南京电视台媒体邀约公关公司

　　距首先需要明白企业如何看待大数据。

　　 IBM和牛津大学的调查揭示了企业是如何看待大数据的，以下是1144位受访者对大数据是什么的回答。

　　 一个令人感到意外的调研结果是，社交媒体的影响力是如此之大，许多人心目中的大数据就是社交媒体数据。但面向从业人士的调查显示了只有7％的受访者这样定义大数据，不到一半的正在开展大数据措施的受访者认为，他们在收集和分析社交媒体数据，而大部分的受访者认为他们在当前的大数据项目中使用的是现有的内部数据源。

　　 那么，在有大数据概念和没大数据概念之前的大数据活动究竟有何不同？事实上，有些组织已经使用大数据很多年了。例如，一家全球电信公司每天从120个不同系统中收集数十亿条详细呼叫记录，并保存至少9个月时间。一家石油勘探公司分析几万亿字节的地质数据，并从中找出有挖掘潜力的矿址。而证券交易所每分钟处理数百万个交易以支撑实时安全的用户交易，对于这些公司来说大数据并非新的概念。然而，如今的大数据时代至少有如下几方面与之前有显著的区别：

　　 目前在广泛行业中几乎所有方面的数字化都产生了大量的新型实时数据，其中非标准化数据占据了很大一部分，如文本数据、流数据、地理空间数据或传感器产生的数据，这些数据并不能完美地适用于传统的、结构化的、关系型数据仓库。

　　 当前先进的分析技术和工艺使得各组织能够以从前无法达到的复杂度、速度和准确度从数据中获得洞察力。

　　 当前的组织比以往任何时候都更加注重数据的力量，尽管背后有机构炒作的身影，但对数据价值的重视已是不争的事实。

　　8.1.2定义大数据

　　 在对大数据的混淆中，很大一部分从大数据的定义开始，不同行业背景的人对大数据会有不同的定义，计算机科学家和金融分析师所认知的大数据也许会天差地别。科学家John Rauser对大数据的定义是：大数据是任何超过一台计算机处理能力的数据量。

　　 而百度百科对大数据的定义则是：大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。

　　 虽然学界业界对大数据的定义尚未统一，但各界都认可维克托·迈尔·舍恩伯格在《大数据时代》一书里对大数据特征的描述。舍恩伯格指出大数据具有4V特征，分别是Volume（大量）、Variety（多样性）、Velocity（速度）和Value（价值）。

　　 （1）Volume（大量）。

　　 指的是通过各种设备产生的海量数据，其数据规模极为庞大，远远大于目前互联网上的信息流量。当前，典型的个人计算机硬盘的容量为TB量级。截至2012年，人类生产的所有印刷材料的数据量为200PB，历史上全人类所有说过的话的数据量大约是5EB。而根据IDC的测算，2011年全球创建和复制的信息总量为1.8ZB，2012年为2.8ZB，按照每两年翻一番的速度，2020年将达到40ZB。

　　 （2）Variety（多样性）。

　　 指的是数据类型繁多。桌面互联网时代，数据类型以便于存储和规范分析的文本型结构化数据为主。到了移动互联网时代，随着传感器的大量使用，数据不仅包含传统的关系型数据，还包含来自网页、Web日志文件、搜索缩影、社交媒体论坛、电子邮件、文档、主动和被动系统的传感器数据等原始、半结构化和非结构化数据。非结构化数据越来越多，这些多类型的非结构化数据对数据的处理能力提出了更高要求。

　　 （3）Velocity（速度）。

　　 一方面指的是数据产生快，比如欧洲核子研究中心的大型强子对撞机工作状态下每秒产生PB级的数据，这对存储技术提出了更高的要求；另一方面指的是数据处理快，因为数据存在时效性，比如电商的数据，必须快速处理分析得出类似于是否补货这样的决策才有实际价值。

