登录人民网通行证 &&&
大数据：影响广告营销的技术因素
摘要：大数据是互联网技术发展普及的必然产物，伴随互联网特别是移动互联网的发展，大数据的影响已经在学术界、企业界和政界中迅速蔓延开来。本文以大数据这一影响广告营销的技术因素为重点，在分析大数据引发的量化转变和营销新机会的基础上，提出并分析了大数据引发的广告营销焦虑。
关键词：大数据；广告；营销
中图分类号：G206 文献标识码：A 文章编号：CN61-)06-2-0030-03
数据的应用与价值由来已久，只是传统的数据以结构化数据为主。伴随网络技术的发展，互联网上每天都会产生以泽字节计算的非结构化数据，如此庞大的非结构化数据，为创新提供了全新的机会和平台。早在上世纪八十年代，未来学家阿尔文?托夫勒在其知名著作《第三次浪潮》中，就将大数据称颂为“第三次浪潮的华彩乐章”。但由于当时科技水平发展程度的限制，世界并没有做好拥抱大数据的准备。一直到2009年左右，“大数据”一词才开始逐步得到全球信息技术行业的关注与重视。进入2012年以后，大数据被提及的频次更为普遍，人们开始习惯用“大数据”来描述并定义信息爆炸时代的必然产物，即海量数据。在2011年、2012年大数据的初期热潮过后，从概念热议到理性和冷静的观察，2013年人们开始更加理智地思考大数据。今天，面对这一互联网快速发展及应用的必然产物，究竟应该如何更好地利用大数据是广告营销行业需要认真探索和思考的问题。
一、大数据引发的量化转变
大数据时代已经降临，就像哈佛大学量化社会科学学院院长葛里?金所说“这是一种革命，我们确实正在进行这场革命”。海量的非结构化数据给学术界、商业界以及政界带来的显著量化转变正在全球迅速蔓延开来，没有哪个领域能够躲避大数据的影响。严格来讲，所有事物及其变化都是“数据”，小到一个人的网购行为、心率、脉搏、性格倾向是数据，大到城市交通信息、经济体运行数据、宇宙星体的运行轨迹也是数据。只不过，大部分数据尚处于线下，只有将“线下数据”转变为“线上数据”，大数据的价值才可能得到真正意义上的释放，同时形成数据竞争壁垒。
不同于之前的结构性数据，以非结构化为主的大数据已经成为互联网时代的核心资产。消费者的个人数据成为商业竞争最重要的资源，智能世界的新霸主将是数据资源的拥有者或平台服务商。从政府机构、商业经济体到、科研院校等各类社会机构，各行各业都已经充分认识到大数据的重要性并尝试对其展开应用。以往经验判断式和直觉型的决策方式将被取代，更多的决策判断将是一种基于大数据分析之后的行为。今天，“大数据”的预见能力已经开始在公共健康、商业预测、政府管理、政治竞选等领域崭露头角。
（一）大数据预警公共卫生“疾病爆发”
早在2008年，谷歌趋势（Google Trends）就能通过大数据对北美地区甲型H1N1疫情爆发区域进行准确预测。其原理非常简单：当人们越来越依赖互联网的时候，搜索成为一种习惯，比如搜索头痛、感冒等这些小病，谷歌通过记录分析那些有过搜索“流感”相关关键词用户的所在地区，进而追踪确定流感广泛传播的地区，以此预测流感可能爆发的高危区域。在甲型H1N1流感爆发前，谷歌趋势推出的“流感趋势”主要用来监控一些季节性流感，根据谷歌的统计显示，在此之前的五个流感季中，其对追踪疾病的精确率达到97％。
（二）大数据决策股票交易时机
对冲基金已经能够通过挖掘社交媒体数据，进而预测股市表现。在日之前，准确预测脸书（Facebook）上市当天的股价走势几乎是件不太可能的事情，不过推特（Twitter）做到了。Facebook在纳斯达克首次公开招募之日，一家名为DataSift的社交媒体监测机构发现网民在Twitter平台上显示的情感倾向和Facebook股价之间存在正向波动关联，即Facebook的股价会随着Twitter平台上网民所呈现出的正面情感倾向而上涨、随着负面情感倾向而下降，这种关联反应的时间差只有几分钟到二十多分钟。
