大数据变现范文

大数据变现范文（精选5篇）

大数据变现 第1篇

散落的“珍珠”

业界对电信运营商大数据应用的举步维艰作出了不少分析判断, 例如电信运营商的数据格式不统一、缺少应用场景和价值模式等。诚然, 这些都是阻碍电信运营商将大数据转化为实际价值的障碍, 但最关键的问题其实还是在电信运营商自身一直无法解决“脱离市场实际”的关键问题, 使得空守大数据这座巨大的“金山”, 却又不知如何下手。

电信运营商所掌握的大数据体量无疑是巨大的、格式无疑是丰富的、维度和角度也是多样和充分的。我们身边的每一位用户在使用电信运营商业务与服务的同时, 便留下了大量的数据轨迹。以一名都市白领的日常生活为例, 从起床上班到下班回家, 会留下基站位置和基站切换路径等数据;日常手机使用移动互联网的行为, 会留下使用的时间规律和应用偏好等数据;每日的业务话单, 会留下消费能力、消费结构和消费倾向等数据。

通过这些数据轨迹的收集提取、整理分析和研究判断, 可以清晰描绘出客户的“侧写 (Profile) ”, 并总结出客户的特性、可能存在的兴趣点和需求点、提升价值的突破口、开展营销服务工作的切入点等有价值的信息, 并将之转化为提升客户价值与电信运营商价值的行为。遗憾的是, 这些数据轨迹分散在电信运营商的不同系统之中, 如何将这些散落的“珍珠”串起来是电信运营商目前一直无法顺利解决的难题。

造成这种局面的原因, 系统数据格式不统一、不同系统之间数据调用和应用难度大只是表象, 真正的关键问题在于一直以来电信运营商的思维模式明显与市场实际脱节。由于电信运营商一贯以自身为主导、以业务为主导的思维模式, 使得电信运营商普遍缺少脚踏实地开展市场研究的作风, 也缺少站在客户角度开展业务服务运营的机制。这种缺憾, 使得电信运营商面对俯拾皆是的大数据, 却不知道如何有效地进行整合, 甚至连进行整合的意识都没有, 就好像厨师, 面对琳琅满目的珍贵食材却不知道如何烹制出一道美味佳肴, 而问题显然不在食材上。

“串起”大数据的价值

电信运营商的大数据就像散落的“珍珠”, 只有将之艺术而又科学地“串起”来, 才能展现其真正的价值。而想要“串起”这些“珍珠”, 就需要以深刻理解和尊重市场为基础, 充分调动关联性思维和创造性思维。

所谓关联性思维, 这里包含两个层面的含义。一是要能够从繁纭复杂的大数据中清晰地把握其价值关联点, 并能够将不同类型和格式的数据整合成为有价值的结论。大数据的应用不是简单的数据运算, 我们也不可能“设计”出大数据应用的结果, 但可以从多种角度展开大数据应用的关联性思考。例如从电信运营商自身的角度, 通过大数据可以补充完善对市场和客户的理解, 纠正错误的认知并更加科学有效地制定策略;从客户的角度, 通过大数据可以分析出当前电信运营商营销服务体系中的短板和不足;从价值模式扩展的角度, 通过大数据可以关联出新的价值模式, 而这些价值模式可以超越电信运营商固有的领域, 开创出新的市场空间。

关联性思维的第二个层面是要求电信运营商对市场、技术、综合管理等多个线条要有深刻的理解和互动, 打破“山头主义”。例如, 市场线条通常由于缺少专业技术培养, 对于交换系统、基站系统中有何种类型的大数据, 以及这些数据应当如何提取和处理并不知晓;技术线条由于缺乏对市场的敏感, 也无法知悉手头的大数据能够给市场和客户带来何种价值。因此, 电信运营商内部要有积极主动“走出去”和“请进来”的思维和作风, 促进不同业务线条、不同数据掌握者之间的交流互动, 共同寻找契合点和价值点。

所谓创造性思维, 是指能够通过数据分析模型的建立, 有效获取和处理数据, 并从中提炼出不同的价值。正如前文的喻例, 电信运营商要为手中的众多“食材”找到一份“菜谱”。但数据分析模型的建立并非易事, 它要求建模者必须对电信运营商内外部、当前电信市场乃至整个移动互联网市场以及对电信运营商如何调动各种资源将价值转化落实等方面都有深刻的理解。

与上述两种思维模式配套的是电信运营商大数据运营团队与人才的培养建设。遗憾的是, 目前电信运营商内部并没有专业的团队和人员从事此项工作, 更多的是兼职式、阶段项目式地开展此类工作, 这无疑是阻碍电信运营商充分利用大数据价值的最大障碍之一, 也折射出电信运营商的决策者和管理者并没有充分认识大数据价值、树立大数据意识, 缺乏推动大数据运营的足够动力。这一点, 对于大型国有企业而言, 可能比前述的种种客观原因更为致命。

Teradata：让大数据变现 第2篇

随着手机成为现代人的“器官”，通讯运营商掌握了海量用户行为数据。我们时常担心这些数据会被非法利用侵犯隐私，但与此同时，这些数据如果被合法合理地加以运用，也能够产生非常大的价值。比如，在举办大型活动时，电信运营商可以为政府提供数据，通过移动数据来监测和评估参与人数、人口密度，并向人群推送安全提示信息，这样也许就能避免类似于外滩踩踏事件那样的悲剧。

