大数据商业应用的未来

大数据商业应用的未来（精选10篇）

大数据商业应用的未来 篇1

摘要：随着电子商务和移动互联网的发展, 数据流量的持续增长和以双十一为代表的多种数据洪峰的出现, 给商业银行传统的反洗钱手段带来了巨大的压力。海量交易数据下隐藏着各种洗钱行为, 传统的反洗钱方式在应对持续增长的数据时越来越捉襟见肘。当前, 大数据技术的发展为海量数据数据的收集、存储、处理等提供了技术支撑。本文分析了商业银行的反洗钱业务需求, 从业务的角度对比研究当前大数据领域众多新技术, 提出了一套实用、可扩展的反洗钱处理架构, 并且提出了的大数据反洗钱的演进方向。

关键词：计算机应用技术,反洗钱,大数据,商业银行

0 引言

洗钱行为给国家和社会带来了巨大损失, 我国从上世纪末就开始从国家层面实施反洗钱建设, 并且参考国际经验总结了诸多反洗钱策略。但是随着金融业的快速发展和金融领域信息化的不断深入, 数据量的增长和新兴金融产品的不断推出, 传统的反洗钱方式在处理能力和处理精度上越来越不能满足需求, 所以商业银行需要使用新技术来提升自己的反洗钱能力。本文介绍了反洗钱现状和大数据相关技术及其优势, 分析对比了当前大数据领域的一些适用技术, 并且结合商业银行的业务情况提出了一套实用的大数据反洗钱架构, 最后总结了大数据反洗钱的一些发展方向。

1 反洗钱现状

在21 世纪初, 为了适应国际反洗钱形势, 我国反洗钱工作逐步开展, 反洗钱监管体系从无到有, 逐步建立起来。但是, 当前反洗钱的形势依然很严峻。根据中国人民银行发布的《中国反洗钱报告2013》的统计, 2013 年人民银行共发现和接收4854 份洗钱案件线索, 中国反洗钱监测分析中心全年向公安部等部门主动移送和协查反馈数量超过前两年总和。最近几年, 随着走私、毒品、贪污贿赂等犯罪不断曝光, 非法转移资金活动大量存在, 对洗钱行为的预防监控愈发显得重要。

由于洗钱行为大多以商业银行作为操作平台, 因而商业银行在反洗钱方面具有重要的基础性作用, 商业银行有能力也有义务对客户身份、客户交易行为进行识别, 完成反洗钱工作的初筛工作。如果银行在反洗钱方面工作不利, 不仅会对银行造成经济还有声誉的损失, 更会影响反洗钱当局的对于洗钱行为识别, 造成国家层面的经济损失, 影响国家的声誉。

同时, 随着数字化信息时代的来临, 网络交易和移动支付的数量不断上升, 越来越多、越来越详细的交易数据对传统的反洗钱处理方式构成了挑战, 单纯的升级硬件或软件已经无法应对可预期的数据量的疯狂增长, 因而商业银行需要新技术来确保未来的反洗钱工作能准确高效地进行。大数据处理技术的发展为商业银行提供一个可靠的解决方案。

2 大数据简介

大数据 (big data) , 是指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, 是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中, 大数据是指不用随机分析法 (抽样调查) 这样的捷径, 而采用所有数据进行分析处理[1]。大数据的5V特点:Volume (大量) 、Velocity (高速) 、Variety (多样) 、Value (价值) 和Veracity (准确性) 。

随着移动互联网、物联网、社交网络和云计算等领域的发展, 大数据技术在众多的领域得到了应用并推动了这些领域的发展。比如, 在商业领域, 沃尔玛公司通过分析销售数据, 了解顾客购物习惯, 得出适合搭配在一起出售的商品;在公共卫生领域, 谷歌通过对最频繁检索的词条和美国疾控中心在2003 年至2008 年间季节性流感传播时期的数据进行了比较, 预测了2009 年冬季流感的传播;在社会安全管理领域, 美国麻省理工学院通过对某地区十万多人的SNS等信息进行处理, 提取人们行为的时空规律性, 进行犯罪预测。大数据技术的运用, 给人类带来了更多的想象。

虽然有些数据处理技术已经出现, 然而在一段时间内它们只为调查局、研究所和世界上的一些巨头公司所掌握, 但随着开源软件的发展, 以Hadoop为代表的数据处理技术和系统得以不断的发展和完善, 并且在诸多领域中得以运用, 极大地推动了各个产业的发展。众多大公司和研究所都在研究和使用Hadoop平台, 并且针对各个细分领域贡献了更多实用的组件, 使得Hadoop生态圈更加完善。

商业银行每天都会产生大量的交易数据和客户信息, 使用大数据处理技术来实施反洗钱, 对于商业银行保证反洗钱职能、提升反洗钱效率、降低反洗钱成本等方面有着重大的意义。

3 大数据反洗钱的优势

使用大数据技术实现反洗钱, 将大大提升商业银行的反洗钱处理能力, 跳过计算能力的瓶颈。当前, 商业银行传统的反洗钱方式是依据《金融机构大额交易和可疑交易报告管理办法》, 对交易数据进行计算, 若交易数据符合大额交易或者可疑交易标准, 就将该数据报送反洗钱监管机构。商业银行一般使用Oracle等传统的关系型数据库进行数据的计算分析, 由于传统关系型数据库的扩展能力有限, 数据处理能力只能通过提升硬件性能来实现有限提升, 无法应对越来越大量的交易数据。大数据处理技术能实现横向扩充计算能力, 在处理能力、扩充能力、成本等方面有巨大优势。当前, 基于关系型数据库的反洗钱操作都是通过SQL来实现的, 大数据平台有Hive、Spark SQL、Dremel等实现SQL接口的大数据处理工具, 对于技术方案切换成本和技术学习成本都能有很好的控制。

大数据技术也让反洗钱有更多的提升空间。传统的关系型数据库需要满足范式等约束, 一般只能处理结构化的数据。大数据技术支持非结构化的数据, 同时配合强大的存储能力能收集记录更多维度的数据, 在对交易数据计算的时候可以避免样本计算带来的缺陷, 使用完整的数据进行计算分析提升反洗钱的效果。由于拥有强大的计算能力和存储能力, 反洗钱的识别可以突破《金融机构大额交易和可疑交易报告管理办法》中相关规则的限制, 提供更加细致的识别方案, 比如可以针对每个客户的历史数据, 对比每笔交易, 统筹考虑时间、地点、金额、流向、频繁程度等要素, 理解相关交易行为的特点, 配合离群值分析等机器学习算法, 进而提升可疑交易的识别准确率。

4 大数据反洗钱的设计

4.1 反洗钱业务需求

中国反洗钱工作具有多部门协作的特点, 商业银行反洗钱工作只是其中一部分。完整的反洗钱工作流程包括:客户和交易信息收集及筛选、大额和可疑交易分析及甄别、大额和可疑报告报送、数据汇总检查及预处理、可疑交易甄别及行政调查、移交司法立案侦查等环节 (见图1) , 并由各商业银行、人民银行反洗钱机构和司法机构分别承担, 形成反洗钱工作的完整闭环[2]。

当前大多数商业银行都是采用Oracle、My SQL等传统的关系型数据库作为数据处理的主要工具, 然而随着信息数据的增长和数据分析的需求的转变, 传统数据库遭遇诸多瓶颈, 比如数据量增长过快, 导致运算效率下降;数据抽取处理的代价过高, 无法在统一的视图下处理;无法处理多种类型的数据;不具备进行搜索或关联分析以发现隐藏关系的能力;不具备数据挖掘等高级分析的能力等等。大数据相关技术的发展为商业银行快速精准分析数据提供了解决方向。

目前, 商业银行的数据分析一般是基于传统的数据仓库, 考虑到技术演进的渐进性, 需要对反洗钱处理的前后端兼容, 同时兼顾使用的便捷性和稳定性, 所以使用大数据数据仓库来实现;考虑到今后反洗钱策略的升级, 新系统也需要为策略升级留下扩展接口。

《金融机构大额交易和可疑交易报告管理办法》规定, 金融机构应当在大额交易发生后的5 个工作日内, 在可疑交易发生后的10 个工作日内以电子方式报送相关报告到中国反洗钱监测分析中心。上报的时间比较宽裕, 在线处理和离线处理都可满足需求。

4.2 技术方案比较

4.2.1 数据采集技术

机构信息、员工信息、客户信息、账户信息、牌价汇率信息、本外币交易信息等数据的采集是由商业银行的业务柜台等直接和用户交互的机构录入到系统的, 是典型的联机事务处理 (OLTP) , 传统的关系型数据库和新兴的No SQL都是备用方案。下表对关系型数据库和No SQL数据库做了对比:

