百度大数据+连接垂直行业，深挖用户价值精准拓展客户，高效经营管理百度大数据+，是百度开放的新商业“能源库”，旨在面向行业关键诉求，开放百度大数据核心能力，帮助企业先人一步创造新商业机会、实现用户体验的升级换代。 百度大数据+，基于百度的海量用户数据，同时与行业垂直数据深度结合，挖掘百度用户千万级标签数据，帮助行业客户对用户进行空间和时间360度的立体洞察。 百度大数据+，提供的预测、推荐等深度模型，发挥百度大脑和深度学习的优势，帮助行业客户，实现行业趋势的深入洞察、客群的精准触达、分群精细定价和风险防控等。

百度大数据+，率先与O2O、零售、旅游、房地产、保险、金融等行业的新锐先锋合作，推动和实现大数据驱动业务的愿景。

面向客户

餐饮、影院、美容美发等生活服务商户

解决方案

商圈竞争分析

通过海量LBS定位数据，实时披露人流热力图帮助客户了解店铺所在商圈当前的客流水平、对比同类店铺上座率，发布店铺当前竞争力排名，及时定位店铺问题快速优化解决。

客流智能分析

实时监控店铺客流情况，分析新/老顾客比例、重复顾客率、驻店时长及进店时段分布等情况，全面掌握店铺运行情况，辅助经营情况及时判断。

顾客立体洞察

从性别、年龄、行业、学历、常驻地点等基本特征多维度立体化地了解到店顾客，结合店铺业态深度挖掘消费者兴趣爱好、消费水平、产品类型偏好、人生阶段等特征，提供全面度全方位顾客特征解析，明确需求定位进行精准营销，提升客单价和消费体验。

顾客精准触达

通过对到店消费者精准的偏好分析，构建lookalike模型，打破商圈地缘限制，触达更多潜在顾客，提升到店；结合到店顾客需求分析和挖掘，挖掘二次营销点、提升客单价和老顾客重复消费概率。

舆情口碑分析

大规模机器学习模型深度挖掘全网数据，全面实时掌控店铺受欢迎程度、同业态流行产品及相关热度，及时了解市场风向标、监测店铺口碑健康度，把握危机公关黄金时间。

应用案例

某高端连锁餐饮店铺与百度大数据达成合作，通过实时客流统计入店率、成交率、客单价，分析挖掘出高价值明星店与待改进门店，及时优化提升不足；根据到店新老顾客比例分析定位到某家门店老顾客近期到店有下降，进而推出老顾客回馈套餐，一星期后，老顾客到店率提升15%、周合计销售额增长27%。通过与门店CRM系统打通助力会员管理、会员到店实时触达，用户体验得到极大提升。

面向客户

大型购物商城、连锁商超、垂直类零售商等零售企业，及零售业咨询服务公司

解决方案

精准定向营销

融合到店消费客户的画像、消费数据和百度线上特征数据，构建lookalike模型，锁定潜在目标客户群体，通过线上线下多种渠道触达，进行有的放矢的个性化推送及精准营销。

会员价值管理

零售企业会员画像以及线下消费行为数据，叠加百度线上画像及行为特征，构建商场会员流失预警模型以及商场会员价值评估模型。针对高价值会员以及高流失风险会员，分别进行个性化精准推送，从而达到高价值会员挖掘以及流失会员挽留等会员管理的目的。

顾客深度洞察

从6大维度全面准确地刻画到店顾客的线上线下行为特征，从基本属性到行为模式，从消费水平到人生阶段，多维度立体化地帮助零售企业全面认识自己的顾客，辅助经营管理。

客流智能预测

实时监控商场和店铺的到店客流情况，分析新/老顾客比例、重复顾客率、驻店时长及进店时段分布等情况，基于过往历史数据进行客流分析预测，并可在此基础上调整产品和仓储运营、优化停车排队等服务安排和客流引导，从而提升顾客到店体验及消费粘性。

价值收益

辅助精准营销，提升营销转化

深入洞察消费客户的基础上找到更精准的潜在客户群体，通过线上线下多种渠道进行有的放矢的个性化推送及精准营销，能有效提升潜在客户识别度以及捕获率，从而大幅提升广告投放的ROI，保证营销活动的转化效果。

优化会员管理，拉动收入增长

基于大数据的流失预警模型，能及时有效地识别有流失倾向的会员，分析原因后有针对性的执行流失挽回方案，能有效降低会员流失率；根据会员价值评估模型进行的个性化精准推送，也能激活高价值会员的潜在消费，有效提升高价值会员的ARPU值，为零售企业带来整体收入有效增长。

深入洞察顾客，辅助经营管理

帮助零售企业更全面立体的了解到店顾客，据此优化产品、供应链、仓储、运营、服务等多方面，降低经营管理成本，间接提升收入增长。

预测线下客流，提升消费体验

通过获取的实时到店客流情况，分析预测线下客流，提前安排产品仓储、停车排队、引流导购等，借助大数据的力量帮助提升线下到店的消费体验及顾客粘性。

应用案例

深入洞察顾客，辅助经营管理

百度大数据和朝阳大悦城进行深度合作，对其消费者群体进行多维刻画和细分，基于特定消费者群体历史线下消费行为特征与其在百度线上全局行为数据进行融合打通，学习消费者群体的品牌偏好和消费特征，对其会员进行精准个性化优惠信息短信触达，会员到店消费率 +11%，其中不活跃会员到店消费率+53%，拉动朝阳大悦城19天内会员消费总金额（GMV） +12%，同时提升会员消费体验和顾客粘性。此外基于大悦城现有进场顾客群体洞察分析以及周边人群分析对比，对大悦城潜在会员及消费能力进行预测，指导大悦城线上线下精准营销，有力拉新。

面向客户

景区、旅游局、OTA、旅行社、酒店、航空公司、旅游咨询类机构等

解决方案

旅游行业宏观分析

应用百度海量搜索数据，及时、有效反映旅游行业酒店、交通、票务等细分行业经营状况，提高经济监测的全面性和及时性。

通过省、市、景区多维度搜索数据分析，宏观掌控旅游行业趋势数据，了解各大景区、酒店、OTA在网民心中的搜索份额和认知度。

目的地游客特征多维分析

从性别、年龄、消费水平、酒店偏好、目的地偏好、游客来源去向等多个维度对目的地游客进行全面交叉分析，辅助景区、酒店、旅行社、航空公司进行游客市场细分、客源流失分析及潜在市场挖掘，有效进行精准营销及新产品线路研发。

实时客流量监控及预测

实时监控目的地当前人群密度，并对未来2小时及未来3-7日客流量及拥挤风险进行预警；辅助景区、政府进行相应的人力、运力安排，保障游客出行安全及体验；帮助酒店、旅行社、OTA基于线路客流量进行房源调配、热点线路产品销售备货、航线运力调配。

