大數據分析戰略精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的大數據分析戰略主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：大數據分析戰略范文

關鍵詞：大數據 存儲行業環境 戰略分析

引言

大數據時代，呈爆炸性增長的數據規模，可以直接決定企業發展的未來。一方面，數據爆炸性增長可能給企業帶來問題和隱患。比如，如何保證數據的絕對安全和可靠？隨著越來越多的應用信息轉變為數據進行存儲和處理，數據的重要性和價值也越來越高，這也使得企業難以容忍數據的損壞或丟失。數據信息的毀壞和丟失會給企業帶來不可估量的損失（Patterson，D.A.，2002）。數據的重要性和價值對于諸如廣電行業企業這種有海量數據存儲需求的客戶來說，體現得更為明顯。另一方面，大數據也可以為企業帶來正面收益，比如從價值密度低的海量數據中，通過數據分析和數據挖掘技術，迅速提取更有價值的數據，用于提高企業自身的核心競爭力。在這一背景下，一些存儲行業企業紛紛展開兼并收購，提升綜合能力。如存儲行業領導廠商VMware公司（NYSE：VMW）先后收購了開源Java開發商SpringSource、關系型和非關系型分布式數據管理系統廠商GemStone、開源軟件開發商WaveMaker、企業社交協作解決方案提供商Socialcast、PPT在線制作服務提供商 SlideRocket，并對其進行整合，成為提供大數據解決方案的服務提供商。IBM也在大數據領域展開了連環收購，先后收購銷售數據分析公司Varicent和企業搜索和導航軟件提供商Vivisimo，將大數據的搜索和分析擴展到Hadoop之外的傳統遺留應用和數據倉庫。

存儲行業產業環境現狀

產業環境分析體現了產業內的競爭激烈程度和企業的最終獲利潛力。波特認為五種力量狀況及其綜合強度決定行業環境：新進入者的威脅、供方的討價還價能力、買方的討價還價能力、替代品的威脅及現有競爭者之間的競爭。就存儲行業而言，本文用五力模型對其行業環境進行分析（見圖1）：

（一）新進入者的威脅

目前我國存儲產業的潛在競爭者主要來自于IBM、EMC和VMware等技術和資金實力雄厚的跨國公司，基于核心傳統的存儲設備技術能力，通過內部研發和兼并收購等已經具備為客戶提供綜合化存儲解決方案的能力。另外，華為、藍汛科技、永新視博、同洲、索貝、新奧特、數碼視訊等公司也紛紛涉足大數據領域，推出了針對廣電行業應用的產品與解決方案。以上行業新進入者對現有存儲企業帶來了較高威脅，雖然存儲產業具有一定的技術和資金壁壘，對于中小企業進入障礙較高，但對于這些技術研發具有優勢的企業，這些壁壘不足以形成障礙。所以，新進入者威脅是需要充分考慮的要素。為獲得可持續發展，現有存儲企業必須提升研發能力，以客戶需求為中心，結合云計算為用戶提供更多創新的業務體驗，還可通過構建業務研發云平臺，降低新業務開發成本，加快新業務推出速度，為贏得市場先機奠定基礎。

（二）替代產品的威脅

存儲行業企業提供的是存儲設備產品和專業化服務，諸如廣電和證券行業等具有海量數據存儲需求的企業，由于技術的局限很難選擇自營的形式為自身提品和服務。當數據量達到一定程度時，只能選擇專業從事存儲的企業提品或服務?？梢?，存儲行業企業的替代性較低。

（三）供應商的討價還價能力

存儲行業的供應商包括存儲基礎零部件設備供應商和數據管理服務供應商，大部分是IT制造行業企業，供應商的討價還價能力決定于其規模、技術實力和專業性。如果業務量大、技術能力強、專業服務水準高，討價還價能力就相對較強。

（四）買方的討價還價能力

中國存儲產業集中度較高，能提供海量數據存儲設備和服務的國內企業并不多。相對于國外企業來講，國內企業的產品和服務具有價格優勢，國外企業提供專業化產品和服務水準較高，客戶方的討價還價能力不高，一般根據成本節約的目標選擇國內或國外企業的產品。

（五）現有競爭者之間的競爭

存儲行業競爭雖然激烈，但是主要依靠品牌、本地化支持、技術和性價比等因素的良性競爭。一方面，在高端市場，國外廠商依靠品牌和技術優勢占據了一部分對價格不敏感的大客戶，但是由于其本地化支持程度較低，后期發生的服務成本較高，很多企業選擇國內存儲企業的產品和服務。一部分國內存儲行業企業依靠強大的本地化支持，依靠性能和價格兩方面競爭；另一部分企業通過拓展增值型服務和提升服務水準，拓展新服務幫助客戶企業提升競爭力并創造價值來獲取競爭地位。通過以上分析，可見存儲行業是個具有吸引力的朝陽產業，服務市場的需求和利潤空間較大。

大數據時代存儲行業的機遇與挑戰

大數據時代的來臨也將會給廣電、銀行、證券等有海量數據存儲需求的行業帶來巨大的價值和影響，這些存儲產業鏈下游的客戶企業必定會更加依賴于大數據的發展，這為存儲行業提供了大量的潛在需求和發展機遇。另一方面存儲行業企業更應該明確客戶需求和清楚自身的優勢和劣勢，確保從容應對大數據時代的來臨，并充分利用大數據時展帶來的能量，提升和深耕自身能力，建立可持續發展的競爭優勢（張帥，2000）。以新聞廣電這一典型存儲行業客戶為例，存在的挑戰主要表現在：第一，高性能和低延時。信息流、工作流的整合對性能要求日益提高。數據傳輸的實時性要求高，如節目播出流暢、不丟幀，要求數據必須在限定時間以限定的形式和流量提供；第二，大容量和高可靠性。行業的數據存儲若以音頻視頻流為主，往往一個文件即高達數十GB，清晰度提高，使得數據量大幅增長，另外數據（音視頻資料）這種核心資源，具有珍貴的歷史意義和保留價值，若發生丟失會給電視臺、網絡公司帶來巨大損失；第三，節約成本。由于設備和服務的分散采購，給客戶方帶來了額外的交易成本支出，如何為客戶節約交易流程復雜帶來的成本，提升綜合服務能力是存儲行業企業面臨的又一挑戰。

