京公网安备 11010802034615号
经营许可证编号:京B2-20210330
O2O大数据金矿应以什么姿势挖掘
首先我们先来分清数据在商业社会中产生的两端,一端是TO B端,也就是商家端,这个部分在银行表现有企业的存贷等数据;零售业则是商品属性、进价、商家类型等数据。说白了,就是和商家相关的数据;另一端是TO C端,也就是个人端,这个部分在银行表现为个人存贷数据;零售业则是销售、顾客在卖场的动线、会员卡信息等数据。说白了,就是和个人相关的数据。
数据演变的第一阶段:静态数据
在线下的商业时代,也就是我们说的传统企业,数据的第一阶段属于静态数据,怎么理解呢?
就是说你办了张信用卡或者实体店的会员卡,初次登记的信息没办法随时由你个人来改动,这个数据如果你不打电话去银行或者到实体店,或者他们不联系你时,一直是不会变动的,哪怕你已经换了无数次手机号搬了无数次家,信用卡和会员卡仍然在有效期内可以使用,这种情况现在已经有很大变化,但仍然是静态数据。而线下的许多动态数据,例如在店里走过来走过去、眼睛看这看那等,原来的技术能力无法获取这些数据。
数据演变的第二阶段:相对动态数据
在线上的商业时代,也就是我们说的PC电商,数据的第二阶段开始了,那就是相对动态数据,为什么说是相对动态呢?
你在电商网站注册了用户名和密码,你的浏览、点击等这些数据被记录,并可以随时根据你的变化而变化,这些数据实际上也是相对动态,因为数据和个人及最终销售的关联度有限,而且数据量有限,因为无法对接离开电脑后的数据;然后你产生了购买行为,如果你的地址和联系方式信息不自行调整,这些电商网站会按照这样的信息进行送货,这种情况现在都会发生。
所以数据需要你手工进行修改,这样的数据就是相对动态数据。这样的数据量一方面是量有限,一方面是价值有限,最终胜出的并不是烧钱推广的网站,而是构建基础电商服务体系的两个公司,一是构建了在线金融优势的阿里巴巴的支付宝,解决了在线支付;二是构建了物流优势的京东,解决了快速送货和售后服务。
PC时代产生的许多数据,除了电商外,其它的游戏、门户、商业服务基本都是这样的相关动态形态。傻傻地认为电商要发展起来砸钱买流量的基本都挂了,无一幸免,很有可能是对于数据与商业基础服务关联思考和实践得不足导致,其它原因不再过多赘述!
数据演变的第三阶段:动态数据
到了移动互联网或者再进一步移动社交互联网时代,数据进入到第三阶段,那就是动态数据。
说到这个部分就很好理解了,你的手机可以随时定位你的具体位置,就是你不修改保存的地址平台都能够知道你的位置精确变化,还有你的浏览轨迹从线上到线下都被跟踪和获取……数据量以几何级开始增长,价值变得越来越高,O2O(线上线下结合)的大数据时代来临,个人和商家所谓的隐私数据越来越多被各种各样的智能机器获取,人力已经无法HOLD住自己的隐私数据,这个我在2012底年就写过一篇《O2O的世界没有隐私》的分析文章。
不过话说回来,在这样的大数据时代下,实际上对于轻易能够获取数据的任何一家公司来说,个人和商家的隐私保护显然担子更重了,因为一旦这些隐私数据被泄露,对于一家公司来说很多时候直接倒闭,无法再次获得信任,这也解释了为什么现在数据安全和攻击比之前两个时代要多得多的缘故。
非常简单地描述了到现在为止数据演变的三个阶段,当然在“商性研究院”对数据的研究里,还有一个即将来临的阶段应该叫做:超动态数据。
超动态数据
这个阶段的数据到了生物层面,随着智能设备和人类在物质极大丰富后对健康的重视,可能植入设备不会到来,但是能够通过各种光线探测人类生物数据的智能设备会快速发展并成为日常使用的工具,例如通过增加光线检测的空调能够直接测试人的体温和环境温度的数据,这些数据再和其它设备产生的热量关联,智能调节温度;戴的手表金属接触皮肤后检测细胞状态获得数据;红外摄影头感应热度数据等等很快会成为可能,这时候生物数据的快速变化(人的体温变化估计要用毫秒来进行)就使得数据进入到“超动态数据”阶段了。
“那么,大数据金矿应以什么姿势挖掘?”
