课前提问
• 1、什么是大数据，大数据有哪些特征， 广西移动有多少数据？ • 2、什么是数据挖掘，大数据和数据挖掘 有什么区别和联系？ • 3、大数据和数据挖掘技术，对于智慧运 营与精准营销有什么作用？
目录
1、什么是大数据？
2、大数据的典型行业应用 3、国外运营商大数据挖掘典型案例 4、国内运营商大数据挖掘典型案例 5、大数据对智慧运营的意义及其主要问题
大数据的营销案例 一、未卜先知怀孕案例
塔吉特：比父亲更早知道女儿怀孕 曾经有一位男性顾客到一家塔吉特超市店中投诉，商店竟然给他还 在读书的女儿寄婴儿用品的优惠券。这家全美第二大零售商，会搞 出如此大的乌龙？但经过这位父亲与女儿进一步沟通，才发现自己 女儿真的已经怀孕了。
提问： 为什么塔吉特能知道这个用户怀孕了？必须有哪几个关键环节 A：用户数据收集 B：怀孕特征库 C：怀孕潜在用户筛选
大数据的主要价值
互联网公司日益重视大数据的应用
通讯、购物、社交、电子商务等业务产生 的数据在互联网上呈爆炸性增长 困扰互联网公司最大的难题是如何更加了 解他的客户：“你是谁，你想要什么？” 互联网公司首先尝试大数据技术分析用户 行为，深入洞察客户，促进互联网业务发 展
即时通讯
网络购物
抽样邻域理论
能效优 化
获取融合 挖掘与分析 可行性 劣质容忍 理论
结构化数据资源
表示度量
定量度量
能耗复 杂性
数 据 获 取
能耗机 半结构化/非结构化数据资源 理
大规模多源异构数据
大数据医疗应用
医疗行业产生的数据量 主要来自于PACS影像、B 超、病理分析等业务所产 生的非结构化数据。人体 不同部位、不同专科影像 的数据文件大小不一， PACS网络存储和传输要采 取不同策略。面对大数 据，医疗行业遇到前所未 有的挑战和机遇。 医疗行业大数据应用场 景非常多，右图仅以临床 操作和研发为例，展示医 疗行业大数据应用场景。 对于公共卫生部门，可 以通过过覆盖全国的患者 电子病历数据库，快速检 测传染病，进行全面的疫 情监测，并通过集成疾病 监测和响应程序，快速进 行响应。 医疗数据透明度
–2010年全球数据量达到 1 ZB –2011年全球数据量达到 2 ZB –2020年将可能达到 1000 ZB
• “数据太多，知识太少”
– 传统数据分析方式无法进行辨 析和处理，只有“大数据应用” 才能从数据汇聚到知识生成
*注：
1 1 1 1 ZB = 1024 EB EB = 1024 PB PB = 1024 TB TB = 1024 GB
Velocity 速度
• 1s 是临界点.
• 对于大数据应用而言,必须要在1秒钟内形成答案,否则处理 结果就是过时和无效的.
• 实时处理的要求,是区别大数据引用和传统数据仓库技 术,BI技术的关键差别之一.
Value 价值
• 挖掘大数据的价值类似沙里淘金,从海量数据中挖掘稀疏但珍贵的信息.
• 价值密度低,是大数据的一个典型特征.
阿里集团（1/2)－基于大数据的六大营销利器
阿里巴巴的企业愿景是要做分享数据的第一平台，知道你是谁，知道
你想要什么
淘分享(跟随
日 购 )UV300万 日商品分享200万 日GMV2
聚划算
日UV100万 日GMV1000万
明星店铺（活动）
日UV100万 每日参与活动人数100万 活动覆盖人数超过500万
• 大量的不相关信息 • 对未来趋势与模式的可预测分析 • 深度复杂分析（机器学习、人工智能Vs传统商务 智能(咨询、报告等） 实时分析而非批量式分析 • 数据输入、处理与丢弃 • 立竿见影而非事后见效
价值密度Value
速度Velocity
“大量化(Volume)、多样化(Variety)、快速化(Velocity)、价值密度低（Value）”就是 “大数据”的显著特征，或者说，只有具备这些特点的数据，才是大数据。
IBM智力问答机器人Watson
• Watson收集了2亿页知 识文本数据，并基于 Hadoop MapReduce并 行处理集群进行了数据 分析，采用了优化的并 行体系结构和优化的知 识和自然语言算法，可 在1秒内完成对大量非 结构化信息的检索，并 实时回答知识竞赛问 题。
地理分析：户外广告、付费搜索评估
麦肯锡全球研究机构发布，认为 大数据是 创新、竞争和生产力的下一个前沿领域 ，
数据将会给社会带来更大的价值。
什么是半结构化/非结构化数据（ Variety ）
大数据与传统数据的差异（ Variety ）
传统数据主要来自于业务运营支撑系 统、企业管理系统等，比如财务收入 、业务发展量等结构化数据； 大数据主要来源于互联网、移动互联 网等，比如图片、文本、音频、视频 等非结构化数据。
淘宝达人
资深购物达人1000人 每日优质网评500篇
SNS营销平台（店铺主页+基于关系的口碑传播）
阿里集团（2/2)－面向外部用户的收费数据产品
大数据行业应用
契合度
值得关注行业 用户 应有特点与大 数据的契合度 及应用可能性 综合较高
大数据时代的背景
20世纪90年代，数据仓库之父的Bill Inmon就经常 提及Big Data。