实时舆情监控

通过对多个平台舆情数据的整合分析，辅助景区、政府、旅游企业等及时把握舆情事件影响面、网民情感倾向、主要传播节点、及游客关注要点，有效进行舆论引导并制定相应措施，整体提升旅游服务体验。

价值收益

提升精准营销能力

通过对目的地游客特征分析，帮助景区、酒店、旅行社、航空公司进行客源市场细分及潜在市场挖掘，优化营销投放渠道，提升营销精准度。

优化安全管理效率

区域人群分布热力图、客流量预测及风险预警，辅助景区/政府合理安排人力、运力，提升旅游体验，降低安全风险。

提高游客服务质量

辅助景区、政府、旅游企业全面、实时、有效把握舆情事件影响面，有效进行舆论引导并制定相应改进措施，整体提升旅游服务体验。

应用案例

九寨沟

九寨沟景区通过与百度大数据达成合作，利用百度大数据提供的客流量预测服务，在景区网站进行实时客流量预测呈现，提前预知当日及未来2日九寨沟客流量，方便游客进行行前决策；同时景区结合百度预测结果，制定不同客流量下景区安全运营人力及运力安排方案，在旅游小长假及黄金周有效进行相应安排及游客疏导，提升景区运营效率及游客游览体验。

峨眉山

峨眉山景区购买百度大数据旅游行业全面解决方案，全方位提升游客在峨眉山景区的旅游体验。

1、通过对峨眉山游客多维度分析，判断峨眉山重点客源市场分布，进行客源市场细分，准确发现潜在市场，优化营销重点和渠道，实现精准营销；

2、利用百度提供的景区客流量预测服务，结合预测数据，提前进行峨眉山景区运营人力安排，优化安全管控效率；

3、通过百度舆情系统进行峨眉山景区舆情监控，及时了解游客正负面反馈，改善旅游服务， 同时通过网络舆情事件网络关注度及热点事件诊断，可以辅助判断景区阶段性网络营销效果。

面向客户

房地产公司、物业、中介、营销代理商等

解决方案

城市人口动态分析

分析城市人口分布、人口密度、常驻人口变化趋势、人群日常和节假日移动轨迹，帮助地产商更清晰、及时、全面地了解目标城市（地区）人口概况，为选地及营销推广等决策提供参考依据。

目标客户特征分析

从年龄、职业到购房需求、消费习惯、线下行为偏好等，全面细致描绘目标人群特征，帮助开发商挖掘并了解目标用户，制定相应销售策略，辅助线下定点营销。

精准受众营销

针对已购房用户、潜在购房用户的特征分析，利用百度大数据的lookalike模型，找到更多的潜在消费者群体进行针对性广告投放。

行业、项目、品牌舆情分析

分析目标城市（地区）人群对房地产行业是否积极乐观、以及对自身楼盘和竞品项目的评价、购房意愿对比等，帮助了解消费者/潜在消费者的关注点，指导项目、品牌的提升方向并进行针对性营销。

价值收益

了解城市人口，助力科学选地

掌握城市变化速度，了解城市人口分布和移动情况，为地块客流预判和新楼盘选址提供数据支持，同时也帮助地产商更精准评估地块价值。

线上线下精准营销，降低投放成本

颠覆基于传统调研数据得到的营销策略，把广告费投到更有效果的渠道，把地推人力放到目标人群更集中的地区，有的放矢地投放广告，提升广告效果和转化率，同时降低投放成本。

跟踪消费者动态，优化营销策略

第一时间知道消费者和潜在消费者对自身楼盘、竞品楼盘的态度，关注哪些问题，对价格、户型、优惠政策等是否满意，支持地产商制定更有吸引力的营销策略，提升项目和品牌的口碑。

应用案例

与知名房地产商多个楼盘合作，帮助其分析目标客户进行精准广告投放，提升广告效果，降低销售费用。

利用百度大数据将看房客户、附近区域意向客户等潜在客户的数据进行分析，如购房需求特点、消费特征、日常通勤路线等，得到潜在客户的用户特征，利用大数据lookalike模型，在线上找到更多意向客户，针对性投放广告。

此外，通过分析定位目标人群线下活动区域，找到高覆盖地区，选择高效户外媒体，进行针对性的地推活动。将500~1000元的有效电话成本，降低到200~400元左右。

面向客户

金融机构：银行、P2P公司、小贷公司

解决方案

精准受众营销

挖掘和分析营销产品现有客户的线上及线下行为特征，包括客户的常访地点、行为特征、关注偏好等，构建lookalike模型，通过模型寻找到与转化客户特征相似的更多潜在目标客户，进行精准的受众营销——在合适的地方，针对合适的目标用户，进行有的放矢的线上及线下营销推广。

客户流失预测

挖掘和分析现有客户线上及线下行为特征，结合金融机构客户的业务数据变动情况，构建客户流失预警模型，有效识别即将流失的客户，从而采取一定的业务措施进行高价值客户挽留，降低客户流失率。

偿债能力评估

根据贷款客户线上线下行为特征的挖掘，判断客户资产状况、负债状况、消费水平、健康状况等内容，全面评估客户偿债能力，帮助银行、P2P、小贷公司等金融机构评估贷款客户的偿债能力，从而拒绝或减少偿债能力较低的客户贷款金额，降低金融机构的风险资金投入。

偿债意愿识别

通过贷款客户的线上线下行为特征，挖掘客户拒绝履约特征，判断客户信用情况，识别客户欺诈风险，从而拒绝欺诈风险高（偿债意愿低）的客户贷款，降低金融机构的风险资金投入。识别方法包括：

虚假信息挖掘：多维度交叉验证，识别虚假信息

重大风险识别：识别信用卡套现、身份伪造、高频贷款等高危信息

多重黑名单过滤：法院失信、网站用户信息泄露、偷税漏税黑名单等

价值收益

深入洞察客户，提高营销效果

帮助金融机构深入洞察客户，更全面的了解客户，从而针对不同产品或业务服务的特征，找到更精准的客户，在恰当的线上或线下渠道进行更精准的营销，提高金融机构的营销精准度、广告投放的ROI以及线上线下营销活动的效果。

降低客户流失，提升客户黏性

帮助金融机构有效的识别有流失倾向的客户，分析客户流失原因，从而有针对性的开展客户挽留工作并提升业务能力，降低高价值客户流�...

