國外零售商怎麼用大數據

❶ 零售行業大數據技術如何應用

1、實時進行管理交付
作為零售商，開展業務和獲利的關鍵要素是盡快收到貨物，並確保貨物也能迅速交付給商店或客戶。大數據通過使零售商能夠實時管理交付而提供幫助，這是零售供應鏈管理的關鍵。零售商可了解交通和天氣狀況最新信息，以及正在運輸的貨物所在的位置。
2、揀選更好的時間
許多零售商的另一個重要組成部分是揀選和包裝訂單。這是一個傳統的勞動密集型流程，在以往，只有大型零售商才能通過自動化揀選機器人或組織大量員工來加快揀選速度。如今採用大數據，即使是小型零售商也可以改進其流程，並在更好的揀選時間進行揀選。
3、將供應鏈細分
消費者比以往任何時候都期待獲得更加個性化的購物體驗和客戶服務。零售商可以通過數據對供應鏈進行細分，更好地迎合不同的目標市場，提高轉化率。通過記錄數據分析告訴零售商在不同渠道(例如，網路、移動和社交)與購物者的互動，從而使其向購物者提供個性化服務。
4、供應商管理常改善
零售商可能與供應鏈中的多家公司合作。可能會有直運供應商、物流供應商、包裝供應商和其他供應商，他們需要組織、管理和審查。反過來，試圖提高盈利能力和可靠性也可能是一項挑戰。大數據技術可以提供幫助。

❷ 如何有效整合和應用大數據

隨著大數據的應用越來越廣泛，應用的行業也越來越低，我們每天都可以看到大數據的一些新奇的應用，從而幫助人們從中獲取到真正有用的價值。很多組織或者個人都會受到大數據的分析影響，但是大數據是如何幫助人們挖掘出有價值的信息呢?下面就讓我們一起來看看九個價值非常高的大數據的應用，這些都是大數據在分析應用上的關鍵領域：

1.理解客戶、滿足客戶服務需求

大數據的應用目前在這領域是最廣為人知的。重點是如何應用大數據更好的了解客戶以及他們的愛好和行為。企業非常喜歡搜集社交方面的數據、瀏覽器的日誌、分析出文本和感測器的數據，為了更加全面的了解客戶。在一般情況下，建立出數據模型進行預測。比如美國的著名零售商Target就是通過大數據的分析，得到有價值的信息，精準得預測到客戶在什麼時候想要小孩。另外，通過大數據的應用，電信公司可以更好預測出流失的客戶，沃爾瑪則更加精準的預測哪個產品會大賣，汽車保險行業會了解客戶的需求和駕駛水平，政府也能了解到選民的偏好。

2.業務流程優化

大數據也更多的幫助業務流程的優化。可以通過利用社交媒體數據、網路搜索以及天氣預報挖掘出有價值的數據，其中大數據的應用最廣泛的就是供應鏈以及配送路線的優化。在這2個方面，地理定位和無線電頻率的識別追蹤貨物和送貨車，利用實時交通路線數據制定更加優化的路線。人力資源業務也通過大數據的分析來進行改進，這其中就包括了人才招聘的優化。

3.大數據正在改善我們的生活

大數據不單單只是應用於企業和政府，同樣也適用我們生活當中的每個人。我們可以利用穿戴的裝備(如智能手錶或者智能手環)生成最新的數據，這讓我們可以根據我們熱量的消耗以及睡眠模式來進行追蹤。而且還利用利用大數據分析來尋找屬於我們的愛情，大多數時候交友網站就是大數據應用工具來幫助需要的人匹配合適的對象。

4.提高醫療和研發

大數據分析應用的計算能力可以讓我們能夠在幾分鍾內就可以解碼整個DNA。並且讓我們可以制定出最新的治療方案。同時可以更好的去理解和預測疾病。就好像人們戴上智能手錶等可以產生的數據一樣，大數據同樣可以幫助病人對於病情進行更好的治療。大數據技術目前已經在醫院應用監視早產嬰兒和患病嬰兒的情況，通過記錄和分析嬰兒的心跳，醫生針對嬰兒的身體可能會出現不適症狀做出預測。這樣可以幫助醫生更好的救助嬰兒。

5.提高體育成績

現在很多運動員在訓練的時候應用大數據分析技術了。比如例如用於網球鼻塞的IBM SlamTracker工具，我們使用視頻分析來追蹤足球或棒球比賽中每個球員的表現，而運動器材中的感測器技術(例如籃球或高爾夫俱樂部)讓我們可以獲得對比賽的數據以及如何改進。很多精英運動隊還追蹤比賽環境外運動員的活動-通過使用智能技術來追蹤其營養狀況以及睡眠，以及社交對話來監控其情感狀況。

6.優化機器和設備性能

大數據分析還可以讓積極和設備在應用上更加智能化和自主化。例如，大數據工具曾經就被谷歌公司利用研發谷歌自駕汽車。豐田的普瑞就配有相機、GPS以及感測器，在交通上能夠安全的駕駛，不需要人類的敢於。大數據工具還可以應用優化智能電話。

7.改善安全和執法

大數據現在已經廣泛應用到安全執法的過程當中。想必大家都知道美國安全局利用大數據進行恐怖主義打擊，甚至監控人們的日常生活。而企業則應用大數據技術進行防禦網路攻擊。警察應用大數據工具進行捕捉罪犯，信用卡公司應用大數據工具來檻車欺詐性交易。

8.改善我們的城市

大數據還被應用改善我們日常生活的城市。例如基於城市實時交通信息、利用社交網路和天氣數據來優化最新的交通情況。目前很多城市都在進行大數據的分析和試點。

9.金融交易

大數據在金融行業主要是應用金融交易。高頻交易(HFT)是大數據應用比較多的領域。其中大數據演算法應用於交易決定。現在很多股權的交易都是利用大數據演算法進行，這些演算法現在越來越多的考慮了社交媒體和網站新聞來決定在未來幾秒內是買出還是賣出。

以上九個是大數據應用最多的九個領域，當然隨著大數據的應用越來越普及，還有很多新的大數據的應用領域，以及新的大數據應用。

❸ 大數據給零售行業帶來的商業價值

大數據給零售行業帶來的商業價值

在大數據推動的商業革命暗涌中，要麼學會使用大數據的杠桿創造商業價值，要麼被大數據驅動的新生代商業格局淘汰。

最早關於大數據的故事發生在美國第二大的超市塔吉特百貨(Target)。孕婦對於零售商來說是個含金量很高的顧客群體。但是他們一般會去專門的孕婦商店而不是在Target購買孕期用品。人們一提起Target，往往想到的都是清潔用品、襪子和手紙之類的日常生活用品，卻忽視了Target有孕婦需要的一切。那麼Target有什麼辦法可以把這部分細分顧客從孕婦產品專賣店的手裡截留下來呢?

為此，Target的市場營銷人員求助於Target的顧客數據分析部(Guest Data & Analytical Services)的高級經理Andrew Pole，要求他建立一個模型，在孕婦第2個妊娠期就把她們給確認出來。在美國出生記錄是公開的，等孩子出生了，新生兒母親就會被鋪天蓋地的產品優惠廣告包圍，那時候Target再行動就晚了，因此必須趕在孕婦第2個妊娠期行動起來。如果Target能夠趕在所有零售商之前知道哪位顧客懷孕了，市場營銷部門就可以早早的給他們發出量身定製的孕婦優惠廣告，早早圈定寶貴的顧客資源。

可是懷孕是很私密的信息，如何能夠准確地判斷哪位顧客懷孕了呢?Andrew Pole想到了Target有一個迎嬰聚會(baby shower)的登記表。Andrew Pole開始對這些登記表裡的顧客的消費數據進行建模分析，不久就發現了許多非常有用的數據模式。比如模型發現，許多孕婦在第2個妊娠期的開始會買許多大包裝的無香味護手霜;在懷孕的最初20周大量購買補充鈣、鎂、鋅的善存片之類的保健品。最後Andrew Pole選出了25種典型商品的消費數據構建了「懷孕預測指數」，通過這個指數，Target能夠在很小的誤差范圍內預測到顧客的懷孕情況，因此Target就能早早地把孕婦優惠廣告寄發給顧客。

那麼，顧客收到這樣的廣告會不會嚇壞了呢?Target很聰明地避免了這種情況，它把孕婦用品的優惠廣告夾雜在其他一大堆與懷孕不相關的商品優惠廣告當中，這樣顧客就不知道Target知道她懷孕了。百密一疏的是，Target的這種優惠廣告間接地令一個蒙在鼓裡的父親意外發現他高中生的女兒懷孕了，此事甚至被《紐約時報》報道了，結果Target大數據的巨大威力轟動了全美。

根據Andrew Pole的大數據模型,Target制訂了全新的廣告營銷方案，結果Target的孕期用品銷售呈現了爆炸性的增長。Andrew Pole的大數據分析技術從孕婦這個細分顧客群開始向其他各種細分客戶群推廣，從Andrew Pole加入Target的2002年到2010年間，Target的銷售額從440億美元增長到了670億美元。

我們可以想像的是，許多孕婦在渾然不覺的情況下成了Target常年的忠實擁泵，許多孕婦產品專賣店也在渾然不知的情況下破產。渾然不覺的背景里，大數據正在推動一股強勁的商業革命暗涌，商家們早晚要面對的一個問題就是：究竟是在渾然不覺中崛起，還是在渾然不覺中滅亡。

大數據是誰?

