大数据掘金热潮涌动 A股市场迎来投资新视野|证券|投资|A股_新浪财经_新浪网
&&& &&正文
大数据掘金热潮涌动 A股市场迎来投资新视野
　　编者按：“数据是拥有价值的资产，可变现，谁拥有大数据资产，谁将在行业变革中占得先机”，这是研究所高级分析师赵国栋在其新近出版的《大数据时代的历史机遇》一书中提出的鲜明观点。在资本市场上，那些拥有大数据资产的公司，已日益显露出被资本追逐的苗头。2013年以来大数据相关的概念股轮番上涨，2月份有新闻报道军方遭黑客攻击，信息安全受到前所未有的关注，相关概念股出现一波上涨；4月份北斗板块关注度提升，相关标的股出现一波上升浪潮；5月中旬海外市场的大数据受到强烈追捧；6月份“棱镜门”事件开始发酵，相关标的股随着各路媒体对“棱镜门”事件的不断解读以及泄露材料的不断增加开始领涨行业板块，受益股从大数据处理、信息安全到基础软硬件生产出现全方位上涨。
　　故此，本版今日特从美国股市、欧洲股市和香港股市以及中国概念股中进一步挖掘大数据相关概念股的投资价值，大数据未来发展的前景以及给投资者带来的相关启示。
　　大数据掘金
　　三类公司近水楼台
　　■本报记者 孔瑞敏
　　如果你不了解大数据究竟能带来什么经济价值，研究一下美剧《纸牌屋》为何如此火爆，或许能感知一二。全球最大的付费在线视频与影碟在线租赁服务商Netflix，通过分析其用户的行为数据发现，一部包含凯文?史派西、大卫?芬奇和BBC出品三个关键要素的电视剧，会获得用户喜爱。基于这一发现，Netflix一次性确定要拍两季共计26集，每集时长约1小时，投入达1亿美元。结果表明，数据比观众更了解自己的喜好，《纸牌屋》成功锁定了大批观众的眼球。
　　宏源证券研究所高级分析师赵国栋，同时也是《大数据时代的历史机遇》一书的作者，对于大数据的经济价值有着更为深入的了解。他认为，大数据是拥有价值的资产，可变现，谁拥有大数据资产，谁将在行业变革中占得先机。而在资本市场上，那些拥有且能发掘大数据资产价值的公司，已经显露出被资本追逐的苗头。
　　《证券日报》：大数据时代来临，不管是企业的业务模式还是个人的日常生活，都将会被打上大数据的标签。您认为，大数据将如何影响各个产业变革的进程？
　　赵国栋：索尼公司的总裁曾表示，以互联网为发展基因的公司，采用新的模式与技术，更贴近消费者，他们大规模收集数据，长期来看所有制造型企业都会成为平台级公司的附庸，这种趋势是管理不能够逆转的。
　　我们可以看到在大数据时代，产业博弈的格局开始发生巨大变化。不管是在传统行业还是数据驱动的互联网行业，都已经积累了海量的大数据资源，只是对于大数据敏感程度不同，传统行业相对反应迟缓一些。可以说，大数据是产业转型升级的重要驱动力，也是判断企业价值标准的重要维度。一个公司的价值是与其拥有的数据规模、数据活性以及公司运用和解释数据的能力相关，而房产、土地、劳动力等传统意义上的资源都会追随数据资产重新配置。
　　《证券日报》：我们知道大数据时代，数据庞大且纷繁芜杂，那么什么样的数据才能成为资产？我们该如何判断数据有没有价值呢？
　　赵国栋：数据具有价值，在于其能昭示未来，预测需求，提前感知变化。在我看来，数据资产具有这样五个特征：首先、数据资产具有一定的颗粒度，颗粒度越精细，数据的价值越大；其次、数据资产是多维度的，数据之和的价值远远大于数据价值的和；第三、数据资产要具有一定的活跃度；第四、数据资产具有一定规模，没有足量规模的数据没法成为资产，具体规模要根据特征而定；最后、数据具有一定关联性，如果不同维度数据是割裂的话，那么就不太可能成为数据资产。
　　《证券日报》：既然数据是资产，如何对数据资产进行定价和变现？