从上表可以看出, 关系型数据库和No SQL具有不同的适用场景。商业银行的交易数据相对来说模式比较固定, 没有大量的非结构化数据, 单纯OLTP场景下处理能力也完全能满足需求, 同时, 银行现有的业务系统也是基于传统关系型数据库, 所以数据采集主要还是依靠传统的数据库来完成。客户数据是非常冗杂的数据, 当前商业银行记录的数据主要是交易相关的固定模式的数据, 但是用户数据是非常具有挖掘价值的, 随着用户数据分析策略的升级, 会有很多非结构化的数据作为补充, 所以客户数据可以逐步采用Apache HBase等No SQL数据库, 增加对非结构化数据的支持, 为在大数据平台上实施客户评级、风险监控等策略的升级提供接口。

4.2.2 数据分析技术

实现大数据反洗钱, 最主要的就是在交易数据中识别洗钱行为。中国人民银行对商业银行的反洗钱的要求就是识别和报送大额交易和可疑交易, 使用SQL的方式进行反洗钱数据处理, 是便捷有效的方式。反洗钱相关需求的实施是典型的联机分析处理 (OLAP) , 当前基于大数据平台的OLAP方案主要有Apache Hive、Dremel clones、Spark SQL三种。在技术方案选型时, 当前技术的成熟程度、开源分支的活力和技术演进的方向都需要考虑, 需要从趋势上避开一些不具发展潜力的技术, 比如之前的Shark。

Apache Hive最初由Facebool公司创建, 是第一个基于Hadoop之上的SQL引擎, 且至今仍是最成熟的。Hive主要解决的问题就是为开发人员提供SQL方言来存储和处理Hadoop集群中的数据, 封装了复杂的编程任务, 方便在海量静态数据上做离线分析处理。到目前为止, Hive拥有最完整的SQL功能支持、最为稳定, 并且也是拥有最多贡献者的项目, 事实上大多数SQL引擎都以这种或那种方式依赖于Hive[3]。Hive最初是构建在Map Reduce之上的, 运行稳定但是耗时较多。Hortonworks于2013 年提出Apache Tez引擎以提高Hive性能, Tez使用数据流 (Dataflow) 的方式避免了Map Reduce中间结果的写磁盘读磁盘的性能瓶颈, 提高数据分析的效率。Hive社区于2014年推出了Hive on Spark项目 (HIVE-7292) , 并且在Hive 1.1 版本中正式推出。Hive on Spark在设计时尽可能重用Hive逻辑层面的功能, 从生成物理计划开始, 提供一整套针对Spark的实现。在Hive 1.1 及以后的版本, Map Reduce、Tez、Spark三个引擎可以自由切换。

2010 年, Google公开了《 Dremel : Interactive Analysis of Web Scale Datasets》一文, 提出了PB级数据规模上的“交互式”数据分析系统。在PB级数据规模上, Hive使用Map Reduce作为引擎执行数据处理需要分钟级时间, Dremel只需要秒级。Dremel论文公开后, 外部有很多克隆版本, 比如Facebook Presto、Cloudera Impala和Apache Drill。Dremel Clones没有再使用缓慢的Hive+Map Reduce批处理方式, 而是通过使用与商用并行关系数据库 (Parallel Database System) 中类似的分布式查询引擎, 可以直接从HDFS或HBase中用SELECT、JOIN和统计函数查询数据, 从而大大降低了延迟。然而, 由于流式传输过程中, 中间数据都保存在内存中, 当数据量过大内存无法容纳时, 查询就会失败。Dremel Clones适用于原型阶段的快速数据分析和模型建立, 不适合有复杂处理逻辑的计算, 不适合大数据量的计算。

Spark是一个通用的大规模快速处理引擎, Spark完全跳出Map Reduce的处理模型, 将数据集缓存在内存中, 并用Lineage机制容错, 其弹性分布式数据集 (Resilient Distributed Datasets) 也提供更丰富的编程接口。总体而言, Spark为我们提供了一个全面、统一的框架用于管理各种有着不同性质 (文本数据、图表数据等) 的数据集和数据源 (批量数据或实时的流数据) 的大数据处理的需求。Spark在SQL方面的发展最早是基于Hive的Shark, 由于Shark对于Hive有太多依赖 (查询优化、语法解析等) , 性能提升遭遇瓶颈, 2014 年Spark Submit上Databricks宣布放弃了的Shark的开发, 从此Spark上的SQL就分成两个路线:Spark SQL和Hive on Spark。Hive on Spark可以认为是前端Hive后端Spark, 基于MR或Tez的Hive既有用户可以在原系统与Hive on Spark系统之间轻松切换, 切换工作仅仅只需要简单地修改下配置参数。Spark SQL是一个完整的新引擎, Spark SQL团队吸收Shark的优点重新开发了Spark SQL代码, 使得Spark SQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的提升。Spark SQL在2015 年5 月的1.3 的版本中才走出“Alpha”状态, 是全新的平台, 相对于Hive在功能丰富性和稳定性上还有很多不足。

综合分析各个数据处理平台, 结合商业银行高稳定性、高可用性需求以及大量交易数据和充足的离线运行时间的实际情况, 选用至今最成熟的Apache Hive是商业银行的最佳选择。Hive支持Map Reduce、Tez、Spark三大引擎, 在运行效率和运行稳定性之间有比较大的选择空间。Dremel Clones可以作为辅助分析工具, 帮助调研调试新的反洗钱规则。同时, Spark SQL发展迅速, 也可能成为今后的最佳选择。

4.2.3 数据存储技术

大数据平台的数据存储主要是HDFS和HBase两种。虽然HBase的底层也是基于HDFS, 但是在许多特性上和HDFS是有明显的区别的。

由于HBase是基于HDFS的, 所以HBase也拥有HDFS的高吞吐量、高可伸缩性等特点。实质上, HBase就是在HDFS的基础上增加了基于内存的缓冲区并调整数据查找方式。HBase适用于数据存储和搜索, 但是对于数据分析, 性能会比HDFS差一些, 因为HDFS上典型的访问是顺序I/O, 而HBase上的访问有服务器的socket连接资源消耗和对底层多个文件的合并过程[4]。当前, 有Apache Kudu这样的项目来兼顾数据扫描、随机访问和数据分析的高性能, 避免额外的数据移动, 但是该项目正在处于孵化阶段, 暂时无法在项目中运用。

商业银行反洗钱的主要数据源是交易数据, 辅助数据源为客户、账户信息;同时在数据的ETL处理阶段, 有码值映射表等辅助数据。银行每天业务结束后, 会将数据导入到HDFS中, 以供分析。交易数据是确定不变的数据, 可以使用HDFS来存储;对于客户数据等可变数据, 可以使用HBase存储, 在运行时加载到HDFS中以提高分析速度。如果不考虑非结构化和半结构化的数据, 可以不用HBase直接将所有原始数据存入关系数据库然后统一导入HDFS。

文件存储格式对于数据分析的效率也有很大影响。目前, Hive支持的几种主要的数据格式如下:

相对于纯文本格式和面向行的二进制格式, 面向列的二进制格式性能消耗较大, 但是具有较好的压缩比和查询响应;同时ORC和Parquet还增加了数据的块统计, 能有效减少数据分析的时间。反洗钱业务需要大量的数据分析, 所以分析时采用ORC格式具有比较好的效果。在数据仓库中, 数据会进行分层, 不同的数据层应该根据实际采用不同的数据格式。

数据存储文件也需要配合文件压缩来减少占用的磁盘空间并加速数据在网络间的传输。在反洗钱处理情景中, 主要数据都是交易记录, 使用压缩比和压缩效率比较均衡的LZO或者Snappy皆可。

4.3 大数据反洗钱的应用

4.3.1 大数据反洗钱的架构设计

通过对反洗钱的业务研究和各个数据处理阶段相关技术的对比研究, 确定使用My SQL+HBase的方式来进行数据采集 (不考虑非结构化数据可以全部使用My SQL) ;使用HDFS+HBase的方式实现数据存储。结合反洗钱的实际业务, 对反洗钱整体的架构设计如下:

My SQL集群中存储每天的交易数据和客户数据, 同时维护着一份反洗钱的配置文件。每天业务结束后, 将My SQL中的数据导入到Hadoop处理平台中。Hadoop环境中主要是使用Apache Hive作为数据仓库, 在Hive中进行ETL操作, 将数据整理转换为反洗钱计算的输入, 然后进行反洗钱的数据计算。最后将计算得出的预警结果导出到My SQL中。

就具体的数据分布而言, My SQL主要用于当前操作型事务和少量在线数据应用, 其主要存储系统基础数据、元数据、当前处理数据 (补录数据、案例处理、报告信息等) 等数据。Hadoop是作为数据处理平台 (Hive) 和数据归档平台 (HBase) , 主要存储海量指标数据和历史数据 (交易、报告、客户/账户、评级历史、日志等) 。Hive作为基于Hadoop的数据仓库, 具有天然的易于扩充的海量数据存储能力, 所以存储了所有历史数据, 但是基于Hive的查询操作会很慢, 所以使用HBase来辅助查询。具体的数据流如下:

