數據案例分析（數據案例分析怎么寫）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于數據案例分析的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

創(chuàng)意嶺作為行業(yè)內優(yōu)秀的企業(yè)，服務客戶遍布全球各地，相關業(yè)務請撥打電話：175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、科普文：銀行業(yè)9大數據科學應用案例解析！

• 2、電商銷售數據分析案例(Oracle)

• 3、大數據攻略案例分析及結論

• 4、數據集市的案例分析

一、科普文：銀行業(yè)9大數據科學應用案例解析！

在銀行業(yè)中使用數據科學不僅僅是一種趨勢，它已成為保持競爭的必要條件。 銀行必須認識到，大數據技術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效。

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

（1）欺詐識別

（2）管理客戶數據

（3）投資銀行的風險建模

（4）個性化營銷

（5）終身價值預測

（6）實時和預測分析

（7）客戶細分

（8）推薦引擎

（9）客戶支持

（10）結論

1、欺詐識別

機器學習對于有效檢測和防范涉及信用卡，會計，保險等的欺詐行為至關重要。 銀行業(yè)務中的主動欺詐檢測對于為客戶和員工提供安全性至關重要。 銀行越早檢測到欺詐行為，其越快可以限制帳戶活動以減少損失。 通過實施一系列的欺詐檢測方案，銀行可以實現必要的保護并避免重大損失。

欺詐檢測的關鍵步驟包括：

獲取數據樣本進行模型估計和初步測試 模型估計 測試階段和部署。

由于每個數據集都不同，每個數據集都需要由數據科學家進行個別訓練和微調。 將深厚的理論知識轉化為實際應用需要數據挖掘技術方面的專業(yè)知識，如關聯(lián)，聚類，預測和分類。

高效欺詐檢測的一個例子是，當一些異常高的交易發(fā)生時，銀行的欺詐預防系統(tǒng)被設置為暫停，直到賬戶持有人確認交易。對于新帳戶，欺詐檢測算法可以調查非常高的熱門項目購買量，或者在短時間內使用類似數據打開多個帳戶。

2、管理客戶數據

銀行有義務收集，分析和存儲大量數據。但是，機器學習和數據科學工具不是將其視為合規(guī)性練習，而是將其轉化為更多地了解其客戶以推動新的收入機會的可能性。

如今，數字銀行越來越受歡迎并被廣泛使用。這創(chuàng)建了TB級的客戶數據，因此數據科學家團隊的第一步是分離真正相關的數據。之后，通過準確的機器學習模型幫助數據專家掌握有關客戶行為，交互和偏好的信息，可以通過隔離和處理這些最相關的客戶信息來改善商業(yè)決策，從而為銀行創(chuàng)造新的收入機會。

3、投資銀行的風險建模

風險建模對投資銀行來說是一個高度優(yōu)先考慮的問題，因為它有助于規(guī)范金融活動，并在定價金融工具時發(fā)揮最重要的作用。投資銀行評估公司在企業(yè)融資中創(chuàng)造資本，促進兼并和收購，進行公司重組或重組以及用于投資目的的價值。

這就是為什么風險模型對于銀行來說顯得非常重要，最好是通過掌握更多信息和儲備數據科學工具來評估?，F在，通過大數據的力量，行業(yè)內的創(chuàng)新者正在利用新技術進行有效的風險建模，從而實現更好的數據驅動型決策。

4、個性化營銷

市場營銷成功的關鍵在于制定適合特定客戶需求和偏好的定制化報價。數據分析使我們能夠創(chuàng)建個性化營銷，在適當的時間在正確的設備上為合適的人員提供合適的產品。數據挖掘廣泛用于目標選擇，以識別新產品的潛在客戶。

數據科學家利用行為，人口統(tǒng)計和歷史購買數據建立一個模型，預測客戶對促銷或優(yōu)惠的反應概率。因此，銀行可以進行高效，個性化的宣傳并改善與客戶的關系。

5、終身價值預測

客戶生命周期價值(CLV)預測了企業(yè)從與客戶的整個關系中獲得的所有價值。 這項措施的重要性正在快速增長，因為它有助于創(chuàng)建和維持與特定客戶的有利關系，從而創(chuàng)造更高的盈利能力和業(yè)務增長。

獲得和維系有利可圖的客戶對銀行來說是一個不斷增長的挑戰(zhàn)。 隨著競爭越來越激烈，銀行現在需要360度全方位了解每位客戶，以便有效地集中資源。 這就是數據科學進入的地方。首先，必須考慮大量數據：如客戶獲得和流失的概念，各種銀行產品和服務的使用，數量和盈利能力以及其他客戶的特點 如地理，人口和市場數據。