大數據炙手可熱，但是能說清楚大數據是什麼的人卻不多。要真正弄明白什麼是大數據，我們首先得看看Target是怎麼收集大數據的。

只要有可能，Target的大數據系統會給每一個顧客編一個ID號。你刷信用卡、使用優惠券、填寫調查問卷、郵寄退貨單、打客服電話、開啟廣告郵件、訪問官網，所有這一切行為都會記錄進你的ID號。

而且這個ID號還會對號入座的記錄下你的人口統計信息：年齡、是否已婚、是否有子女、所住市區、住址離Target的車程、薪水情況、最近是否搬過家、錢包里的信用卡情況、常訪問的網址等等。Target還可以從其他相關機構那裡購買你的其他信息：種族、就業史、喜歡讀的雜志、破產記錄、婚姻史、購房記錄、求學記錄、閱讀習慣等等。乍一看，你會覺得這些數據毫無意義，但在Andrew Pole和顧客數據分析部的手裡，這些看似無用的數據便爆發了前述強勁的威力。

在商業領域，大數據就是像Target那樣收集起來的關於消費者行為的海量相關數據。這些數據超越了傳統的存儲方式和資料庫管理工具的功能范圍，必須用到大數據存儲、搜索、分析和可視化技術(比如雲計算)才能挖掘出巨大商業價值。

大數據的商業價值

大數據這么火，因此很多人就跟起風來，言必稱大數據，可是很多人不但沒搞明白大數據是什麼的問題，也不知道大數據究竟能往哪些方面挖掘出巨大的商業價值。這樣瞎子摸象般的跟風註定了是要以慘敗告終的，就像以前一窩蜂地追逐社交網路和團購一樣。那麼大數據究竟能往哪些方面挖掘出巨大的商業價值呢?根據IDC和麥肯錫的大數據研究結果的總結，大數據主要能在以下4個方面挖掘出巨大的商業價值：對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動;運用大數據模擬實境，發掘新的需求和提高投入的回報率;提高大數據成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率;進行商業模式、產品和服務的創新。筆者把他們簡稱為大數據的4個商業價值杠桿。企業在大踏步向大數據領域投入之前，必須清楚地分析企業自身這4個杠桿的實際情況和強弱程度。

1、對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動。本文開頭Target的故事就是這個杠桿的案例，瞄準特定的顧客群體來進行營銷和服務是商家一直以來的追求。雲存儲的海量數據和大數據的分析技術使得對消費者的實時和極端的細分有了成本效率極高的可能。比如在大數據時代之前，要搞清楚海量顧客的懷孕情況，得投入驚人的人力、物力、財力，使得這種細分行為毫無商業意義。

2、運用大數據模擬實境，發掘新的需求和提高投入的回報率。現在越來越多的產品中都裝有感測器，汽車和智能手機的普及使得可收集數據呈現爆炸性增長。Blog、Twitter、Facebook和微博等社交網路也在產生著海量的數據。雲計算和大數據分析技術使得商家可以在成本效率較高的情況下，實時地把這些數據連同交易行為的數據進行儲存和分析。交易過程、產品使用和人類行為都可以數據化。大數據技術可以把這些數據整合起來進行數據挖掘，從而在某些情況下通過模型模擬來判斷不同變數(比如不同地區不同促銷方案)的情況下何種方案投入回報最高。

3、提高大數據成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率。大數據能力強的部門可以通過雲計算、互聯網和內部搜索引擎把大數據成果和大數據能力比較薄弱的部門分享，幫助他們利用大數據創造商業價值。這個杠桿的案例是關於沃爾瑪的一個故事。

沃爾瑪開發了一個叫做Retail Link的大數據工具，通過這個工具供應商可以事先知道每家店的賣貨和庫存情況，從而可以在沃爾瑪發出指令前自行補貨，這可以極大地減少斷貨的情況和供應鏈整體的庫存水平。在這個過程中，供應商可以更多的控制商品在店內的陳設，可以通過和店內工作人員更多地接觸，提高他們的產品知識;沃爾瑪可以降低庫存成本，享受員工產品知識提高的成果，減少店內商品陳設的投入。綜合起來，整個供應鏈可以在成本降低的情況下，提高服務的質量，供應商和沃爾瑪的品牌價值也同時得到了提升。通過在整條供應鏈上分享大數據技術，沃爾瑪引爆了零售業的生產效率革命。

4、進行商業模式，產品和服務的創新。大數據技術使公司可以加強已有的產品和服務，創造新的產品和服務，甚至打造出全新的商業模式。這個杠桿將引用Tesco為案例。Tesco收集了海量的顧客數據，通過對每位顧客海量數據的分析，Tesco對每位顧客的信用程度和相關風險都會有一個極為准確的評估。在這個基礎上，Tesco推出了自己的信用卡，未來Tesco還有野心推出自己的存款服務。

大數據的商業革命

通過以上4個杠桿，大數據能夠產生出巨大的商業價值，難怪麥肯錫說大數據將是傳統4大生產要素之後的第5大生產要素。大數據對市場佔有率、成本控制、投入回報率和用戶體驗都會起到極大的促進作用，大數據優勢將成為企業最值得倚重的比較競爭優勢。根據麥肯錫的估計，如果零售商能夠充分發揮大數據的優勢，其營運利潤率就會有年均60%的增長空間，生產效率將會實現年均0.5%-1%的增長幅度。在大數據這個概念炒熱起來的當下，人們才發現像沃爾瑪、Target、亞馬遜、Tesco這樣的商業巨頭已經不聲不響地運用了大數據技術好多年，用大數據驅動市場營銷、驅動成本控制、驅動產品和服務創新、驅動管理和決策的創新、驅動商業模式的創新。許多商界驕子慨嘆競爭不過Target們的不解之謎也終於告破。

在大數據推動的商業革命暗涌中，與時俱進絕不僅僅是附庸風雅的卡位之戰，要麼學會使用大數據的杠桿創造商業價值，要麼被大數據驅動的新生代商業格局淘汰。這是天賜良機，更是生死之戰。成功者將是中國產業鏈升級獨領風騷的梟雄，失敗者擁有的只有遺憾。

以上是小編為大家分享的關於大數據給零售行業帶來的商業價值的相關內容，更多信息可以關注環球青藤分享更多干貨

❹ 大數據時代，數據如何應用

近年來，大數據不斷向世界的各行各業滲透，影響著我們的衣食住行。例如，網上購物時，經常會發現電子商務門戶網站向我們推薦商品，往往這類商品都是我們最近需要的。這是因為用戶上網行為軌跡的相關數據都會被搜集記錄，並通過大數據分析，使用推薦系統將用戶可能需要的物品進行推薦，從而達到精準營銷的目的。下面簡單介紹幾種大數據的應用場景。

大數據在醫療行業的應用

大數據讓就醫看病更簡單。過去，對於患者的治療方案，大多數都是通過醫師的經驗來進行，優秀的醫師固然能夠為患者提供好的治療方案，但由於醫師的水平不相同，所以很難保證患者都能夠接受最佳的治療方案。

而隨著大數據在醫療行業的深度融合，大數據平台積累了海量的病例、病例報告、治癒方案、葯物報告等信息資源.所有常見的病例、既往病例等都記錄在案，醫生通過有效、連續的診療記錄，能夠給病人優質、合理的診療方案。這樣不僅提高醫生的看病效率，而且能夠降低誤診率，從而讓患者在最短的時間接受最好的治療。下面列舉大數據在醫療行業的應用，具體如下。

(1) 優化醫療方案，提供最佳治療方法。

面對數目及種類眾多的病菌、病毒，以及腫瘤細胞時，疾病的確診和治療方案的確定也是很困難的。藉助於大數據平台，可以搜集不同病人的疾病特徵、病例和治療方案，從而建立醫療行業的病人分類資料庫。如果未來基因技術發展成熟，可以根據病人的基因序列特點進行分類，建立醫療行業的病人分類資料庫。在醫生診斷病人時可以參考病人的疾病特徵、化驗報告和檢測報告，參考疾病資料庫來快速幫助病人確診，明確地定位疾病。在制訂治療方案時，醫生可以依據病人的基因特點，調取相似基因、年齡、人種、身體情況相同的有效治療方案，制訂出適合病人的治療方案，幫助更多人及時進行治療。同時這些數據也有利於醫葯行業研發出更加有效的葯物和醫療器械。

