导语：每天创建惊人的2.5 艾字节数据; 当今世界90％的数据仅在过去两年中就产生了。这些数据来自各地：传感器用于收集气候信息，社交媒体网站，数字图片和视频，购买交易记录和手机GPS信号，仅举几个来源。寻找将大量数据转化为业务决策有用信息的方法对IT行业和C级管理人员来说是一个越来越大的挑战。这就是今天的顶级技术流行语之一：大数据。而且它没有任何嗡嗡声。大数据有能力大规模改变业务。在这里，我们将看看它是如何工作的。

术语“大数据”描述了指数级增长的数据集，这些数据集过于庞大，原始且非结构化，无法使用传统的数据库技术和技术进行分析。无论是太字节还是千兆字节，精确的数据量都不如使用数据的问题少。大数据有三个维度：体积，速度和多样性。公司充斥着大量的数据，数据以更高的速度被创建和处理，并且诸如社交媒体和上下文感知的移动设备之类的数据类型正在激增。

那么这些信息有用吗？实际上，大数据可以通过多种方式为组织创造价值。首先，大数据可以通过使信息透明化并在更高频率下使用来释放重要价值。其次，随着组织以数字形式创建和存储更多交易数据，他们可以收集从产品库存到病假的所有内容的详细性能数据。这就是公司如何使用数据收集和分析来进行受控实验并做出更好的管理决策。其他人正在使用基本预测数据进行高频临近预报，以便及时调整业务杠杆。

此外，大数据允许更细分的客户和更精确定制的产品或服务。这些复杂的分析可以大大改善决策制定。更重要的是，大数据还可用于改善下一代产品和服务的开发。例如，制造商正在使用从嵌入在产品中的传感器获得的数据来创建独特的服务产品。

为了捕获和处理大数据，公司必须部署新的存储，计算和分析技术和技术。技术挑战的范围和解决它们的优先级将根据公司的数据成熟度而有所不同。但是，遗留系统和不兼容的标准和格式可能会阻止数据集成，并阻碍创建价值的更复杂的分析。这意味着大数据也需要大技术。一些新的和增强的数据管理和数据分析方法有助于有效管理大数据并从该数据创建分析。使用的实际方法取决于数据量，数据的多样性，所涉及的分析处理工作负载的复杂性以及业务所需的响应能力。它还取决于供应商提供的用于管理，管理和管理大数据环境的功能。这些功能是产品评估的重要选择标准。

Forrester Research估计，组织只能有效地使用其可用信息的百分之五。这为优化和改进留下了很大的空间，这就是为什么利用大型数字数据集进行业务决策需要组装一个技术堆栈，其中包括从存储和计算到分析和可视化软件应用程序的所有内容。具体的技术要求和优先级将根据要实施的大数据杠杆和机构的数据成熟度而有所不同。值得这么麻烦吗？总之，是的。使用大数据的商业利益是显而易见的。例如，麦肯锡全球研究院估计，有效使用大数据的零售商可以将其运营利润率提高60％以上。谈到投资回报率，它并没有比这更好。为了从大数据中受益，麦肯锡建议企业领导者采取以下步骤：清点所有数据资产，识别价值创造机会和风险，构建内部功能以创建数据驱动的组织，制定企业信息战略以实施技术，解决数据政策问题，例如隐私，安全和知识产权。

在涉及大数据时，数据政策问题尤其令人担忧。大型数据库通常包含高度敏感的信息，例如公司机密或必须受法律保护的数据。此外，通常需要在数据的可用性和机密性之间进行权衡。如果组织希望数据可用且有用，则结果通常会降低数据的安全性。为了处理大数据以进行实时决策，数据的集中化至关重要。但随着集中化的增加，隔离和保护机密数据的能力下降。

此外，数据集的大小可能使实施安全性和隐私控制变得笨拙。出于安全原因加密所有这些数据将是一项耗时且昂贵的工作，并且会减慢数据处理速度，从而阻碍快速决策。处理大数据隐私和安全挑战的关键是上面确定的第一步：清点所有数据资产。一旦组织了解大数据所在的位置以及所处的数据类型，就可以采取措施，例如投资能够处理大数据量的安全技术，以保护其机密信息。

总结：有一件事是肯定的：大数据仍然存在。但是大数据不只是大小; 这是机会。在这种情况下，它可以在新的和新兴的数据和内容类型中找到见解，使业务更加灵活，并回答以前认为无法实现的问题。因此，从中受益的关键是捕获并处理它，并有效地使用它来做出明智的业务决策。说起来容易做起来难，但到目前为止，结果证明值得付出巨大努力。

大数据探索已经可以改善你的电子商务业务的方式，那么，你有哪些方式开始探索？

大数据风暴已经席卷了电子商务界。这些天，似乎每个人都企图获得进一步洞察客户的能力，来帮助他们的业务发展。在美国，目前有51％的人喜欢在线购物，这使得电子商务找到一个优势。

然而，虽然存在大量的大数据，但并不是每个人都知道如何利用他们。毕竟，你正讨论着将大量的信息分类成可以针对市场并进行行动的细分部分，这种情况在许多小企业中被发现是压倒性的现象。然而，虽然只有少量知识，与竞争对手相比，你也可以曲线般超跃。

下面让我们来一起看看要怎么做：

1

首先评估你的模型

为了知道要使用哪些数据点，你首先必须确定你需要收集的数据。这不仅包括你的商店的趋势，而且还需调查整个行业，以及你的公司如何竞争。例如，假设我有一个专门从事T恤印刷的在线业务，虽然我知道我的订单数据在学校俱乐部、组织和团队召开会议时会有一个订购的增长，但是什么时候是另一个高峰期？为什么这些客户会去我的竞争对手那边呢？

与别人比较，我们需要看两件事情：1.别人在做什么而你还没有做，2.还有什么未开发的客户群可能被忽视。所以，回到我们的T恤案例，或许你的竞争对手有更多的保留项目，因为他们提供定制设计或者有不同的油墨或印刷工艺。虽然负担能力显然会发挥作用，但你收集的和需要比较的数据在尝试破译你需要扩展产品的时间，在这方面的作用将是巨大的。

2

分析你的市场定位

在你的电子商务网站中使用关键的大数据是能够将你的客户群组织成可采取行动的类别。吸引客户几乎总是任何小企业的目标，但不能一劳永逸。相反，你可以将你的目标分解成你可以通过你的营销工作量化测试的部分。例如，如果我出售烹饪用品，那么我想使用大数据来查看我的整体客户群，然后深入了解具体的子类别，如性别、位置、社交媒体行为、收入等等。

知道是什么和如何定位细分是大数据的一个方面，这就压倒了很多人。毕竟，我们都明白，有太多的信息可能是不必要的，但不能精确的知道和筛选。但是，如果你想比任何其他人更好地了解自己的业务，最好的思考方法是通过提出可以进行翻译操作的问题。例如，如果你知道你的业务有20个男性健康的部分，那么请求该组并进一步指定出哪一个？相信我，虽然这一切似乎有点太多了，但当你真正开始营销时，这些事情会变得更加有意义。

3

制定攻击计划

虽然你现在可以了解你的客户是谁，但下一步是找出如何与他们进行互动的方法。 这可以包括举办活动，提供内容，甚至实施坚实的社交媒体策略。 如果你还没有，我强烈建议你研究如何改进你的社交媒体工作，特别是在针对你的行业使用针对数据的定位方面。 这包括通过主题标签，美味口味，以及关于你所谈论的内容以及对话的贡献的热门帖子进行搜索。 正如沃特福德技术公司（Waterford Tech）所指出的，像Facebook这样的公司存储着大约3千多万字节的用户生成数据，使其成为虚拟的信息资源。

当你开始用集思广益的方式来利用大数据来促进你的营销时，请记住遵循一贯的原则。 虽然数据可以很好地接触新客户，但你必须考虑用已经存在的声音，色调和其他品牌因素来吸引他们。此外，许多营销人员对数字太过固化。