2011年5月，在“云计算相遇大数据”为主题的EMC World 2011 会议中，EMC 抛出了Big Data概念。
什么是大数据？
6
大数据的4V特征
Volume （体量巨大）
数据量将增长几百倍 巨量数据存储技术 大部分是非结构化数据 非结构化数据处理技术
上网行为数据 视频文件
传统数据
客户资料 财务数据 订单数据 物资数据 产品数据 客户账单 ……
传统数据的数据量足够大时，我们也
把它称之为大数据，比如信令、DPI 数据等。
实时监控视频
结构化数据、非结构化数据定义：结构化数据是能够用数据库 二维表来逻辑表达的数据；其他为非结构化数据。
大数据
价值密度由高到低
大数据的时代背景
大数据时代的背景
半个世纪以来，随着计算机技术全面融入社会生活，信息爆炸已经积累到 了一个开始引发变革的程度。它不仅使世界充斥着比以往更多的信息，而且其 增长速度也在加快。互联网（社交、搜索、电商）、移动互联网（微博）、物 联网（传感器，智慧地球）、车联网、GPS、医学影像、安全监控、金融（银 行、股市、保险）、电信（通话、短信）都在疯狂产生着数据。
大数据的营销案例 一、未卜先知怀孕案例
关键环节二：数据模型建立 Andrew Pole想到了Target有一个迎婴聚会(baby shower)的登记表。 Andrew Pole开始对这些登记表里的顾客的消费数据进行建模分析，不久就 发现了许多非常有用的数据模式。比如模型发现，许多孕妇在第2个妊娠期 的开始会买许多大包装的无香味护手霜;在怀孕的最初20周大量购买补充钙、 镁、锌的善存片之类的保健品。最后Andrew Pole选出了25种典型商品的消 费数据构建了“怀孕预测指数”，通过这个指数，Target能够在很小的误差 范围内预测到顾客的怀孕情况，因此Target就能早早地把孕妇优惠广告寄发 给顾客。
Target取得的成就： 根据Andrew Pole的大数据模型,Target制订了全新的广告营销方案， 结果Target的孕期用品销售呈现了爆炸性的增长。Andrew Pole的大数据分 析技术从孕妇这个细分顾客群开始向其他各种细分客户群推广，从Andrew Pole加入Target的2002年到2010年间，Target的销售额从440亿美元增长到 了670亿美元。
大数据的4V特征
体量Volume
非结构化数据的超大规模和增长 • 占总数据量的80~90% • 比结构化数据增长快10倍到50倍 • 是传统数据仓库的10倍到50倍
多样性Variety
大数据的异构和多样性 • 很多不同形式（文本、图像、视频、机器数据） • 无模式或者模式不明显 • 不连贯的语法或句义
14
不同“看”数据的方式（ Variety ）
可视：结构化资料 15%
DB/DW
未视：半/非结构化数据 85%
主管们看的 战情数位仪表板 ，其实是残缺的 …
谁最先发现大数据的价值？
•
传统企业难以理解消费者
•
以新浪微博、facebook为代 表的互联网公司天然的了解 网民
海量数据早已涌现，但是从海量数据中挖掘价值，始于互联网公司！
远程病人监控
临床操作
临床决策支持系统
比较效果研究
预测建模
研发
疾病模式的分析
提高临床试验设计的统计工具和算法
大数据已经成为现代企业的核心竞争力
自身服务提升：亚马逊每天生成630万份订单，大数据帮助亚马逊提高 对客户的洞察力，随时跟踪用户需求变化。
识别客户 区分客户 快速适配
对外提供业务：淘宝每天活 跃数据量50TB，提供各种行 业分析报告（顾客的特征、 什么最好卖、行业的竞争对 手、广告投放的效果、我的 顾客的行为…..）
大数据的营销案例 一、未卜先知怀孕案例
关键环节三：建立和用户沟通渠道 那么，顾客收到这样的广告会不会吓坏了呢？Target很聪明地避免了这 种情况，它把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不相关的商品优 惠广告当中，这样顾客就不知道Target知道她怀孕了
大数据的营销案例 一、未卜先知怀孕案例
塔吉特在和顾客沟通过程中采用了哪种营销方式 A：电子邮件 B：直邮 C：电话营销 D：数据库营销
大数据的营销案例 一、未卜先知怀孕案例
关键环节一：数据信息记录 一家零售商是如何比一位女孩的亲生父亲更早得知其怀孕消息的呢？每位 顾客初次到塔吉特刷卡消费时，都会获得一组顾客识别编号，内含顾客姓 名、信用卡卡号及电子邮件等个人资料。日后凡是顾客在塔吉特消费，计 算机系统就会自动记录消费内容、时间等信息。再加上从其他管道取得的 统计资料，塔吉特便能形成一个庞大数据库，运用于分析顾客喜好与需 求。 每个ID号还会对号入座的记录下你的人口统计信息：年龄、是否已婚、是 否有子女、所住市区、住址离Target的车程、薪水情况、最近是否搬过 家、钱包里的信用卡情况、常访问的网址等等。Target还可以从其他相关 机构那里购买你的其他信息：种族、就业史、喜欢读的杂志、破产记录、 婚姻史、购房记录、求学记录、阅读习惯等等。乍一看，你会觉得这些数 据毫无意义，但在Andrew Pole和顾客数据分析部的手里，这些看似无用 的数据便爆发了前述强劲的威力