1.2 大数据应用领域

2012年《纽约时报》的一篇文章标志着人类社会进入大数据时代，大数据影响着每一个人，并在可以预见的未来继续影响着整个人类和社会。大数据冲击着许多主要行业，大数据也在彻底地改变着我们的生活，未来大数据产业将会是一个很大的市场。目前，大数据已被广泛应用于各个行业，本书将主要为大家介绍大数据在商业、通信、医疗和金融这些应用比较早的领域中的应用。

1.2.1 商业

商业是大数据应用最广泛的领域。商业大数据的来源可分为两个方面：一方面是大交易数据，即商业交易产生的数据，包括商品数据、市场竞争数据、运营数据、销售数据、顾客关系数据和财务数据；另一方面是大交互数据，商业企业与顾客之间通过POS、互联网、物联网、移动终端、智能终端、传感器和观测设备等产生的交互信息，主要包括社交网络数据、射频识别数据、时间和位置数据、文本数据和观测数据。大数据在商业中的应用可以归纳为以下4个方面（见图1.5）。

1．客户

在客户方面，大数据的应用主要包括客户洞察、客户细分和动态定位。①客户洞察。互联网、物联网等的顾客数据痕迹能真实而直接地反映消费者的性格、偏好和意愿。②客户细分。传统的以地理位置、人口统计特征为标准的划分被以爱好兴趣、生活方式、价值观、沟通方式为标准的数据化细分所替代；本质上讲，每个人的兴趣、爱好与需求都不同，每个人都是一个细分市场，大数据正在使零售企业向“微市场”迈进，构建基于大数据的顾客购买行为模型，主动推荐个性化的产品和服务。③动态定位。零售业多来源、多格式数据的集成、分析与解释能力使数据的反馈与响应可在瞬间完成，快速识别消费者的购买决策和行为模式的变化趋势，及时准确地更新他们的偏好。

2．市场

在市场方面，大数据的应用主要包括需求预测和个性化服务。①需求预测。通过对建构的大数据进行统计与分析，采取科学的预测方法，建立数学模型，使企业管理者掌握和了解零售行业潜在的市场需求，未来一段时间每个细分市场的产品销售量和产品价格走势等，从而使企业能够通过价格的杠杆来调节市场的供需平衡，并针对不同的细分市场来实行动态定价和差别定价。②个性化服务。根据客户的购买频次、兴趣点、忠诚度和流失的可能性预测客户的消费意愿，主动为其提供个性化的销售和关怀指导服务，调高销售额和利润率。

3．商品

在商品方面，大数据的应用主要包括商品分组和商品结构调整。①商品分组。通过对代销记录信息的分析，可以发现购买某一种商品的顾客可能购买其他商品。这类信息可用于一定的购买推荐，或者保持一定的最佳商品分组布局，以帮助客户选择商品，刺激顾客的购买欲望从而达到增加销售额、节省顾客购买时间的目的。②商品结构调整。通过对销售数据和商品基础数据的分析，来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

4．供应链

在供应链方面，大数据的应用主要包括仓储管理和供应链提效。①仓储管理。通过对销售数据和库存数据的分析，决定各种商品的增减数量，确保正确的库存。②供应链提效。具体包括选择供应商，优化物流、现金流和配置人力资源等。利用大数据技术，优化整合供应链的各个环节，构建一个统一的供应链平台，各部门共享供应链平台的数据和服务，快速灵活地应对顾客消费变化，降低供应链成本，提高商品采购、仓储管理、物流配送和最终销售之间的运行效率。