Hive相关的部分, 是整个系统的数据处理中心, 包括ETL和规则计算。数据源是银行的业务系统每天产生的基础数据, 导出到Hadoop文件系统上;Hive通过Load命令将数据文件加载进入到贴源层, 贴源层与源系统结构一致。数据加载到HDFS后, 需要进行ETL转化, 主要使用HQL语言进行数据整理, 最终在Hive中生成标准数据接口, 然后将数据导入HBase, 以供应用访问。标准数据接口中的数据是全部数据, 使用合适的过滤规则将当日规则计算需要的数据从标准数据模型中取出来, 以缩小需要访问的数据范围。然后就可以进行反洗钱核心环节的处理, 进行大额和可疑规则的计算, 并且生成预警结果, 最后将预警中间结果写到My SQL。

每天的预警结果生成以后, 需要在Mysql中对生成的预警结果进行案例生成, 数据校验等操作, 其中并对部分数据进行补录。对经过在My SQL中补录的业务数据, 如客户信息、账户、交易信息, 归档到Hive中的标准数据接口中, 再同步到HBase中。对经过在My SQL中补录、认定、报送已经接收过回执的数据, 同步到Hive的历史库中, 再同步到HBase中的历史库中。

前台访问主要涉及下面三个操作, 日常的补录、案例分析、报告及报送工作在My SQL中操作;对于查询交易、账户、客户等大数据量数据访问HBase, 通过服务接口;对于归档的历史数据, 通过服务接口访问HBase。

4.3.2 大数据反洗钱计算实现

具体的反洗钱计算如3 所示, 涉及的过程是从“标准数据接口”开始, 到生成“预警结果中间表”结束。主要的计算逻辑就是《金融机构大额交易和可疑交易报告管理办法》中规定的4条大额规则和18条可疑规则, 使用Hive QL根据客户数据和交易数据的特征来识别可疑数据。

在计算过程中, 由于数据量巨大, 全部计算会浪费过多资源, 所以需要根据反洗钱的计算规则提炼出一些过滤规则以减少待计算的数据量。当前使用的是以客户为中心的筛选过滤规则, 具体的过滤逻辑如下:

首先根据当天的交易流水过滤出所有出现过的客户ID (包括对方客户) , 然后计算回顾周期, 最后根据回顾周期从历史数据中筛选出回顾周期内需要计算的数据。以客户为基准过滤非计算数据, 可以有效的避免计算资源的浪费。

反洗钱的计算过程中, 描述性的规则在实施过程中需要量化。一条规则在量化后, 会划分成对公规则/对私规则、本币规则/外币规则等多种不同的子规则。大多数描述可以通过简单的属性划分来完成, 但是有些描述无法通过简单的划分来实现。以中国人民银行的可疑规则第五条为例:与来自于贩毒、走私、恐怖活动、赌博严重地区或者避税型离岸金融中心的客户之间的资金往来活动在短期内明显增多, 或者频繁发生大量资金收付。“短期内资金往次数明显增多”这种行为的识别需要和前期的数据比较得到, 然而每次计算时都统计历史上的交易次数明显是很低效的。为此, 设计了资金收付偏移比这一指标:

其中, “短期”和“长期”都是可调控参数, 针对对公用户和对私用户等不同用户有不同的时间设置。由于分母是日平均交易次数, 可能是远小于1 的值, 这样的值会将偶尔出现的交易放大而出现失真, 所以添加了基数1 来控制敏感度。实际的资金收付偏移比的阈值和上面所列出的指标一样, 也是在参数表中动态配置的, 默认的偏移比阈值是3。长期参数可以定期计算保存, 这样每次计算短期的日平均交易次数既可以获得资金收付偏移比, “短期内资金往次数明显增多”可表示为资金收付偏移比大于阈值, 大大减少计算量。在实际的反洗钱计算中, 还有新账户指标、账户活跃度指标等, 都是为了降低计算复杂度而设立的, 在此就不全部列举。

5 反洗钱发展展望

随着信息科技的发展, 互联网金融等众多新兴的交易模式逐渐增多, 这些新技术在方便普通用户的同时, 也给不法分子提供了新的洗钱手段。因此, 作为反洗钱前沿阵地的商业银行更需要提升反洗钱的能力, 保证金融市场的有序稳定。商业银行提高反洗钱能力, 一方面是反洗钱平台技术的提升, 提高数据处理能力;另一方面就是反洗钱识别策略的提升, 提高数据处理的效率。

在平台技术方面, 通过上文的对比分析, 可以看出当前大数据技术已经从具有处理能力向具有快速处理能力发展, 越来越多的考虑使用内存、固态硬盘等硬件来加速执行过程。Map Reduce、类分布式搜索引擎、Spark等诸多技术的发展, 提供越来越高效的数据分析手段[8]。当前, 类似Kudu、Spark SQL等部分新的技术尚处在初期发展阶段, 暂时不能在商业银行这种对稳定性要求比较高的情况下使用, 但是将来肯定会是数据处理的有力扩充。本文采用的是离线的处理方式, 针对反洗钱的部分规则, 可以采用Storm等流式计算引擎来完成在线实时分析计算, 如果能在秒级别识别洗钱行为, 那么对于整个反洗钱生态都是颠覆性的。

在反洗钱识别策略方面, 商业银行传统的反洗钱监控上报都是基于《金融机构大额交易和可疑交易报告管理办法》, 这一套方式是对过去反洗钱手段的总结, 在应对众多新型交易方式, 难免有疏漏之处。升级反洗钱识别策略, 主要就是引入分类、估计、预测、关联规则、聚类、描述和可视化等数据挖掘技术, 从大量数据中揭示出隐含的、先前未知的并有潜在价值的信息。增强对客户的风险控制, 避免显性检测规则的弊端, 降低反洗钱的识别成本, 提升反洗钱执行效率[9]。本文的反洗钱架构给反洗钱识别策略的升级预留了接口, 可以使用机器学习组件Apache Mahout在HDFS上直接调试部署;也可以使用Hivemall直接基于Hive进行算法的训练部署;也可以使用基于Spark的机器学习系统MLbase及底层的分布式机器学习库MLlib来进行反洗钱新策略的训练升级。尽管近年来在反洗钱识别策略方面的研究取得不少进展, 但总体来讲“框架研究多, 具体方法研究少;理论研究多, 结合具体场景研究少”, 目前并没有切合实际的方案, 但这是反洗钱的必然发展方向。

6 结语

随着全球经济信息化不断加快, 洗钱犯罪也呈现出更加多变、隐蔽的特点。商业银行作为反洗钱的前锋, 承担着反洗钱工作的重要职责。大数据时代的海量数据不仅给商业银行的反洗钱带来巨大压力, 同时也给整个金融市场带来了全面提升反洗钱效率的契机。

本文从当前商业银行的反洗钱技术在数据处理能力不足的角度出发, 分析了商业银行的反洗钱业务需求, 并对比总结了当前大数据相关技术在反洗钱场景下的优缺点和适用情况, 根据实际的业务情况提出一套实用的可扩展的大数据的反洗钱处理框架, 并且在反洗钱计算部分提出了优化意见, 最后讨论了反洗钱发展的两个方向。相信在不久的将来, 大数据技术将和反洗钱碰撞出更多的火花。

参考文献

[1]维克托, 迈尔.舍恩伯格 (Viktor Mayer-Schonberger) , 肯尼思库克耶 (Kenneth Cukier) .大数据时代[M].2013.

[2]毛宇星, 张成洪, 凌鸿.商业银行反洗钱信息系统现状及研究进展[J].金融论坛, 2014, 11:012.

[3]王正也, 李书芳.一种基于Hive日志分析的大数据存储优化方法[J].软件, 2014, 35 (11) :94-100.

[4]Capriolo E, Wampler D, Rutherglen J.Programming hive[M]."O'Reilly Media, Inc.", 2012.

[5]欧阳卫民.我国反洗钱若干重大问题 (下) [J].财经理论与实践, 2006, 27 (4) :2-9.

[6]Dimiduk N, Khurana A, Ryan M H, et al.HBase in action[M].Shelter Island:Manning, 2013.

[7]White T.Hadoop:The definitive guide[M]."O'Reilly Media, Inc.", 2012.

[8]杨剑宁, 蔺坤, 王翊新, 等.大数据项目的部署分析[J].软件, 2013, 34 (12) :247-248.

[9]程陈.大数据挖掘分析[J].软件, 2014, 35 (4) :130-131.