（三）大数据深化体育行业目标性分析
NBA早就是数据统计的行家里手，从上世纪八十年代起，NBA就采用数据管理技术，全体球员的赛场表现，包括得分、篮板、助攻、盖帽、抢断、失误、犯规等行动数据均被采集、记录、分析。几乎每一个球员，都有相关的数据可以破解其优势与局限。据《经济观察报》的报道显示，至少有半数的NBA球队都聘请过专职数据分析师，遇到比赛日、选秀大会和交易决定等重要决策节点，数据分析师都会给出重要建议。数据管理技术对球队战绩的影响力比较明显，雇佣了专职数据分析师的15支NBA球队的平均胜率达到59.3%，而没有聘请专职数据分析师的球队的平均胜率只有40.7%。
（四）大数据推动政府管理方式变革和管理能力提升
大数据对于推动政府管理方式和提升管理能力同样具有积极意义，以大数据及大数据挖掘技术为依托，政府部门以此为基础在社会公共政策、社会舆情监控、社会犯罪预测等领域作出相关决策。美国政府部门对大数据的应用就是这方面的典型案例之一，比如美国圣克鲁斯警察局就是全美最早的大数据预测应用试点机构，通过对圣克鲁斯的城市数据源以及社交媒体上沉淀的大数据的分析，发现该警察局管辖区域内的犯罪趋势与犯罪模式，进而预测重点区域的犯罪几率。
（五）大数据助力总统竞选
被称为互联网总统的奥巴马在2008年的大选中成功借助社交媒体，成为美国建国以来当选的首位黑人总统。在2012年的美国大选中，奥巴马又首次将大数据应用到总统竞选活动中，不同于以往政治竞选中类似电视广告、海报、演讲等的常规宣传手段，奥巴马的竞选团队通过收集、分析2012大选年前两年以来的大数据，依照数据分析结果来决定奥巴马的竞选方案。以此寻找到潜在的支持奥巴马的美国民众特别是中间派选民，依靠大数据针对奥巴马的潜在支持者和中间派选民分别制定最有效的拉选票方法、广告投放的策略和社交媒体的使用策略等。基于这种以大数据为基础的决策方式成功帮助奥巴马获得第二任任期。
二、大数据引发的营销新机会
大数据是一种商业资本，其重要特征之一就是“寻找看似不相关联的东西之下隐含的相关联的相互关系，而非因果关系”。人类自身和机器设备每时每刻都在持续产生大量具有价值的信息，从精准预测极端恶劣天气，到创新研制癌症疗法。大数据对商业的影响效应更是明显，从产品研发到价格设定，从销售渠道到营销推广，每一个步骤环节中，都能产生出大数据，通过对大数据的分析研究，都能发现新的商业机会，使得之前推断、猜测、预估式的推断营销，真正成为“实证”型营销。大数据的核心并不在于海量数据本身，而是把更多的关注点放在消费者身上，即以“人”为核心。大数据的利用价值并非局限于单纯从数据中发现某种因果关系，而是需要深度挖掘大量非结构化数据，在此基础上，发现全新规律并创造全新商业价值。
（一）利用大数据，准确发掘最具价值的消费者
较早出现的大数据商业应用案例发生在一家名为塔吉特（Target）的大型超市。为了能够尽早争取到孕妇消费者群体，该超市利用其所有的消费者购物消费数据进行建模分析，进而发现一些规律，例如，无香型护手霜是大多数孕妇会在第二个妊娠期购买的产品、钙镁锌类保健品是多数孕妇在孕期前二十周的采购重点……根据这些孕妇消费的“典型商品”数据，Target构建出一套“怀孕预测指数”，以此实现尽早预测、识别出其消费者的怀孕情况，抢占孕妇市场销售先机，早于竞争对手抢先向孕妇推销其相关产品的促销信息。
（二）利用大数据，发掘交叉销售机会
全球零售业巨头沃尔玛在对消费者购物数据进行分析时发现，每到周末啤酒和尿布的销量就比平时高，而且具有消费关联性。进一步研究消费者行为后，他们发现，导致这一现象的原因在于消费者的周末家庭生活模式：通常周末家庭主妇会独自外出活动，而丈夫会留守家中一边照看孩子，一边喝啤酒看电视球赛。基于这种新发现，沃尔玛在卖场创新推出“啤酒+尿不湿”的促销组合，将此组合产品放置在啤酒销售区，结果大部分男性消费者都会在啤酒的同时购买尿不湿，两种产品的销售量双双翻倍，这一案例也成为大数据商用的经典案例。
