从三大行业看大数据应用的三重境界:数据、分析、成果

简介:

各行各业在大数据的应用上可以说是已经渐入佳境,资产管理、运营优化、风险管理等都已经有数据分析参与其中,当然这个过程最重要的还是从业务场景出发让数据真正产生价值。

Teradata把企业数据分析分为四个重要领域——客户体验、多元化数据分析、异构数据整合、海量的业务规模。做好这些也就可以实现大数据应用的三重境界:“数据、分析、成果”。

但在各种因素的影响下,企业在数据应用的过程中也会遇到三大挑战:一、业务层面,在业务场景中分析改进;二、人才层面,人才资源压力是每一个企业都面临的问题;三、架构层面,需要考虑架构的高性能、敏捷性、可扩展性以及成本等因素。

Teradata则可以提供业务分析解决方案、生态系统架构咨询、混合云解决方案。Teradata天睿公司大中华区副总裁、咨询及服务部门总经理唐青(Janet Tang)说,我们希望从业务的视角回答客户的问题,同时我们还有成熟的业务框架和咨询团队,最后就是支撑混合云能力,实现跨平台的输出。

从三大行业看大数据应用的三重境界:数据、分析、成果

Teradata天睿公司大中华区副总裁、咨询及服务部门总经理唐青

当然大型企业和中小型企业的大数据实施不尽相同,Teradata天睿公司北京金融团队咨询服务部总监张天峰指出,中小企业一般的步骤是诊断、规划、路线图、速赢,重点是找到典型业务场景,扎实落地,实现速赢。

三大行业大数据实战

航空、快递、金融是三个非常典型的服务业,他们都具备数据驱动的特点,三个案例作为行业中的缩影,可以更好地了解大数据在行业中的应用模式和方法。

航空

消费者在选择航空公司时通常会更关心服务和价格,“十三五规划”对于航空业的规划是要在2020年将整体航运能力提升60%。在面对运力上升,运价透明等市场挑战下,航空公司如何做到把握趋势创造市场需求?

基于大数据分析,航空业还有很多业务提升的机会,如航空公司的航线规划,可以通过大数据来分析客流、成本、机型。再比如,有些航班上座率不高,可以使用大数据分析来设计航班的合并取消优化策略以提升运营效率。

航空公司通过算法预测趋势制定经营策略,做到最优的运力和运价。在运价上通过竞争分析、客户预测等一系列数据进行分析。

快递

快递行业在近几年可以称得上是黄金年代,在快速的成长后快递行业逐渐进入到成熟期,这就需要构建健全的管理体系,来面对激烈的市场竞争带来的盈利压力。

快递行业收益管理的三要素是成本分析、网点细分和价格策略。在唐青看来快递业比航空业的竞争更加惨烈,因为快递的供应链长且参与者多,所以要在各个环节上进行优化。

某快递公司的问题是其有很多加盟企业,如何让加盟企业的销售和成本同时纳入到整体管理中。企业最终实现大数据的收集和分析,帮助进行业务的决策,例如成本分析、网点特性、价格体系、预演分析、试点落地、回顾评审、市场(产品)推广等。

金融

金融行业是一个最容易流失客户的行业,原来的银行是以开设更多网点来吸纳客户,现在则需要多种产品组合来打动客户。

某银行基于市场环境提出了二次转型的目标,以客户为中心优化整个营销体系,实现客户精细化管理。识别出客户需要哪些产品,未来需要开拓哪些潜在客户,同时进行客户分级。利用数据分析从产品视角、客户视角得到新的业务商机。Teradata可以帮助金融行业识别客户属于哪一生命周期,通过客户标签系统识别客户行为,最终制定营销策略。

银行的数据基础相对较好,但是依然有很多数据的空白,像市场数据、征信数据,这对于产品成本的核算、定价带来挑战,这需要更多外部数据的补充完善分析结果。

上述三个行业都属于B2C领域,当然服务业除了个人业务还有对公业务。由于业务类型的不同,关注点也有所不同,个人业务更多以客户生命周期来讨论,对公业务更多和监管相关。唐青提到,个人业务更注重交易行为,在结合大数据的可能性上也更加丰富,在风险管控、创新点都走的更为靠前。