大數據時代存儲行業發展戰略

（一）推進增值服務管理，從存儲設備提供商向數據解決方案的服務提供商轉型

在大數據時代背景下，客戶需求和科技發展相互結合，相互促進，一些客戶自身具備豐富的業務類型和應用場景，具備豐富的實戰經驗，可以為大數據的方案實施提供寶貴的信息基礎；而大數據領域的科技發展則可以為客戶企業提供高效、安全、合理的技術平臺，最大程度滿足企業需求。例如，廣電行業對大數據應用存在著諸多顯見或潛在需求，伴隨著大數據技術的飛速發展，廣電行業的大數據應用也必將隨之興起。在廣電行業內部，大部分電臺、電視臺都已經完成了數字化改造，并開始實施包括生產、辦公、網絡集成一體的全臺網絡建設。企業需要的不僅僅是能存儲海量數據的高端存儲設備，更需要滿足終端綜合需求的數據管理解決方案，這要求存儲企業能夠提品+服務的“交鑰匙”工程，從存儲設備提供商向數據解決方案的服務提供商轉型。這種轉型要求存儲企業具備較高的綜合需求管理能力，在面對不同客戶的多級多域綜合需求時，能迅速響應分解到企業內部和二級、三級供應商，再進一步整合成定制化的解決方案交遞客戶?？梢娕嘤髽I的供應商管理和客戶關系管理能力是成為數據解決方案的服務提供商的基礎（陳向東、王曉方，2011）。

（二）采用科技前置的營銷策略，提升數據整合能力

以市場需求為導向，強化技術創新所獲得的競爭優勢，實現增值營銷。為使存儲企業高端客戶和產品市場呈現出強勁增長態勢，必須采取科研前置的技術營銷策略，這也是大客戶營銷的基礎所在。大客戶代表著前向產業的拉動者，公司需堅持技術領先，緊緊跟隨前項產業的技術進步，如云計算、云平臺和活性存儲等，采取合作開發、單獨研制等方式不斷創新產品、創新技術，并針對不同使用條件和環境，為顧客進行合理數據存儲方案設計，以滿足個性化需求。一方面，更敏銳地把握技術發展趨勢和客戶的最新需求；另一方面，保持向高端客戶和新的產品服務模式拓進，把知識營銷運用于存儲企業的經營管理，是對傳統設備制造型存儲企業的改造升級，構建強勢存儲企業品牌的長期競爭優勢，其主旨是企業不僅要能夠為客戶提供豐富的產品、協助數據管理，更重要的是能夠針對用戶應用環境研發，提供有針對性的優化解決方案。

（三）推進產業聯盟和培育存儲產業鏈，構建全球化網絡

一方面，在提升技術研發能力的同時，積極與全球各地的研究機構開展人才交流和技術合作；積極開展供應商參與的、科研院所聯合研發，跨企業、跨產業的技術研發聯盟；另一方面，建立多方合作平臺，建立以綜合服務集成商為主導的產業價值網，以建立穩定持續的業務關系為目標，由專人或專項小組直接與目標客戶溝通，為其提供個性化服務?；谄放?、技術、制造和服務積累力量，作為國際化的 “四輪驅動”，推動中國存儲企業的國際化進程。無論是現在還是未來，品牌、技術、服務和制造都是全球存儲市場的角力點。存儲行業企業應盡快完成從產品輸出到以技術、服務輸出和品牌輸出的轉變，極大地提高產品的供應能力和服務能力?；谝陨险归_國際市場布局，面對復雜陌生的海外市場，還需要建立本土化的供應網絡，與當地供應商合作，在構建渠道網絡的同時，了解和熟悉當地市場。隨著國際市場業務增長以及銷售渠道和服務網絡的完善，提供與之匹配的本地化服務支持，與國際存儲企業競爭。

參考文獻：

1.Patterson，D.A.2002.Availability and maintainability performance： New focus for a new century. Key note speech at FAST'02

2.2011年存儲行業十大發展趨勢預測[J].微電腦世界，2011（2）

3.邁克爾·波特.競爭優勢[M].華夏出版社，1985

4.張帥.存儲行業的先鋒—美國EMC公司[J].中國科技信息，2000（24）

5.存儲行業從品質競爭轉向品位競爭[J].計算機與網絡，2006（13）

6.陳向東，王曉方.創意產業廣電行業國際競爭力的比較分析—基于中國和歐洲的對比[J].現代商業，2011（17）

第2篇：大數據分析戰略范文

隨著互聯網科技日益成熟，各種類型的數據增長將會超越歷史上任何一個時期。用戶想要從這龐大的數據庫中提取對自己有用的信息，就離不開大數據分析技術和工具。中國有句老話：“工欲善其事，必須利其器！”可見，一個好的工具不僅可以使我們的工作事半功倍，也可以讓我們在競爭日益激烈的云計算時代，充分挖掘大數據價值，并及時調整戰略方向。

在本文中，作者整理了中國境內在大數據分析領域最具話語權的企業，它們有的是計算機或者互聯網領域的巨頭，有的則是剛剛創辦不久的初創企業。但它們有一個共同點，那就是它們都看到了大數據分析技術帶來的大機會，于是毫不猶豫地挺進了數據分析領域。（如表單所示）

通過表單，可以了解到相應廠商備受青睞的大數據分析產品。眾所周知，在大數據分析領域，當家花旦非Hadoop莫屬，Hadoop已被公認為是新一代的大數據處理平臺，IBM、Intel、Microsoft、 Oracle以及EMC都紛紛投入了Hadoop的懷抱。對于大數據來說，最重要的還是對于數據的分析，從里面尋找有價值的數據幫助企業作出更好的商業決策。Hadoop和MapReduce等開源工具則使企業能夠以一種全新的方式來管理和跟蹤大數據。對于中小企業而言，鑒于IT預算的考慮，大多都是從開源的大數據分析工具著手，此時Hadoop就是首選。

