
未来的这些行业都会受到大数据的影响
在未来的几十年里,大数据将会是个重要话题,无论对于个人还是对于国家。大数据的发展会冲击着许多行业,包括经济、医疗,销售等,也会彻底地改变我们的生活,那么我们就来看看大数据将会影响未来中国的哪些行业?
一、城市建设
2008年11月,在纽约召开的外国关系理事会上,IBM提出了“智慧的地球”这一理念,进而引发了智慧城市建设的热潮。
智慧城市,智慧城市是把新一代信息技术充分运用在城市的各行各业之中的基于知识社会下一代创新(创新2.0)的城市信息化高级形态。
资源的合理配置是智慧城市建设的首要目标,既要不出现由于资源配置不平衡而导致的效率低下以及骚乱,又要避免不必要的资源浪费而导致的财政支出过大。大数据作为其中的一项技术可以有效帮助政府实现资源科学配置,精细化运营城市,打造智慧城市。
例如,城市的道路交通,完全可以利用GPS数据和摄像头数据来进行规划,包括道路红绿灯时间间隔和关联控制,包括直行和左右转弯车道的规划、单行道的设置。利用大数据技术实施的城市交通智能规划,至少能够提高30%左右的道路运输能力,并能够降低交通事故率。对于教育资源、医疗资源、产业规划、城市建设等都可以借助于大数据技术进行良好规划和动态调整。
大数据及大数据技术带给政府的不仅仅是效率提升、科学决策、精细管理,更重要的是数据治国、科学管理的意识改变,未来大数据将会从各个方面来帮助政府实施高效和精细化管理,具有极大的想象空间。
二、零售行业
不管是通过沃尔玛卖尿布和啤酒的事例,还是Target通过向年轻女孩的父亲寄送关于婴幼儿用品广告,从而告知其女儿怀孕的事,大数据正在低调的渗入零售行业。
零售业可以根据客户的购买记录,以便更进一步了解客户需求,从而可以进行关联销售,从而增加产品的销售额;另一方面,还可以通过客户的日用品购买习惯,分析其购买频率,从而可以在客户即将用完之际,通过精准广告投放或者网上商城活动,让客户在第一时间选择自己,不仅提高了销售效率,也提高了客户体验。
例如国内的电商巨头,天猫和京东电,已经通过客户的购买习惯,将客户日常需要的商品例如尿不湿,卫生纸,衣服等商品依据客户购买习惯事先进行准备。当客户刚刚下单,商品就会在24小时内或者30分钟内送到客户门口,提高了客户体验,让客户连后悔等时间都没有。
三、金融行业
典型的案例有花旗银行利用IBM沃森电脑为财富管理客户推荐产品,美国银行利用客户点击数据集为客户提供特色服务。中国金融行业大数据应用开展的较早,但都是以解决大数据效率问题为主,很多金融行业建立了大数据平台,对金融行业的交易数据进行采集和处理。
在过去的金融领域中,大数据被用于分析自身的财务数据,提供动态的财富报表以及风投管理,开展的还不够深入。当今,一些证券企业和银行开始于移动互联网接轨,进行价值变现。其中招商银行、平安集团、兴业银行、国信证券、海通证券和TalkingData在移动大数据精准营销、获客、用户体验等方面进行了不少的尝试,取得的效果还不错。
大数据对于金融行业的改良可以体现在以下几个方面:
精准营销,根据客户的消费时间记录,消费习惯,地理位置等进行有价值的推销。
风控管理,根据客户的消费记录和信用评级,参考客户的社交行为记录可以有效的实施信用卡反欺诈。
业务效率。利用整个金融行业全局数据,了解业务的薄弱点,利用数据分析技术加快对于数据的处理速度,并帮助管理者更好地进行决策。
产品设计,利用大数据分析分析归纳出客户需求,并设计出更合理的金融产品,为财富客户提供更好的金融服务。
四、公共卫生
2009年爆发的一种新的流感病毒,这种甲型H1N1流感结合了禽流感和猪流感的病毒特点,在短短的几周快速蔓延扩张,全球的公共卫生机构都担心这场致命流行病的袭击。
在流感爆发的前几周,互联网巨头谷歌的工程师在《自然》发表了一篇另公共卫生官员和计算机科学家们都震惊的论文,文中解释了谷歌为何可以预测流感的发生,并且对于发生的地点可以详细到州区。原来,谷歌通过观察分析人们在网上的浏览记录来完成预测。
所以在2009年H1N1流感大肆爆发的时候,与习惯性滞后的官方数据相比,谷歌提供了更有效、更及时的数据指示,为公共卫生机构提供了非常有价值的参考数据。
在医疗公共卫生行业,有海量的数据如病例、病理报告、医疗方案、药物报告等,如果将这些数据进行归纳有效的整合,将会极大地帮助病人和医生。如果在未来,基因技术得以成熟的发展,医生完全可以依据病人的基因特点,调取相似基因、年龄、人种、身体情况相同的有效治疗方案,制定出适合病人的治疗方案,帮助更多人及时进行治疗。同时这些数据也有利于医药行业开发出更加有效的药物和医疗器械。
五、大数据产业
根据所提供的价值的不同来源,未来三大数据公司将成为主流,这三种来源是指:数据本身、技能与思维。
第一种基于数据本身的公司,即大数据掌控公司。
“数据是新的石油”亚马逊前任首席科学家AndreasWeigend说。
在大数据时代,数据本身就是最值钱的部分,这类公司拥有大量的数据,或许不是收集数据的人,但是他们可以接触到数据,有权使用或者授权他人使用,他们也不一定有从数据中提取价值或者用数据催生创新思想的技术。最好的例子就是Twitter,它拥有海量的数据,但是它的数据都是通过两个独立的公司授权给别人使用。