這些數據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，產品或服務差異很大，他們的行為和期望也不盡相同。 數據科學家的工具中有許多工具和方法來開發(fā)CLV模型，如廣義線性模型(GLM)，逐步回歸，分類和回歸樹(CART)。 建立一個預測模型，以確定基于CLV的未來營銷策略，這對于在每個客戶的一生中與該公司保持良好的客戶關系，實現更高的盈利能力和增長是具有非常有價值的過程。

6、實時和預測分析

分析在銀行業(yè)中的重要性不可低估。機器學習算法和數據科學技術可以顯著改善銀行的分析策略，因為銀行業(yè)務的每個使用案例都與分析密切相關。隨著信息的可用性和多樣性迅速增加，分析變得更加復雜和準確。

可用信息的潛在價值非常驚人：指示實際信號的有意義的數據量(不僅僅是噪聲)在過去幾年呈指數級增長，而數據處理器的成本和規(guī)模一直在下降。區(qū)分真正相關的數據和噪音有助于有效解決問題和制定更明智的戰(zhàn)略決策。實時分析有助于了解阻礙業(yè)務的問題，而預測分析有助于選擇正確的技術來解決問題。通過將分析整合到銀行工作流程中，可以實現更好的結果，以提前避免潛在的問題。

7、客戶細分

客戶細分意味著根據他們的行為(對于行為分割)或特定特征(例如區(qū)域，年齡，對于人口統(tǒng)計學分割的收入)挑選出一組客戶。數據科學家的一系列技術如聚類，決策樹，邏輯回歸等等，因此它們有助于了解每個客戶群的CLV并發(fā)現高價值和低價值的細分市場。

沒有必要證明客戶的這種細分允許有效地分配營銷資源，并且為每個客戶群提供基于點的方法的最大化以及銷售機會。不要忘記，客戶細分旨在改善客戶服務，并幫助客戶忠誠和留住客戶，這對銀行業(yè)是非常必要的。

8、推薦引擎

數據科學和機器學習工具可以創(chuàng)建簡單的算法，分析和過濾用戶的活動，以便向他建議最相關和準確的項目。這種推薦引擎即使在他自己搜索它之前也會顯示可能感興趣的項目。要構建推薦引擎，數據專家需要分析和處理大量信息，識別客戶配置文件，并捕獲顯示其交互的數據以避免重復提供。

推薦引擎的類型取決于算法的過濾方法。協(xié)同過濾方法既可以是基于用戶的，也可以是基于項目的，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)同過濾方法面臨的主要挑戰(zhàn)是使用大量數據，導致計算問題和價格上漲。基于內容的過濾與更簡單的算法一起工作，其推薦與用戶參考先前活動的項目相似的項目。如果行為復雜或連接不清，這些方法可能會失敗。還有一種混合類型的引擎，結合了協(xié)作和基于內容的過濾。

沒有任何方法是普適的，它們每個都有一些優(yōu)點和缺點，正確的選擇取決于你的目標和情況。

9、客戶支持

杰出的客戶支持服務是保持與客戶長期有效關系的關鍵。作為客戶服務的一部分，客戶支持是銀行業(yè)中一個重要但廣泛的概念。實質上，所有銀行都是基于服務的業(yè)務，因此他們的大部分活動都涉及服務元素。它包括全面及時地回應客戶的問題和投訴，并與客戶互動。

數據科學使這一過程更好地實現了自動化，更準確，個性化，直接和高效，并且降低了員工時間成本。

結論

為了獲得競爭優(yōu)勢，銀行必須承認數據科學的重要性，將其融入決策過程，并根據客戶數據中獲得可操作的見解制定戰(zhàn)略。 從小型可管理的步驟開始，將大數據分析整合到您的運營模式中，并領先于競爭對手。

由于這種快速發(fā)展的數據科學領域以及將機器學習模型應用于實際數據的能力，因此可以每天擴展此用例列表，從而獲得更多更準確的結果。

二、電商銷售數據分析案例(Oracle)

數據來源于Kaggle的電商數據集 The UCI Machine Learning Repository ，英國在線零售商在2010年12月1日到2011年12月9日的在線銷售數據，該電商公司主要以銷售各類禮品為主，多數客戶都是批發(fā)商。

使用Oracle 對數據進行處理與清洗，通過RFM模型、復購率、消費生命周期等對用戶維度進行分析，利用ABC分類、退貨率等維度展開剖析，結合Excel圖表進行可視化展示，為精準營銷與個性化服務提供支持。

根據分析目的選擇字段，數據集共8個字段，如果表格字段較多，視情根據分析目的的需要選擇合適的字段。

創(chuàng)建備用表new_ecommerce，將舊表的數據去重添加進備用表。原有數據541909條， 去重后數據536641條，刪除重復值5268條。

檢查缺失值

CustomerID存在缺失值135037條，Description出現缺失值1454條。數據都很大，不可能全部刪除。Description產品描述不是項目分析，不用處理。