西班牙电信利用大数据分析技术，提供“智慧足迹”（Smart Steps）服务，为ZARA提供精确的开店选址服务，以及帮助零售商家做出“何时何地向谁推送广告”的营销决策。在他们的背后，提供专业的大数据技术，实现大数据变现的，则是一家叫做Teradata的公司。

1979年创立于美国的Teradata公司，是全球领先的大数据分析和营销应用服务提供商。今年，Teradata把连续举办了15年的大数据峰会放在深圳举行，充分显示出对中国市场的重视。Teradata天睿公司联席总裁Hermann Wimmer表示，大中华区已经成为其全球第二大市场，也是增速最快的市场。

目前，Teradata主要专注于两大业务，一个是数据源的整合，也就是数据仓库和大数据分析；一个是营销类的应用。Wimmer表示，Teradata帮助客户将各种各样的数据整合起来，同时建立起Teradata统一数据架构（UDA）这样一个生态系统，将各具优势的平台整合进来，让客户在其中能够灵活选择。

在万物互联的时代，企业需要处理的数据已不仅是自身的交易数据，而是多种来源、更加海量的复杂数据。Teradata天睿公司首席技术官宝立明 （Stephen Brobst）指出，大数据分析经历了三个阶段的演进，第一阶段是网络日志分析，向行为数据分析过渡；第二阶段是社交媒体数据分析，而接下来的一个阶段是基于万物互联时代的传感器数据分析。智能手机、可穿戴设备等传感器都是未来数据的主要来源，它们将产生出远比前两阶段多得多的数据，而且更具价值。

比如，以制造安全的汽车而闻名的沃尔沃，就是传感器技术的早期采纳者。基于智能传感器，能够去追踪天气、周围交通状况、驾驶人行为、引擎性能、维保的时间等因素，实时上传数据，必要时可以采取一些手段干预汽车的驾驶，以减少事故发生的几率。这些正在一步步实现中，沃尔沃甚至大胆提出，到2020年将没有人会死于交通事故。

科学家描绘的世界总带点科幻色彩，但现实中，许多企业已经借助Teradata的营销应用解决方案实现了营销效率的提升。例如，连锁便利店7-11，在Teradata和CRM管理系统Brierley Partner的共同帮助下，推行了一个基于手机APP的用户忠诚度项目。后台通过对用户行为数据的分析，向用户推送基于地理位置的个性化服务，并且是实时的、即刻符合需求的。同时，根据用户数据会发现在一天中的不同时段用户会有不同需求，比如早上是咖啡和面包，炎热的下午更需要冰奶昔，7-11通过数据调整库存，确保用户的需求得到满足。

IT研究咨询公司Gartner曾提出，预计到2018年90%已经部署的“数据湖”都将是无用的。因为数据量太大了，为企业在数据存储、管理和展示方面带来很大挑战，“数据湖”变成了“数据沼泽”，这将使企业深陷其中，找不到自己需要的数据，很难让这些数据产生价值。因此，企业需要提前建立起一套优质的数据整合、管理流程和方法，以应对未来可能发生的数据爆炸。

Teradata天睿公司大中华区首席执行官辛儿伦指出，目前中国企业对于大数据应用的关注非常多，很多创新的观点、技术或应用开发都是从国内发起，这是很好的趋势。同时，国内企业对于大数据管理流程、方法的关注还有待加强，未来这部分将为中国企业创造更多成长机会。

对话

Q ： 新营销 A： Volker Wiewer（Teradata全球营销应用副总裁）

Q：目前大数据技术在哪个行业市场发展速度最快？

A：我认为零售行业发展速度最快。在所有行业中，零售行业对数字营销的影响力最大，而且其自身发展速度也是最快的，发生了翻天覆地的变化。比如阿里巴巴集团这样巨头式的零售集团，可以在一天之内彻底改变消费者行为。现在，作为一名普通消费者，我想买书或手机都可以在网上完成，因此，所有的交易信息和客户数据都可以在网上收集。

其次，银行业发展也比较快。Teradata服务于全世界许多大型跨国银行，帮助其更好地理解、洞察出客户的具体行为。例如，客户对某一款银行产品感兴趣，银行的大数据平台将收集客户的每一步行动和搜索数据点。当客户走进银行的某一分支机构打算进一步了解时，银行员工就可以实时通过电脑了解这个客户之前的所有行动，包括线上搜索信息、社交媒体上发布内容、手机银行的查询动作，这些数据都会呈现在银行员工的电脑屏幕上，所以该员工可以根据客户的各种行为，为客户进行业务推介。

