京公网安备 11010802034615号
经营许可证编号:京B2-20210330
O2O大数据金矿应以什么姿势挖掘
首先我们先来分清数据在商业社会中产生的两端,一端是TO B端,也就是商家端,这个部分在银行表现有企业的存贷等数据;零售业则是商品属性、进价、商家类型等数据。说白了,就是和商家相关的数据;另一端是TO C端,也就是个人端,这个部分在银行表现为个人存贷数据;零售业则是销售、顾客在卖场的动线、会员卡信息等数据。说白了,就是和个人相关的数据。
数据演变的第一阶段:静态数据
在线下的商业时代,也就是我们说的传统企业,数据的第一阶段属于静态数据,怎么理解呢?
就是说你办了张信用卡或者实体店的会员卡,初次登记的信息没办法随时由你个人来改动,这个数据如果你不打电话去银行或者到实体店,或者他们不联系你时,一直是不会变动的,哪怕你已经换了无数次手机号搬了无数次家,信用卡和会员卡仍然在有效期内可以使用,这种情况现在已经有很大变化,但仍然是静态数据。而线下的许多动态数据,例如在店里走过来走过去、眼睛看这看那等,原来的技术能力无法获取这些数据。
数据演变的第二阶段:相对动态数据
在线上的商业时代,也就是我们说的PC电商,数据的第二阶段开始了,那就是相对动态数据,为什么说是相对动态呢?
你在电商网站注册了用户名和密码,你的浏览、点击等这些数据被记录,并可以随时根据你的变化而变化,这些数据实际上也是相对动态,因为数据和个人及最终销售的关联度有限,而且数据量有限,因为无法对接离开电脑后的数据;然后你产生了购买行为,如果你的地址和联系方式信息不自行调整,这些电商网站会按照这样的信息进行送货,这种情况现在都会发生。
所以数据需要你手工进行修改,这样的数据就是相对动态数据。这样的数据量一方面是量有限,一方面是价值有限,最终胜出的并不是烧钱推广的网站,而是构建基础电商服务体系的两个公司,一是构建了在线金融优势的阿里巴巴的支付宝,解决了在线支付;二是构建了物流优势的京东,解决了快速送货和售后服务。
PC时代产生的许多数据,除了电商外,其它的游戏、门户、商业服务基本都是这样的相关动态形态。傻傻地认为电商要发展起来砸钱买流量的基本都挂了,无一幸免,很有可能是对于数据与商业基础服务关联思考和实践得不足导致,其它原因不再过多赘述!
数据演变的第三阶段:动态数据
到了移动互联网或者再进一步移动社交互联网时代,数据进入到第三阶段,那就是动态数据。
说到这个部分就很好理解了,你的手机可以随时定位你的具体位置,就是你不修改保存的地址平台都能够知道你的位置精确变化,还有你的浏览轨迹从线上到线下都被跟踪和获取……数据量以几何级开始增长,价值变得越来越高,O2O(线上线下结合)的大数据时代来临,个人和商家所谓的隐私数据越来越多被各种各样的智能机器获取,人力已经无法HOLD住自己的隐私数据,这个我在2012底年就写过一篇《O2O的世界没有隐私》的分析文章。
不过话说回来,在这样的大数据时代下,实际上对于轻易能够获取数据的任何一家公司来说,个人和商家的隐私保护显然担子更重了,因为一旦这些隐私数据被泄露,对于一家公司来说很多时候直接倒闭,无法再次获得信任,这也解释了为什么现在数据安全和攻击比之前两个时代要多得多的缘故。
非常简单地描述了到现在为止数据演变的三个阶段,当然在“商性研究院”对数据的研究里,还有一个即将来临的阶段应该叫做:超动态数据。
超动态数据
这个阶段的数据到了生物层面,随着智能设备和人类在物质极大丰富后对健康的重视,可能植入设备不会到来,但是能够通过各种光线探测人类生物数据的智能设备会快速发展并成为日常使用的工具,例如通过增加光线检测的空调能够直接测试人的体温和环境温度的数据,这些数据再和其它设备产生的热量关联,智能调节温度;戴的手表金属接触皮肤后检测细胞状态获得数据;红外摄影头感应热度数据等等很快会成为可能,这时候生物数据的快速变化(人的体温变化估计要用毫秒来进行)就使得数据进入到“超动态数据”阶段了。
“那么,大数据金矿应以什么姿势挖掘?”