在實際工作中，像CustomerID客戶ID缺失，首先找業(yè)務部門或者數據來源部門確認信息并且補上。本項目只有單一數據，無法找到相關人員確認，暫且把NULL值替換為0。

5.1檢查日期是否在范圍內（2010年12月1日到2011年12月9日）

交易成功，銷量不可能為負值或零值。如果銷量為零或者負值情況，那么需要和業(yè)務/數據來源部門確認具體的原因。這里假設出現負值是客戶退貨情況。

檢查發(fā)現交易銷量小于0的發(fā)票編號大都是"C”開頭的，有部分異常銷量小于0但不是以"C"開頭，這里做刪除處理。

檢查發(fā)現有單價為0的免費單，共計1174。暫且不分析免費單，直接刪除免費單的數據。

檢查發(fā)現兩筆壞賬，單價都是負值，故把它刪除。

根據分析目的，我們處理InvoiceDate日期數據。這里只做日期分析，不分析小時分鐘，故轉換為日期格式。

根據分析目的，本次分析將采用RFM模型

在RFM模式中：

R：最近一次消費時間（最近一次消費到參考時間的間隔）

F：消費的頻率(消費了多少次）

M：消費的金額 （總消費金額）

一般的分析型RFM強調以客戶的行為來區(qū)分客戶。

根據最近一次消費與客戶數的分析結果顯示最長的天數差是373天，最短0天；80%的客戶在200天內都有交易記錄，說明客戶忠誠度不錯。

分析顯示，10次交易記錄以內的客戶占絕大部分，說明客戶是很認可產品和服務。

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英鎊以內和1000-3000英鎊這兩個范圍內。

分析發(fā)現，該電商平臺總交易客戶數4372位。交易客戶中，一般發(fā)展客戶（可以說是新客戶）最多，占總數的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%。

每月新客數量及其占比

每月的新老客戶的銷售數量與銷售金額

用戶生命周期 = 最近一次購買時間 - 第一次購買時間

商品退貨分析

結合ABC分類進行分析，選取退貨率大于均值且為A級的商品（主要是綜合上文提及的ABC分類和退貨率計算，通過創(chuàng)建view的形式進行聯(lián)結后篩選，創(chuàng)建退貨率視圖為view_return_rate，ABC分類視圖為view_class），這里篩選出64個商品。

三、大數據攻略案例分析及結論

大數據攻略案例分析及結論

我們將迎來一個“大數據時代”。與變化相始終的中國企業(yè)，距離這場革命還有多遠？而追上領先者又需要多快的步伐？

｛研究結論｝

怎樣才能用起來大數據？障礙如何解決?中國企業(yè)家研究院對10多家在大數據應用方面的領先企業(yè)進行了采訪調研，更多家企業(yè)進行了書面資料調研，我們發(fā)現：

■    當前中國企業(yè)的大數據應用可以歸類為：大數據運營、大數據產品、大數據平臺三大=領域，前兩者更多是企業(yè)內部的應用，后者則在于用大數據來繁榮整個平臺企業(yè)群落的生態(tài)。

■    大數據營銷的本質是一個影響消費者購物前心理路徑的問題，而這在大數據時代前很難做到。

■    對于傳統(tǒng)企業(yè)而言，要打通線上與線下營銷，實現新的商業(yè)模式，如O2O等，離不開大數據。

■    雖然大數據應用往往集中于大數據營銷，但對于一些企業(yè)，大數據的應用早已超越了營銷范疇，全面進入了企業(yè)供應鏈、生產、物流、庫存、網站和店內運營等各個環(huán)節(jié)。

■    對于大部分企業(yè)，由于數據分析人員與業(yè)務人員之間的彼此視角與思考方向不同，大數據分析和運營之間存在脫節(jié)情況，這是大數據無法用于企業(yè)運營最大的阻力

■    對于大多數互聯(lián)網公司來說，大數據量、大用戶量是一個相互促進，強者越強的循環(huán)過程。

■    對于大型互聯(lián)網平臺，大數據已經成為其生態(tài)循環(huán)中的血液，對于這些企業(yè)，最重要

的不是如何利用大數據改進自身運營，而是利用大數據更好地繁榮平臺生態(tài)。

■    對于平臺企業(yè)，它們的大數據策略正逐漸從大數據運營，向運營大數據轉變，前者和

后者的差別在于，前者只是運營改進的動力，而后者則成為企業(yè)實現未來戰(zhàn)略的核心資源。

我們都已被反復告知：我們將迎來一個“大數據時代”。

大數據應用，將和云計算、3D打印這些技術變革一樣，顛覆既有規(guī)則，并成為先行企業(yè)的制勝關鍵。

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

來自于互聯(lián)網、移動互聯(lián)網、物聯(lián)網傳感器、視頻采集系統(tǒng)的數據正海量增長，匯成大數據的海洋，相伴的是海量數據存儲、分析技術的突破性發(fā)展，所有這一切都給企業(yè)的應用帶來了無限可能性。