當前，大數據分析主要集中在商業智能、預測分析、數據挖掘和統計分析等方面。據Bain and Company報告顯示，那些使用大數據分析的公司的領導者們要遠遠比不使用大數據的公司領導者有優勢，他們能夠比普通領導者快出五倍的速度進行決策，并且這些決策往往都是正確的。

隨著IT和互聯網巨頭們不斷攻破大數據分析領域的各種難題，投放到市場的產品種類越來越繁多，那么企業要如何選擇更適合自己的分析產品呢？以下是筆者總結的選型方案：首先要求企業像剝洋蔥一樣層層剝開，依靠他們有良好關系的供應商，要求查看他們大數據分析平臺的演示；其次推薦企業也要學習研究業界其它廠商的案例使用情況；還有企業也應依靠內部的 IT 部門及更有技術悟性的員工，來幫助做一些甄選；但最重要的是企業應該清楚什么是真正的需求，供應商的產品如何能滿足這些需求，畢竟理解業務需求比擁有出色的技術更重要。

隨著企業開始利用大數據，我們每天都會看到大數據新的奇妙的應用，幫助人們真正從中獲益。大數據的應用已廣泛深入我們生活的方方面面，涵蓋醫療、交通、金融、教育、體育、零售等各行各業。因此，大數據的分析方法在大數據領域就顯得尤為重要，可以說是決定最終信息是否有價值的決定性因素。當下，我國大數據技術仍處于起步階段，進一步地開發以完善大數據分析技術仍舊是大數據領域的熱點。

中國大數據分析廠商TOP50排行榜

分項得分（10）

排名 廠商 綜合評分（10） 創新能力 服務能力 解決方案 市場影響力

（35%） （20%） （30%） （15%）

1 IBM 9.1 10 8.5 8.5 9

2 Oracle 8.7 9 8 8.5 9

3 Google 8.6 9 8 8.5 8.5

4 Amazon 8.5 9 8 8.5 8

5 HP 8.4 8.5 8.5 8.5 8

6 SAP 8.2 9 8 7.5 8

7 Intel 8.1 9 8 7.5 7.5

8 Teradata 8.0 8.5 8 7.5 8

9 Microsoft 7.9 8 7.5 8 8

10 阿里 7.7 8.5 7 7 8

11 EMC 7.6 8.5 7.5 7.5 6

12 百度 7.5 8.5 5.5 7.5 7.5

13 Cloudera 7.4 7.5 8 7.5 6

14 雅虎 7.2 8.5 7 6 7

15 Splunk 7.1 8.5 7.5 6 5.5

16 騰訊 7.0 7 6 7 8

17 Dell 6.6 7 6.5 7 5

18 Opera Solutions 6.3 7 5.5 6.5 5

19 Mu Sigma 6.2 7 5 6 6

20 Fusion-io 6.1 7 5.5 5.5 6

21 1010data 6.0 6.5 6 5 6.5

22 SAS 5.9 7 4.5 5.5 6

23 Twitter 5.8 5 6 6 7

24 LinkedIn 5.7 6 4.5 6.5 5

25 華為 5.6 5 5.5 6 6

26 淘寶 5.5 6.5 4 6.5 3

27 用友 5.4 6 4.5 5.5 5

28 曙光 5.3 6 4.5 5.5 4

29 東軟 5.2 6 5.5 4.5 4

30 MapR 5.1 5.5 6 4.5 4

31 金蝶 5.0 5.5 5 4 5.5

32 Alpine 4.9 5.5 5 4.5 4

33 高德 4.8 5.5 6 3 5

34 Fujitsu 4.7 5 5.5 4 4.5

35 華院數云 4.6 5 5 4 4.5

36 博康智能 4.5 5 4 4.5 4

37 九次方金融數據 4.4 4.5 5 4 4

38 永洪科技 4.3 4 5.5 4 4

39 集奧聚合 4.2 4 4 4 5

40 國雙科技 4.1 4 3.5 4.5 4

41 百分點 4.0 3.5 5 4 3.5

42 榮科 3.9 3 5 4 3.5

43 博雅立方 3.8 3.5 4 4 4

44 億贊普 3.7 3 3.5 4.5 4

45 InsideSales 3.7 3 4 4 4

46 眾志和達 3.6 4 4 3 3.5

47 穎源科技 3.5 3 4 4 3

48 星環科技 3.4 3 3.5 4 3

49 拓爾思 3.3 3.5 3 3.5 3

50 國云數據 3.2 3 3 3.5 3.5

代表產品

InfoSphere BigInsights

Oracle Big Data Appliance

BigQuery

Kinesis

Vertica

HANA

Hadoop發行版

AsterData

SQL Server

采云間

GreenPlum

百度統計

Cloudera Apache Hadoop

Genome

Splunk Analytics for Hadoop

騰訊云分析

Big Data Retention

Opera Solutions

Mu Sigma大數據分析

Fusion ioMemory平臺

1010data大數據分析平臺

SAS Visual Analytics

Storm

LinkedIn數據分析模型

FusionInsight

知數寶

UAP平臺

曙光XData大數據一體機

東軟經營分析系統

Drill

金蝶KBI

Alpine Miner

高德地圖

Fujitsu M10

Hadoop+Postgresql架構

博康智云大數據一體機

九次方大數據分析平臺

Yonghong Data Mart

DataQuate

Web Dissector

百分點數據管家

醫療大數據分析平臺

cubesearch平臺

億贊普大數據分析平臺

InsideSales大數據平臺

SureSave BDP1000

股市情緒分析軟件

Transwarp Data Hub

第3篇：大數據分析戰略范文

關鍵詞：大數據；大數據工程；意識形態安全

一、大數據對意識形態領域產生革命性影響

馬克思在很早的時候便注意到了科學技術同意識形態之間的密切關系。他在《資本論》中論述了自然科學通過技術與人的社會生活、特別是精神生活的內在聯系，認為：“技術會揭示人對自然的能動關系，人的生活的直接生產過程，以及人的社會生活條件和由此產生的精神觀念的直接生產過程，”根據的觀點，雖然科學技術本身不屬于意識形態范疇，可是科學技術的發展對意識形態的變化具有深刻影響。大數據不僅是指體量巨大、結構復雜、類型多樣、高速變化、真實質差的數據集合，而且也是一種現代技術，其對意識形態領域產生了一系列革命f生影響。