大数据商业应用的未来 篇2

2015年,国务院印发《促进大数据发展行动纲要》,明确系统部署了大数据发展工作。

2015年,国务院办公厅出台《关于运用大数据加强对市场主体服务和监管的若干意见》要求“充分运用大数据先进理念、技术和资源,加强对市场主体的服务和监管,推进简政放权和政府职能转变,提高政府治理能力”。

2016年,国家“十三五”规划纲要明确指出,实施国家大数据战略,把大数据作为基础性战略资源,全面实施大数据发展行动,加快推动数据资源共享开放和开发应用,助力产业转型升级和社会治理创新。

2016年,住房和城乡建设部发布的《2016~2020年建筑业信息化发展纲要》指出,全面提高建筑业信息化水平,增强大数据应用能力。

浅谈大数据背景下的商业应用 篇3

【关键词】 大数据 经济 金融 应用

如今是一个信息爆炸的网络时代，我们每天都被浩瀚的信息海洋包围着，不管白天还是黑夜，只要世界上还存在着电，新的数据每时每刻都在产生，以致于我们个人根本来不及消化如此庞大的数据信息，诸如我们每天面对的社交信息、媒体信息、知识文本信息等，于是我们只选取我们所感兴趣的信息，而这种个人偏好对于商业而言则具备极大的商业价值。个人偏好的获取又需要从庞大的、杂乱无章的用户数据中分析挖掘，因时而生的大数据及其应用便理所应当地成为了这时代下企业的新宠儿。

一、大数据时代

1.1大数据概述与特点

大数据的具体概念可以追溯到2001年IT领域的著名机构Gartner。大数据通常用来形容庞大的数据集合，且包含着大量的需要更多的实时分析的非结构化数据，即是说，大数据是无法在合理时间内通过常规软件工具进行收集、分析处理和管理的大量数据的集合。广义上的大数据特点通常总结为“4V”（Volume、Variety、Velocity和Value），即大数据具有规模大、种类多、生成速度快、价值巨大但密度低的特点。

Facebook的副总工程师杰伊·帕瑞克曾言：“如果不利用所收集的数据，那么你所拥有的只是一堆数据，而不是大数据”。因此从中可以看出大数据最为核心的问题，就是如何从规模巨大、种类繁多、生成快速的数据集中挖掘出其潜在的价值。

1.2大数据的价值

在大数据时代下，各个学科领域所产生的数据量相比于过去的20年里已经发生了惊人的增长，这也就意味着各个领域的长远发展都必将基于更大的数据量来进行开拓。例如，科研机构将借助现有的大数据业务协助进行探索研究，为其提供数据支持；制药企业将可以通过其自身构建的大数据平台来统计药品实验和分析结果，为药品的改良和制造降低成本。当然，大数据的价值完全是由对大数据分析的结果决定的，任何数据不经过分析的话都无法将数据背后的价值切实地应用到实际生产当中。

二、大数据的典型商业应用

2.1 电子商务领域

随着“互联网+”国家战略的逐步推进，大数据技术必定能为传统行业的转型和产业升级提供重要的推进力。而基于互联网的电子商务领域恰巧是大数据应用的典型代表。以阿里巴巴集团旗下的淘宝为例，每天成千上万个交易信息都被淘宝的数据平台记录，将这些大量的交易信息与用户个人信息结合分析即可得出淘宝购物平台上各行业的宏观情况、各品牌的市场占有率以及消费者行为偏好等，淘宝上的各商家就可以根据这些数据决定产量和库存，避免产能过剩，进而辅助企业进行决策。具体而言，在市场方面，利用大数据关联分析，结合消费者偏好可以挖掘出新的商业模式；运营方面，可以优化劳动力投入，准确预测人员配置要求，降低人力成本；供应链方面，通过大数据进行库存优化、物流优化，可以缓和供需之间的矛盾，减少资源的浪费[1]。此外，淘宝也通过这些数据分析的结果，将顾客细分，更加精准地分析出顾客的需求并预测顾客的消费行为，于是许多大众用户往往会在网上购物时准确地购买到其心仪的商品，甚至，有些用户也会购买额外的推荐商品。而正是由于这种基于大数据而得出的便利性，会使得用户对于企业产生依赖，因而也增强了企业竞争力。

2.2 金融领域

金融业务非常依赖于数据的收集来计算其成本、风险。大数据的应用能使金融业对中小企业的日常交易数据进行有效分析进而得出其经营情况和财务管理情况，判断出中小企业的财务健康度，为金融业投资提供预测，优化。再以阿里巴巴集团为例，阿里信用贷款是通过阿里巴巴集团所掌握的企业交易数据，借助大数据分析并判定出是否应对申请贷款的企业发放贷款。截至2014年，阿里信用贷款累计投放纯信用贷款超2100亿元，坏账率不足1%，远低于商业银行。同时，在互联网金融中应用大数据，能够有效的促进资源优化配置，促进投资、融资双方的信息发布、交流、匹配，而不需要银行、证券等中间部门参与[2]。例如Google公司通过在线荷兰式的方法进行拍卖而不需要传统的投行路演、询问报价的方式。经过优化配置的资源将能更快速、更便捷地到达企业手里，对互联网金融的发展水平有非常大的提高。

三、结语

大数据技术对于商业应用的价值从目前世界上各大公司对其的投资比重就可窥见一斑，而且，随着奥巴马于2012年3月发布的《大数据研究和发展倡议》，国际上也逐步启动了大数据计划，由此可以预见大数据的应用将会越来越广泛，大数据时代下的商业应用也会使得资源的配置更加合理，会更有利于当前我国的产业升级和经济转型。

参 考 文 献

[1] 张引，陈敏，廖小飞. 大数据应用的现状与展望[J]. 计算机研究与发展，2013，S2：216-233.

大数据商业应用的未来 篇4

关键词：商业银行,营销,大数据

一、大数据时代的特点

对大数据的定义, 尚未统一。较为普遍使用的定义是:大数据是指普通数据库难以获得、存储和分析的海量数据 (Lovatt, 2014) 。在大数据时代下, 银行对这些海量数据进行分析, 设计开发并推介有巨大价值的产品和服务。大数据时代的特点包括:

(一) 商业经营模式改变

因为大数据及其价值的发现, 现有商业经营模式发生变革, 商业领域重新洗牌。传统商业决策大多基于经验和直觉, 而在大数据时代下, 商业决策行为将日益基于数据信息和信息模型分析而做出。大数据时代下, 数据信息成为可以创造经济利益的重要资本投入 (罗尓豪;姬建峰, 2011) 。一方面, 手中握有数据信息的公司, 基于数据信息交易即可产生很好的效益 (李欣, 2012) 。在这一点上, 大型银行凭借海量的客户信息和交易数据, 占据了商业优势;另一方面, 因为大数据具有高速性和价值性, 使得大多企业不具备处理大数据的能力, 而拥有数据信息模型分析技能的企业开始成为业界的领先者。

(二) 消费者行为的可预测性

在大数据时代, 大数据技术将数字算法运用到海量的数据上, 有效加大了消费者行为的可预测性 (樊永梅, 2012) 。在大数据时代, 消费者的行为模式被量化 (Patrick, 2012) 。从商业银行营销角度来说, 大数据让银行营销人员更了解客户, 更能预测客户的行为。巨大的数据信息储量, 和先进的数据处理技术, 使营销变得更有效率。使银行能以更少的投入, 更为精准地, 找到的目标客户, 从而有效提高营销回报率。

(三) 银行信息监管严格化

大数据时代下, 银行信息监管发生了改变。对于这一论点, 国内外学术界有两个截然不同的观点。多数国内学者认为, 大数据时代, 银行监管将从审慎监管转变为消费者利益监管。由于银行有信息资源优势, 在处理信息不对称方面, 银行的客户处于相对的弱势 (青峰, 2012) 。对此, 部分海外派学者持不同观点。他们认为大数据时代产生了一种新的“信息鸿沟”, 而信息的主动权掌握在消费者手里 (曲波, 2012) 。

二、国外商业银行营销模式的演变以及信息应用

在商业银行营销流程中, 银行需要两类信息, 一是用于指导活动设计的信息, 即事前信息;二是监测活动运营情况的信息, 即事后信息。对商业银行营销发展的研究, 国内外均有大量文献, 但从信息使用角度出发的研究屈指而数, 特别是在中国国内, 该领域的研究近乎空白。本小节将综述国内外商业银行营销的发展, 并分析得出在这些阶段中信息的应用情况, 作为大数据时代下营销流程信息应用研究的基础。

Schultz (2012) 将欧美发达国家发展商业银行营销分为五个阶段:

(一) 广告促销阶段

相对于批发零售等其它行业, 银行营销起步较晚。直到20世纪50年代末期, 金融机构间竞争加剧, 银行开始采用广告和促销的方式吸引消费者 (Schultz, 2012) 。在广告和促销阶段, 银行营销的概念还很淡薄, 它仅仅是广告和促销的代名词。同时, 在这个阶段, 银行使用的信息非常有限。银行仅仅是根据自身生产开发的产品和服务本身的信息进行推销。

(二) 微笑服务阶段

微笑服务阶段。由于广告和促销极易模仿, 竞争优势不显著, 在60年代中期, 商业银行开始探索新的营销模式, 即营造友好服务氛围, 增强客户忠诚度。在这个阶段, 银行开始注重服务, 强调员工的服务意识, 并通过对室内设计, 规范员工办事风格等, 将银行服务具体化 (Schultz, 2012) 。这个阶段, 银行不仅关注产品和服务携带的信息, 也开始量化员工服务质量等信息。