最后，重要的是要记住，利用数据分析也和任何营销活动一样，要明确你的业务首先要解决什么问题，以及如何继续执行这一任务。

文/中关村老李

从2012年的“用户标签”到2014年的“用户画像”，从2015年的“大数据”到2017年的“人工智能”，大数据正在从神坛走向现实。“标签”到“画像”，代表着数据在数量和维度上，逐渐在丰富；“大数据”到“人工智能”，表明从原始数据到本体认知的过渡。无论是数据积累的量变到质变，还是数据到认知层面的过渡，大数据已经开始在一些特定领域和场景下为客户解决实际问题，创造价值。本期数据侠专栏，数据侠中关村老李将从产业链、市场、误区、挑战四个部分对大数据市场现状以及下一步的发展提出自己的观点与洞察。

产业链

在2017年初的时候，根据产业的发展我（笔者：中关村老李）将2016年认为的产业链中四个环节压缩至了两个，即数据服务平台提供商和数据解决方案提供商。

通过过去一年的观察发现，虽然市场上确实以这两种角色为主体，但在具体项目中，这二者并没有形成上下游产业链的局面。在一些行业市场中，数据服务平台提供商向前跨越，直接面对行业客户，向他们提供其所拥有的外部数据（往往本身就拥有海量的2C数据入口，可以源源不断地生产2C数据）的粗加工产品（如用户的标签数据等）；而在另一部分行业市场中，数据解决方案提供商，基本使用用户自身的数据，通过数据处理服务，为行业客户提供某个方向的解决方案。在2017年初的时候，根据产业的发展我将2016年认为的产业链中四个环节压缩至了两个，即数据服务平台提供商和数据解决方案提供商。

上面两个角色之间基本没有合作、没有交集，很少在市场上直接竞争。

究其原因，个人认为有两个方面。一个是市场的成熟度决定的，还有一个就是由法律或者说政策环境决定的。

首先，这是由市场的成熟度决定的。目前行业应用市场还处于早期，部分行业用户的需求集中在外部数据的简单加工层面，还没有渗透到行业纵深，与行业的核心业务没有形成深度耦合，对数据服务提供商还没有很深的行业经验要求；另一方面，现阶段大多数“解决方案”提供商，基本采用客户自身的数据，依靠数据处理能力为客户提供数据集成服务。现在的“解决方案”提供商，大多还停留在数据服务的层面，并没有大量应用外部数据的经验，与行业的深度需求耦合还远远不够，自然也没有形成“杀手”级的产品，行业的可替代性很强，与数据服务平台提供商的能力差异并没有充分表现出来。这些，都从不同程度，反映了市场发展成熟度不足的问题。

其次，数据的交易目前在我国还是一个敏感的话题。虽然数据服务平台提供商拥有海量的2C数据，可如何与第三方合作，为行业客户提供他们所需要的解决方案，还是个无法触碰的禁区。6月1日生效的个人隐私安全法（下面简称隐私法），只说明了“干什么”不行，但并没有规定“如何做”才是可以的。而这个“如何做”才行的体系，需要经过几年时间的建立才可能完成。法律环境的滞后，也限制了行业的进一步发展，资源将进一步向掌握数据的巨头集中。虽然这样做便于管理，数据集中在几个巨头手里好监管，不会产生隐私数据满天飞的乱象，但缺点也是显而易见的。数据无法打通，就会形成一个个信息孤岛；数据无法流动，就使数据应用受到很大局限。这一点，恐怕是监管部门最应该尽快解决的问题。

百行征信的出现从某一个角度说明了解决这个问题的必要。

上图的上半段就是现在实际的产业链情况，而下半段是根据现在市场发展的态势。我认为2018年可能会出现的演进。随着大数据被应用到各行各业，大多数行业的数据准备并不充分，数据基础薄弱。要想使数据产生价值，发挥更大的作用，势必需要大量的数据归集与治理，这就是数据优化商的角色。由于增量市场的出现，仅靠现有的解决方案提供商和数据服务平台提供商自身的力量是不够的，这就为独立的第三方数据优化商出现，并存在创造了客观上的空间。所以说，对于大多数行业而言，要想充分发挥数据的价值，首先要从数据的归集与治理开始，磨刀不误砍柴工！

另一个会发生的变化，是解决方案提供商将逐渐拉开与数据服务平台提供商在行业的差距，向行业纵深走，形成差异化的产品和解决方案，成为真正的某一行业的解决方案提供商。而数据服务平台提供商反而会回缩，专注自己的服务平台，支撑众多方向的解决方案提供商以及客户的需要，逐渐完成与解决方案提供商的上下游产业链。

这都是市场在逐渐成熟的标志，分工进一步细化。

市场

经过了过去4-5年的积累，无论在数据上，还是在数据处理技术上，大数据正在某些局部由量变转为质变。在很多领域和场景下已经可以做出很明显的效果。或者帮助客户解决他们的原来解决不了的问题；或者改善原有的方法，提高效率、降低成本；也或者开辟了新的渠道，形成创新的业务模式。

总之一句话，DT就是生产力！

大数据正在被应用到各个领域。这其中当然有很多乱象，存在着很多“误解”，但数据思维驱动的数据应用是大趋势，不可逆转。

从市场对象来划分，可以分为大B（商业体，Business）和高成长性行业的中小B。无论是解决方案提供商还是数据服务平台提供商大多集中在大B领域，如银行、保险、医疗、教育等。这是由他们的公司体量决定的，必须要做对等体量，且确定性较高的市场，才可能保证固定的产出，这是正确的。

除此之外，另一个群体，高成长性中小B也非常值得关注。高成长性行业虽然有很多不确定性，尤其是在现在的经济环境下，中小企业甚至很难生存，但也不是完全没有机会。就在人们普遍认为BATJ垄断下的互联网很难有新贵出现，但这几年依然出现了今日头条、滴滴。所幸，我就在2016年抓住了出行行业（Uber、易到等）的机会，依靠大数据的反刷单解决方案在这一领域迅速地打开局面，并发展壮大，形成了每年数千万的业务。

这就是高成长性中小B的魅力。首先它增长迅速，也会带动生态链上的其他企业快速增长，想象空间很大；其次，中小B本身没有很复杂的决策链，决策周期很短，一般2-4个月，比较容易试错，这对于初创团队是非常关键的；再者，高成长性中小B在高速发展中，不可能完全依靠自己的力量解决所有的问题，这就为建立生态链创造了客观的土壤。这一点，在去年9月参加的一次大数据峰会上，听到了兴业金服的一位负责人也表达了类似的观点。

大数据不同于以往的IT项目，不能单纯地以甲乙方的形式存在，已经超出了传统的建设和被建设的关系。取而代之的，是一个合作共赢，长期共存的生态链。

由于资源（外部数据）的局限，客户不可能通过服务提供商的一次建设，就能够完全掌握并独立运营。时代的发展也不允许客户有时间去慢慢消化、学习、独立运营所有的系统，他们必须要引入数据服务合作伙伴，整合双方的资源，而迅速地形成生产力。社会的成熟，分工进一步细化，“TIME to Market”决定了你没必要也不可能每一件事儿都自己去做。行业客户将注意力更好地聚焦在自己的主业上，而数据部分，会依赖数据合作伙伴来一起参与，共同经营。

所以，客户对外部数据合作伙伴的诉求，是“外部数据”+数据处理”（包括数据处理系统以及数据处理能力）+“数据融合”（这并不等同于数据处理，主要侧重于数据应用；不但需要数据服务提供商具有丰富的数据应用经验，还需要数据服务提供商具有丰富的行业经验，即真正的数据解决方案提供商）。

误区

在几年的数据应用实践中，发现了很多误区。

一是很多客户认为大数据就等于买数据，在应用的过程中生搬硬套

二是对大数据的不切实际的预期，要么是将其神话，要么就对应用的过程缺乏耐心

三是认为有很多数据就应该能马上产生价值，但实际情况是数据准备不足，基础薄弱

误区一：大数据等于买数据

很多行业客户最初对外部数据的认知是从购买外部数据开始。无论是用户画像，还是做其他用途的数据。客户还延续了IT建设的思维，认为所缺的只是外部的数据。有了外部数据，依靠自身的力量也完全可以完成大数据在所在行业的应用。别人搞大数据做用户画像，就也来画像；别人提大数据能精准营销，那也来搞精准营销。并没有从认知层面建立数据思维，对大数据有一个全面的有高度的理解。这种生搬硬套的做法也从某种程度上导致了数据应用效果不好的局面，没有真正将数据发挥其应有的价值。

