目前，很多中小型企业都习惯领导直接做决策的方式。领导的决定对企业决策会造成极大影响，这种现象非常普遍。中小企业面对的这种问题，需要进行思维观念的转变，培养企业领导及员工的大数据思维。企业决策时要能够充分使用企业数据，合理理性的面对数据及其分析结果，真正做到能够让真实的数据说话。

在很多情况下，大数据都非常适合企业使用。但是如果你的公司无法灵活地采取行动，即使再高明的见解也变得毫无价值。

正如分析服务供应商Teradata数据科学主管邓肯·罗斯（Duncan Ross）去年接受BBC采访时所说：“大数据代表着许多企业机遇，但是你必须准备好支点，并关注哪些数据能为你带来利益。“

但这也是一柄双刃剑：若太过依赖大数据，我们也许会忽略强大（而且通常十分准确）的直觉。利用大数据，不盲从数字，不至于所有商业决策都任凭大数据的摆布。

大数据固然不错，但在为品牌做决策时，我们不能唯大数据马首是瞻。肯定有一种综合的解决方案，能将大数据和“直觉判断”有效结合起来。我得以在数据的指引下，为品牌吸引到新的客户，但我和读者联络、互动的方式是由我自己裁量的，不会受制于大数据的摆布。

人孰无过，但数据有时也能误人。这种现实主义融入了我所有的决策之中。这样一来，我在对数据负责的同时，也能对数据的真正含义保持适当的怀疑态度。——曼佩里·辛格（Manpreet Singh），TalkLocal

如何利用好大数据

让大数据充当向导,而非指挥官

大数据固然不错,但在为品牌做决策时,我们不能唯大数据马首是瞻.肯定有一种综合的解决方案,能将大数据和"直觉判断"有效结合起来.我得以在数据的指引下,为品牌吸引到新的客户,但我和读者联络、互动的方式是由我自己裁量的,不会受制于大数据的摆布.　

目标明确

　　就算一个公司拥有再多的数据，也不能代表它就一定会获得商业上的成功。只有真正懂得如何利用大数据，了解到公司利用大数据可以达到什么目标，公司最终才有可能真正成功。不过，有时候，利用太复杂先进的数据分析工具往往也会带来很多问题，不过如果我们能够通过分析大量的数据来得到最终的结果，那就不用怀疑了，你就干吧，至少方向肯定是对的。

要谨慎对待数据

有时，企业是没有能力去获取数据的，也就没法用数据去解决问题。就算公司获得了一些数据，他们往往也不清楚这些数据最终能否解决他们的问题。

一个数据是否有效，是否能帮助公司解决问题，最好询问数据小组的意见。

对于现在企业来说，最重要的资产无疑就是数据了，企业价值与其拥有的数据规模、活性，运用数据的能力成正比，企业的数据资产将在未来演绎着精彩的商业模式，如租售数据、数据使能、数据媒体、数据空间运营和大数据技术提供商等等，推动着企业的发展和革新。那么在大数据时代，企业如何利用数据管理系统来迎接更大的竞争？

1、企业领导层对大数据的认知

随着时代的变迁，商业模式已经发展过渡到了数据时代，相较于以前营销为王的商业模式，大数据更能给现代企业创造价值，正所谓火车跑的快，全靠车头带，企业各部门领导者，甚至是老板本人，能对大数据应用有一个正确的认识，则更能把握企业发展前进的方向与命脉。

2、数据化管理是企业精细化运营的核心

现在，很多企业已经意识到需要从粗放经营转型到精细化运营。精细化运营其中有一个核心点，就是数据化管理。之前很多的决策是拍脑袋决定的，高速的增长将这种决策的缺点掩盖了。但是现在我们已经到了存量时代，意味着现在的运营必须趋向精细化，所做的决策必须是通过市场调研、论证、数据分析等所得出的科学决策，这样才能提高企业的竞争力。

对于企业来说核心是用户和产品，而数据是分析产品与用户之间匹配程度的工具，并从中思考产品的改进方向。通过大数据的挖掘和分析，提高决策的广泛性，合理性，正确性。

3、打造好信息化的基础，才能挖掘积累出大数据库

企业以信息化为基础，才能实现大数据挖掘，积累和分析，企业所有的产品数据、运营数据、供应链数据和外部数据都是来自于信息化系统，因此打好信息化基础就变的尤为重要了，对数据源的质量进行一个管理，完善信息化基础，让数据来源更真实和可靠。并重视知识的创造、提练和共享，用知识管理提升服务水平和增强竞争力。

