大数据应用场景
来源:指数网  日期:2019-09-11
    • 分享到QQ空间

经过几年的发展,大数据产业已经进入价值变现阶段。传统企业对大数据技术和应用有了初步的了解,大数据平台和技术的应用已经开始普及。一些公司还设立了大型数据部门,大数据已被企业高度重视。但对于许多企业和制造商来说,主要的困难是大数据的场景应用,即如何利用数据分析和外部数据增强业务。

本文拟通过一系列文章介绍大数据场景应用,以及如何利用数据分析和外部数据实现价值实现和增强业务。前期它主要集中以下文章。大数据场景的应用场景是横向和纵向共享的,从数据源、数据应用、数据分析方法和工具等方面介绍了如何应用数据。

行业章节:从大数据场景的横向应用入手,介绍了大数据在各个行业的应用场景,重点介绍了大数据场景和案例功能在银行、证券、保险、互联网金融、房地产、旅游、交通、农业、智能化等领域的应用、政府和其他行业。从大数据场景的垂直应用出发,介绍了大数据分析在各个功能领域的应用。场景,重点介绍精准营销、数据风控、效率提升、决策支持、产品运作等大数据场景和案例。数据源章节:从数据类型和数据源的角度,介绍了中国市场上拥有数据源的公司,包括数据源、数据类型、数据应用场景和数据应用案例。用户肖像章:从数据应用入手,介绍了如何对数据进行整理和组织,如何标注,如何使用数据描述用户,如何构建可用于商业应用的用户肖像,以及如何通过用户肖像找到数据业务应用场景。数据分析论文:从数据分析的角度,介绍了常用的数据挖掘和统计分析方法、模型和算法。数据挖掘和分析常用知识点、数据分析模型和应用案例。

许多企业对大数据的价值、如何应用数据以及如何利用数据创造价值知之甚少。大数据场景应用已成为许多企业迫切需要了解的问题,也是企业应用大数据的重要起点。本文将从多个行业和领域与您分享大数据的应用场景,帮助企业掌握和找到数据应用的切入点。

大数据场景的应用实质上是数据的业务应用场景,是数据和数据分析在企业业务活动中的具体体现。大数据的场景应用可以从不同的纬度理解。在横向上,大数据在不同行业有不同的应用场景。简单地说,它是为了增强业务,降低成本,并在开源和节流上施加同等的压力。由于各行业的数据维度和数量质量不同,不同行业的大数据应用成熟度不同,金融行业的数据维度较多,数据质量也较好,数据集中和数据治理已经进行了一段时间,因此大数据的应用金融业的A比较好,取得了一定的效果。房地产行业的大数据刚刚起步,主要应用于线下和在线数据接入、土地决策、房地产金融等领域。电子商务是最早使用数据来兑现的行业。客户交易和行为数据分析已成为电子商务行业的核心竞争力。互联网金融、零售、医疗、交通、航空旅行等数据应用也开始了一段时间,数据分析给他们带来了更大的业务改进。

金融行业数据丰富,数据维度和质量也很好,可以开发许多应用场景。如果考虑引入外部数据,可以加速数据价值的实现。市场上较好的数据有社会数据、电子商务交易数据、移动大数据、运营商数据、商业司法数据、公安数据、教育数据、银联交易数据等。

一、金融行业大数据场景应用

大数据在金融业中应用广泛。一个典型的例子是,花旗银行使用IBM Watson计算机为理财客户推荐产品,并预测未来计算机理财市场将超过银行专业理财经理。通过使用决策树技术,摩根大通降低了不良贷款利率,将客户转变为提前还款客户,并每年增加6亿美元的利润。Visa使用Hadoop平台将730亿笔交易的处理时间从一个月缩短到13分钟。

1、银行数据应用场景

银行的数据应用场景相对丰富,典型的数据应用场景侧重于数据库营销、用户管理、数据风控制、产品设计和决策支持。目前,大数据在银行的商业应用主要基于自身的交易数据和客户数据,辅以外部数据;描述性数据分析,预测性数据建模为辅;经营客户为主,经营产品为辅。