　　赵国栋：关于大数据的变现还是一个非常新颖的课题，一方面我们呼吁大数据开放与共享，另一方面也尝试着对数据资产进行定价。目前，我们正试图建立几个维度的框架，但距数据资产定价还有一定距离。 但毫无疑问，大数据时代孕育着巨大的商机。由于大数据具备体量巨大等特点，对现有企业的信息架构、系统的冲击是不言而喻的。企业可以采用大数据技术来获得对消费的深刻理解，对其行为形成预判，重获主动权。在不远的未来，大数据将引发政府、、制造业、流通业等领域全面的变革。在此次变革当中，首先获益的是计算机产业。
　　《证券日报》：在资本市场上，您看好哪类公司将受益大数据的快速发展？
　　赵国栋：在信息时代，万物都被数字化。我们强烈的感受到有三类公司必将受益于大数据技术的发展。第一，主动拥抱大数据技术，用互联网思维涤荡原有业务模式的软件供应商。第二，利用客户群优势，具备垂直整合产业链潜质和能力的公司。第三，善于运用数据资产或者具备数据管理、分析能力的公司。
新浪声明：此消息系转载自新浪合作媒体，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。
&&|&&&&|&&
请用微博账号，推荐效果更好！
看过本文的人还看过京 东 价：
[定价：￥]
PLUS会员专享价
增值业务：
重　　量：
搭配赠品：
服务支持：
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
大数据掘金：挖掘商业世界中的数据价值
商品介绍加载中...
扫一扫，精彩好书免费看
京东商城向您保证所售商品均为正品行货，京东自营商品开具机打发票或电子发票。
凭质保证书及京东商城发票，可享受全国联保服务（奢侈品、钟表除外；奢侈品、钟表由京东联系保修，享受法定三包售后服务），与您亲临商场选购的商品享受相同的质量保证。京东商城还为您提供具有竞争力的商品价格和，请您放心购买！
注：因厂家会在没有任何提前通知的情况下更改产品包装、产地或者一些附件，本司不能确保客户收到的货物与商城图片、产地、附件说明完全一致。只能确保为原厂正货！并且保证与当时市场上同样主流新品一致。若本商城没有及时更新，请大家谅解！
权利声明：京东上的所有商品信息、客户评价、商品咨询、网友讨论等内容，是京东重要的经营资源，未经许可，禁止非法转载使用。
注：本站商品信息均来自于合作方，其真实性、准确性和合法性由信息拥有者（合作方）负责。本站不提供任何保证，并不承担任何法律责任。
印刷版次不同，印刷时间和版次以实物为准。
价格说明：
京东价：京东价为商品的销售价，是您最终决定是否购买商品的依据。
划线价：商品展示的划横线价格为参考价，该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品在京东平台上曾经展示过的销售价；由于地区、时间的差异性和市场行情波动，品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：如无特殊说明，折扣指销售商在原价、或划线价（如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价）等某一价格基础上计算出的优惠比例或优惠金额；如有疑问，您可在购买前联系销售商进行咨询。
异常问题：商品促销信息以商品详情页“促销”栏中的信息为准；商品的具体售价以订单结算页价格为准；如您发现活动商品售价或促销信息有异常，建议购买前先联系销售商咨询。
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
加载中，请稍候...
浏览了该商品的用户还浏览了
加载中，请稍候...