4、便捷高效的大数据分析系统

大数据是一个海量的资源池，甚至如汪洋大海一般让人望而生畏，那么这样一个海量的资源池，企业怎样才能充分且高效的去吸收它的营养呢？这就需要一个高效率的云计算系统才能很好的完成这个任务，一个高效的云计算系统，可以使大数据里的资源合理分配，充分利用，给且的分析研究部门带来便捷，让工作效率得到显著的提升。

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！

我们身处的时代是一个大数据时代，所生活的一切几乎都有相对应的数据支撑。不管是个人信息，还是旅游出行，数据囊括了我们的衣食住行。这些庞大且全面的数据能够极大的便利我们的生活，提高我们的生活质量。而运动也处于数据能够影响的人类活动中。

或许有人会有疑问：运动的数据又有什么用呢？数据是为了让我们直观的了解自己的状态，而运动中的数据众多，有自身的心率、已运动的数据和消耗的卡路里等等。当我们通过这些数据深切的了解到情况时，我们就可以针对自身情况为自己定制一个最适合自己的运动计划。

毫无章法的运动会大大降低我们锻炼的效率，也就是事倍功半的效果。而若拥有一个针对自身的科学的运动计划，我们运动的效率就得到了极大的提升，自然就事半功倍了。那么我们如何采集这些数据从而制定计划呢？智能运动手环是我们最理想的设备，特别是乐心手环3，其功能非常全面且强大。

乐心手环3正在预售，现在预订有很多惊喜和优惠哦！

不仅仅是跑步才能使用乐心手环3，它可记录的运动多达12项，让你的有氧训练不单调。且对于游泳这种水上运动，你也能在佩戴的同时游泳。因为它拥有IP68级防水，防水深度达到30米。轻薄又舒适的医用级腕带，既不会给运动带来额外的负担，长时间佩戴也不会感到不适。

有氧运动的益处是不言而喻的。乐心手环3拥有得到库伯医学中心认证的有氧能力测试，能精准测出你的有氧能力，且还能通过科学训练来提高你的有氧能力，让你能从有氧运动中获得更大增益。它还拥有智联GPS轨迹跑功能，与手机GPS进行连接，记录你的运动轨迹从而形成运动报告。

它还支持24小时连续心率检测，可实时记录你的心率变化，并在你即将过度运动时发出预警。它有着超强续航，支持USB直插充电，且最高续航更是能达到28天的惊人时长。不仅仅是运动，它还融入了生活。可自动检测你的睡眠情况，还拥有久坐提醒，呵护你的健康，非常贴心。

在这个大数据时代中，我们应该合理运用数据来提高我们的生活质量以及让我们的生活更加便利。运动也是如此，我们可以使用智能运动手环来记录我们的运动数据从而制定出科学的运动计划，让运动更具效率。

现在大数据不断发展衍生出了很多用途，而在营销上面的用途是彻底改变了营销模式。而该如何利用大数据来进行精准营销是现在所有企业的难题，那么今天小编就来讲一讲大数据采集、数据清洗与数据运用。

1.数据采集

数据采集其中分为线上与线下，而在这其中可以分为线下门店数据宝安装、在特殊场景利用数据宝采集、利用LBS技术通过地域区分数据与通过线下采集数据来进行线上数据分析对比。

线下门店数据宝与在特殊场景利用数据宝采集：线下门店数据宝是在指定的门店中安装一个数据采集设备，通过WiFi探针功能采集到店顾客手机mac码，来进行精准数据采集；特殊场景采集数据是利用移动数据宝，同样采集指定区域的手机mac码进行线下用户的精准行为。

LBS技术通过地域区分数据：LBS通过指定区域、地点来精选数据采集调取。通过铺设的WiFi设备来进行实时的数据采集，而通过LBS来进行把所需要区域的数据调取出来，加以利用。

2.数据清洗

原始数据采集上来时往往都是不规则、非结构化的数据，而且数据大量存在重复、缺失、错误等问题。所以需要进行数据清洗也就是数据画像分析，并将清洗的结果传输到分析及运用系统中以供使用。

原始数据中可能携带一些用户隐私相关的数据，在数据清洗时，需要通过标签化、分类化等等方式对这些数据进行处理。

对于非结构化的数据我们也需要采用数据建模及数据治理等方法将数据转化为结构化数据，这样才能后续统计分析的速度。

3.数据运用

前面二个运用只是基础的环节，最重要的是如何利用数据来达到营销效果。

数据可视化是数据分析及运用环节十分重要的展示窗口，通过这个窗口可以让更多的、各级工种得到数据传递的规律和价值，并使数据在工作决策中起到十分重要的作用。

除了数据可视化还是用户画像分析也是重要的营销手段，通过线下数据和线上数据分析，进行精准客户一系列分析会更加了解客户他们的喜好、浏览习惯、是否拥有消费能力等等，根据这些还可以制定出符合精准客户痛点的营销方案，力求营销最大化。

