大数据企业应用玩法攻略①天然大数据公司的各种套餐

2012年3月19日，奥巴马政府宣布美国投资2亿美元启动“大数据研究与开发计划，以帮助解决国家在科学与工程、国家安全、社会治理中最紧迫的诸多挑战问题”。从此，大数据被认为是国家的战略资源，世界重要大国都信誓旦旦地要在大数据领域有所作为，很多企业迷迷糊糊地跟了进来。

面对上述“高大上”的说辞，TED的创始人Dan Ariely打趣道：Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it…..（大数据就像青少年谈性，每个人都在说，不知道谁做了，每个人认为另外人在做，所以每个人都声称自己在做……）

虽然这是一个无厘头、刻薄甚至“无知者无畏”的说法，但“到底谁在做”确实是关键问题。对于企业来说，100条理论确实不如一个成功的标杆有实践意义，本文的主旨就是寻找“正在做”大数据的49个样本。

事实上，从大数据应用领域入手，市面上已经能够见到很多案例。在社会治理方面：有预报旅游热点、百度春节迁徙图、预测艾滋病的发病率、甚至挖掘恐怖分子等；在商业方面，有“啤酒与尿布”推荐关系、找出怀孕女性、个性化保险（放心保）定制等；在社会情绪方面，股市的涨跌和网民情绪的关联、预测候选人得票概率、社会事件的发生预警等。

相关阅读：

大数据企业应用玩法攻略①天然大数据公司的各种套餐

大数据企业应用玩法攻略②轻公司数据创业狂欢

大数据企业应用玩法攻略③数据关联、数据废气和黑暗数据

而本文则力图从企业运营和管理的角度，梳理出发掘大数据价值的一般规律：一是以数据驱动的决策（data-driven decision），主要通过提高预测概率，来提高决策成功率；二是以数据驱动的流程（data-driven processes），主要是形成营销闭环战略，提高销售漏斗的转化率；三是以数据驱动的产品（data-driven products），在产品设计阶段，强调个性化；在产品运营阶段，则强调迭代式创新。

天然大数据公司的各种套餐

从谷歌、亚马逊、Facebook、LinkedIn，到阿里、百度、腾讯，都因其拥有大量的用户注册和运营信息，成为天然的大数据公司。而像IBM、Oracle、EMC、惠普这类大型技术公司纷纷投身大数据，通过整合大数据的信息和应用，给其他公司提供“硬件+软件+数据”的整体解决方案。我们关注的重点是大数据的价值，第一类公司首当其冲。

这些天然的大数据公司，通过对用户信息的大数据分析，基本解决自己公司的精准营销和个性化广告推介等问题，基本上做到了以数据驱动的运营（data-driven processes）。

没有数据分析支撑的决定将越来越不具有可靠性，这类公司正在改变管理理念和策略制定方式，大部分公司做到了以数据驱动的决策（data-driven decision）。

在用户分析和精准营销数据模型基础上，对于自己产品和服务随时进行改进。部分公司实现了以数据驱动的产品（data-driven products），但是这需要迭代式创新能力，并不容易。

亚马逊、Facebook、LinkedIn、阿里、腾讯等大公司都在致力于发展横向的大数据整体解决方案。这些方案将改变营销学的基础，精准营销和个性化营销将有针对性地找到用户，多重渠道的营销手段将逐渐消失，这也许就是传说中的互联网思维。

很多传统企业也是天然的大数据公司，比如沃尔玛、中国移动等，也在追赶大数据前进的步伐，在挖掘数据价值方面，尽力修炼自己的独门绝技。下面就是这些天然大数据公司的挖掘价值的典型案例。

01 亚马逊的“信息公司”

如果全球哪家公司从大数据发掘出了最大价值，截至目前，答案可能非亚马逊莫属。亚马逊也要处理海量数据，这些交易数据的直接价值更大。作为一家“信息公司”（而非国内许多电商自己定位的“零售公司”），亚马逊不仅从每个用户的购买行为中获得信息，还将每个用户在其网站上的所有行为都记录下来：页面停留时间、用户是否查看评论、每个搜索的关键词、浏览的商品等等。这种对数据价值的高度敏感和重视，以及强大的挖掘能力，使得亚马逊早已远远超出了它的传统运营方式。