联系供应商
七日畅销榜
新书热卖榜
iframe(src='///ns.html?id=GTM-T947SH', height='0', width='0', style='display: visibility:')大数据不是万能的 企业决策中，通常我们面临的情况是，没有大数据可用，或者有了大数据却用不好。实际上，没有大数据可用的情况会更多一些。毕竟，现在大数据分析已经成了一种开放的能力，拥有大规模用户数据的企业必然会挖空心思从这些数据里 " 掘金 "。对挖掘数据潜力有兴趣的公司会这么说，" 如果我们有大数据技术，系统或……那么必然能提高我们的业务表现。" 对部分公司来说，这种说法可能是成立的，但对大多数公司来说，这种说法未免过于乐观。想想你能把现有的 Medium / Small Data 玩好吗？大数据对业务的价值不只是在于拥有并使用大数据或系统，更关键的是对于实际开始挖掘数据并从中获得有价值见解的好奇心，并且你需要采取行动来落实这些见解。Medium / Small Data 的超级价值 这里我们就来探讨，在没有前置 "Big" 的情况下，如何用 " 中型数据 " 甚至 " 小数据 " 实现业务最优解。下面的案例结合了笔者之前的经验，表明对数据保持足够的好奇心，并对洞察采取积极的动作，很多业务最优解是可以实现的。你会发现这 3 个典型的业务优化的案例，是基于 " Medium / Small " 而不是 "Big" 数据驱动的洞察。案例 1：工业服务市场需求的意外提升 一家工业维修服务提供商最近遭遇了市场需求的下滑，正在寻求业务增长的方法。虽然该公司有一个所有已安装的工业设备的数据库，方便执行维护服务，但他们从来没有实际观察这些数据的细节。不挖掘，这些数据又如何能够带来更好的结果呢？经过我们对数据的分析，结合对工业维修的了解，我们发现，一定比例的已安装设备的使用年限造成了维修市场的低迷。这些机器已经运行了 20 年，做过第一轮大型维护，第二轮维护会在接下来的 10 年进行。幸运的是，设备安装的第二部分即将进入主要维护期，这可能带来这家公司的业绩提升。这些数据能够深入了解相关的机器类型以及所处的地理位置，告诉公司该向哪儿派遣销售人员，以及如何向这些客户进行 up-sells 。案例 2：建筑材料制造商销售能力提高 30％ 建筑产品制造商习惯为它们的三个主要产品线部署专门的销售部门。由于这个策略，每个位置（甚至客户）被发现由三个不同的销售人员提供服务。他们的逻辑是，三个不同的产品有不同的买家和不同的购买过程。虽然只有有限的数据可用，我们发现，这个逻辑实际上是无效的。对于这些不同的产品线，买家和购买过程是完全相同的。于是，我们决定让每个销售人员负责特定地区的所有产品线，并进一步向销售团队分配更小的地理区域。结果是，现在每个销售人员在较小的地区拥有更高的客户密度，他可以销售三个产品线给几乎每个客户。这使销售团队的客户联系时间提高了 50％，导致很显著的业务增长。金融服务新合同增加了 15％ 一家金融服务提供商根据（潜在）客户可能产生的案例数量分割市场。他们把市场分为 5 个部分，范围从只有少数案例到大量案例。这个市场策略导致销售压力很大的公司有很多案例，但销售压力较轻的公司的案例数量较少。这样的结果不是很好！通过仔细挖掘他们的财务和客户数据，我们发现，实际上有三种类型的客户。每种客户为公司创造了不同的价值。总价值最大的一部分来自具有非常高数量案例的客户，但这些案例的平均价值都很小，导致每个案例只能带来很少的收入。总价值最小的一部分来自具有较少案例的客户，但每个案例的价值更高。价值最显著的一部分来自客户只有几个案例的情况（因此在旧的分割方法中没有吸引力），但每个案例的价值非常高。将营销和销售工作重新分配到这最后一个类别导致与重要客户签订的新合同增加了 15%，这几乎是以前的 5 倍。上面是很好的例子，但你的公司跟这些情况不一样。上面三个例子表明，即使没有大数据，通过巧妙地使用你的 " 中 " 或 " 小 " 数据仍然可以有很多收获。 我们总结出了一些通用法则。#1. 好奇心是关键显然，如果好奇心只是让你在数据上徘徊，你永远不会有任何发现。获得上述见解和相关的业务改进有点像掘金。