第二种是基于技能的公司,即大数据技术公司。
这类公司通常是咨询公司、技术供应商或者分析公司。他们掌握了专业技能,却不一定拥有数据或者通过数据开发创新性性能。例如沃尔玛和Pop-Tarts这两个零售商就是通过天睿公司(Teradata)的分析来得到营销指导,天睿在这里的角色就是一家技术公司。
近年来,一种新的职业出现了,那就是“数据科学家”,数据科学家是统计学家、程序员、图形设计师的综合体,通过探寻数据来进行新发现。全球知名咨询管理公司麦肯锡就曾极端地预测数据科学家是当今和未来稀缺的资源。
第三种是基于思维的公司或者个人
这类存在的优势是他们能够先人一步发现机遇,尽管他们本身并不拥有数据,也不具备专业技能,或许正因为是外行人,才能够不受限制地发散思维,会考虑到一切可能。
皮特·华登(Peter Warden),Jetpac的创始人,就是通过想法来实现价值。Jetpac通过用户分享到网上的旅行照片来为准备出行的人们推荐旅行目的地。
六、物流行业
物流行业在电商中是个重要的存在,比如阿里和苏宁的联手,其中一个锁链就是马云看中了苏宁累计了十几年的强大的成熟的物流体系。中国的物流产业规模大概有5万亿左右,而近来物流行业的整体利润由原来的30%降到20%,并且依然呈现出下降的趋势,这主要是由于返程空载、重复运输、小规模运输等方面的资源浪费。物流资源整合,提高运输效率是中国物流市场必然要解决的问题。
大数据可以帮助物流行业建立全国物流网络,了解各个节点的运货需求和运力,合理配置资源,降低货车的返程空载率,降低超载率,减少重复路线运输,降低小规模运输比例。
七、互联网广告行业
2014年中国互联网广告市场迎来发展高峰,市场规模预计达到1500亿元左右,较2013年增长56.5%。数字广告越来越受到广告主的重视,其未来市场规模越来越大。2014年美国的互联网广告市场规模接近500亿美元,参考中国的人口消费能力,其市场规模会很快达到2000亿人民币左右。
过去到广告投放都是以好的广告渠道+广播式投放为主,广告主将广告交给广告公司,由广告公司安排投放,其中SEM广告市场最大,其他的广告投放方式也是以页面展示为主,大多是广播式广告投放。广播式投放的弊端是投入资金大,没有针对目标客户,面对所有客户进行展示,广告的转化率较低,并存在数字广告营销陷阱等问题。
大数据技术可以有效地分析客户群体,利用移动互联网时代的智能产品,可以进行用户画像,并且包含个人的信息位置,能够更有效的模拟客户。并且根据用户信息,直接将广告投放到有潜在需求的客户的智能手机端或者常用的App或者常浏览的网页中去,从而提高广告的投放效率,帮助更精准的营销。
八、房地产行业
中国的房地产疯狂期已经过去,各地闲置的空房越来越多,“鬼城”一词不再陌生,房地产行业受到的挑战越来越艰巨,如何跳出这一循坏,摆脱这一厄运成为了房地商的首要思考的问题。
借助于大数据,特别是移动大数据技术。房地产业可以了解开发土地所在范围常驻人口数量、流动人口数量、消费能力、消费特点、年龄阶段、人口特征等重要信息。这些信息将会帮助房地商在商业地产开发、商户招商、房屋类型、小区规模进行科学规划。
九、传统制造行业
强大的信息资源冲击着传统行业市场,给其带来了更多的机遇。制造业过去面临生产过剩的压力,很多产品包括家电、纺织产品、钢材、水泥、电解铝等都没有按照市场实际需要生产,造成了资源的极大浪费。利用电商数据、移动互联网数据、零售数据,我们可以了解未来产品市场都需求,合理规划产品生产,避免生产过剩。
例如依据用户在电商搜索产品的数据以及物流数据,可以推测出家电产品和纺织产品未来的实际需求量,厂家将依据这些数据来进行生产,避免生产过剩。移动互联网的位置信息可以帮助了解当地人口进出的趋势,避免生产过多的钢材和水泥。
目前关于大数据市场有两大问题:大数据的应用价值和大数据附带的个人隐私安全问题。
大数据的应用价值已经越来越明朗化,带来的各种效益也都是人们乐意接受的,但是附带而来的个人信息安全问题却是必须要考虑兼顾的。
有关大数据隐私保护以及大数据应用过程中个人信息保护方面还停滞不前,大家都在摸石头过河,不知道哪些事情可以做,哪些事情不可以做。国家在大数据隐私保护方面正在进行立法,估计不久的将来,大数据服务公司和企业将会了解大数据隐私保护方面的具体要求。
大数据改造了我们的生活,它能够优化、提高、高效化并捕捉利益,但并不意味着它是一个充斥运算法则和机器的冰冷世界,人始终扮演着重要的角色。人类所独有的弱点、错觉和不确定性都是十分必要的,因为这些缺点的另一头是连接着人类的创造力、直觉和天赋。
如果亨利·福特问大数据他的顾客想要什么,他会得到的回答是“一匹更快的马”。在大数据时代,创意、直觉、冒险精神、野心等的人类特征的培养尤为突出,因为预测未来的最好办法就是创造未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02