亚马逊CTO Werner Vogels在CeBIT上关于大数据的演讲，向与会者描述了亚马逊在大数据时代的商业蓝图。长期以来，亚马逊一直通过大数据分析，尝试定位客户和和获取客户反馈。“在此过程中，你会发现数据越大，结果越好。为什么有的企业在商业上不断犯错？那是因为他们没有足够的数据对运营和决策提供支持，”Vogels说，“一旦进入大数据的世界，企业的手中将握有无限可能。”从支撑新兴技术企业的基础设施到消费内容的移动设备，亚马逊的触角已触及到更为广阔的领域。

亚马逊推荐：

亚马逊的各个业务环节都离不开“数据驱动”的身影。在亚马逊上买过东西的朋友可能对它的推荐功能都很熟悉，“买过X商品的人，也同时买过Y商品”的推荐功能看上去很简单，却非常有效，同时这些精准推荐结果的得出过程也非常复杂。

亚马逊预测：

用户需求预测（Demand Forecasting）是通过历史数据来预测用户未来的需求。对于书、手机、家电这些东西——亚马逊内部叫硬需求（Hard Line）的产品，你可以认为是“标品”（但也不一定）——预测是比较准的，甚至可以预测到相关产品属性的需求。但是对于服装这样软需求（Soft Line）产品，亚马逊干了十多年都没有办法预测得很好，因为这类东西受到的干扰因素太多了，比如：用户的对颜色款式的喜好，穿上去合不合身，爱人朋友喜不喜欢…… 这类东西太易变，买得人多反而会卖不好，所以需要更为复杂的预测模型。

亚马逊测试：

你会认为亚马逊网站上的某段页面文字只是碰巧出现的吗？其实，亚马逊会在网站上持续不断地测试新的设计方案，从而找出转化率最高的方案。整个网站的布局、字体大小、颜色、按钮以及其他所有的设计，其实都是在多次审慎测试后的最优结果。

亚马逊记录：

亚马逊的移动应用让用户有一个流畅的无处不在的体验的同时，也通过收集手机上的数据深入地了解了每个用户的喜好信息；更值得一提的是Kindle Fire，内嵌的Silk浏览器可以将用户的行为数据一一记录下来。

以数据为导向的方法并不仅限于以上领域，亚马逊的企业文化就是冷冰冰的数据导向型文化。对于亚马逊来说，大数据意味着大销售量。数据显示出什么是有效的、什么是无效的，新的商业投资项目必须要有数据的支撑。对数据的长期专注让亚马逊能够以更低的售价提供更好的服务。

02 谷歌的意图

如果说有一家科技公司准确定义了“大数据”概念的话，那一定是谷歌。根据搜索研究公司comScore的数据，仅2012年3月一个月的时间，谷歌处理的搜索词条数量就高达122亿条。谷歌的体量和规模，使它拥有比其他大多数企业更多的应用大数据的途径。

谷歌搜索引擎本身的设计，就旨在让它能够无缝链接成千上万的服务器。如果出现更多的处理或存储需要，抑或某台服务器崩溃，谷歌的工程师们只要再添加更多的服务器就能轻松搞定。将所有这些数据集合在一起所带来的结果是：企业不仅从最好的技术中获益，同样还可以从最好的信息中获益。下面选择谷歌公司的其中三个亮点。

谷歌意图：

谷歌不仅存储了搜索结果中出现的网络连接，还会储存用户搜索关键词的行为，它能够精准地记录下人们进行搜索行为的时间、内容和方式，坐拥人们在谷歌网站进行搜索及经过其网络时所产生的大量机器数据。这些数据能够让谷歌优化广告排序，并将搜索流量转化为盈利模式。谷歌不仅能追踪人们的搜索行为，而且还能够预测出搜索者下一步将要做什么。用户所输入的每一个搜索请求，都会让谷歌知道他在寻找什么，所有人类行为都会在互联网上留下痕迹路径，谷歌占领了一个绝佳的点位来捕捉和分析该路径。换言之，谷歌能在你意识到自己要找什么之前预测出你的意图。这种抓取、存储并对海量人机数据进行分析，然后据此进行预测的能力，就是数据驱动的产品。