你永远不知道你可能会找到什么，但你需要相信，肯定有金子存在。此外，你还要有好奇心来不断寻找它。如果你自己没有这种好奇心，确保团队中有人有。#2. 构建假设，发现瓶颈第二个是制定可能阻碍或推动你的增长的假设。好的做法是为推动市场上全部（潜在）客户需求的因素做一个漏斗。然后层层分剥：目前有多少人知道你？你实际联系了这些人里的多少？其中有多少可能成为你的客户？有多少实际（可能）转换并成为你的客户？其中有多少是你的忠实客户？有多少人在他们的网络中宣传你？完成后，建立假设，是什么在驱动潜在客户通过这个漏斗，以及你可以如何影响这一点。这样的分析通常会告诉你在你的市场或商业过程的约束，并让你做出推动增长的假设。#3. 查找相关数据当你制定了改进行动的假设，那么接下来就是执行，从数据看你的假设是否成立。对于工业设备维护公司来说，数据是相关机器的安装基础和它们的使用年限。对于金融服务公司，这些数据包括客户，他们的案例数量和每个案例的价值。对于建筑产品的制造商，这是描述他们不同产品的买家和他们的购买过程的数据。所有相对较小的数据集，通常是手工制作的，但是在导致优化业务结果的措施方面是非常有用的。#4. 务实许多使用数据的人倾向于先构建综合数据库和分析工具，然后才开始使用它。我们建议使用精益的方法。开始使用数据，并尽快构建数据库和工具。这可能会导致一些遗憾（如多个非统一的数据集，不适合在一个系统），但速度为王。你不利用数据，别人可能会用数据打败你。所以，要实用。不要害怕从多个电子表格开始，没有正确记录分析等。先利用再优化。#5. 行动最后但并非最不重要的，ACT ！坦率地说，大多数分析结果最后都放在抽屉里没有用或没起到作用。多么耻辱和浪费啊。因此，只要你的数据能带来潜在的业务改进，设置一个小试验，导致有形的结果（然后放大！）或无效（它没有工作）。通过启动试验改变工作方式通常更容易实现，然后通过大规模流程改进或组织更改。通过小规模试验证明了一种新的工作方式的价值之后再扩大规模，比让整个组织仅根据业务案例或未经证实的理论或概念进行更改要容易得多。本文由 Zoran @ （微信：appadhoc）编译自：http://www.revelx.co/how-to-grow-your-business-without-the-big-in-front-of-data/
相关标签：
原网页已经由 ZAKER 转码排版
互联网新闻2小时前
互联网新闻2小时前
亿欧网59分钟前
36氪2小时前
亿欧网59分钟前
猎云网2小时前
36氪3小时前
人人都是产品经理3小时前
亿欧网2小时前
猎云网4小时前
人人都是产品经理3小时前
亿欧网3小时前
36氪23小时前查看: 33437|回复: 39
【IT名人堂】专访数据挖掘大师谭磊：大数据掘金 如何让数据会说话？
认证徽章论坛徽章:127
欢迎大家做客第97期名人堂，我是主持人皮皮。有人把数据比作新的石油，认为大数据将彻底改变人类文明的发展脉络，重塑我们对于世界、对于生活的认知。互联网的对决不再止于速度，深度的较量将越演越烈,而如何挖掘数据这座巨大而未知的宝藏，让数据会说话，成为了时下企业扭转乾坤的关键突破口。
谭磊曾经说过，“数据是最底层的东西，它是0和1，是对事物最原始的记录，数据之上才有信息。”如果说内容为王是媒体行业经久不衰的秘诀，那么数据为王则是互联网企业决战大数据时代的枪支弹药。本期我们很荣幸邀请到了数据分析挖掘专家谭磊（社区ID：SeattleRaymond）做客名人堂，为我们分享大数据的真知灼见。
皮皮（Q1）：谭老师，您好！我了解到您在美国微软总部服务了13年，后回国创业，可见您的人生阅历很丰富，能否和我们介绍下自己？在人生的道路上，您有哪些心得体会？能否和我们分享下您的故事？
谭磊（A1）：我人生的前28年是非常顺利的，除了考初中和TOEFL、GRE之外，高中和大学是直升的，就连研究生班也是直升的。我在复旦读研一的时候，拿到了美国杜克大学的全额奖学金去读博士，在1995年我也是学校唯一一个通过微软面试去做实习的博士生。进了微软之后，我的仕途也一帆风顺，每年升一个级别，很快就开始带团队做项目了。
不过正因为一开始就特别顺利，在过去的二十年职业生涯中，我犯过非常多的错误。等到哪天我功成名就了，我会写一本《Raymond的99个错误》，希望大家能从我过往的失败中吸取教训。