　　 （4）Value（价值）。

　　 指的是价值密度低。价值密度的高低与数据总量的大小成反比。再以欧洲核子研究中心的大型强子对撞机为例，该实验室有1.5亿个传感器，平均每秒内有6亿次碰撞。其中，99.999％的数据经过过滤并没有记录下来，仅有100次碰撞（每秒）的数据最具有价值，也就是说真正需要采集并处理的数据仅为传感器数据中的0.001％。如何通过强大的机器算法更迅速地完成数据的价值“提纯”是目前大数据关注的重点。

　　 此外，尽管追求高数据质量是一项重要的大数据要求和挑战，但是，即使最优秀的数据清理方法也无法消除某些数据固有的不可预测性，例如天气、经济或者客户的感情等。许多国家要求能源制造公司预测产量，并要求一定比例的产量来自于可再生能源，但风或云都无法准确预测，为此分析人员需要通过结合多个可靠性较低的来源来创建更准确、更有用的数据点，例如与地理空间位置信息相关的社会评论。

　　 对于数字营销或者更广泛意义上的营销来说，每次当用户在今天的数字世界里使用技术，不管是沟通、购买、学习、放松还是互动，都会留下一串的数字轨迹，这些都是数据。随着时间的累积，这些就成了大数据，这些数据折射出的是用户如何花时间，什么对用户是重要的，甚至用户需要的是什么，将这些所有外部的数据和企业内部已有的财务、市场、服务和人口统计学等信息汇总起来就是真正的营销大数据了。

　　 一旦营销人员能够治理并释放大数据中的价值，营销者将能够获得对于客户的360度视角，获得对客户的洞见，使数据转化为洞见，而这些洞见又能驱动更好地与客户互动——让正确的消息在正确的时间通过正确的渠道传递给正确的客户，增强的用户互动体验带来的将是销量的增长，以及与竞争对手构成的市场差分。

　　8.1.3大数据运用的不同层次

　　 IBM将企业对大数据的运用分为了信息成本削减、信息共享、信息相应能力和信息随需应变四个层次，同样的分析框架也适用于营销，我们首先看看这个框架的内涵。

　　 在分析框架的第一个阶段，营销部门的重点战术是针对有确切地址的目标客户寄送产品目录或者电子邮件，从而降低邮寄的成本，同时逐步提高收入，对于采用信息成本削减战略的企业，大多数营销活动注重细分效率，例如通过减少或消除信息而增加所选客户组的对话数量（例如避免向多个家庭成员发送同样的目录），从而降低沟通的成本。通过流线化的目标选择，企业的营销成本得以降低。

　　 尽管在第一阶段成本效率有所提高，但大多数高管会发现他们对于分析带来的实际收入增长量并不满意，最有可能的原因是高管们逐渐认识到分析带来的价值要体现在获取、处理和理解与客户相关的数据，并将其转化为企业以前不可能开展的活动的能力。这要求企业更好地处理和使用客户数据，而不是面对大量数据无所适从。同时，为了提高分析能力，企业愿意改变内部流程，并且转向基于事实的营销文化。

　　 分析成熟度提高一级，企业就能更好地理解客户，并且以更加个性化的方式与客户交流。在IBM的研究中发现，分析成熟度每提高一级，企业的客户留住率可能提高9％，并能将额外3％的联系人转化为交叉销售客户。

　　 处于分析框架第二阶段的企业需要制定明确的客户分析战略，以实现信息共享，对于消费者来说，在手机或互联网上搜索商品，在线下店里体验商品，最后再在手机或者互联网上完成购买已经是越来越常见的场景。处于客户分析框架第二阶段的企业在多种渠道中创造统一的客户体验，并能获得高忠诚度、更多的交叉销售和上行销售、更高的净推荐值、更高的消费频率和消费金额等。在传统的营销模式里，通常设定的考核指标是如通过当前商品目录实现15％的投资回报和至少1亿元的销售额这样的目标，处于分析框架第二阶段的企业会将重心转向如何更好地在一段时间内为客户服务，他们的目标设置会包含如“我们需要通过特别形式为青春白领类型细分客户提供更多的商品套装选择”，这个阶段的企业懂得使用分析方法优化在正确的时间通过正确的渠道提供正确的产品，公司理念从为我的产品寻找客户转向为我的客户寻找正确的产品。

　　 第三阶段