数据分析的案例

2024-06-14 12:45

1. 数据分析的案例

沃尔玛经典营销案例:啤酒与尿布“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中,沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象:在某些特定的情况下,“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中,这种独特的销售现象引起了管理人员的注意,经过后续调查发现,这种现象出现在年轻的父亲身上。在美国有婴儿的家庭中,一般是母亲在家中照看婴儿,年轻的父亲前去超市购买尿布。父亲在购买尿布的同时,往往会顺便为自己购买啤酒,这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一,则他很有可能会放弃购物而到另一家商店, 直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象,开始在卖场尝试将啤酒与尿布摆放在相同的区域,让年轻的父亲可以同时找到这两件商品,并很快地完成购物;而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件,从而获得了很好的商品销售收入,这就是“啤酒与尿布” 故事的由来。当然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal提出通过分析购物篮中的商品集合,从而找出商品之间关联关系的关联算法,并根据商品之间的关系,找出客户的购买行为。艾格拉沃从数学及计算机算法角度提 出了商品关联关系的计算方法——Aprior算法。沃尔玛从上个世纪 90 年代尝试将 Aprior 算 法引入到 POS机数据分析中,并获得了成功,于是产生了“啤酒与尿布”的故事。 Suncorp-Metway使用数据分析实现智慧营销Suncorp-Metway是澳大利亚一家提供普通保险、银行业、寿险和理财服务的多元化金融服务集团, 旗下拥有5个业务部门,管理着14类商品,由公司及共享服务部门提供支持,其在澳大利亚和新西兰的运营业务与900多万名客户有合作关系。该公司过去十年间的合并与收购,使客户群增长了200%,这极大增加了客户群数据管理的复杂性,如果解决不好,必将对公司利润产生负面影响.为此,IBM公司为其提供了一套解决方案,组件包括:IBM Cognos 8 BI、IBMInitiate Master Data Service谀IBM Unica。采用该方案后,Suncorp-Metway公司至少在以下三项业务方面取得显著成效:1、显著增加了市场份额,但没有增加营销开支;2、每年大约能够节省1000万美元的集成与相关成本;3、避免向同一户家庭重复邮寄相同信函并且消除冗余系统,从而同时降低直接邮寄与运营成本。由此可见,Suncorp-Metway公司通过该方案将此前多个孤立来源的数据集成起来,实现智慧营销,对控制成本,增加利润起到非常积极的作用。数据分析帮助辛辛那提动物园提高客户满意度辛辛那提动植物园成立于1873年,是世界上著名的动植物园之一,以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩,园内有500种动物和3000多种植物,是国内游客人数最多的动植物园之一,曾荣获Zagat十佳动物园,并被《父母》(Parent)杂志评为最受儿童喜欢的动物园,每年接待游客130多万人。辛辛那提动植物园是一个非营利性组织,是俄亥州同时也是美国国内享受公共补贴最低的动植物园,除去政府补贴,2600万美元年度预算中,自筹资金部分达到三分之二以上。为此,需要不断地寻求增加收入。而要做到这一点,最好办法是为工作人员和游客提供更好的服务,提高游览率。从而实现动植物园与客户和纳税人的双赢。借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力,在部署后,企业实现了以下各方面的受益:·帮助动植物园了解每个客户浏览、使用和消费模式,根据时间和地理分布情况采取相应的措施改善游客体验,同时实现营业收入最大化。·根据消费和游览行为对动植物园游客进行细分,针对每一类细分游客开展营销和促销活动,显著提高忠诚度和客户保有量。.·识别消费支出低的游客,针对他们发送具有战略性的直寄广告,同时通过具有创意性的营销和激励计划奖励忠诚客户。· 360度全方位了解客户行为,优化营销决策,实施解决方案后头一年节省40,000多美元营销成本,同时强化了可测量的结果。·采用地理分析显示大量未实现预期结果的促销和折扣计划,重新部署资源支持产出率更高的业务活动,动植物园每年节省100,000多美元。·通过强化营销提高整体游览率,2011年至少新增50,000人次“游览”。·提供洞察结果强化运营管理。例如,即将关门前冰激淋销售出现高潮,动植物园决定延长冰激淋摊位营业时间,直到关门为止。这一措施夏季每天可增加2,000美元收入。·与上年相比,餐饮销售增加30.7%,零售销售增加5.9%。·动植物园高层管理团队可以制定更好的决策,不需要 IT 介入或提供支持。·将分析引入会议室,利用直观工具帮助业务人员掌握数据。