银行数据可分为四类:交易数据、客户数据、信用数据和资产数据。大部分数据集中在数据仓库中。它们是具有强大财务属性的结构化数据。数据挖掘可用于分析某些事务数据背后的业务价值。商业银行正从产品向客户转移,对目标客户的搜索正成为商业银行数据应用的主要方向。其中,高端理财和金融客户挖掘已成为吸收存款和销售金融产品的主要应用领域。

利用数据库营销,挖掘高端富裕客户

从物业费待缴服务中寻找高端金融客户,银行可能会帮助一些物业公司代为支付物业费,其中包括更多的高端房地产的扣除和支付。银行可以根据物业费的金额识别高端住宅的业主。例如,对物业费扣除额超过3000元的客户进行分析,结合其在银行的资产余额,可以帮助银行找到一些主要资产不在银行的高端用户,为这些用户提供金融服务和资产管理服务。一旦一家股份制商业银行使用这种方法在两个月内增加超过10亿的存款。

三、国产hadoop发行版有哪些

中国有120万人拥有高端财富。这些人的平均可支配金融资产为1000万元人民币,是各银行财富管理的重点。这些人都有典型的高端消费习惯,高端消费市场场景涵盖了奢侈品、游艇、豪华轿车、手表、高尔夫、古董等。银行可以参考POS机的消费记录来定位这些高端财富管理者,为他们提供定制的财富管理解决方案,吸收他们进入财富管理客户,增加存款和销售金融产品。此外,移动设备的位置数据可以帮助银行识别这些组。

1、使用外部数据查找白金卡用户

信用卡中的白金卡主要面向高端消费者,他们很难接触到线下,但他们也是信用卡公司想要获得的高价值用户。银行可以参考一流仓库的数量、出境旅游消费量和国外漫游数据的成本,提供白金卡服务。经常在一流的仓库里旅行、消费量大的客户,应满足白金信用卡客户的需求。这种消费场景的关联应用是一种典型的大数据应用模式,也是数据库营销和数据风控的常用场景。

2、保险行业数据应用功能场景

保险业主要通过保险代理人联系保险客户,对客户的基本信息和需求知之甚少。因此,它严重依赖外部保险代理和渠道(银行)。在竞争较少的情况下,这种联系客户的方式是可能的。但在互联网保险兴起后,由于年轻人更喜欢使用互联网渠道来满足他们的需求,用户很可能会被转移到互联网渠道。未来,网络客户将成为保险公司客户的来源。

保险业的产品是一种长期的产品。保险客户再次购买保险产品的转化率很高。搞好老客户管理是保险公司的一项重要任务。保险公司的交易制度和交易方式不多。数据主要集中在产品系统和交易系统中。客户关系管理系统也包含丰富的信息。然而,许多保险公司尚未完成数据集中。数据仓库的建设可能需要在用户画像的建设之前完成。

保险公司的主要数据有人口属性信息、信用信息、产品销售信息和客户家庭信息。缺乏兴趣、消费特征、社会信息等信息。保险产品主要包括人寿保险、汽车保险、保险、财产保险、意外伤害保险、养老保险、旅游保险等。

保险行业的数据业务场景以保险产品和保险客户为中心。典型的数据应用包括使用用户行为数据来制定车辆保险价格(UBI),使用客户外部行为数据来了解客户需求,向目标用户推荐产品,如根据其自身的数据(个人属性),外部车辆维护应用的活跃情况,以及查找汽车保险价格。为保险公司的客户提供保险。根据自己的数据(个人属性),移动设备的位置信息,为保险公司寻找商务旅行者,推广意外保险和安全保险。根据自己的数据(家庭数据)、人生阶段信息,为用户推荐金融保险、人寿保险、安全保险、养老保险、教育保险。根据自身数据和外部数据,为高端人群提供财产保险和人寿保险。利用外部数据,可以提高保险产品的精算水平,提高利润水平和投资回报率。

三、地产行业大数据场景应用

房地产业正从黄金开发期向白银开发期转变,房地产经营已由粗放经营向精细经营转变。土地生产不是简单的交钥匙工程,简单的商品房建设。房地产公司正转向商业房地产开发、店铺管理和物业管理。市场竞争促使房地产公司寻找新的收入增长点和新的商业模式。一些房地产巨头,如万科和万达,已经转向社区O2O、电子商务、文化产业、房地产金融等业务。

