01
学管理水平和市场竞争力。传统的商业数据包括技术数据、财务数据、销售数据、重要客户档案、市场调查结果、人力资源结构、合格供应商名录以及专利数据、隐性知识、图片影像等。通过综合运用这些数据资料，企业在生产、营销和服务等方面都能得到有效的指导。
商业大数据是指规模巨大而复杂的海量商业信息，其无法通过传统的工具和方法进行管理、分析并提炼为对企业有价值的信息。大数据概念在商业领域的引入，标志事件是麦肯锡于2011年6月发布的研究报告《大数据：下一个创新、竞争和生产率的前沿》，该报告指出，数据已经逐渐成为每个行业和职能领域内的基础性资源，对于海量数据的挖掘、分析，预示着新的生产率增长浪潮的到来，这将给未来经济的发展带来深远的影响。2012年3月，针对数据量快速增长的新形势，奥巴马政府宣布一项“大数据研究与发展先导计划”，正式掀起了一波信息技术革命。2016年，我国在“十三五”规划中提出“实施国家大数据战略”；2017年，在党的十九大报告中，提出要建设网络强国、数字中国，推动互联网、大数据、人工智能和实体经济深度融合，为商业大数据的未来发展绘制了蓝图；2019年《关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定》明确提出“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，首次将数据纳入生产要素；2020年《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》对外公布，明确提出“加快培育数据要素市场”。
02
商业大数据是海量商业数据概念的延伸，也遵循一般“大数据”的概念。大数据是指“无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合”，其特征可以用“5V”概括，即Volume（数量大）、Velocity（速度快）、Variety（多样性）、Veracity（真实性）、Value（价值性），5V是大数据区别于传统数据最显著的特征。根据来源的不同，商业大数据的类型可分为企业内部数据与企业外部数据两种类型。
企业内部大数据指企业在生产与运营过程中，积累的大量的密集型“超大规模”或“海量数据”，如客户与供应商数据、交易数据等。通过对这些数据进行深入的挖掘分析，改进自身业务，改进后的业务吸引更多用户，产生更大量的数据，形成正向的循环。企业内部数据是企业自身持有的数据，其结构化程度较高、获取较为容易，主要难点在于企业各部门间的数据共享问题。
企业外部数据主要是来自网络大数据，通常是指在互联网上发生的、蕴含有丰富的、可被发掘的具有商业价值的大数据。企业外部数据的主要获取方式包括向数据提供商购买数据库，或企业自行爬取，因此数据获取的成本往往较高。此外，网络大数据是典型的多源异构型数据，其数据融合的难度较高，异构数据的存储与分析也需要更先进的解决方案。
03
大数据起源于对海量商业数据的处理分析，并且大数据技术最活跃、最有价值的应用也是在商业领域。这是因为企业内部长期积累的交易数据和互联网数据为商业分析提供了海量数据基础，而商业大数据的应用，可以为企业带来巨大的商业利益。商业大数据的发展，为企业与大数据行业发展带来机遇。
商业大数据分析提升了企业运营与决策的科学性，有助于发现和利用商机，为企业发展带来巨大利益。企业运营商业大数据分析平台，可以实时掌握企业在生产运营中的状态数据，运用商业建模方法，发现与诊断企业在生产、经营和客户服务等各方面存在的问题，以及对企业未来发展提供预测和决策支持。基于海量数据的科学分析，能够为企业发现数据的商业价值，用数据决策替代主观判断，提升了决策的科学性。在实践应用中，除了可视化呈现企业运营的实时状态数据之外，商业大数据已广泛运用于消费者画像分析，精准了解市场偏好和产品市场定位，从而为企业实施精准营销和个性化服务提供支持。