外部的数据应用是属于跨域的数据应用，需要很强的专业性。这一工作既需要了解市场上各类数据的属性，也需要了解如何将数据加工才能满足行业的需求。并不是每个数据都能为行业的某个需求做出明显效果的；也不是经过一次的采购就能完成的事情。也许，三五年后，当外部数据种类稳定且成熟，行业内部自身的数据专家也可以主动地去选择外部的数据，依靠自身的力量完成与内部数据的融合，去满足业务的需求；但在今天，可能更多的还要依赖外部专业数据团队的帮助。

误区二：大数据是万能的

在外部数据应用的过程中，还有一个主要的误区就是对数据应用的不切实际的预期。要么是将大数据、人工智能神话，要么就对数据应用的过程缺乏耐心。

首先，大数据本身是一门技术，它与其他技术一样都有着它的局限；大数据不是万能的，但是数据思维是可以创造很大价值的。

其次，外部的数据产生的业务场景与行业不同，因而在使用的过程中，就要仔细甄别，不断调整。距离行业需求越近的数据质量越高，做出的产品就越好。但无论多近，外部数据始终是外部数据，其产生的环境与行业的需求大多不会100%契合，所以就需要专业数据团队的进行加工、处理，经过几个轮回的迭代才可能取得好的效果，要有足够的耐心。

误区三：有大量的数据就马上能产生价值

有很多行业用户，依靠多年的积累形成了大量的数据。他们认为有大量数据就能马上产生价值。先不说这些数据的维度和质量能产生多大价值，首先面对的是大量的数据格式混乱，数据字段不一致，要想发现其价值就如从杂草堆里挑出一根针。

对于大多数行业客户而言，首先都面临数据的归集与治理的工作，磨刀不误砍柴工。

无论是“大数据等于买数据”，还是对“大数据是万能的”，还是“有大量数据就能产生巨大价值”都反映了数据应用在大数据在行业的应用尚属初级阶段。

挑战

一、数据缺失

尽管大数据已经经历了五六年的发展，数据无论在维度上还是数量上都已经比几年前有了很大的改变。但是客观上讲，还没有达到质的飞跃。由于相关的法律建设没有完成，大量数据被滞留在少数流量入口处，形成了一个个数据的孤岛。还没有形成数据的有效打通、流转，更谈不上创造新的价值。

我依然坚持2017年初的判断，数据仅在局部市场，特定的场景已经成熟，可以为客户创造很大的价值。但还没有办法形成规模化市场，这是由于数据发展的成熟度决定的。

数据的缺失，并不能靠高明的算法弥补。这与统计模型，大数据还是人工智能都无关系。只能面对这一现实，去寻找先期成熟的市场，尽可能地立足现在的数据以及算法帮助客户解决他们的实际问题，创造价值，形成商业闭环；同时积极地关注其他市场的成熟。数据应用市场与其他早期市场并没有不同，都是由点及线，最后再到面的。这是个螺旋上升的过程，没有捷径可循。

二、数据思维的建立

与数据的缺失相比，一个更大的挑战在于数据思维的建立。我们正在经历一个从IT到DT的跨越的时代。大数据、机器学习、人工智能都是这一跨越中的工具。但不幸的是，很多用户甚至从业者还是沉迷于技术本身，把大数据等同于一个普通的技术，没有上升到数据思维。

数据思维绝不只是技术部门的事情，而是整体战略的问题。数据思维要渗透到每一个部门，每一个环节，用数据去辅助决策，让数据去重构业务流程，数据应用才能发挥其最大的价值。只有将数据思维贯彻到企业的每一个环节中，数据才能真正转化成生产力，数据的价值才能真正得以体现。

大数据技术是战术，而数据思维是战略。

2017年，产业格局越来越清晰。无论是数据服务平台提供商，还是数据解决方案提供商，都在正确的方向上走出了坚实的一步，其价值已经得到了各自市场的认可，进入了良性的循环。虽然，我认为大数据的真正高潮还未到来，短时间内还处于投入大于产出的局面，但曙光在前，已经在一个量变到质变的积累过程当中。随着技术和数据的进一步成熟，随着行业的深入，相信不远的未来（可能是2-3年）将会迎来数据时代的真正高潮！

注：以上内容根据中关村老李在数据侠线上实验室的演讲实录整理，内容有所删减，已经本人审阅。本文仅为作者观点，不代表DT财经立场。

编辑 |陈枫： chenfeng@dtcj

题图 |视觉中国

▍数据侠门派

中关村老李既有二十余年ICT的经验，又有十多年开拓新市场�...

国内大数据服务企业主力阵营：

1、TakingData

TakingData以SmartDP为核心的数据智能应用生态为企业赋能，帮助企业逐步实现以数据为驱动力的数字化转型。

2、友盟+

友盟+基于全域数据、数据技术和商业场景，构建以7亿消费者为核心，覆盖数据化运营、数据营销、新零售数据服务、金融及手机解决方案的数据智能服务体系，驱动业务持续增长。

3、精准科技

精准科技是一家以用户画像为特色的大数据技术公司，致力于推动大数据在营销场景中的使用，业务主要涵盖汽车、金融、房产三大领域。

4、浪潮

浪潮互联网大数据采集中心已经采集超过2PB数据，并已建立5大类数据分类处理算法。近日成功发布海量存储系统的最新代表产品AS130000。

5、腾讯

腾讯拥有用户关系数据和基于此产生的社交数据，腾讯的思路主要是用数据改进产品，注重QZONE、微信、电商等产品的后端数据打通。

6、 探码科技

探码科技自主研发的DYSON只能分析系统，可以完整的实现大数据的采集、分析、处理。一直做的国外项目美国最大的律师平台、医生平台和酒店、机票预订平台的数据采集、分析、处理。将在国内推出一系列面向政务、企业的创新型大数据研究项目与合作，为各大企业提供高端信息技术咨询服务。

7、中兴通讯

中兴通讯推出的“聚焦ICT服务的高效数据中心整体服务解决方案”，可帮助运营商有效解决大数据时代建设IDC面临的大部分问题，提升运营商ICT融合服务能力。

8、神州融

神州融整合了国内权威的第三方征信机构和电商平台等信贷应用场景的征信大数据，通过覆盖信贷全生命周期管理的顶尖风控技术，为微金融机构提供大数据驱动的信贷风控决策服务。

9、中科曙光

中科曙光XData大数据一体机可实现任务自动分解，并在多数据模块上并行执行，全面提高了复杂查询条件下的效率。

10、华胜天成

华胜天成自主研发的大数据产品“i维数据”，颇具创新，近期又与IBM达成战略合作关系，涵盖Linux on Power市场、智慧城市、存储业务、管理服务、咨询与应用管理服务。

