商业数据

商业数据（通用12篇）

商业数据 篇1

管理学家德鲁克说过, 变革往往产生于局外。从互联网产生开始, 很多传统型行业结合互联网产生了翻天覆地的变革, 银行业、邮件行业、零售业等各个行业都因互联网产生了根本性的变化, 与此同时教育界也面临着变革与发展。随着大规模在线开放课程慕课的发展, 慕课已有近千万用户。慕课这一教学模式带给了教育界海量的数据, 我们又能利用教育的大数据做些什么?

一、大数据的特点

大数据通常是指组织或公司创造大量非结构化和半结构化数据并对其进行处理的能力。近年来随着互联网的发展, 人们在网络中留下了大量的行为轨迹, 这些同人类行为相关的数据呈爆炸式增长, 从而使得我们进入了大数据的时代。大数据分为数据的生成、收集、储存、分析、应用。其中数据生成、收集是基础;数据分析是大数据的核心;数据应用是大数据的价值体现。大数据体现在商业上是消费者的消费行为习惯, 体现在教育上是学习者的学习行为习惯。

二、教育中大数据的用途

Cousera的创办人达芙妮曾谈及在开设一门MOOC课程时, 学生会自发的建立论坛, 在论坛中学生问一个问题所得到答案的平均速度为22分钟, 相比较传统教学方式会快很多, 传统授课中, 学生很有可能在第二天或者是下一次上课才能得到问题答案。而在《远程教育杂志》MOOC热的冷思考一文中, 在谈及这个问题的时候说道, 平均时间22分钟, 部分学生是不能接受的。这其实在两种思维角度的不同导致的结论不同。从大数据的角度来看, 我们可以搜集传统教育中平均得到答案的时间为多久, 以及有多大比重的学习者是不能接受22分钟的答案时长, 以及多长时间的答案取得是学生可以接受的。通过大数据的方式可以进行对比分析, 从而从客观上来评价这种学习方式。

大数据在促成着教育改革的发展, 以往一个班级两个人出错, 可能教师不会在意, 当在慕课中放大到2000个人出现同一错误的时候便会引起教师的注意和针对性的答疑。大数据同时还可以告诉我们我们在正常教学中观察、记录不到的东西, 比如:每个学生的学习习惯, 每个学生对于每个知识点的理解掌握速度等等。

三、大数据的生成收集比较

商业模式中有三个主要的大数据来源:企业内部的交易信息, 物联网中的商品物流信息, 互联网中的人群交互信息。教育大数据收集则主要依赖于商业模式中的第三种——互联网中的人群交互信息。随着MOOC慕课的发展, 大数据的出现将教学信息数字化、教学效果可视化。每一门MOOC慕课课程根据学生每一次点击得到庞大的数据储备。

四、大数据的分析应用比较——商业模式同教育模式对应分析

大数据的商业模式可大致分为以下五种, 其同教育模式相对照:

1.数据自营模式:数据自营是企业自身拥有海量数据, 并有数据分析能力, 从而通过数据分析改进产品并预测未来产品发展。该种商业模式对应了绝大多数现有慕课教育模式:教师发布课程, 得到海量数据, 尝试数据分析, 得到课程的不足并加以改进。自营模式下需要企业、教师具有高超的数据挖掘技术, 能够对数据进行提炼分析, 并进行准确评价。这种模式适合综合实力较强的企业、教师团队, 比如商业中的Facebook、亚马逊以及教育中的Courera、Udacity、ed X, 但对于个体教师来说, 很难具备足够的数据提取分析能力, 所以只能进行简单直观的判断, 相对准确性和效率较低。

2.数据租售模式:数据租售是企业拥有海量数据, 在对其进行简单加工整理之后销售给需求方, 产生新的盈利模式。对于教育来说, 这种模式同样并不适用于绝大多数教师团队, 相对适用于专业的调研公司, 以调研报告的形式盈利。

3.数据平台模式:数据平台模式分为三种, 第一种为数据分享平台, 该平台通过自身拥有的数据帮助企业进行数据分析, 在教育界这种平台分享模式也有发展, 如高考分析平台, 可以将考生数据录入, 通过分析历年高考数据得到适合考生报考的学校专业。第二种数据平台模式是数据分析平台, 是指第三方平台供应商通过提供数据分析工具, 数据拥有者上传数据到平台, 并得到结果。这种方式也同样适用于个体教师, 现在国内出现了大量慕课平台, 如泛雅慕课、超星慕课等。这些慕课平台在教师授课过程中能够自动的帮助教师收集处理数据形成统计报告, 相对方便但是所有统计报告缺乏对特定课程的针对性。第三种为数据交易平台, 主要是为数据的拥有着和需求者提供交易平台, 因为课程的独立性, 该种模式在教育界相对没有发展。

4.数据仓库模式:数据仓库是指专业的数据分析决策公司辅助企业通过分析数据得到战略方向。在教育中使用度较低, 因为教育界相对盈利模式没有企业的发达, 所以这种商业模式暂时并不适用。

5.数据众包模式:数据众包是通过将产品设计转向用户, 收集海量用户设计, 再由数据测评找出优势产品设计投入生产。相对于教育便是将课程设计主体由教师转向学生, 这种商业模式在教育中相对不容易实现, 但是可以由学生决定相对辅助性的课程设计。

如何让大数据成为教育改革的动力来源, 通过对商业模式的比较可以发现教育大数据相对具有其独特性, 但是依旧可以通过商业的模式来进行教育大数据的趋势分析, 而其中数据平台模式相对适合教育大数据的发展趋势, 随着平台技术的进步, 其对学习者行为分析将愈加精确和具有前瞻性。

参考文献

[1]西凤茹.基于大数据产业链的新型商业模式研究[J].商业时代, 2014, (21) .

[2]潘维.高校色彩构成课的“慕课”化教学改革研究[J].中国科技经济新闻数据库教育, 2016, 1 (6) .

商业数据 篇2

（京银监办[2010]87号）

各政策性银行北京市分行及总行营业部、国家开发银行在京营业机构、各国有商业银行北京市分行、辖内各股份制商业银行、北京银行、北京农村商业银行、辖内各村镇银行、各城市商业银行北京分行、中国邮政储蓄银行北京分行、辖内各外资银行、各金融资产管理公司北京办事处、辖内各信托公司、辖内各企业集团财务公司、金融租赁公司、辖内各汽车金融公司、中国工商银行牡丹卡中心、中国银行银行卡中心、中国民生银行信用卡中心、中国工商银行票据营业部北京分部、中国工商银行私人银行部北京分部：

为加强商业银行数据中心风险控制和管理，现将《中国银监会办公厅关于印发＜商业银行数据中心监管指引＞的通知》（银监办发[2010]114号）转发给你们，请遵照执行。

中国银行业监督管理委员会北京监管局办公室

二0一0年四月二十七日

中国银行业监督管理委员会办公厅关于印发《商业银行数据中心监管指引》的通

知

（银监办发[2010]114号）

各银监局，各政策性银行、国有商业银行、股份制商业银行，邮政储蓄银行，各省级农村信用联社：

为加强商业银行数据中心风险管理，保障数据中心安全、可靠、稳定运行，加强灾难恢复管理，提高业务连续性水平，现将《商业银行数据中心监管指引》印发给你们，请遵照执行。

请各银监局将本通知转发至辖内相关银行业金融机构。

中国银行业监督管理委员会办公厅

二0一0年四月二十日

商业银行数据中心监管指引

第一章 总则

第一条 为加强商业银行数据中心风险管理，保障数据中心安全、可靠、稳定运行，提高商业银行业务连续性水平，根据《中华人民共和国银行业监督管理法》及《中华人民共和国商业银行法》制定本指引。第二条 在中华人民共和国境内设立的国有商业银行、股份制商业银行、邮政储蓄银行、城市商业银行、省级农村信用联合社、外商独资银行、中外合资银行适用本指引。中国银行业监督管理委员会（以下简称中国银监会）监管的其他金融机构参照本指引执行。

第三条 以下术语适用于本指引：

（一）本指引所称数据中心包括生产中心和灾难备份中心（以下简称灾备中心）。

（二）本指引所称生产中心是指商业银行对全行业务、客户和管理等重要信息进行集中存储、处理和维护，具备专用场所，为业务运营及管理提供信息科技支撑服务的组织。

（三）本指引所称灾备中心是指商业银行为保障其业务连续性，在生产中心故障、停顿或瘫疾后，能够接替生产中心运行，具备专用场所，进行数据处理和支持重要业务持续运行的组织。

（四）本指引所称灾备中心同城模式是指灾备中心与生产中心位于同一地理区域，一般距离数十公里，可防范火灾、建筑物破坏、电力或通信系统中断等事件。灾备中心异地模式是指灾备中心与生产中心处于不同地理区域，一般距离在数百公里以上，不会同时面临同类区域性灾难风险，如地震、台风和洪水等。

（五）本指引所称重要信息系统是指支撑重要业务，其信息安全和服务质量关系公民、法人和组织的权益，或关系社会秩序、公共利益乃至国家安全的信息系统。包括面向客户、涉及账务处理且时效性要求较高的业务处理类、渠道类和涉及客户风险管理等业务的管理类信息系统，以及支撑系统运行的机房和网络等基础设施。

第四条 《 信息安全技术信息系统灾难恢复规范》（GB/T20988－2007）

第二章 设立与变更 中的条款通过本指引的引用而成为本指引的条款。

第五条 商业银行应于取得金融许可证后两年内，设立生产中心；生产中心第六条 商业银行数据中心应配置满足业务运营与管理要求的场地、基础设第七条 总资产规模一千亿元人民币以上且跨省设立分支机构的法人商业银设立后两年内，设立灾备中心。

施、网络、信息系统和人员，并具备支持业务不间断服务的能力。

行，及省级农村信用联合社应设立异地模式灾备中心，重要信息系统灾难恢复能力应达到《 信息安全技术信息系统灾难恢复规范》 中定义的灾难恢复等级第5级（含）以上；其他法人商业银行应设立同城模式灾备中心并实现数据异地备份，重要信息系统灾难恢复能力应达到《信息安全技术信息系统灾难恢复规范》中定义的灾难恢复等级第4级（含）以上。第八条 商业银行应就数据中心设立，数据中心服务范围、服务职能和场所变更，以及其他对数据中心持续运行具有较大影响的重大变更事项向中国银监会或其派出机构报告。

第九条 商业银行应在数据中心规划筹建阶段，以及在数据中心正式运营前第十条 商业银行变更数据中心场所时应至少提前2个月，其他重大变更应

第三章 风险管理 至少20个工作日，向中国银监会或其派出机构报告。

至少提前10个工作日向中国银监会或其派出机构报告。

第十一条 商业银行信息科技风险管理部门应制定数据中心风险管理策略、风险识别和评估流程，定期开展风险评估工作，对风险进行分级管理，持续监督风险管理状况，及时预警，将风险控制在可接受水平。

第十二条 商业银行信息科技部门应指导、监督和协调数据中心明确信息系统运营维护管理策略，建立运营维护管理制度、标准和流程，落实信息科技风险管理措施。

第十三条 商业银行数据中心应建立健全各项管理与内控制度，从技术和管第十四条 商业银行数据中心应设立专门管理岗位，监督、检查数据中心各第十五条 商业银行应根据业务影响分析所识别出风险的可能性和损失程度，理等方面实施风险控制措施。

项规范、制度、标准和流程的执行情况以及风险管理状况。

决定是否购买商业保险以应对不同类型的灾难，并定期检查其保险策略及范围。投保资产清单应保存于安全场所，以便索赔时使用。

第十六条 商业银行内部审计部门应至少每三年进行一次数据中心内部审计。第十七条 商业银行在采取有效信息安全控制措施的前提下，可聘请合格的外部审计机构定期对数据中心进行审计。第十八条商业银行数据中心应根据内、外部审计意见，及时制定整改计划并实施整改。

第四章 运行环境管理

第十九条 商业银行进行数据中心选址时，应进行全面的风险评估，综合考虑地理位置、环境、设施等各种因素对数据中心安全运营的潜在影响，规避选址不当风险，避免数据中心选址过度集中。

第二十条 数据中心选址应满足但不限于以下要求：

（一）生产中心与灾备中心的场所应保持合理距离，避免同时遭受同类风险。

（二）应选址于电力供给可靠，交通、通信便捷地区；远离水灾和火灾隐患区域；远离易燃、易爆场所等危险区域；远离强振源和强噪声源，避开强电磁场干扰；应避免选址于地震、地质灾害高发区域。第二十一条 数据中心基础设施建设应以满足重要信息系统运行高可用性和高可靠性要求、保障业务连续性为目标，应满足但不限于以下要求：

（一）建筑物结构，如层高、承重、抗震等，应满足专用机房建设要求。

（二）应根据使用要求划分功能区域，各功能区域原则上相对独立。

（三）应配备不间断电源、应急发电设施等以满足信息技术设备连续运行的要求。

（四）通信线路、供电、机房专用空调等基础设施应具备冗余能力，进行冗余配置，消除单点隐患。

（五）机房区域应采用气体消防和自动消防预警系统，内部通道设置、装饰材料等应满足消防要求，并通过消防验收。

（六）应采取防雷接地、防磁、防水、防盗、防鼠虫害等保护措施。

（七）应采用环保节能技术，降低能耗，提高效率。

第二十二条 数据中心安防与基础设施保障应满足但不限于以下要求：

（一）各功能区域应根据使用功能划分安全控制级别，不同级别区域采用独立的出入控制设备，并集中监控，各区域出入口及重要位置应采用视频监控，监控记录保存时间应满足亭件分析、监督审计的需要。

（二）应具备机房环境监控系统，对基础设施设备、机房环境状况、安防系统状况进行7x24小时实时监测，监测记录保存时间应满足故障诊断、事后审计的需要。

（三）每年至少开展一次针对基础设施的安全评估，对基础设施的可用性和可靠性、运维管理流程以及人员的安全意识等方面进行检查，及时发现安全隐患并落实整改。

第二十三条 数据中心应来用两家或多家通信运营商线路互为备份。互为备

第五章 运营维护管理 份的通信线路不得经过同一路由节点。

第二十四条 商业银行应建立满足业务发展要求的数据中心运营维护管理体系，根据业务需求定义运营维护服务内容，制定服务标准和评价方法，建立运营维护管理持续改进机制。

第二十五条 数据中心应建立满足信息科技服务要求的运营管理组织架构。设立生产调度、信．息安全、操作运行维护、质量合规管理等职能相关的部门或岗位，明确岗位和职责，配备专职人员，提供岗位专业技能培训，确保关键岗位职责分离，通过职责分工和岗位制约降低数据中心操作风险。

