
大数据带来商业模式的成熟发展革命
大数据带给人们巨大的理念上的改变,同样它也会带来商业模式的成熟发展甚至革命。对大数据在商业上应用的1.0、2.0和3.0版本,做了细致的分析。
大数据1.0
大数据1.0很好理解,一个企业自身的业务需求产生大量数据,利用这些数据,通过深入分析,可以优化相关的业务。在这个时候,数据起到了指导决策的作用,举几个例子,比如说沃尔玛,它有大量的会员卡和零售数据,所以通过这些数据可以制定更好的优惠卷和个性化商品推荐服务。
也通过这些数据它能够更好地管理产业链、仓储和物流。我们在北京做过一家,是专门做电子商务服务的,拥有2亿多用户的数据和8千万单品的数据,就是怎么样做商品的个性化推荐。利用这些个性化推荐,不仅可以直接做自动化展示,还能够帮助电商更好地编排在网上店铺的摆放等等。
豆瓣是全球做社会化推荐最好的一家企业,利用评论数据,也利用点击浏览数据能够做到听其言观其行,利用这些数据可以做到几乎最好已知的社会化推荐,这样的例子还有很多。
还有一家企业,可以把电子化定义拿来做智能的诊断,亚马逊是做个性化推荐的鼻祖,它可以知道几乎你手机上安装的所有应用,事实上它能知道你的消费水平,有没有小孩,有没有车,有没有得什么慢性病,有没有金融支付终端等等,它还知道你在哪个地方,如果是这样一些企业打这样的个性化广告效果会很好。
大数据的2.0
大数据的2.0和1.0的理念有所不同,这里强调数据的外延。数据除了从自身的业务产生并解决自身问题以外,我们最终是数据本身有能力解决其他的问题,同样我们也需要有能力去把其他很多其他的数据放在一起解决自身的问题,这就是所谓的数据外部性问题。这里要求企业搜集与目标业务直接或间接关联的大量异质数据。
建立复杂的分析和预测模型,产生针对目标业务的输出。这时候数据本身就是决策。为什么这样说?虽然在这种复杂的模型中,我们已经很难看到真正的因果关系,我们并不知道是为什么由A到B,由B到C,但是我们只知道选择A比选择B好,所以数据本身不仅仅是指导决策,而就是决策。
举几个例子,比如说Zestfinance是一家很奇怪的信贷公司,可以快速发放小额贷款,所利用的不是平常讲的背景调查等等,而是它分析社交网络以及在其他购物等等频道留下来的你的活动记录,所以他说所有的数据实际对我们来说都是新闻数据,用这种办法来预测还贷能力,计算信用度,最典型的是把其他和你本行业看起来没有直接关联的数据用起来做本行业的事情。
大数据3.0
希望大数据3.0能进入真正的大数据时代。在这里我们对数据的质量价值,数据好不好,有多大价值,如果交换要如何付费。如果别人拷走了你的数据怎么算?还有数据的权益。还有我们特别关心的数据隐私安全等等,我们要有充分的认识。要又可以量化或者可以保障的措施。
在这个时候,类似于电信运营商有一种叫做数据运营商会出现,会有很多数据,在上面会有小的科研团队或者创新型企业,也有数据提供商和数据加工商,他们会产生不管是下载还是API接口还是其他的产品,会成为一种单独的产品在上面出售,有自己的分成模式。这个时候会出现一种新的数据客,他们在数据市场中玩粗加工的数据或者是粗加工的数据产品,再产生新的数据产品,以ATI的形式投放到数据市场。
就像手机市场中,经常有两三个人很聪明的人开发一个很有趣的应用,就有很多的使用。那时候可能有一个很聪明的人,开发和有趣的数据产品,可能很多企业政府科研团队都会使用他们的数据产品。
当然,最重要的是,所有的学术团体、企业和政府,都能够使用到大数据,这就是为什么讲今天叫大数据时代,因为如果只有两三个人,或者七八家企业能够用到大数据这不能叫一个时代,就像十个人上网不能叫互联网时代。
所以将来当我们有了大数据之后,我们希望的是未来某一天通过更好的索引,更好的体系结构的支撑,使得普通的科研团队、普通的创业者都能够有办法获取你所想获取的数据里面的一些逻辑片断,我们未来操纵大数据应该是四两拨千斤举重若轻,尽管我看到的是一个很大的数据,但是操作起来就像单机版里面的一个小文件一样,这是我们未来的希望。
总结
大数据从1.0到2.0到3.0,我们提过一个概念,商业模式从2B到2C到2D、2Data,实际上是有两条线在驱动它,一条线我们希望它越来越粗犷、开放,数据一定要开放出来,以共享的心态。一条线我们希望它越来越精深,就是深入地分析。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15