11、神州数码

“神州数码”启动了“智慧城市”战略布局，先后推出了市民融合服务平台、自助终端服务平台等产品，并在佛山、武汉等“智慧城市”建设中实践运用。

12、用友

用友在商业分析、大数据处理等领域进行研发，先后推出了用友BQ、用友AE等产品。

13、东软

东软大数据战略以医疗行业为突破口，凭借在社保、医疗行业积累的资源，搭建了东软熙康这一智慧医疗平台。

14、金蝶

金蝶KBI与金蝶ERP无缝集成，实现BI数据采集——集成——分析决策支持的一体化应用。

15、宝德

宝德大数据云备份，是一个专为大数据而设的云备份方案，支持实体机及虚拟机备份，而且具有无限扩充的可能，并且完全自动。

16、启明星辰

大数据时代的IP治理和审计，启明星辰提供了终端审计、终端数据防泄露、日志审计，通过综合审计平台来帮助用户解决IP治理需求等解决方案。

17、拓尔思

拓尔思通过收购天行网安，可以拓展在公安行业的应用，目前正着力开拓行业应用市场，挖掘各个产业链中的大数据价值。

18、荣之联

零售、证券、生物、政府等都是荣之联大数据业务的主要目标行业，已为零售业提供了大数据分析的解决方案，解决了库存问题。

19、中科金财

中科金财作为国内领先的高端IT综合服务商，主要服务于金融业的大数据。

20、美亚柏科

美亚柏科专注于公安市场，其业务包括电子数据取证、电子数据鉴定、网络舆情分析、数字维权、公证云、搜索云以及取证云服务。

21、赛思信安

国内存储技术与服务供应商赛思信安推出了自主研发的大数据管理系统，适用范围包括互联网、公众服务、商业智能、金融、医疗卫生、能源等多个行业。

22、华宇软件

华宇软件作为大数据、食品安全、法务软件等相关热门行业软件，同时也是公安领域大数据的上市公司。

23、天玑科技

天玑科技的数据中心运维管理服务，为大数据的分析能力提供了强大的后台支撑和保障。

24、东方国信

东方国信主营业务为企业商业智能软件及系统解决方案，收购北科亿力和科瑞明，有效拓展了工业和金融大数据领域。

25、华三

华三全融合虚拟化网络技术能够极大简化网络结构，减轻网络管理和维护量，为企业数据中心大规模建设提供最强有力的技术支持。

26、海康威视

海康威视基于英特尔Hadoop发行版，并融合可以灵活按需调配IT资源对应用和服务进行支持的开放架构云计算技术，打造出了视频智能云计算方案。

27、高德

高德与阿里将在地图搜索、产品商业化、数据共享、云计算等领域展开合作，特别是在数据共享方面，高德和阿里巴巴将共建一个大数据服务体系，

28、四维图新

作为提供导航地图、地理信息系统软件建设的内容提供商，现在已尝试使用大数据为政府部门提供决策。

29、海捷科技

专注于商业智能领域(BI)、数据仓库领域、数据库领域的专业咨询、项目实施、软件开发、系统集成等方面，为金融、电信、快速消费品等行业提供相应方案。

30、北京信合运通

信合运通专注于为运营商和行业客户提供基于大数据的深度分析和挖掘技术、渠道支撑服务及行业解决方案。

31、海云数据

海云数据专注于从事数据可视化，可为客户提供数据可视化的创意设计、制作和软硬件集成系统服务。

32、九次方金融数据

九次方金融数据在国内唯一以企业大数据分析的角度对有投资价值和并购价值的企业进行价值判断，持续跟踪企业动态变化的金融大数据公司。

33、永洪科技

永洪BI通过完全自主知识产权的数据集市产品(Z-Data Mart)支持大数据，Z-Data Mart汇聚了数十项自有专利，涵盖了分布式存储和计算、分布式传输和实时通信等关键领域。

34、集奥聚合

集奥聚合作为大数据服务提供商，其DataQuate解决方案主要用于解决运营商大数据的接入、挖掘及应用，为运营商大数据的价值转化提供端到端服务。

35、华院数云

华院数云以数据挖掘为核心、以商业智能和精准营销为主线、以SAAS云平台为主要服务模式，目前专注于电商领域，为客户提供行业领先的数据分析和精准营销平台服务。

36、杭州诚道科技

杭州诚道科技致力于为浙江、全国公安交通管理行业提供一流的信息化服务、产品和方案解决能力，其借助英特尔Hadoop分发版，已解决了大数据的采集和处理问题。

37、勒卡斯

勒卡斯是致力于为客户提供全方位直复营销解决方案和服务的大数据公司，主要有潜客沟通、会员管理、CRM软件定制及客户市场调研四大业务。

38、北京阿尔泰科技

北京阿尔泰科技专业数据采集系统的制造商。

39、智拓通达

智拓通达主要做中国主流社交平台的“大数据”分析，通过整合各大社交平台的用户数据、行为数据和 UGC 内容，为企业和个人用户提供定制化服务。

40、国双科技

国双科技数据中心拥有基于OLAP技术的强大交互式数据挖掘平台，可提供不同深度的分析报告，满足不同视角的数据挖掘和分析需求。

41、时云医疗科技

时云医疗科技今日发布了医疗领域的大数据“未病”预警云服务“康诺云”，有针对个人健康管理而设计的云律血压节律仪、云悦体质分析仪和云动智能健康监测腕表3款智能硬件。

42、百分点

百分点主要为电子商务企业提供站内流量转化和商业智能分析的整体优化解决方案，旗下有推荐引擎技术平台以及跨网站消费偏好平台。产品主要有BRE和BAE。

43、精硕科技

精硕科技是国内少有的第三方数字营销监测和调研机构，专注于为广告主提供全流程的网络广告效果监测、分析评估、媒介优化咨询和技术解决方案等服务。

44、神策数据

神策数据立足大数据及用户行为分析的技术与实践前沿，业务现已覆盖以互联网、金融、零售快消、高科技、制造等为代表的十多个主要行业、并可支持企业多个职能部门。

45、百度

百度的优势体现在海量的数据、沉淀十多年的用户行为数据、自然语言处理能力和深度学习领域的前沿研究。近来百度正式发布大数据引擎，将在政府、医疗、金融、零售、教育等传统领域率先开展对外合作。

46、阿里巴巴

阿里巴巴拥有交易数据和信用数据,更多是在搭建数据的流通、收集和分享的底层架构。

47、华为华为云服务

整合了高性能的计算和存储能力，为大数据的挖掘和分析提供专业稳定的IT基础设施平台，近来华为大数据存储实现了统一管理40PB文件系统。

48、同盾科技

同盾科技将人工智能与业务场景深度结合，为银行、保险、汽车金融、非银行信贷、基金理财、三方支付、航旅、电商、O2O、游戏、社交平台等十余个行业客户提供高效智能的风控、反欺诈及营销分析服务。

49、国双科技

国双科技是中国的企业级大数据和人工智能解决方案提供商。

50、智慧足迹

智慧足迹是由中国联通和西班牙电信合资成立的专业大数据公司，依托中国联通的数据能力，提供位置信息洞察及相关大数据业务。

大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。

谁能接触到数据

国内冠以大数据之名的企业数以千计，但细分其专注领域，大致可归属三类：其一，平台型企业，例如华为、星环科技、浪潮、新华三等;其二，工具型企业，例如在数据采集、数据分析、数据清洗、数据可视化等领域中的海量数据、帆软软件、明略数据等;其三，应用型企业，例如百分点，以及国内诸多行业方案商多属于此类型。

不需否认，大数据已在国内诸多行业领域展现出其价值，但深究典型案例，应远未如媒体宣传中显著。为何?有资格被称为大数据企业，取决于两个先要条件：其一，掌握或接触到用户数据;其二，有能力为用户提供数据服务。

先观察首要条件，大数据企业能否掌握，或接触到用户数据。答案：很难。除互联网公开数据之外，第三方能接触到的数据资源着实有限。以IT方案商为例，此前其以为用户设计、实施行业应用软件为主营业务，理论上距离数据最近，但就如建筑商，建设了广厦千万间，建设了条条大路通罗马，也不能掌握居民和车辆信息一样。方案商实施了行业应用软件，其中也承载了海量价值数据，但这并不等同于能接触到数据。

退一步说，在企业意识到数据也是资产，数据也能创造价值后，其正急需寻找数据服务商，或数据运营商。而能够承担此角色者，IT方案商应为首选。原因?方案商为企业用户提供了十余年IT服务，多少会产生些信任度，从IT服务，延伸到数据服务，应为顺其自然。

而问题又由此而来，大数据真的有用吗?实施了铁路车辆检修大数据系统，工人手中使用了几十年敲敲打打的“小铁锤”就能退休?实施了金融风险管控大数据系统，其结论是否能直接自动导入金融机构业务流程，而无需人工干预?答案基本否定。

做大数据真的能赚钱吗?

