基于大数据应用探索“互联网+卷烟市场监管”新模式

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

“互联网+卷烟市场监管”新模式构建思路

卷烟市场监管四级预警处理机制

随着大数据和互联网快速发展,如何通过大数据的应用,创新卷烟市场监管模式已成为现阶段烟草专卖部门亟待解决的问题。笔者认为,应基于大数据的应用,设计“互联网+卷烟市场监管”新模式,以数据采集为基础,通过打造四个平台,构建四个模块,实现专卖管理转型提升。

强化数据采集

高质量的数据库是运用大数据的基础,而大数据的运用也为提升数据质量创造了更大的空间。烟草专卖部门只有拥有真实、准确、完备的卷烟市场监管数据,才能为“互联网+卷烟市场监管”提供正确的导航。

拓宽数据采集范围。数据采集主要包括结构化数据和非结构化数据采集两方面,结构化数据主要来源于专卖、营销、物流等信息系统,非结构化数据主要是指在日常检查、走访等过程中收集的文档类、图像类、视频类和音频类的数据。卷烟市场监管需要采集的数据主要包括:专卖内管数据,涉及许可证信息、涉烟违法案件查处信息、举报投诉信息、内部监管数据等;营销数据,涉及客户档案信息、经营数据、卷烟品牌信息、客户评价、客户需求等;物流数据,涉及配送时间、配送路线、配送户数、车辆行驶轨迹等。

提高数据采集质量。在各类数据分析应用前,需要对数据进行筛选、过滤、转化、去冗预处理,以提高数据的采集质量。预处理是大数据应用的前提条件,结构化数据的预处理主要是为了实现结构化数据的完整性、统一性和易存性,而非机构化数据的预处理主要是使之成为电脑可以理解的数据。

打造四个平台

打造一体化的专卖信息化操作平台。以资源共享、互联互通、上传下达为目标,打造一体化的专卖信息化操作和应用平台。打通专卖各项业务间的信息沟通渠道,对各相关数据进行深入、多维、实时挖掘和分析,提高信息研判的准确性,满足决策层管理需求。利用技术手段进行系统集成,整合目前行业内部分散的信息系统,如专卖系统、打假案件信息系统、案件指挥协调系统、内管系统等,实现系统间数据的共享,避免数据重复录入和重复处理,减少专卖人员工作量,提升专卖工作效率。

打造一体化的专卖移动工作平台。利用移动终端设备,如平板电脑、便携式打印机、现场记录执法仪等,通过WiFi或者无线上网卡,随时随地查询本片区零售户的基本资料、违法风险等级信息,实时录入检查走访情况,并快速接收上级指令,实现数据分享、数据同步,提升现场执法效率,缩短现场执法时间。

打造网上政务服务平台。互联网时代的一个重要特征是开放、共享、全民参与。一是提供网上办证服务。合理设计行政审批流程,详细标注每个环节所需的材料清单、审批程序、办理时限及注意事项等信息,实现申请人资料上传、身份认证、信息修改及延续通知等传统现场业务的在线化操作,真正做到全流程可视、全过程跟踪,最终达到环节最少、成本最低、效率最高、服务最优的目标。二是提供自助查询服务。行政相对人可以凭借身份证号查看行政许可办理、行政处罚办理进程、执法依据、执法程序、行政权力清单等,如行政相对人对行政许可办理、案件结果不满意的,可直接在网上申请行政复议,进一步增加专卖执法的公开性和透明性,提升执法公信力。

打造微信公众服务平台。利用烟草微信平台,提供专卖在线咨询、真假烟识别技巧、涉烟案件解读以及法律法规宣传等一系列服务,充分发挥微信传播速度快、交流参与度高、信息传递准等优势,提高消费者的维权意识,实现烟草部门与零售户、消费者的有效沟通,让更多的消费者和社会公众参与进来,促进社会多方监管局面的形成。

构建四个模块

构建市场监管数据分析模块。以零售户的籍贯、业态、商圈等静态数据,以及走访检查、行政处罚等动态数据为基础,通过设置参数和权值,按照“正常”“黄色警示”“橙色警示”“红色警示”设定监管等级,有针对性地开展专卖执法检查,节约行政成本。另外,通过对一定时间内的涉案品牌数据、卷烟32位喷码等数据进行比对,分析违法卷烟的主要品牌、重点来源区域、来源渠道等信息,将其与当前卷烟市场的价格、库存等动态信息进行交融预测,对来源地与案发地运输点进行有效布控,提高打击的有效性和准确性。通过数据分析,专卖管理人员还可以快速发现卷烟零售市场监管的共性问题,快速组织专项行动,对同类问题予以精准处理。

