大数据成为电商打假利器_数据分析师考试
消除信息不对称、建设信用制度、简化透明渠道、降低鉴定成本……以上这些,都是国内电子商务平台常用的打假手段。而通过分析可以发现,这些措施或多或少地都和大数据相关联。
或者说,在电商打假领域,由于大数据的特殊性质,导致这几种措施发生了量变甚至质变,发展出了一整套新型的打假模式,我们称其为大数据打假,它具有以下几个方面的显著特点:
首先,大数据打假是基于数据的智能化打假。它具有的优势有:通过主动防控措施可以实现防患于未然;最大限度地实现信息公开透明,使侵权人无处藏身;对于细小分散的违法案件,可以实现并案处理,加大了处罚和打击力度;由于信息的可追溯,可以通过智能化手段提高打假的效率和准确度;利用物联网和“一品一码”,可以实现全过程的监控。这些措施和效果,都是线下的打假活动无法实现的。而且,在网络上打假的另一个优势,是网上的所有行为都记载在案,可有效运用大数据的手段进行分析、汇集和整合,从而发现蛛丝马迹,使制假售假者无处遁行。
比如微信。2014年12月,腾讯在反信息诈骗联盟成立一周年之际,又推出腾讯手机管家天下无贼2.0版本,并发布反信息诈骗白皮书,力图打通大数据建立精准反诈骗平台。腾讯副总裁罗道锋透露,反信息诈骗平台上线一年,收集的用户举报、标记的诈骗电话、诈骗短信数量均超过了7000万。
其次,大数据打假是基于实人认证的打假。比如阿里巴巴,它的实名认证体系包括淘宝注册、支付宝账号绑定认定、开店须用身份证认证、利用手机或数字证书的二次认证、复核这五个环节。
再者,大数据打假是防患于未然的打假。由于大数据打假是基于互联网、物联网、大数据等高科技手段和完整的信用体系而建立的,通过大数据分析,很多情况下都可以预见到侵权违法现象的发生,从而起到提前预防的作用,减少损害。这也是大数据打假不同于一般线下打假模式的重要特点之一。
2013年,淘宝网在主动打击假货方面运用了一系列人性化的处理,例如在商品发布的时候,对可能涉及侵犯知识产权的用户进行提醒。同时,还建立了一个“体检中心”,对可疑的商品,会进行拦截并放入“体检中心”,同时提示卖家进行调整或者提供申诉的材料。通过一系列的卖家转型计划实施,包括一些线下的面对面的辅导和帮助的实施,并在处罚与教育相结合的过程中,进行“初犯”教育和警示,实施“累犯从重”的管理方式,已有25%的售假卖家不再出售假货。
再者,大数据打假是基于统一大市场的打假。我们不妨问这样一个问题,市场集中度的高和低,哪样更有利于打假?显然答案应该是前者,当万千假货藏身于千店万市的时候,打假的成本之高、难度之大可想而知。
电子商务恰恰给予了我们这样一个绝佳的打假机会,不需要任何成本,只要辅之以足够给力的技术手段,至少表象层面的假货都会一览无余,这难道不是我们打假和根治假货问题千载难逢的时机吗?
而且,大数据打假是网民广泛参与、运用互联网思维的打假。首先,电子商务助力打假的另一个重要方面就是群策群力,充分发挥广大网民的力量。比如淘宝,目前它既有“神秘买家”制度,又和众多的专业检测机构合作,与3万多名权利人、数十家行业协会和国际组织合作,织成了一张打假的巨大罗网。
此外,大数据打假是自下而上的打假。发达的市场经济和商品经济,带来的一个弊端就是假冒伪劣的易发。基于这种特性,假货的治理往往只依靠法律是不够的。“高大上”的法律,对于深藏于每一个乡村和山沟的生产作坊而言,难免有种“天高皇帝远”的感觉。将小生产者组织起来,一起提高质量、创立品牌、规范流程等工作,无法靠法律实现。这时候我们就应该看到,在国外的假货治理中的重要角色——商会,像德国的法兰克福商会、科隆商会等,都有着成功案例。在我国治理假货的成功经验中,广西宾阳、浙江温州当地的商会和协会也都发挥了重要的作用。
而今天的电子商务时代,基于网络的商盟不断涌现,再辅之以网规和信用的作用,一种全新且有效的自下而上的治理模式正在形成,成为网络打假的生力军。所以,在打假这个典型的治理问题面前,政府一定要抛开传统的亲力亲为治理模式,运用互联网思维,调动最多的力量帮助自己,才有可能在根本上开创崭新的局面。
最后,大数据打假是面向信息社会的治理模式。笔者比较了线上线下两种治理模式的主要区别,归纳出4种治理要素:主体、客体、内容和载体。主体、客体和载体存在虚拟化和跨区域和行业的变化;内容存在多样化和个性化、海量、即时的变化;在治理手段上,需要解决虚拟化、跨区域和行业以及海量、个性化等问题。这些挑战都是线下所不存在,需要在治理理念、手段和组织架构等方面不断创新,探索真正适合电子商务的监管模式。
更进一步可以发现,第一,线上的治理手段更多样。比如,像淘宝规则里例如“扣分”“关小黑屋”、限制上线新产品数量等等这样的治理手段,在线下是不可想象的;第二,线上的治理分布比较均衡,而线下的治理集中在交易后,交易前和交易中的办法不多;基于信息透明和交易记录,线上可以带来很多防患于未然的措施;第三,线上的治理是多元化治理:包括主体多元和手段多元两个层面;第四,线上的治理是全方位的,线下往往只监管卖家,无法监管买家,而线上的买家也可以有信用记录,可以设置“黑名单”,对于职业差评师等,也可以有法律责任追究机制;第五,线上治理的对象更多,虽然线下也会有商场、支付等服务者,但线上又多出了交易平台、第三方支付、物流配送、网络接入、电脑手机厂商、软件厂商、搜索引擎等诸多新的主体;第六,线上的治理是跨时空的,有很强的延展性。跨空间很好理解;所谓的跨时间是指所有以前的交易记录都有据可查,以后的交易也可以通过信用来控制。而线下的治理停留在一个时空的特定节点,伸缩性很差,基本就是“就事论事”。
总之,笔者认为,互联网的自我进化和自我修复的能力远超我们的想象。今天,围绕电子商务的信用、支付和物流的服务明显好于网下的相应服务,尤其体现在透明度、碎片化、即时性和人性化服务等方面。
随着云计算、大数据、互联网金融、菜鸟物流、芝麻信用、打车软件、网上挂号、网上司法拍卖、网上订餐的不断推出,这些“出生”于网络的事物已经开始走出虚拟世界,帮助我们解决网下的那些老大难问题,提升网下的服务。基于互联网的草根性、众包和创新力的治理模式,一定会全面帮助我们改善物理世界的治理,实现国家治理体系和能力的现代化。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 7 Pandas分组聚合 分组聚合(group by)顾名思义就是分2步: 先分组:根据某列数据的值进行 ...
2024-11-25数据分析需要学习的内容非常广泛,涵盖了从理论知识到实际技能的多个方面。以下是数据分析所需学习的主要内容: 数学和统计学 ...
2024-11-24数据分析师需要具备一系列多方面的技能和能力,以应对复杂的数据分析任务和业务需求。以下是数据分析师所需的主要能力: 统计 ...
2024-11-24数据分析师需要学习的课程内容非常广泛,涵盖了从基础理论到实际应用的多个方面。以下是根据我搜索到的资料整理出的数据分析师需 ...
2024-11-24《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21