第二十六条 数据中心应建立信息科技运行维护服务管理流程，提高整体运行效率和服务水平，包括：

（一）应建立事件和问题管理机制。明确亭件管理流程，定义事件类别、事件分级响应要求和事件升级、上报规则，及时受理、响应、审批和交付服务请求，保障生产服务质量，尽可能降低对业务影响；建立服务台负责受理、跟踪、解答各类运营问题；建立问题根源分析及跟踪解决机制，查明运营事件产生的根本原因，避免事件再次发生。

（二）应建立变更管理流程，减少或防止变更对信息科技服务的影响。根据变更对业务影响大小进行变更分级，对变更影响、变更风险、资源需求和变更批准进行控制和管理；变更方案应包括应急及回退措施，并经过充分测试和验证；建立变更管理联动机制，当生产中心发生变更时，应同步分析灾备系统变更需求并进行相应的变更，评估灾备恢复的有效性；应尽量减少紧急变更。

（三）应建立配置管理流程，统一管理、及时更新数据中心基础设施和重要信息系统配置信息，支持变更风险评估、变更实施、故障事件排查、问题根源分析等服务管理流程。

（四）应对重要信息系统和通信网络的容量和性能需求进行前瞻性规划，分析、调整和优化容量和性能，满足业务发展要求。

（五）应统一调度各项运维任务，协调和解决各项运维任务冲突，妥善记录和保存运维任务调度过程。

（六）应制定验收交接标准及流程，规范重要信息系统投产验收管理。加强版本控制，防范因软件版本、操作文档等不一致产生的风险。

（七）应根据商业银行总体风险控制策略及应急管理要求，从基础设施、网络、信息系统等不同方面分别制定应急预案，并及时修订应急预案，定期进行演练，保证其有效性。

（八）应集中监控重要信息系统和通信网络运行状态。采用监控管理工具，实时监控重要信息系统和通信网络的运行状况，通过监测、采集、分析和调优，提升生产系统运行的可靠性、稳定性和可用性。监控记录应满足故障定位、诊断及事后审计等要求。

第二十七条 数据中心应建立信息安全管理规范，保证重要信息的机密性、完整性和可用性，包括：

（一）应设立专门的信息安全管理部门或岗位，制定安全管理制度和实施计划，定期对信息安全策略、制度和流程的执行情况进行检查和报告。

（二）应建立和落实人员安全管理制度，明确信息安全管理职责；通过安全教育与培训，提高人员的安全意识和技能；建立重要岗位人员备份制度和监督制约机制。

（三）应加强信息资产管理，识别信息资产并建立责任制，根据信息资产重要性实施分类控制和分级保护，防范信息资产生成、使用和处置过程中的风险。

（四）应建立和落实物理环境安全管理制度，明确安全区域、规范区域访问管理，减少未授权访问所造成的风险。

（五）应建立操作安全管理制度，制定操作规程文档，规范信息系统监控、日常维护和批处理操作等过程。

（六）应建立数据安全管理制度，规范数据的产生、获取、存储、传输、分发、备份、恢复和清理的管理，以及存储介质的台帐、转储、抽检、报废和销毁的管理，保证数据的保密、真实、完整和可用。

（七）应建立网络通信与访问安全策略，隔离不同网络功能区域，采取与其安全级别对应的预防、监测等控制措施，防范对网络的未授权访问，保证网络通信安全。

（八）应建立基础设施和重要信息的授权访问机制，制定访问控制流程，保留访问记录，防止未授权访问。

第六章 灾难恢复管理

第二十八条 商业银行应将灾难恢复管理纳入业务连续性管理框架，建立灾第二十九条 商业银行应统筹规划灾难恢复工作，定期进行风险评估和业务第三十条 商业银行灾难恢复预案应包括但不限于以下内容：灾难恢复指挥难恢复管理组织架构，明确灾难恢复管理机制和流程。

影响分析，确定灾难恢复目标和恢复等级，明确灾难恢复策略、预案并及时更新。

小组和工作小组人员组成及联系方式、汇报路线和沟通协调机制、灾难恢复资源分配、基础设施与信息系统的恢复优先次序、灾难恢复与回切流程及时效性要求、对外沟通机制、最终用户操作指导及第三方技术支持和应急响应服务等内容。

第三十一条 商业银行应为灾难恢复提供充分的资源保障，包括基础设施、第三十二条 商业银行应建立与服务提供商、电力部门、公安部门、当地政第三十三条 商业银行应建立灾难恢复有效性测试验证机制，测试验证应定第三十四条 商业银行应每年至少进行一次重要信息系统专项灾备切换演网络通信、运维及技术支持人力资源、技术培训等。

府和新闻媒体等单位的外部协作机制，保证灾难恢复时能及时获取外部支持。

期或在重大变更后进行，内容应包含业务功能的恢复验证。

练，每三年至少进行一次重要信息系统全面灾备切换演练，以真实业务接管为目标，验证灾备系统有效接管生产系统及安全回切的能力。

第三十五条 商业银行进行全面灾备切换和真实业务接管演练前应向中国第三十六条 商业银行因灾难亭件启动灾难恢复或将灾备中心回切至生产银监会或其派出机构报告，并在演练结束后报送演练总结。

中心后，应及时向中国银监会或其派出机构报告，报告内容包括但不限于：灾难亭件发生时间、影响范围和程度，亭件起因、应急处置措施、灾难恢复实施情况和结果、回切方案。

第七章 外包管理

第三十七条 商业银行董事会对外包负最终管理责任，应推动和完善外包风险管理体系建设，确保商业银行有效应对外包风险。第三十八条 商业银行应根据信息科技战略规划制定数据中心外包策略；应第三十九条 商业银行应确定外包服务所涉及的信息资产的关键性和敏感第四十条 商业银行应充分识别、分析、评估数据中心外包风险，包括信息制定数据中心服务外包管理制度、流程，建立全面的风险控制机制。

程度，审慎确定数据中心外包服务范围。

安全风险、服务中断风险、系统失控风险以及声誉风险、战略风险等，形成风险评估报告并报董事会和高管层审核。

第四十一条 实施数据中心服务外包时，商业银行的管理责任不得外包。第四十二条 数据中心服务外包一般包括：

（一）基础设施类：外包服务商向商业银行提供数据中心机房、配套设施或运行设备的服务。

（二）运营维护类：外包服务商向商业银行提供数据中心信息系统或墓础设施的日常运行、维护等服务。

第四十三条 商业银行在选择数据中心外包服务商时，应充分审查、评估外包服务商的资质、专业能力和服务方案，对外包服务商进行风险评估，考查其服务能力是否足以承担相应的贵任。评估包括：外包服务商的企业信誉及财务德定性，外包服务商的信息安全和信息科技服务管理体系，银行业服务经验等。提供数据中心基础设施外包服务的服务商，其运行环境应符合商业银行要求，并具有完备的安全管理规范。

第四十四条 商业银行应与数据中心外包服务商签订书面合同，在合同中明确重要亭项，包括但不限于双方的权利和义务、外包服务水平、服务的可靠性、服务的可用性、信息安全控制、服务持续性计划、审计、合规性要求、违约赔偿等。

第四十五条 商业银行应要求外包服务商购买商业保险以保证其有足够的第四十六条 商业银行应加强对数据中心外包服务活动的安全管理，包括但赔偿能力，并告知保险覆盖范围。

不限于：

（一）商业银行应将数据中心外包服务安全管理纳入数据中心的整体安全策略，保障业务、管理和客户敏感数据信息安全。

（二）商业银行应按照“必需知道”和“最小授权”原则，严格控制外包服务商信息访问的权限，要求外包服务商不得对外泄露所接触的商业银行信息。

（三）商业银行应要求外包服务商保留操作痕迹、记录完整的日志，相关内容和保存期限应满足事件分析、安全取证、独立审计和监督检查需要。

（四）商业银行应要求外包服务商遵守商业银行有关信息科技风险管理制度和流程。

（五）商业银行应要求外包服务商每年至少开展一次信息安全风险评估并提交评估报告。

（六）商业银行应要求外包服务商聘请外部机构定期对其进行安全审计并提交审计报告，督促其及时整改发现的问题。

第四十七条 商业银行应禁止外包服务商转包并严格控制分包，保证外包服第四十八条 商业银行应制定数据中心外包服务应急计划，制订供应商替换务水平。

方案，以应对外包服务商破产、不可抗力或其它潜在问题导致服务中断或服务水平下降的情形，支持数据中心连续、可靠运行。

第四十九条 商业银行应建立外包服务考核、评价机制，定期对外包服务活第五十条 商业银行在实施数据中心整体服务外包以及涉及影响业务、管理第五十一条 商业银行应在外包服务协议条款中明确商业银行和监管机构动和外包服务商的服务能力进行审核和评估，确保获得持续、稳定的外包服务。

和客户敏感数据信息安全的外包前，应向中国银监会或其派出机构报告。

有权对协议范围内的服务活动进行监督检查，包括外包商的服务职能、责任、系统和设施等内容。

第八章 监督管理

第五十二条 中国银监会及其派出机构可依法对商业银行的数据中心实施第五十三条 针对商业银行数据中心设立、变更、运营过程存在的风险，中非现场监管及现场检查。现场检查原则上每三年一次。

国银监会或其派出机构可向商业银行提示风险并提出整改意见。商业银行应及时整改并反馈结果。

第九章 附则

第五十四条 本指引由中国银监会负责解释、修订。第五十五条 本指引自公布之日起执行。

附件：

《 商业银行数据中心监管指引》 报告材料目录和格式要求

一、数据中心规划报告材料目录

（一）数据中心建设规划报告，包括： ．立项报告和可行性分析报告，包括建设背景、建设目标、风险评估、效益分析、成本投入等。．基础设施规划方案，包括选址、建筑物结构、功能区域划分、监控、防雷接地及消防等配套设施、机房等级等。．信息系统建设规划方案，包括功能与技术方案规划、人员配置计划、系统服务的区域和业务范围等。灾备中心还需提供灾难恢复目标、灾难恢复等级、灾备技术方案规划及风险评估报告等。

（二）区域环境及基础设施风险评估说明，包括风险识别，风险分析和风险控制策略等。

（三）建设及运营模式说明，包括技术支持及运行维护体系等。如采用外包，需提供外包的服务内容和外包风险评估报告；

（四）组织架构规划。包括拟设立的部门与岗位职责、计划采用的人员数量等。

（五）建设及投入运营的时间进度计划和财务预算（基础设施建设和运维管理费用等）。

（六）中国银监会或其派出机构要求提供的其它文件和资料。

二、数据中心设立报告材料目录

（一）由商业银行法定代表人签署的数据中心投产审批文件，包括数据中心上线申请，数据中心上线审批报告等。

（二）基础设施情况，包括地址、建筑物结构、功能区域划分、监控、防雷接地及消防等配套设施验收报告、机房及附属设施验收报告等。

（三）信息系统情况，包括系统架构、系统名称、系统服务的区域和业务范围、数据备份方案、灾备技术方案等。

（四）运营模式说明，包括技术支持及运行维护体系等。如采用外包需说明主要外包管理情况，包括主要外包项目名称、外包内容（业务类型及范围等）、外包商基本情况、外包合同（包括安全保密条款、知识产权保护条款）、外包服务水平协议和外包风险评估报告等。

（五）组织架构，包括部门设置与岗位职责、人员配备、主要负责人名单等。

（六）管理制度和规范清单及相关说明，包括运行管理流程、安全管理制度、应急管理制度和规范（含应急恢复策略、信息系统备份和恢复方案、应急管理流程及预案、应急演练及培训计划等）、灾难恢复预案。

（七）中国银监会或其派出机构要求提供的其它文件和资料。

三、数据中心重大变更报告材料目录

（一）变更说明，包括变更原因、目的、内容、时间和影响范围等。

（二）变更方案，包括变更准备、变更计划和步骤、变更应急和回退措施。

（三）风险评估报告，包括风险分析，控制措施、变更有效性评估。

（四）中国银监会或其派出机构要求提供的其它文件和资料。

四、报告材料格式要求

数据中心规划、设立及重大变更报告材料应向中国银监会或其派出机构报送纸质材料和电子文档。

大数据时代的商业法则 篇3

在信息经济时代尤其是大数据时代，大数据把生产和交易密切地甚至无缝地联接在一起，从而不仅提高企业的经济效率，也提升整个经济体的效率，减少浪费。因此大数据成为企业的战略资产，而处理和利用大数据的能力则成为企业新的竞争力来源。在大数据时代，企业必须学会利用大数据精确地分析、导入用户，促成交易 ，并用最有效率的方式组织生产。在大数据时代，企业必须遵循新的商业法则，否则就会被大数据的浪潮所淹没。

法则1 解读用户的真实需求

解读用户的真实需求，就是通过数据的收集、分析挖掘出用户内心的欲望，提高企业产品推送的成功率，并将其转化为企业的订单。

大数据看似神秘莫测，其实在解读用户需求上的操作思路却极其简单：即尽可能掌握用户的个人信息和关注信息。当关注信息指向个人时，就能够相对精准地定义出用户的需求。

在这一过程中，主要的操作模式有两种：静态辐射模式和动态跟踪模式。

静态辐射模式

静态辐射模式的数据分析在一个时间节点上进行，尽量扩大分析对象，并用标签来筛选出最可能成交的用户。这是大数据应用中最典型的一种模式。由于一些大企业主动会进行用户标签的管理，需要大数据助力营销的企业就可以“借船出海”。