（三）利用大数据，重组传统产业
传统商业在大数据的驱动下，也在以重组的形式绽放全新发展机会。房地产企业花样年就是通过提供基于大数据平台的社区服务、让传统物业公司转型为一个社区服务商的房地产企业，其核心做法是将业主在日常生活中的行为转化为数据记录，这些数据按照时间顺序输入技术后台，以此完成对业主的数据收集，当业主需要相关社区服务时，其社区服务平台会基于大数据做服务决策。具体来说，比如有业主因为生病需要借款，如果后台数据显示该业主的诚信记录良好，那么他不用担保就能从物业公司借到所需款项。同样，业主能够通过基于PC端或者移动智能终端的社区平台享受物业服务或者社区商家提供的服务，也可以通过这个平台提出自己的反馈意见。业主与社区服务平台之间的每一次互动，都会产生相应的数据。2012年，花样年社区平台服务的业主约为400万，创造年利润5000万元，而其中95%的利润都来自非物业服务。将线下实体社区改造成一个基于大数据的互联网平台，用互联网基因重塑传统的房地产物业公司，这是一个房地产商迈向信息化时代的创新之举。
（四）利用大数据，精准定制畅销产品
电视剧《纸牌屋》是美国电影租赁及在线视频点播服务商Netflix基于大数据投资拍摄的首部原创电视剧，这部被中国网友戏称为“白宫甄执钡恼涡删缭谌40多个国家热播。捧红这部电视剧的，不是电视、影视公司，而是大数据。在这部电视剧的创作启动之前，Netflix利用其庞大的用户群体数据，研究了3000万次该网站的用户视频体验数据，包括人们在观看一部视频时会在何时出现暂停、后退和快进的行为；同时还分析了400万条网站用户的留言评论，以及用户观看视频的时间和使用的终端设备类型等数据，是第一部在创作阶段使用了“大数据”算法的电视剧，也正是因为这个原因，《纸牌屋》成为真正意义上第一部精准定制的畅销剧。
三、大数据引发的广告营销焦虑
以往的市场营销在做消费者市场细分时，通常按照人口统计数据和生活方式相关信息来划分市场，而广告营销行业也以策略、创意和媒介购买力为核心竞争力。伴随社会化媒体的崛起、移动互联网的扩散应用以及智能终端设备的普及，一方面，海量数据成为技术应用的必然产物；另一方面，消费者注意力被高度碎片化。面对碎片化的传播环境和注意力高度分散的消费者，精准寻找目标消费者成为广告营销的重要命题。如何获取并分析消费者的实时行为数据、如何收集并挖掘消费者与品牌的互动行为数据，成为广告营销必须面对的难题之一。广告营销往数据驱动方向的转移是精确寻找目标消费者的重要前提，消费者接触品牌广告信息时表现出的行为特征是什么？广告传播过程中能够触动消费者的因素是什么？品牌应该如何通过营销传播与消费者实现沟通对话？能够影响目标消费者的KOL是谁？能够与这些KOL沟通对话的形式和渠道有哪些……
身处大数据时代，触达消费者需求和沉淀消费者数据已成为广告营销的双重门槛，而广告营销所面对的挑战也由如何才能找到消费者，升级为如何才能发掘出消费者在不同场景（不同的时间里和不同空间下）中的需求”；从借助单向或分散的传统媒体与消费者沟通信息，转型为如何与目标消费者进行即时沟通、给与即时响应、能够适时为消费者提供能够满足其需求的解决方案。与此同时，品牌营销还需要在消费者与品牌的“买卖”关系之外，建立形成一种更深层面的具备互信、共赢、可信赖元素的伙伴式关系。
传统广告已死，广告营销需要借助大数据分析，挖掘社会化媒体平台上的“弱关系”传播力量，利用大数据为广告营销提供消费者需求路径，挖掘寻找能够进行精准互动广告营销的依据，进而提升广告营销传播的投资收益。