(三) 金融创新阶段

60年代后期, 不少银行家开始提出营销的出发点是客户的需求, 而商业银行也开始意识到只有不断满足客户的需求银行才能生存和发展。因此, 在这一阶段, 商业银行不断从创新的角度向客户提供新的金融产品。信用卡、共同基金、货币互换、利率互换都是在这一阶段设计出来的 (Schultz, 2012) 。在这一阶段, 银行信息使用范围有了质的扩大, 银行不仅关注内部产品和员工数据信息, 更是把目光投向了外部消费者, 开始研究消费者, 获取他们的需求信息。

(四) 服务定位阶段

无论是广告促销还是产品创新, 这些都是极易被模仿的。在服务定位阶段, 即70年代, 银行开始意识到创造独有的, 不易被复制的特殊竞争优势的重要性。在这个阶段, 商业隐含放弃了全能银行的目标, 有选择地放弃一部分客户。通过市场细分和市场研究, 给自己定位, 推出特定的服务产品, 服务特定的客户群体 (Schultz, 2012) 。为了更好的细分并定位客户, 在这一阶段, 银行对客户信息的数量和质量都有了更高的需求, 银行从不同渠道获取多样化的客户信息。

(五) 系统营销阶段

80年代后期, 西方发达国家商业银行营销模式均趋于完善, 而银行家们开始探索建立一个综合控制系统, 一方面协调内部各部门, 另一方面反馈外部信息。Schultz (2012) 认为, 在该阶段, 银行营销模式已经达到现代工商业市场营销的发展水平。而在该阶段银行追求的也不再仅仅是营销活动前的决策信息, 和活动进行过程中的绩效信息, 银行开始设计一个能让信息在整个企业, 不仅仅是营销部门, 之间流动的完整的信息系统。

三、 中国商业银行营销模式的演变以及信息应用

王东煜 (2012) 依据中国银行体制改革, 将国内商业银行营销模式的发展分为四个阶段:无营销阶段 (1984之前) , 市场分割阶段 (1979-1984) , 改善服务与促销阶段 (1984-1992) 和创新阶段 (1992年至今) 。本文在此基础上, 参考重大金融事件, 将国内商业银行营销模式的发展分为五个阶段。通过研究这五个阶段, 分析得出其中的信息应用情况。

(一) 无营销阶段

在1978年之前, 人民银行的智能相当于国家的出纳, 因此不存在经营和营销的问题。1979年到1984年之间, 四大国有行, 工农中建, 相继成立, 开始了对金融市场的分割。但是, 这一阶段, 金融市场是强势的卖方市场, 银行之间没有竞争, 因此依然不存在营销的问题 (王东煜, 2012) 。因此, 在这个阶段, 银行也不需要主动获取信息, 只需要接受国家的政策指示。

(二) 改善服务与促销阶段

1984年之后, 商业银行与中央银行职能分离, 国有四大行职能开始转变。于此同时, 交通银行, 中信银行和招商银行的相继成立, 进一步加剧了银行之间的竞争。在这个背景下, 商业银行开始注重服务和促销活动, 开启了国内商业银行营销的序章 (王东煜, 2012) 。同国外银行广告促销阶段一样, 这个阶段, 银行使用的信息非常有限。银行仅仅是根据自身生产的产品和服务本身的信息进行推销。

(三) 产品服务创新阶段

1992年, 国有四大行实行商业化, 并逐步推向市场。面对其它金融机构和银行间的竞争, 商行开始重视服务创新和金融产品创新, 并开始运用一些营销策略, 如形象塑造、品牌创建业务功能推广等 (王东煜, 2012) 。在该阶段, 银行开始尝试获取消费者的需求信息。

(四) 市场细分阶段

国内商业银行初期的营销没有细分的概念。但随着竞争的加剧, 特别是在2001年, 中国加入WTO之后, 外资银行大举登陆。激烈的外来竞争要求国内商业银行迅速提高营销水平。巨大的压力迅速自我定位, 开展特色服务 (王立新, 2012) 。从该阶段起, 银行对信息的需求, 特别是客户信息, 迅速增加。

(五) 渠道手段创新阶段

08年的金融危机冲击了我国经济发展, 却也给我国商业银行的壮大带来了机遇。08年之后, 国内商业银行加大营销渠道和营销手段的创新, 从不同渠道获取信息, 营销活动也开始向深度发展。在渠道方面, 商行着力发展电话银行, 网上银行。以补充营业网点的补充 (王立新, 2012) 。于此同时, 商行在营销手段上也不断创新。对公业务营销从单一的机构营销发展为整体联动营销, 总对总营销, 在证券保险以及航空等领域则实行了全行联动营销。 (王梓萌, 2012) 。不难发现, 渠道手段创新阶段是西方商业银行系统营销阶段的雏形。从该阶段其, 国内商业银行信息获取开始真正走向多样化。通过综述, 对比国内外商业银行的营销模式发展状况, 和信息使用状况, 可以得出, 中国商业银行的营销尽管起步较晚, 信息使用能力较弱, 但发展速度快。大数据时代的到来引起了商业银行营销模式的变革, 对国内商业银行来说, 是机遇也是挑战。

三、大数据时代的信息分析研究

对于大数据时代的信息分析研究, 国内近乎处于空白状态。国外的研究主要有四个方向, 主要针对商品零售业, 通讯服务业:分别是媒体战略研究 (Fulgoni, 2013) , 网络分析刻画客户 (Schultz, 2013) , 商业分析研究 (Krajicek, 2013) 和精准营销研究 (Lovatt, 2014) 。

(一) 媒体战略研究

从战略的高度理解大数据信息技术对社会, 经济和文化的影响, 分析企业媒体战略开发和实施的具体细节, 和可能遇到的问题。旨在寻找实效的媒体战略实施细节和战术要点 (Fulgoni, 2013) 。

(二) 网络分析刻画客户

搜集网络信息, 将现实网络加以定量分析, 并利用计算机技术刻画客户特征, 识别高价值的客户, 以支撑企业的市场经营决策管理 (Schultz, 2013) 。

(三) 商业分析研究

阐述企业如何运用商业智能实现技术、业务、流程三方面的有机整合。具体包括分析数据信息, 把数据信息看做战略资源;在流程方面, 进行商业分析的完善和优化 (Krajicek, 2013) 。

(四) 精准营销研究

针对商业分析人员和客户分析人员, 基于企业总体战略, 聚焦客户关系管理系统 (CRM) , 围绕客户获取、客户保持以及客户价值提升等客户关系管理问题, 运用数据库, 市场调查及专家访谈等数据信息, 探究商业分析和客户分析的内容与方法 (Lovatt, 2014) 。

参考文献

[1]Fulgoni, Gian.Big Data:Friend or Foe of Digital Advertising?Five Ways Marketers Should Use Digital Big Data to Their Advantage[J].Journal of Advertising Research, 2013, 12:Vol.53, p372-376

[2]Dev, Chekitan S.;Schultz, Don E.Simply SIVA[J].Marketing Management, 2005, 08:Vol.14, p36-41

[3]Krajicek, David.Making Big Data Actionable[J][1]Marketing Insights, 2013:Vol.25, p8-9

[4]Lovatt, Iain.How big data can enable creativity[J].Marketing Week, 2014, 02:p6-7

[5]Schultz, Don E.;Dev, Chekitan.Revisiting the Marketing Mix[J].Marketing Management, 2012, 07:Vol.21, p45-47

[6]王东煜, 跨媒介传播数据为先, 2012年互联网营销新思路[J].声屏世界·广告人, 2012, 09

[7]王立新, 大数据爆发前夜需度过两大瓶颈[J].网络与信息, 2012, 08

大数据商业应用的未来 篇5

在“大数据”时代，以互联网为代表的现代信息科技将从根本上改变现代金融运营模式。数据海量化、多样化、传输快速化和价值化等特征，将给商业银行市场竞争带来全新的挑战。面对这场“数据地震”，银行业如何因时而变、顺势而为？如何以高质量的数据和强大稳定的数据分析能力，开发出丰富的数据应用，为客户提供智能性和针对性服务？如何从战略和实施两个层面，深化金融大数据应用，使之迅速转化为产业竞争力？日前，北京银行董事长闫冰竹就此话题接受了本报记者的专访，他认为，未来的商业银行要深入数据价值链核心，从数据中获得洞察力，从数据中攫取价值，从数据中赢取未来，引领传统模式变革，用创新的理念和行动主动拥抱“大数据”时代。

记者：海量数据的爆炸式增长，对于商业银行而言意味着什么？您觉得将为银行带来哪些发展机遇？

闫冰竹：作为信息革命的第二个高潮，“大数据”的高速发展，使银行业的客户数据、交易数据、管理数据等均呈现爆炸式增长，为商业银行创造变革性价值提供了条件。

更广阔的业务发展空间。我国商业银行提供的服务和产品存在较大的同质性，但比较竞争优势要求银行突破同质性，实施差异化战略。社交媒体的兴起为银行创造了全新的客户接触渠道，来自银行网点、PC终端、移动终端、传感器网络传来的结构化、非结构化的海量数据，为银行创造了深化客户挖掘、强化交叉销售、加快产品创新的广阔空间。数据的成功应用，将为银行创造先发竞争优势，打造不可复制的核心竞争力。