(2)有效預防預測疾病。

解決患者的疾病,最為簡單的方式就是防患於未然。通過大數據對於群眾的人體數據監控，將各自的健康數據、生命體征指標都集合在資料庫和健康檔案中。通過大數據分析應用，推動覆蓋全生命周期的預防、治療、康復和健康管理的一體化健康服務,這是未來賣耐健康服務管理的新趨勢。當然，這一點不僅需 要醫療機構加快大數據的建設，還需要群眾定期去做檢查，及時更新數據，以便通過大數據來預防和預測疾病的發生，做到早治療、早康復。當然,隨著大數據的不斷發展，以及在各個領域的應用，一些大規模的流感也能夠通過大數據實現預測。

大數據在金融行業的應用

隨著大數據技術的應用，越來越多的金融企業也開始投身到大數據應用實踐中。麥肯錫的一份研究顯示，金融業在大數據價值潛力指數中排名第一。下面列舉若干大數據在金融行業的典型應用，具體如下。

(1) 精準營銷。

銀行在純配遲互聯網的沖擊下，迫切需要掌握更多用戶信息，繼而構建用戶360立體畫像，即可對細分的客戶進行精準營銷、實時營銷等個性化智慧營銷。

(2) 風險管控。

應用大數據平台，可以統一管理金融企業內部多源異構數據和外部徵信數據,更好地完善風控體系。內部可保證數據的完整性與安全性，外部可控制用戶風險。

(3) 決策支持。

通過大數據分析方法改善經營決策，為管理層提供可靠的數據支撐，從而使經營決策更高效、敏捷、精準。

(4) 服務創新。

通過對大數據的應用，改善與客戶之間的交互、增加用戶黏性，為個人與政府提供增值服務,不斷增強金融企業業務核心競爭力。

(5) 產品創新。

通過高端數據分析和綜合化數據分享,有效對接銀行、保險、信託、基金等各類金融產品，使金融做李企業能夠從其他領域借鑒並創造出新的金融產品。

大數據在零售行業的應用

美國零售業曾經有這樣一個傳奇故事，某家商店將紙尿褲和啤酒並排放在一起銷售，結果紙尿褲和啤酒的銷量雙雙增長!為什麼看起來風馬牛不相及的兩種商品搭配在一起，能取到如此驚人的效果呢?後來經過分析發現，這些購買者多數是已婚男士，這些男士在為小孩購買尿不濕的同時，會同時為自己購買一些啤酒。發現這個秘密後，沃爾瑪超市就大膽地將啤酒擺放在尿不濕旁邊，這樣顧客購買的時候更方便，銷量自然也會大幅上升。

之所以講「啤酒-尿布」這個例子，其實是想告訴大家，挖掘大數據潛在的價值，是零售業競爭的核心競爭力，下面列舉若干大數據在零售業的創新應用，具體如下。

(1) 精準定位零售行業市場。

企業想進人或開拓某一區域零售行業市場，首先要進行項目評估和可行性分析，只有通過項目評估和可行性分析才能最終決定是否適合進人或者開拓這塊市場。通常需要分析這個區域流動人口是多少?消費水平怎麼樣?客戶的消費習慣是什麼?市場對產品的認知度怎麼樣?當前的市場供需情況怎麼樣等等，這些問題背後包含的海量信息構成了零售行業市場調研的大數據，對這些大數據的分析就是市場定位過程。

(2) 支撐行業收益管理。

大數據時代的來臨，為企業收益管理工作的開展提供了更加廣闊的空間。需求預測、細分市場和敏感度分析對數據需求量很大，而傳統的數據分析大多採集的是企業自身的歷史數據來進行預測和分析，容易忽視整個零售行業信息數據，因此難免使預測結果存在偏差。企業在實施收益管理過程中如果能在自有數據的基礎上，依靠一些自動化信息採集軟體來收集更多的零售行業數據，了解更多的零售行業市場信息,這將會對制訂准確的收益策略，贏得更高的收益起到推進作用。

(3) 挖掘零售行業新需求。

作為零售行業企業，如果能對網上零售行業的評論數據進行收集，建立網評大資料庫，然後再利用分詞、聚類、情感分析了解消費者的消費行為、價值取向、評論中體現的新消費需求和企業產品質量問題，以此來改進和創新產品，量化產品價值，制定合理的價格及提高服務質量，從中獲取更大的收益。

❺ 大數據如何與零售業結合 在實戰中應用

大數據如何與零售業結合 在實戰中應用

一、「大數據」的商業價值

1、對顧客群體細分

「大數據」可以對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動。瞄準特定的顧客群體來進行營銷和服務是商家一直以來的追求。雲存儲的海量數據和「大數據」的分析技術使得對消費者的實時和極端的細分有了成本效率極高的可能。

2、模擬實境

運用「大數據」模擬實境，發掘新的需求和提高投入的回報率。現在越來越多的產品中都裝有感測器，汽車和智能手機的普及使得可收集數據呈現爆炸性增長。Blog、Twitter、Facebook和微博等社交網路也在產生著海量的數據。

雲計算和「大數據」分析技術使得商家可以在成本效率較高的情況下，實時地把這些數據連同交易行為的數據進行儲存和分析。交易過程、產品使用和人類行為都可以數據化。「大數據」技術可以把這些數據整合起來進行數據挖掘，從而在某些情況下通過模型模擬來判斷不同變數(比如不同地區不同促銷方案)的情況下何種方案投入回報最高。

3、提高投入回報率

提高「大數據」成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率。「大數據」能力強的部門可以通過雲計算、互聯網和內部搜索引擎把」大數據」成果和「大數據」能力比較薄弱的部門分享，幫助他們利用「大數據」創造商業價值。

4、數據存儲空間出租

企業和個人有著海量信息存儲的需求，只有將數據妥善存儲，才有可能進一步挖掘其潛在價值。具體而言，這塊業務模式又可以細分為針對個人文件存儲和針對企業用戶兩大類。主要是通過易於使用的API，用戶可以方便地將各種數據對象放在雲端，然後再像使用水、電一樣按用量收費。目前已有多個公司推出相應服務，如亞馬遜、網易、諾基亞等。運營商也推出了相應的服務，如中國移動的彩雲業務。

5、管理客戶關系

客戶管理應用的目的是根據客戶的屬性(包括自然屬性和行為屬性)，從不同角度深層次分析客戶、了解客戶，以此增加新的客戶、提高客戶的忠誠度、降低客戶流失率、提高客戶消費等。 對中小客戶來說，專門的CRM顯然大而貴。不少中小商家將飛信作為初級CRM來使用。比如把老客戶加到飛信群里，在群朋友圈裡發布新產品預告、特價銷售通知，完成售前售後服務等。

6、個性化精準推薦

在運營商內部，根據用戶喜好推薦各類業務或應用是常見的，比如應用商店軟體推薦、IPTV視頻節目推薦等，而通過關聯演算法、文本摘要抽取、情感分析等智能分析演算法後，可以將之延伸到商用化服務，利用數據挖掘技術幫助客戶進行精準營銷，今後盈利可以來自於客戶增值部分的分成。

以日常的「垃圾簡訊」為例，信息並不都是「垃圾」，因為收到的人並不需要而被視為垃圾。通過用戶行為數據進行分析後，可以給需要的人發送需要的信息，這樣「垃圾簡訊」就成了有價值的信息。在日本的麥當勞，用戶在手機上下載優惠券，再去餐廳用運營商DoCoMo的手機錢包優惠支付。運營商和麥當勞搜集相關消費信息，例如經常買什麼漢堡，去哪個店消費，消費頻次多少，然後精準推送優惠券給用戶。

7、數據搜索

數據搜索是一個並不新鮮的應用，隨著「大數據」時代的到來，實時性、全范圍搜索的需求也就變得越來越強烈。我們需要能搜索各種社交網路、用戶行為等數據。其商業應用價值是將實時的數據處理與分析和廣告聯系起來，即實時廣告業務和應用內移動廣告的社交服務。

運營商掌握的用戶網上行為信息，使得所獲取的數據「具備更全面維度」，更具商業價值。典型應用如中國移動的「盤古搜索」。

二、「大數據」與零售業的結合運用

對於數據的使用，許多實體零售商同樣表示非常重視，他們對企業積累的數據進行了各種預測和分析。然而，對具體的銷售業務來說，往往存在理想與現實的糾結，前不久市場中一家知名的服裝零售企業一方面在宣傳盈利上市的同時，一方面曝出有近10億元的庫存。國內很多零售企業都知道「大數據」應用的好處，但他們一旦將「大數據」的應用結合到自己的企業經營中時，便會出現與目前經營有非常大的不適應問題，如此導致許多企業對此都持非常謹慎的態度。

1、將零售策略與「大數據」技術進行結合

零售企業談的「大數據」的最大價值，是在零售策略上與「大數據」技術進行結合，最大程度地編制前置性的零售策略，確保銷售計劃的實現。「大數據」講究四個「V」：一是數據體量大（Volume）；二是數據類型復雜（Variety），多涉及到各種結構性與非結構性的；三是價值密度低（Value），這和體量大是相對應的；四是數據更新與處理速度快（Velocity）。