大数据在零售商业中已有很多成功的应用案例。沃尔玛通过对消费者购物行为等这种非结构化数据的分析，了解顾客购物习惯，通过销售数据分析适合搭配在一起购买的商品，创造了啤酒与尿布的经典商业案例；淘宝数据魔方通过对消费者行为的分析帮助商家了解淘宝平台上的行业宏观情况、自己品牌的市场状况，据此进行生产、库存决策；美国折扣零售商target使用大数据分析，对顾客怀孕趋势进行评分，比较准确地预测了预产期，以此在每个孕期阶段为客户寄送相应的优惠券。在未来几十年，数据分析技术将不断地进步，商业领域将对组织、营销与管理进行突破性的创新。

1.2.2 通信

通信行业数据来源广泛，不仅涉及移动语音、固定电话、固网接入、无线上网等业务，还会涉及公众客户、政企客户和家庭客户，同时也会收集到实体渠道、电子渠道、直销渠道等所有类型渠道的接触信息。通信行业发展至今积累了非常丰富的数据，既拥有财务收入、业务发展等结构化数据，还会涉及图片、文本、音频、视频等非结构化数据。目前，大数据在通信行业的应用还处于探索阶段，主要包括网络管理和优化、市场与精准营销、客户关系管理、企业运营管理和数据商业化5个方面，如图1.6所示。

1．网络管理和优化

网络管理和优化包括基础设施建设优化和网络运营管理和优化。①在基础设施建设层面，运营商运用大数据选择基站和热点的位置并有效地分配资源。例如，对话单和信令中用户的流量在时间周期和位置特点方面的分布进行分析，将4G基站和WLAN热点建立在2G、3G的高流量区域；与此同时，对已有基站的效率和成本建立评价模型，发现基站建设的资源浪费问题。②在网络运营方面，运营商可以利用大数据分析网络的流量和变化趋势及时调整资源配置，通过对网络日志进行分析优化网络，提升网络质量和利用率。③在网络优化方面，运营商可以运用大数据技术实时监控网络状况，对各个小区的网络数据进行综合分析，识别业务热点小区，依次设定网络优化的优先级，实现网络和用户的智能指配，提高投资效率。

2．市场与精准营销

市场与精准营销包括客户画像、关系链研究、精准营销、实时营销和个性化推荐。①客户画像。运营商根据客户终端信息、地理位置、通话行为数据挖掘对客户群体进行分类，给每个客户打上行为和爱好标签，完善客户画像，有助于运营商深入了解客户的行为偏好和需求。②关系链研究。运营商可以运用客户资料和通话行为等数据分析客户交往圈，发现高流量用户，寻找营销机会，从而节约成本，提高营销效率。③精准营销。运营商可以通过大数据技术对用户终端的消费能力、消费偏好和近期特征事件进行分析，预测用户需求，精准匹配用户和通信相关业务，寻找合适的推送渠道、推送时间，实现精准营销。④个性化推荐。运营商可以通过对客户画像信息、终端信息、行为偏好等的分析，向客户提供定制化服务，优化产品设计和定价机制，实现个性化推荐和服务，提升客户体验。

3．客户关系管理

客户关系管理包括客服中心优化、客户关怀和客户生命周期管理。①客服中心优化。首先，运营商可以通过对客服中心积累的客户的呼叫行为和需求数据进行大数据分析，运用呼入客户行为数据和客户历史情况建立客服热线智能路径模型，预测客户的投诉风险，从而提升客服满意度。其次，根据语义分析，识别热点问题和客户情绪，通知相关部门进行优化。②客户关怀与客户生命周期管理。一是获取客户阶段，可以运用大数据技术挖掘和发现潜在客户。二是客户发展阶段，运用关联规则等数据挖掘方法进行交叉销售，促进客户消费。三是客户成熟阶段，利用大数据对客户群进行分类，实施精准营销，同时对不同客户进行个性化推荐。四是客户衰退阶段，采用预警模型预先发现高流失风险客户，做出相应的客户关怀。五是客户离开阶段，通过大数据挖掘高潜回流客户，推出客户感兴趣的业务，防止流失。