一些房地产公司和大数据公司正在寻找大数据在房地产行业的应用场景,并已取得阶段性成果。移动大数据正在帮助房地产行业在土地开发、社区规划、商店规划、房地产o2 o甚至房地产金融中发挥作用。房地产大数据的商业应用场景逐渐挖掘出来。大数据技术在资源配置和客户分析中发挥了不可想象的作用。移动大数据正在帮助房地产企业实施数字化运营,获得新的业务收入。作为一家领先的移动大数据公司,Talking Data在土地规划、客户管理、接入o2 o等方面帮助许多房地产公司实现了数字化运营,并取得了一定的成绩。数据业务应用程序为过去不存在的房地产公司带来了商业价值。移动大数据技术在商业房地产中的应用正成为许多房地产企业关注的焦点。

1、移动大数据在商业用地定价策略中的应用

以房地产为例,介绍一家房地产开发主要集中在三线城市的知名房地产公司。当房地产公司进城时,当地政府非常欢迎,并拿出一块30万户籍的土地供房地产公司开发。房地产开发公司开发后,发现该房销售非常少,30万户家庭的需求量根本没有一个数量级。房屋积压严重,造成巨大损失。

房地产公司对房屋滞销的原因感到困惑。经过一段时间的研究,房地产公司发现,30多万户籍居民中有一半以上在其他城市工作,以后不会再回来买房子了。开发区居民住房需求量较低,相当于10万户籍居民的需求量。房地产开发商很难在短期内出售根据30万人需求开发的住宅区。房地产投资损失较大,导致房地产开发商退出当地房地产市场。

谈话数据使用来自移动设备的位置数据来帮助开发人员了解其开发现场的永久居民数量、年龄分布、职业特征和收入水平。通过数据分析,房地产开发商可以客观地了解每晚居住在开发地块的人数、进入地块的人数、第二天离开地块的人数,以及这些人的活动规律、年龄、职业类型、收入水平、消费水平。这些数据可以帮助房地产开发商评估土地价值,这对土地价格有很大的影响。房地产公司利用大型移动数据估算土地价值,避免了使用户籍人口估算土地价值,降低了土地投资成本和房地产开发风险。

越来越多的房地产企业利用大移动数据客观、准确地估计其开发的土地价值,降低土地投资成本。房地产开发商还将参考用户信息进行房屋设计、店铺规划、配套设施规划等,将大数据的价值真正应用到房地产项目中,优化资源配置,提高运营效率。

2、移动大数据在商场房地产规划中的应用

房地产产业正在延伸产业链。住宅小区商业地产项目已成为房地产企业未来利润的增长点。商铺主要为周边居民提供服务,居民的消费偏好成为商铺设计的起点。商铺的合理规划是商业地产增值的关键。

移动互联网上的大数据可以帮助房地产开发商了解客户的消费偏好。大数据公司可以通过智能手机及其活动的应用程序列表来分析和描绘周围的居民。这些用户画像包括客户的生活偏好、年龄水平、消费特征等信息。房地产企业可以利用这一信息进行店面规划,根据客户的消费需求来规划店面,最大限度地提高店面利用率和客流,合理配置店面资源。

TalkingData为一些房地产开发商提供了用于店铺规划的用户肖像数据。根据周边用户的特点和数量,房地产公司规划了教育、娱乐、健康、户外运动、美容等商铺的配置比例,以确保有足够的商铺满足客户需求,同时也确保没有太多的同类型商铺,最大化e商铺的经济效益,也为商业房地产增值提供了依据。

房地产公司在开发门店时,利用移动互联网端的客户行为数据和消费者偏好数据,根据客户需求规划门店,增加客户流量和门店总消费量,帮助房地产公司提高门店价值和潜在租金。商家还可以利用用户画像数据深入了解客户,为商品采购和服务提供数据支持,为客户提供更优质的商品和服务。

四、零售行业大数据场景应用

零售业最著名的一个大数据案例是沃尔玛啤酒和尿布的故事,以及Target通过向年轻女孩发送尿布广告向父亲和女儿讲述怀孕的故事。沃尔玛是大数据分析应用的先驱。它拥有世界第二大数据仓库,第一个大型数据仓库归美国政府所有。