谷歌分析：

谷歌在搜索之外还有更多获取数据的途径。企业安装“谷歌分析(Google Analytics)”之类的产品来追踪访问者在其站点的足迹，而谷歌也可获得这些数据。网站还使用“谷歌广告联盟(Google Adsense)”，将来自谷歌广告客户网的广告展示在其站点，因此，谷歌不仅可以洞察自己网站上广告的展示效果，同样还可以对其他广告发布站点的展示效果一览无余。

谷歌趋势：

既然搜索本身是网民的“意图数据库”，当然可以根据某一专题搜索量的涨跌，预测下一步的走势。谷歌趋势可以预测旅游、地产、汽车的销售。此类预测最著名的就是谷歌流感趋势，跟踪全球范围的流感等病疫传播，依据网民搜索，分析全球范围内流感等病疫的传播状况。

03 eBay的分析平台

早在2006年，eBay就成立了大数据分析平台。为了准确分析用户的购物行为，eBay定义了超过500种类型的数据，对顾客的行为进行跟踪分析。eBay分析平台高级总监Oliver Ratzesberger说：“在这个平台上，可以将结构化数据和非结构化数据结合在一起，通过分析促进eBay的业务创新和利润增长。”

eBay行为分析：

在早期，eBay网页上的每一个功能的更改，通常由对该功能非常了解的产品经理决定，判断的依据主要是产品经理的个人经验。而通过对用户行为数据的分析，网页上任何功能的修改都交由用户去决定。“每当有一个不错的创意或者点子，我们都会在网站上选定一定范围的用户进行测试。通过对这些用户的行为分析，来看这个创意是否带来了预期的效果。”

eBay广告分析：

更显著的变化反映在广告费上。eBay对互联网广告的投入一直很大，通过购买一些网页搜索的关键字，将潜在客户引入eBay网站。为了对这些关键字广告的投入产出进行衡量，eBay建立了一个完全封闭式的优

04 塔吉特（Target）的“数据关联挖掘”

利用先进的统计方法，商家可以通过用户的购买历史记录分析来建立模型，预测未来的购买行为，进而设计促销活动和个性服务避免用户流失到其他竞争对手那边。美国第三大零售商塔吉特，通过分析所有女性客户购买记录，可以“猜出”哪些是孕妇。其发现女性客户会在怀孕四个月左右，大量购买无香味乳液。由此挖掘出25项与怀孕高度相关的商品，制作“怀孕预测”指数。推算出预产期后，就能抢先一步，将孕妇装、婴儿床等折扣券寄给客户。塔吉特还创建了一套购买女性行为在怀孕期间产生变化的模型，不仅如此，如果用户从它们的店铺中购买了婴儿用品，它们在接下来的几年中会根据婴儿的生长周期定期给这些顾客推送相关产品，使这些客户形成长期的忠诚度。

05 中国移动的数据化运营

通过大数据分析，中国移动能够对企业运营的全业务进行针对性的监控、预警、跟踪。大数据系统可以在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。

客户流失预警：

一个客户使用最新款的诺基亚手机，每月准时缴费、平均一年致电客服3次，使用WEP和彩信业务。如果按照传统的数据分析，可能这是一位客户满意度非常高、流失概率非常低的客户。事实上，当搜集了包括微博、社交网络等新型来源的客户数据之后，这位客户的真实情况可能是这样的：客户在国外购买的这款手机，手机中的部分功能在国内无法使用，在某个固定地点手机经常断线，彩信无法使用——他的使用体验极差，正在面临流失风险。这就是中国移动一个大数据分析的应用场景。通过全面获取业务信息，可能颠覆常规分析思路下做出的结论，打破传统数据源的边界，注重社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户反馈信息，并从这些数据中挖掘更多的价值。

数据增值应用：

对运营商来说，数据分析在政府服务市场上前景巨大。运营商也可以在交通、应对突发灾害、维稳等工作中使大数据技术发挥更大的作用。运营商处在一个数据交换中心的地位，在掌握用户行为方面具有先天的优势。作为信息技术的又一次变革，大数据的出现正在给技术进步和社会发展带来全新的方向，而谁掌握了这一方向，谁就可能成功。对于运营商来说，在数据处理分析上，需要转型的不仅是技巧和法律问题，更需要转变思维方式，以商业化角度思考大数据营销。

