京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据如何建立企业竞争力与重塑竞争环境(1)_数据分析师
科技进步让各种先进的分析方法走入了寻常企业。“大数据”日益成为企业高管层津津乐道耳熟能详的字眼,但在把握大数据所蕴涵的商机方面,大多数企业的努力还 仅仅停留于“表面功夫”。 在他们眼中,大数据等同于“3V”:数量(volume)、多样性(variety)、速度(velocity),却常常忘了关注另一个最重要的“V”– 价值(value)。对全球企业开展了深入的研究,分析了大量成功与失败案例,从中总结出把握大数据机会的五个重要路径以及企业起步可采取的三个步骤。
如何定义大数据
我 们将以北美一家零售商的故事来阐述大数据的含义。该公司在北美的销售活动非常活跃,销售的产品总数达到3万多种,不仅如此,产品的价格也随地区和市场条件 而异。最让高管头疼的是定价促销策略。由于产品种类繁多,成本的变化异常频繁,一年之中,变化可达四次之多。结果就是,这家零售商每年的调价次数高达12 万次。处理定价促销的复杂之处,是它不只是受成本驱动,还有宏观经济、市场竞争、品牌定位、消费者心态等所影响。由于定价直接影响公司的利润率,高管决心接下挑战,组成了一个11人的团队,希望透过分析消费者的购买记录和相关信息,提高了定价的准确度和响应速度。定价团队的分析其实就是围绕着大数据的三个关键维度上:
•数量(Volume):团队需要分析海量信息。他们收集了上千万的消费者的购买记录,透过从客户不同维度分析,希望尽可能微分客户,了解客户对每种产品种类的最高接受能力,从而为产品定出最佳价位。
•多样性(Variety):团队除了分析了购买记录这种结构化的数据外,他们也非常聪明的利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券,团队利用情感分析公式来分析专页上消费者的情绪,从而判断他们对于公司的促销活动是否满意,并微调促销策略。
•速度(Velocity):为了实现价值最大化,团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录,为身处超市麦片专柜的他/她即时发送优惠券,为客户带来便利性和惊喜。
透过这一系列的活动,团队提高了定价的准确度和响应速度,为零售商新增销售额和利润数千万美元。
这个故事跟BCG对大数据的定义也是相当吻合,重点都是放在最终的价值创造。我们对大数据的定义是:“在可控的经济成本下,企业可获取、分析并解读日益庞大且复杂的数据,让企业在价值创造方面实现跨越式的转变。"
我们也可以换一个角度来看看大数据的演变,那就是科技进步所推动的数据多样化和复杂化。在 很久以前,企业只会在他们的企业资源规划(ERP)系统中记录公司的采购和订单数据。 随着”以客户为中心“经营理念的日渐兴起,客户关系管理(CRM)系统应运而生,帮助企业收集客户的采购行为和偏好。此后,互联网时代的蓬勃发展为网络活 动和网络交易提供了足够的动力;互联网这一新的渠道,为企业带来了更多元化的客户数据。现在,随着移动装置、社交媒体、云服务以及“物联网”的大面积发 展,又涌现出了越来越多的原始数据和非结构化数据可供收集,包括定位数据、社交数据以及行为数据。可以说,大数据就是交易类、互动类以及观察类数据的总和。
大数据行业的发展趋势
目前,大数据行业可谓各类机构众多,既有基础设施、数据库以及分析技术等下游机构,也有应用类、商业情报等上游机构。
估计2012年大数据行业总值预计达100亿美元,年均增速约为40%。到2015年,这一市场的规模将扩大至270亿美元。硬件在大数据市场仍然占据最大的份额(35%),而软件企业和实施机构(如:系统集成商)也在快速成长中。
未 来,大数据行业将经历快速整合。大家是否还记得网络时代(dot-com)各类互联网咨询公司层出不穷的盛况?其中九成企业在短短数年内就夭折殆尽。相同 的剧情也有可能在所有大数据咨询机构身上重演。对企业而言,起步较早的机构可以获取客户洞察,取得先发优势。然而,就像是一场军备竞赛 – 用不了多久,大数据能力会成为所有企业的必备能力。这时候,整个行业又将站回到同一条起跑线上。
商机在哪里?
大数据领域的价值创造机会因行业而异。在零售业,先进的分析方法往往与战略相得益彰,涵盖促销增效、定价、门店选址、市场营销等多个领域。而在能源行业,大 数据的价值创造重点更体现在智能电表数据的使用以及对实体资产(如设备和工厂)的优化上。在金融服务业,大数据的应用则往往体现在风险评分、动态定价以及 为ATM和分行网点寻找最佳地点等方面。而在保险业,大数据的价值可能体现在防范理赔欺诈、优化保险金给付以及跟踪驾驶行为等方面。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19