大家好，今天带大家了解大数据。对于外行来说，大数据名词听起来很高端、大气。却很抽象，让人无法理解。但作为编程人员、数据库管理员，大数据是需要详细了解的。这将会成为你们未来的发展方向。

首先简介一下大数据能干什么？大家都知道，我们在淘宝购物。需要注册帐号，然后选购商品、加入购物车、付款发货、货物的物流信息等等。这些信息在电脑里被称为数据。产生的数据都会存储到淘宝的服务器里。每天数以亿计的数据，被存储到淘宝服务器里。由于这些数据很庞大，所以被称为大数据。再根据基础大数据，在后台进行智能分析。就能分析出指定用户的购物喜好。某些产品的销售量等等信息。然后通过挖掘大数据的结果，向用户推送指定商品。这就是大数据时代，给你我带来的便利。

由于大数据里有海量的数据，存储和分析这些数据最主要就是要解决效率的问题。如何快速存储和分析海量的数据？目前都采用了一些什么技术？带着这些问题。我来讲一下，需要充电学习的方面。首先java语言是必须精通掌握的基础，用于大数据开发。接下来必须了解网络编程，mysql等数据库。再进一步学习，就需要了解集群技术。因为海量的数据需要采用多个数据库来进行存储和处理。即分布式存储。目前解决的方案，是采用hadoop架构。Hadoop实现一个分布式存储，具有高容错性、高吞吐量来访问应用程序的数据，适合超大数据集的应用程序。Hadoop的高吞吐，海量数据处理的能力使人们可以方便地处理海量数据。但hadoop不擅长实时计算，另一项大数据技术storm由此而生。他具有实时的数据处理能力。比如你昨天在淘宝买了一双鞋，今天你想买一顶帽子。而大数据分析的结果还是昨天的，系统不断的在向你推荐鞋子。而不去考虑你今天的需求。使用了storm技术，就会实时的分析你的需求，系统就会根据结果，向你推荐帽子。大数据的另一项技术Apache spark是一个围绕速度、易用性和复杂分析构建的大数据处理框架。用于配合hadoop和storm技术处理大数据。通过并行化地计算，加快的大数据的处理。

大数据的另一方向就是机器学习，要想得到一个高效的机器学习系统。就需要先用少量的数据去训练它。在少量的数据下机器学习系统不出错。再加大学习量，最终就能通过反复测试上线。大数据下的机器学习需要很多学习样本，在大量的学习样本下。机器可以类似于人工一样筛选，分析处理得到有用的数据，最终将结果反馈给用户。机器学习要掌握R语言、python和mahout技术。机器学习应用前景很广，不只是大数据可以使用。可能会成为未来程序员必修的课程。

对不少高校老师而言，数据治理似乎是个颇有距离的词汇，但实际上，很多时候不是我们没有数据，而是我们不知道如何使用数据。

在2018年1月9日举办的中国大学生学习与发展追踪调查年会上，参会老师和同学们用一个个生动的案例，为大家展示了学生学习发展追踪调查数据到底如何应用到院校的学生培养、教学评估、政策制定等各个方面。

一读君也有幸参与了大会，并将大会的精彩内容分享给广大读者。

背景知识

“中国大学生学习与发展追踪调查”（China College Student Survey，CCSS）是一项针对大学生就学经历的问卷调查。

项目关注高等教育内部机制——大学生学习行为及其与大学教育实践之间的互动，以学生为主体对高校的教育教学过程进行诊断。

目前CCSS主要由“普通本科院校问卷（绿色问卷）”、“应用型院校问卷（黄色问卷）”、“中国高校毕业生追踪调查（蓝色问卷）”和“清华大学本科生追踪调查（紫色问卷）”等4个调查工具组成。

绿色问卷是在引进美国深具影响力的大学生学习性投入调查（National Survey of Student Engagement, NSSE）的基础上经过文化适应、认知访谈、信效度检测汉化改进而成，并根据中国高等教育实践，设计构建了有中国特色的指标体系；

黄色问卷是为应用型院校开发的学习性投入调研工具，关注高等教育实践型人才的培养过程；

蓝色问卷通过追踪记录高校毕业生的个人职业生涯轨迹，着重研究中国高等教育体系对个人职业变动、劳动力市场流动的影响，并探索中国高等教育与中国社会经济发展的相关问题；

紫色问卷是为清华大学量身定制的追踪性调查工具，关注高等教育大众化时期精英大学人才培养的过程和规律。

四大系列工具的调查共同形成“生源输入-在校学习与生活过程-就业”完整的链型结构数据，反映当代大学生学习与发展真实现状，回应盖普通本科、应用型院校、精英大学等不同类型高校的教育教学改革需求。

项目从2009年正式启动，截至2017年，参与CCSS项目的院校数量已累计达到149所。

万能的数据

如果你是一所参与CCSS项目院校的老师，面对本校学生的调查数据，你都可以做什么？

★ 教育评价

课题组博士生王文分享了如何利用CCSS数据，服务院校层面的教育评价。

她从CCSS自身理论的先进性、方法的适切性和国内课题的可选择性出发，举例说明了CCSS数据在本科教学工作审核评估、《本科教学质量报告》编制、 ABET工程教育专业认证等工作中的作用和应用。

目前的评估和认证工作越来越讲求基于数据和实证支持，而CCSS数据从学生视角覆盖了教育教学过程的多个方面，拥有国际可比的指标和全国可比的常模。

有了CCSS数据作为论据，调查数据对教务处、学工处的老师而言，就不只是“锦上添花”，而是“雪中送炭”。

实际上，美国高校在参加全国性调查，委托第三方进行数据收集分析方面，已非常成熟。他们已将类似数据广泛用于各类的区域认证、专业认证、教学改进、州和联邦政府的政策要求等。

在这方面，国内院校也可加以借鉴。一方面，让专业的人做专业的事；另一方面，将专业的结果用于自己的关键工作中。

★ 政策反馈

博士生连志鑫从另一个角度，根据CCSS紫色问卷的数据，分析了现有招生倾斜政策是否真正帮扶了弱势群体，保障了教育公平。

通过数据的比较，连志鑫发现，不少享受国家专项计划的城镇户口和少数民族学生的家庭背景属于、甚至高于平均水平，并不弱势。

相比较而言，高校专项计划在收益人群的精准性方面效果更强。

这实际上给了院校管理者一种运用调查数据验证反馈政策合理性的新思路。当某项政策，某个项目推行后，是否达到了预期的目标？只有通过数据说话，才更有说服力。

★ 教学改进

来自重庆邮电大学的杨德山老师作为参与院校代表，也分享了重庆邮电大学通过CCSS发现问题和解决问题的历程。

首先，CCSS调查数据让该校意识到自身在生师互动方面，与对标院校和国际标准的差距。

接着，重庆邮电大学在完善机制方面下了功夫。

他们通过借鉴美国学业辅导的有益经验，制定了包括班导师、班学长、数理类课程辅导、朋辈学业辅导、辅导员、学业互助中心在内的一整套融合型学业辅导工作运行机制。

借助这套运行机制，学校的生师互动指标表现在后续追踪调查中得到显著的提升。

这为其它学校提供了基于数据的教育质量改进的正面案例，具备积极参考价值。

★ 综合治理

来自数据公司ApplySquare（申请方）的胡皖琪为大家分享了如何在CCSS数据的基础上进一步挖掘、整合院校现有的其它数据，构建学生学习与发展的综合数据平台，以满足不同教育主体的需求。