06 Twitter中的兴趣和情绪

Twitter兴趣聚类：

通过过滤用户归属地、发推位置和相关关键词，Twitter建立了一系列定制化的客户数据流。比如，通过过滤电影片名、位置和情绪标签，你可以知道洛杉矶、纽约和伦敦等城市最受欢迎的电影是哪些。而根据用户发布的个人行为描述，你甚至能搜索到那些在加拿大滑雪的日本游客。从这个视角看，Twitter的兴趣图谱的效率优于Facebook的社交图谱。Twitter的用户数据所能产生的潜在价值同样令人惊叹。在社交媒体网站正在收集越来越多的数据的形势下，它们或许能找到更好的方式来利用这些数据盈利，并使其取代广告成为自身提高收入的主要方式。这些社交网站真正的价值可能在于数据本身。相信在不久的将来，如果寻找到既能充分利用用户数据，又可合理规避对用户隐私的威胁，社交数据所蕴藏的巨大能量将会彻底被开启。

Twitter情绪分析：

Twitter自己并不经营每一款数据产品，但它把数据授权给了像DataSift这样的数据服务公司，很多公司利用Twitter社交数据，做出了各种让人吃惊的应用，从社交监测到医疗应用，甚至可以去追踪流感疫情爆发，社交媒体监测平台DataSift还创造了一款金融数据产品。华尔街“德温特资本市场”公司首席执行官保罗·霍廷每天的工作之一，就是利用电脑程序分析全球3.4亿微博账户的留言，进而判断民众情绪，再以“1”到“50”进行打分。根据打分结果，霍廷再决定如何处理手中数以百万美元计的股票。霍廷的判断原则很简单：如果所有人似乎都高兴，那就买入；如果大家的焦虑情绪上升，那就抛售。一些媒体公司会把观众收视率数据打包到产品里，再转卖给频道制作人和内容创造者。

精确的数据一旦与社交媒体数据相结合，对未来的预测会非常准。

07 特易购的精准定向

聪明的商家通过用户的购买历史记录分析来建立模型，为他们量身预测未来的购物清单，进而设计促销活动和个性服务，让他们源源不断地为之买单。特易购（Tesco）是全球利润第二大的零售商（仅次于沃尔玛），这家英国超级市场巨人从用户行为分析中获得了巨大的利益。从其会员卡的用户购买记录中，特易购可以了解一个用户是什么“类别”的客人，如速食者、单身、有上学孩子的家庭等等。这样的分类可以为提供很大的市场回报，比如，通过邮件或信件寄给用户的促销可以变得十分个性化，店内的促销也可以根据周围人群的喜好、消费的时段来更加有针对性，从而提高货品的流通。这样的做法为特易购获得了丰厚的回报，仅在市场宣传一项，就能帮助特易购每年节省3.5亿英镑的费用。

Tesco的优惠券：

特易购每季会为顾客量身定做6张优惠券。其中4张是客户经常购买的货品，而另外2张则是根据该客户以往的消费行为数据分析，极有可能在未来会购买的产品。仅在1999年，特易购就送出了14.5万份面向不同的细分客户群的购物指南杂志和优惠券组合。更妙的是，这样的低价无损公司整体的盈利水平。通过追踪这些短期优惠券的回笼率，了解到客户在所有门店的消费情况，特易购还可以精确地计算出投资回报。发放优惠券吸引顾客其实已经是很老套的做法了，而且许多的促销活动实际只是来掠夺公司未来的销售额。然而，依赖于扎实的数据分析来定向发放优惠券的特易购，却可以维持每年超过1亿英镑的销售额增长。

特易购同样有会员数据库，通过已有的数据，就能找到那些对价格敏感的客户，然后在公司可以接受的最低成本水平上，为这类顾客倾向购买的商品确定一个最低价。这样的好处一是吸引了这部分顾客，二是不必在其他商品上浪费钱降价促销。

特易购的精准运营：这家连锁超市在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析，进行更全面的监控并进行主动的维修以降低整体能耗。