数据分析的案例

2. 大数据时代的案例分析

个案一你开心他就买你焦虑他就抛 华尔街“德温特资本市场”公司首席执行官保罗·霍廷每天的工作之一,就是利用电脑程序分析全球3.4亿微博账户的留言,进而判断民众情绪,再以“1”到“50”进行打分。根据打分结果,霍廷再决定如何处理手中数以百万美元计的股票。霍廷的判断原则很简单:如果所有人似乎都高兴,那就买入;如果大家的焦虑情绪上升,那就抛售。这一招收效显著——当年第一季度,霍廷的公司获得了7%的收益率。个案二国际商用机器公司(IBM)估测,这些“数据”值钱的地方主要在于时效。对于片刻便能定输赢的华尔街,这一时效至关重要。曾经,华尔街2%的企业搜集微博等平台的“非正式”数据;如今,接近半数企业采用了这种手段。●“社会流动”创业公司在“大数据”行业生机勃勃,和微博推特是合作伙伴。它分析数据,告诉广告商什么是正确的时间,谁是正确的用户,什么是应该发表的正确内容,备受广告商热爱。●通过乔希·詹姆斯的Omniture(著名的网页流量分析工具)公司,你可以知道有多少人访问你的网站,以及他们呆了多长时间——这些数据对于任何企业来说都至关重要。詹姆斯把公司卖掉,进账18亿美元。●微软专家吉拉德喜欢把这些“大数据”结果可视化:他把客户请到办公室,将包含这些公司的数据图谱展现出来——有些是普通的时间轴,有些像蒲公英,有些则是铺满整个画面的泡泡,泡泡中显示这些客户的粉丝正在谈论什么话题。●“脸谱”数据分析师杰弗逊的工作就是搭建数据分析模型,弄清楚用户点击广告的动机和方式。处理和分析工具用于分析大数据的工具主要有开源与商用两个生态圈。开源大数据生态圈:1、Hadoop HDFS、HadoopMapReduce, HBase、Hive 渐次诞生,早期Hadoop生态圈逐步形成。2、. Hypertable是另类。它存在于Hadoop生态圈之外,但也曾经有一些用户。3、NoSQL,membase、MongoDb商用大数据生态圈:1、一体机数据库/数据仓库:IBM PureData(Netezza), OracleExadata, SAP Hana等等。2、数据仓库:TeradataAsterData, EMC GreenPlum, HPVertica 等等。3、数据集市:QlikView、 Tableau 、 以及国内的Yonghong Data Mart 。

3. 大数据案例分析:中国的大数据在哪里

大数据案例分析:中国的大数据在哪里
近几年,大数据这个词突然变得很火,不仅纳入阿里巴巴、谷歌等互联网公司的战略规划中,同时也在我国国务院和其他国家的政府报告中多次提及,大数据无疑成为当今互联网世界中的新宠儿。那么大数据到底为什么这么火呢,难道它真的是从金星来?
现今的我们正处于时代转型中,让你意想不到的事情时常发生,就像富士、柯达胶卷这样的百年企业会被时代所淘汰,由于科技的发展与互联网的日益强大,数据将逐步取代旧事物,创造出新事物。这是一个不可遏制的发展趋势,也是人类进步的标志。
随着当下全球数据的增长已经到了一个高峰,数据的存储单位不断扩大,由此大数据的概念被重视,如何处理海量的繁杂数据就是这个时代转型的关键所在。
只是,大数据给大多数人的感觉是,专业性强,操作繁琐,完全属于“高大上”的技术。普通人应该怎么理解大数据?普通人又该怎么玩大数据呢?今天,本文就给大家分析一下,大数据到底是个什么鬼?
1、大数据引领生活
从硅谷到北京,大数据的话题正在被传播。随着智能手机以及“可佩带”计算设备的出现,我们的行为、位置,甚至身体生理数据等每一点变化都成为了可被记录和分析的数据。信息社会所带来的好处是显而易见的:每个人口袋里都揣着一部手机,每台办公桌上都放有一台电脑,每间办公室内都拥有一个大型局域网。但是,信息本身的用处却并没有如此引人注目。半个世纪以来,随着计算机技术全面融合社会生活,信息爆炸已经积累到了一个开始引发变革的程度,它不仅使世界充斥着比以往更多的信息,而且其增长速度也在加快。
 