未来的广告营销就是社会化营销和大数据营销的时代，而未来的营销主体应该由最具社会化营销理念的数字营销服务提供者进行主导。而对品牌和消费者关系的深度挖掘，应该在传统市场调研、深度访谈的基础上，结合不同媒体平台上所沉淀收集到的消费者行为过程数据进行综合决策。同时，品牌营销传播应该更加关注并控制品牌信息在社交媒体平台上的每个节点间的流动方式，重视并研究品牌信息如何才能更好地在社交媒体上被消费者关注并分享，即注重品牌创意传播的过程管理。对于数字营销代理商来说，在加强“讲故事”的能力基础上，还需要构筑全媒体传播平台的视野，当然最重要的仍然是聚合消费者数据。
【项目基金】本文系陕西省社会科学基金项目《陕西老字号文化对外传播策略》研究成果，项目编号：
参考文献：
[1]黄升民,刘珊.“大数据”背景下营销体系的解构与重构[J].现代传播,2012(11).
[2]林牧,顾萱.大数据时代的广告生态[J].新闻世界,2013(07).
[3]王佳炜.SOLOMO趋势下品牌传播的机遇与应对[J].当代传播,2013(03).
[4](美)艾伯特?拉斯洛?巴拉巴西.爆发：大数据时代预见未来的新思维[M].北京:中国人民大学出版社,2012.
[5](美)维克托?迈尔-舍恩伯格,肯尼斯?库克耶.大数据时代：生活、工作与思维的大变革[M].杭州:浙江人民出版社,2013.
[6]赵立敏.大数据背景下现代广告的重构及发展逻辑[J].编辑之友,2015(07).
[7]张文锋.大数据时代广告传播的变革――可能、边界及趋势[J].广告大观（理论版）,2014(03).
（作者系西安外国语大学新闻与传播学院讲师、中国传媒大学广告学院博士生）
来源：西部学刊
(责编：霍昀飞（实习）、燕帅)
Pokemon Go 当老牌IP遇见AR技术
　　AR手游Pokemon Go于7月6日在美国App Store上线，随后登陆澳洲，两天便登上免费榜第一的宝座，席卷各大社交平台。这些爆红的小精灵，正是承载了一大波玩家童年回忆的皮卡丘、杰尼龟们，在AR技术制作的游戏中，又一次席卷全球……
大鱼海棠口碑两极化 赚了情怀输了情节？
　　等了12年的国产动画电影《大鱼海棠》终于上映了。没有哪部动画电影能像《大鱼海棠》这样勾起观众如此巨大的好奇心和期待。但上映后的《大鱼海棠》却因剧情单薄，台词尴尬遭到吐槽，一时间毁誉参半。面对质疑和掌声，《大鱼海棠》该如何存在……贵州大数据专业技术公需科目考试_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
贵州大数据专业技术公需科目考试
上传于||文档简介
&&贵​州​省​大​数​据​专​业​技​术​供​需​科​目​考​试
阅读已结束，如果下载本文需要使用1下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩11页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢苹果/安卓/wp
积分 37708, 距离下一级还需 18187 积分
权限: 自定义头衔, 签名中使用图片, 隐身, 设置帖子权限, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 涂鸦板, 雷达卡, 热点灯, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡, 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
本帖最后由 widen我的世界 于
16:24 编辑
：如今的大数据到底发展到了什么阶段
