用大數據如何做t恤

『壹』 大數據如何與零售業結合 在實戰中應用

大數據如何與零售業結合 在實戰中應用

一、「大數據」的商業價值

1、對顧客群體細分

「大數據」可以對顧客群體細分，然後對每個群體量體裁衣般的採取獨特的行動。瞄準特定的顧客群體來進行營銷和服務是商家一直以來的追求。雲存儲的海量數據和「大數據」的分析技術使得對消費者的實時和極端的細分有了成本效率極高的可能。

2、模擬實境

運用「大數據」模擬實境，發掘新的需求和提高投入的回報率。現在越來越多的產品中都裝有感測器，汽車和智能手機的普及使得可收集數據呈現爆炸性增長。Blog、Twitter、Facebook和微博等社交網路也在產生著海量的數據。

雲計算和「大數據」分析技術使得商家可以在成本效率較高的情況下，實時地把這些數據連同交易行為的數據進行儲存和分析。交易過程、產品使用和人類行為都可以數據化。「大數據」技術可以把這些數據整合起來進行數據挖掘，從而在某些情況下通過模型模擬來判斷不同變數(比如不同地區不同促銷方案)的情況下何種方案投入回報最高。

3、提高投入回報率

提高「大數據」成果在各相關部門的分享程度，提高整個管理鏈條和產業鏈條的投入回報率。「大數據」能力強的部門可以通過雲計算、互聯網和內部搜索引擎把」大數據」成果和「大數據」能力比較薄弱的部門分享，幫助他們利用「大數據」創造商業價值。

4、數據存儲空間出租

企業和個人有著海量信息存儲的需求，只有將數據妥善存儲，才有可能進一步挖掘其潛在價值。具體而言，這塊業務模式又可以細分為針對個人文件存儲和針對企業用戶兩大類。主要是通過易於使用的API，用戶可以方便地將各種數據對象放在雲端，然後再像使用水、電一樣按用量收費。目前已有多個公司推出相應服務，如亞馬遜、網易、諾基亞等。運營商也推出了相應的服務，如中國移動的彩雲業務。

5、管理客戶關系

客戶管理應用的目的是根據客戶的屬性(包括自然屬性和行為屬性)，從不同角度深層次分析客戶、了解客戶，以此增加新的客戶、提高客戶的忠誠度、降低客戶流失率、提高客戶消費等。 對中小客戶來說，專門的CRM顯然大而貴。不少中小商家將飛信作為初級CRM來使用。比如把老客戶加到飛信群里，在群朋友圈裡發布新產品預告、特價銷售通知，完成售前售後服務等。

6、個性化精準推薦

在運營商內部，根據用戶喜好推薦各類業務或應用是常見的，比如應用商店軟體推薦、IPTV視頻節目推薦等，而通過關聯演算法、文本摘要抽取、情感分析等智能分析演算法後，可以將之延伸到商用化服務，利用數據挖掘技術幫助客戶進行精準營銷，今後盈利可以來自於客戶增值部分的分成。

以日常的「垃圾簡訊」為例，信息並不都是「垃圾」，因為收到的人並不需要而被視為垃圾。通過用戶行為數據進行分析後，可以給需要的人發送需要的信息，這樣「垃圾簡訊」就成了有價值的信息。在日本的麥當勞，用戶在手機上下載優惠券，再去餐廳用運營商DoCoMo的手機錢包優惠支付。運營商和麥當勞搜集相關消費信息，例如經常買什麼漢堡，去哪個店消費，消費頻次多少，然後精準推送優惠券給用戶。

7、數據搜索

數據搜索是一個並不新鮮的應用，隨著「大數據」時代的到來，實時性、全范圍搜索的需求也就變得越來越強烈。我們需要能搜索各種社交網路、用戶行為等數據。其商業應用價值是將實時的數據處理與分析和廣告聯系起來，即實時廣告業務和應用內移動廣告的社交服務。

運營商掌握的用戶網上行為信息，使得所獲取的數據「具備更全面維度」，更具商業價值。典型應用如中國移動的「盤古搜索」。

二、「大數據」與零售業的結合運用

對於數據的使用，許多實體零售商同樣表示非常重視，他們對企業積累的數據進行了各種預測和分析。然而，對具體的銷售業務來說，往往存在理想與現實的糾結，前不久市場中一家知名的服裝零售企業一方面在宣傳盈利上市的同時，一方面曝出有近10億元的庫存。國內很多零售企業都知道「大數據」應用的好處，但他們一旦將「大數據」的應用結合到自己的企業經營中時，便會出現與目前經營有非常大的不適應問題，如此導致許多企業對此都持非常謹慎的態度。

1、將零售策略與「大數據」技術進行結合

零售企業談的「大數據」的最大價值，是在零售策略上與「大數據」技術進行結合，最大程度地編制前置性的零售策略，確保銷售計劃的實現。「大數據」講究四個「V」：一是數據體量大（Volume）；二是數據類型復雜（Variety），多涉及到各種結構性與非結構性的；三是價值密度低（Value），這和體量大是相對應的；四是數據更新與處理速度快（Velocity）。