大数据时代的生活令人神往,你对客观世界的认识更进一步,所做的决策也不再仅仅依赖主观判断。甚至对于你的一个习惯动作,你的一次消费行为,你的一份就诊记录,都在被巨大的数字网络串联起来。移动互联网风潮汹涌。大数据正悄悄包围着我们。甚至连着世界经济格局也在酝酿着巨大变革!互联网时代,尤其是社交网络、电子商务与移动通信把人类社会带入了一个“PB”(1024TB)为单位的结构与非结构数据信息的新时代。通过云计算对大数据进行分析、预测,会使得决策更为精准,释放出更多数据的隐藏价值。数据,这个21世纪人类探索的新边疆,正在被云计算发现、征服。
2、大数据的经典案例
数据正在成为巨大的经济资产,成为新世纪的矿产与石油,将带来全新的创业方向,商业模式和投资机会。然而大数据真正的应用核心是预测。以前单纯依靠人类判断力的领域都会被计算机系统所改变甚至取代,运用大数据的处理与分析,为我们的生活创造出前所未有的可量化的维度。对我们而言,危险不再是隐私的泄露,而是被预知的可能性。下面跟大家分享两个非常经典的案例:
①中石油
客户挑战
▼销售情况无法检测
-销售队伍人员庞大,部门经理无法从庞大的销售数据了解到销售代表的销售业绩与KPI
-从宏观角度发现问题时,无法精确定位发生问题的原因
-无法从各个角度对整体的销售数据进行切片分析,拥有数据却非掌握数据
▼无法根据市场走势制定营销策略
-只能根据粗浅的数据进行感性的市场判断与决策,风险很大
-无法以数字化的方法对市场表现进行精确衡量,无法发现量价平衡的问题
-无法对市场下一步动向进行精确预测
解决方案
 ▼解决方案之全维度数据分析与挖掘
-时间、空间、维度、指标标准化,与业务强相关-联动分析、钻取分析、细节展示,多角度帮助深入挖掘问题,辅助决策-将智能分析结果通过QQ、微信、邮件、ERP写入等相关的方式通知用户,智能辅助决策
 
 
 
 
  
▼解决方案之综合市场指数
-算法独特的市场综合指数,数字化运营,不再拍脑袋决策-科学严谨的挖掘算法,精确衡量市场走势数据挖掘技术,预测未来
最终效果-销售代表业绩及潜力明晰
▼-销售代表业绩及潜力明晰、销售数据实时掌控整个销售团队中,成功获取:
1)销售代表的综合业绩最好者2)销售总额最高者3)毛利率额最高者4)具有潜力的销售代表
▼-数据化掌控,制定营销策略,总经理可以完成
1)从任意部门到各个大区、销售代表和代理商的下钻和上选分析2)实现多层次多维度数据的查询3)从庞大的数据中挖掘重点客户和潜在客户,从而制定营销策略
②沃尔玛的搜索
这家零售业寡头为其网站Walmart.com自行设计了最新的搜索引擎Polaris,利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法,语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说,这就意味着数十亿美元的金额。”Laney说。
任何事情的发生,都会有蛛丝马迹的前兆表露出来。如果人们不去关注一支股票行情走势,就不会去买卖这支股票;如果人们不去询问某件商品的价格,也很难产生购买行为;如果没有闷热的天气,似乎就没有透心凉的大雨。关于地震前种种异象,更是被许多书籍、文章大肆渲染。
假定有一种技术可以记录下所有这些先兆,人们就获得了未卜先知的能力。利用大数据技术,能够广泛采集各种各样的数据类型,并进行统计分析,从而预测未来,大数据影响之深远,波及之广泛,远非一般的信息技术可比。大数据预测应该被利用到生活的方方面面,尤其是在预测地震,泥石流等等,拥有先进技术的目的,就应该是人类造福,它的意义也应该在此;否则,所以的创造都是无用功。
大数据的利用,可以重新定位生产商与供应商的关系;可以通过商品本身收集数据并传回制造商进行研究与开发;可以通过用户交互提高服务;当文字变成数据,不仅人可以用之阅读,机器也可用之分析……充分说明,第一,个人也好,公司也好,都需要与时俱进;第二,大数据的多样性有待于更全面的开发,更好地服务于人们的生活。
大数据时代开启了一场寻宝游戏,而人们对于数据的看法以及对于有因果关系向相关关系转化时释放出的潜在价值的态度,正是主宰这场游戏的关键。
大数据并不是一个充斥着算法和机器的冰冷世界,人类的作用依然无法被完全替代。大数据为我们提供的不是最终答案,只是参考答案,帮助是暂时的,而更好的方法和答案还在不久的未来。
以上是小编为大家分享的关于大数据案例分析:中国的大数据在哪里的相关内容,更多信息可以关注环球青藤分享更多干货