許多企業(yè)希望將大數據用起來，帶動企業(yè)的經營，但不知從哪里著手。它們不惜重金投資大數據信息系統(tǒng)、分析系統(tǒng)，聘請更多的人才，希望能從這個新趨勢中獲益，不過卻無奈地發(fā)現，大數據仍然停留在云端，沒有帶來多少實際收益。它們找不到大數據與業(yè)務結合的突破口。而一些真正將大數據應用于實戰(zhàn)的企業(yè)，卻在應用過程中困難重重：大數據無法與業(yè)務結合；沒有收集、分析海量數據的能力；經營人員缺少應用大數據的動力；數據來源魚龍混雜難以使用……

中國企業(yè)家研究院對當前中國企業(yè)大數據應用的狀況進行了歸納分類，以幫助企業(yè)了解實際應用大數據時的困局難點，并提供領先企業(yè)的典型案例以資借鑒。

表1

表2

大數據運營—企業(yè)提升效率的助推力

對于大多數企業(yè)而言，運營領域的應用是大數據最核心的應用，之前企業(yè)主要使用來自生產經營中的各種報表數據，但隨著大數據時代的到來，來自于互聯(lián)網、物聯(lián)網、各種傳感器的海量數據撲面而至。于是，一些企業(yè)開始挖掘和利用這些數據，來推動運營效率的提升。大數據運營應用中，大數據的應用分為三類：用于企業(yè)外部營銷、用于內部運營，以及用于領導層決策。

一、大數據營銷

大數據營銷的本質是影響目標消費者購物前的心理路徑，它主要應用在三個方面：1、大數據渠道優(yōu)化，2、精準營銷信息推送，3、線上與線下營銷的連接。在消費者購物前，通過各種方式，直接介入其信息收集和決策過程。而這種介入，是建立在對于線上與線下海量用戶數據分析的基礎之上。相比傳統(tǒng)狂轟濫炸或等客上門的營銷，大數據營銷無論在主動性和精準性方面，都有非常大的優(yōu)勢。它是目前主要的大數據應用領域。

大數據營銷不僅僅是用大數據找出目標顧客，向其發(fā)布促銷信息，它還可以做到：

實現渠道優(yōu)化。根據用戶的互聯(lián)網痕跡進行渠道營銷效果優(yōu)化，就是根據互聯(lián)網上顧客的行為軌跡來找出哪個營銷渠道的顧客來源最多，哪個來源顧客實際購買量最多，是否是目標顧客等等，從而調整營銷資源在各個渠道的投放。例如東風日產，它利用對顧客來源的追蹤，來改進營銷資源在各個網絡渠道如門戶網站、搜索和微博的投放。

精準營銷信息推送。精準建立在對海量消費者的行為分析基礎之上，消費者網絡瀏覽、搜索行為被網絡留下，線下的購買和查看等行為可以被門店的POS機和視頻監(jiān)控記錄，再加上他們在購買和注冊過程中留下的身份信息，在商家面前，正逐漸呈現出消費者信息的海洋。

一些企業(yè)通過收集海量的消費者信息，然后利用大數據建模技術，按消費者屬性（如所在地區(qū)、性別）和興趣、購買行為等維度，挖掘目標消費者，然后進行分類，再根據這些，對個體消費者進行營銷信息推送。比如孕婦裝品牌十月媽咪通過對自己微博上粉絲評論的大數據分析，找出評論有“喜愛”相關關鍵詞的粉絲，然后打上標簽，對其進行營銷信息推送。京東商城副總經理李曦表示：“用大數據找出不同細分的顧客需求群，然后進行相應的營銷，是京東目前在做的事情?！毙∫不瘖y品將自身網站作為收集消費者信息的雷達，對不同消費者推薦相應的肌膚解決方案，創(chuàng)始人肖尚略希望在未來，大數據營銷能替代網站的作用，真正成為面向顧客的前端。