我想补充一点，虽然消费品行业的大数据应用还处于初级阶段，但其发展速度也非常令人瞩目。例如，Apple Watch和其它智能手环等可穿戴设备都发展得特别快，给消费品行业带来了深刻转变。甚至有些牙刷、体重秤也可以通过蓝牙技术进行联网，记录消费者数据。这些消费品通过传感器，实现物联网的连接，彻底改变了消费品行业的发展。以往，消费品卖出后，其生产企业和消费者的客户关系也就终止了，这意味着只有当消费者还需要购买新产品，才会重新建立客户关系。但由于传感器技术的存在，消费品可以实现物联网的连接，客户关系不再因为购买行为的结束而终结，而会持续下去。对于消费品企业而言，如何维持并改善长期持续的客户关系，如何运用大数据打造出全新客户体验，成为了一个巨大挑战。

Q：市场营销人员通常不太精通于技术，在运用大数据技术进行市场营销工作时，要如何平衡技术与实践的差距，有效利用这种新技术？

nlc202309042242

A：你这个假设非常有道理，我们和客户开展项目时，尤其是市场营销人员，在最开始对新事物都很恐惧、害怕，认为这个新技术非常复杂，不会用。Teradata现在做的事情包括三点：

第一点，通过简洁易用的用户界面帮助客户轻松使用大数据技术。客户会发现，市场营销人员并不需要理解具体的技术细节内容，我们打造的用户界面非常一目了然，使用便捷。如果市场营销人会使用普通的微软办公软件，那么就一定能使用我们Teradata的工具和技术。

第二点，帮助客户理解大数据技术。其实Teradata的大数据技术平台就是将海量、复杂的数据进行分析、汇总，并形成报告，或者简单的几句话，供CEO、CMO等企业高层管理者做高层业务决策，但是支撑这一最终结论的是非常复杂的大数据。

第三点，我们还会帮助客户和企业进行培训，在全世界每个市场都有专业的大数据专家，他们会向客户介绍、解释如何运用Teradata的大数据平台和分析工具，如何将大数据运用到各自的细分行业当中。

在我们的客户当中有一个趋势，现在很多企业的市场营销部门内部会设置IT技术专员，他的唯一职责即与企业IT部门对接，通过将市场营销部门的需求传递给IT部门，推动市场营销部门自己相关项目。这个岗位需要他不仅拥有IT知识和经验，而且还很了解市场营销部门内部组织结构，开展市场营销活动的流程，将这两者进行完美衔接。

Q：如何将线上和线下的数据进行整合？

A：这是一个非常好的问题。这对于所有企业，包括对于Teradata而言，都是一个巨大的挑战。现在Teradata正在开发新技术，旨在实现线下信息数字化，将线下数据和线上数据进行有效整合。如何去实现线下数据的数字化呢？

以零售行业为例，消费者走进了一家门店，门店可以通过摄像头追踪这个客户在门店里边的所有动作，此后，这个客户如若购买某个产品，可能会使用忠诚客户的积分卡，门店就可以通过这一过程收集到大量客户的线下消费数据。

那么客户在路上看见了广告牌的数据如何采集呢？这个问题目前确实还没有解决。现在，能够做的就是大概统计了解有多少人在哪个区域看了这个广告牌，这部分人大概是哪一个细分人群。现在，业界对于如何整合线上线下数据开展了非常多研究。我自己的想法是，可以利用手机GPS做定位，追踪到某个用户拿着iPhone，站在某个广告牌前，如此一来可以假设他应该是在看广告牌信息，所以将这类数据收集，再与线上数据进行整合。

大数据变现 第3篇

幸运的是, 人工智能领域的一些理论和比较实用的方法, 已经开始用于大数据分析方面, 并显现出初步令人振奋的结果。至此大数据的价值变现潜能开始逐步被人工智能释放。同时, 大数据技术的发展也将在为人工智能提供用武之地的同时, 唤醒人工智能巨大的潜力, 从而使这两个领域的技术和应用出现加速发展的趋势。

在2015年新华社新闻学术年会新华网“信息技术与媒体生态”分论坛上, 英特尔中国研究院院长、首席工程师吴甘沙将大数据的可能价值变现方式划分为六种:一是见微, 从小处看到细微的洞察;二是知著, 能看到宏观的变化规律。正如《一代宗师》里的台词“见自己、见众生、见天地”, 吴甘沙把见微是叫做见自己, 知著称为见众生、见天地。第三第四种是当下和皆明, 当下是此时此刻的感受, 皆明是知前后做到万物皆明, 是在时间点上在不同的万物上获得洞察。五六是辨讹和晓意, 辨讹是去伪存真、查漏补缺, 晓意则由于传统上机器只能处理数据, 对于有深刻内涵的内容无法真正理解显得异常重要。

知著见微:大数据的“大弹性”

1、知著

随着大数据、人工智能的发展, 机器能进一步窥探到人类的思想境界。知著就是“见天地、见众生”, 正如天文望远镜。那么, 大数据如何帮助人们知著呢?具体可以分为两方面:

一是传统采样和定性, 采样更多的是了解平均, 作为牺牲, 采样会把黑天鹅的信号当做噪声过滤掉;

二是传统定量的研究, 尤其是在社会科学领域, 大数据为之后的进一步定量研究做了好铺垫。社会学里面有一个社会计算学分支, 广告中也有计算广告学分支, 所有这些都是通过定量的方法更好地了解这个社会、了解个体。无论是群体的理性还是个体的非理性, 都可以通过定量的分析获得洞察。