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) 做小而美模式的中小微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

首先，大数据工具类企业业务模式相对简单，其只是产业链中的一环，实现盈利相对容易。其次，大数据平台型企业，其盈利模式比较复杂。单纯依靠销售大数据平台几乎不可能产生经济效益，而基于不同的业务出身，其业务模式又可分化为三个流派，一类企业希望以大数据平台带动底层硬件产品销售;而另一类企业，通过提供支持标准的SQL接口，依靠提供数据服务实现盈利。当然，第三类企业比较“野蛮”，希望通过数据，或基于用户数据的服务直接变现。

而除此之外，业务模式更为“枯燥”的是大数据应用类企业。通常行业方案商的大数据业务范畴包括：数据获取、整合、治理、应用和展现等，其中尤以数据治理最苦最累，在大数据项目中50%~60%的工作量也集中于此，不要忽悠什么人工智能、深度学习能解决此类问题，基本还属于纸上谈兵的阶段。

问题由此而来，脏活累活总还是要有人干。配备10名数据科学家不能算多吧!月薪1万元要也不算苛刻吧!如此算下来，稍有实力的方案商大数据部门，年均人力成本就应在250万元以上。250万元?要做多少大数据项目，而且前提是要保证每个项目间要有很好地时间衔接，还要保证每个项目的能力需求都要与数据科学家的专长技能相匹配。

同时，与云计算不同，云计算考验方案商纯IT方面能力，而大数据项目则需要方案商数据科学家与行业团队，以及用户业务专家紧密结合，合作建立基于应用场景的数据分析模型。由此，每个项目的成功均需具备“天时、地利、人和”。也就是说，单个大数据项目的定制化程度相对较高，达到50%~40%，项目间很难具有可复制性，方案商也因此较难建立成熟的大数据项目盈利模型。

不管是依靠数据服务，还是行业应用定制，中国大数据产业仍需极大的人力消耗，成熟的盈利模型尚未建立。

传统的方式认为，餐饮业与数据应该是不着边的，但随着信息化的不断发展，餐饮企业对于数据方面的重视程度越来越高，也意识到需要通过数据来了解菜品的销售情况以及顾客的习惯和口碑爱好等信息。

关于眉州东坡集团

1996年眉州东坡酒楼开业，在03年的时候成立了餐饮公司。经过20多年的发展，现在公司旗下一共有六个品牌，从酒店到小吃快餐。除去品牌之外，还有一条产业链，主要目标就是川菜的标准化，产业化。主要涉及源头采购、生产加工以及最后的物流配送。

数据分析实例

一家新餐厅的开设，前厅和后厨的面积应该是怎样一个比例？二人桌、四人桌、八人桌以及包间该怎么搭配摆设？这些信息在过去都是凭借经验去决定。通过对以往餐厅数据的统计和分析，可以得到一个准确的数据参考，降低开设的风险。

以往公司的领导比较热衷于大店的模式，但是到底适不适用，并没有一个准确的结论。后来针对这些门店做了一个评测方面的数据分析，分析每平方米可获得多少营收。最终发现小型门店所获得的效益要比大型门店高。因此针对这种情况，公司在战略上做出了相应的调整，降低部分大型门店的数量，增加小型门店。

信息化建设历程

2013年以前，公司信息化建设处于初始阶段，每个系统之间的集成都是孤立的，在特定平台上的。在第二个阶段，逐步开始引入企业范围的数据责任人体系，数据标准，数据管理规范，数据检查工具，数据管理流程等。公司引入了帆软报表，将各系统的应用数据做了个集成，通过这些分析顾客的消费习惯，消费频次等信息。公司还引入了新的物流系统，仓储物流系统。在这一级中，公司通过帆软报表简单的做了一些数据分析报表，之后又单独开发了一些用于检查数据的小工具。建立了数据库，然后从原始的数据库里面提取一些指标性的东西，然后进行单独存放。到了第三阶段，数据集成有了一定的基础，在这个基础上公司做了一些更深刻的开发。未来，计划把眉州东坡的电商平台和电商业务做成标杆，在未来的三年将会建成全版图的信息化系统。

作为餐饮行业，餐饮与会员的简单集成在这之中扮演了相当重要的角色。首先是自助点餐和餐饮人员做了对接，自助点餐就是客户通过扫二维码，在移动端上点餐、下单，最终会到餐饮软件中。在14年，公司建立了自己的电商平台，包括现在的百度、美团等外卖平台，都是和公司的电商平台的对接。最终系统进行集成，通过数据决策平台展现出来。

餐饮系统

眉州东坡在全国有一百多家门店，这些门店在当天营业结束后，会将当天的数据以压缩包的形式传至数据库服务器之内。数据服务器会将压缩包处理，然后放到数据库A中，之后选取一些指标性的数据，通过触发器并关联其他的一些表，将数据插入到数据库B，之后通过数据库复制技术，在应用服务器上做数据库B的实时备份。发布的报表全部都在应用服务器上。

为了能够实时了解餐厅的经营状态以及眉州中、基层管理人员常在餐厅走动很少坐在PC前的特性，公司着重开发手机报表。信息部从2015年中开始，公司利用帆软报表FineReport来开发自主的手机app报表，现在用户已经涵盖公司高层、中层、基层的所有管理人员以及普通员工。

报表从设计到最终制定只花了三个月，报表中的每个模块都可进行连接，总共链接出的报表有30多个。基本涵盖了所有常见的业务。每个模块设有微信分享链接，可以微信形式发给总裁。

仓库物流系统

今年的5月1号，餐饮企业实施了营改增，眉州所使用物流的系统不具备记录税率等相关信息的功能，信息部承担起了开发系统的任务。从了解物流系统数据库开始，自建数据库用于相关信息的存放，最后部署数据模板。

打印凭证

点击打印凭证之后，会自动把这些数据提交到数据库里。提交之后它、会生成这样的一张入库验收单，这是系统打印，之后打印的时候会打印到这样纸制版的验收单，然后确认。

整体来讲，帆软报表系统的有点一个是简单易学，只需要了解数据库表，然后之间的关联关系，然后你就可以通过拖拖拽拽形成一张报表；另一个是部署方便，直接部署；其次维护简单，从14年数据决策系统正式上线以来，没有出现过大问题；然后是灵活；最后帆软的产品一直在根据需求不断的改进。

大数据决策平台建设的心得体会

1、基础资料的统一：在做数据分析的时候一定要有数据，并且要保持数据的安全，这个是前提条件。必须保证所有的数据资料是一致的。如果数据不统一来进行数据分析，那么涉及到业务型的问题就会比较麻烦。

2、要进行多方面的数据整合：如果说要通过数据查找问题的所在，就需要关联一些其他的数据业务数据，进行问题的查找，然后才可以得到解决。

3、数据主权的回收：数据的充分回收而不是留在本地和开发商手中，才能保证数据分析的顺利进行。

随着云技术的快速发展以及国家机关对推动企业上云的支持，各行各业都在“云”中快速成长，云时代正悄然来临，云计算必将成为未来所有IT应用的基石。而大数据作为数据应用分析的基础技术，也将会变的越来越重要，大数据为人工智能提供基础物料，为企业决策者提供数据支撑。未来，大数据将成为企业、社会和国家层面重要的战略资源。大数据将不断成为各类机构，尤其是企业的重要资产，成为提升机构和公司竞争力的有力武器。企业也将通过大数据实现业务创新，获取更多价值。

迅达云大数据平台，挖掘多维度热点内容分析、网站资源的关联分析评估、投诉故障定位处理，从三个层面提升网内资源引入针对性、加强已引入资源流量贡献、提高互联网业务故障投诉定位准确性。迅达云大数据平台支持多种数据源接入，以 Hadoop 主流框架为核心，融合优秀的开源技术，支持 MapReduce, Hive, Spark 等主流框架。当集群规模很大或运行时间过长时，经常会遇到某台机器宕机的情况，迅达云大数据平台可以在集群机器出现问题时，秒级感知集群状态，及时踢出或重新拉起问题机器。

迅达云大数据平台系统架构

迅达云大数据平台将数据的完整走向分为7层：

首先，在数据源这一层，我们知道数据有很多种，有在关系型数据里面存储的结构化数据，有日志形式的半结构化数据，也有视频音频这种非结构化数据，迅达云大数据平台可以将三大类型的数据都采集到集群中。

对于数据集成的过程，迅达云大数据平台既支持全量非实时的接入，也支持增量形式的实时接入。比如，想看一个人在某个页面停留多久，对即时性要求比较高，可以采用实时的流式接入，而对于对实时性要求不高的（比如第二天才要数据结果），则可以采用非实时的数据接入。

数据接入进来之后，需要存储。数据的安全很重要，应对现代的应用场景，单机的存储已无法满足需求，数据丢失会导致很大损失，所以迅达云采用的分布式存储。对于结构化数据，迅达云采用的是分布式数据库来存储。而对于非结构化和半结构化数据，是Hadoop的主流框架HDFS存储。

