京公网安备 11010802034615号
经营许可证编号:京B2-20210330
什么是大数据时代的思维
一百多年前,汽车行业是第一个真正引入大规模生产概念的行业。那些以前买不起车的美国工薪阶层,突然承担得起汽车这个富人的专属玩具了。福特T型车让成千上万美国家庭拥有汽车。但大规模制造也有其局限性,福特先生说过,你可以买到各种色彩的车,但红色、绿色都不可能,只能是黑色。大规模生产让数以百计的人买得起商品,但商品本身却是一模一样的。
我们面临这样一个矛盾:手工制作的产品漂亮无比却非常昂贵;与此同时,量产化的商品价格低廉,但无法完全满足消费者的需求。
我认为下一波的改革是大规模定制,为大量客户定制产品和服务,成本低、又兼具个性化。比如消费者希望他买的车有红色、绿色,厂商有能力满足要求,但价格又不至于像手工制作那般让人无法承担。
因此,在厂家可以负担得起大规模定制带去的高成本的前提下,要真正做到个性化产品和服务,就必须对客户需求有很好的了解,这背后就需要依靠大数据技术。
数据能告诉我们,每一个客户的消费倾向,他们想要什么,喜欢什么,每个人的需求有哪些区别,哪些又可以被集合到一起来进行分类。大数据是数据数量上的增加,以至于我们能够实现从量变到质变的过程。举例来说,这里有一张照片,照片里的人在骑马。这张照片每一分钟,每一秒都要拍一张,但随着处理速度越来越快,从1分钟一张到1秒钟1张,突然到1秒钟10张后,就产生了电影。当数量的增长实现质变时,就一张照片变成了一部电影。
让我来告诉大家,美国有一家创新企业Decide.com。它可以帮助人们做购买决策,告诉消费者什么时候买什么产品,什么时候买最便宜。预测产品的价格趋势。这家公司背后的驱动力就是大数据。他们在全球各大网站上搜集数以十亿计的数据,然后帮助数以十万计的用户省钱,为他们的采购找到最好的时间,提高生产率,降低交易成本,为终端的消费者带去更多价值。
在这类模式下,尽管一些零售商的利润会进一步受挤压,但从商业本质上来讲,可以把钱更多地放回到消费者的口袋里,让购物变得更理性。这是依靠大数据催生出的一项全新产业。这家为数以十万计的客户省钱的公司,在几个星期前,被ebay以高价收购。
再举一个例子,SWIFT是全球最大的支付平台,在该平台上的每一笔交易都可以进行大数据的分析。他们可以预测一个经济体的健康性和增长性。比如,该公司现在为全球性客户提供经济指数,这又是一个大数据服务。
大数据有三大特点: 更多,更乱,但内部有关系可循。
如果拍一张照片,我需要对着某一个人,好比说拍陈部长的照片,如果焦点只对准他,那其他的人物在照片里就会模糊掉。我会得到陈部长的所有信息,但是其他观众的信息就过滤掉了。我们采集信息的时候也要做决策,到底要回答什么问题,采集什么数据,因为一旦数据采集完毕,就无法重新问另外的问题。
但今天我们已经拥有全新的照相技术了,一张照片里可以把对角所有事物,包括所有的数据、光线都会被拍摄进去。这样,我任意点一个地方,它都能变得清晰。
为什么要这么做呢?方便决策。
我可以在照片生成之后再决定我究竟要什么,因为这些数据包含所有的答案。不要把自己限制于眼前的问题,要为有前瞻性,把其他有可能出现的问题也给囊括进去。这是一个非常创新的办法,同时很清晰地告诉我们大数据能够做什么。我可以跟大家分享一个秘密,如果你把照相机拿出来仔细看,可以看到这是中国制造。
在拥有如此多的数据以后,接下来我们面对的数据质量问题。
为了避免混乱,我们需要找到数据之间的关联性。
举个实际生活中的例子,大约20年前,亚马逊刚成立时,杰夫·贝索斯让50个书评员来为他卖书,他意识到不仅仅可以请人来写书评,还可以用数据技术来提供图书推荐。起初他使用的是小数据,不是大数据,把客户进行分类,比如说有人对中国旅游或者是对园艺感兴趣,系统会自动提供推荐。他的同事告诉他,刚刚开始使用这个数据推荐时,使用体验并不好;在进一步分析后,亚马逊决定不对人进行分类,而是对用户的需求分类。这个做法做法非常成功,以至于到今天,推荐系统为亚马逊带去30%的销售收入。
这就是数据收集和再处理。亚马逊有交易数据,每买一本书就是一个交易,然后对这个数据进行分析。但今天我们已不再满足于交易数据了,转而收集起沟通数据。你看了某一个书评、某一个交流会给商家更多的信息和细节。