在日新月异且喜新厌旧的技术初创企业界，已有3年历史的 “大数据” 听起来似乎已经有点过气。虽然 Hadoop 在 2006年 已经出来，但 “大数据” 这个概念大概是在 2011 到 2014年 左右才真正火起来的。也就是在这段时间里，至少是在媒体或者专家眼里，“大数据” 才开始慢慢成为了新的 “金子” 或者 “石油”。然而，至少在我跟业界人士交谈中，大家越来越感觉到这项技术已经在某种程度上陷入了停滞或迷惑期。2015年可能是数据领域的那些酷小子转移兴趣，开始沉迷于 AI 以及机器智能、深度学习等许多相关概念的年份。
16:29:58 上传
抛开不可避免的炒作周期曲线态势不管，我们的 “大数据版图” 已经进入第 4 个年头了，趁这个时候退一步来反思一下去年发生了什么，思考一下这个行业的未来会怎样是很有意义的，看看如今的大数据到底发展到了什么阶段。那么 2016年大数据到底还有多大的发展和进步空间呢?我们不妨探讨一下。
企业技术=艰苦工作
大数据有趣的一点在于，它不再像当初经历过那样有可能成为炒作的题材了。
经过炒作周期后仍能引起广泛兴趣的产品和服务往往那些大家能够接触、可以感知，或者与大众相关联的：比如移动应用、社交网络、可穿戴、虚拟现实等。
但大数据基本上就是管道设施的一种。当然，大数据为许多消费者或商业用户体验提供了动力，但它的核心是企业技术：数据库、分析等，这些东西都是在后端运行的，没几个人能看得见。就像在那个世界工作的任何人都知道那样，用一个晚上的时间就想适应企业端的新技术是不可能的。
大数据现象在早期主要是受到了与一批骨干互联网公司(尤其是 Google、Facebook、Twitter 等)的共生关系的推动，这些公司既是核心大数据技术的重度用户，同时也是这些技术的创造者。这些公司突然间面对着规模前所未有的庞大数据时，由于本身缺乏传统的(昂贵的)基础设施，也没有办法招募到一些最好的工程师，所以只好自己动手来开发所需的技术。后来随着开源运动的迅速发展，一大批此类新技术开始共享到更广的范围。然后，一些互联网大公司的工程师离职去创办自己的大数据初创企业。其他的一些 “数字原生” 公司，包括崭露头角的独角兽公司，也开始面临着互联网大公司的类似需求，由于它们自身也没有传统的基础设施，所以自然就成为了那些大数据技术的早期采用者。而早期的成功又导致了更多的创业活动发生，并获得了更多的 VC 资助，从而带动了大数据的起势。
16:29:51 上传
快速发展了几年之后，现在我们面临的是更加广阔、但也更加棘手的机遇：让中等规模到跨国公司级别的更大一批企业采用大数据技术。这些公司跟 “数字原生” 公司不一样的是，他们没有从零开始的有利条件。而且他们失去的会更多：这些公司绝大部分的现有技术基础设施都是成功的。那些基础设施当然未必是功能完备的，组织内部许多人也意识到对自己的遗留基础设施进行现代化应该是早点好过晚点，但他们不会一夜间就把自己的关键业务取代掉。任何革命都需要过程、预算、项目管理、试点、局部部署以及完备的安全审计等。大企业对由年轻的初创企业来处理自己基础设施的关键部分的谨慎是可以理解的。还有，令创业者感到绝望的是，许多(还是大多数?)企业仍顽固地拒绝把数据迁移到云端(至少不愿迁移到公有云)。
还需要理解的另一个关键是：大数据的成功不在于实现技术的某一方面(像 Hadoop 什么的)，而是需要把一连串的技术、人和流程糅合到一起。你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。这些工作一部分可以由产品来完成，而有的则需要人来做。一切都需要无缝集成起来。最后，要想让所有这一切发挥作用，整个公司从上到下都需要树立以数据驱动的文化，这样大数据才不仅仅是个 “东西”，而且就是那个(关键的)“东西”。
换句话说：有一堆艰苦的工作要做。
16:29:45 上传