更精准的决策判断能力。在信息时代，人类社会面临的中心问题将从如何提高生产率转变为如何更好地利用信息来辅助决策。对于银行而言，“大数据”将使银行决策从“经验依赖”向“数据依据”转化，将在深入了解和把握银行自身乃至市场状况的基础上，更加科学地评价经营业绩、评估业务风险、配置全行资源，引导银行业务科学健康发展。

更优秀的经营管理能力。“大数据”将掀起银行业的精细化管理革命和竞争。关于资产、负债、客户、交易对手及业务过程中产生的各种数据资产，在风险控制、成本核算、资本管理、绩效考核等方面发挥着重要作用，充分利用数据分析技术将是银行制胜的关键。“数据-信息-商业智能”将逐步成为银行定量化、精细化管理的发展路线，为有效提升服务能力提供强大支撑。

更突出的风险防控能力。在“大数据”时代，银行将采用数据分析技术实现风险精细化管理，基于客户动态行为以及客户静态财务数据，量化客户违约可能性，从而有效做好风险预警。同时，银行运用量化技术实现客户信用评分，信用风险、流动性风险、利率风险等风险的精细化管理，通过精确计量风险及资本，实现资本使用效率的最大化。

记者：“大数据”浪潮汹涌来袭，传统银行业是否能在这个新的时代适者生存？银行业服务及管理模式将受到怎样的冲击和挑战？

闫冰竹：随着“大数据”的深入发展，金融服务也将逐渐虚拟化，银行业传统的服务形式、管理方式及运营模式乃至金融版图均有可能发生根本性改变。

金融竞争版图面临重构。大量的数据来源和强大的数据分析工具催生出很多新的金融业态来切入金融服务链条，瓜分银行信贷市场，不断地利用自身技术优势和监管盲区占得一席之地。与传统银行相比，这类金融业态在信息收集、信息处理、产品交付以及风险防范等方面都具有优势，其提供的金融服务已经从简单支付渗透到了转账汇款、小额信贷、现金管理、资产管理、供应链金融、基金和保险(放心保)代销等银行核心业务领域。预计到2015年，中国第三方支付交易规模将达到13.9万亿元。在金融脱媒的背景下，这种渗透意味着金融业和互联网企业的转型方向出现了战略重叠，均朝着“金融服务方案提供者”这条高附加值的路线进军。

数据驾驭能力面临挑战。“大数据”时代首先对银行的数据驾驭能力提出了全新的挑战。在数据收集方面，银行不仅要收集来自网点、信贷等传统渠道的结构化数据，还要收集来自物联网、互联网、机构系统的各类非结构化数据，甚至还要与历史数据对照，非结构化数据收集模式将彻底颠覆银行数据收集理念。在数据存储方面，要达到低成本、低能耗、高可靠性目标，通常要用到冗余配置、分布化和云计算技术，但这正是银行所欠缺的。在数据处理方面，有的数据涉及上百个参数，难以用传统的方法描述与度量，处理的复杂度相当大，如客服录音数据等。利用“大数据”的能力将成为决定银行竞争力的关键因素。

商业运营模式面临变革。随着数据化和网络化的全面深入发展，金融服务虚拟化将是大势所趋。一是产品虚拟化，金融IC卡的推广应用，正在逐步提升银行的电子化发展进度，银行资金将越来越多地呈现为各类数据信号的交换，电子货币将与实物货币并驾齐驱。二是服务虚拟化，“善融商务”、“交博汇”以及中信金融商城等银行电子商务平台不断启动，“鼠标”银行、电子银行成为未来趋势。三是管理虚拟化，银行业务中的各种单据、凭证等将以数字文件的形式出现，网络成为重要的管理通道，电子化、数据化的管理模式更加方便快捷。传统的商业银行运营模式将逐渐消融在数据化的洪流里，借助“大数据”手段，实现跨越式发展，成为未来商业银行可持续发展的唯一选择。

记者：有人说，当前互联网变得很快，再大的企业，不跟上时代，一夜之间轰然倒塌也是可能的。您认为，商业银行应该如何利用“大数据”实现战略转型和可持续发展？

闫冰竹：数据时代，适者生存。未来的商业银行要参与到深入数据价值链核心，从数据中获得洞察力，从数据中攫取价值，从数据中赢取未来，引领传统模式变革，用创新的理念和行动主动拥抱“大数据”时代。

在理念上，强化“数据治行”。“大数据”革命必将颠覆银行传统观念和经营模式。要强化“数据治行”理念，建立分析数据的习惯，重视“大数据”开发利用，提升全行的质量管理、数据管理，真正做到“人人心中有数”。要营造“数据治行”文化，倡导用数据说话，准确描述事实，反映逻辑理性，将现有数据转化为信息资源，为高层管理和决策提供强有力依据，让决策更加有的放矢，让发展更加贴近真实市场。

在手段上，建设“数据仓库”。着眼于“大数据”挖掘和分析，对海量数据持续实时处理，建设数据仓库项目，为服务质量改善、经营效率提升、服务模式创新提供支撑，全面提升运营管理水平。在项目建设中，通过梳理整合经营管理关键数据，建立数据管控体系、搭建基础数据平台。通过数据仓库建设，运用数据挖掘和分析，全方位调整管理模式、产品结构、营销模式、信息战略，从根本上提高风险管理、成本绩效管理、资产负债管理和客户关系管理水平，实现多系统数据的业务逻辑整合，形成全行级客户、产品、协议等主题数据。在渠道上，建设“大数据平台”。积极推动传统业务渠道与移动通信、云计算等新兴业态纵向整合、横向渗透，促进信息集中、整合、共享、挖掘。一方面要“走出去”，与移动网络、电子商务、社交网络等“大数据平台”完美融合，开展“大数据”分析，为客户提供开放服务平台。另一方面要“请进来”，与数据分析专业厂商合作，对数据存量进行综合处理与分析。建立完善内容涵盖全面、功能丰富齐全，集网上贸易服务、网上保理、电子商业汇票、票据池、应收账款池融资、在线融资等为一体的综合供应链金融服务体系，为客户提供触手可及的全方位贴身服务。

在目标上，建设“智慧银行”。智慧银行是能够通过内外兼修，准确应对、快速应变、有机处理繁杂数据，高效配置金融资源，敏锐洞察并引领客户需求的高度智能化金融商业形态。学会运用网络化的专用资本，从传统有时限的金融服务向全天候服务转变，这也正是未来银行转型的重要抓手。打破传统物理网点的地域限制，提供“银行始终在客户身边”的全场景金融服务。改变传统的以银行为中心的服务模式，提供差异化、个性化产品和服务，为

客户提供定制化服务。整合柜员、客户经理、自助设备、网银、手机或移动终端等各类渠道，彻底打破地域和时间限制，提供一点接入、全程响应的智能化渠道服务，为客户创造最佳服务体验。

记者：作为中小银行领头羊，北京银行在“大数据”探索方面走在同业前列，可否简要介绍一下实践成果？

闫冰竹：面对“大数据”蓬勃发展带来的挑战与机遇，北京银行明确提出实施科技引领战略，以更加积极和开放的心态拥抱“大数据”，努力升级传统商业模式，打造“全能智慧银行”。

一是率先推出直销银行模式。北京银行通过与境外战略合作伙伴荷兰ING集团深度合作、精心研发，正式开通直销银行服务模式，此举标志着国内第一家直销银行破土萌芽。二是积极加强跨领域合作。近期北京银行与小米公司签署移动互联网金融全面合作协议。双方将在移动支付、便捷信贷、产品定制、渠道拓展等多个方面探讨合作，未来将基于小米公司的互联网金融平台探索综合金融服务，为客户带来方便快捷的支付体验、及时安全的购买体验和简单精准的个人金融服务体验，提升市民生活品质。三是着力打造网络链品牌。针对中小企业融资难、融资慢等特点，北京银行推出网络供应链品牌“网络链”，并与第三方支付快钱清算信息有限公司签署了全面战略合作协议，着力打造互联网供应链金融。四是不断扩展多元服务渠道。面对日新月异的互联网新技术，北京银行紧跟时代步伐，为客户多渠道、立体化搭建金融服务平台，包括网上银行、手机银行、电话银行、自助银行、微信银行等。记者：北京银行从设立直销银行、携手小米公司等方面进军互联网金融。面向未来，北京银行在互联网金融方面有什么样的战略布局和规划？

闫冰竹：大数据开放、互动的特性，将根本改变金融业生存模式，差异化、流程化、专业化的金融服务将成主流。作为北京银行，将放眼未来，主动作为，用敏锐的战略眼光审时度势，以互联网思维、金融思维、全球化思维为引领，打造互联网金融亮丽品牌。