标签与购买的关系有两种：一类标签与购买的关系非常明显。例如，一个常常浏览经管类书籍的用户一定是这类书籍的潜在购买者。

另一类标签与购买的关系却并不十分明显。这就需要企业提前进行分析，有时还需要借助第三方专业机构的分析结果。

例如，新浪微博会根据用户平时的浏览和表达为用户贴上“标签”。但是，这些标签与有些购买行为之间的关系就并不明显。金夫人是国内婚纱摄影巨头，他们首先利用自己作为百度大客户的身份，无偿获取了百度提供的婚纱摄影客户调研分析的数据，发现美食、影院等标签的用户最有可能购买婚纱摄影产品。利用这一跨数据库的结果，金夫人在新浪微博的平台上锁定了“年龄20～35左右的某地区女性”群体，加上了美食、影院等标签，精准锁定了高转化可能的用户，并购买了平台提供的“粉丝通”服务，对他们进行定向广告推送。一般来说，推送5～6万个用户大约会得到70～80个电话咨询，这种转化过来的电话咨询顾客被称“顾客资源”，从顾客资源到最后的成单，转化率优异，大约在40%。

动态跟踪模式

动态跟踪模式的数据分析在一个时间周期内进行，尽量缩小分析对象，不断通过用户的行为来为用户贴上标签，伺机发现产品推送的时点。由于这种分析针对小群体，无法由第三方机构提供统一的规模化服务，所以，对于企业来说是有高门槛的，需要企业练好内功。这种模式中，企业对于用户不断产生的新数据，要进行随时跟踪，并随时在云端进行处理。

例如，Target 超市以20多种怀孕期间孕妇可能会购买的商品为基础，将所有用户的购买记录作为数据来源，通过构建模型分析购买者的行为相关性，能准确地推断出孕妇的具体临盆时间，这样Target的销售部门就可以有针对地在每个怀孕顾客的不同阶段寄送相应的产品优惠券。在一个个例中，他们居然比用户更早知道了她怀孕的信息。

又如，亚马逊基于自己对用户的了解来进行精准营销，在网站上的推荐和电子邮件对于产品的推送成为了促进成交的利器。调研公司Forrester分析师苏察瑞塔·穆尔普鲁称，根据其他电子商务网站的业绩，在某些情况下，亚马逊网站推荐的销售转化率可高达 60%。这一转化率远远高于其他电子商务网站，难怪一些观察员将亚马逊的推荐系统视为“杀手级应用”。最新的消息显示，亚马逊已经注册了“未下单、先发货”的技术专利，这是更加精准的需求预判和更加直接的产品推送，他们对于大数据的应用已经是炉火纯青！

法则2 形成社会化协作的生产安排

如果能依靠大数据进行产品推送实现购买，海量需求就会从互联网汹涌而来。这意味着产品的数据增多、涉及原料增多、消费者零散下单……这一变化使得工业时代标准化的产品生产模式受到前所未有的颠覆，生产端需要基于大数据形成前所未有的柔性，来对接消费端的柔性。

互联网商业环境对价值链提出了新的挑战：链条上的采购、生产、物流、分销、零售各环节中，除了生产之外的其他环节也需要强大的数据处理能力，各个环节的数据处理系统和数据本身必须是共享的，而且，这些系统和内容还必须向全社会开放。要达到这种要求，显然应该应用价值链接网，并用大数据来进行生产协调。

大数据的确给价值链重塑带来了机会。在工业经济时代，生产更多地通过“规模经济”来获利，大规模标准化的生产最大程度地降低了单位成本。但在互联网经济时代，生产更应该通过“范围经济、协同效应和重塑学习曲线”来获利，因为，多种类，小规模的生产需要价值链上的灵动协作。

基于互联网这样一个平台，所有的价值链环节可以实现数据共享和集中处理。另外，因为使用统一的数据构架，所以不会出现数据孤岛，浪费有价值的数据。由此，价值链各个环节之间可以无缝链接，实现最敏捷、最合理的生产。基于互联网这样一个平台，企业入围合作即可以获得充分的信息，也不再会遭遇太高的学习门槛。更厉害的是，用户参与生产也变得容易，模块化的选择题，让业余者也可以发出专业的需求信号。由此，从始端原料的生产者到终端的消费者，全部都被植入了价值链（或称为价值网），社会化协作得以真正实现。而这在大数据出现以前，几乎是不可能的！

顺应法则赢未来

独具特色的大数据商业法则，将会引发未来商业格局的变化。未来的赢家，将属于能够适应新的商业法则和新的商业逻辑的代表者。

nlc202309041552

在用大数据掘金的世界，谁掌握大数据，并能利用大数据实现上述两大商业法则的变革，谁就能赢得未来。

因此，我们可以肯定地判断出，掌握了大数据的资源整合类企业，将会成为大数据时代的企业赢家。这类企业是商业生态（价值网）中的“舵手”，通过灵敏地识别市场需求，指挥网络成员协同生产，获得组合创新优势。由于控制了整个网络，此类企业拥有网络收益的剩余索取权，往往获利最为丰厚。工业经济时代，企业是依赖品牌、声誉和社会资本实现资源整合。互联网时代，资源变得无限丰富，协作变得极度频繁，企业就需要依靠大数据来发现需求、整合资源。可以这样说，掌握了大数据，这类企业就知道“用户要什么，哪里有什么，如何用资源去满足用户需求”。

未来的资源整合企业将基于大数据来运作。维克托·迈尔-舍恩伯格等人在《大数据时代》中，将基于大数据的资源整合企业又分为三种：第一种是掌握数据的企业，这类企业掌握了端口，掌握了数据的所有权；第二种是掌握算法的企业，负责处理数据，挖掘有价值的商业信息，这些企业被称为“数据武士”；第三种是掌握思维的企业，他们往往先人一步发现市场的机会，他们既不掌握数据技能，也不掌握专业技能，但正因为如此才有广阔的思维，能够最大程度串联资源，形成商业模式，他们相当于“路径寻找者 （path finder）”。

按照各自生产要素的价值性和稀缺性，很难说哪类企业真正将在大数据的商业模式中获益，三类企业各自有各自的贡献，各自有各自的稀缺之处。

ITA Software是美国四大机票预订系统，是一个典型的掌握数据的企业，其将数据提供给Farecast这家提供预测机票价格的企业，后者是一个典型的掌握算法和思维的企业，直接接触用户。结果，ITA Software仅仅从这种合作中分得了一小块收益。

Overture是搜索引擎付费点击模式的鼻祖，如果把谷歌看作是媒体，那么Overture则是相当于广告代理公司，通过算法细分不同的浏览用户，向广告投放企业提供目标用户的付费点击（选出他们最需要的用户）。Overture是典型掌握算法和思维的企业，雅虎、谷歌则是掌握数据的企业。事实上，谷歌的两大金矿AdWords和AdSense技术，都是借鉴了Overture的算法。但是，Overture不能直接接触到用户，没有数据，丧失了话语权，只能获得少量收益，以至于最后被雅虎收购。

基于大数据的资源整合类企业，它们的生态链又将遵循两个法则。

法则一：接触用户的企业总是能够获得最多的收益，这和价值链上的分配原则是高度一致的。终端价格和原料供应之间的差价全部是由售卖终端产品的企业获取的。

法则二：掌握数据的企业具有这个商业生态内最大的议价能力，最终最有可能成为赢家。算法可以攻克，也可以购买，事实上，挤入这个行业的企业并不在少数。而思维则存在一种肯尼斯·阿罗所说的“信息悖论”，即信息在被他人知晓前都价值极高，但却无法被证实。一旦公开证实它，又因所有人都知道而失去了价值。所以，不管思维和算法企业走得多快，只要数据企业随时可以封锁数据源，就依然把握着“杀手锏”。甚至，有的数据企业在看不清楚商业模式时，将数据释放让思维和算法企业进行试错，而一旦试错成功，则收回数据所有权，模仿其商业模式。

BAT的数据帝国

因此，我们可以说，在大数据时代，资源整合企业的竞争，将会决定未来商业世界的版图。

在很多人还没有弄清楚大数据时代的商业法则时，国内互联网三巨头BAT（百度、阿里、腾讯）已经在迅速地构建自己的“数据帝国”。

在互联网的大世界中，用户有诸多的入口，可以通过不同的APP上传数据。BAT的原则是，有关吃穿用住行的一切服务商，只要能够增加他们的数据种类和质量，他们通通拿下。这里，体现出一种典型的“数据累积的边际收益递增效应”，即每多增加一个单位的数据，可挖掘的价值就有一个加速的增长，每增加一个种类的数据，可挖掘的价值就有一个加速的增长。某些时候，BAT甚至根本不考虑数据在现阶段能否变现为收益，仅仅是纳入麾下，等待未来的开发。

现实的情况是，经过了几轮的收购之后，BAT基本上覆盖了吃、穿、用、住、行、社交等各个领域的数据入口，加之其原来的庞大数据入口，在数据规模上的优势已经无与伦比。短时间内，任何企业想要超越他们，几乎都是不可能的。

BAT不仅是在做掌握数据的企业，也是在做掌握算法和思维的企业。一方面，拥有庞大的商业用户群和拥有用户群消费偏好的大数据，只要具有相应的内容，就可以形成成交、获取收益。另一方面，他们甚至可以开放应用程序接口 （APIs） 把自己掌握的数据授权给别人使用，这样数据就能够重复产生价值。

这方面，阿里巴巴的百川计划就是一个典型。简单来说，他们向其他厂商的APP免费开放数据，但他们不收费，仅仅需要他们回馈数据作为对价。这个计划实施以后，所有的APP都会是他们的入口。

可以说，BAT的帝国是基于数据建立的。甚至有人预言，数据作为“表外资产”一定会在某个时候被会计准则纳入。因为，相对于无形资产，这种资产的价值更大。

值得一提的是，传统工业经济思维的人根本看不懂大数据时代的商业逻辑。郎咸平曾对阿里巴巴的收购（零售、文化、金融等）提出过质疑，他列举苹果和谷歌收购的案例，认为他们都是在进行专业领域的收购，这是有利于增强竞争力的，但阿里进行的都是多元化收购，是不利于增强竞争力的。

实际上，这是郎咸平没有看懂阿里巴巴商业模式的表现。互联网时代的大多数商业模式，早就脱离了行业的限制，而在某种程度上走向了“大一统”，即“导入流量+大数据分析变现流量”。这种模式里数据就是通用的逻辑，难怪在大数据出现时，维克托·迈尔-舍恩伯格等人就断言，行业专家和技术专家的光芒会被数据专家掩盖住，因为后者不受旧观念的影响，能够聆听数据发出的声音。

尽管BAT强悍如斯，但在他们的夹缝中，仍然有一些商机，企业也可以搭建入口、解读需求、安排生产。如果说大数据改造商业的神奇已经毋庸置疑，那为何众多企业依然拿不起放在眼前的这把金钥匙？很大程度上是因为这些企业缺乏数据基因。

大数据和互联网经济的来袭，使得企业只能“被动接网”。面对海量的潜在需求，不仅无法解读，也无法调动生产进行对接。这就出现了大量企业被互联网的海量需求“反噬”，并导致供应链失控的案例。

在大数据时代，企业规模、资金、生产技术不再重要，品牌也不再拥有神力。获取数据、分析处理数据、挖掘数据价值的能力成为企业的立身之本。目前我国大部分企业还没有意识到我们已经进入大数据时代，就像我们大多数消费者没有意识到我们的消费行为随时在被计算一样。在这样的一个时代，只有建立在数据之上的企业、按照大数据时代的商业法则运营的企业才能更好地生存。

穆胜：北京大学光华管理学院工商管理博士后，著有《叠加体验：用互联网思维设计商业模式》

娄珺：北京大学光华管理学院MBA

大数据时代的商业法则 篇4

法则1:解读用户的真实需求

解读用户的真实需求, 就是通过数据的收集、分析挖掘出用户内心的欲望, 提高企业产品推送的成功率, 并将其转化为企业的订单。

大数据看似神秘莫测, 其实在解读用户需求上的操作思路却极其简单, 即尽可能掌握用户的个人信息和关注信息。当关注信息指向个人时, 就能够相对精准地定义出用户的需求。

在这一过程中, 主要的操作模式有两种:静态辐射模式和动态跟踪模式。

静态辐射模式

静态辐射模式的数据分析在一个时间节点上进行, 尽量扩大分析对象, 并用标签来筛选出最可能成交的用户。这是大数据应用中最典型的一种模式。由于一些大企业主动会进行用户标签的管理, 需要大数据助力营销的企业就可以“借船出海”。

标签与购买的关系有两种:一类标签与购买的关系非常明显。例如, 一个常常浏览经管类书籍的用户一定是这类书籍的潜在购买者。

另一类标签与购买的关系却并不十分明显。这就需要企业提前进行分析, 有时还需要借助第三方专业机构的分析结果。

例如, 新浪微博会根据用户平时的浏览和表达为用户贴上“标签”。但是, 这些标签与有些购买行为之间的关系就并不明显。金夫人是国内婚纱摄影巨头, 他们首先利用自己作为百度大客户的身份, 无偿获取了百度提供的婚纱摄影客户调研分析数据, 发现美食、影院等标签的用户最有可能购买婚纱摄影产品。利用这一跨数据库的结果, 金夫人在新浪微博的平台上锁定了“年龄20~35左右的某地区女性”群体, 加上了美食、影院等标签, 精准锁定了高转化可能的用户, 并购买了平台提供的“粉丝通”服务, 对他们进行定向广告推送。一般来说, 推送5~6万个用户大约会得到70~80个电话咨询, 这种转化过来的电话咨询顾客被称“顾客资源”, 从顾客资源到最后的成单, 转化率优异, 大约在40%。

动态跟踪模式

动态跟踪模式的数据分析在一个时间周期内进行, 尽量缩小分析对象, 不断通过用户的行为来为用户贴上标签, 伺机发现产品推送的时点。由于这种分析针对小群体, 无法由第三方机构提供统一的规模化服务, 所以, 对于企业来说是有高门槛的, 需要企业练好内功。这种模式中, 企业对于用户不断产生的新数据, 要进行随时跟踪, 并随时在云端进行处理。

例如, Target超市以20多种怀孕期间孕妇可能会购买的商品为基础, 将所有用户的购买记录作为数据来源, 通过构建模型分析购买者的行为相关性, 能准确地推断出孕妇的具体临盆时间, 这样Target的销售部门就可以有针对地在每个怀孕顾客的不同阶段寄送相应的产品优惠券。在一个个例中, 他们居然比用户更早知道了她怀孕的信息。

又如, 亚马逊基于自己对用户的了解来进行精准营销, 在网站上的推荐和电子邮件对于产品的推送成为了促进成交的利器。调研公司Forrester分析师苏察瑞塔·穆尔普鲁称, 根据其他电子商务网站的业绩, 在某些情况下, 亚马逊网站推荐的销售转化率可高达60%。这一转化率远远高于其他电子商务网站, 难怪一些观察员将亚马逊的推荐系统视为“杀手级应用”。最新的消息显示, 亚马逊已经注册了“未下单、先发货”的技术专利, 这是更加精准的需求预判和更加直接的产品推送, 他们对于大数据的应用已经是炉火纯青!