商业大数据带动了大数据相关行业的发展，促进云计算、物联网、大数据以及人工智能等新兴技术的融合与发展。商业大数据的实现，需要借助于相关硬件、软件、技术和人才的支持，因此，商业大数据的发展，激发了相关行业的发展。云计算为商业大数据提供采集、存储和分析等技术实现的基础；物联网的广泛应用，使企业能够获得更多的物联网感知数据，拓宽数据来源的渠道；人工智能技术的发展，为企业更加智能地分析与应用大数据提供了可能；因而，商业大数据的发展，将进一步促进相关新兴技术的融合与创新应用。
04
商业大数据价值稀疏性、大数据融合问题、商业价值变现困难以及用户隐私保护问题，是当前商业大数据应用面临的主要挑战。
（1）数据价值的稀疏性
由于数据获取限制、数据理解有误、数据漏读等情况，更多的时候采集到的是有缺失的数据，这种数据被人们称为稀疏数据。稀疏数据只要采用适当的处理方式还是可以挖掘出大量有用的信息的，但是当数据的稀疏程度过高时，传统的统计方法就不再适用于处理这样的数据。因此可以说数据价值存在稀缺性。
互联网时代的大数据有结构化的，而更多的是非结构化的。正因为数据形式的多样化和复杂化，稀疏数据也是复杂且多样的，这给人们处理稀疏数据的过程带来了更大的挑战。数据价值的稀疏性是商业大数据面临的主要挑战，如何解决数据稀疏性的问题、如何更好地利用爆炸增长的数据，分析这些信息的商业价值，已经成为目前普遍受关注的问题。
（2）大数据融合的难度
大数据时代数据的极大丰富，为人们提供了更大的利用价值。但是大量新产生的数据以及数据的新特征也使人们面临的问题空前复杂化，数据融合技术中有很多需要注意的问题。
①数据的多源异构。商业大数据需要处理的数据有许多不同的来源，主要来源有领域数据库、知识库和web页面等，不同来源的数据通常结构也并不相同。这些数据被物理地存放在不同地方，形成相互割裂的多源异构数据，给商业大数据分析处理带来了非常大的挑战。
②数据规模与价值之间的矛盾。随着商业大数据规模的增长，对已有数据存储和处理方法提出了挑战。虽然多数情况下，数据越多就越有可能更快更好地分析到想要的结果，但需要处理、融合的数据规模对现有技术来说已无法承受，因此只能选择性的对部分数据进行融合处理。
③跨媒体或跨语言的数据间的关联。商业领域需要处理的数据有结构化数据、半结构化数据和非结构数据，这对数据关联的发现提出了挑战，尤其是图片、视频、音频数据与文本数据的关联。如何识别这些跨媒体的数据间的关联，发掘这些跨语言数据间的关联同样是数据融合技术中不可忽视的问题。
④实体和关系的动态演化。由于数据与实体和关系都是动态变化的，这就增加了实体和关系的判别难度，容易因为忽略了动态变化而导致数据的不一致。因此，在进行数据融合时应保持对数据动态变化的足够关注，保证数据前后的一致性。
（3）商业价值变现困难
大数据本身是具有产业价值的，而商业大数据在价值变现的整个过程中存在一些挑战。
①商业大数据复杂度高。大数据整体的数据集复杂度非常高，大数据的存储和处理是一个不小的难题。海量数据中的高价值数据数隐藏在大量的低价值甚至无价值数据中，数据挖掘难度较大。此外，商业大数据涉及到众多领域的专业知识，需要使用各种专业的分析工具才能实现有效的挖掘。
②大数据平台建设成本高。大数据平台的建设与维护成本较高。阿里云中心耗资超过百亿，移动公司的大型数据中心初始投资几十亿。除了前期投资，大数据平台的良好运行离不开持续不断的人力维护、财力投资，这对企业来说是一个不小的负担。
③大数据市场秩序尚不完善。目前我国的大数据交易市场还没有完全建成，不同层次不同类别的数据开放、数据交换或数据交易的商业规则、模式或市场还没有形成，这势必会给商业大数据的价值变现造成一定的阻碍。
（4）用户隐私保护挑战
商业大数据势必包含客户数据，这其中存在着关于用户隐私泄露的信息安全问题，能否保护好用户隐私是商业大数据一直面临的挑战，后面还会详谈。