零售业可以通过记录客户的购买情况,了解客户的购买偏好,并将相关产品组合在一起,如洗衣粉、消毒剂、衣领清洁等与洗衣有关的化工产品,从而增加销售额。根据客户采购记录重新定位的商品将使零售额增加30%以上。

零售业还可以记录消费者的购买习惯,提醒他们在用完之前通过精确的广告购买一些日常用品。或者通过网上购物中心定期送货,不仅可以帮助客户解决问题,还可以提高客户体验。

电子商务是第一个使用大数据进行精确营销的行业。电子商务网站的推荐引擎会根据客户的历史购买行为和类似的人群购买行为推荐产品。市场上推荐的发动机产品转化率一般为6%-8%,很少超过8%

电子商务巨头天茂、京东通过客户的购买习惯,根据客户的购买习惯,提前准备好了湿尿、卫生纸、衣服等日常用品。当客户刚下订单时,货物将在24小时或30分钟内送到客户门口,这提高了客户的体验,使客户没有时间后悔。

电子商务具有足够的数据量、更集中的数据量和更多的数据种类,因此其商业应用具有更大的想象空间。包括流行趋势预测、消费趋势预测、区域消费特征预测、消费者消费习惯预测、消费者行为相关性预测、消费热点预测等。通过大数据分析,电子商务可以帮助企业进行产品设计、库存管理、计划生产、资源配置等,有利于精细化大规模生产,提高生产效率,优化资源配置。

五、医疗行业大数据场景应用

医疗行业有大量的病例、病理报告、医疗方案、药物报告等。如果对这些数据进行整理和分析,将对医生和患者有很大帮助。未来,借助大型数据平台,我们可以收集疾病的基本特征、病例和治疗方案,建立疾病数据库,帮助医生诊断疾病。

IBM10亿美元收购了一家公司,并收购了10万份患者档案。IBMWatson学习了这些病历,根据过去的数据和诊断建立了疾病诊断模型,并向医生推荐了治疗方案。IBMWatson主干系统是Deepqa,它专注于文本分析和概率大规模并行分析系统。只有20%的医生用于诊断和治疗的医学知识有经验依据,每五年翻一番。医生没有时间查阅所有期刊,并实时更新他们的知识储备。

IBM的沃森能够学习和更新以帮助医生诊断和提出治疗方案。美国的安德森癌症医学中心正在使用IBM的沃森帮助医生诊断和开发治疗方案。

随着基因技术的发展,可以根据患者的基因序列特征对其进行分类,建立医疗行业的患者分类数据库。当医生诊断病人时,他可以参考病人的疾病特征、化验报告和化验报告,并参考疾病数据库帮助病人快速诊断。在制定治疗方案时,医生可以选择相似的基因、年龄、民族、身体状况相同的有效治疗方案,制定适合患者的治疗方案,帮助更多人及时治疗。这些数据也有利于制药行业开发更有效的药品和医疗器械。中国是世界领先的基因测序器。目前,可用于测量36对顾客基因序列的费用不足1万元,可帮助医生诊断和制定早期疾病的治疗方案。

医疗行业的数据应用一直在进行,但数据还没有被清除,它们是孤立的数据,无法大规模应用。未来,我们需要在一个统一的大数据平台中收集这些数据,以利于人类健康。政府是推动这一趋势的重要推动力。

六、移动互联网广告

数字广告越来越受到广告商的关注,其未来的市场规模也越来越大。2014年,美国互联网广告市场规模接近500亿美元。从中国人口消费能力来看,市场规模将很快达到2000亿元左右。

过去,广告投放主要是基于良好的广告渠道+广播投放。广告主把广告交给广告公司,由广告公司安排。其中,扫描电镜广告市场规模最大,其次是展示广告。精准品牌推广广告较少,多为广播广告。广播的缺点是投入大量资金,不针对目标客户,向所有客户展示。广告的TA(目标客户)响应度低,存在数字广告营销陷阱等问题。

大数据技术可以在互联网上记录客户行为,分析客户行为,标记和描绘用户。尤其是进入移动互联网时代后,用户的主要接入方式已转向智能手机和台式电脑。移动互联网数据包含个人行为数据,可用于360度的用户画像,更接近真实人群。