法则2:形成社会化协作的生产安排

如果能依靠大数据进行产品推送实现购买, 海量需求就会从互联网汹涌而来。这意味着产品的数据增多、涉及原料增多、消费者零散下单……这一变化使得工业时代标准化的产品生产模式受到前所未有的颠覆, 生产端需要基于大数据形成前所未有的柔性, 来对接消费端的柔性。

互联网商业环境对价值链提出了新的挑战:链条上的采购、生产、物流、分销、零售各环节中, 除了生产之外的其他环节也需要强大的数据处理能力, 各个环节的数据处理系统和数据本身必须是共享的, 而且, 这些系统和内容还必须向全社会开放。要达到这种要求, 显然应该应用价值链接网, 并用大数据来进行生产协调。

大数据的确给价值链重塑带来了机会。在工业经济时代, 生产更多地通过“规模经济”来获利, 大规模标准化的生产最大程度地降低了单位成本。但在互联网经济时代, 生产更应该通过“范围经济、协同效应和重塑学习曲线”来获利, 因为, 多种类、小规模的生产需要价值链上的灵动协作。

基于互联网这样一个平台, 所有的价值链环节可以实现数据共享和集中处理。另外, 因为使用统一的数据构架, 所以不会出现数据孤岛, 浪费有价值的数据。由此, 价值链各个环节之间可以无缝链接, 实现最敏捷、最合理的生产。基于互联网这样一个平台, 企业入围合作即可以获得充分的信息, 也不再会遭遇太高的学习门槛。更厉害的是, 用户参与生产也变得容易, 模块化的选择题, 让业余者也可以发出专业的需求信号。由此, 从始端原料的生产者到终端的消费者, 全部都被植入了价值链 (或称为价值网) , 社会化协作得以真正实现。而在大数据出现以前, 这几乎是不可能的!

顺应法则赢未来

独具特色的大数据商业法则, 将会引发未来商业格局的变化。未来的赢家, 将属于能够适应新的商业法则和新的商业逻辑的代表者。

在用大数据掘金的世界, 谁掌握大数据, 并能利用大数据实现上述两大商业法则的变革, 谁就能赢得未来。

因此, 我们可以肯定地判断出, 掌握了大数据的资源整合类企业, 将会成为大数据时代的企业赢家。这类企业是商业生态 (价值网) 中的“舵手”, 通过灵敏地识别市场需求, 指挥网络成员协同生产, 获得组合创新优势。由于控制了整个网络, 此类企业拥有网络收益的剩余索取权, 往往获利最为丰厚。工业经济时代, 企业是依赖品牌、声誉和社会资本实现资源整合。互联网时代, 资源变得无限丰富, 协作变得极度频繁, 企业更需要依靠大数据来发现需求、整合资源。可以这样说, 掌握了大数据, 这类企业就知道“用户要什么, 哪里有什么, 如何用资源去满足用户需求”。

未来的资源整合企业将基于大数据来运作。维克托·迈尔·舍恩伯格等人在《大数据时代》中, 将基于大数据的资源整合企业分为三种:第一种是掌握数据的企业, 这类企业掌握了端口, 掌握了数据的所有权;第二种是掌握算法的企业, 负责处理数据, 挖掘有价值的商业信息, 这些企业被称为“数据武士”;第三种是掌握思维的企业, 他们往往先人一步发现市场的机会, 他们既不掌握数据技能, 也不掌握专业技能, 但正因为如此才有广阔的思维, 能够最大程度串联资源, 形成商业模式, 他们相当于“路径寻找者 (path finder) ”。

按照各自生产要素的价值性和稀缺性, 很难说哪类企业真正将在大数据的商业模式中获益, 三类企业各自有各自的贡献, 各自有各自的稀缺之处。

ITA Software是美国四大机票预订系统, 是一个典型的掌握数据的企业, 其将数据提供给Farecast这家提供预测机票价格的企业, 后者是一个典型的掌握算法和思维的企业, 直接接触用户。结果, ITA Software仅仅从这种合作中分得了一小块收益。

Overture是搜索引擎付费点击模式的鼻祖, 如果把谷歌看作是媒体, 那么Overture则是相当于广告代理公司, 通过算法细分不同的浏览用户, 向广告投放企业提供目标用户的付费点击 (选出他们最需要的用户) 。Overture是典型掌握算法和思维的企业, 雅虎、谷歌则是掌握数据的企业。事实上, 谷歌的两大金矿Ad Words和Ad Sense技术, 都是借鉴了Overture的算法。但是, Overture不能直接接触到用户, 没有数据, 丧失了话语权, 只能获得少量收益, 以至于最后被雅虎收购。

基于大数据的资源整合类企业, 它们的生态链又将遵循两个法则。

法则一:接触用户的企业总是能够获得最多的收益, 这和价值链上的分配原则是高度一致的。终端价格和原料供应之间的差价全部是由售卖终端产品的企业获取的。

法则二:掌握数据的企业具有这个商业生态内最大的议价能力, 最终最有可能成为赢家。算法可以攻克, 也可以购买, 事实上, 挤入这个行业的企业并不在少数。而思维则存在一种肯尼斯·阿罗所说的“信息悖论”, 即信息在被他人知晓前都价值极高, 但却无法被证实。一旦公开证实它, 又因所有人都知道而失去了价值。所以, 不管思维和算法企业走得多快, 只要数据企业随时可以封锁数据源, 就依然把握着“杀手锏”。甚至, 有的数据企业在看不清楚商业模式时, 将数据释放让思维和算法企业进行试错, 而一旦试错成功, 则收回数据所有权, 模仿其商业模式。

BAT的数据帝国

因此, 我们可以说, 在大数据时代, 资源整合企业的竞争, 将会决定未来商业世界的版图。

在很多人还没有弄清楚大数据时代的商业法则时, 国内互联网三巨头BAT (百度、阿里、腾讯) 已经在迅速地构建自己的“数据帝国”。

在互联网的大世界中, 用户有诸多的入口, 可以通过不同的APP上传数据。BAT的原则是, 有关吃穿用住行的一切服务商, 只要能够增加他们的数据种类和质量, 他们通通拿下。这里, 体现出一种典型的“数据累积的边际收益递增效应”, 即每多增加一个单位的数据, 可挖掘的价值就有一个加速的增长, 每增加一个种类的数据, 可挖掘的价值就有一个加速的增长。某些时候, BAT甚至根本不考虑数据在现阶段能否变现为收益, 仅仅是纳入麾下, 等待未来的开发。

现实的情况是, 经过了几轮的收购之后, BAT基本上覆盖了吃、穿、用、住、行、社交等各个领域的数据入口, 加之其原来的庞大数据入口, 在数据规模上的优势已经无与伦比。短时间内, 任何企业想要超越他们, 几乎都是不可能的。

BAT不仅是在做掌握数据的企业, 也是在做掌握算法和思维的企业。一方面, 拥有庞大的商业用户群和拥有用户群消费偏好的大数据, 只要具有相应的内容, 就可以形成成交、获取收益。另一方面, 他们甚至可以开放应用程序接口 (APIs) 把自己掌握的数据授权给别人使用, 这样数据就能够重复产生价值。

这方面, 阿里巴巴的百川计划就是一个典型。简单来说, 他们向其他厂商的APP免费开放数据, 但他们不收费, 仅仅需要他们回馈数据作为代价。这个计划实施以后, 所有的APP都会是他们的入口。

可以说, BAT的帝国是基于数据建立的。甚至有人预言, 数据作为“表外资产”一定会在某个时候被会计准则纳入。因为, 相对于无形资产, 这种资产的价值更大。

值得一提的是, 传统工业经济思维的人根本看不懂大数据时代的商业逻辑。某学者曾对阿里巴巴的收购 (零售、文化、金融等) 提出过质疑, 他列举苹果和谷歌收购的案例, 认为他们都是在进行专业领域的收购, 这是有利于增强竞争力的, 但阿里进行的都是多元化收购, 是不利于增强竞争力的。

实际上, 这是没有看懂阿里巴巴商业模式的表现。互联网时代的大多数商业模式, 早就脱离了行业的限制, 而在某种程度上走向了“大一统”, 即“导入流量+大数据分析变现流量”。这种模式里数据就是通用的逻辑, 难怪在大数据出现时, 维克托·迈尔·舍恩伯格等人就断言, 行业专家和技术专家的光芒会被数据专家掩盖住, 因为后者不受旧观念的影响, 能够聆听数据发出的声音。

尽管BAT强悍如斯, 但在他们的夹缝中, 仍然有一些商机, 企业也可以搭建入口、解读需求、安排生产。如果说大数据改造商业的神奇已经毋庸置疑, 那为何众多企业依然拿不起放在眼前的这把金钥匙?很大程度上是因为这些企业缺乏数据基因。

大数据和互联网经济的来袭, 使得企业只能“被动接网”。面对海量的潜在需求, 不仅无法解读, 也无法调动生产进行对接。这就出现了大量企业被互联网的海量需求“反噬”, 并导致供应链失控的案例。

商业银行不良贷款数据统计 篇5

内容提示：资本充足指标中，一季度商业银行核心资本为55980亿元，附属资本14819亿元，资本扣减项3834项，表内加权风险资产449785亿元，表外加权风险资产71843亿元，资本充足率12.7%，核心资本充足率10.3%。市场风险指标中，累计外汇敞口头寸比例4.2%。

根据统计数据显示，截至＃＃年3月末我国境内商业银行不良贷款余额4382亿元，比＃＃年末增加103亿元；不良贷款率0.9%，比＃＃年末下沉0.1个百分点。其中：次级类贷款1801亿元，可疑类贷款1909亿元，损失类贷款672亿元。一季度不良贷款率0.9%，较＃＃年一季度的1.1%下降0.2%。在不良贷款率中，次级类贷款率0.4%，可疑类贷款率0.4%，损失类贷款率0.1%。

分机构类型看，＃＃年一季度商业银行不良贷款分机构指标中，大型商业银行不良贷款余额2994亿元，不良贷款率1%；股份制商业银行不良贷款余额608亿元，不良贷款率0.6%；城市商业银行不良贷款余额359亿元，不良贷款率0.8%；农村商业银行不良贷款余额374亿元，不良贷款率1.5%，外资银行不良贷款余额48亿元，不良贷款率0.5%。

＃＃年一季度商业银行贷款损失准备为12594亿元，较＃＃年一季度的亿元增加2621亿元，拨备覆盖率为287.4%。一季度商业银行流动性比例为45.7%，而＃＃年一季度商业银行的流动性比例为41.3%。一季度商业银行存贷比为64.5%，人民币超额备付金率为3%。一季度商业银行净利润为3260亿元，资产利润率1.4%，资本利润率22.3%，净息差2.8%，非利息收入占比20.6%，成本收入比29.5%。

资本充足指标中，一季度商业银行核心资本为55980亿元，附属资本14819亿元，资本扣减项3834项，表内加权风险资产449785亿元，表外加权风险资产71843亿元，资本充足率12.7%，核心资本充足率10.3%。市场风险指标中，累计外汇敞口头寸比例4.2%。

与商业银行相关的报告《 ＃＃-2016年中国商业银行动产质押业务行业市场调查及前景研究报告》 动产质押业务，是指企业将动产(包括商品、原材料等)存放在银行指定或认可的仓库作为质押物，质押物在银行监控下流动，据此向银行申请贷款(或办理银行承兑汇票)的融资方式。

中国产业信息网发布的《＃＃-2016年中国商业银行动产质押业务行业市场调查及前景研究报告》共十一章。首先介绍了中国商业银行动产质押业务行业的概念，接着分析了中国商业银行动产质押业务行业发展环境，然后对中国商业银行动产质押业务行业市场运行态势进行了

分析，最后分析了中国商业银行动产质押业务行业面临的机遇及发展前景。您若想对中国商业银行动产质押业务行业有个系统的了解或者想投资该行业，本报告将是您不可或缺的重要工具。

本研究报告数据主要采用国家统计数据，海关总署，问卷调查数据，商务部采集数据等数据库。其中宏观经济数据主要来自国家统计局，部分行业统计数据主要来自国家统计局及市场调研数据，企业数据主要来自于国统计局规模企业统计数据库及证券交易所等，价格数据主要来自于各类市场监测数据库。第一章 动产质押贷款业务简介