同时,大数据也重构了传统零售业,是未来零售业变革的催化剂。比如使用谷歌眼镜,消费者不需要屏幕了,因为下一代的眼镜会更好地理解消费者看到什么,知道如何更好地抓住人们的视线。对于零售商而言,消费者眼中看到的信息是极具价值的资产。卖家就可以了解大家在看什么样的广告,什么样的产品,在路过橱窗时究竟看了一些什么。
数据的产生和收集本身并没有直接产生服务,最具价值的部分在于:当这些数据在收集以后,会被用于不同的目的,数据被重新再次使用。
大数据的一大优点就是数据可以被重复使用。比方说这家公司实时车辆交通数据采集商Inrix,该公司目前有1亿个手机端用户。Inrix可以帮助你开车,避开堵车,为司机呈现路的热量图,红的就表面堵车。如果只提供数据,这个产品没什么特色,
但值得一提的是,Inrix并没有用交警的数据,这个软件的每位用户在使用过程中会给服务器发送实时数据,比如走的多快,走到哪里,这样每个客户都是探测器。
这里还有更大的秘密,Inrix可以重复使用数据。比如它了解到周末堵车时,哪里有堵车哪里有更好的销售,他们就可以把这样的数据提供给投资公司,投资公司根据这些数据对零售业再投资,这样的服务以前是从来不存在的。
那么,大数据可以如何为创新企业所用?
你觉得之前成立新公司需要大笔资金,但事实并非如此。Inrix一开始并没有钱,如果你想在大数据时代获得成功,你已经不需要大的生产基地,大的仓库了。你只需数据,只要拥有数据,对其进行分析就可以了。有云存储的话,这个成本就更低。Inrix在成立之初根本没有服务器和电脑,他们只是租用了云服务,也不需要很多的启动资金,他们只是有这样一个产品想法。
大数据时代的思维方式是:每天早上起来想一下,这么多数据我能用来干什么,这些价值在哪里可以找到,能不能找到一个别人以前都没有做过的事情。你的想法和思路,是最重要的资产。
大数据的思维方式也可以帮助政府为大家提供更好更有效的服务,好比说我们可以通过大数据来确定哪些地方会有火灾。以前防火检查员只有13%的时间可以准备预测,现在他们找到火灾隐患的概率达到了70%,比以前提高了6倍。将效率提高6倍是一个巨大无比的进步,未来的公共服务业可以由此获得更多便利。
Target是一家非常大的美国零售公司,他们已有大数据的分析。
有一天,一个电话打进来,是一位非常生气的客户,这个客户说公司送给他17岁的女儿一个折扣券,这个产品是尿布或者是避孕药,这位客户说:“我17岁的女孩子根本不需要,我需要你来道歉。”几天以后,客户自己跑来道歉,他说你说的很准,我的女儿真的怀孕了。因为怀孕的女性会有不同的生活习惯,会买不同的东西,我们自己有时候都不知道他们已经怀孕了,而Target反而知道了。
这家公司就用这些信息为客户推荐产品,然后给折扣券。为什么要讲这个例子呢?因为美国很多客户感到紧张,Target有这样的能力来了解他们的生活中究竟发生了一些什么。
这意味着大数据的另一个关键点,要提高客户对你的信任。
举个例子,大数据时代美国运通有这样一个功能,你给他们打电话的话,他们会知道你是谁,好比说你的电话号码跟你的姓名相关。如果在电话里说:你好吗?维克托先生,我能为你做什么,这会吓着客户,因为他不知道为什么你知道他的名字。营造信任很重要。我相信你的过程中,也希望你们相信我,所以我们做大数据分析的时候,客户需要能够信任服务供应商,而服务供应商也需要表现出来为什么他是值得信任的。
这样一个信任也不应该被打碎,企业应该要知道哪些事情可以做,哪些事情不能做,客户的信任将是最珍贵的资产。
什么样的服务行业会从大数据中获益?
其实所有的服务行业都可能从中获益,即便是你觉得和大数据没有关系的也可以从中获益,好比说医疗服务、教育、学习。
我正在写一本新的书,明年的上半年会出版,还是大数据以及相关的服务业。明年你就知道了,这本书里面会提到大数据对服务业很重要,因为服务业将会面对巨大的改变,这不仅仅是效率,大数据会为各行各业带来效率,而大数据对于服务业来说不仅仅是效率,我们更多看到将是创新。我们会有越来越多的创新想法,来提供新的产品和服务,这样的话可以让经济更好地发展,我们以前是从来没有看到过的。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12