打通線上線下營銷。一些企業(yè)將互聯(lián)網上海量消費者的行為痕跡數據與線下購買數據打通，實現了線上與線下營銷的協(xié)同。比如東風日產，線上與線下的協(xié)同營銷方式為：其門戶網站帶來訂單線索，而通過這些線索，服務人員進行電話回訪，從而推動顧客在線下交易。在此過程中，東風日產記錄了消費者進入、瀏覽、點擊、注冊、電話回訪和購買各個環(huán)節(jié)的數據，實現了一個橫跨線上線下，以大數據分析為支持的，營銷效果不斷優(yōu)化的閉環(huán)營銷通路。而國雙科技，衡量某一地區(qū)線下促銷活動的效果，就是看互聯(lián)網上，來自這個地區(qū)對于促銷內容的搜索量。一些企業(yè)，通過鼓勵線下顧客使用微信和Wi-Fi等可追蹤消費者行為和喜好的設備，來打通線上與線下數據流，銀泰百貨計劃鋪設Wi-Fi，鼓勵顧客在商場內使用，然后根據Wi-Fi賬號，找出這個顧客，再通過與其它大數據挖掘公司合作，以大數據的手段，發(fā)掘這個顧客在互聯(lián)網的歷史痕跡，來了解這個顧客的需求類型。

二、大數據用于內部運營

相比大數據營銷，大數據在內部運營中的應用更深入，對于企業(yè)內部的信息化水平，以及數據采集和分析能力的要求更高。本質上，是將企業(yè)外部海量消費者數據與企業(yè)內部海量運營數據聯(lián)系起來，在分析中得到新的洞察，提升運營效率。（詳見P96表5：大數據在內部運營中的應用）

表5

三、大數據用于決策

在大數據時代，企業(yè)面對眾多新的數據源和海量數據，能否基于對這些數據的洞察，進行決策，進而將其變成一項企業(yè)競爭優(yōu)勢的來源？同大數據營銷和大數據內部運營相比，運用大數據決策難度最高，因為它需要一種依賴數據的思維習慣。

已有少數企業(yè)開始嘗試。比如國內一些金融機構在推出一個金融產品時，會廣泛分析該金融產品的應用情況和效果、目標顧客群數據、各種交易數據和定價數據等，然后決定是否推出某個金融產品。

但是，中國企業(yè)家研究院在調研中發(fā)現，目前中國企業(yè)當中，大數據決策的應用非常之少，許多企業(yè)領導者進行決策時，仍習慣于憑借歷史經驗和直覺。

大數據產品——企業(yè)利潤滋長的新源泉

大數據除了用于運營外，還能夠與企業(yè)產品結合，成為企業(yè)產品背后競爭力的核心支持或者直接成為產品。提供大數據產品的企業(yè)分為兩類，直接提供大數據產品的企業(yè)，以及將大數據作為產品和服務核心支撐的企業(yè)。前者主要為大數據產業(yè)鏈中提供數據服務的參與者，包括數據擁有者、存儲企業(yè)，挖掘企業(yè)、分析企業(yè)等，后者則主要是那些以大數據為產品核心支撐的企業(yè)，它們大多是互聯(lián)網企業(yè)，其產品和服務先天就有大數據基因，這些企業(yè)包括搜索引擎、在線殺毒、互聯(lián)網廣告交易平臺以及眾多植根于移動互聯(lián)網之上，為用戶提供生活和資訊服務的APP等。

表3

表4

一、大數據作為產品核心支持

它們主要在以下幾方面使用大數據：

1、提供信息服務。很多互聯(lián)網企業(yè)通過對海量互聯(lián)網信息和線下信息的整合和分析，為個人和企業(yè)提供信息服務，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，一些互聯(lián)網企業(yè)甚至根據大數據提供更深度的預測信息服務，美國科技創(chuàng)新公司farecast，通過分析特定航線機票的價格，幫助消費者預測機票價格走勢。

2、分析用戶的個性化需求，借此提供個性化產品和服務，或者實現更精準的廣告。典型的有移動社交工具陌陌、百度、騰訊、廣告交易平臺品友互動以及一些互聯(lián)網游戲商。這種應用往往先是收集海量用戶的互聯(lián)網行為數據，將用戶分類，根據不同類型的用戶，提供個性化的產品，或者提供個性化的促銷信息。比如網易等門戶網站推出了訂閱模式，讓使用者按照個人喜好方便地定制和整合不同來源的信息。

3、增強產品功能。對于很多互聯(lián)網產品，如殺毒軟件、搜索引擎等等，海量數據的處理能夠讓產品變得更聰明更強大，如果沒有大數據，產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，這使它能夠更快地發(fā)現病毒，而一些小的殺毒軟件公司則無法做到這一點。

4、掌控信用狀況，提供信貸服務。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，通過對這些往來數據的匯總與分析，阿里巴巴能發(fā)現單個企業(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，控制信貸風險。