第一阶段的静态数据结合得让人恼火,简单说大家会有感性认识,你每天收到的垃圾短信、诈骗电话、推销电话等行为都是这些静态数据被简单粗暴“出卖”的数据金矿挖掘姿势,别说个人非常不爽,其实像电信三巨头和金融业、房地产、4S店、零售企业等这些拥有在数据第一阶段拥有算是海量的个人和商家静态数据的公司这种金矿挖掘姿势也显得有些无奈,明知大家都不爽,为什么都做?这个话题聊下去估计要上升到哲学高度,就多扯了,总之金矿挖得很苦,个人骂平台,平台假装没听见或者装无辜……
这个阶段很快被第二阶段的数据挖掘姿势取代,虽然有少量行为,但变得少很多,阿里和京东并不需要将相对动态数据以这种方式变现,而是开始建立数据分析模型和产品,以产品化、工具化和平台化三种方式更有效率且更高收益地挖掘数据金矿。
简单地说:通过相对动态数据就可以知道什么商品更好卖,这个指导着京东这种采销体系的平台进行采购和营销,就比苏宁和国美效率高且数据产生的收益大,再进一步推动的金融创新:京东白条、京东金融让数据收益开始更高效率更低成本地从零售业跨界到金融业。
阿里做得更加极致,除了比京东更早的金融创新之外,还有开发了数据魔方这样数据产品,商家可以通过付年费方式获取更多数据指导自己的商业行为;还有服务平台的建立,也使得数据进一步在产品和工具开发上获得发展,从而获取收益。这些方面是开放平台的思路,商家通过平台的个人数据和工具提升效率提高销售降低成本,愿意为数据付费;个人通过数据服务平台了解自己的消费情况,更理性地消费和引导到理财平台,为后面的动态数据阶段打下了坚实的金矿挖掘基础。
这个时候的银行业、金融业、汽车业、房地产业、零售业面对着自己的数据金矿开始显现出无奈和无力的一面,只好开始向互联网平台学习,积极寻求两个方面的数据演变:一是数据转化,让静态数据不断转化成相对动态数据;二是通过产品和工具为商家和个人提供服务,从而愿意为数据付费。但似乎又不愿意放弃之前的数据金矿挖掘方式(有很多企业实际上从来没有挖掘过数据金矿),所以演变得很慢,开始出现暴力开采导致的带大量金子的沙子流失,这就是“数据迁移”现象。
这个现象很可怕,商家的人力、资金开始不断像线上的平台倾斜,线下的媒体首先受影响,然后是实体店的销售受影响。不过由于在相对动态数据的第二阶段,由于线下数据和线上数据的分离,影响并不那么深远!
第三阶段的动态数据分析是在硬件技术引发量变的基础上发展起来的,原来PC时代挖掘金矿能力相对较弱的腾讯借助移动技术优势反而变成最强的一家,一个小小的红包产品在TO C(个人端)引发的数据挖掘方式至今无人可以抗衡,而且已经持续了两年多,每月红包未提现金额的资金沉淀非常惊人;并且在春节的联合商家的红包营销让我们看到形成了上百年的广告投放和盈利模式被颠覆,广告费直接以红包形式到了个人用户,然后再和商家的公众号进行联接,构建商家和用户关系持续免费营销!
同时借助几乎属于永不退出的微信账号产生的朋友圈位置和动态数据、聊天数据、附近的人调动的位置数据、第三方应用产生的数据等等开始深度和线下商业结合,一个朋友圈的推广广告产品不仅没有让人反感,反而引发:为什么我没有收到宝马广告这样的二次营销扩散,每次收到朋友圈推广的人们各种开心各种欢乐评论;商家通过这些数据获得品牌推广和销售增长的机会,平台获得巨额的广告收益。
金融创新的数据挖掘方式在这样的动态数据阶段得到新的爆发,可以说如果不是对传统金融业的有限保护,毫不夸张地说,余额宝这样通过大数据挖掘演变出来的产品会像刚才提到的商家红包一样颠覆金融业在个人领域的盈利模式!
还有一个我所知道的大数据金矿挖掘姿势来自亚马逊的大数据系统给沃尔玛美国和中国的部署基本实现了全面的智能采购,简单点说就是将全球沃尔玛线下实体店的商家和个人消费数据输入这样的系统,通过算法可以实现不需要人工再分析的采购订单,然后直接发给供应商订单,然后再配送到店!这方面在努力的公司还有谷歌、百度、FACEBOOK、特斯拉、阿里、华为等等。
如果再深入研究和学习下去,我们就可以发现第三阶段动态数据进化来的大数据金矿能够用很多种商家和个人都很爽的姿势挖出来,收益是前两个阶段的总和还要高几个几何级。这个部分欢迎大家加我个人微信公众号:izhuangshuai持续关注和交流,想更深度一起研究,欢迎支付底部的年费后加入“商性研究院”。
这样的大数据金矿挖掘姿势显然比第一阶段和第二阶段都要爽很多、高效很多,收益曾几何级增长并且帮助到更多商家更有效率更自动化地实现销售增长和利润增长,如果进入到第四个阶段:超动态数据!所有零售系统、生产系统、物流系统和金融系统和人们的几乎所有数据关联,生产和销售就会变得无须人力,真正进入到“物质极大丰富”的时代,这个时代70后在有生之年应该可以见证了……
这样的发展也再次印证了我的第一本新书《商性》的中心思想:商业越发达越能激发人的真诚和善良!在物质极大丰富之后的人们,在所有隐私数据(包括生物数据)都被获取、存储和关联到人、物的阶段时,我们确实没有理由不变得真诚和善良了!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09