08 Facebook的好友推荐

Facebook是社交网络巨擎，但是在挖掘大数据价值方面，好像办法不多，值得一提的就是好友推荐。Facebook使用大数据来追踪用户在其网络的行为，通过识别你在它的网络中的好友，从而给出新的好友推荐建议，用户拥有越多的好友，他们与Facebook之间的黏度就越高。更多的好友意味着用户会分享更多照片、发布更多状态更新、玩更多的游戏。

09 LinkedIn的猎头价值

LinkedIn网站使用大数据在求职者和招聘职位之间建立关联。有了LinkedIn，猎头们再也不用向潜在的受聘者打陌生电话来碰运气，而可以通过简单的搜索找出潜在受聘者并联系他们。与此相似，求职者也可以通过联系网站上其他人，自然而然地将自己推销给潜在的雇主。有两个例子能够生动呈现LinkedIn的数据价值：几年前，LinkedIn忽然发现近期雷曼兄弟的来访者多了起来，当时并没引起重视，过了不久，雷曼兄弟宣布倒闭；而在谷歌宣布退出中国的前一个月，在LinkedIn发现了一些平时很少见的谷歌产品经理在线，这也是相同的道理。

10 沃尔玛的数据基因

早在1969年沃尔玛就开始使用计算机来跟踪存货，1974年就将其分销中心与各家商场运用计算机进行库存控制。1983年，沃尔玛所有门店都开始采用条形码扫描系统。1987年，沃尔玛完成了公司内部的卫星系统的安装，该系统使得总部，分销中心和各个商场之间可以实现实时，双向的数据和声音传输。采用这些在当时还是小众和超前的信息技术来搜集运营数据为沃尔玛最近20年的崛起打下了坚实的地基，从而发现了“啤酒与尿布”关联。

如今，沃尔玛拥有着全世界最大的数据仓库，在数据仓库中存储着沃尔玛数千家连锁店在65周内每一笔销售的详细记录，这使得业务人员可以通过分析购买行为更加了解他们的客户。通过这些数据，业务员可以分析顾客的购买行为，从而供应最佳的销售服务。沃尔玛一直致力于改善自身的数据收集技术，从条形码扫描，到安装卫星系统实现双向数据传输，整个公司都充满了数据基因。2012年4月，沃尔玛又收购了一家研究网络社交基因(基于用户行为的偏好产品推荐)的公司Kosmix，在数据基因的基础上，又增加了社交基因。

11 阿里小贷和聚石塔

虽然阿里系的余额宝如日中天，但其实阿里小贷才真正体现出了大数据的价值。早在2010年阿里就已经建立了“淘宝小贷”，通过对贷款客户下游订单、上游供应商、经营信用等全方位的评估，就可以在没有见面情况下，给客户放款，这当然是对阿里平台上大数据的挖掘。数据来源于“聚石塔”——一个大型的数据分享平台，它通过共享阿里巴巴旗下各个子公司(淘宝、天猫、支付宝等)的数据资源来创造商业价值。这款产品就是大数据团队把淘宝交易流程各个环节的数据整合互联，然后基于商业理解对信息进行分类储存和分析加工，并与决策行为连接起来所产生的效果。

12 西尔斯的数据大集成

在过去，美国零售巨头西尔斯控股公司（Sears Holding），需要八周时间才能制定出个性化的销售方案，但往往做出来的时候，它已不再是最佳方案。痛定思痛，决定整合其专售的三个品牌——Sears、Craftsman、Lands’End的客户、产品以及销售数据，使用群集（cluster）收集来自不同品牌的数据，并在群集上直接分析数据，而不是像以前那样先存入数据仓库，避免了浪费时间——先把来自各处的数据合并之后再做分析。这种调整让公司的推销方案更快、更精准，可以从海量信息中挖掘价值，但是价值巨大，困难也巨大：这些数据需要超大规模分析，且分散在不同品牌的数据库与数据仓库中，不仅数量庞大而且支离破碎。

西尔斯的困境，在传统企业中非常普遍，这些企业家一直想不通，既然互联网零售商亚马逊可以推荐阅读书目、推荐电影、推荐可供购买的产品，为什么他们所在的企业却做不到类似的事情。西尔斯公司首席技术官菲里·谢利（Phil Shelley）说：如果要制定一系列复杂推荐方案质量更高，需要更及时、更细致、更个性化的数据，传统企业的IT架构根本不能完成这些任务，需要痛下决心，才能完成转型。