在这里，我给大家分享一个小故事。小时候盖茨是我的偶像和榜样，当我刚进微软的时候，我就和大家说过，我进微软就是因为Bill Gates。哪一天他离开，也就是我离开的时候。结果在13年之后的2008年，在盖茨向全公司宣布他要离开微软的之前的几个小时，我群发邮件给我微软所有的朋友们，宣布那天是我在微软工作的最后一天，虽然当时我也并没有完全想好打算要做什么。
我一直都喜欢数字的游戏，在美国的时候经常去拉斯维加斯，一边在玩，一边在计算每种不同玩法对应的赌场胜率（odds）以及每笔赌注的投资回报率。和别的去赌场的人心态不同，在去之前我就定好一个数额，比如$5000，这笔钱会花在拉斯维加斯。“What happens in Vegas，Stay in Vegas.”如果输了，那就最多$5000。如果赢了，也在当地花掉，不带回来。这样的话， 赌场就变成了娱乐。你可以这么想，每小时花$30，在这么好的场地，请这么多人陪你一起玩，太合算了。注一下，如果玩每把$50的21点，平均每小时庄家会发60轮牌，按照正常的打法，赌场的胜率在51%，也就是平均每小时赌场会从我身上赚$30。
在美国让我最难以接受的地方就在于节奏太慢了。而反过来看中国，大家的想法很多，机会非常多，而有执行力的人也不少。我有时候在想，应该和唐骏或者熊明华他们一块儿回来的。不过换一种心态来想，一切都很释然了。我们今生在什么时间什么环境会遇上什么样的人，发生了什么事儿，是冥冥之中注定的，过去的一切都是积累。如果没有这些年在微软的沉淀和努力，我对于数据和技术的理解恐怕难以达到这么深的高度。如果之前没有在青岛和北京做过一段时间，我不会下决心杀回国内。如果不是在杭州结识了一群兄弟，我也不会在网络营销上有实际操作的经验。
皮皮（Q2）：很多人认为数据是死的，人是活的，数据分析到底是一种艺术还是一门科学？谭磊（A2）：准确地说，数据分析不只是艺术，也不只是科学，而是用来帮我们做决策的一种手段和方法。在现有数据上做数据分析，只要统计学毕业的同学就能胜任了，而随着今天各种工具的出现，具有数据分析和商业运营背景的同学也能做数据分析了。不过，要真正把数据分析做好，其终极目标是要做基于数据的运营。
谈到数据分析，我想举一个司空见惯的例子。一旦你曾经在搜索引擎上搜索过某一件东西，你的互联网世界里都将离不开这个东西的影子，它的广告图片会出现在你浏览的网站上。只因为你之前输入了搜索关键字，这些图片的针对性是很强的，而出现得太多就让人厌烦了。图片的出现是数据分析，而图片出现的频率可能就接近艺术了。
每个公司都有很多自己的数据，极少数公司能够充分用好这些数据，有些公司能够通过这些数据做一些分析，而绝大多数公司的数据都是沉睡在那里的。2014年大连的iTechClub峰会上，我和大家说过这样一个事情：其实每家公司，包括在座的百度、阿里、腾讯、360、乐视和京东等等，其实都需要一个mini-Raymond，把数据真正使用起来。这个意思并不是说我有多强，而是说当你想要使用数据的时候，你需要把技术、商业和运营都考虑在内。数据是基础，商业是土壤，而运营是在这之上，真正让数据产生价值的东西。单纯的数据科学家或者业务专家是不可能成为CDO的。
皮皮（Q3）：在大数据的时代里，数据是一个让企业很纠结的话题，数据挖掘的世界既是地雷阵，同时又是金矿，如何在海量的数据里挖掘出有价值的数据为已所用？有没有捷径可走？能否结合一些实际场景为我们分享下数据挖掘的流程？谭磊（A3）：在数据分析和数据挖掘中当然有捷径。我是双子座，捷径是我的专利。 我曾经帮一些朋友的企业做过咨询，教他们如何用好他们自己公司的数据，如何构建自己的数据仓库，采集哪些数据点和做什么样的分析。如果你有合适的人来做企业的数据分析，其实地雷阵的问题是可以避免的。
数据挖掘的基本流程其实是很简单的。虽然我写的两本关于大数据挖掘的书尽量用白话来写，还是有读者向我反馈说还是有难度。我打算过一段时间和朋友合作，写类似于《24小时读懂数据分析》这样的书，希望能让更多的朋友了解为什么数据挖掘是金矿，以及如何从数据中发现价值。