4．企业运营管理

企业运营管理，包括业务运营监控、经营分析和市场监测。①业务运营监控。运营商可以运用大数据技术从网络、业务、用户等多个方面为运营商监控管道和客户运营情况。此外，还可以建立 KQI、KPI等指标体系和异动智能监控体系，全面、及时、准确地监控业务运用情况。②经营分析和市场监测。运营商可以通过分析企业内部的业务和用户数据以及通过大数据技术采集的外部社交网络数据和市场数据，对业务和市场经营状况进行总结，主要包括经营日报、周报、月报、季报和年报。

5．数据商业化

数据商业化是指企业通过自身拥有的大数据资产进行对外商业化，获得盈利。相比于国外，国内的数据商业化还处于探索阶段。数据商业化包括营销洞察、大数据监测和决策支撑服务。①营销洞察。美国电信运营商Verizon成立了专门的精准营销部门，主要用于提供精准营销洞察和商业数据分析服务。例如，在美国商家最为看中的营销场合，Verizon对观众的来源进行了精确的数据分析，球队因此能够了解到观众对赞助商的喜好等。②大数据监测和决策。在客流和选址方面，西班牙电信成立了动态洞察部门开展大数据业务，主要为客户提供数据分析打包服务。该公司与市场研究机构GFK进行合作推出的产品“智慧足迹”通过完全匿名和聚合的移动网络数据，帮助零售商分析顾客来源和各商铺、展位的人流情况以及消费者特征和消费能力，并将洞察结果面向政企客户提供客流分析和零售店选址服务。在公共事业服务方面，法国电信运营商的通信解决方案部门承担了法国很多公共服务项目的IT系统建设，如法国高速公路数据监测项目，对其每天产生的记录进行分析就可以为行驶的车辆提供准确及时的路况信息，从而有效提高道路通畅率。

由于我国运营商的区域化运营，由各地区分公司分别存储通信企业的数据，而没有统一和整合，导致数据孤岛效应严重。因此，我国通信大数据仍然处于初级探索阶段。通信行业数据的整合和统一是大数据运用的重要一步。我国通信行业目前正着手准备这方面的工作，相信中国的通信行业大数据发展在互联网的竞争压力下会更快。

1.2.3 医疗

医疗行业拥有大量病例、病理报告、医疗方案、药物报告等。如果对这些数据进行整理和分析，将会极大地帮助医生和病人。医疗行业大数据目前尚未统一收集起来，无法进行大规模应用。在未来，借助于大数据平台我们可以收集疾病的基本特征、病例和治疗方案以及病人的基本特征，建立针对疾病特点的数据库，帮助医生进行疾病诊断。医疗行业大数据来源如图1.7所示。

大数据在医疗行业中的应用主要包括临床操作、付款/定价、研发、新的商业模式、公共健康这5个方面，如图1.8所示。

1．临床操作

临床操作包括比较效果研究、临床决策交持系统、医疗数据透明度、远程病人监控和对病人档案的高级分析。例如，通过对病人的体征数据、费用数据和疗效数据在内的大型数据集进行精准分析，比较多种干预措施的有效性可以针对特定病人找到最有效和最具有成本效益的治疗方法；使用图像分析和识别技术，识别医疗影像（X光、CT、MRT）数据，或者挖掘医疗文献数据建立医疗专家数据库，从而给医生提出诊疗建议；根据医疗服务提供方设置的操作和绩效数据集，可以进行数据分析并创建可视化的流程图和仪表盘，促进信息透明，帮助病人做出更明智的健康护理决定，间接提高医疗服务的质量；从对慢性病人的远程监控系统收集数据，并将结果反馈给监控设备（查看病人是否遵从医嘱），从而确定今后的用药和治疗方案；对病人档案的高级分析，确定各类疾病的易感人群，识别患病风险，使他们尽早接受预防性保健方案。