1.大數據技術成為把握受眾思想動態的重要手段

近年來，伴隨著互聯網、物聯網、三網融合、云計算等IT技術與數字電子技術、無線技術及光纖通信技術等通信技術的快速發展，數據呈“井噴”狀態，這其中就包含著大量反映受眾思想動態的數據。意識形態工作者運用數據采集技術全方位大縱深地獲取源于不同信息載體的反映受眾思想動態的數據，運用數據存儲技術，將類型多樣、結構復雜的數據轉換為單一的或是便于處理的結構，運用數據清洗技術對內容殘缺、重復冗余、過時失效以及帶有隨機噪聲、孤立噪聲等問題的數據進行清洗，運用數據分析技術對清洗后的可信賴數據進行關聯分析，在此基礎上建立反映受眾思想動態的模型，進而達成對受眾思想動態的準確認知和把握。很明顯，大數據技術成為了意識形態工作者把握受眾思想動態的手段。

2.大數據思維改變了意識形態傳統決策模式

大數據不僅是指體量巨大、類型多樣、高速變化的復雜數據集合，而且也是一種全新的思維方式。大數據思維可以被理解是一種在匯聚整合數據、分析處理數據的基礎上進行決策的思維，是一種基于客觀事實而少憑借主觀經驗進行決策的思維模式。意識形態傳統決策模式是指意識形態工作者依靠自己的價值觀念、思想方法、學識才能、經驗教訓等，在對以往進行概括總結及對未來開展綜合分析的基礎上，展開決策活動的思維模式?？茖W決策并不絕對排斥經驗，但決策的“個人權威性”與“個人經驗性”相結合，往往可能導致決策的局限性和狹隘性，發生決策失誤。意識形態工作者在大數據思維的指引下，深入挖掘反映受眾思想動態的數據，對其進行關聯分析，在此基礎上制訂意識形態工作方案，這有助于提高意識形態工作方案的科學性和可行性，提升意識形態工作效度，增強意識形態治理能力。顯而易見，大數據思維將在一定程度上形成對意識形態傳統決策模式的替代。由此，大數據思維改變了意識形態傳統決策模式。

3.大數據標準影響意識形態宣傳部門的權威

可以說，大數據的使用是一把雙刃劍，一方面為科學研究、教育治理等方面帶來了重大機遇，另一方面對社會其他領域帶來了嚴峻挑戰。比如，大數據使用存在泄露隱私的隱患；“大數據的異構性、規模、及時性、復雜性和隱私問題從各個環節阻礙了數據價值的創造。”尤其值得注意的是，數據標準（數據搜集標準、數據計算標準、數據分析標準等）的不一致，直接導致了數據結論的不一甚至迥異。當前，由于數據的采集標準不同、分析標準相異、計算標準有別，導致社交媒體、智庫、互聯網公司等的數據分析報告同意識形態宣傳部門所的結論相去甚遠，甚至相悖。這在一定程度上造成意識形態領域噪音不斷、余音不絕，消解了“權威”與“元敘事”，影響到了意識形態宣傳部門的權威。

4.大數據處理將增加意識形態工作部門的工作成本

大數據時代，各種信息載體每天都會產生大量結構復雜、體量巨大、時效性強的反映受眾思想動態的數據，對這些數據進行挖掘和存儲等是把握受眾思想動態的重要前提。但是，傳統的數據挖掘、數據存儲技術難以處理大量結構復雜、體量巨大、時效性強的反映受眾思想動態的數據。具體而言：在數據存儲方面，“傳統的數據庫追求高度的數據一致性和容錯性，缺乏較強的拓展性和較好的系統可用性，不能有效存儲視頻、音頻等非結構化和半結構化的數據。目前，數據存儲能力的增長遠遠趕不上數據的增長，設計最合理的分層存儲架構成為信息系統的關鍵”。在數據挖掘方面，“從數據庫的觀點看，挖掘算法的有效性和可伸縮性是實現數據挖掘的關鍵，而現有的算法往往適合常駐內存的小數據集，大型數據庫中的數據可能無法同時導入內存，隨著數據規模的不斷增大，算法的效率逐漸成為數據分析流程的瓶頸。要想徹底改變被動局面，需要對現有架構、組織體系、資源配置和權力結構進行重組。”為此，應當對已有的數據技術進行升級。毋庸置疑，升級數據存儲技術、數據挖掘技術等，是一項復雜的系統性工作，需要意識形態工作部門投入資金、制定科學合理政策等。這將在一定程度上增加意識形態工作部門的工作成本。

5.大數據治理將為維護自媒體空間的意識形態安全創造條件

大數據時代，具有平民化與大眾化特征的自媒體，改變了固有的信息生產模式，重塑了信息生產主體，變革了信息生產中的精英主義傳統，激發了大眾壓抑已久的創造欲望。大眾化的話語形態因此而大量生成，在一定程度上消解了“權威”與“元敘事”，造成了自媒體空間主流與非主流觀點并存，紅色、黑色、黃色信息同在，正面報道與負面謠言同臺競技。這在較大程度上擠壓了主流意識形態的傳播空間，削弱了主流意識形態話語的輻射力，“同時也消解了主流話語的公信力?！焙翢o疑問，自媒體空間的話語治理首先應當是法律治理，但與現實公共空間不同的是，自媒體空間是話語與技術相融合的空間，所以，有必要運用大數據技術開展自媒體空間的話語治理。通過大數據采集技術對自媒體空間的話語進行大規模實證采集，運用大數據分析技術分析并揭示自媒體空間話語方式多層面特征，在此基礎上構建自媒體空間話語監測數據庫，開發自媒體空間話語監測預警平臺，進而為規范自媒體空間的話語傳播，提升自媒體空間的話語傳播質量，維護自媒體空間的意識形態安全創造條件。