根據這些特性主動地在業務數據產生的同時做出相應的策略應對，會為企業贏得更多的時間和市場策略調整空間。這類似於大江大河的洪峰預警，上游的洪峰出現什麼狀況，下游要做什麼樣的應對。數據用到這一層面上，才具有直接的業務價值，這不是那種銷量同期比、環比、銷售計劃比數據能指導業務的價值能相比的。例如一家涉足線上業務的實體零售商，在一組貨品的15分鍾促銷時間內，往往准備著3套應變策略，以確保貨品能夠按計劃賣出。

在實體商業領域，有許多關於數據與營銷的案例。一個較早的版本就是美國沃爾瑪啤酒和尿布的數據關系。原來，美國的婦女在家照顧孩子，所以她們會囑咐丈夫在下班回家的路上為孩子買尿布，而丈夫在買尿布的同時又會順手購買自己愛喝的啤酒。

當分析師了解到啤酒和尿布銷量存在正相關關系、並進一步分析的時候，發現了這樣的購買情境，於是將這兩種屬於不同門類的商品擺在一起。這個發現為商家帶來了新的銷售組合。當然，即使再多的零售連鎖企業知道這個故事，也極少從平時銷售中能發現這樣的組合，哪怕是牽強附會的。

所以，零售策略設計是零售業「大數據」價值最大的地方，也是「大數據」可以直接為其提供支持的業務。

2、零售企業對「大數據」應保持正確態度

企業的領導者首先要重視「大數據」的發展、重視企業的數據中心，把收集顧客數據作為企業營銷運營的第一目標；第二，對企業內部人員進行培訓及建立收集數據的軟硬體機制；第三，以業務需求為准則，確定哪些數據是需要收集的；第四，確認在企業已有的數據基礎上或者未來方向前提下，如何達成前三項目標的基礎建設方案。

在這些IT基礎工作需要企業有實實在在的投入和建設規范的信息化團隊，作為中國商業最大的一分子——中小微型零售企業似乎是不可能也沒有足夠的能力來面對這樣一場變化的。

大中型零售商因為本身業務及利潤的積淀，已經能夠承擔這樣一場需求趨勢的需要成本。中小微型企業還處於快速發展過程中，如果也如同大中型企業進行全方面的投入，將很快會被新型的IT工具拖垮或者遭受重創。

但這並不意味著中小零售企業沒有機會，實際上IT的發展為所有的企業都提供了平等的選擇，雲計算的廣泛應用即是對這樣一場變革帶來的臨時禮物。

作為中小微型零售企業，完全不必考慮自己建設一套「大數據」的IT系統，他們從精力、成本、能力上來說都不適合，因此此類企業可以將企業的IT建設外包給適合的服務商，企業本身的所有精力可以投入到對商圈的開發上。

目前，一些IT軟體開發運營商也已經針對傳統零售企業推出了雲服務的基礎平台，為中小微型商業企業提供了大型企業和超大型企業同樣的基礎環境及系統架構，小企業只需清晰地規劃出自己的目標和適合的步驟，使用雲平台按需付費即可，大可不必進行巨大的初始投入和不可預測的運行成本。

三、「大數據」在零售企業實戰中的應用

1、Target

最早關於「大數據」的故事發生在美國第二大的超市塔吉特百貨（Target）。孕婦對於零售商來說是個含金量很高的顧客群體。但是他們一般會去專門的孕婦商店而不是在Target購買孕期用品。人們一提起Target，往往想到的都是清潔用品、襪子和手紙之類的日常生活用品，卻忽視了Target有孕婦需要的一切。為此，Target的市場營銷人員求助於Target的顧客數據分析部要求建立一個模型，在孕婦第2個妊娠期就把她們給確認出來。在美國出生記錄是公開的，等孩子出生了，新生兒母親就會被鋪天蓋地的產品優惠廣告包圍，因此必須趕在孕婦第2個妊娠期行動起來。如果Target能夠趕在所有零售商之前知道哪位顧客懷孕了，市場營銷部門就可以早早的給他們發出量身定製的孕婦優惠廣告，早早圈定寶貴的顧客資源。

如何能夠准確地判斷哪位顧客懷孕？ Target想到公司有一個迎嬰聚會（baby shower）的登記表，開始對這些登記表裡的顧客的消費數據進行建模分析，不久就發現了許多非常有用的數據模式。比如模型發現，許多孕婦在第2個妊娠期的開始會買許多大包裝的無香味護手霜；在懷孕的最初20周大量購買補充鈣、鎂、鋅的善存片之類的保健品。最後Target選出了25種典型商品的消費數據構建了「懷孕預測指數」，通過這個指數，Target能夠在很小的誤差范圍內預測到顧客的懷孕情況，因此Target就能早早地把孕婦優惠廣告寄發給顧客。

為了不讓顧客覺得商家侵犯了自己的隱私，Target把孕婦用品的優惠廣告夾雜在其他一大堆與懷孕不相關的商品優惠廣告當中。

根據這個「大數據」模型,Target制訂了全新的廣告營銷方案，結果Target的孕期用品銷售呈現了爆炸性的增長。Target的「大數據」分析技術從孕婦這個細分顧客群開始向其他各種細分客戶群推廣，從Target使用「大數據」的2002年到2010年間，Target的銷售額從440億美元增長到了670億美元。

2、ZARA

ZARA平均每件服裝價格只有LVHM四分之一，但是，回看兩家公司的財務年報，ZARA稅前毛利率比LVHM集團還高23、6%。

（1）分析顧客的需求

在ZARA的門店裡，櫃台和店內各角落都裝有攝影機，店經理隨身帶著PDA。目的是記錄其顧客的每個意見，如顧客對衣服圖案的偏好，扣子的大小，拉鏈的款式之類的微小舉動。店員會向分店經理匯報，經理上傳到ZARA內部全球資訊網路中，每天至少兩次傳遞資訊給總部設計人員，由總部作出決策後立即傳送到生產線，改變產品樣式。

關店後，銷售人員結帳、盤點每天貨品上下架情況，並對客人購買與退貨率做出統計。再結合櫃台現金資料，交易系統做出當日成交分析報告，分析當日產品熱銷排名，然後，數據直達ZARA倉儲系統 。

收集海量的顧客意見，以此做出生產銷售決策，這樣的作法大大降低了存貨率。同時，根據這些電話和電腦數據，ZARA分析出相似的「區域流行」，在顏色、版型的生產中，做出最靠近客戶需求的市場區隔。

（2）結合線上店數據

2010年，ZARA同時在六個歐洲國家成立網路商店，增加了網路巨量資料的串連性。2011年，分別在美國、日本推出網路平台，除了增加營收，線上商店強化了雙向搜尋引擎、資料分析的功能。不僅回收意見給生產端，讓決策者精準找出目標市場；也對消費者提供更准確的時尚訊息，雙方都能享受「大數據」帶來的好處。分析師預估，網路商店為ZARA至少提升了10%營收。

此外，線上商店除了交易行為，也是活動產品上市前的營銷試金石。ZARA通常先在網路上舉辦消費者意見調查，再從網路回饋中，擷取顧客意見，以此改善實際出貨的產品。

ZARA將網路上的海量資料看作實體店面的前測指標。因為會在網路上搜尋時尚資訊的人，對服飾的喜好、資訊的掌握，催生潮流的能力，比一般大眾更前衛。再者，會在網路上搶先得知ZARA資訊的消費者，進實體店面消費的比率也很高。

這些顧客資料，除了應用在生產端，同時被整個ZARA所屬的英德斯（Inditex）集團各部門運用：包含客服中心、行銷部、設計團隊、生產線和通路等。根據這些巨量資料，形成各部門的KPI，完成ZARA內部的垂直整合主軸。

ZARA推行的海量資料整合，後來被ZARA所屬英德斯集團底下八個品牌學習應用。可以預見未來的時尚圈，除了檯面上的設計能力，檯面下的資訊/數據大戰，將是更重要的隱形戰場。

（3）對數據快速處理、修正、執行

H&M一直想跟上ZARA的腳步，積極利用「大數據」改善產品流程，成效卻不彰，兩者差距愈拉愈大，這是為什麼？

主要的原因是，「大數據」最重要功能是縮短生產時間，讓生產端依照顧客意見，能於第一時間迅速修正。但是，H&M內部的管理流程，卻無法支撐「大數據」供應的龐大資訊。H&M的供應鏈中，從打版到出貨，需要三個月左右，完全不能與ZARA兩周的時間相比。

因為H&M不像ZARA，後者設計生產近半維持在西班牙國內，而H&M產地分散到亞洲、中南美洲各地。跨國溝通的時間，拉長了生產的時間成本。如此一來，「大數據」即使當天反映了各區顧客意見，無法立即改善，資訊和生產分離的結果，讓H&M內部的「大數據」系統功效受到限制。