再往上一层，经过整体的资源调度，应对不同场景，不同的处理需求，迅达云大数据可以提供离线计算、流式计算、交互式查询和内存计算，最后将处理结果可视化呈现。对于大数据的集群状态，迅达云也有运维监控平台、智能作业调度，以及元数据管理等。

迅达云大数据平台功能及服务

数据源集成

支持全量离线接入和各种日志数据的增量，以及准实时接入、RDBMS的数据接入。

数据存储与计算

支持不同的存储方案和计算方案，灵活满足客户的各类场景。

元数据管理

通过数据地图、数据字典、数据血缘三个方面保证企业的元数据标准，同时对主题、维度、指标进行一致性定义和管理，解决了数据生产过程中的质量问题。

数据应用开发

提供SQL开发、依赖配置与调度管理、交互式查询等，提高开发效率。

迅达云大数据平台优势

DNS数据分析

提供域名解析分析和运营监控的能力。

日志分析

提供网络流量、访问来源、带宽利用率、丢包率、延时等与网络质量状况相关的内容。

智能调度

对海量数据分析，实现对不同地域引入流量的管理，提高资源利用率。

迅达云大数据平台适用场景

运营商DNS日志分析

通过迅达云大数据运营平台为DNS日志提供各种维度的数据分析，解决单机服务能力的限制，提供动态计算能力和分布式数据存储功能。

DNS日志分析平台为运营商提供域名解析分析和运营监控的能力。

分析每天出网流量、出网趋势对比和详情

分析本省的各个地区的流量

分析移动和PC用户流量的占比

分析DNS解析的域名数量等情况

同时，还可为运营商提供业务分析。

根据现有数据和历史数据导入算法模型，预测未来IDC规模量的变化，Cache数量，CDN走势波动状况，方便运营商提前调配资源，另一方面能够及时发现流量变化问题，提高服务质量。

由运营商内部考校标准，通过无监督聚类算法搭建的模型，找到影响本网率的重点域名，方便运营商方与内容提供商进行相关业务沟通，从而更好地提供服务，降低运营成本和缓解通道压力。

案例展示

以上是运营商日志分析结果图（本图仅作案例展示，为保护客户隐私，图片已做特别处理），从当日用户流量的维度来看，可以很直观的看到固网用户和移动用户的比重；从流量走向的维度看，社交娱乐的流量最多；从省份维度来说，A市的流量使用占比最高。对于流量多的城市，可以调配更多资源来提高服务的稳定性。同时，也可以通过这些流量走向，利用机器学习算法来预测未来的IDC规模量变化，帮助运营商及时扩充机房，降低运营成本，缓解通道压力等等。

迅达云大数据平台助力企业实现业务创新

网络故障预测，帮助运营商提升运维效率。对DNS解析的数量变化和成功率、CDN缓存命中率和回源量、应用服务器峰值流量和告警等数据进行进行综合分析，预测网络设备的故障率，以改进网络的可靠率。

流量分布分析，为运营商进行网规网优提供依据。按照各地市维度对网络流量的分布进行分析，掌握各地市的互联网用户访问量和网络承载能力状况，为网络扩容规划、网络结构优化提供定量化的依据。

流量流向分析，为运营商开展内容引入提供指导。通过网内和跨网流量的监测和分析，将用户跨网访问的热点内容引入到运营商网内，提升本网用户的访问体验，同时有效降低网间结算支出。

用户行为画像，为运营商开展流量经营提供支持。从海量日志信息中提取用户特征和行为数据，包括地域来源、访问时间、访问路径、访问域名等，形成用户画像，进行个性化内容推荐，增强用户粘性。

此外，迅达云大数据平台可以对不同领域的运营商进行数据的深度定制，并提供一对一的算法与服务支撑团队，利用迅达云的平台集成优势，提供一站式服务体验，降低实施和部署的成本。

首先问大家一个问题，什么是企业最重要的资产?我想大部分人可能会说是企业的固定资产或劳动力或人员流动之类等等。但是，超过上述所有情况，任何企业或组织最重要的资产都是它的信息，每个企业的未来取决于他们现有的数据和管理的好坏，由此可见数据的重要性，本文就重点讲述数据对于各行各业大小企业的应用。

我们生活在一个数字化的世界里，一切都可以在互联网上找到，根据商业(特别是电子商务和社交媒体)的变化趋势。互联网的使用已经成为每个人日常生活的必需品。现在所有的交易都通过互联网进行。公司最大的挑战是记录客户的每笔交易。难点在于，企业必须记录每天生成的大量数据，而如何合理管理数据是企业最头疼的。而且数据包括各种类型，如非结构化、半结构化和结构化数据更是让各行业数据维护举步维艰。

大数据是什么?

每个企业每天都会生成数据，数据量根据企业业务的复杂度而变化。如果业务量大，我们可以很容易地使用常用的软件工具来管理，但是如果业务体系庞大，那么就将这些数据合理归档整合。这就是我们称之为“大数据”的原因。大数据能让用户处理大量的原始数据，并根据业务需要进行合理分析报表，以备将来参考和预测。大数据有助于管理数据，并为将来的有用目的存储全部数据。数据首先在不同类型中生成，包括非结构化数据、半结构化数据和结构化数据。大数据获取任何原始数据并将其处理成结构化数据。公司利用他们的过去和现在的数据来预测未来。大数据帮助企业获得利润，并在全球范围内扩大业务活动，并提供大数据。它不仅预测了未来的收益，还有助于预测未来的问题和趋势。它有助于企业做出重大决定。

政府行业

政府通常将历来数据进行汇总和分析规划未来发展趋势以及做好预防工作。大数据帮助政府机构为他国家制定计划。如政府利用人口普查来扩大或向全国的每个人提供福利，利用食品溯源管理追踪食品安全等等。

教育产业

教育部门需要不断的改进，为学生提供良好的教育。大数据帮助教育机构利用这些数据来跟踪学生表现的变化，他们使用数据来实现变化。它还有助于设计教育形式，帮助学生更好地让世界变得更好。

医疗保健行业

卫生部门使用其病人记录、治疗计划和过去用于治疗不同疾病的药物，这将有助于该部门改善治疗或向患者提供更好的医疗援助。它还可以提高行政管理、成本管理、人力资源/人员管理和供应管理的效率。

制造业

制造部门必须采购原材料，并维持必要的人员生产高质量的产品和服务。制造业的常规和持续的任务产生大量的数据。大数据可以帮助制造商减少成本和浪费，并帮助他们在更短的时间内制造出高质量的产品。大数据让制造商能够预测未来的需求，基于此，他们能够及时生产和供货，最终带来更高的利润。

零售行业

零售业是与顾客有最终联系的行业。它必须记录客户的数据——包括顾客的品味、偏好和生物数据——以便与他们保持紧密联系。客户关系是在业务开发中发挥关键作用的重要途径之一。大数据提供了解决复杂问题的准确信息，这些问题与零售业有关。我们可以清楚地知道该做什么，什么时候使用大数据。

结论

我们生活在信息时代。信息是任何进一步行动的一个关键方面。定期记录大量的数据需要一个更好更有效的软件工具。大数据是存储高数据量的最终来源，并以一种可以理解的方式处理它，我们可以预测行业未来的动态发展。

更多精彩内容，关注小伍

在国内传统行业的大数据项目建设案例中，我个人比较推荐的有两个大数据案例非常值得大家关注。第一个是民生银行阿拉丁大数据，第二个就是今天要给大家分享和总结的美的大数据。

之所以比较推崇这两个大数据案例，核心原因是因为这两个案例可以让我们非常直接的看到大数据是如何帮助企业实现业务价值的 —— 以业务驱动、数据驱动真正形成业务上的决策指导，让企业的业务决策、经营决策、生产决策、市场打法能够真正的落地，并产生实际看得见摸得着的实实在在的价值：比如利润的提升、市场产品的份额增长、经营成本的降低等等。

相对于这两个比较非常成功的案例而言，很多企业在设计和规划大数据项目的时候会存在很多的困扰 —— 大数据好，好在哪里？我们为什么要上大数据，上了大数据能解决我们什么实际的问题？利润的增加？成本的降低？找出之前我们没有意识到的环节和问题？或者带来新的业务模式让企业更好的获利。这些问题会带给大家困惑，也是很多关心大数据的朋友们想要迫切了解的。很多企业能够意识到大数据驱动的价值，也并不是不敢投入，而是担心投入之后不能看到实际的效果，这是最大的问题。