国外专家曾在Twitter上面进行过情感分析试验, 他们发现Twitter上面的情感变化和Facebook IPO当天股价的变化有高度相关性, 而情感变化是股价变化的先行因素, 这是一个很有趣的研究。这种研究使得人们能够更好地看到社会上的一些行为、媒体内容中的一些变化和经济行为变化的关系。

2、见微

如果说知著是天文望远镜, 那么见微就是显微镜。传统观点认为, 市场经济的“市场”是所有人行为的总合, 由于对数据和行为理解的局限, 人们看到的市场亦是打马赛克的块状分布。而随着掌握的数据的增加, 这个市场逐渐变成一个高清的纵深的图。

传统上的营销行为讲究的是对客户群体进行细分, 随着大数据发展的深入, 客户群体从细分到微分、微分到个人, 实现从个性化到个体化的转变。

从前, 商家只能关注花钱买单的客户, 大数据则可以实现用户的体验反馈, 并且从点到面逐渐覆盖。仅仅覆盖到线上的面却是不够的, 随着移动互联网以及位置信息的丰富, 线下位置信息可以揭露更多的洞察——原来他到了一个线下的商场做了一次体验。

网络信息透露该用户在体验之前是获得了基于位置信息的推荐, 或者是因为社交网络上朋友的一次推荐。体验结束不仅仅有交易, 也会到网上吐槽, 而吐槽会进一步形成病毒式的传播, 他的朋友可能是点赞或者进一步转发。所有这些就形成了网状或者是图状的数据, 这个数据使得我们对这个行为有了更好的洞察。

当下皆明:快思考也要深分析

1、当下

对于普通用户来说, 从浏览一个网页或者看一部电影开始, 一旦发起了浏览的动作, 作为发行商或者是爱奇艺这样的电影的流媒体网站就会到供应方平台发起请求, 发起的请求会将这个广告商的画像描绘出来。

接下来, 供应方平台会到广告交易平台进一步获取广告, 而交易平台又会将需求传输到代表广告主的需求方平台, 需求方平台下面有一个数据管理平台, 详细分析了每个个体的偏好, 根据传送的个体偏好的分析返回, 推荐合适的广告。

通过实竞价, 获得竞价的一方就会把需求发到程序化的创意平台, 该平台再根据广告主以及个体画像产生一次实时的创意, 把真正的广告给推到个体那边。

而所有这些的发生可能在100毫秒发生, 发生了从数据的采集到广告主获取广告的候选进行实时竞价和程序化的创意, 最后形成这个广告。在整个过程中, 大数据起到了无可比拟的作用, 这就是见微, 而呈现到每一个个体前面的都是非常精准的广告营销。

同时, 在100毫秒里面完成的一次精准广告推荐涉及到当下。在传统意义上, 人们对于知识的理解, 对于整个社会的理解基本上都有一个滞后期, 吴甘沙把它称为刻舟求剑, 在人们真正获得洞察的时候, 整个这个世界已经变化了。正如建国以来已经进行过的6次人口普查, 无论如何精准都是滞后的。而现在随着大数据的普及, 我们现在有可能更实时地理解我们这个社会。

当然, 当下快思考风行, 几秒钟得到的洞察可能一下子传播到世界各地, 犯的错误却是覆水难收。

2、皆明

对应于当下的叫做皆明, 皆明是深度报告, 涉及三种分析。

第一, 描述性分析, 即过去发生了什么, 为什么会发生, 而现在又在发生什么, 简言之就是通晓古今。2005年伦敦发生暴乱后, 《卫报》对几百万条Twitter进行了分析。分析的过程中发现, 暴乱和贫穷确有很大的相关性, 政府应该解决贫穷的问题;而Twitter虽然在早期传播了谣言, 但后期Twitter可以把更多的信息聚拢过来, 让人们看到真正的真相, 这与政府当初的快思考, 对贫穷的忽视和对Twitter的偏见大相径庭。这是描述性分析的一个非常典型的案例。

第二, 预测性分析。大数据的核心价值是对于未来的可见性, 预测性分析就是能够预测未来发生什么, 三国时期诸葛亮的巧借东风属于预测性分析。

预测性分析在当下最常见的应用是谷歌预测票房的分析。《蜘蛛侠3》引发了对同系列的两部电影的票房分析, 也带出了季节性的因素分析。透过预测, 制片方和影院可以提前一个月对电影的票房做出高准确度的预测, 这一个月的价值则可以直接与票房收益挂钩。

第三, 处方性分析。分析方能够利用大数据运筹帷幄, 希望未来发生什么, 明白为了要让目标实现现在要做一些什么。同样是诸葛孔明的计谋, 草船借箭就是处方性分析, 纸牌屋也是在处方性数据分析中诞生的。通过受众分析, 制作方发现美国受众都喜欢政治性电影, 再经过进一步的研究, 确定每个人物的角色定位和性格特点, 包括国内的互联网综艺节目《美食美课》都是根据网上搜索的结果设计的一个节目。