「大數據」運營要成功的關鍵，是資訊系統要能與決策流程緊密結合，迅速對消費者的需求作出回應、修正，並且立刻執行決策。

3、亞馬遜

此前亞馬遜並未大張旗鼓推展廣告業務，直至2012年年底，有報道指出，亞馬遜即將推出實時廣告交易平台，從而向Facebook和谷歌發起挑戰。這個實時廣告交易平台又稱「需求方平台」（Demand Side Platform，DSP），可以讓廣告與目標消費者相遇。廣告商可以在「需求方平台」上競標網站的閑置廣告空間，而競標標的包括廣告版位，以及符合特定條件的消費者。

亞馬遜開發的「需求方平台」可以「協助廣告商接觸網路上的眾多用戶，同時也幫助客戶迅速找到想購買產品的相關資訊」，「需求方平台」概念雖非亞馬遜首創，但以豐富資料為後盾。

亞馬遜與廣告商分享的資訊有兩類，一是依用戶網路行為所做的通用分類，例如熱衷時尚、喜愛電子產品、身份為母親、愛喝咖啡等，二是用戶的商品搜尋記錄。至於消費者的實際購物資料，亞馬遜似乎尚未列入分享。廣告商即使無法得知實際消費記錄，能了解潛在顧客的商品搜尋記錄；亞馬遜如果全力進軍網路廣告市場，仍可能大大改變產業生態。

亞馬遜2012年的廣告收入約為5億美元， 2013年的廣告收入將達10億美元。這會成為亞馬遜未來幾年內營收增長的新動力，更重要的是，它可能是亞馬遜各項業務中利潤率最高的業務之一。

4、沃爾瑪

2011年，沃爾瑪電子商務的營收僅是亞馬遜的五分之一，且差距年年擴大，讓沃爾瑪不得不設法奮起直追，找出各種提升數字營收的模式。最終，沃爾瑪選擇在社交網站的移動商務上放手一搏，讓更大量、迅速的資訊，進入沃爾瑪內部銷售決策。沃爾瑪的每張購買建議清單，都是大量資料運算而出的結果。

2011年4月，沃爾瑪以3億美元高價收購了一家專長分類社群網站Kosmix。Kosmix不僅能收集、分析網路上的海量資料（大數據）給企業，還能將這些資訊個人化，提供采購建議給終端消費者（若不是追蹤結帳資料，這些細微的消費者習慣，很難從賣場巡邏中發現）。這意味著，沃爾瑪使用的「大數據」模式，已經從「挖掘」顧客需求進展到要能夠「創造」消費需求。

沃爾瑪本身就是一個海量資料系統，適用各種商業上的分析行為，它的綜合功能，作為世界最大的零售業（專題閱讀）巨人，沃爾瑪在全球超過200萬名員工，總共有110個超大型配送中心，每天處理的資料量超過10億筆。由於資料量過於龐大，沃爾瑪的「大數據」系統最重要的任務，就是在做出每一筆決定前，將執行成本降到最低，並且創造新的消費機會。

Kosmix為沃爾瑪打造的「大數據」系統稱做「社交基因組（Social Genome）」，連結到Twitter、Facebook等社交媒體。工程師從每天熱門消息中，推出與社會時事呼應的商品，創造消費需求。分類范圍包含消費者、新聞事件、產品、地區、組織和新聞議題等。同時，針對社交網路快消息流的性質，沃爾瑪內部的「大數據」實驗室專門發展出一套追蹤系統，結合手機上網，專門管理追蹤龐大的社交動態，每天能處理的資訊量超過10億筆。

「社交基因組」的應用方式五花八門。舉例來說，沃爾瑪實驗室內部軟體能從Foursquare平台上的打卡記錄，分析出在黑色星期五，不同地區消費者最常購買的品項，然後，針對不同地區送出購買建議。

以上是小編為大家分享的關於大數據如何與零售業結合 在實戰中應用的相關內容，更多信息可以關注環球青藤分享更多干貨

❻ 大數據營銷究竟該怎麼做

1、數據層：採集和處理數據
傳統採集數據的過程一般是有限的、有意識的、結構化的進行數據採集，例如問卷調研的形式。你能採集到的數據一定是你能設想到的情況。數據的結構化較好。一般的資料庫Mysql甚至Excel就能滿足數據處理過程。
2、業務層：建模分析數據
使
用的數據分析模型，例如基本統計、機器學習、例如數據挖掘的分類、聚類、關聯、預測等演算法，傳統數據和大數據的做法差別不大，例如銀行、通信運營商、零售
商早已成熟運用消費者的屬性和行為數據來識別風險和付費可能性。但是由於數據量的極大擴增，演算法也獲得極大優化提升的空間。
3、應用層：解讀數據
數據指導營銷最重要的是解讀。
傳統一般是定義營銷問題之後，採集對應的數據，然後根據確定的建模或分析框架，數據進行分析，驗證假設，進行解讀。解讀的空間是有限的。
而大數據提供了一種可能性，既可以根據營銷問題，封閉性地去挖掘對應數據進行驗證，也可以開放性地探索，得出一些可能與常識或經驗判斷完全相異的結論出來。可解讀的點變得非常豐富。