构建区域性涉烟案件情报分析模块。构建区域性涉烟案件情报分析模块,在此模块中录入案件信息、举报投诉信息、市场走访检查信息以及重点监管对象的基本信息等,尤其是涉烟案件当事人的违法违规信息,并根据一般案件、大要案件等案件性质进行分类存放,在一定辖区的专卖管理部门内部实现信息共享,方便相关人员查询、了解涉烟违法当事人的违法事实,为并案调查提供线索和依据。同时,通过大数据分析技术将模块中录入的零星、孤立和碎片化情报信息进行多维度、多关联、多层次分析和数据多点碰撞,从中发现违法线索和规律并自动预警提示,为专卖管理部门打假破网工作提供更精准的情报支撑。

构建内管信息数据分析模块。以零售户的实时订单、真烟案件和市场价格库存等相关数据为基础,通过系统分析和研判,形成针对每个零售户、商圈、客户群专属的数据信息流,然后从平常、分散的数据中查找异常数据,建立专卖预警指标体系,系统自动对异常订单、异常客户和异常品牌进行预警提示。内管人员判断系统自动预警结果是否异常,并向一线网格三员(市场管理员、客户经理、送货员)协同发布预警,一线三员依据协同任务,开展内管预警处理并及时反馈,有效提升内管监管效率。

构建零售户信用评价分析模块。建立并完善卷烟零售户信用评价数据库,构建面向消费者的社会监督及指挥协调快速反应机制。消费者可以通过卷烟零售户信用评价小软件实时查看周边零售店的许可情况,自主选择购买商家。同时,可以参考引入“大众点评”式消费体验与评价反馈模式,提供在线留言或举报投诉服务,以消费者的监督选择促进零售户的自律自治,进一步发挥大数据执法监管、信用约束的治理作用。


本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
SQL 存储 分布式计算
ODPS技术架构深度剖析与实战指南——从零开始掌握阿里巴巴大数据处理平台的核心要义与应用技巧
【10月更文挑战第9天】ODPS是阿里巴巴推出的大数据处理平台,支持海量数据的存储与计算,适用于数据仓库、数据挖掘等场景。其核心组件涵盖数据存储、计算引擎、任务调度、资源管理和用户界面,确保数据处理的稳定、安全与高效。通过创建项目、上传数据、编写SQL或MapReduce程序,用户可轻松完成复杂的数据处理任务。示例展示了如何使用ODPS SQL查询每个用户的最早登录时间。
101 1
|
29天前
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。对象如用户、账号、商品等,通过唯一ID记录其相关事件,如操作日志、交易记录等。这种模式下的统计任务包括无序计算(如交易次数、通话时长)和有序计算(如漏斗分析、连续交易检测)。尽管SQL在处理无序计算时表现尚可,但在有序计算中却显得力不从心,主要原因是其对跨行记录运算的支持较弱,且大表JOIN和大结果集GROUP BY的性能较差。相比之下,SPL语言通过强化离散性和有序集合的支持,能够高效地处理这类计算任务,避免了大表JOIN和复杂的GROUP BY操作,从而显著提升了计算效率。
|
2月前
|
存储 分布式计算 druid
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
40 1
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
|
2月前
|
存储 分布式计算 druid
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
62 1
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
|
2月前
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。这种模式涉及对象(如用户、账户、商品等)及其相关的事件记录,通过这些事件数据可以进行各种统计分析,如漏斗分析、交易次数统计等。然而,SQL 在处理这类任务时表现不佳,特别是在有序计算方面。SPL 作为一种强化离散性和有序集合的语言,能够高效地处理这类计算,避免了大表 JOIN 和大结果集 GROUP BY 的性能瓶颈。通过按 ID 排序和分步计算,SPL 能够显著提高计算效率,并支持实时数据处理。
|
2月前
|
分布式计算 大数据 分布式数据库
大数据-158 Apache Kylin 安装配置详解 集群模式启动(一)
大数据-158 Apache Kylin 安装配置详解 集群模式启动(一)
46 5
ly~
|
2月前
|
供应链 搜索推荐 安全
大数据模型的应用
大数据模型在多个领域均有广泛应用。在金融领域,它可用于风险评估与预测、智能营销及反欺诈检测,助力金融机构做出更加精准的决策;在医疗领域,大数据模型能够协助疾病诊断与预测、优化医疗资源管理和加速药物研发;在交通领域,该技术有助于交通流量预测、智能交通管理和物流管理,从而提升整体交通效率;电商领域则借助大数据模型实现商品推荐、库存管理和价格优化,增强用户体验与企业效益;此外,在能源和制造业中,大数据模型的应用范围涵盖从需求预测到设备故障预测等多个方面,全面推动了行业的智能化转型与升级。
ly~
123 2
|
2月前
|
资源调度 大数据 分布式数据库
大数据-158 Apache Kylin 安装配置详解 集群模式启动(二)
大数据-158 Apache Kylin 安装配置详解 集群模式启动(二)
46 2
|
2月前
|
消息中间件 分布式计算 druid
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(二)
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(二)
42 2
|
2月前
|
存储 消息中间件 druid
大数据-151 Apache Druid 集群模式 配置启动【上篇】 超详细!
大数据-151 Apache Druid 集群模式 配置启动【上篇】 超详细!
84 1