㈠ 如何做好大数据应用
去年出版的《大数据》（涂子沛著）是从数据治国的角度，深入浅出的叙述了美国政府的管理之道，细密入微的阐释了黄仁宇先生”资本主义数目式管理“的精髓。最近人民邮电出版社又组织翻译出版了美国Bill Franks的《驾驭大数据》一书。该书的整体思路，简单来说，就是叙述了一个”数据收集-知识形成-智慧行动“的过程，不仅回答了”what“，也指明了”how“，提供了具体的技术、流程、方法，甚至团队建设，文化创新。作者首先在第一章分析了大数据的兴起，介绍了大数据的概念、内容，价值，并分析了大数据的来源，也探讨了在汽车保险、电力、零售行业的应用场景；在第二章介绍了驾驭大数据的技术、流程、方法，第三部分则介绍了驾驭大数据的能力框架，包括了如何进行优质分析，如何成为优秀的分析师，如何打造高绩效团队，最后则提出了企业创新文化的重要意义。整本书高屋建瓴、内容恣意汪洋、酣畅淋漓，结构上百川归海，一气呵成，总的来说，体系完备、内容繁丰、见识独具、实用性强，非常值得推荐，是不可多得的好书！大数据重要以及不重要的一面与大多数人的想当然的看法不同，作者认为“大数据”中的”大”和“数据”都不重要，重要的是数据能带来的价值以及如何驾驭这些大数据，甚至与传统的结构化数据和教科书上的认知不同，“大数据可能是凌乱而丑陋的”并且大数据也会带来“被大数据压得不看重负，从而停止不前”和大数据处理“成本增长速度会让企业措手不及”的风险，所以，作者才认为驾驭大数据，做到游刃有余、从容自若、实现“被管理的创新”最为重要。在处理数据时，作者指出“很多大数据其实并不重要”，企业要做好大数据工作，关键是能做到如何沙里淘金，并与各种数据进行结合或混搭，进而发现其中的价值。这也是作者一再强调的“新数据每一次都会胜过新的工具和方法”的原因所在。网络数据与电子商务对顾客行为的挖掘早已不是什么热门概念，然而作者认为从更深层次的角度看，下一步客户意图和决策过程的分析才是具有价值的金矿，即“关于购买商品的想法以及影响他们购买决策的关键因素是什么”。针对电子商务这一顾客行为的数据挖掘，作者不是泛泛而谈，而是独具慧眼的从购买路径、偏好、行为、反馈、流失模型、响应模型、顾客分类、评估广告效果等方面提供了非常有吸引力的建议。我认为，《驾驭大数据》的作者提出的网络数据作为大数据的“原始数据”其实也蕴含着另外一重意蕴，即只有电子商务才具备与顾客进行深入的互动，也才具有了收集这些数据的条件，从这点看，直接面向终端的企业如果不电子商务化，谈论大数据不是一件很可笑的事？当然这种用户购买路径的行为分析，也不是新鲜的事，在昂德希尔《顾客为什么购买：新时代的零售业圣经》一书中披露了商场雇佣大量顾问，暗中尾随顾客，用摄影机或充满密语的卡片，完整真实的记录顾客从进入到离开商场的每一个动作，并进行深入的总结和分析，进而改进货物的陈列位置、广告的用词和放置场所等，都与电子商务时代的客户行为挖掘具有异曲同工之妙，当然电子商务时代，数据分析的成本更加低廉，也更加容易获取那些非直接观察可以收集的数据（如信用记录）。一些有价值的应用场景大数据的价值需要借助于一些具体的应用模式和场景才能得到集中体现，电子商务是一个案例，同时，作者也提到了车载信息“最初作为一种工具出现的，它可以帮助车主和公司获得更好的、更有效的车辆保险”，然而它所能够提供的时速、路段、开始和结束时间等信息，对改善城市交通拥堵具有意料之外的价值。基于GPS技术和手机应用所提供的时间和位置的数据也会提供主动的、及时的推送客户关怀信息，有利于改善客户关系和创造商业机会，也可以利用它进行共同目的和兴趣的社交，这些都会带来一种令人惊奇的业务创新。在视频游戏、电信话费清单上，作者也提出了十分有价值的洞见。