通过这种平台，胡皖琪表示，学校可以打通院系和各处室零散分布的数据孤岛，将学生从入口－过程－出口的全链条数据加以整合。

学生可以通过这个平台记录自己的学业发展数据，形成完整的档案画像；

一线教师可以通过平台改进教学、对学生进行个性化培养、预警问题学生、进行招生遴选；

而院校的管理者则可以通过平台把握了解整体情况，从而更好进行工作总结评估和政策的制定规划。

总结

作为CCSS项目的年度会议，本次会议汇集了清华CCSS课题组的老师同学，参与CCSS项目的全国各地研究型大学、应用型大学等院校代表，和有意在未来参与项目的高校代表。

会议分为“项目总结”、“指标构建”、“研究分享”和“院校经验交流”四个部分进行。

除了上述提到的发言内容，其余嘉宾的分享也相当精彩。

项目总结

课题组负责人，清华大学教育研究院常务副院长史静寰教授对项目做了简要的介绍，随后项目助理多蓝和博士生李瑞琳分别对问卷调查执行情况和相应的田野调查进行了总结。

指标构建

清华大学教育研究院副教授罗燕和文雯分别介绍了应用型高校本科教育调查工具的开发和研究，以及国际素养的相关概念、测量和应用。

清华大学教育研究院长聘教授Hamish Coates和博士后郭菲则为大家分享了通过结合CCSS调查数据和院校的公开数据，建构新型的高校人才培养指数的初步设想。

据介绍，这将是国际上少有的加入学生视角，不仅考虑教育投入，更衡量教育增值的指数体系。

研究分享

课题组博士后马淑风分享了自己基于伊利诺伊香槟分校数据，进行的教学共同体的建立与评价研究；

博士生陈乐则分享了他对高影响力教育活动内涵、类型和影响的思考。

院校经验交流

来自河南大学的李桂荣老师根据中国、美国、俄罗斯多国学校共同参与的调查初步数据，做了《基于实证经验审视与反思创新型人才培养问题》的分享。

针对中国大学生在起点上，无论学业能力还是批判性思维都有很大优势，但是在毕业前反而落后，说明我国高校创新人才培养缺失的现状，李桂荣提出了我国高校在人才培养目标定位上缺乏学校文化个性、质量控制上相关问责主体缺失、治理结构上系级管理职能薄弱、学年安排上第四学年育人性差、研究创新上理论实践严重脱机等五方面深刻而坦率的思考，并给出了自己的建议。

最后，主办方还组织参会的各院校老师围绕正在开发的问卷指标，进行分组讨论，以征求大家的意见。

尽管这次会议是CCSS项目的一次年会，但讨论内容却不囿于CCSS本身。从CCSS数据出发，课题组和院校老师们就数据的应用进行了干货满满的分享。

将数据从研究中，应用到院校实际的数据治理，是一个充满挑战的过程，这需要教育研究专家、各院校领导教师以及第三方专业数据机构的共同努力。

此文内容来自：申请方

官网： applysquare

作者：一读编辑部

由近期的菜鸟和顺丰之争可以观察到，数据对于现代企业来说是核心竞争力争夺的重中之重。并非每家企业都能拥有大而全的“大数据”，而就算拥有了“大数据”，对其智能化的分析、重组及应用的能力也是企业是否能够掌握未来核心竞争力的重点。

拥有数亿全球用户的触宝近日被媒体披露完成了1亿美元的D轮融资，这家低调的互联网企业，对于数据如何吸引资本、用户和客户，有哪些自己的想法呢？

这个问题，将由触宝全国渠道总经理宋磊在第七届梅花网传播业大展(MEXPO2017)北京站上与大家进行分享！

第七届梅花网传播业大展(MEXPO2017)北京站将于2017年6月28日至29日举办，这是梅花网连续第七年举办这一高规格的行业盛会。今年6月，MEXPO又将开启营销科技、传播领域的一场交流盛会。

现如今，渠道日益丰富，效果却难以估摸，摆在营销人面前的难题：如何选择有效的媒介渠道?是移动、社媒，还是户外、电影贴片?渠道效果又该怎么评估?对于这个难题，大咖们又有什么什么看法和解决之道?

6月28日，宋磊先生将参加"找到你!渠道的选择之道"环节，为大家带来主题演讲《用通信数据找到TA》，揭秘触宝电话的大数据营销之道。

身边很多朋友提过或者是想要走进大数据这个行业

每个人的Background不一样，能力，擅长的领域都不一样

卡里有一句发自肺腑的话要说给大家听

不是热门的，薪水高的，所谓好找工作的专业就值得去学；

真正值得学的是你理性地衡量了所有标准以后，最适合自己的，才是值得你学的

作为大家的小超人

卡里今天要给大家写一篇很长很长很长的文章

你可以选择 现在就滑出去 不看

然后卡里从此跟你老死不相往来

或者你可以继续读下去

然后卡里仙女可以用仙气笼罩你

首先，卡里给你准备了一篇很优秀的文章里的几句话

这篇文章叫做：在你想要读数据科学的学位前，你需要知道的五件事

“

1

你不一定非得读一个数据的学位；你可以自学，或者去一个boot camp。

不讲笑：此刻你可能需要一个网站

dataapplab

2

数据科学从来就不仅仅是数据，它牵扯了无数个不同的领域。

3

如果有一个专业或者项目提供的课程只是简单地把各种别的相关课程包装一下，别去。

4

理论之上还有不同的理论要去学习，好好掌握基本的理论

5

无论你读不读一个学位，你都要稳步提升自己的软实力。

”

每个小仙女在成为大仙女之前都得知道自己的能力条可以发展到哪里，然后为之努力。

卡里就早早知道自己是不能靠脸吃饭的仙女，于是决定做一只才华仙女。

（有一丢不要脸）

理性，合理，不违背真心地衡量自己是你做出人生重大决定的第一要义。

让我们来举一个可爱的

布吉岛大家还记不记得当年火遍全球的

Pokemon GO!