参加过几次美的大数据内部或公开的分享会，在征得美的、美云智数团队的同意后，挑选出了几个美的大数据实现业务价值落地有代表的案例与大家分享。

美的大数据业务价值实现之一

完善产品细节、投诉率降低40%

很多人可能还不能直接想象到数据和产品品质有什么样的直接关系，但是我们需要去想象一下这样的一个业务场景：产品品质对于制造行业来说这是一个企业的核心生命线，每从一个生产线上出一个产品，通过内部质检，通过各种渠道到达终端店铺、各种电商平台。产品上架了，如何判断这个产品的在大家心目中的质量和品质怎么样？

仅仅靠销售量吗？很显然是很局限的。靠内部质检通过率、返修率、投诉率？这个思考的方向是正确的。但内部质检通过率高、返修率低、投诉率高这个冲突的问题定位又该定位在哪里？

美的有一款新的家用产品投入到市场，质检通过率返修率都没有什么问题，但是对在电商平台上抓取的用户评价数据进行分析，分析结果显示用户的吐槽率是比较高的。但通过用户回访，客户自身也说不清什么原因，就是反映产品漏了配件。这个很显然就是售后部门和产品部门的博弈了，在产品质量层面是没有问题的，该检查的也检查过，但投诉和丢失配件的评价依然存在，一时间也找不出来到底是哪个环节出现了问题。

但数据是不会骗人的，这个吐槽和投诉率就是实际存在的。最后数据部门和制造设计部门通过认真分析和对以往用户回访用户所反映出来的问题，以及还原用户在使用该产品的场景过程中，找到了这个问题的一个疑似原因：在该产品的设计包装中，包装箱上面的泡沫盒有一些配件，包装箱底层的泡沫盒也有一些配件。用户习惯是拿出上面的泡沫盒，再拿出产品，一些用户就忽略了底层泡沫盒中放置的配件顺着箱子就给扔掉了。

后来设计部门对该产品的包装设计进行了改善，重新投放市场，之后通过每日的数据追踪和分析，该产品的投诉率直线下降了40%左右，这是一个非常典型的利用数据发现问题，结合业务判断问题的场景。

大数据会直接发现这个原因吗？并不会。但是通过大数据（内部数据、外部各种电商平台海量数据抓取、评价反馈、文本分析、关键词定位、打标签）可以帮助美的快速定位问题所在的那个核心爆破点。通过对业务流程的熟悉和了解就可以快速判断可能的原因，进而快速改进产品再投入市场再通过大数据不断验证并获得成功。

所以，大数据在这个过程所起到的作用是：发现可疑现象或者问题，分析和问题定位，和尝试解决问题之后的验证。验证成功则证明判断正确，验证失败再回归到这个流程中来。

很多人在想，这不就是一个抓取数据分析和判断的过程吗，算是大数据吗？但要仔细想想，这种场景的时效性和美的产品线的丰富程度，需要对外部海量结构化或者非结构化的数据进行快速处理和分析则正是大数据所擅长的。把这种应用场景进行延伸，就意味着美的的每一项产品一旦上线，就都可以通过这种方式帮助和改进产品并完善产品细节，而这一切就是通过大数据来实现的。

这是美的大数据建设中一个非常真实且很普通的案例，大数据有没有落地？有，投诉率直线下降40%就是最好的落地，很好的实现了业务价值。

美的大数据业务价值实现之二

理解用户需求、产品博弈

在没有自己的大数据平台之前，很多的用户需求分析和制造产品是割裂的。什么意思呢？产品设计人员对于一款产品比如电暖器的功能和外观设计基本上是凭经验的，通常认为电暖器只需要把取暖做好就可以，这是取暖器的核心功能。

但是，一个企业的成长应该有上进心，一个好的产品也应该不断与时俱进独具匠心。通过美的大数据平台发现在关于取暖方面，有很多用户在评论中提到类似于这样的话：“家里有小孩子，每天要换衣服用这取暖器取暖效果很好，但是感觉不安全”,“取暖器效果很好，但是还得自己弄个架子烤衣服”,“取暖器很不错，又能烘衣服”。用户的需求是什么：取暖是刚需，烘衣服也是实实在在的需求。后来，也发掘到很多用户除了提到烘衣服之外，还提到了加湿的需求。

如果放在以往，这种需求如何提炼，调查问卷、电话回访等毕竟耗时耗力且用户所表达的也不一定是真实的。最真实的需求是用户在没有任何内在外在压力，一种放松的状态下表达出来的，比如购物之后的商品评价。

这种需求拿到之后交给设计改，这就涉及到了多方对于用户需求定位的博弈，为什么要改设计、加这个功能，依据是什么？美的用数据说话，用近百万条用户针对取暖器的评价来说话，数据在这里，分析结果就是多少比例以上的用户都提到了这些问题，用户关心的是不是我们关心的？ 最后产品改进了，产品上线之后还是通过美的的大数据平台对该产品的相关数据进行跟踪分析，效果非常明显，用户正向情绪和满意度提升到一个新的高度。

我们在日常生活中经常会有这样的代入感，我采购了一个商品，用的时候总在想，如果这个产品这样改进下这样改进下就好了，如果是我在做这个产品我就这样改下。用户所想的不也正是制造厂商所想的吗，而制造厂商是如何听到用户心声的？在这里，美的通过大数据平台就做到了。

这两个案例其实反映的就是美的大数据观星台的作用。观星台在古代是什么？测影、观星和计时，是中国古代天文科学发展中一个很有价值的产物，具有很高的价值。而美的大数据将这部分的产品定名为观星台，很显然想更好的“继承”古人的这一智慧，在浩瀚的电商产品中，哪种产品好卖哪种不好卖，不好卖不好在哪里？好卖的好在哪里？观察好这些产品，观察电商评论和舆情网站的数据，这就跟观察星星一样，浩瀚而繁多，但总能总结出规律和结果，这就是观星台。

只有观察清楚了，才知道下一步应该怎么做。通过大数据平台了解了要了解的情况，才知道如何更好的提升和改进业务，这就是大数据对业务的推动能力，也是大数据业务价值的落地和实现。

观星台的背后是什么？还是大数据平台！ 除此之外，还有服务号、水晶球、地动仪、陀螺仪这几大产品共同构成了美的开普勒大数据产品体系。

美的大数据业务价值实现之三

用户画像与精准营销

我们在很多大数据自媒体、各种大数据沙龙活动中经常听到用户画像、精准营销，这几个词出现的频率非常高。但是为什么我们发现除了这些大的电商、互联网平台之外，在我们身边的很多企业很少有看到他们有用过。原因非常简单，用户画像、精准营销、商品推荐这些需要的是一个海量的数据资源基础—— 商品资源、用户基数、用户行为和标签属性资源等这些资源的结合。

没有这些资源，无法真正做到用户认知，也没有这么精细的分类产品去进行推送，最重要的是这种投入产出比很多企业可能要去想一想，值不值得去做。

美的握有这些资源，大家可以想象一下在自己的身边有哪些朋友家里从来都没有购买过美的的产品，应该很少。小到热水器、电饭煲电磁炉、中到风扇、大到空调电冰箱，美的的家用电器产品体系非常全面。美的目前拥有近1.5亿的带手机的唯一身份用户，并且每天以至少12万的数据在递增。并且最重要的是，用户购买的记录、购买渠道、地域、使用偏好等等信息全部标签化。一条用户记录可以打上近600个标签和多级标签属性，一个完整的360度的用户画像就被刻画出来，基于这些用户标签再来做精准营销、商品推荐成功的几率就会非常大。

并且最重要的是，这些用户画像推荐模型会帮助服务一线导购，包括售后。这就完成了从线上线下整个立体空间对用户进行了解和定位，以前需要是什么、目前在关注什么、后面可能需要什么，可能需要美的提供什么样的服务，大数据平台统统清楚。当然，实际的服务过程一定因为具体执行人（导购、售后客服）的因素有所体验不同和偏差，但是从整体上来看，对产品的引导和服务是具备很强的指导性的。