5、實現智能匹配?；閼倬W站、交易平臺等，利用大數據可以進行精準而高效的配對服務。網易花田會挖掘用戶行為數據，比如點擊哪些異性的頁面，發(fā)表什么樣的評論，建立用戶興趣模型，從而挖掘到用戶所期待另一半的類型，然后主動推薦與對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，由阿里巴巴將中國各產業(yè)集群地的供應商與海外買家的個性采購需求進行快速匹配，所憑借的，就是對供應商的海量交易數據信息的整合與挖掘。

大數據作為產品核心支撐的關鍵在于用戶量。對于大多數互聯(lián)網公司來說，用戶量越多，收集的數據越多，憑借更多的數據，其產品與商業(yè)模式會不斷改進，進而帶來更多的用戶。

二、大數據直接作為產品

對一些企業(yè)，大數據直接成為了產品，這些產品包括海量數據、分析、存儲與挖掘的服務等，目前大數據產業(yè)鏈正在形成過程中，出現了一批開放、出售、授權大數據和提供大數據分析、挖掘的公司和機構，前者主要是一些擁有海量數據的公司，將數據服務作為新的盈利來源。如大型的互聯(lián)網平臺、民航、電信運營商、一些擁有大數據的政府機構等等，后者主要包括一些能夠存儲海量數據或者將海量數據與業(yè)務場景結合，進行分析和挖掘，或者提供相關產品的公司，如IBM、SAP、拓而思、天睿公司。它們?yōu)榇髷祿谜邆兲峁┖Ａ繑祿鎯?、數據挖掘、圖像視頻、智能分析等服務以及相關系統(tǒng)產品。

大數據平臺——企業(yè)群落繁榮的滋養(yǎng)劑

相對企業(yè)本身對大數據的應用，大數據平臺更多是利用大數據來搭建企業(yè)生態(tài)。一些擁有龐大數據資源的大型互聯(lián)網平臺，已變?yōu)榘Ａ考纳叩纳鷳B(tài)系統(tǒng)。在這個生態(tài)系統(tǒng)中，它們將海量用戶互聯(lián)網行為痕跡和分析提供給平臺上的企業(yè)，用于它們改善經營，推動整個平臺生態(tài)繁榮，在這一過程中，它們也收取數據服務費。阿里巴巴就是一個典型的例子，從數據魔方、黃金策到聚石塔，阿里巴巴不斷地為平臺上中小電商提供數據產品和服務。

而百度已建成了包括百度指數、司南、風云榜、數據研究中心和百度統(tǒng)計在內的五大數據體系平臺，幫助其營銷平臺上的企業(yè)了解消費者行為、興趣變化，以及行業(yè)發(fā)展狀況、市場動態(tài)和趨勢、競爭對手動向等信息。

而當大數據從企業(yè)內部運營的動力，變成平臺企業(yè)的產品和服務時，平臺企業(yè)也在經歷著一個從大數據運營到運營大數據的階段。數據從運營的支持工具，變成了生產資料。此前平臺們的關注點，更多的是如何用好現有的大數據。而未來，它們的關注點則更多是如何將大數據這個生產資料管理好、經營好，如何更好地為平臺上的企業(yè)服務。這就涉及到收集的數據質量怎樣？格式標準是否統(tǒng)一？數據作為一種原材料，其精細化程度如何？是否符合平臺上企業(yè)應用的具體場景？是平臺上企業(yè)拿來就能用的，還是還需要平臺上的企業(yè)再加工？

為解決這些問題，各個平臺在積極地努力。比如阿里巴巴建立了數據委員會，在統(tǒng)一數據格式標準、從源頭上保證數據的質量，采集和加工出精細化的數據，確保其能符合平臺企業(yè)的應用場景等方面，不遺余力地嘗試。尤其在大數據精細化方面，阿里巴巴更是作為其大數據戰(zhàn)略的重點。這方面，騰訊目前也在加快步伐。比如新版騰訊網出現了“一鍵登錄”的提示，用戶可以在上面通過一些細分標簽，訂閱自己關注的內容。實際上，這也是騰訊收集更精細化的用戶興趣數據的一個有效手段。

Tips

大數據實戰(zhàn)手冊

將大數據應用于內部運營中時，企業(yè)會遇到一些常見問題

1企業(yè)如何獲取與分析數據？

互聯(lián)網是大數據的一個主要來源，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據的平臺、企業(yè)以及政府機構合作。比如淘寶上的電商就購買淘寶收集的海量數據中與自身運營相關的部分，用于自身業(yè)務。再如卡夫通過與IBM合作，在博客、論壇和討論版的內容中抓取了47.9萬條關于自己產品的討論信息，通過大數據分析出消費者對卡夫食品的喜愛程度和消費方式。

b  建立自己在互聯(lián)網上的平臺，比如朝陽大悅城利用自己的微信、微博等平臺收集消費者評論數據。

c  許多傳統(tǒng)企業(yè)沒有分析海量數據的能力，此時它們可以和大數據分析和挖掘公司合作，目前市場上已經有天睿公司、IBM、百分點、華勝天成等一批提供大數據分析和挖掘服務的公司，它們是傳統(tǒng)企業(yè)進行大數據分析可以借助的力量。