以差异化定位贴近客户服务需求。北京银行将积极打造“服务领先型的直销银行”，加强与小米公司等科技型企业在移动支付、便捷信贷、产品定制、渠道拓展等方面的合作，以优质的产品和服务满足客户多样化的金融需求。实施“客户下沉”发展战略，将主要服务对象定位于数量最广大的大众零售客户和小微企业客户。针对不同客户定位，建立专属化产品体系，开发实惠、简捷、透明、安全的专属金融产品，提供多样化、差异化金融服务，打造鲜明的竞争特色。

以流程再造提升金融服务效能。北京银行将进一步以客户为中心、以市场为导向，持续推进组织架构变革和业务流程再造，实现经营集约化、管理专业化、营销系统化和服务标准化。通过理念创新、模式创新、流程创新，以较低的营运成本、高效率的营销和跨市场的服务，创造出更多价值。深入挖掘传统银行业务产品与互联网的结合，构建综合化的客户互联网金融服务平台，全面搭建“平台+数据+科技”的新型金融生态链。

以战略合作拓宽全新服务视野。进一步加强与境外战略合作伙伴ING集团的深度合作，寻求更深层次、更广范围的技术援助，不断拓展银行的经营边界，为广大客户提供全自助、全流程、全方位的现代化服务。将国际先进的服务理念和管理理念嫁接到实际经营管理中，深入思考“为谁提供服务”、“提供什么服务”、“如何提供服务”这三个问题，以超前的战略思维把握“大数据”发展先机，引领发展潮流。

以专业制胜打造特色服务品牌。北京银行将紧跟时代步伐，拓展营销模式，强化服务功能，延伸服务手段，提升专业服务能力。从服务体验、服务方式等多个维度加强建设，通过提供线上和线下融合、互通的渠道服务，为客户提供更有效率、更有内涵的金融服务。通过循序渐进的方式，构建一种完全脱离物理网点的24小时全天候服务模式，让我们的服务贴近客户、贴近市场，真正打造能够准确应对、有机处理繁杂数据，高效配置金融资源，敏锐

教育大数据的未来 篇6

啤酒和尿布是顾客群完全不同的商品, 但沃尔玛一年内数据挖掘的结果显示, 在居民区中尿布卖得好的店面, 啤酒也卖得很好。原因其实很简单, 一般太太让先生下楼买尿布的时候, 先生们一般都会犒劳自己两听啤酒。这个故事被公认是商业领域数据挖掘的诞生。在健身馆里, 教练可以根据你的年龄、性别、体质等要素, 制订符合你要求的个性化健身方案, 依此锻炼, 会更有效。

那么, 我们的课堂教学能够如此吗?根据每个学生的水平、接受能力, 有针对性地做个性化解决方案, 岂不是更有利于提高学习效率、减轻学习负担, 进而提高成绩吗?以平板电脑为载体, 收录课本内容和课后习题, 对学生做题习惯、计算能力和速度, 甚至是学生的性别等数据进行个性化分析, 在课前、课中、课后、考前、考后, 为学生提供适合其本人综合素质的个性化学习方案, 从而帮助教师找到教学侧重点, 提高教学质量。这就是浙江浩浪科技集团CEO俞乃博先生日前在上海参加“2012长三角地区中小学电子书包创新教学应用研讨会”期间描绘的美好愿景。

目前, 这样的教学模式已在杭州二中实验多年, 教学效果不错。“未来校园”也叫“智慧校园”, 是一款专为学习设计的软件, 功能很多。学生做作业, 比如选择题, 填写答案提交后, 系统能立即判断对错。错题信息同时录入后台系统, 成为理科生最常用的电子“错题集”。经过一段时间的做题, 系统会分析出全班学生常犯错的地方, 以及不同学生的差异等细致数据, 教师就能进行有针对性的教学。系统也会根据学生做作业时常犯的错误, 给每位学生“量身”布置作业。这样的智能软件竟然出自一位85后董事长领导的团队。

俞乃博, 浙江浩浪科技集团董事长兼CEO, 19岁就成为计算机高级工程师, 2011年夏季达沃斯论坛荣获全球杰出青年称号, 首任杭州高新区 (滨江) 青年创俱乐部主席, 首个获得YBI (青年创业国际计划) “年度企业家奖”的中国人。YBI赛区, 30多个国家200多位优秀青年带着各自的梦想和计划聚首伦敦, 俞乃博以其出众的商业计划和创新的商业模式, 毫无悬念地夺得了年度企业家大奖, 他得到了巴克莱投行首席执行官瑞克瑞慈的高度评价, “在传统教育上的创新与发展让他与众不同”, 使他最后征服了评委的心。

俞乃博认为, 当下中国教育面临的主要问题是有太多没用的资源, 而缺乏的是优质资源, 如精品微课程。好老师少而集中, 且培养成本高, 优质资源在各校间的不共享也影响了教学质量的提升;而效率低则是教育的另一根软肋。俞乃博在“2012长三角地区中小学电子书包创新教学应用研讨会”的发言中还说, 现在的学生和家长除了找好老师好学校, 还在苦恼着如何能够“少学一两个钟头”, 这是现在低下的学习效率所导致的。所以, 创业者应该通过现象去了解问题, 并且思考解决方法, 考虑用户需要才能创造出受欢迎的产品, 并且提高社会生产力。

大数据时代的商业法则 篇7

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。

大数据背景下商业模式的变革 篇8

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

大数据商业应用的未来 篇9

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) .

大数据商业应用的未来 篇10

国际数据公司 (IDC) 对大数据的定义是:通过高速捕捉、发现或分析, 从大容量数据中获取价值的一种新的技术架构。大数据具有总量大、产生速度快、多样化及精确性4V特点 (即Volume、Velocity、Variety、Veracity) 。大数据的核心是建立在相关关系分析法基础上的预测, 其精髓是:分析更多数据甚至全部数据而非抽样、追求效率而非绝对精确、重视相关而非因果。

2“大数据”与颠覆性创新

2.1 大数据时代的思维变革

计算机时代的核心是计算能力, 目的在于提高对数据的处理能力;互联网时代解决了信息移动和连接的问题;而大数据时代, 可将世界万事万物通通数据化, 让人们在数据利用中优化现实操作和行为, 令全球系统的运行更为高效。牛津大学教授舍恩伯格在《大数据时代》一书中介绍了大数据时代的思维变革, 强调全体数据而非随机样本, 不是精确性而是混杂性, 以及不是因果关系而是相关关系。

2.2“大数据”引致的颠覆性创新领域

继计算机、互联网后, 人类正在进入“大数据时代”现代信息社会, 大数据正开启一次重大的时代转型。在诸多领域, 大数据浪潮正在引致颠覆性创新 (破坏性创新/Disruptive innovation) , 即通过引入与现有产品相比尚不够好的产品和服务, 或者提供比较简单更加便利与廉价的产品, 吸引处于次要市场上不太挑剔的消费者, 甚至是非消费者。大数据引致的的变革或颠覆性创新出现在以下几个领域:

(1) 医疗健康领域, 以往的标准化平均值治疗将向精确化、数字化医疗转变。 (2) 制造业领域, 以3D打印为代表的数据化制造, 是一种个性化的、全新的制造方法, 它不需要模具, 就能够做到不同材料的无缝对接, 甚至以往难以制造的东西 (比如人体器官) , 也可以通过数据化方式还原制造。 (3) 金融、航空等行业将完全电子化, 比如依托大数据, 可以准确预测机票价格的走势。 (4) 军事安全领域, 军事安全的后台支持, 卫星系统、数据分析系统等对各类数据的要求更高, 对大数据的依赖更高, 也有可能是最先实现突破的领域。 (5) 互联网行业, 互联网未来可能向数据服务业迁移, 以往通过网站服务、APP赚钱的方式, 将是极小的分支。

2.3 基于大数据的商业模式创新维度

从企业层面, 商业模式创新将揭示“大数据”在企业价值主张创新、关键业务与流程创新、收益模式创新、外部关系网络与价值网络重构中的运用;从“大数据”产业链层面, 商业模式创新将沿大数据产品价值链的横向延伸、大数据技术产业链纵向定位与整合界定基本商业模式类型, 洞悉以提供完整解决方案为导向的商业模式创新趋势;从行业层面, 商业模式创新提出基于“连接”与“融合”两种新兴商业模式———平台式商业模式和数据驱动跨界模式。

2.4“大数据”引致的颠覆性创新是应对挑战之策

2008年的金融危机深刻影响了世界, 全球贸易的推动力也基本消耗殆尽, 世界需要寻找新的出路, 美国的突破口是开放政府。美国政府2012年制定了“大数据研发计划”, 希望通过提升美国在科学发现、环境与生物医药研究、教育和国家安全等方面的能力, 解决美国面临的最具挑战性的问题。

3 基于大数据的商业模式创新方向

3.1 社会化网络环境中的行为机理与社会资本结构

大数据和社会网络应用的发展使得当今的网络环境成为了一个巨大的、精准映射并持续记录人类行为特征的数字世界。这一数字世界所蕴藏并不断积累的大量数据已成为深刻理解人在社会和商务活动中的行为规律的必要依托, 因此, 未来的研究应特别重视社会化网络环境中的行为机理研究, 特别是新型一体化的社会网络中社会资本结构及其在商务领域中的意义和影响。