在人工智能领域, 经过长期的研究, 已经积累了很多研究方法和应用技术。例如, 自然语言语义分析、信息提取、知识表现、自动化推理、机器学习等。这些技术目前正在逐步地应用于大数据技术的前沿领域, 结合预测性分析和处方性分析, 挖掘大数据蕴含的规律和价值, 从而为人类决策提供支撑。

例如, N e t f l i x的影片推荐系统、Facebook的社交图谱、Amazon的购物推荐系统等, 已经依靠深度学习和其它人工智能方法, 实现了大数据之上的巨大商业价值。

Google还对大数据的机器深度学习和建立知识树Knowledge Graph投入巨大的研究资源, 期望能够回答并帮助解决人类日常生活中普遍关心的问题。

变讹晓意:从真相窥探思想

纵观全局, 虽然随着整个IT行业计算能力、存储能力、通讯能力的发展, 以及人工智能研究的长期积累, 人工智能在一些领域里获得了一定的突破, 其研究成果也已经在数据挖掘、工业机器人、物流、语音识别、银行业软件、医疗软件等方面被广泛的应用。

但是, 目前的人工智能方法都只能处理已预先定义好的问题, 实现既定的目标。一旦遇到未定义的情况, 人工智能便束手无策。因此, 现阶段的人工智能技术并不能使机器具有真正的自主学习和研究的能力, 更无法奢谈拥有创造能力。而使机器获得学习能力、研究能力和创造能力, 恰恰是人工智能技术发展的目标。

1、变讹

变讹是大数据价值变现的第五种方式, 也就是看到真相。比如新华网上发的31省前三季度GDP之和超过全国约1.9万亿, 从不同的数据来源可以发现这个数据是对不上的。

美国德克萨斯州的数据新闻报道说, 能够把这个州的很多政府雇员的工资都做到数据库里面供人们查询。对于普通人来说任何感兴趣的人名都可以输进去, 看他的工资和其他行为, 看到他们想要了解的真相。

2、晓意

第六是晓意, 机器是不能晓意的, 只有人能晓意, 但是随着人工智能的发展, 机器能够逐步窥探到人的思想境界。《魔球》电影讲述美国奥克兰运动家棒球队总经理比利·比恩 (Billy Beane) 的经营哲学, 描写了他如何以小搏大、力抗其它薪资总额比他们多上数倍的大球队的方法。《魔球》背后不为人知的一面是, 比利花了更多的钱去请球探分析球员, 因为球员的心理抗压能力、意志力等等是无法用数据衡量的, 所以要花更多的钱。

随着大数据的发展, 通过技术可以对人进行情感分析、价值观分析, 甚至在一个题材还没有开始传播的时候, 可以对它进行“病毒传播性”的分析, 这些应用都使得大数据达到了晓意的能力。

晓意一方面是文本的晓意, 另一方面是通过视听觉获得的晓意, 机器可以具有情商, 亦可以根据短视频判断对象处于何种情绪当中。

寒武纪大爆发的钙

寒武纪为什么生命形态会大爆发呢?经过研究发现是海里面地壳运动更多的钙元素进入到生命里面, 不能适应钙元素的就被毒死了, 更能适应钙元素的生物慢慢长出了脊椎, 慢慢变成了脊椎动物, 而脊椎动物促进了更多的生命的爆发。现如今, 大数据就承担了这样的作用。

1、数据新闻

建立一个什么样的数据的技术站才能使得数据新闻更好地服务受众呢?

数据新闻分类两类, 一类是需要实时处理的, 另外一类是需要批量处理。实时处理能够更好地处理突发新闻和当下, 而批量分析可以更好地融合更系统的数据做到前后皆明。

在数据分析和机器学习方面, 以下三种技术在吴甘沙看来对于数据新闻非常重要。一个是Sentiment或者是情感分析, 二是Literacy就是数据分析如何更好地理解内容, 三是视听觉的理解, 四是对Audience的洞察。结合具体的应用, 比如Trendspotting可以找到更多的趋势, Content Creation可以创造更多的内容, Acquisition Retention是维护用户的黏性, Offer/Ad targeting是如何给用户Offer更多的广告和推送。

2、大数据打通六大产业

在2013年吴甘沙的演讲中, 他认为6大产业是通过大数据打通的, 大数据为体, 西学为用。大数据是根本, 云计算是工具, 智慧城市是纲, 同时深度融合个性化制造、第三次工业革命、移动互联网以及物联网, 综合在一起就形成“移大三、智云物”。

建立具有真正意义的人工智能系统, 是人类一直以来的梦想。面向大数据和人工智能的研究近来呈现出螺旋上升式发展态势, 但是大数据的潜能仍然未被全部激发。例如在智慧城市建设方面, 目前建立在以由传感器及电子摄像头等设备收集数据基础上的第一代智慧城市, 其实处于神经系统发达而智慧能力不足的尴尬境地。随着各类传感器数据的不断增加, 传统方法不能很好地处理这些海量数据, 使得许多花大价钱购置的硬件设备成为摆设。面对拥堵的城市、雾霾的天气、已有的海量数据, 城市“智商”的建立迫切需要借助于人工智能技术的发展成果。