文 | 曾巧

数据，数据，数据。

置身于当下的每个营销峰会，人们讨论的焦点都绕不过这两个字。台上的演讲嘉宾中，开始有了越来越多互联网的身影，从他们口中蹦出的专有名词也不再为传统广告人熟知，每个广告主看起来都开始更关心效果而非创意。

种种迹象表明，广告的变局正悄然开始。

没有人会否认大数据对广告营销的重要性，但也没有人能否认，随着数字营销进程的不断加快，传统营销的经验已经不适用于这个新的时代。广告主们正走入“无人区”，它们亟需一套新的方法论解决营销过程中产生的全新的难题：如何解决数据孤岛？如何把数据应用于实战？以及，如何在最大程度上挖掘出每个数据的价值？

从广告营销公司的层面来说，一套营销方法论同样重要，这是它们应对数字化时代的良方，否则就有被甩下急速行驶列车的可能。尤其当你知道身处一个目的地满是掘金机会的列车时，谁也不愿意中途下站。

作为一家移动广告平台，多盟对数字化时代有着更深的理解。与鳞次栉比的纯技术公司不同，凭借自身对移动互联网营销的深入理解，它的数字营销方法论天然带着更多服务的基因和对营销变化更精准的洞察。

在今年的GMIC上，蓝色光标集团副总裁、多盟总裁边嘉耕受邀做了《数据赋能，营销智能》的演讲。这场演讲向人们全面阐释了多盟的一套名为“DATA+”的系统化解决方案，通过这套方案，多盟能够为每个客户提供定制化的数据及策略解决方案，并提供面向策略、运营和营销管理的咨询服务，而这为那些处于困惑中的广告主们指明了方向。

选择多盟这样一个移动营销行业中数据运用领先的公司作为案例，可以管窥广告营销公司未来该如何应对席卷而来的数据浪潮，并且怎样在其中腾挪移转争取出自己的生存空间。

媒体驱动vs数据驱动

在这场主旨演讲中，边嘉耕提到多盟成立的这七年，也正是移动营销从“媒体驱动型”向“数据驱动型”转变的时期。这让很多广告主及营销公司感同身受，因为这个洞察与他们的切身体会完全吻合。

从历史的维度去看，早期的广告营销公司往往通过掌握媒体资源构建起自己的壁垒。所以，以往判断一家公司是否有价值的标准在于它是否能与更多的媒体建立起合作关系。在高度数字化之前，广告投放遵循着工业时代的经验进行：大投入、多媒体、饱和式攻击……我更愿意将这个阶段定义成“粗放式”的广告经营模式。

但当技术的进步让广告主和媒体能够精细化操作每个流量和接触点之后，媒体资源以外，在实操层面使用数据的能力也开始变得至关重要。

在多盟团队看来，市场中从不缺乏数据，不同的市场主体也都在纷纷构建自己的数据库。但一个不幸的现象是，数据越多，孤岛越多。“DATA+”中的重点在“+”，而不是“DATA”，这意味着如何打通、管理和分析数据是更为重要的，只有这样才能帮助品牌抓住实现生意持续增长的机会。

这已经成为了行业痛点，一个最新的例子是，具有指标意义的可口可乐公司直接用首席增长官取代了首席营销官。

在多盟的构想中，DATA+应该在数据上形成一个闭环，并且在实践过程中根据市场反馈螺旋迭代、向上发展。目前的核心产品模块包括三大类：前端是基于互联网行为数据的营销策略推荐，中端是数据驱动的营销管理系统，后端是提供端到端的闭环数据服务方案。从策略、管理到服务，数据真正活起来了，它的价值能够反复被挖掘，直到最大化。

边嘉耕用了三个标签阐述对团队的定位：广告狂人之外，他们还是技术达人和数据专家。他的定位也反映出未来广告营销公司的一个发展趋势：数据和技术能力将成为比拼的关键战场，不管对于4A这样的巨兽还是技术公司均是如此。

总的来说，数据已经不再仅仅关系着最后的投放环节，还开始影响广告公司的前端创意以及与广告主的沟通交流。高举数据的大旗，并真正脚踏实地地思考营销方法论的革新，从广告主心态的转变以及技术的演进史思考，这么做都势在必行。