二、大數據成為西方國家進行意識形態滲透的重要工具

鑒于大數據對意識形態領域所產生的一系列革命性影響，西方國家非常重視大數據的發展，研發出了許多先進的大數據技術。一方面運用先進的大數據技術維護本國意識形態安全，另一方面利用其在大數據方面的技術優勢，對外進行意識形態滲透。為確保上述目標得到切實貫徹執行，西方國家從宏觀戰略層面制定戰略規劃，指引大數據發展進程，從微觀政策層面建立保障體系，確保戰略目標得以落地。

1.制定戰略規劃，指引大數據發展進程

以美國為首的西方發達國家非常重視大數據的作用，通過制定戰略規劃，指引大數據發展進程。2011年總統科技顧問委員會提出建議，認為大數據具有重要戰略意義，但聯邦政府在大數據相關技術方面的投入不足。作為回應，美國白宮科學和技術政策辦公室（OS.TP）建立了大數據高級監督組以協調和擴大政府對該領域的投資，并牽頭編制了《大數據研究與發展計劃》（以下簡稱《計劃》）。2012年3月29日，《計劃》正式對外，標志著美國率先將大數據上升為國家戰略。再如澳大利亞，2012年10月，澳大利亞政府《澳大利亞公共服務信息與通信技術戰略2012-2015》，強調應增強政府機構的數據分析能力從而實現更好的服務傳遞和更科學的決策，并將制定一份大數據戰略作為戰略執行計劃之一。2013年2月，澳大利亞政府信息管理辦公室（AGIMO）成立了跨部門工作組――“大數據工作組”，啟動了《公共服務大數據戰略》（以下簡稱《戰略》）制定工作，并于2013年8月正式對外。

2.建立保障體系，確保戰略目標得以落地

為確保大數據戰略得以順利實施，西方發達國家建立了一系列保障體系。一是技術支撐：美國高校和研究機構專注于大數據理論研究，對關鍵性技術進行前沿性研究，在數據存儲、數據分析、數據安全等方面研發出了大量實用技術。二是資金保障：“法國政府宣布將在2013年投入1150萬歐元，用于7個大數據市場研發項目，旨在通過試點探索，促進法國大數據發展?！?012年3月，美國政府啟動了2億美元的注資計劃，意在提升從大量數據中“沙里淘金”能力。三是人才支持：美國《大數據研究與發展計劃》的一個重要目標是擴大從事大數據技術開發和應用的人員數量。通過國家科學基金會，鼓勵研究性大學設立跨學科的學位項目，為培養下一代數據科學家和工程師做準備，并設立培訓基金支持對大學生進行相關技術培訓，召集各個學科的研究。此外，美國的一些大學通過設置大數據相關專業，培養大數據人才。四是政策扶持：（1）數據共享政策：2010年12月，美國聯邦政府宣布“云優先”政策，規定所有新建的政府信息系統必須優先考慮云平臺。應用云平臺為實現政府部門間共享數據提供了便利，因此，“云優先”政策的實質便是數據共享政策?！胺▏贫斯矓祿_放和共享路線圖，其核心內容為：更廣泛便捷開放公共數據，促進創新性再利用，為數據開放共享創造文化氛圍并改進現有法規框架等?！保?）數據開放政策：2009年1月，奧巴馬總統簽署了《開放透明政府備忘錄》，自此，美國聯邦政府開始向公眾大量開放公共數據，并把許多數據公布在中央信息交換庫――Data.gov網站上，便于民眾查閱；加拿大實施了開放地理空間數據政策；2013年5月9日，奧巴馬總統簽署開放數據政策（Open Data Policy）；法國制定了Open Data Proxi.ma Mobile政策。（3）數據安全政策：澳大利亞政府于2012年7月了《信息安全管理指導方針：整合性信息的管理》為海量數據整合中所涉及的安全風險提供了最佳管理實踐指導@?！皻W盟也一直非常重視公民隱私權的保護，歐盟的數據保護指令實行于1995年，當時互聯網的使用并不普遍。但目前為止，27個成員國對該法令的認知各不相同，因此在推行過程中產生了很大分歧。2012年1月，歐盟委員會提出全面改革1995年的數據保護指令，以加強網絡隱私權利的保護和促進歐洲的數字經濟。”