移动大数据的用户画像可以帮助广告商进行精准的营销,将广告引导到用户的移动设备上,大大提高广告的目标客户覆盖率。一般来说,促销的效果超过30%。广告主品牌广告中个体TA的曝光成本降低,数据输入成本越低,曝光率越高。

七、互联网金融大数据场景应用

随着互联网金融的爆炸性发展,2015P2P交易总量将超过1万亿元,将成为一个有影响力的行业。但在P2P行业,其风险也在增加。除了传统的信用风险外,其外部欺诈风险也正在成为主要风险。一些P2P公司统计,P2P公司最大的外部风险不是借款人的坏账,而是犯罪集团的恶意欺诈。网络犯罪正成为P2P公司面临的主要威胁之一。即使在一些P2P公司,恶意欺诈占总坏账的60%。许多P2P公司都专注于如何防止恶意行为。高风险客户识别和黑名单已成为防范恶意欺诈的主要手段。移动大数据可以帮助互联网金融公司识别欺诈用户和高风险用户

1、用户住所标识

网络诈骗具有较高的隐蔽性,难以识别和发现。大部分P2P贷款用户来自网络,因此在线发生恶意欺诈的风险远大于离线发生恶意欺诈的风险。中国的许多数据处于封闭状态,P2P公司在验证真实客户信息方面面临着更大的挑战。

移动大数据可以验证P2P客户的居住情况,比如在使用手机申请贷款时填写上海居住情况的客户。然而,根据P2P公司提供的移动设备信息,他们发现他们过去三个月从未在上海生活过。此人提交的信息可能是虚假信息,恶意欺诈风险较高。移动设备的位置信息可以识别设备持有人的居住地点,帮助P2P公司核实贷款申请人的居住情况。

2、用户工作场所验证

借款人的工作单位是用户还款能力的强相关信息,高薪用户的贷款信用违约率较低。这些客户已成为许多贷款平台积极争取的客户,也是恶意欺诈团伙的主要假冒客户。

当用户申请贷款时,如果他宣称自己是上海陆家嘴金融企业的高薪员工,那么他的贷款审批就会很快,而且金额会更高。但P2P公司利用大移动数据发现,该用户在过去三个月内从未在陆家嘴出现过,而且大部分时间他活跃在城乡结合部,因此该用户恶意欺诈的可能性更大。移动大数据可以帮助P2P公司在一定程度上验证贷款用户的真实位置,降低利用高薪工作的犯罪分子恶意欺诈的风险。

3、识别欺诈聚集

恶意欺诈往往具有团伙犯罪和集中犯罪的特点。犯罪团伙成员往往集中精力在临时场所,雇用一些人,并在短时间内犯下精神错乱的罪行。

在大多数情况下,多个贷款用户住在同一社区的概率较低,贷款的概率较低。如果P2P平台在几天内发现,在相同的GPS纬度和经度下会有很多贷款请求。而用户信息非常相似,申请人居住在偏远的郊区,这些贷款申请更容易被恶意欺诈。P2P公司可以将这些异常行为定义为高风险事件,并利用其他信息进一步识别和验证,以降低恶意欺诈的风险。移动设备的位置信息可以帮助P2P公司在同一纬度和经度上识别集团恶意欺诈事件,降低不良贷款的概率。

4、识别高风险贷款使用者

高风险客户也是P2P企业面临的风险。高风险客户被广泛定义。除了信用风险外,贷款人的健康状况也是一个重要的参考。移动大数据的位置信息、安装的应用类型和使用应用的习惯在一定程度上反映了贷款用户的高风险行为。P2P企业可以利用移动设备的位置信息来了解用户近三个月的行为轨迹。如果用户经常出现在危险区域,如午夜2点的酒吧,并且经常有赛车行为,那么客户被定义为高风险客户的概率就更高。

一些高风险客户同时在不同平台借款,增加了贷款风险。Talking Data的应用程序数据服务可以帮助企业了解客户何时下载了贷款应用程序,以及最近积极使用的贷款应用程序。帮助P2P企业了解客户贷款应用的使用,识别多笔贷款的使用