大数据案例分析:中国的大数据在哪里

4. 什么是大数据,大数据的典型案例有哪些

"大数据"是一个体量特别大,数据类别特别大的数据集,并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 "大数据"首先是指数据体量(volumes)?大,指代大型数据集,一般在10TB?规模左右,但在实际应用中,很多企业用户把多个数据集放在一起,已经形成了PB级的数据量;其次是指数据类别(variety)大,数据来自多种数据源,数据种类和格式日渐丰富,已冲破了以前所限定的结构化数据范畴,囊括了半结构化和非结构化数据。接着是数据处理速度(Velocity)快,在数据量非常庞大的情况下,也能够做到数据的实时处理。最后一个特点是指数据真实性(Veracity)高,随着社交数据、企业内容、交易与应用数据等新数据源的兴趣,传统数据源的局限被打破,企业愈发需要有效的信息之力以确保其真实性及安全性。
数据采集:ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成,最后加载到数据仓库或数据集市中,成为联机分析处理、数据挖掘的基础。
数据存取:关系数据库、NOSQL、SQL等。
基础架构:云存储、分布式文件存储等。
数据处理:自然语言处理(NLP,NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机"理解"自然语言,所以自然语言处理又叫做自然语言理解(NLU,NaturalLanguage Understanding),也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支,另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。
统计分析:假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等等。
数据挖掘:分类 (Classification)、估计(Estimation)、预测(Prediction)、相关性分组或关联规则(Affinity grouping or association rules)、聚类(Clustering)、描述和可视化、Description and Visualization)、复杂数据类型挖掘(Text, Web ,图形图像,视频,音频等)
模型预测:预测模型、机器学习、建模仿真。
结果呈现:云计算、标签云、关系图等。
要理解大数据这一概念,首先要从"大"入手,"大"是指数据规模,大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所区别,其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity),即体量大、多样性、价值密度低、速度快。

第一,数据体量巨大。从TB级别,跃升到PB级别。
第二,数据类型繁多,如前文提到的网络日志、视频、图片、地理位置信息,等等。
第三,价值密度低。以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。
第四,处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质的不同。物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器,无一不是数据来源或者承载的方式。

大数据技术是指从各种各样类型的巨量数据中,快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的"大数据"不仅指数据本身的规模,也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域,通过解决巨量数据处理问题促进其突破性发展。因此,大数据时代带来的挑战不仅体现在如何处理巨量

5. 大数据有哪些具体的应用案例

  大数据有具体的应用案例还是很多的,比如 :

  1、梅西百货的实时定价机制。根据需求和库存的情况,该公司基于SAS的系统对多达7300万种货品进行实时调价。
  2. Tipp24 AG针对欧洲博彩业构建的下注和预测平台。该公司用KXEN软件来分析数十亿计的交易以及客户的特性,然后通过预测模型对特定用户进行动态的营销活动。这项举措减少了90%的预测模型构建时间。SAP公司正在试图收购KXEN。
  3. 沃尔玛的搜索。自行设计了最新的搜索引擎Polaris,利用语义数据进行文本分析、机器学习和同义词挖掘等。根据沃尔玛的说法,语义搜索技术的运用使得在线购物的完成率提升了10%到15%。“对沃尔玛来说,这就意味着数十亿美元的金额。”Laney说。
  4. 快餐业的视频分析。该公司通过视频分析等候队列的长度,然后自动变化电子菜单显示的内容。如果队列较长,则显示可以快速供给的食物;如果队列较短,则显示那些利润较高但准备时间相对长的食品。
  5. Morton牛排店的品牌认知。当一位顾客开玩笑地通过推特向这家位于芝加哥的牛排连锁店订餐送到纽约Newark机场(他将在一天工作之后抵达该处)时,Morton就开始了自己的社交秀。首先,分析推特数据,发现该顾客是本店的常客,也是推特的常用者。根据客户以往的订单,推测出其所乘的航班,然后派出一位身着燕尾服的侍者为客户提供晚餐。
  6. PredPol Inc.。PredPol公司通过与洛杉矶和圣克鲁斯的警方以及一群研究人员合作,基于地震预测算法的变体和犯罪数据来预测犯罪发生的几率,可以精确到500平方英尺的范围内。在洛杉矶运用该算法的地区,盗窃罪和暴力犯罪分布下降了33%和21%。
  7. Tesco PLC(特易购)和运营效率。这家超市连锁在其数据仓库中收集了700万部冰箱的数据。通过对这些数据的分析,进行更全面的监控并进行主动的维修以降低整体能耗。
  8. American Express(美国运通,AmEx)和商业智能。以往,AmEx只能实现事后诸葛式的报告和滞后的预测。“传统的BI已经无法满足业务发展的需要。”Laney认为。于是,AmEx开始构建真正能够预测忠诚度的模型,基于历史交易数据,用115个变量来进行分析预测。该公司表示,对于澳大利亚将于之后四个月中流失的客户,已经能够识别出其中的24%。

