第8期 | 大数据在各个行业的应用与实践

核心提示:传统企业做大数据分析有四个步骤。首先要基于自己现有的数据,并从现有的数据开始。第二步是与外部数据或第三方数据进行联盟。第三步是把企业的线上数据与线下数据进行关联。第四步,集成这些数据以后,要建立一个统一的客户视图。然后基于这个统一客户视图,实现市场营销,产品推荐,和潜在客户挖掘。这是传统企业大数据分析之路。

谢国忠:IBM大中华区全球企业咨询部副合伙人、业务分析与优化服务中国区总经理

首先看电商企业,阿里、京东、苏宁做了很多大数据的分析,电商企业最典型的大数据应用模式是“搜索加推荐”模式,并且形成了一个闭环。电商企业都有一个搜索引擎,能帮助我们找到需要的商品,同时它背后还有一个个性化的推荐引擎。推荐有三种模式:

  • 一是基于规则的推荐,用来实现实时营销和分时营销。
  • 二是基于内容和上下文的推荐。这种推荐一般从两个维度展开。1)是基于客户维度,对相似客户群体进行营销。比如说有这么一个客户群体,这个客户群体大家都买了什么商品,如果你属于这个客户群体,我猜你也会喜欢这个商品,即“猜你喜欢”这种典型的应用。2)是基于商品维度,主要看什么商品跟什么商品互补,什么商品跟什么商品关联度最强。最典型的案例就是:买了商品A的人,同时买了商品B和商品C,这是一种产品关联度的推荐。电商企业同时从客户维度和商品维度,进行基于内容的产品推荐,做得非常极致。
  • 三是基于关系的推荐。实现口碑营销。

电商企业有一个很好的条件,就是它们同时拥有交互数据和交易数据。并且能够关联起来。用户在网站上搜索什么,选择了什么商品,最后通过支付宝进行了交易,整个环节的数据,都被完整记录下来,并且用户的注册账户和支付账户是打通的。这是电商企业得天独厚的条件。传统企业没有这个条件,同时拥有交易数据和交互数据。

传统企业做大数据分析有四个步骤。首先要基于自己现有的数据,并从现有的数据开始。第二步是与外部数据或第三方数据进行联盟。第三步是把企业的线上数据与线下数据进行关联。第四步,集成这些数据以后,要建立一个统一的客户视图。然后基于这个统一客户视图,实现市场营销,产品推荐,和潜在客户挖掘。这是传统企业大数据分析之路。

传统企业基于现有数据的再利用还是可以做很多文章。一是扩充企业业已存在但还没有利用的数据,二是基于现有数据,挖掘新的属性,比如社交属性,关系属性,位置属性等,这些属性原来就有,只不过你缺乏大数据理念,没有加以利用。现在你可以做深层次的数据加工,为业务创新服务。

在金融行业,大数据应用目前主要集中在4个领域:

一个是客户管理。包括:客户分析与洞察,360度全景客户视图,客户保留,交叉销售与向上销售,增强的客户细分,产品有效性分析,社交媒体与舆情分析,联系中心分析,最佳行动推荐(NBA),产品组合管理和客户之声等解决方案。

二是风险管理。比如:实时的欺诈监测、保险行业的灾难预测模型,互联网金融来了之后的大数据征信以及信用评价体系,偿付与资本优化等。

三是运营优化。比如:保险公司联合汽车生产厂商、4S店等搭一个车联网平台,通过这个平台,实现基于客户的驾驶行为进行定保;金融机构的科技部门,利用大数据来进行IT运营优化,比如历史数据保存与管理,系统日志维护,系统故障分析等。

四是渠道优化。结合移动互联网,它们会做一些渠道的创新,比如说智慧网点,直销银行等。

互联网金融很热,大数据跟互联网金融是什么样的关系?当前互联网金融主要有六大应用领域,十四种业务模式。六大领域包括:支付结算、网络融资、平台金融、渠道创新、产品创新和虚拟货币。十四种业务模式包括:第三方支付,P2P网贷,众筹融资,电商小贷,平台金融,供应链金融,金融系电商,传统电子渠道优化,金融超市,搜索与金融门户,直销银行,余额理财,无抵押贷款和虚拟货币。