根據這些特性主動地在業務數據產生的同時做出相應的策略應對，會為企業贏得更多的時間和市場策略調整空間。這類似於大江大河的洪峰預警，上游的洪峰出現什麼狀況，下游要做什麼樣的應對。數據用到這一層面上，才具有直接的業務價值，這不是那種銷量同期比、環比、銷售計劃比數據能指導業務的價值能相比的。例如一家涉足線上業務的實體零售商，在一組貨品的15分鍾促銷時間內，往往准備著3套應變策略，以確保貨品能夠按計劃賣出。

在實體商業領域，有許多關於數據與營銷的案例。一個較早的版本就是美國沃爾瑪啤酒和尿布的數據關系。原來，美國的婦女在家照顧孩子，所以她們會囑咐丈夫在下班回家的路上為孩子買尿布，而丈夫在買尿布的同時又會順手購買自己愛喝的啤酒。

當分析師了解到啤酒和尿布銷量存在正相關關系、並進一步分析的時候，發現了這樣的購買情境，於是將這兩種屬於不同門類的商品擺在一起。這個發現為商家帶來了新的銷售組合。當然，即使再多的零售連鎖企業知道這個故事，也極少從平時銷售中能發現這樣的組合，哪怕是牽強附會的。

所以，零售策略設計是零售業「大數據」價值最大的地方，也是「大數據」可以直接為其提供支持的業務。

2、零售企業對「大數據」應保持正確態度

企業的領導者首先要重視「大數據」的發展、重視企業的數據中心，把收集顧客數據作為企業營銷運營的第一目標；第二，對企業內部人員進行培訓及建立收集數據的軟硬體機制；第三，以業務需求為准則，確定哪些數據是需要收集的；第四，確認在企業已有的數據基礎上或者未來方向前提下，如何達成前三項目標的基礎建設方案。

在這些IT基礎工作需要企業有實實在在的投入和建設規范的信息化團隊，作為中國商業最大的一分子——中小微型零售企業似乎是不可能也沒有足夠的能力來面對這樣一場變化的。

大中型零售商因為本身業務及利潤的積淀，已經能夠承擔這樣一場需求趨勢的需要成本。中小微型企業還處於快速發展過程中，如果也如同大中型企業進行全方面的投入，將很快會被新型的IT工具拖垮或者遭受重創。

但這並不意味著中小零售企業沒有機會，實際上IT的發展為所有的企業都提供了平等的選擇，雲計算的廣泛應用即是對這樣一場變革帶來的臨時禮物。

作為中小微型零售企業，完全不必考慮自己建設一套「大數據」的IT系統，他們從精力、成本、能力上來說都不適合，因此此類企業可以將企業的IT建設外包給適合的服務商，企業本身的所有精力可以投入到對商圈的開發上。

目前，一些IT軟體開發運營商也已經針對傳統零售企業推出了雲服務的基礎平台，為中小微型商業企業提供了大型企業和超大型企業同樣的基礎環境及系統架構，小企業只需清晰地規劃出自己的目標和適合的步驟，使用雲平台按需付費即可，大可不必進行巨大的初始投入和不可預測的運行成本。

三、「大數據」在零售企業實戰中的應用

1、Target

最早關於「大數據」的故事發生在美國第二大的超市塔吉特百貨（Target）。孕婦對於零售商來說是個含金量很高的顧客群體。但是他們一般會去專門的孕婦商店而不是在Target購買孕期用品。人們一提起Target，往往想到的都是清潔用品、襪子和手紙之類的日常生活用品，卻忽視了Target有孕婦需要的一切。為此，Target的市場營銷人員求助於Target的顧客數據分析部要求建立一個模型，在孕婦第2個妊娠期就把她們給確認出來。在美國出生記錄是公開的，等孩子出生了，新生兒母親就會被鋪天蓋地的產品優惠廣告包圍，因此必須趕在孕婦第2個妊娠期行動起來。如果Target能夠趕在所有零售商之前知道哪位顧客懷孕了，市場營銷部門就可以早早的給他們發出量身定製的孕婦優惠廣告，早早圈定寶貴的顧客資源。

如何能夠准確地判斷哪位顧客懷孕？ Target想到公司有一個迎嬰聚會（baby shower）的登記表，開始對這些登記表裡的顧客的消費數據進行建模分析，不久就發現了許多非常有用的數據模式。比如模型發現，許多孕婦在第2個妊娠期的開始會買許多大包裝的無香味護手霜；在懷孕的最初20周大量購買補充鈣、鎂、鋅的善存片之類的保健品。最後Target選出了25種典型商品的消費數據構建了「懷孕預測指數」，通過這個指數，Target能夠在很小的誤差范圍內預測到顧客的懷孕情況，因此Target就能早早地把孕婦優惠廣告寄發給顧客。

為了不讓顧客覺得商家侵犯了自己的隱私，Target把孕婦用品的優惠廣告夾雜在其他一大堆與懷孕不相關的商品優惠廣告當中。

根據這個「大數據」模型,Target制訂了全新的廣告營銷方案，結果Target的孕期用品銷售呈現了爆炸性的增長。Target的「大數據」分析技術從孕婦這個細分顧客群開始向其他各種細分客戶群推廣，從Target使用「大數據」的2002年到2010年間，Target的銷售額從440億美元增長到了670億美元。