所以，这就是在经过几年引人瞩目的初创企业如雨后春笋冒头，VC 投资频等头条后，我们开始步入大数据的部署期和早期成熟期的原因。
更有前瞻性的大公司(姑且称之为传统技术采用周期的 “早期采用者”)在 2011 到 2013年 间开始实验大数据技术，推出了若干的 Hadoop 试点计划(往往是因为赶时髦)或者尝试一些点方案。他们招募了各种各样此前并不存在的岗位(如 “数据科学家” 或 “首席数据官”)。他们进行了各种努力，包括吧全部数据都堆到一个数据容器(“data lake”)，然后希望紧跟着就会发生奇迹(往往不会)。他们逐步建设自己的内部能力，试验了各种供应商，从试点计划到生产中的局部部署，然后到现在争论要不要全企业铺开(全范围铺开实施的情况还很罕见)。许多情况下，他们正处在这样一个重要的拐点上，即经过大数据基础设施的数年建设后，能够展示的成果还不多，至少在公司内部的商业用户看来是这样的。但是大量吃力不讨好的工作已经做完了，现在开始进入到有影响力的应用部署阶段了。只是从目前来看，这种建构在核心架构之上的应用数量还不成比例。
接下来的一波大公司(称之为传统技术采用周期的 “早期多数使用者”)大多数时候对大数据技术是持观望态度的，对于整个大数据方面的东西，他们还在心存一定程度困惑中观望。直到最近，他们还在指望某个大型供应商(比如 IBM)会提供一个一站式的解决方案，不过现在看来这种情况近期内并不会出现。他们看待这个大数据版图的态度是心怀恐惧，在想自己是不是真的需要跟这一堆看起来并没有什么不同的初创企业合作，然后修补出各种解决方案。
16:29:39 上传
生态体系正在成熟
与此同时，在初创企业 / 供应商这一块，整个第一波的大数据公司(2009 至 2013年 间成立的那批)现在已经融了数轮的资金，企业规模已经得到了扩大，并且从早期部署的成功或失败中学到了东西，现在他们已经能够提供更成熟的、经受过考验的产品了。少数一些已经成为了上市公司(包括 2015年 上市的 HortonWorks 和 New Relic)，而有的(比如 Cloudera、MongoDB 等)融资已经达上亿美元了。
这个领域的 VC 融资活动仍然很有生气，2016年 的前几周我们见证好几轮相当可观的后期阶段大数据融资事件：DataDog(9400 万美元)，BloomReach(5600 万美元)，Qubole(3000 万美元)，PlaceIQ(2500 万美元)等。2015年 大数据初创企业拿到的融资额达到了 66.4 亿美元，占整个技术 VC 总融资额额 11%。
并购活动则开展得中规中矩(自从上一版大数据版图发布以来完成了 34 项并购，具体可参见附注)
随着该领域的创业活动持续进行以及资金的不断流入，加上适度的少量退出，以及越来越活跃的技术巨头(尤其是 Amazon、Google、IBM)，使得这个领域的公司日益增多，最后汇成了这幅 2016 版的大数据版图。
16:29:37 上传
显然这张图已经很挤了，而且还有很多都没办法列进去(关于我们的方法论可以参见附注)
在基本趋势方面，行动开始慢慢从左转到右(即创新、推出新产品和新公司)，从基础设施层(开发者 / 工程师的世界)转移到分析层(数据科学家和分析师的世界)乃至应用层(商业用户和消费者的世界)，“大数据原生应用” 已经在迅速冒头—这多少符合了我们原先的一些预期。
大数据基础设施：仍有大量创新
Google 关于 MapReduce 和 BigTable 的论文(Cutting 和 MikeCafarella 因为这个而做出了 Hadoop)的诞生问世已有 10年 了，在这段时间里，大数据的基础设施层已经逐渐成熟，一些关键问题也得到了解决。
但是，基础设施领域的创新仍然富有活力，这很大程度上是得益于可观的开源活动规模。