第一节 动产质押的定义及方式特点

一、动产质押贷款定义

二、动产质押贷款主要业务模式

三、物流金融视角下的业务分类

第二节 动产质押相关阐述

一、质物

二、动产质押合同

三、动产质权特征

四、质押担保的范围

五、动产质押融资设定

六、与权力质押

第二章 ＃＃-＃＃年中国商业银行动产质押业务发展环境解析 第一节 ＃＃-＃＃年中国商业银行动产质押业务经济环境分析

一、中国宏观经济指标运行

二、金融市场运行

三、银行业发展变化情况

第二节 ＃＃-＃＃年中国商业银行动产质押业务政策环境分析

一、财政政策

二、货币政策

三、汇率情况

四、刺激内需的政策

第三节 ＃＃-＃＃年商业银行动产质押业务市场环境分析

一、国家重拳出击支持房地产市场回暖

二、汽车行业呈现了快速复苏的态势

第三章 ＃＃-＃＃年国工商争行业动产质押业务现状综述 第一节 ＃＃-＃＃年中国商业银行开展动产质押业务阐述

一、工商银行推进动产质押业务快速发展

二、商业银行发展动产质押业务受三大条件限制

三、动产质押——工商银行又推新业务

四、我国动产担保贷款额占担保贷款总额比重

第二节 ＃＃-＃＃年中国商业银行力保动产质押业务健康发展措施

一、工行开展动产质押业务检查 确保信贷资金安全

二、工商银行拓宽动产质押贷款业务监管渠道

三、工行与资产监管公司合作拓展动产质押贷款业务 第四章 动产质押授信业务风险分析

第一节 动产质押贷款基于质押物的风险

一、权属风险

二、价值风险

三、保管风险

四、意外风险

六、处置风险

六、重复质押风险

第二节 银行动产质押授信业务主要法律风险

第三节 银行动产质押授信业务主要操作风险

一、质物交付失当而致使质押未生效

二、监管失灵致使质物流失的风险 第五章 动产质押授信业务风险防控

第一节 动产质押贷款操作流程的分析及优化

一、动产质押贷款业务模式

二、动产质押业务宏观流程及风险初步防控

第二节 动产质押贷款的贷前风险防控

一、质押物的初步选取

二、质押物选择评价指标体系的建立

三、企业资质的严格审核

第三节 动产质押贷款的贷中风险防控

一、审慎选择质押率，找准贷款安全边际

二、质押物交付过程中风险防范

三、动产抵押贷款审查中的风险防范

四、动产质押模式的优先选择

第四节 动产质押贷款的贷后风险防控

一、贷后质物的第三方监管风险防控

二、贷后动产质押贷款质权的行使

第五节 我国动产质押担保贷款物流金融服务实例简介

一、深圳发展银行“现货动态质押”业务

二、中国工商银行娄底市分行“动态商品质押贷款”模式

三、张店农合行质押贷款业务风险评估指标 节 积极发展基于物联网的动产质押的监管

章 基于供应链的新型动产质押融资模式风控探讨

第一节 供应链融资理论概述

第二节 基于供应链的动产质押融资模式作用机制及法律关系辨析

第三节 商业银行基于供应链的动产质押融资操作障碍分析

一、银行与物流企业之间的委托代理问题

二、现行法制环境不利于银行质权保护

第四节 现阶段基于供应链的动产质押融资风险化解策略

一、与征信机构保持紧密联系

二、与核心企业建立

合作关系

三、增加核心企业的物流监管责任

四、建立供应链融资创新与服务支持系统

第五节 供应链动产融资业务案例分析

第七章 ＃＃-＃＃年中国主体商业银业动态产质押业务同比分析 第一节 四大国有商业银行分析

一、中国工商银行

二、中国银行

三、中国农业银行

四、中国建设银行

第二节 股份制商业银行分析

一、招商银行

二、深圳发展银行

三、上海浦东发展银行

四、民生银行

五、光大银行

六、交通银行

七、中信实业银行

八、兴业银行

九、广东发展银行

十、华夏银行

第三节 城市商业银行分析

一、上海银行

二、北京银行

三、宁波市商业银行

四、南京市商业银行

五、其他城市商业银行

章＃＃-＃＃年中国商业银行个人信贷业务整体运行态势分析 第一节 ＃＃-＃＃年中国商业银行运行总况

一、从六家银行年报看商业银行经营模式现状

二、银行负债业务发展情况分析

三、2010年商业银行资产业务发展情况分析

第二节 ＃＃-＃＃年中国商业银行个人信贷市场运行动态分析

一、商业银行个人信贷余额大幅增长

二、商业银行个人贷款余额在该行总贷款中所占比重不断提升

三、个人信贷业务产品种类日趋丰富

四、个人信贷业务参与主体呈现多元化。

第三节＃＃-＃＃年商业银行个人信贷业务规模分析

一、个人房贷的迅速崛起成为新增贷款的重要部分

二、汽车贷款业务增速情况

第四节 ＃＃-＃＃年中国商业银行个人信贷业务面临机遇和挑战

章 ＃＃-＃＃年中国商业银行个人信贷产品深度剖析 第一节 ＃＃-＃＃年商业银行个人住房贷款产品同业分析

一、种类多样化

二、市场细分化

三、产品创新化

四、服务层次化

第二节 ＃＃-＃＃年商业银行个人汽车贷款产品同业分析

一、创新经营模式

二、变换营销策略

三、拓展业务范围

四、加强合作力度

第三节 ＃＃-＃＃年商业银行个人经营性贷款产品同业分析

一、贷款对象基本条件对比

二、贷款金额与贷款利率对比

三、贷款期限和还款方式对比

第四节 ＃＃-＃＃年商业银行个人信用贷款产品同业分析

一、贷款门槛对比

二、贷款额度对比

三、贷款费用对比

四、贷款对象对比

第十章 ＃＃-＃＃年商业银行个人信贷业务创新研究 第一节 ＃＃-＃＃年商业银行个人住房贷款业务创新分析

一、产品创新：农业银行推出房贷组合拳

二、利率创新：深发展“点按揭”

三、模式创新：中信银行“二手房直通车”

四、方式创新：兴业银行“随薪供”

五、方式创新：渣打银行（中国）“活利贷”

第二节 ＃＃-＃＃年商业银行个人汽车贷款业务创新分析

一、模式创新：招商银行车贷新方案

二、产品创新：银行“车库车位”贷款业务

三、商业银行个人经营性贷款创新分析 第三节 工商银行“百荣模式”个人经营贷款

一、模式创新：中国银行“信贷工厂”

二、产品创新：招商银行个人“生意贷”

三、业务创新：民生银行“商贷通”业务

第四节＃＃-＃＃年中国商业银行其他个人信贷业务创新分析

一、担保方式的创新

二、网络贷款模式

第十一章 ＃＃-2016年中国商业银行动产质押业务发展前景预测 第一节 ＃＃-2016年中国商业银行发展前景预测 第二节 ＃＃-2016年中国商业银行动产质押业务前瞻

一、谈我国动产质押融资功能的缺失与前景

二、县域中小企业动产质押融资业务前景预测

三、动产质押业务健康发展图表目录：（部分）

图表：2005-＃＃年中国GDP总量及增长趋势图 图表：2010.09-＃＃.09中国月度CPI、PPI指数走势图 图表：2005-＃＃年中国城镇居民可支配收入增长趋势图 图表：2005-＃＃年中国农村居民人均纯收入增长趋势图 图表：1978-2010中国城乡居民恩格尔系数走势图 图表：2010.9-＃＃.9年中国工业增加值增速统计 图表：2005-＃＃年中国全社会固定投资额走势图 图表：2005-＃＃年中国财政收入支出走势图 单位：亿元 图表：近期人民币汇率中间价（对美元）

图表：2010.9-＃＃.9中国货币供应量月度数据统计 图表：2005-＃＃年9月中国外汇储备走势图 图表：1990-＃＃年央行存款利率调整统计表 图表：1990-＃＃年央行贷款利率调整统计表 图表：中国历年存款准备金率调整情况统计表

图表：2005-＃＃年中国社会消费品零售总额增长趋势图 图表：2005-＃＃年中国货物进出口总额走势图 图表：2005-＃＃年中国货物进口总额和出口总额走势图

图表：1978-2009年中国人口出生率、死亡率及自然增长率走势图 图表：1978-2009年中国总人口数量增长趋势图 图表：2009年人口数量及其构成

图表：2005-2010年中国普通高等教育、中等职业教育及普通高中招生人数走势图

研究

图表：2001-2010年中国广播和电视节目综合人口覆盖率走势图 图表：1990-2010年中国城镇化率走势图

大数据将颠覆现有商业模式 篇6

本报讯 （记者 艾龙） “大数据分析意味着企业能够从这些新的数据中获取新的洞察力，并将其与已知业务的各个细节相融合。”在7月13日举办的“第二届大数据世界论坛”上，微软亚太研发集团首席技术官孙博凯认为，大数据意味着大商机，任何一家公司要想确保竞争优势，就必须有效地利用大数据。

众所周知，随着社交网络、物联网的兴起以及移动智能终端的剧增，产生了海量的有别于传统的非结构化数据。这些非结构化数据占到了全部数据的85%，并且还在极速增长。分析人士认为，对大数据的深刻洞察将成为企业运营的利器，一改现有的商业模式，可以未卜先知地满足用户需求。即便是针对大数据本身的服务业，在未来几年的增长率也会超过30%，预计产值将在100亿美元之上。

不过，绝大部分国内企业现有的数据管理及处理系统面临着对大数据无能为力的尴尬局面，日益增长的大数据业已成为企业的双刃剑。另一方面，Forrester Research资深分析师曹宇钦认为，大数据在商业智能方面的应用还受到投资的影响，客户期望的投资回报周期通常是一年到一年半左右，而对大数据的投资，其回报有可能需要5-7年。

此次论坛的主题是“海量数据，深度分析，智慧商业”，吸引了微软、SAS、英特尔、甲骨文等众多跨国公司参与。

商业银行数据仓库建设 篇7

数据挖掘是20世纪90年代中后期提出的概念, 它是以传统的数据库技术作为存储数据和管理资源的基本手段, 以统计分析技术作为分析数据和提取信息的有效方法。以人工智能技术作为挖掘知识和发现规律的科学途径的一种解决问题的方案。而数据仓库的建设, 可以看作数据挖掘的一个重要预处理步骤。在数据仓库的建设过程中, 可以将支持企业日常运作的各个独立系统中的数据进行清理、集成和统一, 并且可以将数据加载入不同于日常交易系统结构的易于查询分析的数据模型中, 为后续数据挖掘高效地获取准确明晰的数据扫清障碍。

1 数据仓库

根据数据仓库之父W.H.Inmon的说法, “数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合, 支持管理部门的决策过程”。这个简短而又全面的定义指出了数据仓库的主要特征。4个关键词, 面向主题的、集成的、时变的、非易失的, 将数据仓库与其他数据存储系统 (如关系数据库系统、事务处理系统和文件系统) 相区别。

数据仓库领域的领导厂商, 美国Teradata公司给企业级数据仓库下过一个定义, “一个企业级数据仓库是一个由集成的、明细的、可扩展的数据组成的, 集中的, 保留历史的数据机, 可以支持多个部门的各种决策分析, 是整个企业分析型数据的唯一来源”。这里有5个关键字:集成的、明细的、可扩展的、集中的、保留历史的。

从以上两个定义来看, 时变的包含了保留历史的意思, 而面向主题的结构保证了其结构和设计是可扩展的。因此, 从笔者的观点来看, 数据仓库的关键字应该是:面向主题的、集成的、时变的、明细的、集中的和非易失的。

为了进一步理解数据仓库的概念, 我们可以将数据仓库系统和操作型数据库系统进行一下比较, 概括在表1中。

2 商业银行数据仓库

所谓商业银行数据仓库, 是将数据仓库技术运用到商业银行的经营分析中, 从而为商业银行的精准营销、绩效考核、风险管理等提供强有力的数据支持。

从技术角度来看, 商业银行的数据仓库与其他企业的数据仓库差别不大, 具有数据仓库本身具有的一切技术特性。但是其数据模型的设计, 必须与商业银行的业务逻辑相切合, 这样才能发挥其应有的作用。

商业银行数据仓库采集包括银行核心系统在内的交易系统数据, 经过加载整理, 按照银行业务主题 (当事人、内部机构、资产、地址、产品、协议、事件、渠道、总账、营销等) 进行组织和存储, 形成商业银行数据仓库的基础模型区, 特点为以数据驱动, 保留基础、细节、历史、整合的数据。

3 数据仓库模型

3.1 维度模型

该模型将数据看作数据立方体 (data cube) 形式, 立方体由维和事实定义。

维是关于一个组织想要记录的透视或实体。每一个维都有一个表与之相联, 该表称为维表, 它进一步描述维。

维度数据模型围绕中心主题组织。该主题用事实表表示。事实是数值度量的。把它们看作数量, 是因为我们想根据他们分析维之间的关系。事实表包括事实名称和度量, 以及每个相关维表的关键字。

比如, 银行想记录客户所持有的账户的相关信息, 那么就要建一张账户的事实表来表示账户这个主题。在账户表中有账户的余额、开户日期、开户机构、账户持有人等信息。其中, 账户余额就是账户表的度量字段。而开户日期、开户机构等字段则是与其他日期、机构等维表关联的关键字。

3.2 星型模型

是维度模型的一种, 包括一个大的包含大批数据和不含冗余的中心表 (事实表) , 一组小的附属表 (维表) , 每维一个。这种模型很像星星爆发, 维表围绕中心表显示在射线上。

3.3 雪花模型

雪花模型是星型模型的变种, 其中某些维表是范式化的, 因而把数据进一步分解到附加的表中。结果模式图形成类似于雪花的形状。

雪花模型和星型模型的主要不同在于, 雪花模型的维度可能是范式化形式, 以便减少冗余。这种表易于维护, 并节省存储空间, 因为当维结构作为列包含在内时, 大维表可能非常大。然而, 与巨大的事实表相比, 这种空间的节省可以忽略。此外, 由于执行查询需要更多的连接操作, 雪花结构可能降低浏览的性能。这样, 系统的性能可能相对受到影响。因此, 在维度建模的数据仓库设计中, 雪花模型不如星型模型流行。

3.4 范式化模型

根据企业的业务特点, 将整个业务流程抽象为若干个主题, 主题内部遵循三范式以上的范式进行建模 (必要时可以适当降范式) , 主题与主题间通过关系表连接。比较类似于雪花纬度模型, 但是范式化程度比雪花模型更高, 也没有事实表和纬度表的概念。

3.5 商业银行数据仓库模型的选择

从理论上来看, 维度模型在查询上比较有优势, 但是对于业务种类繁多, 业务流程复杂的商业银行来说, 用维度模型进行存储未必能将各个操作型系统的数据进行很好地整合。

而范式化模型可以将操作系统的各类数据很好地整合存储, 但是范式化的结构不利于快速分析查询, 需要经过多次的表间联接才能完成一次客户全视图查询。

因此, 笔者认为单单使用维度建模或者范式化建模都不能很好地支持企业级数据仓库的建设和发展。根据国际最佳实践以及笔者的项目实施经验, 比较好的做法是在数据模型层使用范式化模型, 而后通过视图将范式化模型转换为维度模型给数据集市供数。