有了促進大數據發展的頂層設計及保障體系，西方國家得以將大數據技術成功地運用到意識形態領域。一方面，西方國家的意識形態工作者運用數據分析技術自動分析出本國信息載體所蘊含的意見傾向，從而達成對本國受眾思想動態的認知和把握，在此基礎上制定相應的工作內容與議程，維護本國意識形態安全。另一方面，西方國家利用其在大數據方面的技術優勢，對包括中國在內的社會主義國家進行意識形態滲透，企圖通過這種柔性方式，達到不戰而屈人之兵的目的，維護其所謂的國家利益。大數據在西方國家對華進行意識形態滲透方面的具體應用如下：首先，運用數據采集技術收集反映我國輿情動態的數據。2013年6月，CIA前雇員愛德華?斯諾登透過美國《華盛頓郵報》與英國《衛報》向外界披露，美國國家安全局（NSA）在2007年啟動了代號為“棱鏡”（PRISM）的絕密電子監聽計劃。在此項計劃中，NSA要求美國電信巨頭威瑞森公司（Vefizon）每天上交數百萬用戶的通話記錄。聯邦調查局與NSA均可直接進入微軟、雅虎、蘋果、Palmlk、谷歌、AOL等網絡巨頭的服務器，通過數據傳感體系、智能識別體系等數據采集技術對中國的聊天記錄、文件、視頻、音頻等上網信息中的反映我國受眾思想動態的數據進行識別、定位和接入，進而獲取了大量關于我國輿情動態的數據。其次，運用數據分析技術對涉輿數據進行分析。運用在線數據分析、預測性數據分析、數據網絡挖掘、特異群組挖掘、圖挖掘等數據分析技術，對涉輿數據進行關聯分析，進而精準地把握我國的輿情動態。第三，通過數據載體對華進行意識形態滲透。在把握我國輿情動態的基礎上，打造契合我國受眾接受心理的話語體系，通過手機、社交平臺（skype、YouTube、Facebook）、數據庫等數據載體對華進行意識形態滲透。第四，改進意識形態滲透方式。運用情感語義分析、網絡行為分析等數據分析技術，自動分析出我國受眾對西方主流意識形態的認同情況，以進一步改進意識形態滲透方式，增強對華進行意識形態滲透的實效性。

西方國家之所以將大數據作為對華進行意識形態滲透的重要手段，是出于以下兩方面的考慮：一是大數據的運用減少了意識形態滲透阻力。大數據時代來臨前，西方國家以教育文化交流和培訓項目為載體，以經濟、技術交往為途徑，以廣播、電臺為平臺對華進行意識形態滲透。這種裸的滲透方式，在一定程度上引發了我國受眾的反感，意識形態滲透的有效性因此而大打折扣，達不到其預設的滲透目標。通過運用大數據技術，廣泛搜集反映我國受眾心理需求、接受特點、思維習慣的數據，達成對我國受眾接收特點的準確認知，通過打造契合我國受眾接受心理的話語體系，進行意識形態滲透，從而在很大程度上減少了對華進行意識形態滲透的阻力，增強了意識形態滲透的實效性。二是西方國家具有先進的大數據預測技術，為把握對華進行意識形態滲透的對象和時機創造了條件。牛津大學教授維克托?邁爾一舍恩伯格指出：“大數據的核心就是預測，不是要教機器像人一樣思考，而是要把數學計算運用到海量數據上，來預測事情發生的可能性”。正因為如此，以美國為首的西方國家斥巨資研發出了許多先進的大數據預測技術。在全方位、大縱深地獲取反映我國受眾思想動態的數據的基礎上，充分運用大數據預測技術，精準預測出我國輿情的發展趨勢，進而準確把握意識形態滲透的對象和時機。

三、實施國家大數據工程是維護國家意識形態安全的重要保障

大數據時代，實施國家大數據工程是應對我國意識形態安全面臨的系列挑戰的重要舉措。

1.從宏觀戰略層面把握實施國家大數據工程的原則

一是普惠原則。要加快網絡基礎設施建設步伐，讓信息時代的缺席者有機會通過網絡平臺表情達意，為意識形態工作者挖掘“沉沒的聲音”，科學制訂網絡意識形態工作方案創造條件。二是技術優先原則。無論是從類型多樣、體量巨大的數據集中抽取出正確、真實的涉輿數據，還是對涉輿數據進行存儲和關聯分析，對關鍵、敏感涉輿數據進行保護，都離不開先進的大數據技術做支撐。因此，必須秉持技術優先原則，著力開發包括數據存儲技術、數據分析處理技術、數據可視化技術在內的大數據技術。三是共享原則。掌握反映受眾情感、訴求的數據或涉輿數據是開展維護意識形態安全工作的前提。當前，涉輿數據廣泛分布于政府、企業、社會組織等部門，由于上述部門缺乏統一的數據存儲標準，各部門所擁有的涉輿數據無法實現兼容，這加大了涉輿數據的采集成本。因此，必須堅持共享原則，建立部門間數據資源統籌管理與共享復用制度，進而突破數據共享瓶頸，形成部門間數據共享共用格局。四是法制保障原則。采集反映受眾情感、訴求的數據（涉輿數據）是科學制訂網絡意識形態工作方案，維護國家意識形態安全的前提。在涉輿數據的采集過程中，不可避免地要涉及個人隱私遭泄露的問題，更糟糕的是，某些權力機構或掌握實權的人物可能為了一己之私而泄露、濫用涉輿數據。一旦一些關鍵、敏感的涉輿數據或數據分析結論遭泄露或被濫用，很可能會造成國家意識形態安全工作處于守勢。為此，必須建立和完善相關法律、法規，從法制層面嚴格規范涉輿數據的采集和利用，為保障國家意識形態安全奠定堅實的法制基石。五是人才支撐原則。大數據從概念到實踐，從技術到應用，從戰略到執行的過程中，需要大量既諳熟大數據理論又具有數據搜集、存儲、分析及應用經驗的數據人才。六是內外結合原則。對我國而言，實施好國家大數據工程還有很長的路要走，還有很多的技術難關有待突破。因此，不妨學習并借鑒西方發達國家在這方面的成功經驗與具體做法。當然，在借鑒西方發達國家的經驗時，必須立足于中國的實際，靈活借鑒，防止生搬硬套。

2.從具體技術層面完善國家大數據工程的內涵

國家大數據工程，毋庸置疑，是一項復雜的系統性工程，是由多個子系統構成的。因此，要實施好國家大數據工程，就必須豐富各子系統的內涵，充實各子系統的內容。

一是實施數據搜集工程，提高意識形態工作方案準確性。還有不少人因為各方面原因無法通過網絡平臺表情達意。誠如徐繼華所言，在科技迅猛發展的今天，還有很大一部分的農民和城市底層居民，他們因為各種原因而成為信息時代的缺席者，無法在網絡世界表達意見和訴求。盡管他們的意愿也會由一些網民代為表達，但畢竟只是“被代表”。為此，有必要通過實施數據搜集工程，搜集反映這部分人群思想動態的數據，以提升意識形態工作方案的準確性。（1）實施信息惠民工程。國家每年應從網絡基礎設施投資中，撥付固定比例的資金用于農村現代網絡基礎設施建設，為廣大農村地區的人民群眾通過網絡平臺表達情感、反映訴求提供便利，為意識形態工作者搜集反映該群體思想動態的數據提供渠道。（2）大力發展農村現代信息教育。依靠國家財政可以建設一大批農村現代網絡基礎設施，但是，如果做為信息時代缺席者的農民不懂得如何使用這些網絡基礎設施，意識形態工作者同樣無法獲取反映他們的思想與情感方面的數據。為此，應當大力發展農村現代信息教育，提升廣大農民的信息素養。