2、ZARA

ZARA平均每件服裝價格只有LVHM四分之一，但是，回看兩家公司的財務年報，ZARA稅前毛利率比LVHM集團還高23、6%。

（1）分析顧客的需求

在ZARA的門店裡，櫃台和店內各角落都裝有攝影機，店經理隨身帶著PDA。目的是記錄其顧客的每個意見，如顧客對衣服圖案的偏好，扣子的大小，拉鏈的款式之類的微小舉動。店員會向分店經理匯報，經理上傳到ZARA內部全球資訊網路中，每天至少兩次傳遞資訊給總部設計人員，由總部作出決策後立即傳送到生產線，改變產品樣式。

關店後，銷售人員結帳、盤點每天貨品上下架情況，並對客人購買與退貨率做出統計。再結合櫃台現金資料，交易系統做出當日成交分析報告，分析當日產品熱銷排名，然後，數據直達ZARA倉儲系統 。

收集海量的顧客意見，以此做出生產銷售決策，這樣的作法大大降低了存貨率。同時，根據這些電話和電腦數據，ZARA分析出相似的「區域流行」，在顏色、版型的生產中，做出最靠近客戶需求的市場區隔。

（2）結合線上店數據

2010年，ZARA同時在六個歐洲國家成立網路商店，增加了網路巨量資料的串連性。2011年，分別在美國、日本推出網路平台，除了增加營收，線上商店強化了雙向搜尋引擎、資料分析的功能。不僅回收意見給生產端，讓決策者精準找出目標市場；也對消費者提供更准確的時尚訊息，雙方都能享受「大數據」帶來的好處。分析師預估，網路商店為ZARA至少提升了10%營收。

此外，線上商店除了交易行為，也是活動產品上市前的營銷試金石。ZARA通常先在網路上舉辦消費者意見調查，再從網路回饋中，擷取顧客意見，以此改善實際出貨的產品。

ZARA將網路上的海量資料看作實體店面的前測指標。因為會在網路上搜尋時尚資訊的人，對服飾的喜好、資訊的掌握，催生潮流的能力，比一般大眾更前衛。再者，會在網路上搶先得知ZARA資訊的消費者，進實體店面消費的比率也很高。

這些顧客資料，除了應用在生產端，同時被整個ZARA所屬的英德斯（Inditex）集團各部門運用：包含客服中心、行銷部、設計團隊、生產線和通路等。根據這些巨量資料，形成各部門的KPI，完成ZARA內部的垂直整合主軸。

ZARA推行的海量資料整合，後來被ZARA所屬英德斯集團底下八個品牌學習應用。可以預見未來的時尚圈，除了檯面上的設計能力，檯面下的資訊/數據大戰，將是更重要的隱形戰場。

（3）對數據快速處理、修正、執行

H&M一直想跟上ZARA的腳步，積極利用「大數據」改善產品流程，成效卻不彰，兩者差距愈拉愈大，這是為什麼？

主要的原因是，「大數據」最重要功能是縮短生產時間，讓生產端依照顧客意見，能於第一時間迅速修正。但是，H&M內部的管理流程，卻無法支撐「大數據」供應的龐大資訊。H&M的供應鏈中，從打版到出貨，需要三個月左右，完全不能與ZARA兩周的時間相比。

因為H&M不像ZARA，後者設計生產近半維持在西班牙國內，而H&M產地分散到亞洲、中南美洲各地。跨國溝通的時間，拉長了生產的時間成本。如此一來，「大數據」即使當天反映了各區顧客意見，無法立即改善，資訊和生產分離的結果，讓H&M內部的「大數據」系統功效受到限制。

「大數據」運營要成功的關鍵，是資訊系統要能與決策流程緊密結合，迅速對消費者的需求作出回應、修正，並且立刻執行決策。

3、亞馬遜

此前亞馬遜並未大張旗鼓推展廣告業務，直至2012年年底，有報道指出，亞馬遜即將推出實時廣告交易平台，從而向Facebook和谷歌發起挑戰。這個實時廣告交易平台又稱「需求方平台」（Demand Side Platform，DSP），可以讓廣告與目標消費者相遇。廣告商可以在「需求方平台」上競標網站的閑置廣告空間，而競標標的包括廣告版位，以及符合特定條件的消費者。

亞馬遜開發的「需求方平台」可以「協助廣告商接觸網路上的眾多用戶，同時也幫助客戶迅速找到想購買產品的相關資訊」，「需求方平台」概念雖非亞馬遜首創，但以豐富資料為後盾。

亞馬遜與廣告商分享的資訊有兩類，一是依用戶網路行為所做的通用分類，例如熱衷時尚、喜愛電子產品、身份為母親、愛喝咖啡等，二是用戶的商品搜尋記錄。至於消費者的實際購物資料，亞馬遜似乎尚未列入分享。廣告商即使無法得知實際消費記錄，能了解潛在顧客的商品搜尋記錄；亞馬遜如果全力進軍網路廣告市場，仍可能大大改變產業生態。

亞馬遜2012年的廣告收入約為5億美元， 2013年的廣告收入將達10億美元。這會成為亞馬遜未來幾年內營收增長的新動力，更重要的是，它可能是亞馬遜各項業務中利潤率最高的業務之一。