技术、流程、方法、组织、人、文化作者是Teradata的首席分析师，绝非是文献学专家和徒有虚名之辈，他在书中也介绍了如何利用海量并行架构（MPP），云计算、网格计算、MapRece等时下炙手可热的技术从大数据中披沙沥金，驾驭大数据。同时，作者一直在提醒我们，数据只是源，“思想才是分析之父”，“有价值和影响力的分析才是优质分析”，优质分析要符合G（Guided指导性）R（Relevant相关性）A（Explainable可行性）T（Timely及时向）原则，并且优质的分析要能提供答案、提供用户需要的东西，要能提供新的解决方案，对实际行动有指导意义，从这个角度看，它区别于报表那种标准和固定的数据呈现模式，借助于大数据分析，用户能够把握现状、预测趋势，这样才能驾驭未来。作为一个大数据的行动者和实干家，作者也结合自己的工作经验，对于如何成为优秀的分析师，给出了他的答案，那就是学历、数学和编程等技能“它们仅仅是起点而已”，优秀分析专家身上更重要的才能是“承诺、创造力、商业头脑、演讲能力和沟通技巧、直觉”，这种人一将难求，它需要分析师长期的工作经验积累，从这点看，数据分析“不能只把自己当成科学家，业内最好的分析专家毫无疑问也是艺术家”。企业的大数据探索之旅，并非一片坦途，也会充满了各种艰险，这就需要企业具有创新性的文化氛围，容忍冒险和犯错，并鼓励尝试，作者也切中肯綮的提出“关注人，而不是工具”，“打破思维定势，形成连锁反应，统一行动目标”的创新之路，供读者思考和借鉴。时异而世移，我认为，在当今社会，企业直面社会的剧烈变化，在管理工作中依赖小规模的“点子”“好主意”的传统做法已经难以应对市场的激烈竞争，企业需要从那些来自于现场、来源于客户、来源于多个时空的全方位的立体信息中找到利润的宝藏，才能获得持续增长的动力，从这个意义上看，驾驭大数据是企业驾驭未来的必经之路。
㈡ 如何利用大数据平台进行市场分析
大数据平台的数据维度包含了市场分析需要的所有数据了，你只需要根据不同的数据维度进行分析就好了，决策狗大数据就在做消费品各行业的大数据分析，可以分析市场销售趋势、价格变动、品牌排行、产品趋势、用户分析等方面。
㈢ 企业如何利用大数据分析法做好品牌营销
网络信息的分析以数据技术为基础，在人类学习生活各个方面都起到不可或缺的作用，它促进了社会的转型和媒介的发展。在企业品牌传播方面，以大量的数据为基础并且进行深度挖掘，来获得消费者状态、品牌传播的有效方法和传播效果。一般的数据分析方法已经落伍，满足不了企业品牌传播的更高要求。
企业要学会利用大数据建立品牌意识，对品牌的名称、定位、形象等等一系列精准，让客户对你留有更深刻的印象，借助信息传播的便利性，将品牌概念传输给消费方。其次，要利用大数据抓取产品差异。开放的市场大环境下，产品的共性特别的多。但企业缺失的往往是抓取产品差异，找出产品的闪光点。同时也要了解客户及其需求点。企业要用大数据的分析，优化推广渠道，这样才能更好的在客户心中留下印象，不难发现，现在很多的行业区域性特别强，如果一个品牌在地域上越做越大，慢慢延伸，会得到很广泛及牢固的效果。
㈣ 如何利用大数据做行业趋势分析
从数据源、分析维度和展示结果来分析如何利用大数据做行业趋势分析：
数据源：大数据采集电商平台线上销售数据和消费者的文本数据；
分析维度：通过大数据整合和语义分析等，分析行业销售趋势、品牌占比趋势、产品潮流趋势、消费者偏好趋势等维度；
展示结果：通过在线平台展示，持续监控数据的变化。
㈤ 如何利用大数据进行市场营销
主要是对大数据进行详细的分析，整理，分类，找出自己的精准用户
㈥ 如何利用大数据定位
定位理论是过去几十年最重要的营销理论之一.