如果你是一只Pidgey，那你就特别特别努力地进化自己，然后变成一只Pidgeotto，然后再继续努力，变成一只厉害的Pidgeot。你可以做你擅长的领域的大牛，或者你可以做你擅长的领域的数据师，毕竟数据从来都不仅仅是数据。

如果你是一只Eevee，那你可以努力看看，看看自己会变成哪种小精灵。是数据科学家，商业分析师，还是数据工程师？

如果你是一只 Jigglypuff，Clefairy 或者 Pikachu，

请乖乖做一只小可爱好么？

当然你也可以是会数据分析的小可爱。

如果你是一只Magikarp，请认识到自己的潜力，你，就是下一个吴恩达。

好啦 让我们回到正文

【本科篇】

本科的专业相比于研究生，可能课程更具多样性。和别的专业的学生一样，都要修一些General Education，不同领域各种门类的普遍性教育课。然后专业课的部分更多的是对于基础性教育课一层一层的积累，所以相比于研究生再转进去读的同学来说，本科开始读可能基础会更扎实一些。然而，本科的数据专业并不多，而且都很新，加上正规的不正规的，大概齐是有六十个左右的学校开设了本科的数据科学专业。

卡里从中选择了4个项目来跟大家分享。

【Columbia University -- B.A in Data Science】

一个综合排名贼高的藤校，本科设立了一个数据科学的专业，计算机院的专业。

官网上稳准狠地说明了Data Science的本质，不过就是学好了计算机和统计。

从官网的课程设置来看，还是对于学生的计算机和统计功底要求都很高。这对于一部分还没有决定是不是要走数据科学走到黑的人来说是好的，研究生可以重新回到计算机科学的回报或者去做个统计学大牛也不是不可以。

核心课程

Probability Theory

概率论

Statistical Inference

统计推断

Linear Regression Models

线性回归模型

Statistical Machine Learning

统计机器学习

Introduction to Computer Science

计算机科学

Data Structures

数据架构

Discrete Math

离散数学

Analysis of Algorithms

算法分析

看了这些，你是不是有一丢心动？

卡里告诉你：请安抚好你的小心心别乱动，哥大不是你想考想考就能考。

【University of Rochester - B.A / B.S in Data Science】

这个大学是厉害的，同一个专业，你可以选择以BA毕业也可以选择以BS毕业，你要是想以BS毕业，你就得多读几节课。官网里说了，BA呢更自由一些，一般是你想要双专业毕业的话会更合适一些。如果你想深度了解数据，那就选择BS的课程。

对于这个专业设置，卡里觉得是厉害的，

给你，你想要的全部自由，非常适合射手座的一个学校（微笑）。

核心课程

Discrete Mathematics

离散数学

The Science of Programming

编程

The Science of Data Structures

数据架构

Linear Algebra with Differential Equations

线性方程

Ordinary Differential Equations

常微分方程

Computational Introduction to Statistics

计算机统计

Elements of Probability and Mathematical Statistics

概率论与数理统计

Applied Statistics for the Biological and Physical Sciences

生物与物理统计

Intermediate Statistical and Computational Methods

中级统计与计算机方法

如果大家有幸被录取到了这所美丽的学校，可以考虑跳进数据科学的大坑。

【Ohio State University - B.S Data Analytics】

曾经年幼无知的卡里以为OSU只有商学院厉害，后来卡里的老铁去OSU读了Data Analytics，卡里发现，咦，技术也是挺厉害的。介绍它的原因呢是因为它这个专业下有几个很有趣的分支，我觉得作为本科的专业，这一点是比较难得的。因为相比于别的传统专业，数据科学已经是非常细化的专业了，能够分出一定的师资在专业下开设分支以便学生学习不同领域的数据是难得的。

核心课程也没有什么可惊喜的 所有学校都大同小异

Calculus and linear algebra

微积分和线性代数

Data mining and statistical learning

数据挖掘和统计

Database design and cloud computing

数据库设计和云计算

Optimization （这个课是有一丢厉害的，一般研究生的program里才会出现）

最优化

Probability and statistical inference

概率与统计推断

Regression modeling and statistical decision making

线性回归和统计决策

Software design and programming

软件编程

Visualization （这个课也是有一丢重要和厉害的）

可视化

每个学生从下面四个里面选择一个方向专攻，看上去都是厉害的不得了的方向

但基于卡里作为一个本科生 对 本科生群体的了解

选的最多的应该还是Business Analytics 和 Computational Analytics

Biomedical informatics

生物信息学

Business analytics

商业分析

Computational analytics

计算机分析

Social science analytics

社会科学分析

【University of California, Irvine - B.S Data Science】

最重视的当然要放在最后，这是卡里的母校，DS也是卡里当年心心念念的专业。这个专业比较新开设的较晚，它出现的时候卡里已经没有机会转进去了。

毕竟，得不到的就成了卡里心尖尖上的朱砂痣和明月光

当然，也希望得到了的幸运的小朋友们不要觉得这个可爱的专业是蚊子血和饭米粒

好的让我们来看看这个专业的

核心课程

Introduction to Programming

编程

Programming with Software Libraries

进阶的编程

Intermediate Programming

最厉害的编程

Introduction to Writing and Rhetoric

写作和修辞学

Critical Reading and Rhetoric

批判性阅读和修辞

Seminar in Data Science

数据科学研讨会

Calculus

微积分

Statistics

各种统计课

Machine Learning and Data-Mining

机器学习 & 数据挖掘

Design and Analysis of Algorithms

算法的艺术

Information Visualization

信息可视化

UCI 最引以为豪的writing program也是特色之一，在我司之前做的各高校数据项目分析里，Communication and Story Telling也是极其重要的一点，所以UCI在这件事情上是完胜的。其他的呢，公正地说其实和各个program的差距不大，都是以编程和统计为主，然后上一些高阶的计算机课。但Irvine真的是个太好的地方，如果你还在纠结要去哪里读数据科学，Welcome to Irvine！

【研究生篇】

研究生的数据科学Program可就是百花齐放了，要是选起来卡里能选一天一夜，所以卡里先简要地给大家介绍几个厉害出名的Program，然后再说几个比较常见的项目，让大家能够对研究生项目的有所了解。

首当其冲地，让我列出一溜全美最6的数据类研究生项目,

# 排名不分先后，这只是卡里看了一堆文章以后罗列出来的，没有学校塞钱给我好么？

大数据的作用是在海量数据的基础上，通过算法模型，获得有意义的结果，然后优化资源配置，发现现象，未来预测等。

长话短说，让我们用一个例子来告诉你大数据有多么强大。

今天头条:很多数据是别人的，你是怎么得到的?通过数据分析方法提取文字分析，统计分析消除。在今天的标题中，用户点击开始后端服务器有日志，请求一个点击日志，一个临时集群围绕大数据，计算点击率，就像这样可以计算出用户，用户不喜欢再做调整。通过大数据评估点击率，新广告将在一个小时内进行，以观察下一个小时的点击率，广告将进行排名和调整。