<font color="#15 年 无疑是 Apache Spark 之年。自我们发布上一版大数据版图以来，这个利用了内存处理的开源框架就开始引发众多讨论。自那以后，Spark 受到了从 IBM 到 Cloudera 的各式玩家的拥护，让它获得了可观的信任度。Spark 的出现是很有意义的，因为它解决了一些导致 Hadoop 采用放缓的关键问题：Spark 速度变快了很多(基准测试表明 Spark 比 Hadoop 的 MapReduce 快 10 到 100 倍)，更容易编程，并且跟机器学习能够很好地搭配。
16:29:35 上传
除了 Spark 以外，还出现了其他的一些令人兴奋的框架，比如 Flink、Ignite、Samza、Kudu 等，这些框架的发展势头也很好。一些思想领袖认为，Mesos(数据中心资源管理系统，把数据中心当作一台大计算资源池进行编程)的出现也刺激了对 Hadoop 的需求。
即便在数据库的世界里，新兴的玩家似乎也越来越多。多到市场已经难以承受的地步，这里发生了很多令人兴奋的事情，从图形数据库(如 Neo4j )的成熟，到专门数据库的推出(如统计时序数据库 InfluxDB)，乃至于 CockroachDB 的出现(受 Google Spanner 灵感启发诞生的融合了 SQL 与 NoSQL 长处的新型数据库)。数据仓库也在演变(如云数据仓库 Snowflake)。
大数据分析：现在跟 AI 结合了
大数据分析过去几个月出现的一股趋势是，越来越关注利用人工智能(形式和风格各异)来帮助分析大规模的数据，从而获得预测性的洞察。
其实最近出现复兴的 AI 很大程度上算是大数据的产物。深度学习(最近受到关注最多的 AI 领域)背后的算法基本上是几十年前就诞生了的，但直到最近能够以足够便宜、足够快速地应用到大规模数据之后才发挥出了它的最大潜能。AI 与大数据之间的关系如此紧密，以至于业界专家现在认为 AI 已经令人懊恼地 “与大数据陷入了热恋当中”。
16:29:32 上传
不过反过来，AI 现在也在帮助大数据实现后者的承诺。分析对 AI/ 机器学习越来越多的关注也符合大数据下一步演进的趋势：现在数据我都有了，但究竟从中能得到什么样的洞察呢?当然，这件事情可以让数据科学家来解决，从一开始他们的角色就是实现机器学习，否则的话就得想出模型来发现数据的意义。但是机器智能现在正在逐渐发挥辅助数据科学家的作用—只需要倒腾数据，新兴的产品就能从中提炼出数学公式(如 Context Relevant)或者自动建立和推荐最有可能返回最佳结果的数据科学模型(如 DataRobot)。一批新的 AI 公司提供的产品能够自动识别像图像这样的复杂实体(如 Clarifai、Dextro)，或者提供强大的预测性分析(如 HyperScience)。
同时，随着基于无监督学习的产品的传播和改善，看看它们与数据科学家之间的关系如何演变将非常有趣—将来这两者是敌还是友呢?AI 当然不会很快取代数据科学家的位置，但预计会看到数据科学家通常执行的更简单一点的工作越来越多的自动化，从而可以极大提高生产力。
但不管怎样，AI/ 机器学习绝不是大数据分析唯一值得关注的趋势。大数据 BI 平台的普遍成熟及其日益增强的实时能力也是一个令人兴奋的趋势(如 SiSense、Arcadia Data 等)。
大数据应用：真正的加速
随着一些核心基础设施的挑战得到解决，大数据应用层正在快速构建。
在企业内部，已经出现了各种工具来帮助跨多个核心职能的企业用户。比方说，销售和营销的大数据应用通过处理大规模的内外部数据来帮助找出哪位客户可能会购买、续约或者流失，且速度越来越实时化。客服应用帮助个性化服务。人力应用帮助找出如何吸引和挽留最好的员工等。
专门的大数据应用几乎在任何一个垂直行业都有出现，从医疗保健(尤其是基因组学和药物研究)到金融、时尚乃至于执法(如 Mark43)。
