京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据带来商业模式的成熟发展革命
大数据带给人们巨大的理念上的改变,同样它也会带来商业模式的成熟发展甚至革命。电子科技大学,互联网科学中心主任 《大数据时代》中文译者周涛博士针对大数据在商业上应用的1.0、2.0和3.0版本,做了细致的分析。
大数据1.0
大数据1.0很好理解,一个企业自身的业务需求产生大量数据,利用这些数据,通过深入分析,可以优化相关的业务。在这个时候,数据起到了指导决策的作用,举几个例子,比如说沃尔玛,它有大量的会员卡和零售数据,所以通过这些数据可以制定更好的优惠卷和个性化商品推荐服务。
也通过这些数据它能够更好地管理产业链、仓储和物流。我们在北京做过一家,是专门做电子商务服务的,拥有2亿多用户的数据和8千万单品的数据,就是怎么样做商品的个性化推荐。利用这些个性化推荐,不仅可以直接做自动化展示,还能够帮助电商更好地编排在网上店铺的摆放等等。
豆瓣是全球做社会化推荐最好的一家企业,利用评论数据,也利用点击浏览数据能够做到听其言观其行,利用这些数据可以做到几乎最好已知的社会化推荐,这样的例子还有很多。
还有一家企业,可以把电子化定义拿来做智能的诊断,亚马逊是做个性化推荐的鼻祖,它可以知道几乎你手机上安装的所有应用,事实上它能知道你的消费水平,有没有小孩,有没有车,有没有得什么慢性病,有没有金融支付终端等等,它还知道你在哪个地方,如果是这样一些企业打这样的个性化广告效果会很好。
大数据的2.0
大数据的2.0和1.0的理念有所不同,这里强调数据的外延。数据除了从自身的业务产生并解决自身问题以外,我们最终是数据本身有能力解决其他的问题,同样我们也需要有能力去把其他很多其他的数据放在一起解决自身的问题,这就是所谓的数据外部性问题。这里要求企业搜集与目标业务直接或间接关联的大量异质数据。
建立复杂的分析和预测模型,产生针对目标业务的输出。这时候数据本身就是决策。为什么这样说?虽然在这种复杂的模型中,我们已经很难看到真正的因果关系,我们并不知道是为什么由A到B,由B到C,但是我们只知道选择A比选择B好,所以数据本身不仅仅是指导决策,而就是决策。
举几个例子,比如说Zestfinance是一家很奇怪的信贷公司,可以快速发放小额贷款,所利用的不是平常讲的背景调查等等,而是它分析社交网络以及在其他购物等等频道留下来的你的活动记录,所以他说所有的数据实际对我们来说都是新闻数据,用这种办法来预测还贷能力,计算信用度,最典型的是把其他和你本行业看起来没有直接关联的数据用起来做本行业的事情。
大数据3.0
希望大数据3.0能进入真正的大数据时代。在这里我们对数据的质量价值,数据好不好,有多大价值,如果交换要如何付费。如果别人拷走了你的数据怎么算?还有数据的权益。还有我们特别关心的数据隐私安全等等,我们要有充分的认识。要又可以量化或者可以保障的措施。
在这个时候,类似于电信运营商有一种叫做数据运营商会出现,会有很多数据,在上面会有小的科研团队或者创新型企业,也有数据提供商和数据加工商,他们会产生不管是下载还是API接口还是其他的产品,会成为一种单独的产品在上面出售,有自己的分成模式。这个时候会出现一种新的数据客,他们在数据市场中玩粗加工的数据或者是粗加工的数据产品,再产生新的数据产品,以ATI的形式投放到数据市场。
就像手机市场中,经常有两三个人很聪明的人开发一个很有趣的应用,就有很多的使用。那时候可能有一个很聪明的人,开发和有趣的数据产品,可能很多企业政府科研团队都会使用他们的数据产品。
当然,最重要的是,所有的学术团体、企业和政府,都能够使用到大数据,这就是为什么讲今天叫大数据时代,因为如果只有两三个人,或者七八家企业能够用到大数据这不能叫一个时代,就像十个人上网不能叫互联网时代。
所以将来当我们有了大数据之后,我们希望的是未来某一天通过更好的索引,更好的体系结构的支撑,使得普通的科研团队、普通的创业者都能够有办法获取你所想获取的数据里面的一些逻辑片断,我们未来操纵大数据应该是四两拨千斤举重若轻,尽管我看到的是一个很大的数据,但是操作起来就像单机版里面的一个小文件一样,这是我们未来的希望。
总结
大数据从1.0到2.0到3.0,我们提过一个概念,商业模式从2B到2C到2D、2Data,实际上是有两条线在驱动它,一条线我们希望它越来越粗犷、开放,数据一定要开放出来,以共享的心态。一条线我们希望它越来越精深,就是深入地分析。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14