而这一切也是依靠大数据平台来做到的，数据有进也有出，进去的是数据，出去的是信息，并且有非常有价值的信息。

在美的，这种非常具有业务价值的从大数据平台中发掘出来的案例有好几百个，真正的做到了用数据说话，这种内部大数据项目的建设无疑是非常成功的。

美的是一个传统的制造行业，但是美的 IT Inside 的理念在美的有很强的落地，这种理念不是一句简单的口号，而是要实实在在的在产生业务价值。

美的大数据建设对我们的启示

如果你有机会近距离的去了解美的的IT建设和大数据建设的话，每个人都会有不同的收获和感受。

IT的规划和建设、大数据的建设不是一个战术层面的产物，而是一个实实在在的战略。这些战略的形成是基于美的决策层扎根这个行业几十年，对这个行业的现状和未来的发展有着深刻的认识并站在一个非常高的高度才能看清楚的。

踏踏实实的深入行业不断总结和认真思考，用心积累才能真正了解整个行业的痛点、现状，只有这样才能在机遇出现的时候抓住它。

所以，对于很多企业来说我们企业的大数据项目的建设我觉得有以下几点是需要注意的：

1. 大数据项目的规划需要提高到企业级的高度去重视和执行。IT的建设和大数据的规划不会一蹴而就，需要一个过程去构建和验证，有必要的投入也需要有强有力的执行。

大数据项目涉及到各种资源的整合、几十上百个系统的打通、数据的打通、部门的配合、业务的验证等各个方面，很显然没有一个高瞻远瞩的高层集体来推动和协调，内部对于 IT Inside 的统一认识和执行，大数据项目的落地将会十分困难。

2012 年美的开始对 IT 治理做全面和集中的重构，从以往的外包交付逐步走向内部交付。美的投资的十多个亿的 632 战略也是从那�...

接触的创业公司多了，你总能看到形形色色的创始人。有激情澎湃的、有沉默寡言的，甚至还有猥琐不堪的。但类似陈炎这样一上台就说大实话的，还真是不多。

“我们现在总部主要的人在无锡和南京，无锡的人多于南京，原因只有一个，就是无锡的房价比南京的房价便宜。（选择无锡是）为了大家能安家，靠自己的收入三到四年能自己付得起首付，买得起房子”。

说这话的就是陈炎，他是帆软软件的CEO。说起帆软这个名字，许多人可能还是比较陌生的，毕竟它所在的领域还是比较小众。但是说起大数据，很多人就会恍然大悟，而帆软就是一家提供数据服务的公司，用他自己的话说就是——“中国大数据BI及分析平台领导厂商”。

这几年，大数据这个词汇越来越热，特别是伴随着云计算的大面积应用和人工智能的新晋兴起，大数据作为云计算的成果之一和人工智能的必要条件，已经成为了炙手可热的行业。也正是接着这个春风，帆软软件的业务量也出现了爆炸式的增长，这也出乎了陈炎的预料。

“我要感谢这个时代”，他对着在场的30多家媒体说。事实上，帆软这家成立于2006年的公司，如今已经走到了第11个年头。从无到有，从小到大，帆软已经成为了行业内的领军者，这家平均员工年龄只有27岁的公司充满了朝气，作为公司年纪第二的“长者”，陈炎更是将公司的成长归结为传统三要素——天时、地利与人和。

所谓的“天时”就是这个蓬勃发展的大数据时代，自FineReport的原型产品诞生开始，帆软就走上了发展的“快车道”，伴随着大数据的春风，帆软早已突破了之前业内同行预言的“3000万元市场的天花板”，向着更广阔的目标迈进。

而“地利”层面，并非仅仅指的是帆软所在的长三角地理优势，陈炎更是从“接地气”的角度解读了帆软的快速发展。“有客户在帮我们完善产品和宣传产品，我理解这就是亲民的、接地气的东西……真正让产品卖得好，才叫用户价值，最后客户才会帮你卖”。

谈到“人和”，陈炎讲了许多，但是最重要的层面在于四个字“充分授权”。据他说，目前公司的管理理念还是“以人为本”，而且公司的业务信息对内全部透明，任何人都可以查阅公司的相关销售信息。不仅如此，在出差、福利等安排层面，陈炎也做到了公开、透明，这也使得这个年轻的团队具备了强大的凝聚力。

正是有了以上的特质及管理方式，帆软才能够在这个大数据竞争复杂的时代脱颖而出，才能够凭借着出色的产品、良好的服务及客户的支持建立起一套完整的销售体系，特别是它的社区中存在了众多的活跃用户，这些用户应用着帆软的软件，也对软件提出了这样或者那样的改良建议，并且以亲身实践帮助帆软扩大知名度。

这一次，在北京大会上，帆软还同步推出了FineReport软件的9.0版本。FineReport是帆软推出的专业的企业级web报表工具。FineReport易学易用，功能强大，简单拖拽操作便可制作中国式复杂报表，轻松实现报表的多样展示、交互分析、数据录入、权限管理、定时调度、打印输出、门户管理和移动应用等需求。

借助于FineReport的无码理念，用户可以轻松搭建数据报表平台，大大缩短项目周期，减少实施成本。对于最终企业用户，FineReport可以完美解决企业信息孤岛的问题，让数据成为生产力。会上，帆软FineReport产品经理杨为华更是从智能、共享、开放三个层面解读了FineReport新版特性：

智能——用《人类简史》作者尤瓦尔·赫拉利的一句话概括，“机器比你更了解自己”。因此FineReport9.0通过引入人工智能，从信息部门、业务部门、系统管理人员三个角色出发，让机器更好的帮助用户去做报表、用报表和管理报表。

共享——正如牛顿名言，“如果我比别人看得远，那是因为我站在巨人的肩膀上”。引申到搭建数据平台上，我们希望别人千辛万苦总结出的方案，可以直接拿来用；开发者通宵达旦开发的插件，可以直接拿来用；用户绞尽脑汁做出的好看报表组件，也可以直接拿来用。通过云中心问题库、应用中心的插件和共享组件，我们能在不需要代码能力和专业美工的基础上更好更快的搭建数据分析平台。

开放——马化腾在分享腾讯创业经验时曾提过一点，“做产品，往关键领域砸下去，其他放手，聚焦核心业务，其他的让生态合作伙伴来做”。所以FineReport9.0版本我们更关注核心业务，其他通过开放的姿态与其他厂商合作，迅速做到场景互补，让用户享受更好的整体化方案。”

综合以上三种特性，此次新版本的发布也正是基于了这样的理念，致力于帮助客户更好更快的实现数据价值，通过提供更好的用户体验、更强大丰富的功能、更多现成组件甚至方案、更全的场景覆盖，让数据成为生产力。

如今，FineReport9.0已接受了10余家客户企业的内测体验。正如杨为华所表示的那样：“FineReport9.0做了很多的功能，但里面做得最好的不是我们的产品，也不是我们的研发，而是各位用户。”

除了FineReport9.0之外，另一款名为FineBI 4.1也在大会上正式亮相。FineBI的定位是提供给基于企业的业务人员自主分析的一款工具，相当于给业务人员做自主分析，探索发现数据中潜在的业务价值，给企业做正确的决策引导。与专注于复杂专业分析的数据分析的FineReport相比，FineBI产品则是专注于业务人员的数据分析探索，这两款产品通过不同的定位来满足不同的人群跟企业的应用场景。FineBI的应用性更加高，使用的台阶更加低。

在发布了全新的产品之后，自然也少不了合作伙伴的现身说法。本次大会上，帆软还邀请到了包括合生商业信息化专业总监刘照东、学而思国际教育数据产品经理马小阳、亚宝药业信息技术总监赵俊岭、菜市口百货CIO曹诗纯、新沂农商行电子银行部总经理张绍杰、长江证券互联网金融部数据总监张杰等一系列嘉宾，展现了帆软在金融、生物、教育、新零售等多个行业的影响力。

如今，越来越多的企业都在发力大数据领域，也有越来越多的企业希望借助于大数据技术实现业务的进一步提升。帆软软件正是针对这些客户的需求，从技术层面、从智能的角度给予了一系列的解决方案，也帮助越来越多的客户实现业务的跨越式发展。