4 商业银行数据仓库整体架构初探

4.1 源系统文件 (Source file)

源系统文件就是将银行各操作型系统 (比如客户信息系统、存贷款系统、中间业务系统、信用卡系统、电子银行系统等) 数据表中的数据以文件形式下载给数据仓库系统。同时, 视相关业务数据量大小决定每天是全量下载还是增量下载。

4.2 操作型数据存储 (ODS) 层及其视图

操作型数据存储区域的数据表结构一般与上游源表结构一致, 数据也基本一致, 等于是将上游数据复制一份到数据仓库系统, 因此也称为源系统镜像 (Source Image) 。

操作型数据存储 (ODS) 视图, 是为了数据安全性和查询性能等因素考虑建立的视图, 其结构与ODS本身结构一致。操作型数据存储 (ODS) 的作用主要有以下几个: (1) 如果上游源系统文件每日下载增量数据给数据仓库, 则可以在ODS进行全量累加; (2) 对于上游源系统文件中部分错误数据 (比如字段长度被截位等) , 可以在ODS及时发现, 进行修复和清理, 提高到达模型层数据的数据质量; (3) 对于那些时效性要求高, 不需要历史数据, 且查询不是很复杂的业务需求 (比如电话银行的增值业务等) , 可以绕过数据仓库模型层, 由ODS直接供数。

4.3 范式化模型层

根据商业银行日常运作的业务特点, 抽象出若干个主题 (比如当事人、内部机构、资产、地址、产品、协议、事件、渠道、总账、营销等) , 将银行各个交易系统中的数据经过整合加载入各主题内部的各个数据表中。

可以说, 模型层的设计对于整个数据仓库建设的成败起着至关重要的作用, 模型设计人员需要结合银行自身业务特点在模型的稳定性、准确性、完整性和易用性等方面进行权衡, 从而设计出高效、稳定、准确的模型。

4.4 逻辑视图

逻辑视图的主要目的是方便数据仓库下游各数据集市取数, 由于是面向查询, 建议使用维度建模。

随着数据仓库的发展, 其下游的数据集市将会越来越多。因此, 对于逻辑视图的设计除了要方便查询以外, 更要注意对于统计指标的重用, 以及对于视图数量的合理规划。需要在稳定性和易用性之间找到平衡点。同时, 从模型层到逻辑视图的转换逻辑复杂程度和转换性能也是需要考虑的一个问题。

5 数据标准、数据质量管理和元数据管理

要建设好商业银行的企业级数据仓库, 除了要选择一种合适的建模方法, 有一个合理的数据架构以外, 更要关注存入数据仓库的数据情况。要真正体现数据仓库的价值, 还是要依靠存入仓库中的数据, 可以说数据是数据仓库的生命。而说到数据, 就必须要提数据标准、数据质量管理和元数据管理这3块内容。

5.1 数据标准

数据标准是用来描述数据的, 用来定义数据的业务含义和技术特征, 可以分为业务数据标准和技术数据标准。业务数据标准从银行业务角度来描述数据, 比如账号可以描述为“与银行签订了特定协议的客户所持有的, 用于存放交易金额的账户号”。技术数据表准则从数据库技术的角度来描述数据, 比如账号可以描述为“25位长度的数字串, 由9位地区号+9位网点号+2位识别号+5位顺序号组成”。

5.2 数据质量管理

数据质量管理是数据仓库建设的重要内容, 是数据仓库应用及价值发挥的基础。具体来说, 数据质量管理需要部署数据质量检查规则。对于在数据仓库中发现的数据质量问题, 需要通过数据质量管理平台进行反馈、跟踪和验证, 从而保证数据质量问题的有效解决。

5.3 元数据管理

元数据管理的工作主要是建立一个物理平台, 将数据标准在物理上实现落地。元数据管理平台的建设要注意其范围和详细程度。从范围上来说, 最好是有一个覆盖全行所有数据和数据结构的大元数据系统, 这样可以保证各个系统之间的数据结构和各个元数据的统一规划和设计。从详细程度上来说, 需要建立机制, 要求各个系统的所有数据结构及其相关信息都要登记到元数据管理平台中, 这样才能使其发挥应用的价值和作用。

5.4 数据标准、数据质量管理和元数据管理的关系

数据标准、数据质量管理和元数据管理三者是相辅相成, 相互作用的关系。

数据标准的建立给数据质量管理提供了判断依据, 凡是不符合数据标准的数据都是有问题的数据。同时, 数据质量发现和解决的过程中也可能会产生新的数据标准。

元数据管理平台的建设则是需要和数据标准建立同步实施的, 数据标准必须与元数据保持统一和同步。

6 灵活查询

所谓灵活查询, 就是在数据仓库中开辟一块空间, 让业务用户直接从仓库中获取数据, 以满足业务人员即时的、灵活的查询。

产品再好, 也需要营销了才能让客户知晓。灵活查询在数据仓库的建设过程中就是扮演了这么一个营销的角色。让业务人员开始使用数据仓库, 从中体会到数据仓库的优势。

同时, 在业务人员使用数据仓库的过程中, 也可能发现一些数据质量问题, 这样也有利于改善数据仓库本身的数据质量情况。

对于数据仓库项目的设计开发来说, 推广灵活查询也具有其积极的意义。对于一般的数据集市应用类项目开发周期一般需要几个月时间, 而且业务人员在提需求的时候, 没有数据验证环节。导致当项目完成了, 或是已经失去市场机遇, 或是没有达到业务人员的预期, 效果未必令人满意。灵活查询的推广, 可以让业务人员在提需求前先通过数据仓库来验证自己的想法, 有时还需要建立一些预测模型进行模型训练。对于一些营销类项目, 还可以较快地提取结果。待到需求都成熟了, 再向数据仓库项目组提需求, 进行常规部署, 这样也提高了项目开发的效率和效果。

参考文献

[1]JIAWEIEI HAN, MICHELINE KAMBER.数据挖掘[M].范明, 孟晓峰, 译.北京:北京出版社, 2001.

商业数据 篇8

大数据的概念目前没有统一的界定。维基百科对大数据定义如下:大数据由巨型数据集构成, 这些数据所占空间大小是现在使用软件在可接受时间下难以合理处理的。Floridi指出, 大数据是指由工具、传感器、网络处理器、电子邮件、视频、点击流产生的大量、多样、复杂、分布的数据集或者由其他现在或将来能获取的数字化资源构成的。大数据是有相对性的, 是针对目前计算机处理的能力而言的。IDC (International Data Corporation) 界定了大数据具有的“4V”特征:Variety、Volume、Velocity和Vitality, 即多样性、大容量、高速度及时效性。目前, 由于网络发展迅速、范围更加深入, 使得各种数据拥有了更大范围、更低消费的集散场所。只需用很低的成本, 这些自动生成的数据即可做到存储与传送。可以说, 基础的资料和技术已经准备就绪, 大数据商业情报的时代已经到来。

2 新时代的情报变化

在大数据时代已经到来的时代背景下, 通过成熟的网络条件, 合作伙伴能够在闭合供应链企业间实现快速分享有利信息, 但是另一方面, 无处不在的智能设备却将周围环境中的情报有意或无意地上传、发布到开放的网际空间中。这之中可能存在大量的企业成员独自的私有情报, 他人能够通过大数据手段十分轻易地拥有这些之前难以或不可能获取的私有情报。这就说明, 在当代的商业活动中, 情报泄密、流失已经成为了不可避免的现实。因此, 闭环供应链中企业为提高自身利润, 不得不使用大量的智能设备进行监控以防止私有情报泄露。与此同时, 闭环供应链中这个成员企业也可以借助大数据分析手段收集、获取、分析其他企业的私有情报以获得私利, 原有的闭环供应链间契约平衡关系就被破坏了, 旧的情报网络体系将不复存在, 更新的竞合关系由此而生。这说明, 这种商业的合作是非常矛盾的, 但是迫于形势又必须要合作。

在大数据时代背景下, 情报信息组成成分也与之前变得与众不同, 其中对情报内容的语义单一、内容零碎、互相联系也迫使情报的组织方式亟待更新。在情报构成时, 数据挖掘、关联计算及做出可视图的情形日益普遍, 情报学已经从以往的收集后计算演变为更加科学可靠的计算机数学处理。通过大数据手段而诞生的新型情报组织内容有判断、储存、定义规范及其保安措施。因为情报学涵盖了各类与众不同的信息, 而大数据的揭示与组织的方法能够有效对零散的、看似无关的信息进行分析处理, 通过计算实现信息集成为一条一条完整有价值的情报。因此, 大数据技术可以有效迅速的帮助情报获取。

对于商业情报, 以前一家独占的场景几乎不可能再现。因为当前海量的数据已经不是个体能够消化的, 而且在当今各种智能设备的应用也使得保密难上加难所以, 为了情报的充分使用, 必须要进行合作, 而这个合作关系一旦形成, 便不再允许发生任何变动, 于是就形成了闭环供应链。闭环供应链中需求方不用知道这些繁重的数据是如何进入这条链中的, 只需要完成自己一环得到的任务——通知这个供应链自己需要什么, 剩下的事情交给这条供应链的管理者即可。假如有的企业成员不怀好意, 泄露了链中的关键情报, 系统也能够及时检查并发现。这样闭环供应链中的企业成员既拥有了自己已经就有的私有情报, 又从合作伙伴的情报分析中得到有用信息, 可谓一举两得。系统既保证成员个体情报的安全, 又使企业提高了生产效率, 而且供应链成员得到自身利益后更加乐意去合作, 整个闭环供应链得到良性循环发展。

3 闭环供应链的作用

闭环供应链整体情报系统在大数据中获得供应链中的制造商、消费者有用信息, 分析得到一件商品的工艺流程和用户偏好情况。将这些信息整合后交给制造商, 制造商只管“埋头苦干”即可。因为有反竞争情报系统, 生产者与代理商得到的只是用户和物流公司的供需信息, 所以限制了零售商与物流方面在运输、销售等方面偷取供应链中其他成员的应得利益。处于供应链中的负责销售的企业得到足够的用户需求后, 做到有的放矢。这样, 各个企业无需再为没有足够的情报资源而苦恼, 之后像过去那般进行情报战。不仅减少了企业之间的内耗, 而且成员企业可以更放心的把全部精力用于各司其职, 对整个经济发展是有很大好处的。

利用大数据的技术力量, 提供整条供应链都需要的信息进行获取和分析, 不断生成更加符合当前环境的情报体系, 将供应链变得更加强壮。同时, 一条一条闭环供应链的稳定发展又带来了再制造企业的崛起, 从而带动整个经济的发展。

4 结语

面对新的情报形式, 我们需要对此有清醒的认识:机遇与挑战并存。虽然时代变革, 情报获取的方式与情报拥有者早已与近代大相径庭。我们应该把握时代趋势, 具体情况具体分析, 这样才能做到保护我们的请保安全, 让自身更具有竞争力。

参考文献

[1]曾建勋, 魏来.大数据时代的情报学变革[J].情报学报, 2015 (1) .

[2]全小珍.论情报机构如何开展企业信息情报服务[J].企业科技与发展, 2012 (10) :1674-0688.

[3]程刚.可制造闭环供应链经济性分析及价值补偿机制研究[D].天津:天津大学, 2011.

商业数据 篇9

本文其余部分的安排:第二部分, 理论回顾;第三部分, 实证分析;第四部分, 结论与启示。

1 理论回顾

1.1 文献综述

国内外对影响银行业上市公司股价的影响从不同的方面进行深入研究。从股利政策角度看:S.D.Magen (1971) 通过研究商业银行资本结构和股利政策之间的关系认为, 如果银行为了提高股本收益率或降低股本成本而提高杠杆率, 资本市场并不会要求银行股本化比率将更多收益转作股本。马军伟、熊华 (2009) 通过举证分析结果, 我国上市银行的股利分配政策对股价有负的影响, 并且市场对分红政策的反映过度。

从建立模型对数据检验角度:Molyneux和Thomton (1992) 在多个国家样本容量的基础上分析银行股价的决定因素, 结果表明银行的股价与各国的利率水平、行业的集中度以及国家所有制之间存在明显的正相关关系。

从潜在竞争力角度看:Ross (1989) 研究发现, 股价的波动性与信息量有直接的相关性, 有效信息的交易越多, 所引起的股价波动性越大。Fan and Wong (2002) 研究了7个东南亚国家的977家公司的股利对利润的敏感性与所有权结构之间的关系, 结果表明所有权越集中, 股价对利率的敏感性越差。

从选取财务指标角度:韩露 (2013) 基于我国15家5年上市商业银行实证研究, 分析结果:影响上市银行股价中最为显著的是反映银行营运能力的成本收入比指标和反应银行资本充足性的资本充足率指标。刘洋、洪景玉 (2009) 利用Feltham-Ohlson价值评估模型结合如销售收入、资产、净资产收益率、资产利用率、权益乘数等财务指标找出上市银行影响因素。

纵观国内外研究, 关于商业银行股价的影响因素可以从以下几个方面分析第一, 基于现有的竞争力和潜在的竞争力方面, 建立影响股价的评价指标, 并对评价指标进行分析;第二, 从盈利能力、流动性、安全性等方面运用因子分析法和主因子提取法分析并进行评价;第三, 通过建立模型, 利用模型对数据检验得出结论。

1.2 指标选取及相关性分析

1.2.1 样本的选择

在沪深上市的16家商业银行2007-2012年各季度的面板数据, 银行的特征变量来自银行年度、季度财务报表, 行业的相关数据来自《中国金融年鉴》。16家商业银行:深圳发展银行、宁波银行、浦发银行、华夏银行、民生银行、招商银行、南京银行、兴业银行、北京银行、农业银行、交通银行、工商银行、建设银行、中国银行、中信银行、光大银行。

1.2.2 银行特征变量

(1) 银行的盈利能力指标选取。

资产回报率 (ROA) =净利润/平均资产总额。另外还选取了净利润率 (JLR) 和每股收益 (净利润/总股本) (MG-SY) 作为盈利指标对股价影响的评价。成本收入率 (CB-SRL) =成本利润率=利润/成本费用×100%。