3、未来电影与未来市场

未来如果通过虚拟眼镜来观看电影, 电影的发行体系会被极大地变革, 门票都不再重要, 广告变成主要的赢利模式。广告可以完全无缝地嵌入在电影情节当中, 观众完全是沉浸式的体验。在这个过程中, 观众可以和电影的人物和情节进行互动, 就像穿行在情节当中一样。从另一个角度看, 观众会改变情节的走向, 其角色可能是一种偷窥者或者是带入者, 甚至可以把自己变成故事的主人公。

微软中国研究院正在做一项技术, 通过3D摄像头把人脸的模型建立后可以实时渲染出另外一张脸, 电影里面的某个人物可以完全是观众自己的脸, 在电影中把任何一个观看者的3D模型建立进去, 就能把人物的长相变得和观众一模一样。

未来的商场若也许存在以下现实和虚拟糅合在一起的技术增强:当消费者走在万达广场里面, 突然发现眼睛里面出现了一些有趣的东西, 它吸引消费者去打怪, 指引路线, 这个路线事实上是一个眼镜引导消费者对这个商场进行浏览的过程。在浏览的过程中, 消费者不停地与实际商品产生交互和触点, 这个虚拟空间和实体空间会随意进行组合。

在未来, 任何一个表面都可以是一个屏幕, 用户戴的眼镜可以把内容投射在任何的表面, 无论是弧形还是空气, 都可以把新的信息呈现出来, 在运动的过程中每一次相遇都是计算的结果。因为这个计算需要用户走到特定的位置, 在这个位置用户和某一个商品或某一个人产生相遇, 所有的这些会极大地改变我们现在商业的生态。

区块链、虚拟现实、人工智能和机器人也融入口诀中就是“快蓄人气移大三智云物”, 这些技术会给我们未来的社会带来无限创意与玩法。

人工智能的发展, 正如人本身一样, 需要学习大量的知识和经验, 这些知识和经验需要海量的数据作为支持。大数据技术的发展, 为分析和储存海量的数据提供了技术支持, 使得机器得到的数据量和机器拥有的数据处理能力, 与形成人工智能所需要的数据量和数据处理能力相匹配的矛盾得到了缓解。在这种情况下, 人工智能的理论、方法和技术的巨大潜力才有可能被真正的逐步释放出来, 实现人工智能的发展目标, 并反过来进一步推动大数据技术的发展, 形成有效的相互推动。

英特尔：把数据变现 第4篇

数据和技术在营销中的驱动作用越来越重要，程序化购买就是数据与技术的营销驱动力的重要体现。它改变了传统广告投放逻辑，以受众购买的投放方式提升了广告投放精准度，借助程序化的投放手段提升了互联网广告投放效率，并且通过数据分析使投放效果能够不断优化。

2012年被称为中国的程序化购买元年，产生了国内第一个Ad Exchange（阿里的TANX）和第一家DSP（悠易互通）。当时敢于“吃螃蟹”的广告主大多是跨国品牌，在海外市场已经有了程序化购买的投放经验，英特尔就是其中一家。

数据驱动程序化购买：流通起来才有价值

作为最早参与到中国程序化购买投放的广告主之一，英特尔对这个市场的发展变化始终有着观察和思考，深刻认识到数据在程序化购买中的重要性。

英特尔数字营销经理凌晨表示，中国的数据市场和国外同样都呈现碎片化的特征，虽然市场拥有大量数据，但究竟如何将数据真正利用起来，如何让数据变现，无论是掌握数据的BAT，还是需要数据的广告主，大家都在探索中。凌晨认为，目前国内程序化购买市场发展一个很大的问题是数据库存的流通性不足，这也是与国外差距比较大的方面。数据只有在流通中才能真正产生价值，碎片化的数据孤岛价值非常有限。如何将碎片化的数据连接和流通起来，第三方数据平台的角色相当重要。

广告主建DMP：第一方数据发挥价值

英特尔与AdMaster自2013年开始在数据管理方面进行合作。AdMaster数据产品副总裁杨纯指出，在当前环境下，广告主需要管理好自己的市场营销数据，并结合自身企业特色，建立自己的第一方数据管理平台，并与第三方数据进行交互。需要注意以下几点：第一，数据不在于量多，而在于质，如何把真实的数据留下来；第二，数据管理及获取的及时性；第三，有数据还要有程序化技术能力，品牌要数据资产主动跟市面上的流量方做对接投放和优化。

英特尔与AdMaster自2013年开始在数据管理方面进行合作。首先，AdMaster帮助英特尔建立起其品牌自身的DMP平台，把广告主第一方数据收集和管理起来，进行分类和打标签，并且支持英特尔的全球自定义标签体系，为品牌定制化标签分类提供帮助。第二步，由于作为PC标识符的cookie存在存活时间的问题，AdMaster开创性的使用了活跃度指标，帮助英特尔了解某个人群在各个媒体的活跃情况，为实际运用、渠道选择提供帮助。最后，是做好DMP的连通性，使英特尔的数据连接国内乃至国际主流程序化购买平台（DSP、媒体、Exchange等），更广泛地触及目标受众。在实际执行过程中，AdMaster帮助英特尔率先连接Google DBM竞价平台，实现第一方数据的变现。对于英特尔来说，AdMaster的角色既是一个数据管理者，同时也是第一方和第三方数据中间的连接整合者。