大数据有哪些具体的应用案例

6. 大数据分析的应用实例

2014年6月28日,奥地利研究人员发表研究公报称,通过对多家网上博彩公司长期以来的赔率、各球队的历史表现和球员伤病情况进行大数据分析,他们预测东道主巴西队问鼎世界杯胜算较大。奥地利因斯布鲁克大学与维也纳经济大学的研究人员推出了一套“博彩共识模型”。根据这套大数据分析模型,巴西队问鼎本届世界杯的几率为22.5%,阿根廷队为15.8%,德国队为13.4%。从数据上看,东道主夺冠的胜算大大超过其他国家队。 巴西世界杯关系2014巴西世界杯于7月14日凌晨落下帷幕,德国战车1:0战胜阿根廷,第四次捧起大力神杯。与往届世界杯不同的是:数据分析 成为巴西世界杯赛事外的精彩看点。伴随赛场上球员的奋力角逐,大数据也在全力演绎世界杯背后的分析故事。一向以严谨著称的德国队引入专门处理大数据的足球解决方案,进行比赛数据分析,优化球队配置,并通过分析对手数据找到比赛的“制敌”方式;谷歌、微软、Opta等通过大数据分析预测赛果...... 大数据,不仅成为赛场上的“第12人”,也在某种程度上充当了世界杯的预言帝。大数据分析邂逅世界杯,是大数据时代的必然发生,而大数据分析也将在未来改变我们生活的方方面面。

7. 大数据应用案例有哪些

案例如下:
1、交通大数据畅通出行
交通作为人类行为的重要组成和重要条件之一,对于大数据的感知也是最急迫的。近年来,我国的智能交通已实现了快速发展,许多技术手段都达到了国际领先水平。交通的大数据应用主要在两个方面,一方面可以利用大数据传感器数据来了解车辆通行密度,合理进行道路规划包括单行线路规划。另一方面可以利用大活数据来实现即时信号灯调度,提高已有线路运行能力。
2、教育大数据因材施教
在课堂上,数据不仅可以帮助改善教育教学,在重大教育决策制定和教育改革方面,大数据更有用武之地。利用数据来诊断处在辍学危险期的学生、探索教育开支与学生学习成绩提升的关系、探索学生缺课与成绩的关系。
3、环保大数据对抗PM2.5
在美国NOAA(国家海洋暨大气总署)其实早就在使用大数据业务。每天通过卫星、船只、飞机、浮标、传感器等收集超过35亿份观察数据。收集完毕后,NOAA会汇总大气数据,海洋数据,以及地质数据,进行直接测定,绘制出复杂的高保真预测模型,将其提供给NWS(国家气象局)做出气象预报的参考数据。


大数据特点
1、大容量
例如,IDC最近的报告预测到2020年,世界数据量将扩大50倍.目前,大数据的规模仍然是不断变化的指标,单一数据集的规模范围从数十TB到数PB不同.简单来说,存储1PB数据需要2万台配备50GB硬盘的PC.此外,各种意想不到的来源可以产生数据。
2、多样性
数据多样性的增加主要是由于网络日志、社交媒体、网络检索、手机通话记录、传感器网络等数据类型。
3、高速
高速描述的是数据创建和移动的速度.在高速网络时代,通过实现软件性能优化的高速计算机处理器和服务器,创建实时数据流已成为流行趋势.企业不仅要知道如何快速创建数据,还要知道如何快速处理、分析和返回用户,以满足他们的实时需求。

大数据应用案例有哪些

8. 国内的数据挖掘,大数据应用的案例有哪些?

1. 亚马逊的“信息公司”:果全球哪家公司从大数据发掘出了最大价值,截至目前,答案可能非亚马逊莫属。亚马逊也要处理海量数据,这些交易数据的直接价值更大。
作为一家“信息公司”,亚马逊不仅从每个用户的购买行为中获得信息,还将每个用户在其网站上的所有行为都记录下来

2. 谷歌的意图:果说有一家科技公司准确定义了“大数据”概念的话,那一定是谷歌。根据搜索研究公司comScore的数据,仅2012年3月一个月的时间,谷歌处理的搜索词条数量就高达122亿条。谷歌的体量和规模,使它拥有比其他大多数企业更多的应用大数据的途径。
3.塔吉特的“数据关联挖掘”:用先进的统计方法,商家可以通过用户的购买历史记录分析来建立模型,预测未来的购买行为,进而设计促销活动和个性服务避免用户流失到其他竞争对手那边。