❼ 電商平台如何利用大數據做好用戶體驗

在中國，通過大數據人物畫像來實現流量個性化已非新鮮事，同時在大洋彼岸的美國，目前已經更進一步，通過最先進的數據分析平台，電商可以通過社交平台等數據對用戶個性特徵進行分析，從而實現更精準的營銷，而且並非「財大氣粗」的中小企業也可以享受到這樣的福利。
不是所有的行為數據都有價值對於電商而言，其對大數據分析的主要需求可以體現在兩方面，一是快速反應出問題所在，二是發現新的用戶群體
對於備受關注的後者，電商希望通過智能聯網分析已有的數據，發掘並預測出用戶的興趣所在，刺激用戶購買積極性，並將產品推向特定人群。
目前業界的普通實現方式是，通過用戶網路上留下的歷史信息、記錄，來猜測喜好，例如相關圖書推薦、機票航班推薦等，但失算之處可能在於精準度和推薦時機不盡人意，比如用戶已經旅行歸來，系統還在推薦往返機票。
目前美國有一種研究方向，通過非結構化數據分析技術對用戶進行個性化維度分析，包括對用戶在網路上更新的個人狀態信息進行分析，如Twitter、Facebook，推定用戶個性及特徵，以精準定義個人並實現標簽化，同時反饋給商家並與目標市場用戶相匹配，從而實現產品的關聯。
對此，美國數據分析科學家、Taste Analytics創始人及全美五大可視化研究中心的Derek Wang(汪曉宇)博士表示，傳統的方式需要基於大量的行為數據進行分析，並相信所有的動作具有價值，但事實卻並非這樣，容易造成對精準度和時機的把握不盡人意;而通過對人在網路上留下的真實語言、說話方式、評價內容等進行個性化維度分析，更貼近人真實的本性，這當然也包括購買喜好，只有這樣才能實現更加准確的產品購買需求挖掘。
電商商戶的「福利」
目前，該分析技術在電商平台上更能直接釋放效力的方式，便是針對中小型商戶的解決方案：對用戶產品評價進行分析，來優化產品、提升用戶體驗。
Derek Wang舉例道，通過Taste Analytics Signals數據分析平台，亞馬遜平台上的耳機商戶，可以對平台上用戶的產品評價及Facebook上的留言進行語義分析，得出對耳機品牌、電池壽命、品種型號的用戶反饋，以及不同產品間如Bose與Sony的產品分析。
這對於美國為數眾多的亞馬遜、新蛋、易貝商戶而言無疑十分受用，其可以及時對產品和銷售過程進行優化。
另一個典型應用是電商平台本身。美國某著名的大型家居銷售企業，在其電商網路平台上，通過刺激網路流量來買賣產品。利用數據分析平台，其不僅發現並解決了用戶消費時信用卡連刷2次的問題，同時觀察到網路流量在一周中的不平均分布，後續通過市場促銷，改變了市場營銷過程。
(用Taste Analytics Signals平台對Amazon某熱銷汽水的分析結果)
決策在數據之上而非數據本身
用戶的特徵來自於文本分析，用戶在網路上說的每一句話都將可能成為分析點。無疑更多的數據將有力於對用戶行為進行匹配，提高分析准確性，而這方面社交平台則提供了一個很好的非結構化數據的來源。
事實上，美國電商本身已經在開始著手整合社交網路的數據信息，例如閃購網站Myhabit建議用戶通過亞馬遜賬號登陸;電商Macys需要用Facebook賬號登陸(這樣的整合在國內也並不鮮見)。對於用戶，這樣的登陸方式更方便快捷;對於商戶，可以將個人信息關聯起來;而對於大數據技術/服務提供商，數據分析服務便可以由此展開，進行深度數據挖掘。
在Derek Wang看來，此項圍繞人的非結構化數據分析平台服務，不僅能提升結果的准確性，更重要的是它建立的不是一個推薦系統，而是一個增強智慧的過程。畢竟僅基於既有行為的數據分析會導致可能的失敗，小到上述提及的機票推薦，大到金融領域採用數學模型的危險性在次貸危機中已經暴露無疑。
「由機器提取的數據內涵，通過圖像的方法展示給企業決策者，決策者通過與機器互動後做出決定。數據分析平台是輔助企業決策者的工具，也是它的價值所在。」 Derek Wang說道。
不謀而合，《紐約時報》資深撰稿人史蒂夫·洛爾曾著書大數據時評論，雖然決策活動對數據與分析的倚重與日俱增是大勢所趨，但同時還要讓常識發揮應有的作用，經驗與直覺仍然在決策中佔有一席之地，而好的直覺又往往建立在大量數據分析基礎之上。
機器與人分工合作才更好，更加值得一提的是，直觀的圖像可視化的呈現方式，使得電商及商戶的內部分析師即使沒有IT背景，也可以輕松地掌握產品動態，從而幫助其贏得市場。
大數據確有裨益，但並不是所有企業都能成功掘金大數據;只有那些富有遠見、重視系統且敢於投資的公司才會有所斬獲。對於零售業而言，有三個重要戰略可幫助電子商務成功運用大數據。
正確理解大數據
不必糾結於大數據到底是什麼，試圖計算出多少數據才算大數據是不明智的。首先，沒有確切的數字或數量級可用作數據量的分界線，因為大數據不在「量」，而在「全」。通過對全面數據的分析可以發現相應的趨勢，進一步預測未來。想要掌握大數據，必須具備「大數據」的思維模式，即關注於那些已幫助完成了某項任務的數據。從龐大的歷史數據中尋找規律，從而預測未來;或者找出有關因素，對搜索最佳數據的系統進行改善，獲得正確數據取得最大利益。
如何獲取大數據?
大數據被炒熱和巨無霸企業在其中獲得的巨大商業價值密不可分，但這並不意味著大數據是只有大公司才買得起的「獨有玩偶」。小公司也能擁有自己的「大數據」。雖然大多數電商企業仍處於起步階段，但它們也可以收集數據，挖掘優秀人才幫助做出更加明智的決定。數據分析可以從小數據開始、效果立竿見影，隨後發展成為大數據。即使一家小咖啡廳也能通過探尋顧客的飲用習慣、信用卡記錄以及在線定位設置而建立自己的「大數據」。
盡管中小型企業還未完全配備企業先進的大數據線上工具和模式，但他們仍能從本公司歷史數據中找出規律。例如，有了一兩個月推廣促銷活動的歷史數據後，服裝電商公司就可以開始分析各個品類的銷售表現情況，掌握一周或一個月內的最暢銷和最滯銷的銷售品類信息，同時清楚了解長期內的平均增長率和復合增長率。這樣的數據分析方法能提供產品銷售額和產品銷售表現的衡量指標，從而找出產品銷售模式和趨勢，做出下一步商業決策。這樣將幫助企業實現更大的銷售額，同時，無論有無市場推廣活動，都可以監控產品的銷售表現。
整合零售策略與大數據
從企業的角度來看，大數據的最大價值在於零售策略與大數據技術相結合。目前，由於消費者對於他們所希望的購物時間與購物方式的要求越來越高，現代零售業已變得愈發復雜。因此，零售商需要更加聰明地來服務顧客，更加靈活地選用庫存和配送訂單的地點，更加明確如何使用搜集到的顧客數據進行線上線下的交叉銷售和追加銷售。為了達成這一目的，零售商需要藉助一個定製軟體來制定以顧客為導向、基於數據的策略，以便於為顧客提供個性化服務。
此外，企業必須將零售策略與數據分析最大程度地相匹配，保證銷售計劃的實現。大數據最大的特點之一就是在於能夠高速更新和處理信息。根據這一特性，商業數據一旦生成，就可以進行相應策略的制定，幫助公司贏得時間與空間調整市場策略，以最充分地發揮自身優勢。這就像防洪預警：上游一旦有所警示，下游就應立即作出回應調整。例如，涉足線上的傳統零售商，在一組貨品的15分鍾促銷時間內，往往會准備三套應變策略，以確保商品按計劃銷售。 通過整合零售策略和大數據，企業將能夠吸引更多消費者、為他們提供定製化服務，從而提升產品銷售表現、增加銷售額，進而擴大收益。

❽ 大數據的應用領域有哪些

1.了解和定位客戶
這是大數據目前最廣為人知的應用領域。很多企業熱衷於社交媒體數據、瀏覽器日誌、文本挖掘等各類數據集，通過大數據技術創建預測模型，從而更全面地了解客戶以及他們的行為、喜好。
利用大數據，美國零售商Target公司甚至能推測出客戶何時會有Baby;電信公司可以更好地預測客戶流失;沃爾瑪可以更准確的預測產品銷售情況;汽車保險公司能更真實的了解客戶實際駕駛情況。
滑雪場利用大數據來追蹤和鎖定客戶。如果你是一名狂熱的滑雪者，想像一下，你會收到最喜歡的度假勝地的邀請;或者收到定製化服務的簡訊提醒;或者告知你最合適的滑行線路。。。。。。同時提供互動平台(網站、手機APP)記錄每天的數據——多少次滑坡，多少次翻越等等，在社交媒體上分享這些信息，與家人和朋友相互評比和競爭。
除此之外，政府競選活動也引入了大數據分析技術。一些人認為，奧巴馬在2012年總統大選中獲勝，歸功於他們團隊的大數據分析能力更加出眾。
2.了解和優化業務流程
大數據也越來越多地應用於優化業務流程，比如供應鏈或配送路徑優化。通過定位和識別系統來跟蹤貨物或運輸車輛，並根據實時交通路況數據優化運輸路線。
人力資源業務流程也在使用大數據進行優化。Sociometric Solutions公司通過在員工工牌里植入感測器，檢測其工作場所及社交活動——員工在哪些工作場所走動，與誰交談，甚至交流時的語氣如何。美國銀行在使用中發現呼叫中心表現最好的員工——他們制定了小組輪流休息制度，平均業績提高了23%。
如果在手機、鑰匙、眼鏡等隨身物品上粘貼RFID標簽，萬一不小心丟失就能迅速定位它們。假想一下未來可能創造出貼在任何東西上的智能標簽。它們能告訴你的不僅是物體在哪裡，還可以反饋溫度，濕度，運動狀態等等。這將打開一個全新的大數據時代，「大數據」領域尋求共性的信息和模式，那麼孕育其中的「小數據」著重關注單個產品。
3.提供個性化服務
大數據不僅適用於公司和政府，也適用於我們每個人，比如從智能手錶或智能手環等可穿戴設備採集的數據中獲益。Jawbone的智能手環可以分析人們的卡路里消耗、活動量和睡眠質量等。Jawbone公司已經能夠收集長達60年的睡眠數據，從中分析出一些獨到的見解反饋給每個用戶。從中受益的還有網路平台「尋找真愛」，大多數婚戀網站都使用大數據分析工具和演算法為用戶匹配最合適的對象。
4.改善醫療保健和公共衛生
大數據分析的能力可以在幾分鍾內解碼整個DNA序列，有助於我們找到新的治療方法，更好地理解和預測疾病模式。試想一下，當來自所有智能手錶等可穿戴設備的數據，都可以應用於數百萬人及其各種疾病時，未來的臨床試驗將不再局限於小樣本，而是包括所有人!
蘋果公司的一款健康APP ResearchKit有效將手機變成醫學研究設備。通過收集用戶的相關數據，可以追蹤你一天走了多少步，或者提示你化療後感覺如何，帕金森病進展如何等問題。研究人員希望這一過程變得更容易、更自動化，吸引更多的參與者，並提高數據的准確度。
大數據技術也開始用於監測早產兒和患病嬰兒的身體狀況。通過記錄和分析每個嬰兒的每一次心跳和呼吸模式，提前24小時預測出身體感染的症狀，從而及早干預，拯救那些脆弱的隨時可能生命危險的嬰兒。
更重要的是，大數據分析有助於我們監測和預測流行性或傳染性疾病的暴發時期，可以將醫療記錄的數據與有些社交媒體的數據結合起來分析。比如，谷歌基於搜索流量預測流感爆發，盡管該預測模型在2014年並未奏效——因為你搜索「流感症狀」並不意味著真正生病了，但是這種大數據分析的影響力越來越為人所知。
5.提高體育運動技能
如今大多數頂尖的體育賽事都採用了大數據分析技術。用於網球比賽的IBM SlamTracker工具，通過視頻分析跟蹤足球落點或者棒球比賽中每個球員的表現。許多優秀的運動隊也在訓練之外跟蹤運動員的營養和睡眠情況。NFL開發了專門的應用平台，幫助所有球隊根據球場上的草地狀況、天氣狀況、以及學習期間球員的個人表現做出最佳決策，以減少球員不必要的受傷。
還有一件非常酷的事情是智能瑜伽墊：嵌入在瑜伽墊中的感測器能對你的姿勢進行反饋，為你的練習打分，甚至指導你在家如何練習。
6.提升科學研究
大數據帶來的無限可能性正在改變科學研究。歐洲核子研究中心(CERN)在全球遍布了150個數據中心，有65,000個處理器，能同時分析30pb的數據量，這樣的計算能力影響著很多領域的科學研究。比如政府需要的人口普查數據、自然災害數據等，變的更容易獲取和分析，從而為我們的健康和社會發展創造更多的價值。
7.提升機械設備性能
大數據使機械設備更加智能化、自動化。例如，豐田普銳斯配備了攝像頭、全球定位系統以及強大的計算機和感測器，在無人干預的條件下實現自動駕駛。Xcel Energy在科羅拉多州啟動了「智能電網」的首批測試，在用戶家中安裝智能電表，然後登錄網站就可實時查看用電情況。「智能電網」還能夠預測使用情況，以便電力公司為未來的基礎設施需求進行規劃，並防止出現電力耗盡的情況。在愛爾蘭，雜貨連鎖店Tescos的倉庫員工佩戴專用臂帶，追蹤貨架上的商品分配，甚至預測一項任務的完成時間。
8.強化安全和執法能力
大數據在改善安全和執法方面得到了廣泛應用。美國國家安全局(NSA)利用大數據技術，檢測和防止網路攻擊(挫敗恐怖分子的陰謀)。警察運用大數據來抓捕罪犯，預測犯罪活動。信用卡公司使用大數據來檢測欺詐交易等等。
2014年2月，芝加哥警察局對大數據生成的「名單」——有可能犯罪的人員，進行通告和探訪，目的是提前預防犯罪。
9.改善城市和國家建設
大數據被用於改善我們城市和國家的方方面面。目前很多大城市致力於構建智慧交通。車輛、行人、道路基礎設施、公共服務場所都被整合在智慧交通網路中，以提升資源運用的效率，優化城市管理和服務。
加州長灘市正在使用智能水表實時檢測非法用水，幫助一些房主減少80%的用水量。洛杉磯利用磁性道路感測器和交通攝像頭的數據來控制交通燈信號，從而優化城市的交通流量。據統計目前已經控制了全市4500個交通燈，將交通擁堵狀況減少了約16%。
10.金融交易
大數據在金融交易領域應用也比較廣泛。大多數股票交易都是通過一定的演算法模型進行決策的，如今這些演算法的輸入會考慮來自社交媒體、新聞網路的數據，以便更全面的做出買賣決策。同時根據客戶的需求和願望，這些演算法模型也會隨著市場的變化而變化。