但是,许多营销专家做定位的时候，都是靠拍脑袋搞灵感来的。
这是非常严重不科学的手段
因为，任何一个人的认知都是有局限的
并且，每一个人都习惯把自己熟知的事物的影响无限的放大。
1、真实的数据与你想的不一样
2、确定定位的核心原则
3、如何用大数据工具
一、现实世界真实的数据，往往和你想的不一样。
举一个例子：
大家认为老外对中国的什么最关注呢？
每当问这个问题：
许多人条件反射就会回答政治、人权、经济等等，
其实，这是不真实的，大部分的老外连自己国家的政治和人权都不关注，怎么会关注你们中国的这些问题呢
记得8年前，我在使用Google关键词工具查询的时候，当我搜索了一下“chinese”这个关键词的时候。
工具立刻列出了搜索量最大的前30个包含有“chinese”的组合词。
看到数据后，我惊奇的发现，搜索量最大的“中国的XXX”这类词中，前30个搜索量最大的词中。
其中“chinese food”和“chinese girl”都排在20多名，剩下28个词都以一个主题相关，那就是“玄学”。
前面搜索量最大的关键词，中国占卜、中国占星术、中国婚姻占卜、中国历法、中国算命等等相关的关键词。
原来，老外最关注的是中国玄学，这才是最真实的情况！
再举一个例子
两年前受邀请在上海讲课，当时一个传统领域的营销专家朋友也是讲师，当天晚上吃饭的时候，他非常兴奋的给我们讲他的一个商业计划。
他打算自己投入几百万，然后再众筹两千万来亲自做一款笔记本电脑，他已经非常用心的筹划了半年，已经找好了合作的厂商。
我问他做有特色的笔记本电脑呢？
他说：17寸的笔记本电脑
他说苹果已经停止销售17寸笔记本了，因为他一直用17寸笔记本，我了解这个尺寸笔记本的需求，这个市场没有一款做的非常好的，他打算来做，名字就想好了，叫做“大师本”，一定可以迅速做起来。
听他兴奋的讲完，我立刻上京东和淘宝查询了一下17寸笔记本的销售数据，发现加起来一年的销售量不过几千台。
苹果为什么放弃？
是因为市场太小
他喜欢用17寸笔记本电脑，他就以为全世界有很多人都喜欢，这是严重错误的思维方式。
看到这个销售数据后，当着很多人的面子我没有直说，只是私下给他发了一个短信，告诉了他真实的市场数据。
很快，他就彻底放弃了这个项目。
二、确定定位的核心原则？
选择比努力重要！
如何选择产品的定位？
如何选择个人的定位？
有三个原则：
1、市场需求在增长
2、市场竞争非常小
3、与自己资源匹配
三、如何用大数据定位？
市场上，那些调查公司拿出的数据有也不靠谱，因为他们只是通过几千份问卷得来的报告。
我们其实可以免费的直接查看几亿用户的真实数据，帮助自己做市场定位决策。
谁能够提供这些数据呢?
1、网络
2、淘宝
3、Google
4、Amazon
通过网络指数，你可以查询一个关键词的搜索量，搜索量越大，说明市场需求越大。
然后我们看网络搜索结果，如果搜索结果排在前面三页没有太多专业的网站的话，说明这个领域就有非常大的机会。
淘宝也有指数，不过刚刚关闭，现在变成了淘宝生意参谋，通过以淘宝数据为支撑，还有许多第三方网站可以查询相关数据。
你输入一个关键词，就可以查看每天多少人搜索，有多少成交量，这些人都是什么地区的？年龄多少？都什么星座？收入？爱好等等
这些数据都可以免费看到！
如果你想了解全球市场的数据，通过google的关键词工具，你可以直接把查询区域锁定到某一个国家，某一种语言的具体的搜索数量。
㈦ 如何用大数据做好企业运营
大数据对企业来说有什么用?对于这个连IT界都众说纷纭的事情，要让希望使用大数据产品和服务的企业主们来说，更是一头雾水。大数据是工具，那么它究竟对企业会有什么作用呢？了解了大数据的作用，才能让大数据更好的服务自身。其实，从传统企业的运行流程来看，大数据主要能够在了解用户、锁定资源、规划生产、做好运营、开展服务等方面，帮上企业的忙。
下面，我们来看一下到底大数据到底能帮什么忙：
1、帮企业了解用户
大数据通过相关性分析，将客户、用户和产品进行有机串联，对用户的产品偏好，客户的关系偏好进行个性化定位，生产出用户驱动型的产品，提供客户导向性的服务。
从大数据技术方面来看，用数据来指引企业的成长，将不再单单是一句口号。据网络副总裁曾良表示，从挖掘的角度来看，他们通过对每天60亿的检索请求数
据分析，可以发现检索某一品牌的受众行为特征，进而反馈给企业的品牌、产品研发部门，能更准确地了解目标用户，并推出与调性相匹配的产品。
通过运用大数据，不仅可以从数据中发掘出适应企业发展环境的社会和商业形态，用数据对用户和客户对待产品的态度，进行挖掘和洞察，准确发现并解读客户及用户的诸多新需求和行为特征，这必将颠覆传统企业在用户调研过程中，过分依赖主观臆断的市场分析模式。
2、帮企业锁定资源
通过大数据技术，可以实现企业对所需资源的精准锁定，在企业在运营过程中，所需要的每一种资源的挖掘方式、具体情况和储量分布等，企业都可以进行搜集
分析，形成基于企业的资源分布可视图，就如同“电子地图”一般，将原先只是虚拟存在的各种优势点，进行“点对点”的数据化、图像化展现，让企业的管理者可
以更直观地面对自己的企业，更好地利用各种已有和潜在资源。如果没有大数据，将很难发现曾经认为是完全无关行为间的相互关联性，就如同外媒曾经提到的“啤
酒”与“尿片”之间的关联营销一样，如果美元大数据这将是一种几乎不可能的事情。
3、帮企业规划生产
大数据不仅改变了数据的组合方式，而且影响到企业产品和服务的生产和提供。通过用数据来规划生产架构和流程，不仅能够帮助他们发掘传统数据中无法得知的价值组合方式，而且能给对组合产生的细节问题，提供相关性的、一对一的解决方案，为企业开展生产提供保障。