数据挖掘的过程是有一个大概的流程的，例如CRISP-DM就是数据挖掘流程的一个标准。我拿一个朋友的咖啡馆来举例，她要解决咖啡馆的盈利问题，然后就开始收集数据。收集的数据包括每天进什么样的原料、会有哪些客户群体以及每个客户点了哪些东西。做完数据收集之后的下一个步骤是做数据清洗，把其中属于她夫妇二人买单的部分清除掉。之后就是建立数据模型，看每种原料在哪些产品中是被用到的，以及它们的使用情况。然后她就发现鲜牛奶的使用和外部蛋糕的采购是有问题的，这就是数据挖掘的分析阶段。当在日常运营中通过一些规则处理了这两个问题，咖啡馆的盈利状况就有明显的改善，这就是数据在商业中的应用。
数据挖掘和数据分析的本质就在于商业运营上的价值，不以商业逻辑为重点的数据分析师毫无意义的。
皮皮（Q4）：很多互联网企业都很看重广告这块市场，比如中国的百度和巨无霸Google，社交网站Facebook，还有广告联盟，它们是如何通过数据来做到精准营销的？谭磊（A4）：从有互联网开始，一直到今天，广告收入一直都是互联网收入的主要来源，在你提到的百度、Google等公司中，广告收入都占到90%以上。我们以Google为例，Google的收入主要来源是AdSense和AdWords，前者是Google网站联盟的广告，而后者是在Google上的搜索排名。只要在浏览器上有Google的cookie存在，当你用Google做搜索的时候，Google后台会记录你的搜索行为，那么当你访问的网站上的广告是由Google提供的时候，Google就能判断你是谁，根据你之前搜索的结果，给你推送相应的广告。所以说跨网站精准营销的基础第一在于海量的网站基数和海量的广告主。比如说当你在Google上搜索“压缩机”，而没有对应的广告主，那么无论你以后去到哪一个网站上，出现“压缩机”图片的可能性几乎为零。而跨网站精准营销的基础之二是在于cookie。大家不妨试一下，当你保持每天清除浏览器cookie的习惯时，那些到处跟随你的网站就不见了。
其实在这个领域上，存在两个问题。第一个问题是隐私的问题，也就是这些公司是否能够用他们收集到的客户的信息来做定向的广告推送，例如当我们能判断一个客户很可能怀孕的时候向她推送怀孕相关产品这件事情是否侵犯了她的隐私？第二个问题是碎片的问题，这是我和1号店CTO韩军同学讨论过的问题。每个人在一个网站上的时间其实不是他们的全部，而只是生命中的一个片段。完全分析出一个人的具体情况是不可能的，只能把顾客分成不同的群组。
皮皮（Q5）：电商坐拥互联网行业最丰富的用户数据金矿，能从中挖掘出真金白银的屈指可数。双十一能成为时下IT圈的弄潮儿，离不开阿里利用大数据个性化推荐的法宝，而亚马逊可以领跑美国电子商务，也得益于它们的个性化推荐系统。我相信有很多从事电商行业的朋友们，很辛苦但赚不到钱，这里面到底有哪些窍门，能否支支招？谭磊（A5）：个性化推荐引擎的原理其实非常简单，这里用到的协同过滤和关联分析的法则归根到底就是把商品推荐给“alike“的人。我以前说过，”like是像，like是喜欢“。这是数据挖掘的基础，你要把alike的产品推荐给alike的人。这也是数据挖掘中”物以类聚人以群分“的概念。当你能够充分理解这个概念的时候，你就学会了个性化推荐。
这里的个性化推荐说起来简单，做起来就没那么容易了。通过用户经常访问的页面和曾经购买过的产品我们可以大概收集到客户的年龄、性别、购物地点、购物时段、大致页面停留时间等数据。同时我们可以通过对商品上的数据点做分析，从而找到匹配的客户和商品。 我们举个小的例子来说明个性化推荐是不能盲目执行的。假使说某个客户刚买了一件羽绒服，那么和这件羽绒服最类似的产品是另外一件羽绒服。那么推送这件羽绒服的广告对这个客户有意义吗？显然是完全没有意义的。而话又说回来，如果某个美女购买的是某一款韩版上衣，你完全可以推送另外一款韩版上衣，因为对于女生来讲，衣服是永远不嫌多的。
皮皮（Q6）：如果说，2013年是互联网金融元年，那么2014年则很可能会以互联网金融监管元年记入中国商业史。在这股热潮的推动下，我们习惯了用微信、支付宝来买理财。正所谓得屌丝者得天下，怎么用数据来赚钱？能否和我们分享下互联网金融下，怎么用数据来说话？谭磊（A6）：到目前为止，几乎每一个在中国的互联网上成功的产品都是依靠草根成功的，微信、支付宝和360都是。这里可能没有太多数据的概念可言。