我们要研究大数据与互联网金融的关系,首先需要研究这些互联网金融的业务模式背后的技术支撑是什么?比如:第三方支付,其背后的核心是虚拟账户;P2P网贷,其背后的核心是大数据征信和风险评估模型。所以,我的理解,大数据服务于互联网金融主要在5个领域:一个互联网获客,即怎么通过大数据在互联网上这种廉价的渠道上批量获客;二是个性化推荐;三是精准化营销;四是大数据征信;五是信用评级体系的建立。这就是大数据服务于互联网金融的典型的五种应用。

另外,IBM近两年在国内各行业做了大量的大数据实践,主要应用场景包括:

场景一、360度全景客户视图及其基于该视图的营销应用。所谓的全景视图就是要把基于企业内部交易的传统客户统一视图,结合客户在社交网络的完整画像,变成一个统一的、360度的全景视图。我们在苏宁正在做这样的应用。通过客户社交数据,进行社交网络画像,并与企业内部数据集成,来实现内外联动的营销体系。

场景二、客户微关系、标签化及基于标签的“微关系营销”。对客户进行标签化,并挖掘客户的各种微关系,比如同学关系、同事关系、位置关系、互粉关系、微信关系等,基于这种微关系的业务拓展和口碑营销。

场景三、客户信用评级体系的建立。我们为很多金融机构建立了完整的客户信用评级体系。阿里微贷,就是基于商家的历史交易数据和行为数据,建立了网络数据模型,对每一个商家建立了一套信用评级体系。

场景四、交易对手的发现、客户关联网络分析与风险预警。譬如我们为一些金融机构实现了集团客户关系、金融担保圈的分析等。

场景五、客户之声。客户在微博上的言论、在网站上的评论、在客服中心的抱怨与投诉,所有这些来自各种渠道的文字与音频信息,通过音频转换、语义分析和关键词提取,建立模式匹配模型和基于规则的自动分类,从而实现四个方面的用途,第一,发现隐藏的问题;第二,预设舆论导向;第三,发现新的产品销售机会;第四,提高客户的忠诚度。

场景六、精准营销。基于内部数据和外部数据,对客户进行社区划分,每个社区都有重要的关键词和相应的特征变量刻画。每个社区,都有共同的产品特性。当一个客户新来的时候,会判定他属于哪个社区,他已经购买了什么产品,还有哪些产品他可能感兴趣而还没有购买,从而进行产品推荐,实现精准营销。类似于“猜你喜欢”应用,基于客户社区的同理心销售。

场景七、车联网系统。现在很多互联网公司,联合汽车生产厂商、4S店和金融机构,拟搭建一个车联网平台,组建一个生态系统。IBM有车联网的系统演示,下面会提到。

场景八、社交媒体、舆情监控与分析。这是国内大数据最成熟的应用。现在我们有两种做法:一是帮给客户去搭建一个舆情分析平台,二是基于云端的舆情分析服务。

场景九、网点选型与网点内部优化:通过视频数据,分析人流在网点内的轨迹,从而规划更合理的网点内部布局。

场景十、物流与供应链优化。我们帮助中远和一些快递企业,正在进行大数据分析,包括网络优化、实时路由优化、车辆调度、库存优化与需求预测等。

场景十一、指数设计。我们正在跟很多企业谈基于大数据的市场风向标和指数设计。某零售企业正在设计商户指数和客户指数,某快递企业正在设计物流指数等。与我们已经知道的淘宝指数,百度的“大数据100指数”、“大数据300指数”类似。

场景十二、局部气象的精准预测与商业应用。比如我们给国家电网某风电企业做的局部气象的精准预测,预测发电功率。因为风力发电功率波动较大,国家规定,如果你的功率预测率低于80%,是不允许并网的。在这个案例中,我们预测的功率精准度能达到92%。

场景十三、可预测性的设备维护。主要针对汽车行业和其他设备密集型企业。我们跟宝马有合作,预测其备品备件和设备维护,汽车备件不能等设备坏了之后才去组织更换,在设备的使用全过程当中,采集与设备相关的各种信息,来预测设备的健康状况和可维护性。

大数据的应用场景还有很多,我这里也有很多PPT,时间关系我就不详细介绍了。

书院活动

【每期主题】
当下商界热议的管理问题或其它值得分享的管理话题
【主讲嘉宾】
优秀公司主要负责人或某领域资深专家
【活动地点】
清华大学照澜院15号(或其他特别指定地点)
【参与对象】
企业家、企业中高层管理者、创业者、清华校友
【报名方式】
在《清华管理评论》微信公众平台(tbr2013)回复“照澜书院报名+姓名+公司+职务+手机号码+邮箱”