现在很多大型企业都把大数据用在精细化运营上,精细化运营对于企业来讲也是一个永久不变的话题,只不过之前太过粗放的管理模式,以及利润率的逐渐降低,也让现阶段的精细化运营显得非常重要,需要通过数据分析提升效率。

Teradata天睿公司华东区咨询服务部专业服务总监陈焰表示,开源、节流越来越要求从数据层面开始解决,例如物流公司看到哪一个航线的收益率更大,这些归根结底都是企业对盈利能力要求的提升。

在精细化运营的同时,企业利用数据分析的最终目的还是实现商业模式的创新。像航空公司基于“一带一路”战略开拓新航线,电信公司寻找数据变现的价值等等。Teradata也在通过其专业服务团队帮助企业建立创新实验室,真正可以创造出新的业务,让数据产生价值的同时实现最大化利用进行变现。


 

原文发布时间为:2017-7-14

本文作者:王聪彬

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网


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 
目录
相关文章
|
5天前
|
存储 分布式计算 大数据
数据仓库与数据湖在大数据架构中的角色与应用
在大数据时代,数据仓库和数据湖分别以结构化数据管理和原始数据存储见长,共同助力企业数据分析。数据仓库通过ETL处理支持OLAP查询,适用于历史分析、BI报表和预测分析;而数据湖则存储多样化的原始数据,便于数据探索和实验。随着技术发展,湖仓一体成为趋势,融合两者的优点,如Delta Lake和Hudi,实现数据全生命周期管理。企业应根据自身需求选择合适的数据架构,以释放数据潜力。【6月更文挑战第12天】
27 5
|
19小时前
|
机器学习/深度学习 数据可视化 数据挖掘
数据可视化在大数据分析中的重要作用
数据可视化在大数据分析中的重要作用
4 0
|
1天前
|
存储 资源调度 大数据
云计算在大数据分析中的弹性资源调度策略
云计算在大数据分析中的弹性资源调度策略
|
1天前
|
监控 数据可视化 大数据
大数据技术在公共交通系统规划中的应用
大数据技术在公共交通系统规划中的应用
|
1天前
|
机器学习/深度学习 自然语言处理 供应链
深度学习在大数据分析中的应用非常广泛
深度学习在大数据分析中的应用非常广泛
|
5天前
|
机器学习/深度学习 数据采集 分布式计算
如何用Python处理大数据分析?
【6月更文挑战第14天】如何用Python处理大数据分析?
19 4
|
6天前
|
分布式计算 大数据 数据处理
Apache Spark在大数据处理中的应用
Apache Spark是大数据处理的热门工具,由AMPLab开发并捐赠给Apache软件基金会。它以内存计算和优化的执行引擎著称,提供比Hadoop更快的处理速度,支持批处理、交互式查询、流处理和机器学习。Spark架构包括Driver、Master、Worker Node和Executor,核心组件有RDD、DataFrame、Dataset、Spark SQL、Spark Streaming、MLlib和GraphX。文章通过代码示例展示了Spark在批处理、交互式查询和实时数据处理中的应用,并讨论了其优势(高性能、易用性、通用性和集成性)和挑战。【6月更文挑战第11天】
33 6
|
7天前
|
机器学习/深度学习 数据采集 分布式计算
基于spark的大数据分析预测地震受灾情况的系统设计
基于spark的大数据分析预测地震受灾情况的系统设计
|
7天前
|
分布式计算 数据可视化 Python
豆瓣短评大数据分析:探索用户观影趋势与情感倾向
豆瓣短评大数据分析:探索用户观影趋势与情感倾向
|
7天前
|
SQL 数据采集 数据可视化
基于Hive的招聘网站的大数据分析系统
基于Hive的招聘网站的大数据分析系统

热门文章

最新文章