而通过数据做互联网金融在美国有一个不错的案例是Zest Finance，使用了大数据技术来评估个人贷款的信贷风险指数，特别是为那些个人信用不良或者不满足传统银行贷款资格的个人提供服务。Zest Finance是由前Google首席信息官及工程副总裁Douglas Merrill和前Capital One公司主管Shawn Budde一起合作的结果。Capital One可以说是美国的信用卡公司中最会运用数据的公司。他们相信不仅仅是银行的内部数据，一切数据都可以是信用数据，实际上，Zest Finance大量采集用户在社会媒体上留下的数据，从这些数据中对用户的信用进行判断，预测用户拖延还贷的概率。Zest Finance通过这种分析，能够在低于行业平均拖延还贷率的条件下，进行更快更低成本的贷款发放。
谭磊个人简介：浙江省企业信息化促进会互联网分会会长，英特尔公司特邀大数据顾问。资深技术管理、数据分析挖掘专家，在美国微软总部服务13年。 《New Internet-大数据挖掘》、《数据掘金-电商数据运营》、《盛宴背后-互联网金融揭秘》三本书的作者。本期名人堂欢迎大家踊跃发言，截止日，我们将由谭磊老师评选活跃会员3名，赠送技术图书一本。更多嘉宾信息，请关注名人堂栏目：
, , , , , , , , ,
论坛徽章:0
谢谢分享，受益良多 问题是，从事大数据分析需要掌握哪些技能呢？
本人从事过一些BI展示层开发，用过一些工具譬如微策略以及fusion chart 组件，db2数据库建模以及存储过程清洗数据
接下来应该要往etl上提升还是应该学习数据挖掘理论，比较迷茫
论坛徽章:57
普通it人员如何转行数据分析it人员？
认证徽章论坛徽章:9
懂技术的不懂业务，懂业务的搞不清技术，这才是数据挖掘的难于铺开的症结。&&我个人觉得，能够把工具简单化、实用化，或许可以得到更好的推广，虽然细细思量之后，又会感叹，业务模型不通何以简化工具呢？&&纠结。
论坛徽章:0
SeattleRaymond 发表于
在我看来，作为数据分析的同业者，数据挖掘的基本概念是你首先必须要理解的，而不是单纯对于名词的死记硬 ...
谢谢谭老师回答，请问有没有相关书籍可以介绍1，2本？
另外是否有关于从事数据分析职业含金量比较高的培训考证？
据我所知有个CDA，还有个CPDA ，不知道谭老师的看法？
论坛徽章:0
受益匪浅！昨天刚刚听老师提到有关数据挖掘的内容，今天就能赶上这篇帖子，真好。作为一名在校大学生，我更想知道赶上了大数据时代的我们，应该如何选择了解进入这一行业。相比于各位前辈和老师，我处在一个初学者的状态，连一个正确的方向都把握不好。见识的越多越觉得诚惶诚恐，不知道怎么才能赶上这个潮流。希望能得到指点！谢谢了
论坛徽章:6
说的挺好的，目前在内地，很多中小型公司还没有把数据分析用好，数据分析需要的人才比较多，至少包括数据分析软件开发人才和商务运营人才。成本来说还是挺高的。
招聘 : 论坛徽章:83
Data Mining包含哪些主要功能？
Data Mining 运用了哪些理论与技术？&&
Data Mining在各领域的应用情形为何？
论坛徽章:1
数据挖掘和数据分析的本质就在于商业运营上的价值，不以商业逻辑为重点的数据分析师毫无意义的。
论坛徽章:0
lhyangel2012 发表于
说的挺好的，目前在内地，很多中小型公司还没有把数据分析用好，数据分析需要的人才比较多，至少包括数据分 ...
关键还是在人才。能做数据分析的人不少，加上商业的考量就少了。
认证徽章论坛徽章:2
没接触过挖掘，也顶起
认证徽章论坛徽章:55
這個東東是重要，但如何呈現。
论坛徽章:6
“数据是基础，商业是土壤，而运营是在这之上，真正让数据产生价值的东西。”
论坛徽章:36
数据挖掘技术哪家强？
认证徽章论坛徽章:127
谭老师的人生很精彩，给我们屌丝族树立了一个很好的榜样。
itpub.net All Right Reserved. 北京皓辰网域网络信息技术有限公司版权所有　　　　
　北京市公安局海淀分局网监中心备案编号：　广播电视节目制作经营许可证：编号（京）字第1149号}