3.2 企业网络生态系统及其协同共生机制

大数据”正以各种方式和路径影响着企业的商业生态, 它已经成为企业商业模式创新的基本时代背景。计算技术发展的重点已经从信息处理逐步过渡到了信息服务, 打造信息服务平台已经变成云计算时代的主旋律。

(1) 云平台。

大数据时代, 如何架构开放式管理研究平台是企业及政府继续解决的问题之一。云是一种新的方式实现各种技术以及能力的基础。随着现代数据采集如视频监控云的形成和走向云存储, 数据的威力越来越大, 云的基础设施使得这些大规模的互动、大规模的数据处理、大规模的应用来更好地服务我们, 拥有一个弹性的、更加敏捷的基础设施。

(2) 大数据、移动应用、CRM走向融合。

由于数据的爆炸式增长, 企业能够从这些繁乱的数据中快速获得战略决策信息, 这是制胜对手的关键。因而在大数据时代发展掌握CRM至关重要, 而面对大数据的到来, CRM必然走向与大数据、移动应用的融合。移动金融云、电子商务云、物流云等行业云将迅速发展, 面向个人的移动云存储、移动云音乐是必然趋势。

3.3 大数据环境下的顾客洞察与市场营销策略

基于大数据的四个商业价值杠杆:对顾客群体细分, 然后对每个群体量体裁衣般的采取独特的行动;运用大数据模拟实境, 发掘新的需求和提高投入的回报率;提高大数据成果在各相关部门的分享程度, 提高整个管理链条和产业链条的投入回报率;进行商业模式、产品和服务的创新。大数据环境下的顾客洞察与市场营销策略包括:

(1) 基于第三代PaaS平台形成统一的客户视图, 实现市场细分。基于大数据与云计算的CRM系统能够深度挖掘目标客户, 实现企业各部门的综合管理与应用, 建立以客户为中心的营销管理平台, 对客户进行细分, 帮助企业牢牢抓住对企业最为重要的客户, 实现效益最大化。

(2) 以客户为导向, 确定营销策略, 实现对市场营销全过程管理。根据庞杂的客户数据, 按照横纵多维方式对企业的客户群体准确分析, 筛选出核心目标客户, 并且准确传达产品、折扣等信息, 能够确保实现“精准”营销。

(3) 畅通渠道, 重组服务流程, 建立稳定客户群。精准营销借助先进的数据库技术、网络通信技术等手段保障和顾客的长期个性化沟通, 从而不断满足客户个性需求, 建立稳定的企业忠实顾客群, 实现客户链式反应增值, 使营销达到可度量、可调控等精准要求, 促进企业长期稳定高速发展。

总之, 一方面, 大数据技术具有让各种类型的数据变成能够快速获得的有价值信息的优势;另一方面, 基于交叉融合后的可流转性数据以及全息可见的消费者个体行为与偏好数据, 所以, 未来的营销可以精准地根据每一位消费者不同的兴趣与偏好为他们提供专属性的个性化产品和服务。

3.4 基于大数据的商业模式创新

大数据时代的到来, 必将对现代企业运营管理与商务决策带来前所未有的机遇和困惑, 基于大数据的商业模式创新则聚焦于在商业活动和管理模式中的综合性作用与影响。基于“大数据”的商业模式创新有三个方面:

(1) “大数据”产业链。整个数据服务产业链由数据生产、传播、获取、存储加工和分析出售等环节组成, 各个传统行业将分门别类地属于一个和数个产业链的环节。云计算、物联网、社交网络、移动互联的快速发展让各类数据量急剧增长, 面向海量数据的数据挖掘孕育着更多的商业模式创新, 数据存储、数据处理与分析、数据应用等大数据产业将快速发展。

(2) 平台式商业模式;电子商务中的大数据挖掘将进一步拓展服务商的业务范围, 传统商业将充分挖掘大数据的价值, 开展精准营销。信息内容服务商将利用大数据开展个性化服务。云平台及移动与CRM的融合将是必然趋势。

(3) 数据驱动跨界模式。比如移动互联网将结合LBS与大数据技术, 开辟新型业务就海量数据, 提供高附加值的数据分析服务, 将数据封装为服务, 形成可对外开放、可商业化的核心能力, 实现商业模式的创新, 才能真正实现流量经营。具体创新商业模式如下:

(1) 数据存储空间出租。利用存储能力进行运营, 满足企业和个人将面临海量信息存储的需求。具体而言, 可以分为个人文件存储、针对企业用户两大类。 (2) 客户关系管理。对中小客户来说, 专门的CRM显然大而贵。飞信充当了不少小商家的初级CRM来使用。 (3) 企业经营决策指导。将用户数据, 加以运用成熟的运营分析技术, 有效改善企业的数据资源利用能力, 让企业的决策更为准确, 从而提高整体运营效率。 (4) 个性化精准推荐。通过用户行为数据进行分析后, 可以给需要的人发送需要的信息, 就成了有价值的信息。 (5) 建设本地化数据集市。运营商所具有全程全网、本地化优势, 会使得运营商所提供的平台上, 可以最大程度覆盖本地服务、娱乐、教育和医疗等数据。 (6) 数据的搜索。数据检索是一个并不新鲜的应用, 然而随着大数据时代的到来, 实时性、全范围检索的需求也就变得越来越强烈。 (7) 创新社会管理模式。对运营商来说, 数据分析对政府服务市场上更是前景巨大。美国已经使用大数据技术对历史性逮捕模式、发薪日、体育项目、降雨天气和假日等变量进行分析, 从而优化警力配置。

4 大数据与制度变迁

4.1 大数据与社会管理方式变革

大数据将不仅提升企业创新的竞争力, 还将会变革社会管理的方式, 成为国家竞争的前沿。在公共管理领域, 大数据的投入少、收益高且见效最快。美国政府通过大数据网站“Data.gov”, 公开了数以十万计的开放数据库, 将社会公共数据对任何第三方开放, 这对预防犯罪、交通管理、教育、反福利欺诈等都非常有效。美国联邦政府要求各个州都公开相关数据, 美国、英国等国家还组建了开放政府联盟, 一些国家也在尝试数据公开。由大数据浪潮引致的颠覆性创新必将带来制度变迁 (诱致性制度变迁兼有强制性制度变迁) 。库克耶和舍恩伯格认为大数据不仅将改变人们的生活和工作, 而且将改变人类认识和思考世界的方式。

4.2 大数据的两面性及对“大数据”的规制

从积极方面说, 大数据确实已成为数据王国的主线, 是下一步信息研究的主要对象, 正确评估大数据的商业价值, 建立大数据的新兴产业, 培育大数据的专业人员, 将极大推动社会变革和经济发展。从消极方面看, 大数据技术不是万能的, 不能解决一切问题, 它只是决策的一种量化手段。大数据本身不完全等于理性, 决策基于数据分析而并非基于经验和直觉, 是一种理性的表现, 但更大的理性是人文法则, 即重视人民的普遍要求, 维护各民族的尊严和文化, 尊重人的自由、平等和权利。

5 思考及启示

大数据是一种资源、一种技术, 一种工具、一种环境、一种趋势;大数据带来更低的成本门槛, 更多的商机, 更容易孕育颠覆性创新;大数据缩短大企业与小企业的竞争差距。大数据在给信息安全带来挑战的同时, 也为信息安全的发展提供了新的机遇。目前大数据发展的障碍在于数据的“可获取性”也就是数据的开放与共享。数据开放的运动在海外绝对不仅仅是停留在政府层面, 商业数据也在开放。开放数据不仅仅是一个知情权的问题, 现在还是一个经济问题, 是如何推动我国经济的转型升级的问题。在“大数据”时代, 数据开放将成为一种必然要求。当然, 开放是以保障数据安全和个人隐私为前提的。

一方面, 基于大数据的创新或变革浪潮势不可挡, 需要推动和促进, 另一方面因为大数据的两面性, 又要科学合理规制, 遵循社会 (国际) 公德、人道主义、公正与正义、平等互利等友善原则, 是分析数据的指导性准则, 而如何将之变为具体措施凿实是当前和今后需要思考和亟待解决的问题之一。

摘要：大数据的核心是建立在相关关系分析法基础上的预测。在诸多领域, 大数据浪潮正引致颠覆性创新, 也必将带来制度变迁。

关键词：大数据,颠覆性创新,平台战略,商业模式创新,规制

参考文献

[1]李文莲, 夏健明.基于“大数据”的商业模式创新[J].中国工业经济, 2013, (05) .

[2]覃雄派, 王会举, 李芙蓉, 李翠平, 周煊.数据管理的新格局[J].软件学报, 2013, (02) .

[3]冯芷艳, 郭讯话, 曾大军, 陈煜波, 陈国清.大数据背景下商务管理研究若干前沿问题[J].管理科学, 2013, (01) .

[4]孟小峰, 慈祥.大数据管理:概念、技术与挑战[J].计算机研究与发展, 2013, (01) .