摩拜单车:它是通过物联网终端，总是通过数据，发送数据再上去卖钱，交押金做金融，不要说靠你那五毛钱来生产效益。

项目推荐:网站、音乐、电影、网站、电子商务网站将根据您的浏览行为进行分析，并根据您的兴趣向您推荐相应的项目，如爱奇艺、QQ音乐、京东等。

金融:银行利用大数据来分析用户的消费行为、购买能力和还款能力，降低贷款给用户的风险，降低还款率。

信用:支付宝的芝麻增加了更多的维度，如你的关系、教育、汽车等因素来评估你的信用价值，为信用价值高的人提供更好的服务，例如高信用酒店不必支付押金。

智慧城市:现在更具代表性的功能是能够控制路灯的亮度，可以达到节约用电的效果。通过交通流控制交通信号灯来减少道路拥堵。

大数据处理技术的应用使这些方面有了更好的发展，如果不是大数据处理技术的出现，那可能是因为太多的数据处理不过来，或者根本无法处理。这自然会导致一些落后的或根本不可行的企业的发展。当然，将来会有越来越多的大数据应用，比如物联网、人工智能等。前景是光明的。

如果你不知道，那我就给你一个更粗俗的例子，那就是，“你屁股一撅我就知道你拉的是什么屎”这是由于某人或某物经过长时间的接触，了解了彼此足够的信息，促进了对事物的认知，从而对事物有了更多的了解，并期待着下一步的行动。大数据处理技术就是这样一个过程，他的过程可以分为收集、处理、分析和鉴定，这四个步骤的预测。事实上，它是模拟人类对事物的认知和程序的编程和量化过程的过程。

2018据说是大数据元年，各位，快加入大数据的浪潮，世界早晚会惩罚不喜欢学习的人。

罗伯特·S·西纳(Robert S. Seiner) 2018年6月6日 相隔译

在过去的25年里，信息技术的世界已经“戏剧性地”成熟了——我的职业生涯相对短暂。从午夜时分在大学计算机实验室打卡和给露天平台的读者提供材料，到互联网、电子商务、商业智能、大数据、人工智能……人们可能会认为，他们已经见识了一切。

我们只能想象，未来的25年里，我们将面临什么。在21世纪之后，在可预见的未来，管理数据、信息和知识的需求和速度(如果还没有的话)将成为业务驱动因素。

“管理数据、信息和知识将是业务驱动因素。”

如果你还不知道的话，这个短语值得重复几次。一个公司管理数据、信息和知识的能力将决定一个公司能有多成功，或者他们是否能成功。

为了管理数据、信息和知识，公司需要知道他们拥有什么数据。公司需要准确地知道他们的数据是如何被使用的，以及如何使用这些数据来创造竞争优势。要了解这些信息，公司需要管理和使用它的元数据。

元数据是在IT工具中记录的信息，它可以改进数据和数据相关过程的业务和技术理解。(1)这个定义比我们这个行业的人们过度使用的“关于数据的数据”定义要长得多。当您将这个定义分解成几个部分时，它将告诉我们什么是元数据，在哪里可以找到它，它如何有用，以及它将帮助谁。

元数据在未来几年将变得越来越重要。元数据将不再是“周三的信息处理系统之子”(2)，正如数据仓库之父Bill Inmon在《数据管理评论》(data Management Review)中所言。每个公司都有元数据。这是毫无疑问的。数据库构建在元数据之上。数据模型建立在元数据之上。程序、显示、报告、查询、数据迁移……信息系统的所有组件都是使用元数据构建的。这本身就应该表明，管理元数据很重要。但现在它不是。

元数据的问题

关于元数据的问题仍然存在。元数据究竟是什么?管理元数据要花多少钱?如何证明对元数据的“投资”是合理的?谁使用元数据?如何开始管理元数据?这些都是非常重要的问题，在这些问题中，答案将成为决定公司是否继续实施元数据管理策略和实施计划的关键因素。

这些问题并不总是容易回答——特别是当人们的问题有点脱离每日构建的数据和技术架构以支持企业的情况时——即人最有可能不停地改变主意。专家们已经写了很多书来回答这些问题。这些问题不在本文中讨论之列。

作为替代，这里选择了不同的方法。本文不再关注元数据问题的“答案”，而是关注元数据可以回答的“问题”。

问题分类

元数据可以回答的“问题”可分为十类。我之所以选择这10个类别，仅仅是因为它是一个很好的整数。除了这是我以前使用过的元数据的逻辑分解之外，没有其他原因。如果这些类别不适合您的需要，根据您的需求完全可以自行组织。我选择的10个分类包括:

数据库元数据数据模型元数据数据移动元数据业务规则元数据数据管理元数据应用组件元数据数据访问/报告元数据合理化的元数据数据质量元数据应用操作元数据理解分类当你阅读“元数据可以回答的问题”列表时，问自己三个简单的问题:在你当前的环境中:我的公司能回答这些问题吗?我的公司为回答这些问题付出了什么代价?当我们不能回答这些问题时，结果是什么?我猜测，如果您在得出上述关于元数据的三个问题的答案时，您将感到元数据管理怎么这么简单的。许多问题属于多个类别。例如，在数据迁移期间，数据从源流到宿（目标）。向目标执行的操作(赋值)可能来自映射列表(或转换表)，具体取决于源或多个源。当源数据丢失或源值没有指定的目标值(有时称为缺失规则)时所采取的操作可以视为数据迁移元数据或数据质量元数据。我列出了一些问题，如果有必要你可以画出它们之间的联系。这些问题不应该被认为是包罗万象的。相反，应该将元数据问题视为一个“入门工具包”，它可以帮助您的公司理解这一点:这些问题的答案很重要。这些问题的答案并不总是可以得到的。如果IT部门能够访问这些信息，他们将“执行”得更好。“成本节约”和“竞争优势”与通过元数据管理数据有关。元数据可以回答的问题数据库元数据数据库元数据描述物理数据。数据库元数据通常存储在数据库目录或copybook/segment定义中，开发人员和db管理员使用数据库或文件辅助类型工具进行访问。数据是否存在于数据库(或文本/顺序文件)中?哪些数据库存在?存储数据的数据库的物理名称是什么?数据位于何处?(如平台(或dbms)、服务器等)数据库中表的名称是什么?表中什么列?主键是什么?有其他索引吗?表与其他表有什么关系?表是视图的一部分吗?数据库上一次是什么时候更新的?谁最后更新了数据?有哪些文本文件和顺序文件?我的数据所在数据集的物理名是什么?数据位于何处?(比如框架、区域、数据集名称等)有多少个数据版本?数据集是存在于磁带上还是存储器上?哪些拷贝代表文件中的数据?哪些程序使用拷贝?什么工作流驱动程序?如何处理、组合和排序数据?数据模型元数据数据模型元数据描述数据的逻辑设计和从逻辑设计到物理数据的映射。数据模型元数据还可以包括业务规则、实体关系、域值等。数据模型元数据通常在数据建模和案例工具中找到，尽管有些数据模型元数据仍然可能在图表和电子表格工具中跟踪这些信息。存在什么数据模型?哪里可以找到模型?是否存在企业数据模型?谁创建了模型，用于什么目的，项目/数据库等等?谁负责更新这些模型?定义了哪些业务实体，它们存在哪些模型?在数据库(表或系统)文件中表示的业务实体在哪里?业务实体的定义是什么?构成这些实体的属性是什么?属性的业务定义是什么?属性是否具有限制性域?各属性的允许值是多少?逻辑数据模型和物理数据模型之间的关系是什么?物理数据模型是否与逻辑数据模型同步?物理数据模型是否与物理数据库同步?实体和表、属性和列之间存在什么映射?数据迁移元数据数据迁移元数据描述数据从源到目标的移动。数据迁移元数据包括数据的选择和提取、映射、转换和数据加载的信息。数据迁移元数据可以在ETL或数据迁移工具、电子表格、桌面数据库中找到，也可以在编写用于执行数据移动的代码逻辑中找到。迁移数据来自哪里?是系统或其他数据库?用于填充数据的字段是什么，是否为派生字段?数据是如何得到的?计算，条件，还是两者兼具?派生过程中，还使用了哪些数据?数据的值是否依赖于其他数据的值?依赖哪些数据,如何依赖这些数据?目标数据是否允许为null?数据丢失的话怎么办?源数据不符合质量要求时怎么办?当没有为源值分配映射的目标值时怎么办?目标数据具有什么值?这些值如何映射到以前的值?什么时候迁移数据?数据总是以这种方式“迁移”，还是有随时间变化?什么时候触发迁移?业务规则元数据业务规则元数据描述业务如何使用其数据进行操作。业务规则元数据描述定义数据使用的实体关系、基数、域规则等。业务规则元数据通常存在于数据建模或案例工具中，或者存在于工具、文字处理、电子表格或其他工具之外维护的其他形式的文档中。逻辑数据模型中数据实体之间具有怎样的关系?这些实体之间的基数是什么样的?在什么条件下，数据片段可以承载特定的值?一段数据可以承载什么价值?价值的含义是什么?如何创建、更新和删除数据?什么时候，由谁建立的规则?数据管理元数据数据管理元数据描述组织中谁对使用数据所采取的行动负责。数据管理元数据定义组织中的谁定义数据，组织中的谁创建、维护和删除数据，以及谁使用数据或直接使用工作中的数据或信息。数据管理元数据仍没有被几个公司采用(还没有!)，而仅有的几个使用的公司也只使用桌面数据库和电子表格运作。如果你对数据有疑问，你会打电话给谁?谁负责定义、创建、读取、更新和删除数据?具备什么能力和职责的个人可以管理数据?谁是将数据作为工作的一部分的数据“消费者”?哪些信息可以在公司内部共享?公司外呢?谁必须批准才能在公司之外发布报告?谁负责为数据分配可接受的值?怎么让管理程序适用公司的信息政策?信息政策在哪里能找到?应用组件元数据应用组件元数据描述应用程序的所有对象，从数据文件或表到程序、脚本和功能、显示等等。应用组件元数据是组成系统的所有组件以及组件如何共享和重用的交叉引用。交叉引用工具和桌面工具通常是存储这些信息的地方。哪些应用程序组件被认为是标准的可重用对象?这个“可重用对象”是如何确定的?如何测试这些对象，以及谁维护这些对象?什么程序(及数据、显示等)是系统(或过程或功能)的一部分?哪些作业(或过程、脚本)执行程序?程序和作业使用什么数据?数据是如何使用的?如何将数据从程序传递到程序、作业到作业、系统到系统?数据依赖于什么系统?什么系统依赖于特定数据?哪些程序和作业是重用的?在哪里重用?随着时间的推移，项目和工作发生哪些变化?谁编写了程序和作业?谁负责支持和维护程序和作业?哪些程序更新数据?哪些报告显示数据?哪些页面显示数据?数据访问/报告元数据数据访问和报告元数据描述了如何访问数据，以及已经创建了哪些报表可以读取或重新创建。数据访问和报告元数据也可以描述必须采取的步骤来获得授权读取数据,如何解释数据的描述,可用工具,报告的描述,等等。数据访问和报告元数据通常在报告工具和传统类型的文档(如桌面数据库、文字处理和电子表格)中寻找。使用这些数据的报告有哪些?报告的描述什么?如何访问报告?应该采取哪些步骤来获得使用数据的授权?报表如何选择、组织/排序、分组、汇总和显示数据?报告使用了什么数据?什么报告使用我的数据?报告最后一次更新是什么时候?必须亲自制作报告，还是已现成结果?哪里可以找到结果?合理化的元数据合理化元数据描述了标准的“企业可接受”信息片段，以及这些信息片段如何在系统中表示或映射为数据。标准的信息片段可以是数据元素的选择列表，这些数据元素具有可接受的含义、历史、值和/或来自企业数据模型的标准信息片段。合理化元数据可以描述数据元素是同一信息块的程度和差异。合理化元数据通常存储智囊库或传统文档中。公司的标准(核心)要素是什么?这些元素的业务名称和定义是什么?标准元素是如何、由谁选择的?标准元素是否被验证以供重用?标准元素在哪里映射到现有数据?如何使用标准元素?数据质量元数据数据质量元数据描述数据的质量。数据质量元数据描述准确性可信级别、变更管理、数据值和定义的历史，以及随时间变化如何影响数据的理解。数据质量元数据还描述遇到“坏”数据、数据丢失或重复时需要采取的操作。使用数据质量工具、存储库和传统文档类型跟踪数据质量元数据。数据可能的值是如何随时间变化的?什么时候可接受值变了?数据的定义是如何随时间变化的?数据的定义是什么时候变了?什么数据是“坏”数据?对数据进行了哪些质量检查?什么是质量检查程序?该程序是谁写的和执行的?谁分析的结果?数据有多大的可信度?在数据被认为是“低质量”数据之前，可接受的置信水平是多少?计算操作的元数据计算操作元数据描述数据的活跃度和调度中心。计算操作元数据描述数据存储、磁带使用、作业和服务器操作、调度依赖项、异常处理、备份和恢复过程等。计算操作元数据可以通过调度系统、存储系统、操作和服务器系统等找到。计划对数据运行哪些操作/作业?有哪些类型的数据备份和恢复可用?我的数据最后一次被备份、恢复和验证是什么时候?备份和恢复数据需要哪些步骤?谁负责备份和恢复?谁拥有使用数据的安全特权?创建、读取、更新或删除?针对特定数据运行程序/报告的最佳时间是什么时候?哪些操作依赖于来自另一个进程的数据?当作业或系统失败或终止时，应采取哪些行动?当作业或系统失败时，应该调用谁?我们运行的是什么版本的软件?如果许可，我们有多少许可证，谁在使用它们?许可证何时到期?软件的下一个版本什么时候安装?新版本对软件进行了哪些更改/增强?有多少磁盘空间可用?已用了多少磁盘空间?数据以什么速度增长?谁分配存储空间，应该联系谁来回答有关磁盘存储的问题?磁带存储头是如何定义的?