八、农业大数据场景应用

农产品不容易保存,合理种植和养殖农产品对农民非常重要。借助于大数据提供的消费能力和趋势报告,政府将为农牧业生产进行合理引导,依据需求进行生产,避免产能过剩,造成不必要的资源和社会财富浪费。大数据技术可以帮助政府实现农业的精细化管理,实现科学决策。在数据驱动下,结合无人机技术,农民可以采集农产品生长信息,病虫害信息。

农业生产面临的危险因素很多,但这些危险因素很大程度上可以通过除草剂、杀菌剂、杀虫剂等技术产品进行消除。天气成了影响农业非常大的决定因素。过去的天气预报仅仅能提供当地的降雨量,但农民更关心有多少水分可以留在他们的土地上,这些是受降雨量和土质来决定的。

Climate公司利用政府开放的气象站的数据和土地数据建立了模型,他们可以告诉农民可以在哪些土地上耕种,哪些土地今天需要喷雾并完成耕种,哪些正处于生长期的土地需要施肥,哪些土地需要5天后才可以耕种,大数据技术可以帮助农业创造巨大的商业价值。

九、物流行业

中国的物流产业规模大概有5万亿左右,其中公里物流市场大概有3万亿左右。物流行业的整体净利润从过去的30%以上降低到了20%左右,并且下降的趋势明显。物流行业很多的运力浪费在返程空载、重复运输、小规模运输等方面。中国市场最大等物流公司所占的市场份额不到1%。因此资源需要整合,运送效率需要提高。

物流行业借助于大数据,可以建立全国物流网络,了解各个节点的运货需求和运力,合理配置资源,降低货车的返程空载率,降低超载率,减少重复路线运输,降低小规模运输比例。通过大数据技术,及时了解各个路线货物运送需求,同时建立基于地理位置和产业链的物流港口,实现货物和运力的实时配比,提高物流行业的运输效率。借助于大数据技术对物流行业进行的优化资源配置,至少可以增加物流行业10%左右的收入,其市场价值将在5000亿左右。

十、智慧城市管理

如今,世界超过一半的人口生活在城市里,到2050年这一数字会增长到75%。政府需要利用一些技术手段来管理好城市,使城市里的资源得到良好配置。既不出现由于资源配置不平衡而导致的效率低下以及骚乱,又要避免不必要的资源浪费而导致的财政支出过大。大数据作为其中的一项技术可以有效帮助政府实现资源科学配置,精细化运营城市,打造智慧城市。

城市的道路交通,完全可以利用GPS数据和摄像头数据来进行规划,包括道路红绿灯时间间隔和关联控制,包括直行和左右转弯车道的规划、单行道的设置。利用大数据技术实施的城市交通智能规划,至少能够提高30%左右的道路运输能力,并能够降低交通事故率。在美国,政府依据某一路段的交通事故信息来增设信号灯,降低了50%以上的交通事故率。机场的航班起降依靠大数据将会提高航班管理的效率,航空公司利用大数据可以提高上座率,降低运行成本。铁路利用大数据可以有效安排客运和货运列车,提高效率、降低成本。

城市公共交通规划、教育资源配置、医疗资源配置、商业中心建设、房地产规划、产业规划、城市建设等都可以借助于大数据技术进行良好规划和动态调整。

大数据技术可以了解经济发展情况,各产业发展情况,消费支出和产品销售情况,依据分析结果,科学地制定宏观政策,平衡各产业发展,避免产能过剩,有效利用自然资源和社会资源,提高社会生产效率。大数据技术也能帮助政府进行支出管理,透明合理的财政支出将有利于提高公信力和监督财政支出。大数据及大数据技术带给政府的不仅仅是效率提升、科学决策、精细管理,更重要的是数据治国、科学管理的意识改变,未来大数据将会从各个方面来帮助政府实施高效和精细化管理,具有极大的想象空间

大数据技术或许在未来有着更多的应用场景,而身处现代化建设的征途钟,唯有掌握技术才能获得社会乃至国家的重视和肯定。对此柏链项目学院已于六月初开设了《强数据》课程产品,该课程由柏链教研团队联合前京东大学大数据院长赵强老师联合打造,目前已开设线上公开课,欢迎各位学院前往观看,凡观看公开课的学员,将获得免费领取大数据课程的资格。

    • 分享到QQ空间