过去的所谓商业智能，往往大多是“事后诸葛亮”，而大数据则让企业可预测未来的走向，帮助企业做到“未雨绸缪”。大数据的虚拟化特征，还将大大降低企业的经营风险，能够在生产或服务尚未展开之前就给出相关确定性答案，让生产和服务做到有的放矢。
在这方面，不得不提到的就是最近火爆的《纸牌屋》，它的剧集为什么会受到全球欢迎?有很大一部分原因就跟它前期依据大数据技术和思维方式所做的准备。
据称，《纸牌屋》的数据库包含了3000万用户的收视选择、400万条评论、300万次主题搜索。下一季剧情拍什么、谁来拍、谁来演、怎么播，都由数千万
观众的客观喜好统计决定。
4、帮企业做好运营
过去某一品牌要做市场预测，大多靠自身资源、公共关系和以往的案例来进行分析和判断，得出的结论往往也比较模糊，很少能得到各自行业内的足够重视。通
过大数据的相关性分析，根据不同品牌市场数据之间的交叉、重合，企业的运营方向将会变得直观而且容易识别，在品牌推广、区位选择、战略规划方面将做到更有
把握地面对。
对于大数据对企业运营的导航左右，梦芭莎集团董事长佘晓成深有感触，他不禁感慨“大数据让我们能够及时调整运营策略，现在的库存每季售罄率从80%提升到95%，实行30天缺货销售，能把30天缺货控制在每天订单的10%左右，比以前有3倍的提升。”
5、帮企业开展服务
通过大数据计算对社交信息数据、客户互动数据等，可以帮助企业进行品牌信息的水平化设计和碎片化扩散。经济学家Richard H.
Thaler曾经提出一种观点，“个人观点的微小变化都可以演变为所有人的群体行为模式的重大变革。”在这一重大变革的背景之下，对微小的信息流，企业都
必须重视，而客户服务为应对这种情况，也需要像空气一样分布在一些细枝末节之中。企业可以借助社交媒体中公开的海量数据，通过大数据信息交叉验证技术、分
析数据内容之间的关联度等，进而面向社会化用户开展精细化服务，提供更多便利、产生更大价值。
㈧ 如何更好地运用大数据服务好我们的生活
最好是你的生意的全部数据在线化了。如果没有恐怕无法建模和分析了。之所以在线化是大数据人工智能的第一步，也是传统企业运用大数据的起步。
㈨ 如何更好地利用行业大数据
在分析行业趋势，消费结构，评估业务增长力和进入新市场时，需要看行业大数据
㈩ 如何运用大数据
1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统
计
学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如
果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数
据处理： 自然语言处理(NLP，Natural Language
Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理
解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析：
假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、
卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、
因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数
据挖掘： 分类
（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity
grouping or association rules）、聚类（Clustering）、描述和可视化、Description and
Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。
大数据的处理
1. 大数据处理之一：采集
大
数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的
数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除
此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时
有可能会有成千上万的用户
来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间
进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些
海量数据进行有效的分析，还是应该将这
些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使
用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统
计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通
的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于
MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与
前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数
据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于
统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并
且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。