二是實施數據清洗工程，確保數據真實可靠。有必要通過實施數據清洗工程，清洗掉虛假的涉輿數據，以確保意識形態工作方案的準確性。（1）著力發展數據清洗技術。數據清洗技術（Data Cleaning）可以起到改進數據質量的作用，被廣泛運用于數據倉庫及決策支持系統中，其主要任務是從原始數據集中剔除內容殘缺、重復冗余、過時失效及錯誤的數據。目前，已有一些用于數據清洗的ETL工具提供了功能強大的軟件平臺，利用它們可以從類型多樣的數據源中對數據進行抽取、轉換后加載至數據倉庫中。因此，應當采取有力舉措大力發展數據清洗技術，借助數據清洗技術，從原始的涉輿數據集中清洗掉虛假、錯誤與重復數據，抽取出正確、有效的涉輿數據，為開展涉輿數據分析，精準研判輿情創造條件。（2）公開數據。在確保關鍵、機密、敏感的涉輿數據不外泄的前提下，通過移動通信客戶端、信息可視化等渠道公開涉輿數據，接受公眾監督，讓虛假數據無遁隱之處，為從涉輿數據集中清洗掉虛假涉輿數據創造條件。（3）監測數據。積極培育社會化的第三方數據監測機構，使其參與到涉輿數據的管理、控制與評估工作中，以剔除虛假涉輿數據，確保涉輿數據的真實可靠。

三是實施數據分析工程，提升意識形態工作者的數據分析能力。對數據的誤解，會動搖意識形態工作者對意識形態工作緊迫性的認識。為此，我們應該通過實施數據分析工程，提高意識形態工作者對大數據的解讀能力，增強意識形態工作者對意識形態工作緊迫性的認識。（1）培訓意識形態工作者。借助高校平臺，并積極發揮社會教育與培訓機構的作用，對意識形態工作者進行數據科學和數據工程等學科培訓，增強意識形態工作者的數據分析能力。（2）開發數據分析技術。發揮高校、科研院所、政府、社會組織等的作用，著力研發一大批先進的大數據分析技術。比如，情感語義分析、探索性數據分析、定性數據分析、離線數據分析、在線數據分析等，以幫助提高廣大意識形態工作者的數據分析能力。（3）做好聘用大數據分析師工作。積極聘請既諳熟大數據理論又有大數據分析實踐經驗的數據分析師服務于意識形態工作部門，幫助提升我國意識形態工作者的數據分析能力。

四是實施強化數據意識工程，增強意識形態工作者的數據意識。伴隨著各種隨身設備、物聯網和云計算、云存儲等技術的發展，人和物的所有軌跡都可以被記錄，數據因此被大量生產出來。海量數據從一個方面反映出了我國民眾的思想、情感，為有效開展意識形態工作提供了條件。可是，長期以來一些意識形態工作者習慣于拍腦袋決策，沒有養成基于數據進行決策的思維習慣。因此，有必要實施強化數據意識工程，以提高我國意識形態工作者的數據意識，提升意識形態工作方案的可行性。（1）做好大數據知識普及工作。應通過報紙、電視、新媒體等渠道，以社會大眾普遍可以接受的方式，開展大數據知識普及工作，幫助意識形態工作者提高對其的認知水平，促使他們逐步養成基于數據分析做出決策的思維習慣。（2）建立和完善意識形態數據庫。建立與完善意識形態數據庫是一項復雜的系統性工作，其中之一就是需要意識形態工作者及時把握輿情導向。這就會促使意識形態工作者經常去密切關注各種涉輿數據，進而在一定程度上增強意識形態工作者的數據意識。（3）對意識形態工作者進行培訓。一方面通過集中學習、講座與開會等方式對意識形態工作者進行大數據理論培訓，以提高意識形態工作者對大數據理論的認識水平；另一方面聘請數據專家在數據搜集、數據存儲、數據分析、數據安全等方面給意識形態工作者以具體指導，從實踐層面強化其對大數據的認知。

第4篇：大數據分析戰略范文

大數據所帶來的改變和價值已經毋庸置疑，但對于傳統行業和企業而言，究竟該如何制定自己的大數據戰略，從而讓大數據為自己所用呢？

企業要實施大數據戰略，需要從五大關鍵方面規劃：1.制定大數據規劃找準切入點；2.強化大數據領導力設立CDO；3.設計合理的大數據組織結構；4.搭建富有執行力的大數據團隊；5.用制度和文化保障大數據實施。

1.制定大數據規劃找準切入點

成功的大數據規劃聚焦于四個核心要素：應用場景、數據產品、分析模型和數據資產，企業著手實施大數據戰略要著重考慮這四大方面，管理者需要在這四方面做好規劃，才能給企業帶來更好的業務價值。