05
在数据急剧增长的今天，企业极为看重数据的价值，各种运营、战略，甚至包括投资决策，都是建立在商业大数据驱动之上。然而，任何事物必然具有两面性，商业大数据同样也会给企业和社会带来一定的风险。
首先，数据分析人员能力不足带来的风险，商业大数据分析是建立在对商业运营和业务逻辑基础之上，对业务的理解与建模，决定了商业大数据分析的成败。此外，大数据分析是忽略理论逻辑的，然而单纯根据数据拟合结果，可能出现虚假回归等问题，因此，商业大数据分析对数据分析人员能力要求较高。其次，商业大数据分析通常需要采集互联网用户信息和行为数据，这一方面给公开的网站服务器带来频繁访问的压力，另一方面，某些企业非法利用用户隐私信息，给用户带来风险。再次，忽视了商业道德与伦理，如“大数据杀熟”等问题，日渐引起消费者关注，从而导致消费者对企业信任的降低。最后，基于商业大数据分析的个性化推荐算法，被广泛应用于内容聚合平台、社交媒体内容推送等领域，引发用户“信息茧房”效应，使人们信息获取视野变狭隘，容易形成网络舆论极化现象和社会风险放大等问题，给社会治理带来一定的风险。
常见的商业大数据应用
当前，商业大数据已广泛应用于精准营销、个性化服务等领域，以提升企业的运营效率以及客户的忠诚度与满意度。
（1）用户画像
用户画像，即用户信息的标签化，是建立在一系列数据之上的目标用户模型。用户画像传统的数据源主要是用户的个人信息，如用户的姓名、年龄、性别、职业、收入、地区、手机号等人口基本属性，这些信息相对稳定，可以归属为用户的静态信息。在商业大数据的应用中，用户画像更重要的是获得用户在互联网上的行为数据，这些行为数据大多来自网站的操作日志，日志里记录了用户在网站的浏览、搜索、点击、跳转、留言、评论等一系列行为轨迹，这些不断变化更新的行为信息可以归属为用户的动态信息。相对于静态信息，动态数据具有时序性、数据量大的特点，因此需要使用自动化算法对收集得到的用户画像数据进行训练，利用数据挖掘技术，抽取出用户画像标签，构建用户画像标签体系。
（2）精准营销
精准营销是应用大数据技术的精准营销是数据驱动型的营销，在洞悉大数据的基础上通过搜集、分析、执行从大数据所得到的洞察结果，调整市场细分、目标客户的选取、适合的营销策略以及营销渠道的选择，并以此鼓励客户参与、优化营销。企业精准营销主要应用包括广告的精准投放、市场定位的精准化以及个性化产品或服务推送等。
（3）互联网金融
互联网金融是借助于互联网技术和移动通信技术实现资金融通、支付和信息中介功能的金融模式，其业态包括第三方支付、众筹、互联网理财等。互联网金融的数据源，主要是互联网中的交易数据、社交大数据以及银行卡大数据和互联网中的征信大数据。通过多维度数据处理，企业对用户的理解将达到非常高的程度，从而能够有针对性地对产品和服务进行优化。大数据技术的应用能够建立新型征信机制，降低交易风险，扩大金融服务的覆盖范围。通过大数据技术建立的多元化信用评价机制，从多方面对个人或企业的信用进行深度刻画。新型的多元化信用评价机制覆盖了传统金融难以覆盖的客户，互联网经济的长尾效应凸显，使互联网金融服务受众的范围将得到扩大。
（4）智能供应链
在采购环节，应用大数据分析，企业不仅可以有效控制成本，还可以优化采购决策。在制造环节，将大数据技术应用到传统供应链中的制造环节，不仅可以再次提升企业生产效率，更可以从企业库存管理、质量管理、劳动力利用率提升企业管理服务方面效率。在物流环节，大数据技术在供应链物流环节的应用可以通过远程信息处理系统优化产品的仓储模式与运输路线，进而提升对客户的服务质量。在销售环节，企业会利用大数据技术为客户提供个性化产品与服务，在产品价格方面也可能应用差异化定价，以提升产品的销售量。
转载：请在微信后台回复“转载”
商业合作或投稿：xvmaster130@163.com
