然造成“狗熊掰玉米”般客户流失。

据了解，在神策数据公布的 2018 年产品和业务战略框架中，将继续提升泛零售和金融数据服务，并进一步开发文娱、教育等领域的企业数据支持服务。

本世纪初的IT技术颠覆式发展，不仅深刻影响了整个商业环境的竞争格局和方式，而且在很大程度上，对于身处其中的技术和服务提供商，则意味着需要保守观望和自我革命之间，做出选择。大数据分析解决方案提供商Teradata也不例外。

“两年前，公司决定要明确未来的发展方向，并据此对公司业务做出转型。董事会决定由我来出任CEO，帮助公司搞清楚：我们会在今后要什么？” Vic Lund，Teradata天睿公司总裁兼首席执行官在担任该职务之前的11年当中，一直是Teradata董事会成员。

从传统IT角度看，Teradata是一个提供数据库相关技术、产品和服务的公司，商业模式是为用户提供用于数据管理的工具。而随着云计算等新兴技术的出现，数据的种类和数量都呈现出一种前所未有的爆炸式增长。

一方面，数据的重要性开始得到进一步认可，企业级用户需要更有效的手段，来完成对越来越庞大的数据进行收集、整理、分析，从中获得所需资讯；另一方面，对数据价值的发掘也亟须得到业务层的验证，如何将数据与企业业务进行更深度的关联，成为企业级用户最关注的重点。

这对于Teradata来讲，就意味着：如何基于自身最具优势的数据库技术，为用户提供一个足够面向未来的产品和服务。与很多IT技术公司一样，源自天然的技术本能，Teradata最早开始在产品上采用更多的新兴技术。

早在10年前，2008年，Teradata就开始在大数据领域布局，收购了大数据商业分析咨询公司。其后，在2011年，Teradata又收购了大数据分析领域的创新企业Aster Data公司。

出于对企业级用户核心业务支持的考虑，Teradata还分别在2011年和2013年，分别收购了整合营销解决方案提供商Aprimo和数字营销服务提供商eCircle，希望借此帮助企业级用户打通从数据到业务的商业节点。

不仅如此，同时，在2012年， Teradata又对自己的数据库基础做出了调整：整合Teradata 数据仓库、Aster高级分析平台、开源Hadoop平台，Teradata推出了统一数据架构（Teradata Unified Data Architecture, UDA），试图从业务上定义一个从数据管理、分析到应用的清晰路径。

应该说，经过10年的积累，此时的Teradata，从技术层面，已经从单纯的数据库产品提供商转型成了一个数据分析解决方案提供商。然而基于技术发展的本能所做出的改变，该如何让更多市场了解，如何让更多用户可以更容易地采用？

这一问题到了Vic Lund担任CEO后得到了解决。

“我们花了几个月的时间来搞清楚，我们应该做什么？最后，我们得出的结论是：我们给予企业级用户的解决方案，不能总是首先强调技术，而是要强调业务结果是由技术来驱动的。我们坚信，企业的未来都是基于数据分析上。”于是，在2016年的全球用户大会上，Teradata正式推出包括Teradata Everywhere。

在全新的Teradata技术和产品体积架构中，Teradata Everywhere是一切业务的基础和底层结构：

一方面，在产品层面，Teradata Everywhere的核心是Teradata Analytics Platform（Teradata分析平台），几乎涵盖了Teradata全部的核心产品：Teradata数据仓库软件、Aster高级分析引擎、Spark分析引擎、Deep Learning深度学习引擎以及客户自定义引擎；

另一方面，Teradata Everywhere也将Teradata Analytics Platform所具有的产品能力被解读为用户能力理解的：Analyze Anything（任意数据分析）、Deploy Anywhere（任意环境部署）、Buy Any Way（任意方式购买）和Move Anytime（任意时间迁移）。

“之前，我们使用的都是一些半结构化的数据再加上结构化的数据。现在我们所说的任意数据分析，是指Teradata的数据分析平台，支持所有通用的数据格式和用户自定义数据格式。” Oliver Ratzesberger，Teradata首席运营官，曾经在eBay担任过7年的信息主管，因此也曾经是Teradata的用户。

在“2018 Teradata大数据峰会”现场接受采访时，Oliver Ratzesberger强调，Teradata所有的核心能力都体现在Teradata分析平台的不同版本中，目前所有的不同版本的Teradata分析平台，都已经可以通过公有云、托管云、Teradata专有硬件、通用硬件虚拟化平台上等多种方式进行部署。而且新的基于订阅的软件授权，支持上述四种部署模式上任意迁移。

“我们希望可以帮助用户不要把太多的关注放在技术本身，例如如何来运行服务器、平台、软件包……而是要通过自身的业务需求和我们提供的专业咨询，将更多的关注放在如何改善业务的结果。” Oliver Ratzesberger认为Teradata新的产品架构和策略，实际上已经改变了过去几年，企业用户由于需要在IT层做出过多选择和判断，从而浪费掉的时间和注意力：“80%以上的企业用户希望能够通过Teradata分析平台这样一个’分析即服务’的方式，只需要把数据拿过来，把业务问题拿过来，而不用担心底层的一些基础架构，因为这是Teradata要专注去做的。”

从技术到业务，不仅是Teradata对自身业务的一次完整梳理，更是对于当下，异构化IT架构越来越负责，来自用户数字化转型需求日益旺盛的前提下，IT系统提供商面向市场所做出的一次积极回应。因此从某种程度上，Teradata Everywhere从而不仅将Teradata以往10年的技术积累，整合到了一个全新的产品组织战略框架当中；而且其也从企业级用户的应用角度，将极度专业化的技术描述，转化为更容易的商业需求，从而帮助企业级用户将关注的重点，从技术转移到了业务，从“选择哪些工具来做数据分析”转化到了“我该首先优化哪些业务环节”。

“领先的公司应该如何去适应或者采用一些新的技术和平台？虽然现在我们有了新兴的云计算、大数据、AI……但是对于非常多的公司来讲，他们现在仍然在苦苦挣扎于如何使技术转化为业务成果，如何将所有的业务需求，整合到技术平台上。”作为《感知型企业：数据驱动的商业决策演进》一书的作者之一，Oliver Ratzesberger认为未来的企业在应用数据方面，将根据业务模式的不同，对于数据应用将分为：敏捷数据平台、行为数据平台、协同思维平台、分析应用平台和自主决策平台。而所有的一切，都需要企业用户根据自身的业务特点来进行规划自身对于数据应用的未来。他甚至在书中预测，随着企业决策的自主化和自动化程度越来越高，最终企业的数据平台不仅能够事先预测，而且将更加具有“自我意识”和“感知”能力。

对于企业级用户来讲，完成转型后的Teradata，将以怎样的方式提供不同的价值呢？

“一言以蔽之，Teradata为用户提供的，就是分析即服务。” Teradata天睿公司大中华区总裁辛儿伦 (Aaron Hsin)在接受采访时一再强调。Teradata所谓的“服务”，不是传统意义上的咨询服务或者技术支持服务，而指的是一种给客户最终产生价值的成果，基于实现客户的业务场景和成果，所需要的创新的技术、方法、软硬件、技术支持和顾问服务等，是一个以业务为导向的“体系化”的解决方案。“我们首先会了解客户的业务成长战略目标是什么，然后我们会根据这些目标制定业务改进的措施。在根据用户需要的优先级排序，制定一个KPI。根据这个KPI，才会具体开始讨论方案的设计，需要什么的软件，需要什么的硬件，直至所谓整个IT支撑架构。这就是一个所谓的以支撑业务目的为导向、为核心，演进出来的方法论。”辛儿伦说。