2．付款/定价

付款/定价包括自动化系统、基于卫生经济学和疗效研究的定价计划。例如，利用自动化系统（机器学习技术）对索赔数据进行分析和挖掘，可以检测出索赔准确性，在支付发生前识别欺诈行为，避免重大的损失；利用数据分析横向医疗服务提供方的服务，并依据服务水平进行定价。

3．研发

研发包括预测健康、调高临床实验设计的统计工具和算法、临床试验数据的分析、个性化治疗以及疾病模式的分析。例如，医药公司在新药物的研发阶段可以基于药物临床试验阶段之前的数据集及早期临床阶段的数据集，及时地预测临床结果；在临床试验阶段通过统计工具和算法挖掘病人数据，评估招募患者是否符合试验条件，加快临床试验进程；根据临床试验数据和病人记录确定药品更多的适应证以及从中发现副作用；通过对大型数据集（如基因组数据）的分析发展个性化治疗；对疾病的模式和趋势分析，帮助医疗产品企业制定战略性的研发投资决策，优化研发重点和配备资源。

4．新的商业模式

新的商业模式包括汇总患者的临床记录和医疗保险数据集、网络平台和社区。例如，汇总患者的临床记录和医疗保险数据集，并进行高级分析，将提高医生和医药企业的决策能力。在医生诊断病人时可以参考病人的疾病特征、化验报告和检测报告，参考疾病数据库来快速帮助病人确诊，明确定位疾病。在制定治疗方案时，医生可以依据病人的基因特点，调取相似基因、年龄、人种、身体情况相同的有效治疗方案，制定出适合病人的治疗方案，帮助更多人及时进行治疗。同时这些数据也有利于医药行业开发出更加有效的药物和医疗器械。另一个潜在的大数据启动的商业模型是网络平台和大数据，这些平台已经产生了大量有价值的数据：包括病人的问诊数据、医生的学习习惯等。

5．公共健康

大数据的使用可以改善公众健康监控。公共卫生部门可以通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。这将带来很多好处，包括医疗索赔支出减少、传染病感染率降低，卫生部门可以更快地检测出新的传染病和疫情。通过提供准确和及时的公众健康咨询，将会大幅提高公众健康风险意识，同时也将降低传染病感染风险。所有的这些都将帮助人们创造更好的生活。

大数据将会对医疗行业产生巨大的影响和推动，它可以揭露健康的影响因素，将最合适的治疗方式推荐给患者；能够促进新的发现，优化治疗结果和削减开支。但目前大数据医疗也面临着患者隐私安全、海量数据收集难题、区域医疗共享以及技术方面的挑战。随着信息化技术的发展，这些问题将逐步得到解决。可以预见，在不久的未来，大数据的应用将渗透到医疗应用的更多领域。

1.2.4 金融

在国外，大数据在金融行业中的应用开展较早。例如，美国银行运用客户点击数据集为客户提供特色服务，包括有竞争性的信用额度；花旗银行运用IBM沃森电脑为财富管理客户推荐产品。中国金融行业大数据应用主要在近几年运用较为广泛，很多金融机构建立了大数据平台，采集和处理金融行业的交易数据，主要应用于金融行业的营销、服务、运营和风控4个方面，如图1.9所示。

1．营销

1）精准营销

精准营销是指根据客户的消费偏好和消费能力确定目标客户，推荐个性化产品。例如，银行对客户刷卡、存款取款、银行转账、微信评论等行为数据进行整理和分析，定期向客户推送广告信息，包括客户可能感兴趣的产品和优惠信息；信用卡中心可以利用大数据追踪热点消息，针对特定人群提供产品，如热映电影、娱乐活动、美食饮品等；证券公司可以通过大数据分析为特定企业提供融资融券产品；保险公司可以根据大数据定制有针对性的保险产品。精准营销的具体流程如图1.10所示。