(2) 治理水平指标的选取。

有效地公司治理能够促进银行经营管理水平的提高, 提高经营的效率, 提高银行的金融创新能力。因此本文的指标选取非利息收入 (非利息收入=非利息收入÷营业收入、资产利润率 (营业收入/资产总额) (ZCLRL) 、营业利润 (净利润/营业收入) (YYLR) 。

(3) 安全性指标选取。

拨备覆盖率 (BFGL) =期末贷款减值准备÷期末不良贷款余额, 不良贷款率 (BLDKL) =期末不良贷款余额÷期末发放贷款总额。

(4) 抵御风险能力。

资本充客户的足率 (ZBCZL) , 根据《巴塞尔协议》, 我国规定商业银行必须达到的资本充足率指标是:包括核心资本和附属资本的资本总额与风险加权资产总额的比率不得低于8%, 其中核心资本与风险加权资产总额的比率不低于4%。

(5) 成长型指标。

存款增长率 (CKZZ) = (本期间存款-上期间存款) /上期间存款*100%。

(6) 竞争性指标。

核心资本充足率 (HXZBCZL) = (核心资本-核心资本扣除项) / (风险加权资产+12.5倍的市场风险资本) 。

(7) 流动比率。

流动性对银行的盈利性影响较高, 一般银行的流动性越高, 它所面临的筹资成本较低, 银行的盈利可能就越高, 股价可能就越高。流动性比率=流动资产/流动负债。

1.2.3 研究假设

假设一:银行股价与银行盈利能力呈正相关关系。假设二:银行股价与银行治理水平呈正相关关系。假设三:银行股价与资产的安全性呈正相关关系。假设四:银行股价与流动比率呈正相关关系。假设五:银行股价与抵御风险能力呈正相关关系。假设六:银行股价与成长性呈正相关关系。假设七:银行股价与银行潜在竞争能力呈正相关关系。

1.2.4 计量模型

计算银行股价的指标P

上市商业银行股价通过证券市场上发布的年报、月报的每次公布的价格得出。

2 实证分析

首先本分通过SPSS17.0描述性分析, 在分析过程中生成相关的描述性统计变量, 同时描述性统计分析将原始数据转化为Z分布值, 作为变量存储。

2.1 描述统计

从表1可以看出, 在从2007年-2012年的各季度中, 我国上市公司的股价的均值6.3369, 最大值与最小值的全局为8.38元, 标准差为2.93779, 可见我国上市银行业股价波动较大。另外就净利润率指标而言41.233%说明我国银行业的经营状况良好。

2.2 公因子方差比的分析

由表可得第一主成分的特征值4752, 它解释了总变量的36.552%, 第二主充分的特征值2879, 它解释了总变量的22.147%, 第三主特征值2249, 它解释了总变量的17.303%, 第四主特征值1434, 它解释了总量的11.028%。说明了只要提取前四个变量就能解释87.03%的信息。

2.3 主成分因子分析

通过主成分因子分析的结果可知道, 因子得分函数:

主成分和相应的原先变量的相关系数。相关系数的绝对值越大, 主成分的相关性对该变量的代表性就越大。以上各主成分的信息贡献率为权重构建综合绩效P公式:

2.4 银行业股票价格与主因子的回归分析

本文表4选用了每股收益、资本充足率、资产利用率、存款增长率作为自变量对因变量的股价进行分析。回归结果如下:

从表4可以看出回归模型的调整值0.889非常的接近1, 说明回归的拟合度相当的高, 并且D-W为2.04, 说明模型的残差不相关。回归的模型相当的优良。

上表5给出了方差分析的结果, 可以看出回归的F值9.418, 相应的P值是0.002小于0.005显著水平。因此可以判断出每股收益、资本充足率、资产利用率、存款增长率四个财务指标对银行业上市公司的平均股价解释能力较强, 非常显著。

该表6给出了线性回归模型的回归系数及相应的一些统计量, 可以看出线性回归中的每股收益、资本充足率、资产利用率、存款增长率的系数相应3.134, 17.444, 2795.243, 3.139。说明资产利用率小部分的增加会带动上市银行股价的2795.243倍的增长。

3 结论与启示

3.1 结论

由于搜索数据有限和手工处理数据复杂, 许多数据出现较为剧烈的变动。

从影响上市银行的微观因素分析:

(1) 净利润率和拨备覆盖率, 成本收入比指标。无论是采用因子分析法还是描述性统计, 影响股价的排序不同, 说明安全性、经营效率对股价的机制是复杂的过程。根据常识我们在知道拨备覆盖率越高, 说明银行资产质量越好, 股价越高。对于银行业来说加强抵御风险能了和安全性措施以及提高经营效率面临较大的挑战。

(2) 资本充足率。通过采用因子分析法和回归分析得出其对银行的股价影响较大, 但是在各个银行之间差异较大。例如工商银行具有最大市值, 其核心资本充足率对工商银行的影响高达90%, 其核心资本充足率对其影响较小的是光大银行57%。

(3) 存款增长率和每股收益。通过回归分析法看出存款增长率和每股收益对于股价的影响较显著。根据我们的常识可知银行的收入主要是增加存款、加大贷款从中间赚取利率差, 实现收益。银行的股价主要是通过每股收益向投资者和公众传递银行的市场价值。

3.2 启示

通过因子分析法和回归分析我们发现影响银行业股价的关键的因素在于盈利性、竞争能力和金融创新能力。银行的规模存在差异, 资产的质量残差不齐, 公司的治理水平存在各异的情况下, 盈利能力是保证银行保证正常活动的前提, 充足的资本和较强的竞争能力是银行生存发展的源泉。科学的治理水平灵活的金融创新能力是银行前进的血液。

对于我国商业银行提出以下几点政策建议:

(1) 提高金融创新能力。信贷业务是银行业的主要业务也是利润的主要来源。因此提高商业银行的信贷业务, 是增强银行竞争力的核心。商业银行要增加业务范围, 加大与其他业务的合作。不能单纯的依靠传统业务手续费和佣金收入作为盈利主营业务, 要提高金融产品的创新, 向客户提供更多的金融产品。

(2) 提高公司治理水平, 增强银行非利息收入比。我们知道银行的利息收入的成本和非利息收入成本模型不变。利息收入的成本是变动成本, 非利息收入比成本是固定成本, 所以增加非利息收入可以在一定的固定成本下成本最小收益最大。所以提高非利息收入可以提高银行的盈利水平。

(3) 提高资产安全性。根据描述性分析我们可看出我国商业银行的不良贷款和拨备贷款均值较大, 说明我国商业银行的资产安全性存在较大的隐患。因此我国商业银行必须要寻求优质的合作客户和严格的执行中国人民银行的信贷政策, 降低不良贷款率和拨备覆盖率, 提升银行整体的资产质量。

本文由于数据是从2007-2012年期间采集, 周期较短, 数据有限, 样本较少。还有许多影响上市银行股价的因素没有体现出来, 该篇文章还需要不断补充改进。

参考文献

[1]马军伟, 熊华.银行类上市公司股价分红政策对股价影响的实证分析[J]证券与保险, 2009, (10) .

[2]S.D.Magen.Cost of Capital and Dividend policies in commercial Banks[J].The Journal of Financial and Quantitative Analysis, 1971, 6, (2) .

[3]Robert R.Bliss, George G.Kaufman.Bank Procyclicality, Credit Crunches, and Asymmetric Monetary Policy Effects:A Unifying Model[J].Journal of Applied Finance, 2003, (4) .

[4]袁晓玲, 张宝山.中国商业银行全要素生产率的影响因素研究[J].数量经济技术经济研究, 2009, (4) .

[5]韩露.商业银行效益影响因素回归分析[J].金融视角, 2013, (1) .

商业地产大数据运营平台亮相 篇10

8月27日, 在“未来已来·互联网+实体商业运营平台大会”上, 国内首个商业地产智慧运营平台云猫智管正式亮相。云猫智管CEO邢军指出, 云猫智管的成立意在解决传统商管的痼疾, 特别是效果不可控、成本高企、人员流动三大痛点。邢军曾在万达、金融街、鲁能等多家大型企业负责商业运营, 对行业有着深刻的理解。他坦言, “未来的商场运营必然回归到以人为中心, 人格、艺术和科技将是运营理念的核心。云猫智管就是定位为实体商业的智慧运营服务商。”

目前, 该平台已经正式启动。在此平台下, 开发商将大幅减低对于项目运营的投入, 在降低30%的运营成本同时, 为商场增加300%以上的人潮。据悉, 云猫智管平台已经获得资本青睐。目前, 已获得RET睿意德和比特资本等机构注资, 并已在上海、重庆等地获多个项目委托。

大数据 商业世界新蓝海 篇11

如今，大数据（Big Data）一词越来越多地被提及与使用，人们用它来描述和定义信息爆炸时代产生的海量数据。事实上，大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。随着云时代的来临，大数据引发的巨大价值正在为人们所关注并追逐。

大数据，大影响

业界将大数据的特征概括为4V：“Volume，Variety，Value，Velocity”，即数据量巨大、数据类型繁多、高价值和高速度，这些特征对传统数据库管理工具提出了巨大挑战。大数据的分析因为导入数据量大、查询涉及的数据量大、查询请求多等原因而遇到不少困难，目前主要使用的产品包括InfoBright、Hadoop、YunTable、SAP Hana和Oracle Exadata等。

思科公司曾预计，到2013年在互联网上流动的交通量将达到每年667艾字节。麦肯锡在其研究报告中则指出：“数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素；而人们对于海量数据的运用，将预示着新一波生产率增长和消费者盈余浪潮的到来。”大数据的商业价值无疑成为互联网巨头竞相追逐的对象，他们纷纷做出收购相关厂商以实现整合效应等举动来迎合时代需求。Facebook、亚马逊、谷歌搜索等产生的数据，使得对人们行为和情绪的细节化测量成为可能，其中的价值将不可估量。此外，大数据带来的数字革命对传统管理理念也产生了不小冲击：决策主体从商业精英转向社会公众，决策的依据正从结构化数据转向非结构化、半结构化和结构化混合的大数据等等。

《华尔街日报》刊登的《科技变革即将引领新的经济繁荣》一文中大胆预言：“我们再次处于三场宏大技术变革的开端，它们可能足以匹敌20世纪的那场变革，这三场变革的震中都在美国，他们分别是大数据、智能制造和无线网络革命。”2012年年初瑞士达沃斯论坛上一份题为《大数据，大影响》的报告指出：数据已经成为一种新的经济资产类别，就像货币或黄金一样。大数据在商业之中的应用及带来的影响已到了不容忽视的地步，大数据时代已经到来！

大数据的应用不仅影响着IT软件行业，同样对于商业活动与国民经济也起着重要作用。从种种迹象来看，它的商机更大于挑战。李开复就曾在2012年12月3日的微博中，针对大数据分析可能的应用领域进行了如下预测——保险业：收集汽车驾驶数据制定个性化保险政策价等；零售商：基于全市场数据的商品推销策略分析等；金融业：利用历史数据分析诈骗等；医疗保障：通过健康数据提高病人护理条件等；制造业：估算保修费用，检测零部件问题等。

面对大数据所带来的机遇，如何创新以实现“弯道超车”，成为各行各业争相追逐的目标。而大数据的应用也对企业价值链的前、中、后三个环节正在产生重要影响。

前端数据挖掘造就“用户创新”

前端是基于对用户产生与提供的数据进行深度挖掘而引发的用户创新。一般来说，企业获取的数据可以来源于计算机网络的采集或用户自身提交的数据信息，其中可能包含音频、视频和符号等多种数据形式。而在当下多业务环境中，从海量、多结构化的用户数据中深度分析、挖掘出用户的行为习惯和消费爱好，就可以获取准确的市场需求乃至开发出更适合用户的新产品，也就实现了数据的有效增值。

例如美国第三大零售商塔吉特，通过分析女性客户购买记录，“猜出”哪些是孕妇。他们发现女性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，就抢先一步将孕妇装、婴儿床等折扣券寄给客户。大数据环境下通过对用户数据的深度分析，很容易了解用户行为和喜好，不过涉及客户个人隐私的问题必须引起充分重视。

另外，针对客户市场的需求分析也可以进一步影响新产品的开发。利用数据分析不仅可以判断和预测消费者的行为，同时也为新产品开发提供依据与支撑。这不仅改变了传统价值链中消费者的被动地位，同样使得开发商有的放矢。尤其是手机、计算机操作系统和网络的更新，以及物联网、新媒体等的进步和发展都受此影响颇深，比如苹果等电子产品，通过用户的体验反馈继而推出下一代产品，这也成为各行业开发新产品的最佳路径之一。

中端数据共享实现“精准管理”

互联网企业真正实现精准化营销和精细化运营的秘诀，就在于如何利用好运营阶段产生的大数据。海量的互联网数据本身就是一笔宝贵财富，利用好这些数据，充分、及时地对其进行深度分析挖掘，不仅可以进一步提升服务质量、提高客户忠诚度、挖掘新商机、增加收入，还可以通过优化资源配置、减少浪费来提升运营效率，有效降低运营成本。利用大数据特征，借助云计算等有效工具，深度挖掘大数据背后的商业价值，可以将精准管理发挥到极致，进一步提升企业针对市场变化的敏捷性。IBM在2012年发布了全面战略理论：智慧分析洞察“3A5步”，随后又推出“大数据平台构建”，Hadoop系统、流计算（StreamComputing）、数据仓库（Data Warehouse）和信息整合与治理（Information Integration and Governance）的核心能力，满足了企业快速地整合和管理不同类型的大容量数据，对原生形式的信息采用高级分析；可视化所有的可用数据，供特殊分析使用；为构建新的分析应用程序提供了开发环境；工作负荷的优化和调度等的需求。

基于此，大量的产品也应运而生：InfoSphere Streams、InfoSphere BigInsights、BM Netezza、IBM InfoSphere Warehouse、IBM Smart Analytics System、InfoSphere Information Server，这些产品形成的集成模型及处理方式解决了大数据在分析上的难题，也为企业如何实现精准化管理与服务提供了强有力的工具。比如厂商Tresata的云平台，采用了Hadoop来处理以及分析客户的大量财物数据，并且借用第三方数据（例如股票市场数据）来丰富它，另外，还通过按需虚拟化为银行、金融数据公司以及其他金融服务单位反馈结果；10l0data提供了一个基于云的应用，允许商务用户以及分析师以一种他们所熟悉的电子表格的形式来操控大数据；ClickFox平台则挖掘了大量用户接触点（Touch Point）数据来描绘总体的客户体验。

nlc202309030652

后端数据分析助力“科学决策”