2 如何避免大數據應用時的部門分割？

對于許多企業(yè)，其信息流被各部門彼此分割，數據難以互通，對于這種情況下，大數據的共享和匯集就只是一個泡影，更難以實現大數據的深度應用。

要打通部門之間信息分割的局面，首先要建立統(tǒng)一的、集中的數據系統(tǒng)。就像立白信息與知識總監(jiān)王永紅所說的，“要真正用好大數據，企業(yè)要采用大集中的信息系統(tǒng)?！睆母钊氲慕嵌葋碚?，企業(yè)信息流的部門分割，更在于企業(yè)部門之間的分割，比如有一些企業(yè)的營銷按照渠道分割，導致對于顧客的大數據收集和分析效果大打折扣。

IBM智慧商務技術總監(jiān)楊旭青認為，“很多時候由于組織結構問題，大數據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計，在這方面，阿里巴巴的部門負責人輪崗制度，對于打破部門壁壘無疑是一劑好藥。而一些企業(yè)為了打破部門分割，建立了矩陣型的組織結構，強化部門間的橫向合作，這些無疑為大數據的匯集、共享與應用創(chuàng)造了良好條件。

3 如何讓業(yè)務人員重視大數據的應用？

解決這個問題，一方面在于一把手對整個企業(yè)數據文化的倡導，比如1號店董事長于剛就要求業(yè)務人員無論在開會，還是匯報工作時，都以數據說話，而馬云更是將大數據提升到了戰(zhàn)略高度。

另一方面，也在于數據部門的帶動，阿里巴巴數據委員會負責人車品覺分享了經驗，“因為運營部門的業(yè)務人員很難看到大數據的潛力，可以首先從一些對業(yè)務見效快，見效顯著的數據項目出發(fā)，通過一兩個項目的成功，調動對方的積極性，然后再逐步一個個地引導?！?/p>

4 為何大數據工作與運營需求脫節(jié)？

這往往是由于數據人員與業(yè)務人員視角、專業(yè)知識不同而導致的。大數據人員做了很多努力，但是業(yè)務人員卻認為這些努力無關痛癢。如何解決這個問題？

有的企業(yè)從組織設計上發(fā)力，將大數據納入業(yè)務分析部門的管理之下，用業(yè)務統(tǒng)馭數據。對于朝陽大悅城，由主要負責戰(zhàn)略和經營分析的部門來管理大數據工作，其中的大數據分析人員則作為支持人員。在負責人張巖看來，大數據要靠商業(yè)法則指導，關鍵是找到業(yè)務需求的點，然后由數據分析和挖掘人員實現。在具體操作中，大悅城對微信的數據挖掘，挖掘什么樣的關鍵詞，由業(yè)務分析人員確定，而具體挖掘則由數據部門做；有的企業(yè)從流程設計上著手，推動業(yè)務部門與數據部門人員之間的溝通，建立數據人員工作與效果掛鉤的考核機制。

例如阿里巴巴根據數據挖掘的成效（比如帶來的商品轉化率的提升）來考核數據挖掘師，考核數據分析師則看其分析結果能否出現在經營負責人的報告中。從數據部門自身角度則需要降低運營部門使用數據的障礙和門檻，比如立白集團的數據人員會努力嘗試向運營部門提供更易懂、更生動的圖形化數據分析界面，在立白老板辦公室上，就有一份“客戶運營健康體檢表”，讓老板對全國經銷商的當月銷售情況一目了然。再如阿里巴巴開發(fā)的無線Bi，讓經營人員在手機上也可以看到大數據分析結果，拿車品覺的話說，“以數據之氧氣包圍經營人員?！?/p>

以上是小編為大家分享的關于大數據攻略案例分析及結論的相關內容，更多信息可以關注環(huán)球青藤分享更多干貨

四、數據集市的案例分析

通過吉林市等城市的成功試點，中國移動已經決定將數據集市作為2006年移動地市級公司的建設重點之一。這也同時意味著，電信行業(yè)建立在數據倉庫基礎上的BI應用已經進入到更加深入挖掘的階段，其產生的結果將直接服務于一線的生產銷售……