在2015年英特尔与腾讯广点通合作的一个案例中，第一方数据和第三方数据的反向结合发挥了很好的效果。过去，广告主投放只能依据媒体数据来定义人群，英特尔借助AdMaster助力其搭建的自有DMP平台，能够把第一方数据与广点通的数据进行对比和匹配，投放时不仅有第三方的标签，而是可以在对英特尔感兴趣的人群中更精准地定向，比如在“英雄联盟”的玩家中找到看过英特尔第6代酷睿处理器的人，直接给他投放广告，使最终投放效果的转化得到显著提升。

程序化的未来：踏实做事，开放合作

凌晨认为，未来的程序化市场将走向自动化，英特尔在未来五年将把自动化作为一个很重要的计划。终极目标是希望营销各环节都可以被放到一个市场营销自动化平台上来完成，通过连接指定的DSP，在指定的市场、社交平台和终端上，作为一个连接器将数据和投放渠道系统联结在一起，从市场营销角度出发，实现跨平台、跨媒体的频次控制。

这样一来，英特尔就能够通过强大的数据库，掌握用户正处于什么样的兴趣阶段，通过不同阶段的媒介接触属性自动地在合适的阶段用合适的广告创意投放给用户。最终这个平台会和销售自动化平台做对接，从而打通整个购买链条。

凌晨表示，中国程序化购买市场在接下来的发展中需要解决两个问题，一是数据库存流通性问题，二是行业的浮躁之风。

“整个行业走得过快，各种新的概念层出不穷，但真正能踏踏实实把事做好的企业却很少。国外的市场是开放竞争，每家企业专注做好自己的角色，而国内往往是各自关起门来，一家企业从DSP、SSP、DMP到Exchange什么都做，结果什么都做不好。各家专注扎实地做好自己的事，整个市场开放合作，相信这是未来的发展方向。”

大数据变现 第5篇

如果一家电力公司实现了有史以来最好的可靠性, 可一些用户仍将关注点放在了短暂电压闪变上, 将会怎样?这就是海湾电力公司遇到的情况。2013年, 这家美国南方电力公司的子公司, 宣布了有史以来最好的系统平均停电持续时 间指数 (SAIDI) 和系统平 均停电频 率指数 (SAIFI) 成绩, 同时, 这家公司在用户满意度调查中也名列前茅。

然而, 指数成绩和用户满意度排名却不像人们想象的那样密切相关。对数据的深入分析表明, 用户们也许无法准确地记得他们多久遭受一次停电, 但在可靠性满意度调查中却将他们察觉到的持续和短暂灯光闪烁结合起来。鉴于用户的这种认识, 海湾电力公司选择另行调查电压闪变现象, 并利用各种智能技术, 缩小可靠性改进与用户满意度之间的差距。

提高可靠性

为提高可靠性, 工程师们研发和改善新技术, 依靠精确的数据测量提升可靠性。电力公司通过计算SAIDI和SAIFI测量供电 可靠性, 目标就是尽可能降低SAIDI和SAIFI数值。在上述数值较大的区域则需要更多的投资、调整和优化。

然而, 用户并不会记录每次停电日期、时间、范围, 反而对短暂灯光闪烁较为敏感。用户对电力服务的可靠性有自己的认识, 这种认识的形成可能源自多个因素, 而不仅仅是他们经历过的实际停电次数。有的用户可能并没有经历过停电, 但却认为电力服务不够可靠;而有的用户可能经历的停电次数较多, 但仍对电力服务满意。

海湾电力公司的核心主旨反映了公司对客户满意度的关注:“我们所做的一切都是以用户为中心。”电力公司在过去几年中启动了数个针对电网可靠性的大型项目, 电网可靠性正明显提升。然而, 有些居民用户并没有留意到可靠性提升的成果。

事实上, 在过去的四年里, 海湾电力公司报告的可靠性得到了稳步提升。2010年, 用户平均断电时间为146分钟;2013年, 用户平均断电时间为95分钟, 可靠性提升了35%。同一时期内, 对海湾电力公司可靠性进行评级的居民用户也有所增加, 但评级仍继续落后于其他的可靠性指标。虽然电力公司为减少停电和提高实际可靠性, 投入了更多的时间、精力和资金, 但用户可靠性感知度的提升水平仍然很慢。

用户感知

海湾电力公司询问了过去一年中与其有过接触的客户, 问及客户在过去的一年中经历了几次停电 (但不包括电压闪变) 。用户感知的差距令人吃惊:

仅有28% 的用户在猜测经历了多少次停电时, 与实际次数相接近。

略高于29% 的用户认为停电次数比他们实际经历的次数少。

近43% 的用户认为停电次数比他们实际经历的次数多。

尽管全年未经历过一次停电 (除了电压闪变) , 仍有近20% 的用户报告发生过停电。

在看待电压闪变的问题上, 用户报告的停电次数与其经历过的电压闪变次数并不相符, 然而它们之间确有相关性。用户经历的电压闪变次数越多, 他们察觉到并在调查中报告的停电次数也就越多。尽管已经要求用户不要将电压闪变现象包括在其报告的总数中, 这些短暂性事件仍然反映出用户对可靠性的感受, 并造成用户认为停电次数比他们实际经历的要多。