4、沃爾瑪

2011年，沃爾瑪電子商務的營收僅是亞馬遜的五分之一，且差距年年擴大，讓沃爾瑪不得不設法奮起直追，找出各種提升數字營收的模式。最終，沃爾瑪選擇在社交網站的移動商務上放手一搏，讓更大量、迅速的資訊，進入沃爾瑪內部銷售決策。沃爾瑪的每張購買建議清單，都是大量資料運算而出的結果。

2011年4月，沃爾瑪以3億美元高價收購了一家專長分類社群網站Kosmix。Kosmix不僅能收集、分析網路上的海量資料（大數據）給企業，還能將這些資訊個人化，提供采購建議給終端消費者（若不是追蹤結帳資料，這些細微的消費者習慣，很難從賣場巡邏中發現）。這意味著，沃爾瑪使用的「大數據」模式，已經從「挖掘」顧客需求進展到要能夠「創造」消費需求。

沃爾瑪本身就是一個海量資料系統，適用各種商業上的分析行為，它的綜合功能，作為世界最大的零售業（專題閱讀）巨人，沃爾瑪在全球超過200萬名員工，總共有110個超大型配送中心，每天處理的資料量超過10億筆。由於資料量過於龐大，沃爾瑪的「大數據」系統最重要的任務，就是在做出每一筆決定前，將執行成本降到最低，並且創造新的消費機會。

Kosmix為沃爾瑪打造的「大數據」系統稱做「社交基因組（Social Genome）」，連結到Twitter、Facebook等社交媒體。工程師從每天熱門消息中，推出與社會時事呼應的商品，創造消費需求。分類范圍包含消費者、新聞事件、產品、地區、組織和新聞議題等。同時，針對社交網路快消息流的性質，沃爾瑪內部的「大數據」實驗室專門發展出一套追蹤系統，結合手機上網，專門管理追蹤龐大的社交動態，每天能處理的資訊量超過10億筆。

「社交基因組」的應用方式五花八門。舉例來說，沃爾瑪實驗室內部軟體能從Foursquare平台上的打卡記錄，分析出在黑色星期五，不同地區消費者最常購買的品項，然後，針對不同地區送出購買建議。

以上是小編為大家分享的關於大數據如何與零售業結合 在實戰中應用的相關內容，更多信息可以關注環球青藤分享更多干貨

『貳』 大數據時代，怎麼做好精準營銷

大數據時代下，如何精準獲客？

現如今，大數據的使用無論是在商務層面還是我們的日常生活中，都變得越來越普遍，但是說到對大數據的使用，最常見的還是在我們的商業服務行業中，比如當下很火的大數據營銷。

目前，大數據已經滲入到了各個行業，如何根據大數據精準定位用戶，達到獲客目的？

1、精準定位消費者

在打營銷戰之前，我們最先要做的就是梳理出我們的目標人群，即消費人群。而在這其中，目標人群又可以劃分為以下三大類：直接目標人群、間接目標人群和二級目標人群。

直接目標人群指的是購買和後期使用該產品的都是同一人，間接目標人群指的是對直接目標人群購買行為有一定影響力的人，類似於種草安利；二級目標人群指的就是使用該產品的人。

當我們弄清楚以上幾大人群的定義之後，我們就可以根據自己的產品屬性找出對應的目標用戶，再根據目標人群的年齡階段、興趣愛好、購買習慣等找出他們真正的需求。

2、媒體推廣

藉助於部分主流網路媒體，樹立企業正面形象，傳播企業品牌信息，從而增強企業傳播聲量，有效提高企業品牌在目標客群中的知名度和號召力，最終影響到用戶的合作意向。

3、自媒體運營

通過在常見的自媒體平台如今日頭條、百家號、大魚號等，長期穩定的發布和企業相關的優質內容（如企業動態、所獲榮譽等），進而強化品牌在用戶心中的形象。舉個簡單的例子，我們某個企業在今日頭條、百家號等自媒體平台，長期有較為穩定的品牌信息露出，作為普通用戶，看到該企業的好感度遠大於同行業中沒在這些平台做內容的企業，當用戶真的有需求的時候，自然而然先想到的就是有穩定信息露出的品牌了。

4、微信獲客

作為全民使用頻率較高的的社交軟體，微信獲客也逐漸成為各大企業常用的獲取方式之一，企業通過微信群，朋友圈等途徑做宣傳，用戶與企業之間可以有個比較直接的溝通，用戶有什麼問題，也能得到最及時的反饋。