占有数据vs使用数据

现在的广告主容易陷入这样一种迷思：认为大数据的重点是“大”，所以对数据的重视只限于收集和存储的层面。但实际上，中国的数据市场割裂非常严重，广告主手上只握有一方数据，更大量的数据集中在互联网媒体手中，但这些媒体对于营销的经验并没有深耕多年的专业公司来得充足。

到头来，广告主的大数据，从收集的角度来讲量不够大，从使用的角度来讲效果也不够好。

多盟认为这给广告营销公司提供了难得的机会：在品牌对数据不了解、媒体对营销不了解的背景下，站在广告主一方的专业公司能够帮助企业对数据建立更清晰的认知，也能更合理化地运用。

人们对广告营销公司推动大数据的质疑，往往集中在能掌握多少数据，对数据的控制力有多强。但实际上，相较简单地占有数据，使用数据才是更关键的环节。

从某个层面讲，《大数据时代》这本具有指标意义的书提供了一些不太完善的观点，譬如认为数据量越大越好。但实际上，漫无目的地追求数据量不太聪明，庞大的数据规模反而会降低分析效率。坦白讲，大数据拼到最后不是比拼谁多，而是在数据赋能之前如何为数据赋能的能力。

以广告发布前的A／B Testing为例，DATA+的解决方案中对数据进行了相当精细化的处理。面对同样的一个数据集，多盟可以从目标受众、创意呈现、体验路径、产品组合／促销方案四个维度深挖价值。

而在针对目标受众的分析中，DATA+首先会将消费者划分出几个不同的子集，并分别从互动、点击、拉新等层面考察每个子集的反馈效果。一目了然的细分数据让广告主了解到如何向正确的人说正确的话，在这个过程中，数据从“一库一吃”变成了“一库多吃”，即使是有限的数据用好了也能发挥出惊人的价值。

所以，数据固然重要，但通过技术产品的优势挖掘数据，并将成果直接应用于营销实战更加重要，这些正是多盟这类营销技术公司能做好的。

边嘉耕选择用大树来形象地阐释DATA+的产品结构：它的树根是多方数据源，树干是数据的基础处理能力，顶端散发出的树枝是一个个模块化的数据产品，而树枝上的树叶则是定制化的解决方案。数据的养分从底端不断向上传导，最终整个大树枝繁叶茂。

媒体视角vs广告主视角

在明确数据使用比简单的数据占有更重要之后，应该采用怎样的视角使用这些数据对营销同样重要。

以精准投放中最重要的标签转译为例，腾讯、京东、头条、优酷这些重要的流量方，它们都有自己的标签体系，有些更为成熟的系统还有自身的人群挖掘规则。但是，将品牌的感性目标人群画像转译成理性的标签非常困难，难点在于这并非简单的基于人口结构的划分。

要让这些数据的价值变得更大，必然需要结合营销的相关理论和经验。譬如同样是产妇，适龄产妇和高龄产妇在消费心理和决策模型上大相径庭；同样是准备旅游的人，马上出发和一个月之后出发关注的点也截然不同，这些差异需要专业的营销人士加以区隔和整理。所以，从广告主视角出发使用数据远比媒体视角重要。

DATA+的人群策略系统通过对多方DMP的运用，可以深入分析品牌目标的种子人群，再加上营销人员根植于营销体系多年形成的经验判断，能够产出更具结构化的人群策略以及更佳细腻且适配的标签方案，更好地实现“技术+营销”的结合。

边嘉耕在演讲中分享的一个案例能够更系统地阐释两种视角间可能出现的差异。此案例的广告主是某进口敏感肌洗衣液，在策略重构的模块，营销专家们从购买兴趣和认知程度两个维度构建了一个3*3的矩阵，将人群细分为准妈妈、烦恼客、讲究咖等9个人群。随后根据不同人群制定不同的传播方案和沟通策略，譬如在针对精明妈的推广中，就使用“宝宝护肤，从选对洗衣液开始”的诉求。在投放的环节，则根据广告主的目标和预算规模作为主要考量进行最优化的配置。在线下推广的部分，多盟也为9个不同类型的人群定制化了不同的促销方案。

坦白讲，媒体方（或者说流量方）需要耗费很多精力才能完成整个营销活动的策划流程。但对于有着多年经验的营销公司来说，他们显然更加轻车熟路。

多盟的团队用了一个形象的比喻解释自己如何站在广告主的角度做事：“如果把数据比作一条鱼，我们不仅要让广告主吃上鱼，还要告诉他鱼是一种什么动物，生活的环境如何，我们大概怎么捕到鱼的。”某种程度上，和广告主的沟通也不仅是产出并执行一套方案这么简单，弥合广告主对数字营销认知的差距会让整个过程更有意义。