❾ 8個典型案例看懂零售巨頭的「大數據」戰略

8個典型案例看懂零售巨頭的「大數據」戰略_數據分析師考試

未來的零售分析要求零售商藉助集成式業務流程和信息系統，為客戶洞察提供支持，將客戶洞察發展成一種企業級的戰略能力，並根植於企業結構和企業文化中。在這種形勢下，零售商的所有業務職能部門在制定決策時，將把基於情景的客戶洞察作為一個重要依據。

分析公司 EKN 認為，為了真正實現以客戶為中心，零售商需要具備多項關鍵能力，而這些能力均由業務分析驅動。

全渠道集成。如果缺乏相關客戶洞察支持與客戶的互動，零售商將無法實現跨渠道無縫客戶體驗。零售商與客戶互動的聯絡點能為零售商提供豐富的客戶數據，因此，所有聯絡點也成為了零售商的最佳競爭利器。

個性化互動。與網上零售商相比，實體零售商具有兩大優勢：能與客戶進行個人接觸，以及擁有更豐富的歷史記錄和更多樣的客戶數據。如今，「個性化」購物體驗已成為人們津津樂道的話題，而如何巧妙地結合上述兩大優勢，即在行動中及時交付客戶洞察，將成為零售商打造「個性化」購物體驗的基礎。

持續的卓越運營。客戶洞察的應用並非僅局限於面向客戶的使用案例。事實上，如果零售商已經能夠在各個運營職能部門中更成熟地運用分析功能，那麼集成客戶洞察便是他們不容錯過的增量機會。

零售商用例

銷售

瑞士零售商 Globus 使用大數據內存計算和高級分析來獲取寶貴的銷售績效洞察。目前，他們能夠實時處理海量的產品數據，並在幾分鍾內分析不同時間范圍、店鋪和區域內數千種產品的銷售模式與促銷活動。該零售商還向其管理人員提供了這些洞察的訪問許可權，以便他們能夠更迅速地響應市場狀況。

美國零售商 Guess 使用高級分析向其高管提供暢銷產品和可用庫存的實時視圖。該零售商的分析解決方案基於大型客戶數據集，分析銷售額、細分目標客戶，並策劃促銷活動。

市場營銷

沃爾瑪的 Global.com 部門充分利用「快速的大數據」和社交分析，快速識別不斷變化的客戶喜好。該零售商的社交意識（Social Sense）項目能通過社交媒體確定商品的暢銷程度，並幫助顧客發掘潛在需求和感興趣的新產品。同時，藉助 ShoppyCat 工具，他們可根據 Facebook 用戶的愛好和興趣，為這些用戶推薦適合的產品。此外，Global.com 還使用社交基因組（Social Genome）技術，來幫助客戶為朋友挑選禮物。

塔吉特（Target）百貨公司利用預測分析程序，來推斷個體消費者是否具備成為該公司特定營銷活動優質客戶的特質。他們給每位顧客分配了一個獨一無二的客戶識別號碼。該號碼將客戶個人信息、購物行為和喜好整合到一個可跟蹤的實體內。塔吉特還專門成立了一個客戶營銷分析部門，致力於全面了解客戶，超越其他競爭對手，從而獲得競爭優勢。藉助動態數據倉庫（Active Data Warehouse），塔吉特可在整個企業的混合工作負載環境下，基於海量數據管理復雜的用戶查詢。

全渠道

英國零售商巴寶莉（Burberry）集成了旗下所有渠道，包括實體店、網上商店、移動終端以及各大社交網站。他們採用了創新技術和數據分析，用於分析來自所有數據源的數據，旨在實時識別個人客戶並建立客戶檔案。相比過去，巴寶莉的分析速度提高了 14,000 倍，以前需要 5 個小時的請求，現在 1 秒就能完成。不論店員處於什麼位置，他們都能在客戶踏入店內時立即識別客戶信息，了解他們過去的購買記錄，並提供個性化建議。

韓國零售商 NS Shopping 將移動渠道和社交渠道集成到零售環境中，並利用大數據分析，實時、集中地獲取所有渠道的客戶和產品數據。而公司的電子商務團隊和市場營銷團隊將利用這些數據，向顧客提供個性化的產品建議。

供應鏈

美國網上零售商亞馬遜基於非平穩隨機模型，構建了全新的供應鏈流程和系統。該方法能為訂單履行、尋源、產能和庫存決策提供鼎力支持。亞馬遜不僅開發了聯合和協調補貨的新演算法，還基於歷史需求、活動記錄和計劃、各履行中心的預測結果、庫存計劃、采購周期以及采購訂單，在 SKU 級別實施了全新的國家預測方案。

英國零售商樂購（Tesco）採用先進的建模工具，基於歷史銷售數據模擬配送倉庫的運作，從而達到優化庫存的目的。該零售商還組建了一個內部分析團隊，該團隊主要負責通過回歸測試掌握各要素之間的關聯，如天氣數據、特價優惠，及銷售模式等等。

以上是小編為大家分享的關於8個典型案例看懂零售巨頭的「大數據」戰略的相關內容，更多信息可以關注環球青藤分享更多干貨

❿ 零售銀行如何玩轉大數據

零售銀行如何玩轉大數據

我們可以從備用資料庫里收集有關聯的數組和數據,並使用Hadoop進行分析。或者我們可以通過機器學習技術現有數據中隱藏的關聯關系。

普通數據組的介紹

針對所有客戶每月收入和支出的分類分析數組是一直存在的。這類數組是因為客戶銀行賬戶借記、貸記等各種日常操作而產生的。每一筆交易的產生通常都伴隨著一個電子號碼,比如電費話費單、商戶類別碼等等。此外,我們還可以通過商戶名稱、描述以及留言來對交易進行區分。

我們可以識別出很多消費類別,比如房產類消費(租金或者按揭)、能源類消費(加油或者電費)、食品及家居類消費、教育類、汽車消費、餐飲、大額項目(購買電視、傢具)、稅費、娛樂、信用卡和貸款支付、奢侈品等等。