5、短視頻營銷

在快節奏的生活里，越來越多的用戶傾向於通過短視頻來獲得企業相關的信息，時間短、傳遞信息快，相較於以往的圖文形式更加有趣且易於接收。

值得一提的是，以上幾種方式並非是完全獨立存在的，想要精準獲客，我們可以根據企業實際情況，選擇最為合適的一種或者若干種營銷方式，最大化實現精準獲客。

圖片來源：Pexels

『叄』 大數據時代: 大數據時代的 商業創新

大數據時代: 大數據時代的 商業創新

大數據不是一個新的現象，或者是數據根本就不是一個新的現象。上世紀1920年代，在美國出現了所謂的直銷業，大量的百貨公司開始進行所謂的直銷，給每家每戶送目錄，這就是開始採集用戶的數據來進行個性化的營銷。到1982年，美國的一些航空公司出現了客戶忠誠項目，航空公司開始有大量的客戶交易行為數據。
商業創新涉及產品整個價值鏈
從商業創新的角度來看，更多的是圍繞著管理現有和潛在顧客的全生命周期，在你購買之前、購買之後，全媒體、全渠道。無論是pc、手機，還是線下o2o，所有跟這個企業的社會互動，把這些數據收集起來，就能做出一個很好的預測。而且傳統的數據營銷，產品投放市場以後，只是單純地做營銷。現在，商業的創新是更多延伸到產品整個價值鏈的上下游商業的創新。
大數據時代，商業創新的市場趨勢和一些商業創新出現新的範式。
我們現在處於一個社會化互聯網時代，早就過了門戶時代。現在的互聯網是一個社會化的互聯網，其內容主要是用戶提供的，用戶的內容都可以自己生成，而不是由企業生成的。
互聯網時代，最主要是兩種形式：一種叫口碑，就是「言」；另外一種是觀察模仿，或者叫觀察學習，就是「行」。
大數據時代的商業創新，既然是圍繞著社會互動展開的，就有一個很重要的特點：社會化互聯網使社會互動成為企業的一個重要的戰略變數，無論是口碑還是觀察模仿，在傳統的線下，企業沒有辦法直接操控。中國有一句諺語：酒香不怕巷子深，但現在不一樣，現在很重要的一個特點是，商業創新要看各種各樣的新的商業模式，很多完全是圍繞這個展開的。
口碑：
新的營銷決策變數
從過去這些年的研究中，可以發現的一些有關口碑的例子。比如亞馬遜1995年最早推出消費者的口碑，第一次把消費者的口碑當做企業操控的變數，它可以決定提供還是不提供。這里，我們要思考口碑給企業帶來了什麼樣的影響，功能是什麼。
觀察學習也是這樣，也是亞馬遜最早開始做的。我們在線下排隊的時候，亞馬遜很輕易地放到網站上，後台可以統計出看過某款產品的客戶，最終有多少人購買這款產品。
我們看到100個顧客從餐館門前走過，最終有多少人進了這個餐館，多少人進了對面的餐館，這就是在現實生活中大家去吃飯時關心的數據。企業仍然能夠把它當做直接操控的戰略變數，這就改變了很多商業的游戲規則。
另外，社會互動的類型成為企業直接管理的變數。其實，另外一種社會互動的異質性本身或者同質性本身，也成為企業管理戰略的變數，這是我們要在另外一篇文章裡面討論的問題。
商業創新：
立足社會互動的戰略管理
商業創新是圍繞著利用社會互動來影響產品投放市場以後的戰略嗎？其實遠遠不止，社會互動還可以影響到整個價值鏈的上下游。企業用消費者社會的互動來做新產品的測試，更重要的是新產品測試的時候就在做營銷了。
身處大數據時代，商業創新一個很重要的立足點就是怎麼來進行社會互動的戰略管理。社會互動的異質性取決於社會網路關系，社會互動不同的類型不僅可以影響企業做決策，還受現在移動互聯網o2o的影響，它也是一個戰略變數。
其實在大數據時代，你仍然可以做社會互動。美國芝加哥的一家公司是賣t恤衫的，任何一個人都可以把自己設計的t恤衫上傳到這個網站，得票高的由這個網站生產。這樣來做新產品開發，同時也是在做新產品的測試，也是在做新產品的營銷。什麼意思呢？在大數據時代，如果你要基於社會互動戰略管理的時候，我們過去商業上決策的流程是一種串列。現在是一個並行，我在做營銷的時候，我就應該在做研發，我在做研發的時候，我應該就在做營銷，不應該把它割裂開來。
社會互動：
企業可操控的戰略變數
傳統的市場主體企業創造價值，顧客消費價值。是誰創造價值，誰消費價值呢？實際上是消費者在創造價值，企業在消費價值。而傳統市場的功能是在做價值的交換和資源的配置，但是價值的交換前提是：誰是價值的創造者，誰是價值的消費者非常清晰，而現在並不清晰，現在市場最主要的功能更多的是在做一種資源的整合和價值的共創。市場的主要調節機制不僅是供求價格，更多是社會互動。
人類社會一直有社會互動，社會互動現在成為市場調節的主要機制？一個很重要的條件是，價格之所以成為調解價值，第一是價格可觀測、可度量，第二是價格可調控。
由於互聯網、大數據技術，社會互動成為企業可以操控的戰略變數。大數據技術可以把用戶在微博、微信上互動的內容分析提取出來，知道什麼價值有用，什麼價值沒用，這就是大數據時代對商業創新的影響。