數據集市：深化挖掘第一步

電信行業(yè)對于數據倉庫并不陌生，為了實現從產品導向往客戶導向的轉變，電信公司紛紛建立以客戶為中心的數據倉庫，希望依據客戶的需要、期望及喜好來制訂策略，提升企業(yè)競爭力。簡單說，數據倉庫就是為了保證數據查詢和分析的效率，按照主題將所有的數據分門別類進行存儲，需要的時候，可以按主題提取數據并做進一步的分析處理。

數據集市，可以稱作小數據倉庫，是用來分析相關專門業(yè)務問題或功能目標而做的專項的數據集合。它建立在具有統(tǒng)一數據存儲模型的數據倉庫下，各級業(yè)務人員按照各部門特定的需求把數據進行復制、處理、加工，并最終統(tǒng)一展現為有部門特點的數據集合，數據集市的應用是對數據倉庫應用的補充。

經過近幾年的努力，吉林移動通信有限責任公司已經成功在省級公司建立起了面向決策支持的經營分析系統(tǒng)，BI系統(tǒng)也逐漸完善。省級公司從業(yè)務系統(tǒng)中將相關業(yè)務數據進行抽取、清洗、加工、整理、加載到數據倉庫中，在數據倉庫中形成基礎的分析數據的存儲，對地市一級公司的營銷策略進行指導。

問題也隨之產生，由于下屬分公司在客戶群體、市場容量、利潤來源等地域差異明顯，省級公司通過全省范圍內分公司數據的匯總和分析，難以對單個地市級分公司產生個性化決策支持。另一方面，地市一級的分公司在開拓終端市場的過程中，激發(fā)了旺盛的應用需求，具體表現為對數據粒度的要求更加精細、需求更加靈活多變、要求更強的可操作性。

2005年6月，中國移動通信有限公司制定了《中國移動經營分析系統(tǒng)數據集市（試點）業(yè)務技術建議書》。為了使經營分析系統(tǒng)在地市級公司日常生產經營中發(fā)揮更大作用，吉林移動最終決定與亞信科技合作，全面進行數據集市的搭建。吉林省吉林市成為12個試點中第一個吃螃蟹的城市。

吉林移動希望通過數據集市的建設及時準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營銷服務。吉林市分公司也希望提升自身的經營分析水平，落實集團公司的精細化營銷戰(zhàn)略。

在總體設計方面，吉林移動希望通過吉林市的試點為吉林省其它分公司建設統(tǒng)一的數據集市的模型，基本涵蓋地市固定統(tǒng)計報表及分析的需求，統(tǒng)一建模，統(tǒng)一管理。在功能上，為地市分公司的市場營銷行為提供客戶個體分析，提高經營分析結果的可實施能力，支持精細化營銷，支持地市開發(fā)過靈活專題分析。開發(fā)標準化、開放的數據平臺，滿足省內不同地市分公司更多個性化的、臨時性的分析需求。

總體來說，吉林移動對亞信科技提出了很實際的業(yè)務描述，就是以提供豐富的數據為基礎，以提供簡要分析功能、提高日常分析能力為主要手段，以解決各類業(yè)務目標為最終目的，大力提升地市公司數據綜合運用、分析能力，大力提升分公司主動服務、主動營銷效能。

數據集市項目從2005年6月開始組織需求調研，經歷了5個月的建設時間，于2005年11月底上線使用，完成了中國移動集團公司試點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展集的內容。

作為實施方，亞信科技在吉林數據集市建設過程中遵循了平臺標準化、業(yè)務個性化的原則。亞信一方面在數據集市基礎平臺采用標準的系統(tǒng)軟件，使數據集市的邏輯數據模型統(tǒng)一、標準；另一方面，在地市分公司開發(fā)應用功能時，結合本地的實際情況，體現了本地的需求特色。在項目建設期間，吉林移動曾兩次就該項目建設的方法與思路向中國移動集團公司領導匯報，亞信的建設思路及建設成果得到了移動總公司的高度認可。

隨著吉林移動、云南移動等公司數據集市項目的成功試點，中國移動31個省的上百家地市級公司將紛紛上馬數據集市項目。可以預見，2006年將是移動公司進一步深入挖掘BI應用，提升BI建設水平的一年，數據集市作為專項的數據集合與分析系統(tǒng)，對中國移動地市級分公司的日常經營管理將產生至關重要的作用，成為中國移動落實精細化經營策略的重點工程。

以上就是關于數據案例分析相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內容。

推薦閱讀：

銷售數據分析主要分析什么（銷售數據可以從哪些方面分析）

雙11各大電商平臺銷售數據（雙十一歷年數據分析）

怎么做可視化數據大屏（怎么做可視化數據大屏顯示）

旅游景觀設計研究綜述（旅游景觀設計研究綜述范文）

凡科網站建設（凡科網站建設價格對比）