16:29:28 上传
有两个趋势值得强调一下。
首先，这些应用很多都是 “大数据原生” 的，本身都是依托在最新的大数据技术基础上开发的，代表了一种客户无须部署底层大数据技术即可利用大数据的有趣方式—因为那些底层技术已经是打包的，至少对于特定功能来说是这样的。比方说，ActionIQ 就是在 Spark 基础上开发的(或者说是 Spark 的一个派生)，所以它的客户能够在营销部门利用 Spark 的威力而不需要自己部署 Spark，这种情况下是没有 “装配线” 的。
其次，AI 在应用层也有很强大的存在。比方说，在猫捉老鼠的安全领域中，AI 被广泛用来对付黑客，实时识别和对抗网络攻击。去年已经出现了一个 AI 驱动的数字助手行业，支持从任务自动化到会议安排(如 x.ai)以及购物等几乎一切事情。这些解决方案对 AI 的依赖程度不一，从几乎 100%自动化到 “有人参与” 等情况各不相同，但是可以明确的是，人的能力在 AI 帮助下得到了增强。
16:29:24 上传
从很多方面来看，我们仍然处在大数据现象的早期发展阶段。尽管已经花费了数年时间，但减少基础设施来存储和处理大规模数据还只是第一阶段。AI/ 机器学习已经成为大数据应用层的一股迅猛趋势。大数据与 AI 的结合将会推动很多行业的惊人创新。从这个角度来说，大数据的机会也许要比大家想象的还要大。
16:29:15 上传
然而，随着大数据继续走向成熟，这个术语本身可能会消失，或者变得太过时以至于没有人会再使用这个词。这就是成功赋能技术令人讽刺的命运归宿—由于技术的广泛传播，然后到达无所不在的地步，最后被人熟视无睹。
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
总评分:&经验 + 100&
学术水平 + 2&
热心指数 + 2&
信用等级 + 2&
大数据的成功不在于实现技术的某一方面(像 Hadoop 什么的)，而是需要把一连串的技术、人和流程糅合到一起。你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。这些工作一部分可以由产品来完成，而有的则需要人来做。一切都需要无缝集成起来。
大数据营销是基于多平台的大量数据，依托大数据技术的基础上，应用于互联网广告行业的营销方式。大数据营销衍生于互联网行业，又作用于互联网行业。依托多平台的大数据采集，以及大数据技术的分析与预测能力，能够使广告更加精准有效，给品牌企业带来更高的投资回报率。
大数据迷思和对线下操作的批评反映的是一种片面技术倾向，过重的技术视角只会抹杀互联网金融在交易主体、交易渠道、用户体验、普惠思维方面的巨大优势与革新价值。当前的互联网金融企业向别人忽悠下大数据未尝不可——只是，千万不要把自己也忽悠进去了。
不要为了大数据而作大数据，初以为略有道理，现在发现，仍有很多人埋在这个坑里，为了大数据而做大数据，不仅是现在一些创业者和投资者的误区，甚至很有可能在未来的一小股泡沫中，越吹越大，这股泡沫什么时候来谁也不知，或许半年，或许两年。
大数据的鼓吹者希望人们相信，在一行行的代码和庞大数据库的背后存在着有关人类行为模式的客观、普遍的洞察，不管是消费者的支出规律、犯罪或恐怖主义行动、健康习惯，还是雇员的生产效率。但是许多大数据的传道者不愿正视其不足。数字无法自己说话，而数据集——不管它们具有什么样的规模——仍然是人类设计的产物。
无限扩大经管职场人脉圈！每天抽选10位免费名额，现在就扫& 论坛VIP& 贵宾会员& 可免费加入
加入我们,立即就学扫码下载「就学」app& Join us!& JoinLearn&
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师