『肆』 如何利用大數據做金融風控

大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。

金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。

傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線

互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。

互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。

常用的互聯網金融大數據風控方式有以下幾種：

驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。

如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。

其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐

大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。

如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。

分析客戶線上申請行為來識別欺詐

欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。

企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。

這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險

互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。

市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。

黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。

灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。

黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。

利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。

欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。

欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。

利用消費記錄來進行評分

大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。

按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。

常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。

互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。

參考社會關系來評估信用情況

物以類聚，人與群分。一般情況下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，

參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。

參考借款人社會屬性和行為來評估信用

參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。

經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。

午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。

利用司法信息評估風險

涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。

尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。

總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。

『伍』 淘寶網店如何運用大數據營銷

淘寶網店運用大數據營銷，主要還是要通過大數據去分析，顧客的喜歡商品，以及顧客對於價格的接受能力，還有就是顧客的人群分部，這樣就可以運用好大數據進行營銷的。

『陸』 利用大數據分析法，企業如何做到精準營銷

大數據最大的價值不是事後分析，而是事前預測。在當今社會下，互聯網移動數據在迅猛發展，用戶的一些活動會在網路中以數據的形式呈現，這將會為企業帶來極大的商業利益。一方面，消費者的個性化需求不斷顯現，為企業帶來了很大的利用價值;另一方面，企業對消費者的特徵偏好不再陌生，將利用互聯網背後下的消費數據，挖掘這些數據背後的真正價值。現代社會中的大多數企業，已深深的感受到大數據可以做到精準營銷，並可以為其所帶來較大的商業價值，並不斷思考如何能將這些數據進行有效整合和充分利用，准確地分析用戶的特徵和偏好，了解用戶真正的需求，挖掘產品的潛在價值，幫助企業找到最精準的用戶，實現市場營銷的精準化、場景化，進而做到精準營銷。
案例解讀：對於電信運營商來說，按服務對象的不同，大數據的應用可分為兩種：對內應用和對外應用。典型對內應用包括內部經營分析應用、網路優化、客戶精準營銷等，例如通過適當分離存量和增量用戶，分析不同群體用戶的特徵和偏好，提高用戶轉化率和提升存量客戶的價值。譬如服裝網站Stitch fix例子，在個性化推薦機制方面，大多數服裝訂購網站採用的都是用戶提交身形、風格數據+編輯人工推薦的模式，特別之處在於結合了機器演算法推薦。通過顧客提供的身材比例，主觀數據，加上銷售記錄的交叉核對，挖掘每個人專屬的服裝推薦模型，從而做到一對一營銷。
大數據的好處：試舉一個示例：如果你想要搜集一個200份有效問卷，普通的方法就是發放。但是你需要發放多長時間呢？這個過程是否較為復雜？通常情況下，按照發問卷、填寫問卷、回收問卷、統計問卷這個思路的話，時間大約需要一個月。這樣既浪費時間，又耽誤工作。但現在不一樣了，通過使用大數據分析法，只要3小時就可以輕松完成這個過程。那是因為數據做到了發送時間的"一對一定製化"，利用數據可以輕松得出某位先生通常會在哪個時間段內打開郵件，然而就會在那個時間段給他實時發送，這樣既節約時間，又提高准確性。這些都是數據細分受眾的好處。
那麼企業到底如何應用大數據做到精準營銷呢？
（1）運用大數據分析法，分析用戶的行為
通過積累數據，才能更加准確的分析出你的新老用戶的喜好和消費習慣。雖然過去大多數企業都會說顧客就是上帝，要以顧客為中心，想顧客所想，做客戶想做，但是如何真正做到這個口號呢？目前就可以應用大數據分析法，分析客戶的基本需求，這其實就是利用大數據進行營銷的前提。
（2）運用大數據分析法，營銷信息精準推送
企業如何才能將一些營銷的信息准確推送給真正需求的用戶呢？這就需要大數據分析法。那麼現在企業真正做到精準營銷還比較難，因為缺少了詳細且海量的數據，缺少了對數據詳細的分析，自然就不能夠做到真正的精準，而現在通過運用大數據分析法，分析客戶的真正需求，使營銷廣告能更精準的推送給用戶。
（3）運用大數據分析法，營銷活動投其所好
有了精準營銷，那麼企業如何做到將營銷互動推送給客戶呢？首先，企業需要明確的知道自己的產品主要傾向於什麼樣的客戶。如果企業在活動之前對受眾客戶的需求有了解，清楚的知道用戶對產品的需求，那麼生產出的產品就一定能夠投其所好。現在社會，無論是線上還是線下的產品，都可以運用大數據分析法，通過不同渠道了解客戶信息，從而在產品的營銷中做到投其所好。
（4）運用大數據分析法，篩選重點客戶
在眾多的用戶中，到底哪些是重點客戶呢？相信這樣的問題是大多數企業都想了解的。現在通過使用大數據分析法，就可以了解這類問題。通過大數據的分析，企業能夠篩選出有價值的重點客戶。針對這類重點客戶，進行精準營銷，對目標用戶進行多角度的分析，幫助企業更加了解消費者的特點。

『柒』 大數據精準營銷如何做

精準營銷的實質是根據目標客戶的個性化需求設計產品和服務，而大數據就是手段。大數據精準營銷做法如下：

1、以用戶為導向。

真正的營銷從來都是以用戶為中心的，而大數據把用戶實實在在「畫」在了眼前，營銷者可以根據資料庫內的數據構建用戶畫像，來了解用戶消費行為習慣、以及年齡、收入等各種情況，從而對產品、用戶定位、營銷做出指導性的調整。