解决电压闪变问题

以往, 当用户报告灯光电压闪变问题时, 主要有两种解决问题的方式。

第一种方式是尝试找到造成电压闪变的原因, 然后去除问题。在部署任何先进测量基础设施 (AMI) 或配电自动化 (DA) 装置之前, 排除故障的过程只能根据从用户、邻居获得的有限测量和传闻信息, 以及少量系统信息进行。电压记录器只有在用户预先提出时, 才能监测供电服务数周。一旦发生电压闪变问题, 用户就要打电话给负责的工程师。数周后, 工程师将会从电压记录器和其他系统上收集信息, 检查用户何时经历了电压闪变问题。

由于仅有从该用户处获得的有限数据, 工程师还不得不驱车在周边附近收集更多数据, 并与邻里们交谈, 以了解同一时间内是否还有其他人也发现了电压闪变问题。确定电压闪变问题是否普遍存在的唯一办法就是追溯问题, 回到电网上引起电压闪变的一个共同点。然后, 工程师们才会巡检线路, 以确定问题原因。当然, 有些用户并没有留意到或记不起何时发生了电压闪变现象, 因此, 这个过程常常效率低下, 也容易出错。

第二种方式是解释发生灯光闪烁的原因, 帮助用户了解保护系统是如何工作的。如果没有自动化设备, 用户的灯就会熄灭, 然后不会再亮起来。因此, 只是闪烁一下比一次持续停电要好。自动化设备的作用就是检测线路上的问题, 灯光闪烁一下, 问题自行消除。因此, 电压闪变是系统运行中的正常现象。然而, 对于用户来说, 这并不是电压闪变和持续停电之间的选择。显然, 用户们更希望什么也不要发生。

以智能方式处理电压闪变问题

很长时间 以来, 处理用户的电压闪烁问题只有上述两种方式。问题的有关情况大部分来自用户观察以及有限的系统信息。测量也仅限于短期内特定前提下。还需要大量的外勤作业。智能电表和无线控制配电自动化 (DA) 设备的部署改变了这样的局面。用户的电压闪变问题可以记录下来, 并与他们的邻居相互参照电压闪变问题, 以确定问题涉及的范围有多大。配电自动化 (DA) 设备能自动交叉检验, 与电表报告的电压闪变问题比对。以往需要数周才能完成的工作, 如今只需要点击鼠标, 即可在几分钟内完成。

海湾电力公司安装在居民服务区的智能电表每天都会多次报告数据。这些数据包括用户经历的电压闪变次数, 即所谓的“点击计数”。从2012年12月开始, 电力公司即开始保存这些计量数据记录, 以分析长期趋势。同时, 也为其他更加复杂的项目提供了基础, 包括查询电压闪变历史以及其他电能质量问题。

通过对比两次点击计数以及查看两次计数之间的差异, 即可从点击计数中检测到电压闪变情况。如果初始抄表包括五次点击计数, 而下一次抄表时显示七次点击计数, 则在此期间该用户一定经历了两次短暂电压闪变。

积极利用信息

2013年, 配电控制中心提供了一个记录点击计数变化的程序, 检测用户在何时经历了电压闪变问题。2014年初提供的一个配电自动化 (DA) 系统和网络管理系统 (NMS) 的交互接口又进一步提升了此项功能。通过这一交互接口, 网络管理系统 (NMS) 将记录配电自动化 (DA) 设备的短暂运行, 网络管理系统 (NMS) 随后计算出哪家用户受到了闪烁的影响。当先进测量基础设施 (AMI) 显示电表上的闪烁时, 程序将查询闪烁时间前后配电自动化 (DA) 设备运行列表。通过比对这两个数据源头, 就可以更加主动和有效地缩小闪烁事件影响的区域以及可能的原因。

如果网络 管理系统 (NMS) 没有配电自动化 (DA) 设备运行的记录, 工程师可以查询该区域其他智能电表的闪烁记录, 从而发现同一时间内哪家用户经历了电压闪变问题;而这在部署先进测量基础设施前是很难实现的。通过查询哪家用户经历了电压闪变问题、哪家用户没有经历闪烁问题, 工程师就能够确定系统上的哪个设备运行了, 即使这个设备未装备无线电发射装置。如果在闪烁事件中未涉及配电自动化 (DA) 设备, 则可以及时、有效的评估与受影响用户相关的公共区或设备。

如今, 当没有数据显示问题结论时, 电压记录器也可以作为备选方案。大部分时候, 根据需要在现场检查的区域和设备, 工程师们都可以在他们的工作台上用几分钟解决问题。从2014年开始, 电力公司内的所有工程师都接受了此项新流程培训。不久之后, 就可以利用智能电表的数据, 更加积极主动地监测用户的电能质量和可靠性。用户今后将再也不用打电话报告闪烁问题。海湾电力公司已经着手解决了。

现在判断部署到现场的数据分析项目所带来的影响还为时过早, 但是, 就目前而言, 这种观念前景光明。减少电压 闪变现象 是为提升用户体验所作出的积极一步。