第一阶段的静态数据结合得让人恼火,简单说大家会有感性认识,你每天收到的垃圾短信、诈骗电话、推销电话等行为都是这些静态数据被简单粗暴“出卖”的数据金矿挖掘姿势,别说个人非常不爽,其实像电信三巨头和金融业、房地产、4S店、零售企业等这些拥有在数据第一阶段拥有算是海量的个人和商家静态数据的公司这种金矿挖掘姿势也显得有些无奈,明知大家都不爽,为什么都做?这个话题聊下去估计要上升到哲学高度,就多扯了,总之金矿挖得很苦,个人骂平台,平台假装没听见或者装无辜……
这个阶段很快被第二阶段的数据挖掘姿势取代,虽然有少量行为,但变得少很多,阿里和京东并不需要将相对动态数据以这种方式变现,而是开始建立数据分析模型和产品,以产品化、工具化和平台化三种方式更有效率且更高收益地挖掘数据金矿。
简单地说:通过相对动态数据就可以知道什么商品更好卖,这个指导着京东这种采销体系的平台进行采购和营销,就比苏宁和国美效率高且数据产生的收益大,再进一步推动的金融创新:京东白条、京东金融让数据收益开始更高效率更低成本地从零售业跨界到金融业。
阿里做得更加极致,除了比京东更早的金融创新之外,还有开发了数据魔方这样数据产品,商家可以通过付年费方式获取更多数据指导自己的商业行为;还有服务平台的建立,也使得数据进一步在产品和工具开发上获得发展,从而获取收益。这些方面是开放平台的思路,商家通过平台的个人数据和工具提升效率提高销售降低成本,愿意为数据付费;个人通过数据服务平台了解自己的消费情况,更理性地消费和引导到理财平台,为后面的动态数据阶段打下了坚实的金矿挖掘基础。
这个时候的银行业、金融业、汽车业、房地产业、零售业面对着自己的数据金矿开始显现出无奈和无力的一面,只好开始向互联网平台学习,积极寻求两个方面的数据演变:一是数据转化,让静态数据不断转化成相对动态数据;二是通过产品和工具为商家和个人提供服务,从而愿意为数据付费。但似乎又不愿意放弃之前的数据金矿挖掘方式(有很多企业实际上从来没有挖掘过数据金矿),所以演变得很慢,开始出现暴力开采导致的带大量金子的沙子流失,这就是“数据迁移”现象。
这个现象很可怕,商家的人力、资金开始不断像线上的平台倾斜,线下的媒体首先受影响,然后是实体店的销售受影响。不过由于在相对动态数据的第二阶段,由于线下数据和线上数据的分离,影响并不那么深远!
第三阶段的动态数据分析是在硬件技术引发量变的基础上发展起来的,原来PC时代挖掘金矿能力相对较弱的腾讯借助移动技术优势反而变成最强的一家,一个小小的红包产品在TO C(个人端)引发的数据挖掘方式至今无人可以抗衡,而且已经持续了两年多,每月红包未提现金额的资金沉淀非常惊人;并且在春节的联合商家的红包营销让我们看到形成了上百年的广告投放和盈利模式被颠覆,广告费直接以红包形式到了个人用户,然后再和商家的公众号进行联接,构建商家和用户关系持续免费营销!
同时借助几乎属于永不退出的微信账号产生的朋友圈位置和动态数据、聊天数据、附近的人调动的位置数据、第三方应用产生的数据等等开始深度和线下商业结合,一个朋友圈的推广广告产品不仅没有让人反感,反而引发:为什么我没有收到宝马广告这样的二次营销扩散,每次收到朋友圈推广的人们各种开心各种欢乐评论;商家通过这些数据获得品牌推广和销售增长的机会,平台获得巨额的广告收益。
金融创新的数据挖掘方式在这样的动态数据阶段得到新的爆发,可以说如果不是对传统金融业的有限保护,毫不夸张地说,余额宝这样通过大数据挖掘演变出来的产品会像刚才提到的商家红包一样颠覆金融业在个人领域的盈利模式!
还有一个我所知道的大数据金矿挖掘姿势来自亚马逊的大数据系统给沃尔玛美国和中国的部署基本实现了全面的智能采购,简单点说就是将全球沃尔玛线下实体店的商家和个人消费数据输入这样的系统,通过算法可以实现不需要人工再分析的采购订单,然后直接发给供应商订单,然后再配送到店!这方面在努力的公司还有谷歌、百度、FACEBOOK、特斯拉、阿里、华为等等。
如果再深入研究和学习下去,我们就可以发现第三阶段动态数据进化来的大数据金矿能够用很多种商家和个人都很爽的姿势挖出来,收益是前两个阶段的总和还要高几个几何级。这个部分欢迎大家加我个人微信公众号:izhuangshuai持续关注和交流,想更深度一起研究,欢迎支付底部的年费后加入“商性研究院”。
这样的大数据金矿挖掘姿势显然比第一阶段和第二阶段都要爽很多、高效很多,收益曾几何级增长并且帮助到更多商家更有效率更自动化地实现销售增长和利润增长,如果进入到第四个阶段:超动态数据!所有零售系统、生产系统、物流系统和金融系统和人们的几乎所有数据关联,生产和销售就会变得无须人力,真正进入到“物质极大丰富”的时代,这个时代70后在有生之年应该可以见证了……
这样的发展也再次印证了我的第一本新书《商性》的中心思想:商业越发达越能激发人的真诚和善良!在物质极大丰富之后的人们,在所有隐私数据(包括生物数据)都被获取、存储和关联到人、物的阶段时,我们确实没有理由不变得真诚和善良了!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17