2）社交化营销

社交化营销是指利用社交平台的数据资源，结合大数据分析进行营销。金融行业可以开展成本较低的社交化营销，凭借开放的互联网平台，通过对大量的客户需求数据进行分析，进行产品和渠道推广。然后依据互联网社交平台反馈的用户数据，评价营销方案的可行性，利用口碑营销和病毒式传播来帮助金融行业快速进行产品宣传、品牌宣传、渠道宣传等。

2．服务

1）优化客户服务

银行可以根据大数据分析，在节假日问候客户，为客户提供定制服务，预知网点客户的未来资金需求，提前进行预约，提高客户体验；私人银行还可以通过大数据分析，代理客户参与金融市场投资，获取超额利润，优化客户服务。证券公司可以通过大数据分析，快速推出相应的行业报告和市场趋势报告，以利于投资者及时了解热点，优化客户服务；保险公司可以根据大数据预测为客户提前提供有效服务，改善客户体验，同时增加商业机会。

2）需求分析和产品创新

银行可以从职业、年龄、收入、居住地、习惯爱好、资产、信用等各个方面对客户进行分类，依据其他的数据输入维度来确定客户的需求并定制产品。银行还可以依据企业的交易数据来预测行业发展特点，为企业客户提供金融产品服务。保险行业可以依据外部数据导入，根据热点词汇来判断市场对保险产品的需要。证券公司也可以依据外部数据判读投资者喜好，来定制投资产品，进行产品创新。

3．运营

1）提升运营效率

大数据可以展现不同产品线的实际收入和成本，帮助银行进行产品管理。同时，大数据为管理层提供全方面的报表，揭示内部运营管理效率，有利于内部效率提升。大数据可以帮助市场部门有效监测营销方案和市场推广情况，提高营销精度，降低营销费用。大数据可以通过展现风险视图来控制信用风险，同时加快信用审批。大数据可以帮助保险行业快速为客户提供保险方案，提高效率，降低成本。证券行业也可以利用大数据动态提供行业报告，快速帮助投资人。

2）决策支持

大数据可以帮助金融企业，为即将实施的决策提供数据支撑，同时也可以依据大数据分析归纳出规律，进一步演绎出新的决策。基于大数据和人工智能技术的决策树模型将会有效帮助金融行业分析信用风险，为业务决策提供有力支持。金融行业新产品或新服务推向市场前，可以在局部地区进行试验，大数据技术可以对采集的数据进行分析，通过统计分析报告为新产品的市场推广提供决策支持。

4．风控（风险控制）

1）信用风险评估

银行可以利用大数据增加信用风险输入维度，提高信用风险管理水平，动态管理企业和个人客户的信用风险。建立基于大数据的信用风险评估模型和方法，将会提高银行对中小企业和个人的资金支持。个人信用评分标准的建立，将会帮助银行在即将到来的信用消费时代取得领先地位。基于大数据的动态的信用风险管理机制，将会帮助银行提前预测高风险信用违约时间，及时介入，降低违约概率，同时预防信用欺诈。

2）欺诈风险管理

信用卡公司可以利用大数据及时预测和发现恶意欺诈事件，及时采取措施，降低信用欺诈风险。保险公司可以利用大数据发现恶意投保和索赔事件，降低欺诈带来的经济损失。银行可以基于大数据建立防欺诈监控系统，动态管理网上银行、POS、ATM等渠道的欺诈事件。大数据提供了多维度的监控指标和联动方式，可以弥补和完善目前反欺诈监控方式的不足。特别在识别客户行为趋势方面，大数据具有较大的优势。

金融行业的数据丰富，通过对客户信息、交易信息、资产信息、信用信息等数据的采集和整理，结合外部数据分析，可以有效帮助金融行业进行精准营销、提高运营效率、优化客户服务、进行产品创新、提高信用风险和欺诈风险管理水平，为决策提供有效支持。但在大数据时代，金融行业也面临着诸如自身技术、信息安全、金融监管等方面的挑战，相信随着大数据技术的发展，这些问题会逐步得到解决。