现在，人人口里喊着大数据，许多领域都有大数据的身影，可是又有几个公司真的会用大数据，甚至用大数据给公司带来盈利？实际上，想要充分发挥大数据的价值，个人也是可以办到的，不仅如此，你还可以用数据来挣钱~

那么，什么是大数据，我如何实现个人大数据应用？

我曾经在一个帖子里看到有人这样形容大数据：

在媒体行业中我们每天会收到很多新闻，但大部分其实是用户不感兴趣的，离真正的精准性还有很大距离，而头条号却弥补了这个缺陷，真正做到对客户精准推送新闻。

在广告行业中淘宝百度都有关键词，针对关键词是现在最为精准的广告投放方式，接下来将针对用户的年龄、性别、收入层次、兴趣爱好投放广告，大数据在这方面可以有更大作为。

在零售业中沃尔玛、711这些行业先驱，早已将数据收集分析作为基本业务，产品销量数据、人口统计数据，甚至天气数据都被纳入分析范围，在特定时间上架合适产品。

以上都是大数据的应用，大家可以看出来，大数据真正帮企业做到的不仅仅是精准定位，更可怕的是，我们在大数据面前无所遁形。

实际上，大数据的重头不在数据，因为我们每个公司几乎都有基本的数据，而真正有价值的其实是数据分析。

而达到数据分析，我们需要借助一些应用软件来达到目的。

以下摘自网络：

一、Excel

Excel作为一个入门级工具，是快速分析数据的理想工具，也能创建供内部使用的数据图，但是Excel在颜色、线条和样式上选择的范围有限，这也意味着用Excel很难制作出能符合专业出版物和网站需要的数据图。

二、伙伴云表格

伙伴云表格作为一款多人数据协作办公平台，有着灵活的数据存储和分析功能，满足中小企业的数据管理和数据变化，尤其是电脑端和手机端双向同步，给数据管理者更多的使用空间。而且他有强大的BI功能，可以简单实现数据统计及分析，可以说是目前大多数企业在使用的一款软件。

三、Google Chart API

Google Chart提供了一种非常完美的方式来可视化数据，提供了大量现成的图标类型，从简单的线图表到复杂的分层树地图等。它还内置了动画和用户交互控制。

四、R

R语言是主要用于统计分析、绘图的语言和操作环境。虽然R主要用于统计分析或者开发统计相关的软件，但也有用作矩阵计算。其分析速度可比美GNUOctave甚至商业软件MATLAB。

文/子东

亲爱的小伙伴们，大家好！

我是子东，专注新媒体实战营销/策划/文案撰写/欢迎关注！

今天和大家聊聊，怎样通过大数据来做细分领域的市场定位？

在过去定位理论是最重要的营销理论之一，但是很多营销专家做市场定位的时候，大多都是拍脑门搞来的 灵感。

我觉得这样做非常不科学，因为每个人的认知都是有局限的，而且每个人都习惯把自己熟悉的事物影响无限的放大。

那么就会遇到以下情况;

1:定位的核心原则是什么？

2：真实数据与现实数据不对称怎么办？

3：怎样用大数据科学的去定位市场？

一：定位的核心原则是什么？

俗话说选择比努力更重要，选择不同得到不同，选择不对努力也白费。

怎样去选择产品定位？怎样去选择个人定位？

定位核心有3个原则：

1：市场需求大，且迅速在增长。

2：市场竞争非常小。

3：与自身的资源匹配度高。

说白了是找到细小的细分领域，而且竞争不是太大，刚好与自己的本身资源，能力非常匹配。在这个条件下去做成功的 几率会很高，否则容易失败。

二：真实数据与现实数据不对称怎么办？

在这里给大家举一个例子：

大家觉得外国人对中国最关注的什么？

其实这个问题也不稀奇，很多人都问过。但是答案五花八门，基本都是条件反射性的回答：政治，经济，人权，等问题。

其实这样回答 的朋友是大错，特错。很多老外连自己国家的政治和人权都不关注，换句话说也轮不到自己插手这些国家大事，他们怎么会关注中国的这些问题呢？

早在很多年前我在GOOgle关键词工具查询的时候，我当时搜索了一下“chinese”这个关键词。

工具立刻列出了搜索量最大的前20个包含“chinese”的组合词。看到数据后我惊呆了，搜索量最大的是“中国的xxx”这列词汇中。前20个搜索量最大的词汇，其中“chinese food”和“chinese girl”都在排行10多名。剩下的关键词就是“玄学”。

前面搜索量最大的就是：占卜，占星术，历法，婚姻占卜，算命等相关词汇。

原来老外关注的是中的的传统玄学，这才是真实的数据。

通过这个例子我们不难发现，当你要做市场定位的时候一定要真实的了解市场的需求和动机。不要盲目的去定位和开发市场，否则会一败涂地。

三：怎样使用大数据定位市场？

我们经常看到接头发传单做现场调查的，那些调查公司拿出的数据很多也是不靠谱的。因为他们只是通过几千份问卷得来的数据，其实我们可以免费的直接查看几亿用户的真实数据，有效的帮助自己做市场定位决策。

在哪里查找这些数据呢？

1：百度。

2：GOOgle。

3：淘宝。

4：微信。

5：AMazon。

6：app stroe。

在很早的时候百度就开通了百度指数：http://zhishu.baidu，可以通过百度指数查询关键词的搜索量，搜索量越大说明市场需求越大。

然后再看百度搜索的结果，如果搜索结果排在前3页没有太多专业网站的话，就说明这个市场有很大的机会。

淘宝也是有指数的，不过刚刚关掉了。现在变成了淘宝生意参谋的数据库，通过淘宝书为支撑还有很多第三方网址可以查询相关数据。

你输入一个关键词，就可以查看每天多少人搜索，有多少成交量他们的收入，以及年龄，地域，等爱好都可以一目了然的知道。

如果你想了解全球市场的数据，可以通过GOOgle的关键词工具，你可以直接把查询的区域锁定到某一个国家，某一种语言的具体搜索。

如果你想了解全球电商数据，你可以在亚马逊的关键词工具搜索查询。

用下面这个工具可以查询：

http://keywordtool.io/amazon

这个工具不仅仅可以查看Amazon，还可以查询youtube,bing,App seore,Google的数据。

我经常会用到这些工具去查询，或者搜索一些具体的细分市场。学会这些以后你可以寻找一个非常好的小领域，如果再加上一个超级牛的营销策略，你就可以垄断一个小行业。

学会了这些之后，你就可以给自己找定位给市场找定位。

还可以学习：

写文章引流赚钱，做收费社群，系统化变现的各种秘诀。

如果你想学习这些干货，可以私信我。

好了今天就给大家分享到这里，喜欢的可以转发收藏，欢迎留言点评，码字不易欢迎点赞！

我们下期再见！