大数据企业应用场景分析_企业常用分析场景

目录

一、企业分析

1.1 企业领域维度分析

1.2 技术服务型维度分析

1.3 细分领域维度分析

二、大数据应用场景

2.1 数据分析

2.2 智能推荐

2.3 产品/流程优化

2.4 异常监测

2.5 智能管理

2.6 人工智能和机器学习

三、总结

---

前言：想讲清楚大数据应用对企业的价值，需要先分清楚有哪些企业，什么场景下需要用到大数据技术，本文从两个视角分析，一个是大数据企业类型，二是应用场景。给下一篇大数据应用对企业的价值做铺垫。

一、企业分析

      大数据企业可以根据不同维度进行分类，这里从企业领域、技术服务类型、领域细分三个维度进行分析。

1.1 企业领域维度分析

       根据企业的业务领域，可以分为互联网、营销行业、政府及公共事业行业、服务业、制造业、金融、医疗、物流、农业等领域；

       业务领域的划分，区别是企业服务对象群体关注点的不同，比如营销关注消费者人群、政府及公共事业关注公共事业、制造业和农业关注生产对象、金融和医疗关注具体的信息、旅游和律师等关注服务效果，企业由于经营对象的不同，其应用数据主体和相关数据不同。

比如营销行业，主体数据是消费者的消费情况，关联数据是生活区域、手机品牌、职业等；

比如物流，主体数据是运单详情，关联数据是运输方式、区域路径、城市流量分布等。

1.2 技术服务型维度分析

       根据大数据企业的技术特点和服务类型，还可以将大数据企业划分为数据资源驱动型、技术驱动型和服务驱动型等类型。

       数据资源驱动型领域主要包括网络设施、大数据采集设施、大数据存储设施、服务器、大数据安全防护设施等基础设施建设和智能终端设备的生产、销售与租赁；

       技术驱动型领域主要包括大数据挖掘、可视化展示、大数据并行运算、高性能计算、大数据综合分析云平台等软硬件的生产、销售与租赁；

       服务驱动型领域主要指充分利用大数据分析等技术，通过数据租售、预测、咨询、可视化和周边服务等商业模式，为各类行业的用户提供大数据技术支撑与大数据价值的服务。

1.3 细分领域维度分析

比如互联网企业为例，可以细分为以下几种：

• 商务公司：主要的客户是向客户出售物品；
• 服务平台公司（SaaS）:你做的是将SaaS送到用户手中；
• 免费移动用户：通过应用内购买使用功能赚钱；
• 媒体网站：生产内容的同时依靠广告赚钱；
• 用户生成内容：让用户在你的平台上生产内容；
• 双边市场：开发一个双边市场用以联系卖家和买家；

       细分领域关注的核心指标和主要群体都不一样，大数据的应用方向也有所不同，商务公司在定制化推荐、产品运营；服务平台关注点在产品性能和体验优化；免费移动用户关注点在产品本身的价值，诞生在调研之前；媒体网站关注点在用户的体验运营和内容吸引力上；用户生成内容在定制化推荐、内容管理上；双边市场在推广和留存等流量管理上。

        其他领域，还可以根据业务做细分，比如金融有一级和二级市场、教育分线上和线下、交通运输、供应链与物流、农业、工业与制造业、体育文化、环境气象、能源行业等。

这些细分领域，关注的对象群体一样，但是视角不一样，所以第一重要指标也不同。

二、大数据应用场景

大数据技术在各行各业都有广泛的应用场景，一些常见的大数据技术应用场景如下：

2.1 数据分析

       利用大数据技术进行数据分析，帮助企业更好地理解应用的趋势、客户需求，做出数据驱动的决策，例如，商业BI、用户社交媒体、数据医疗、教育等场景分析。

2.2 智能推荐

       基于用户行为和偏好数据，利用大数据技术构建个性化的推荐系统，提高用户体验，例如电商推荐、媒体内容推荐、视频推荐等。

2.3 产品/流程优化

      对于运营的产品，对内或者对外的服务平台，可以基于使用情况，优化体验，运维优化，任务性能优化等。

2.4 异常监测

       对于基础服务，业务等，从不同的视角都存在风险的可能，可以做风控相关的项目，比如物联网 (IoT) 监测，风险预测，业务风控，用户风控等。

2.5 智能管理

      提升安全、规划、提升服务效率和质量，比如利用大数据进行交通流量监测、智能交通管理、终端资产管理、物流路径优化，提高交通和物流效率。

2.6 人工智能和机器学习

      利用大数据进行机器学习模型训练，比如应用于图像识别、语音识别、自然语言处理等领域。

三、总结

       大到企业，小到业务团队，都有可落地的大数据应用场景，可以和需要是两回事，有价值才需要；从价值角度，评估业务数据的情况，数据大量级、性能高要求都是大数据技术的适用场景。引入大数据技术，从数据分析、智能推荐、产品功能优化、异常检测、智能管理、人工智能和机器学习应用的视角，评估业务的必要性，再规划资源落地，尽量少走弯路。下一章描述我知道的大数据应用的价值。