2、一對一個性化營銷。

很多銷售在推銷產品時常常會遇到這樣的問題：產品是一樣的，但是用戶的需求是各不相同的，如何把相同的產品賣給不同的用戶？這就需要我們進行「一對一」個性化營銷。利用大數據分析，可以構建完善的用戶畫像，了解消費者，從而做出精準的個性化營銷。

3、深度洞察用戶。

深度洞察用戶，挖掘用戶潛在需求，是數據營銷的基礎。利用數據標簽，可以准確獲知用戶的潛在消費需求。

例如：我們得知一位用戶曾購買過奶粉，那麼我們可以得知，家裡有小孩，相應的可以向他推送早教課程等適合嬰幼兒的產品。洞察消費者需求後再進行投放，營銷的效果將比撒網式有效且更易成交。

4、營銷的科學性。

實踐證明，數據指導下的精準營銷相對於傳統營銷來說更具有科學性。向用戶「投其所好」，向意向客戶推薦他們感興趣的東西，遠遠要比毫無目標的被動式營銷更具成效。

大數據精準營銷包含方面

1、用戶畫像

用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。具體包含以下幾個維度：

用戶固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座。

用戶興趣特徵：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好。

用戶社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分。

用戶消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次。

用戶動態特徵：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準畫像大致分成三步。

2、數據細分受眾

在執行大數據分析的3小時內，就可以輕松完成以下的目標：精準挑選出1%的VIP顧客發送390份問卷，全部回收 問卷寄出3小時內回收35%的問卷 5天內就回收了超過目標數86%的問卷數所需時間和預算都在以往的10%以下。

3、預測

「預測」能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。當我們採集和分析用戶畫像時，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶。