同樣,收入分類有工資、分紅、退稅交易、社會福利收入、房租收入、銷售等等。通過簡單的回歸分析可以得到針對每個客戶的收入支出情況的整體趨勢,以及每個細分類別的趨勢。

機器學習和預測

我們可以使用各種機器學習演算法和模型來做預測。這里我們介紹兩種演算法：監督學習以及非監督學習。

監督學習演算法通過分析和驗證歷史數據來得到模型,這個模型可以通過輸入數據之間的聯系得到確定的結果。樣本數據可以隨意選取,但是最好提前進行分組處理以得到更准備的結果。通常可以將客戶數組數據按照年齡、收入、地域、教育背影以及儲蓄量進行分類。每一類還會繼續細分，比如年齡可以分成5個20的層級。我們能直接看到每一層級中客戶的數量,從而我們可以從每一層級里抽取5%的樣本數據來進行分析。這類樣本數據能夠讓我們最直接地看出哪個類別對最後結果的影響最大。比如我們可以很明顯地看出教育背影對投資產品的影響最大。

非監督機器學習演算法則會從現有的數據中尋找未知的關聯模型。我們可以通過那些非正常的客戶行為模式中來找到欺詐信息的蛛絲馬跡。

1. 產品的私人訂制

銀行可以把錢省下來去做那些昂貴的市場推廣活動來宣傳銀行產品。產品應該最大程度地提供給那些有可能需要並接受它們的人，所以應該針對客戶推薦與其最相關的產品。這些就需要好好研究客戶之前都愛使用哪些產品。

客戶所使用的銀行產品和服務的歷史數據都可以拿來做分析，並生成獨立的模型。我們篩選並驗證出最好的學習演算法,然後用它們計算哪些類別和變數能產生最大的效果。

2. 金融欺詐的早期偵測以及減少欺詐損失

這項內容包括識別身份造假、信用卡欺詐、電信欺詐、洗錢以及對網上銀行和移動銀行的攻擊。不斷出現的新型欺詐手段需要靈活、迅速的檢測演算法。過去,銀行只使用基於統計學和規則的演算法去識別可疑行為。這些演算法有很大的局限性，因為它們只能識別已知的欺詐手段,維護成本高，計算中無法覆蓋每個用戶的全部歷史數據,並且經常誤報。

我們使用了包含已知欺詐案件的數據集。這些欺詐案件被分為幾類儲存，如盜取身份透支欺詐，信用卡盜竊，消費信貸欺詐，偽造支票償還信用卡，盜竊支票，盜錄磁條復制卡片，使用竊取的客戶憑證或安全設備攻擊網上銀行，流氓電商運用信用卡詐騙等等。我們使用了利用反向傳播進行訓練的神經網路和決策樹兩種演算法。這些演算法對已有數據進行處理,從而識別新型詐騙的出現。

3. 預測客戶流失和取消服務

銀行對客戶流失和取消服務的預測有很強的時間敏感性，因為在客戶不可挽回地決定取消某項服務或轉投競爭對手之前，留給銀行的時間僅有幾天而已。銀行必須及早識別那些有可能流失的客戶並聯系他們，為他們提供其它可選擇的服務或是解決他們的問題。留存能帶來高利潤的活躍客戶的成本比起流失他們之後再吸引回來的成本要低得多。

我們預測時使用的原始數據包括賬戶流動情況，借記卡和信用卡流動情況,CRM中記錄的客戶數據，服務訂購數據，服務中心和分支機構的訪問交易數據以及登錄信息等。常用的收入和支出數據也被納入其中。

我們還建立關鍵事件的時間序列,諸如注銷借記卡，從其它銀行轉入的工資、分紅、租金等收入,客戶主動聯系服務中心或是訪問分支機構，注銷信用卡等等。

我們還建立了另外一組客戶集，他們符合年齡、收入、存款和地理位置分布等畫像但仍然是銀行的存留客戶。

基於以上，我們建立了有效的模型以預測客戶在不可挽回地轉投競爭對手之前的一系列行為。我們已經使用了一些監督學習演算法，例如支撐向量機進行二類分類以及利用用反向傳播的神經網路。在使用主成分分析對輸入數據進行降維後，我們使用非監督學習演算法中的K聚類演算法和KCm演算法來降低輸入數據的維度。

我們在最近的數據中識別出了數百名符合模式的活躍用戶，在他們轉投競爭對手之前，相關分行應當及早進行聯絡。

4. ATM機和銀行網點中現金分配的最優解決方案

對於ATM機和銀行網點而言，一年之中不同時段的現金需求量是在不斷變化的。這種變化可能由天氣、突發事件、假期及旅遊等各種因素引發。准確預測出ATM機和銀行網點的現金需求量非常重要。無論是頻繁地往ATM機里放現金，還是ATM機因缺少現金而停止使用,成本都很高。另一方面，我們又不希望出現ATM機和網點長期持有冗餘現金的情況，因為這既不是最優的現金分配方法，同時也會加大引發犯罪的可能。

我們會使用多個維度的數據進行分析，包括：ATM機的服務日誌,ATM機和銀行網點的地理位置信息，每台ATM機的提款數據，ATM機和銀行網點當地的天氣預報,賽事安排,每個地區的文化活動、重要事件以及節假日安排。此外，信用卡和借記卡的流動情況也是重要的數據源，可以判斷不同地區在每年不同時間的現金需求量。我們使用普通數據組來確定不同地區客戶的工資、社會福利和其它收入的到賬時間。

我們提取並分析了這樣一些數據，包括：所有ATM機在一年中每一天取現數量的中位數，所有ATM機一天中每小時取現數量的中位數。這一數據集被用來計算天氣、重要事件、星期幾及節假日對某一具體地區的現金需求量的影響。我們還將過去4年間的重要文化、體育及其它事件與其發生的地理坐標數據結合加以處理，計算出了每項事件對其輻射范圍100米以內的ATM機的現金需求量的影響。根據影響程度的不同,我們對這些事件進行了分類。這一數據組可以預測以後類似事件的影響。

同時，我們計算了天氣與當地每台ATM機現金需求量的相關性，過程中涉及到的天氣相關的參數包括降水量、溫度和風力等。

另外,我們還建立數組分析了不同地區收入(包括工資、社會福利等)到賬日和現金需求量的相關性。

基於以上數據集，我們建立了預測每台ATM機和網點一年中任意一天現金需求量的模型。這些模型考慮了歷史天氣預報數據和重要事件安排，也用到了很多高級演算法如波爾茲曼機、感知機和高斯判別分析等。

5. 昂貴銀行渠道使用的最小化

在昂貴的銀行渠道比如櫃台服務或光顧支行或電話客服的使用率最小化上我們做出了巨大的投入。

使用率的最小化可以由優化網上銀行或手機銀行應用、幫助頁、幫助軟體以及優化網站界面實現。另一個方法鼓勵正在猶豫的客人轉而使用更便宜的方式是目標更加明確的推廣活動。

可分析數據最主要的來源是來源於網上銀行以及手機銀行應用的網頁記錄。我們曾用過帶銀行賬號的使用記錄，客服中心交易記錄數據組，用戶信息的CRM數據組，或分行交易記錄的數據組。

另一個重要的數據組是客服中心、支行的投訴以及咨詢的來電、郵件、來信。我們將數據以網路幫助頁的咨詢點的相關興趣點分類。這能幫助找出解釋不清晰、造成誤解的以及不必要咨詢電話的幫助頁面。這還能幫助管理網上銀行那些復雜的造成投訴的操作。它發現了許多領域比如關於幫助頁面沒有涵蓋的信用卡支付匯率，這反而常常在電話或分行咨詢中常常被提到。網上銀行的產品據此修改，提供自助咨詢、搜索優化、網上銀行管理、以及手機銀行應用等服務,以減少客服中心以及分行的使用率。

我們分析了以轉化客戶到網上銀行、手機銀行以及自助櫃員機的市場營銷活動的結果數據。根據相關性分析，許多大范圍的營銷活動並不十分有效。我們也分析了最近將大部分業務轉移到網上的銀行客戶的規律。這幫助我們找出更有可能轉移到網上的客戶。對這些客戶我們應該使用更有針對性的個性化的營銷策略,根據各個分行的特點進行活動。

6. 評估債務產品的客戶

為了可靠地評估風險，對現有客戶批准借記產品，不僅需要考慮現有的信用狀況、可支配收入狀況，還需要客戶的全部歷史和社交記錄。這樣以減少銀行承擔的風險並增加來自有價值客戶的收入。

我們使用通用收入支出資料庫分析，客戶全部的信用卡、借貸、透支或其他金融產品的交易記錄以及CRM信息。

使用MarkovChain隨機分析評估與客戶行為相關的借貸支付可能。此類模型在盈利性借貸、信用卡以及其他金融產品的歷史數據中得到驗證。我們注意到信用記錄的可靠性得到增加,並能夠據此為被拒絕的客戶提供替代產品。

以上是小編為大家分享的關於零售銀行如何玩轉大數據的相關內容，更多信息可以關注環球青藤分享更多干貨