坦白讲，数字营销是没有止境的，大数据不仅是一种资源，更是一种思考营销的全新方式。在数据驱动的营销背景下，从广告主的视角合理地使用数据变得愈加重要。而数据也不应该成为一个个相互隔绝的孤岛，更不应该拉大产业链中各企业间的差距。理想的方式是各司其职、共同发展，而多盟和它的DATA+想做的就是这样的事情。

来源：199it

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。

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

在过去的几年里面，很多中国的企业都开始发展自己的企业大数据，都开始企业的基础数据的建设，而在中国市场，目前已经有一半多%的企业已经开始成立了数据分析的相关部门，还有27%的企业已经打算成立该部门。

同时，还有的企业已经开始使用大数据来发展公司。但是，很多人都说他们这些公司只是打着大数据的旗号想去蹭一波热度，来进行跟风发展，实际上真正能够用到大数据的公司数量是很少的，因为对于很多企业来说他们根本就没有那么多的数据要处理，只有国内的一些像阿里、腾讯等公司才有大量的数据需要处理。

那么这些公司应该有什么样的大数据产品和提出什么样的方法才能更好的来帮助公司做出发展呢？现阶段很多的企业都非常需要尽快来推出相应产品和方法来解决。而且企业要做的不单单是需要投入大量的经历来做这些，还应该去不断的加快数据产品的推出，只有这样才能将数据更好的利用起来帮助公司的发展。

首先，企业应该要去完善用户标签提供个性化的服务。如果你不能够充分的去了解你的每一个用户，针对每个不同的用户做出个性化的服务就没办法下手。所以对于很多的中小型企业来说，提供用户服务的数据服务商合作已经是必须要去完成的事情，但是遇到的问题是这些企业并不具备能力去完善自己用户标签的用户场景和相对应的技术。

而且即便是对于腾讯、阿里巴巴、百度这样的巨头企业来说，虽然他们有大量的用户和产品场景，可以供自己去完成用户的分析，可这些大公司还是面临着无法去全面的覆盖用户的问题。比如百度和腾讯他们两家公司就不能够去知道用户的电商画像，而对于阿里巴巴来说他们则是缺乏对用户的社交画像的了解。所以他们同样需要去利用专门来做大数据分析的公司，才能帮助他们的企业更好的发展。

其次，企业想得到要好用的分析产品。尽管市面上有很多各种各样的分析产品我们都能使用，可面临的现实是，能够完全满足产品和运营需求的产品的却不多。所以现在很多企业都面临这样的矛盾，如果用简单的产品的话处理数据的能力是非常有限的，不能够去很好的满足企业分析用户们的需要。而太过于复杂的产品则是太麻烦。所以市场上面好用的分析产品是少之又少，这也让不少企业十分的头疼，这点如果不能够很好的解决的话对于接下来的发展就是十分不利的。

当然有实力的企业可以去选择自己开发，但很多的企业最好的选择还是去市场上寻找已有的成熟的解决方案。但是面对移动互联网领域的发展痛点还是无法否认到解决，一边是将消息准确的推送给用户们，还有就是对于去发展全新的用户、给他们的更好体验度等关键性问题方面。所以对于新来的人的发展以及对于老朋友们的维护等这些都需要公司不断地去加强并且提供有效的解决方法才可以。

现如今随着很多数据的产生，信息得到了利用，人们的生活也更加的方便，同时对于服务的要求也在不断地提高，所以这就对于很多的企业来说他们也就遇到了很多的的困难和机会，只有靠公司自己去解决了这些问题之后，才能不被这个快速提升的年代所淘汰。所以他们需要去更好的做出改变，去积极的想办法做出帮助公司发展。然后顺应变化才能使得公司逐渐的进步，才能在去赢得未来更大的市场，让公司能够做出最对的改正，让人们能够去相信我们的公司，为公司赢得较好的名声。

最后小编想说的是，在这样的一个社会，很多的企业要做到的更多是去关注到用户们的想法，更好的去提供给客户的服务。只有掌握了客户的想法，根据他们的要求，准确无误的提供给他们想要的产品，这才是现如今企业最需要做的事情。还是那句话我们要会去分析客户的行为，根据得到当前这些信息去描述客户的画像，然后推送我们的产品，做到一条龙服务才是企业要去做到的标准。

本文由新科技好奇心原创，欢迎关注，带你一起长知识！

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?