后端是通过大数据分析来实现企业的科学决策。掌握好大数据的存储、分类、挖掘、快速调用和决策支撑，并应用于企业的日常运营、维护及战略转型，成为企业可持续发展、维持竞争优势的当务之急与重要途径。

例如，几年前农夫山泉曾面临数据规模庞大，数据处理、OLAP（联机分析处理）的展现效率不尽如人意等难题，而HANA作为SAP为了满足企业实时业务分析需求而产生的数据库产品，无疑解了它的燃眉之急。农夫山泉HANA项目首先是把Oracle的数据集市（Data Mart）到原先BO（Business Objects）上展现的链条打乱，通过数据服务把数据集市中的数据抽取到HANA中去，再在门户上进行呈现。然后将这个架构进行延伸，用HANA替代传统的数据集市。HANA可以在不改变现有IT信息系统架构的前提下，实时分析来自几乎任何数据源的海量数据，提高计算速度以此降低总体拥有成本，大幅提升用户应对市场变化的能力。而这些对于实时决策、团队效率的提高都扮演着关键角色，这也是大数据为商业带来的另一变化与进步。

查询同样的数据，从原来的数据库与BI（商业智能）组合需要215.0秒到HANA和升级后的BI组合的一次查询2.1秒、二次查询1.8秒，报表展现的时间也从358.1秒缩短到HANA的16.8秒……这一切都表明，对生产、销售、计划、调度、物流、市场营销等多个方面都有巨大要求的快速消费品行业，数据的应用无疑非常重要。以实时、准确的数据作为依据来对市场做出准确判断，并据此进行科学的决策是快消企业赖以生存的“防身之术”。

大数据的分析与运用在企业价值链中如此往复，实现一次次的增值。我们在各个行业都切身感受到这样的价值增值：医疗领域通过分析处理后的数据可以获得大量资料，以防止过度治疗、错误治疗等，另一方面也为致病原因分析等提供了依据；对难以监控的行业像建筑、房地产等利用大数据系统监管，通过自动化算法替换或支持人为决策，使得“用数据来说话”的可能性大大提高；而对公共服务的大数据分析、挖掘与利用，则可以加强透明度，减少欺诈、腐败行为从而节省开支。

根据互联网数据中心IDC（Internet Data Center）的预测，未来五年内，大数据行业本身将以平均每年46.8%的复合增长率高速发展，它对于各个行业的推动与改变已经无法忽视，而如何更好地将大数据应用与价值链进行有效结合，如何扩大价值链递增效应或将成为关键问题。

大数据背景下商业模式的变革 篇12

在大量的领域中,数据以一个前所未有的规模被收集与使用。以前,人们做出的每次决策几乎都是基于猜测或现实的模型构建,如今仅仅通过数据本身,这些决策就可以被正确地决定出来。这样的数据分析在各个领域都随处可见,包括移动服务、零售业、制造业生命科学等等。

1.1 大数据的概念

从定义上来说,大数据(Big Data)指的是无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。其难度主要在于数据分析、捕捉、研究、储存、传输、可视化、隐私保护等方面。由此可以看出,相比于传统数据,大数据的首要转变就是采集并分析所有的数据,而不是仅仅依靠其中的一小部分。过去所使用的随机采样只是一条捷径,因为无法收集和分析全部数据。但实现其随机性实际上非常困难,一旦其过程中有任何偏见,其结果就会产生相当大的误差。大数据则是采用所有数据的方法,即“样本=总体”。传统的计算机无法处理这样规模的数据,大数据时代下所用的工具就是云计算。

相关的数据显示,Google每天要处理的数据信息超过了25 千兆,推特的信息量几乎每年都要翻倍,Facebook每日则有40 亿条的信息发布与传播。随着信息技术的发展,当前计算机的数据处理能力的增长速度是世界经济增长速度的10 倍,这样的增长速度对当前商业的营销模式有着非常大的影响。

1.2 大数据的特点

(1)海量性(Volume):数据总量巨大,至少是PB级别。数据总量的大小决定了其潜在的价值,以及其是否能被称之为大数据。

(2)多样化(Variety): 大数据一般包括以文本为代表的结构化数据、以网页为代表的半结构化数据和以视频、语音信息为代表的非结构化数据。由于互联网和通讯技术的普及,今天的数据类型于过去相比已经截然不同,其中包括音频、视频、地理位置信息等等,这就要求企业具备对数据更快更有效的处理能力。

(3)高速性(Velocity):几乎所有的数据都是有时效的,所以更快地处理数据是必须的。通过高速网络和高性能处理器于服务器,创建实时数据流已成为主流。

(4)准确性(Veracity):在如此巨大的数据总量下,如何提取有效准确的信息是一个难题。因为与传统的数据相比,大数据具有模糊不清和不规则的特性,因此,企业需知道如何处理并从各种形式的复杂数据中获取价值。

(5)复杂性(Complexity):数据管理是相当复杂的,尤其是数据在总量巨大的情况下,来源还相当分散,这就要求企业抓住数据之间的联系来挖掘其背后隐藏的信息。

2 大数据带来的影响

2.1 消费者行为的变迁

在大数据的背景下,对于消费者而言,信息来源将更多、更广泛,因而他们在进行购买之前就已经对产品有了透彻的了解,这会使得消费者的自主权进一步扩大,选择更加充分,传统的消费行为已经受到冲击。

2.1.1 消费者的消费行为更加理性

在大数据时代,当消费者想要购买某件商品时,他们会先从互联网上去了解这个产品信息、参数,同时,社交媒体和购物网站上的评论会对消费者的行为产生很大的影响,在数据无处不在的互联网时代,消费者可以非常便捷地从各种网站上获取和收集商品的信息,提高购物效率,降低购物成本。同时,消费者往往会在购买之后在互联网上发表自己的看法与评价,这种评价一方面会被其他消费者用来作为对未来消费行为的一个评估,另一方面也会被企业或数据服务公司收集,进行更广泛地传播,从而影响更多的消费者,也会对企业提升产品质量提供帮助。

2.1.2 消费者的消费行为更加个性化

在传统模式下,由于消息的闭塞与不流通,消费者的消费行为会比较大众化,而且在传统的购物模式下,品牌的知名度代表着质量的好坏,消费者往往会根据品牌来选择消费对象。而如今,由于数据更加便捷快速地传播,文化娱乐的繁荣以及思想观念的转变,消费者往往更具创新意识和想象力,对产品的风格和种类也有越来越高的要求。并且在大数据时代,很多大企业都选择把供应链外包给发展中国家,因此,对于消费者来说,除非对某种品牌具有偏好或依赖,否则在质量偏差不多的情况下,他们会去选择性价比更高的中小品牌,因而,消费者对品牌的依赖性会大大降低,选择余地将更加充分。这无疑会对大品牌的营销产生一定的冲击。

2.2 对商业的影响

2.2.1 数据化

大数据库有着小型数据库没有的价值。在这样的条件下,一切皆可量化。日本先进工业技术研究所的越水重臣教授研究的是一个人的坐姿,并将这个人的身形,姿势以及重量进行数据化,然后他的团队使用这些数据做成一个系统,这个系统可以通过传感器反馈的数据来分辨乘坐者的身份,这项技术在实际中可以作为汽车的防盗系统。越水重臣教授从一个被认为根本与数据毫无关系的事物中提取出有价值的信息并进行量化,这样的创新性应用能创造出信息独有的价值。

数据化,并非数字化,之前的信息技术变革的重点在于技术,而如今,企业商家们应该更多地把重点转向信息,而这些正是今天的大公司正在运用的,包括各式各样的社交软件、电子阅读、商用定位系统等等。

2.2.2 数据创新

数据创新是一个笼统的概念,因为创新的方向是不固定的,这就取决于不同的企业所考虑的方向。数据真正的价值是隐藏于其表面之下的,因而判断数据的价值必须要考虑其未来可能被使用的各种方式,而不是其目前的用途。然而,仅仅有少数公司能够认识到数据再创新的重要性。

数据创新的一个典型的方向就是数据的再利用,比如说搜索的关键词,消费者和搜索引擎的瞬时交互形成了一个网站和广告的列表。如果能够得到正确使用,即使是最平凡的信息也可以具有特殊的价值。有时,单个数据的价值只能通过与另一种类的数据进行结合才能被发现和挖掘出来。多个种类的数据结合在一起后的价值往往会比单个综合更大,即基本的混搭应用,将多种数据以一种创新的方式结合起来。同时,还要去注意数据的可扩展性,这就要求企业去发现数据的多种用途,最为经典的就是谷歌的街景应用,在进行拍照的同时,还采集了这些建筑的GPS信息,优化其自身的地图服务。如果某一数据具有几种不同的用途,它就具有双重价值。

在进行数据创新的同时,企业需要注意:数据是具有折旧值的,也就是说,它随着时间的推移是会贬值的。在这种情况下,继续使用旧数据会破坏新数据的价值,比如购物网站根据你的购买记录而推荐新的商品,这种基于以往信息的算法必然是对近期的数据的使用权重比较大。而以往的数据则需要不断地被淘汰,这样整个数据库才能保持它的生产价值。当然,并非所有数据都会贬值,即使其基本用途会减少,但是其潜在价值依然会保持。

2.2.3 大数据思维

随着计算机行业的发展,数据也在呈爆炸性的增长,但是如何这些数据中发掘出价值是需要去探索的。这也是为什么如今很多有着大数据思维的公司和数据中间商能够快速发展的原因。所谓的大数据思维,指的是一种意识,认为公开的数据一旦处理得当就能为人们的问题提供答案。数据已经不仅仅是数据,数据还已经成为一种商品。当然这也使得消费者有更大的权利,他们可以自己决定把多少数据授权给哪些公司,这也催生出了很多的中间商,以低买高卖数据的方式来获得盈利。

3 企业应如何应对

3.1 商业模式的转变方向

3.1.1 网络营销所占比重加大

由于数据传播的广泛性和快捷性,整个大数据时代的营销方式向数字化、数据化方向转变,因此传统的大众传播媒体比如报纸、电视等在广告模式中的效益会越来越低,而以数据库和数据分析为基础的网络营销会体现出明显的优越性。理性消费和个性化消费将会成为大数据时代下新商业模式的驱动力,因而,在获取和分析数据更为便捷和高效的网络营销毫无疑问更能满足消费者的需求,大众市场在这样的情况下会进一步细化,从而在面对不同消费者时更具针对性,对商家来说,企业营销也在一定程度上降低了成本,提高了收益。

3.1.2 商业定位将转向以消费者为中心

这是由于消费者的消费行为更加的个性化,不再刻意地去追求品牌,因此对于企业来说,商业定位的转变是必须的。在传统的商业模式下,商业定位更多的是以品牌为中心。而在大数据时代,数据的收集与处理以及如何更好地发掘数据的价值应是每个企业应该首要考虑的,而这些数据正是来源于消费者的浏览与购买记录,消费习惯以及消费偏好。所以,以消费者为中心,借助于数据,分析消费者的行为数据,了解消费者的对商品的需求,以此来对消费群体进行定位,这样可以帮助企业很好的获得营销信息,防止因判断失误而造成经济上的损失。当然,这样的营销方式在一定程度上也能更好的推广品牌。因此,以消费者为中心,把握并且利用好客户的信息与数据,将是未来商业模式成功的保障。

精准营销就是一个比较好的例子。企业在通过大量的数据分析之后,对消费者进行划分定位,从而根据消费者的特点制定出独一无二的产品组合和解决方案,并在这之间不断寻找和发现潜在的商机。比如说亚马逊根据消费者的浏览记录和购买记录,为消费者推荐其可能感兴趣的商品,大大增加了消费者的购买可能性。

3.1.3 提供更加完善的服务

在大数据时代,一个比较普遍的现象就是,大部分客户在进行消费行为之前,就已经对商品进行了一个详细的调查,对商品尤其是电子产品的性能、参数、优缺点等等都已有了一个大概的了解,有不少消费者甚至比商场里的导购员还要了解商品,所以对于企业来说,不仅要实事求是的把商品的各个方面详细地展示给消费者看,还要针对该商品的优缺点提供一系列的配套服务。这就意味着企业进行售卖的不仅仅是该产品,还是一个完整的解决方案。小米就是一个不错的例子,它不仅卖手机,还提供一系列的云服务和智能家居的服务,而所有的操作均能通过手机进行,极大地提升的产品的附加价值。所以,如何通过分析大数据,站在“生活者”的角度去为消费者考虑问题,是值得每个企业去深思的。

3.2 未来商业模式的实现途径

3.2.1 专业化数据分析

专业的数据分析企业能通过运用数理方法和统计学对大数据进行分析,并将分析结果提供给商业企业。这一类数据分析企业作为传统企业的服务企业,能够提升他们对数据的应用能力,有助于企业更好地把握消费者的心理和行为,也能更好地了解商场的特点和变动规律,从而能准确地做出营销决策。

3.2.2 数据租赁服务

数据租赁公司并不会去进行数据分析,相反,他们会去对某个行业领域进行调查以获得广泛且详细的数据,并将其整理之后出售给该领域的商业企业。这在某种程度上也说明了数据已经不单单是工具,更是一种商品,企业通过这种方式来获得数据在一定程度上也减少了人工费用所产生的成本,从而提高盈利。

3.2.3 数据决策外包服务

顾名思义,这一类的服务公司接受其他企业的决策委托服务,他们通过对数据的分析,从而对市场与消费者进行一个合理的评估,为企业制定相应的商业预测或决策等,这一类服务通常适用于中小型企业,他们缺乏专业的数据分析能力和商业决策,在这种情况下,寻求数据决策外包是一个相当不错的选择。

以上这些以数据为盈利工具的数据服务公司的出现于发展,无疑为大数据时代下商业模式的变革提供了更为便捷的工具,也使得企业能在尽量满足消费者对商品的需求的同时,更多地提升自己的收益。

4 结语