這裡面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。

4、精準推薦

大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。

數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。

『捌』 電商平台如何利用大數據做好用戶體驗

在中國，通過大數據人物畫像來實現流量個性化已非新鮮事，同時在大洋彼岸的美國，目前已經更進一步，通過最先進的數據分析平台，電商可以通過社交平台等數據對用戶個性特徵進行分析，從而實現更精準的營銷，而且並非「財大氣粗」的中小企業也可以享受到這樣的福利。
不是所有的行為數據都有價值對於電商而言，其對大數據分析的主要需求可以體現在兩方面，一是快速反應出問題所在，二是發現新的用戶群體
對於備受關注的後者，電商希望通過智能聯網分析已有的數據，發掘並預測出用戶的興趣所在，刺激用戶購買積極性，並將產品推向特定人群。
目前業界的普通實現方式是，通過用戶網路上留下的歷史信息、記錄，來猜測喜好，例如相關圖書推薦、機票航班推薦等，但失算之處可能在於精準度和推薦時機不盡人意，比如用戶已經旅行歸來，系統還在推薦往返機票。
目前美國有一種研究方向，通過非結構化數據分析技術對用戶進行個性化維度分析，包括對用戶在網路上更新的個人狀態信息進行分析，如Twitter、Facebook，推定用戶個性及特徵，以精準定義個人並實現標簽化，同時反饋給商家並與目標市場用戶相匹配，從而實現產品的關聯。
對此，美國數據分析科學家、Taste Analytics創始人及全美五大可視化研究中心的Derek Wang(汪曉宇)博士表示，傳統的方式需要基於大量的行為數據進行分析，並相信所有的動作具有價值，但事實卻並非這樣，容易造成對精準度和時機的把握不盡人意;而通過對人在網路上留下的真實語言、說話方式、評價內容等進行個性化維度分析，更貼近人真實的本性，這當然也包括購買喜好，只有這樣才能實現更加准確的產品購買需求挖掘。
電商商戶的「福利」
目前，該分析技術在電商平台上更能直接釋放效力的方式，便是針對中小型商戶的解決方案：對用戶產品評價進行分析，來優化產品、提升用戶體驗。
Derek Wang舉例道，通過Taste Analytics Signals數據分析平台，亞馬遜平台上的耳機商戶，可以對平台上用戶的產品評價及Facebook上的留言進行語義分析，得出對耳機品牌、電池壽命、品種型號的用戶反饋，以及不同產品間如Bose與Sony的產品分析。
這對於美國為數眾多的亞馬遜、新蛋、易貝商戶而言無疑十分受用，其可以及時對產品和銷售過程進行優化。
另一個典型應用是電商平台本身。美國某著名的大型家居銷售企業，在其電商網路平台上，通過刺激網路流量來買賣產品。利用數據分析平台，其不僅發現並解決了用戶消費時信用卡連刷2次的問題，同時觀察到網路流量在一周中的不平均分布，後續通過市場促銷，改變了市場營銷過程。
(用Taste Analytics Signals平台對Amazon某熱銷汽水的分析結果)
決策在數據之上而非數據本身
用戶的特徵來自於文本分析，用戶在網路上說的每一句話都將可能成為分析點。無疑更多的數據將有力於對用戶行為進行匹配，提高分析准確性，而這方面社交平台則提供了一個很好的非結構化數據的來源。
事實上，美國電商本身已經在開始著手整合社交網路的數據信息，例如閃購網站Myhabit建議用戶通過亞馬遜賬號登陸;電商Macys需要用Facebook賬號登陸(這樣的整合在國內也並不鮮見)。對於用戶，這樣的登陸方式更方便快捷;對於商戶，可以將個人信息關聯起來;而對於大數據技術/服務提供商，數據分析服務便可以由此展開，進行深度數據挖掘。
在Derek Wang看來，此項圍繞人的非結構化數據分析平台服務，不僅能提升結果的准確性，更重要的是它建立的不是一個推薦系統，而是一個增強智慧的過程。畢竟僅基於既有行為的數據分析會導致可能的失敗，小到上述提及的機票推薦，大到金融領域採用數學模型的危險性在次貸危機中已經暴露無疑。
「由機器提取的數據內涵，通過圖像的方法展示給企業決策者，決策者通過與機器互動後做出決定。數據分析平台是輔助企業決策者的工具，也是它的價值所在。」 Derek Wang說道。
不謀而合，《紐約時報》資深撰稿人史蒂夫·洛爾曾著書大數據時評論，雖然決策活動對數據與分析的倚重與日俱增是大勢所趨，但同時還要讓常識發揮應有的作用，經驗與直覺仍然在決策中佔有一席之地，而好的直覺又往往建立在大量數據分析基礎之上。
機器與人分工合作才更好，更加值得一提的是，直觀的圖像可視化的呈現方式，使得電商及商戶的內部分析師即使沒有IT背景，也可以輕松地掌握產品動態，從而幫助其贏得市場。
大數據確有裨益，但並不是所有企業都能成功掘金大數據;只有那些富有遠見、重視系統且敢於投資的公司才會有所斬獲。對於零售業而言，有三個重要戰略可幫助電子商務成功運用大數據。
正確理解大數據
不必糾結於大數據到底是什麼，試圖計算出多少數據才算大數據是不明智的。首先，沒有確切的數字或數量級可用作數據量的分界線，因為大數據不在「量」，而在「全」。通過對全面數據的分析可以發現相應的趨勢，進一步預測未來。想要掌握大數據，必須具備「大數據」的思維模式，即關注於那些已幫助完成了某項任務的數據。從龐大的歷史數據中尋找規律，從而預測未來;或者找出有關因素，對搜索最佳數據的系統進行改善，獲得正確數據取得最大利益。
如何獲取大數據?
大數據被炒熱和巨無霸企業在其中獲得的巨大商業價值密不可分，但這並不意味著大數據是只有大公司才買得起的「獨有玩偶」。小公司也能擁有自己的「大數據」。雖然大多數電商企業仍處於起步階段，但它們也可以收集數據，挖掘優秀人才幫助做出更加明智的決定。數據分析可以從小數據開始、效果立竿見影，隨後發展成為大數據。即使一家小咖啡廳也能通過探尋顧客的飲用習慣、信用卡記錄以及在線定位設置而建立自己的「大數據」。
盡管中小型企業還未完全配備企業先進的大數據線上工具和模式，但他們仍能從本公司歷史數據中找出規律。例如，有了一兩個月推廣促銷活動的歷史數據後，服裝電商公司就可以開始分析各個品類的銷售表現情況，掌握一周或一個月內的最暢銷和最滯銷的銷售品類信息，同時清楚了解長期內的平均增長率和復合增長率。這樣的數據分析方法能提供產品銷售額和產品銷售表現的衡量指標，從而找出產品銷售模式和趨勢，做出下一步商業決策。這樣將幫助企業實現更大的銷售額，同時，無論有無市場推廣活動，都可以監控產品的銷售表現。
整合零售策略與大數據
從企業的角度來看，大數據的最大價值在於零售策略與大數據技術相結合。目前，由於消費者對於他們所希望的購物時間與購物方式的要求越來越高，現代零售業已變得愈發復雜。因此，零售商需要更加聰明地來服務顧客，更加靈活地選用庫存和配送訂單的地點，更加明確如何使用搜集到的顧客數據進行線上線下的交叉銷售和追加銷售。為了達成這一目的，零售商需要藉助一個定製軟體來制定以顧客為導向、基於數據的策略，以便於為顧客提供個性化服務。
此外，企業必須將零售策略與數據分析最大程度地相匹配，保證銷售計劃的實現。大數據最大的特點之一就是在於能夠高速更新和處理信息。根據這一特性，商業數據一旦生成，就可以進行相應策略的制定，幫助公司贏得時間與空間調整市場策略，以最充分地發揮自身優勢。這就像防洪預警：上游一旦有所警示，下游就應立即作出回應調整。例如，涉足線上的傳統零售商，在一組貨品的15分鍾促銷時間內，往往會准備三套應變策略，以確保商品按計劃銷售。 通過整合零售策略和大數據，企業將能夠吸引更多消費者、為他們提供定製化服務，從而提升產品銷售表現、增加銷售額，進而擴大收益。

『玖』 我想用大數據推廣我的實體店請問怎麼做到，或者怎麼自學

你可以先輸入你實體店的關鍵詞，然後再通過大數據來精準定位你所需要的人群。然後再進行推廣而引流，你可以試試用一下（曉客）來進行。