第一方面是應用場景。企業需要確定不同業務投入大數據的優先級，確定大數據的切入點。企業需要優先考慮業務應在哪些方面投入大數據可以為企業提升績效。常見的大數據應用場景，包括業務運營監控、用戶洞察與用戶體驗優化、精細化運營和營銷、業務市場傳播、經營分析等常見的方面。當然在人力資源、IT運維以及財務等方向也可以引入大數據。企業高管需要和各業務的整體負責人、數據專家一起開展研討會，分析哪些業務投入大數據可以使得業務的績效提升最為顯著，從而確定不同業務投入大數據的優先級，找準大數據的切入點?！皵祿軌蛟谀男╊I域實現業績的大幅提高？數據能在哪些領域實現企業運營效率的提升”這些問題很重要，一開始就必須提出來。每個重要業務部門和職能部門都需要考慮這個問題，并展開相關的研討。企業高管實施大數據戰略的時候需要高度重視這一步，但在國內很多企業往往忽略的這一方面，投入大數據往往不是以提升業績導向，而是以學術導向，使得很多企業實施大數據的看不到數據對企業績效的提升，從而使得大數據戰略流產。

第二方面是數據產品。在確定了大數據的業務投入優先級后，需要考慮的是如何通過數據產品來幫助提升業務的績效。為什么是“數據產品”而不是“數據工具”，這是因為“數據產品”比“數據工具”更加強調易用性和用戶體驗。數據和分析模型本身的輸出可能會比較復雜，比較難理解，這樣往往導致經理或者一線員工等數據用戶無法理解，更談不上運用。所以，只有數據產品在業務具體的場景運用的時候，以非常簡單易用的方式來呈現，才能讓更多的數據用戶使用。企業數據用戶在實際運用大數據的時候，更關注的是大數據的產品在哪些方面可以直接幫助企業提升績效，不會太關注大數據這些產品背后的邏輯、分析模型等“黑洞”。如果我們在提供數據產品的時候需要數據用戶理解很多“黑洞”，那么數據一定運用不起來，數據的價值就會大打折扣。

第三方面是數據模型。數據產品背后的“黑洞”是數據模型。數據的堆砌不會創造太多的業務價值，需要數據模型、數據挖掘的方法來實現海量數據的商業洞察。常見的模型如預測和分類。在預測方面，如通過高級的模型來預測哪些用戶可能會付費，他們的特征是什么，經常在什么地方出現；通過數據模型來預測付費客戶的數量，以提前發現考核期結束后付費客戶數量和KPI的差距以及優化方向；通過預測模型來洞察用戶的未來購買需求；在分類模型方面，我們可以通過分類模型結合大數據實現更準確更實時的用戶細分；或者通過分類模型對不同價值的客戶進行合理的分類，確定服務的優先級和服務內容。企業在制定大數據戰略方向時，需要介入數據專家根據應用場景和數據產品的輸出來選擇模型以及優化模型，從而確定模型研發的方向和優先級。

第四方面是數據資產。有了應用場景、數據產品和數據模型這三大方面，就能更清楚地知道為了實現這三大方面，我們需要哪些數據，什么數據是企業現在擁有，什么數據可以通過合作產生，什么數據需要外部整合，什么數據需要進行購買或者投資。有了前面這三大方面（應用場景、數據產品和數據模型）的規劃，大數據的采集、整合、管理的策略便能比較容易理清頭緒和相應的規劃。當我們合理地整理企業所擁有的數據，并整合有利于業務發展的外部的數據，形成系統化的管理，才能很好地形成企業的數據資產。但在國內，最大的問題常常是各業務部門、各事業部以及職能部門的數據經常各自為政，數據存放在不同的數據庫中，數據無法整合打通，企業內部形成各種孤島，導致企業數據資產無法發揮整合效益，數據資產流失。要讓企業的數據成為長期的數據資產，企業高管則需牽頭規劃，整合不同業務部門、不同事業部的數據，推動建設高數據質量的數據治理標準。

值得注意的是，為了加快大數據的推進速度，企業高管同時需要確定哪些方面自己實現，哪些方面委托第三方實現，哪些方面需要購買。在數據產品和數據模型方向，不一定所有工作都需要內部員工實現。領導層需要根據時間和自身資源（尤其是人力資源）的情況判斷，哪些數據產品自己開發、哪些數據產品可以委托第三方公司開發、哪些數據模型自己開發、哪些數據模型委托第三方公司開發。在收集外部數據的時候，我們既可以組建自己的團隊進行數據收集，或者委托第三方公司幫忙收集，或者直接采購，或者收購相關的數據公司，企業需要根據自身情況進行合理的規劃。

2.強化高管團隊大數據能力，設立數據CDO（首席數據官）

在互聯網和大數據高速發展的時代，大數據正在深刻地改變商業的前景，如果企業要想抓住這個機遇，企業高管的數據決策力，數據管理能力也需要加強。抓住和大數據相關的機會可以增加企業營收、提高企業運營效率，甚至開拓出全新業務。大數據在推進的過程中，最關鍵是要高管重視，不僅是嘴上說說，而要考慮在決策層有強化數據方向的決策力和領導力，否則企業很難把大數據用好。如果不增加新數據高管力量，很多組織的大數據大計將難以啟動。

因此，高管團隊中需要有專人負責制定大數據戰略、跟進、監控和指導大數據戰略的實施。如果沒有在高管團隊設立相關的數據負責人的職位CDO（首席數據官），則很難把數據分析和數據挖掘所發現的機會應用于企業戰略層的業務發展決策以及相應的組織層面的變革。所以，我們建議，如果企業確實要推動大數據，一定要考慮設立CDO職位。

這里面還有一個比較重要的問題是：CDO是向CEO匯報還是COO匯報或者是向CTO匯報。企業往往陷入一個誤區，覺得數據是技術活，所以不少企業設立數據高管后，讓數據高管直接向CTO匯報。這樣的做法最大的問題是數據和業務還是有較大的脫節。建議數據高管應該向COO匯報或者CEO匯報。這樣數據才能離業務更近，更能敏捷地應用于業績的提升上，而不是躲在技術后面。我們所看到的大數據運用得較好的企業，數據負責人經常和業務負責人一起制定公司大數據實施計劃，一起推進大數據在業務績效提升。

CDO是一個綜合能力要求非常高的職位。CDO主要是負責根據企業的戰略發展需求，CDO需要跟各業務負責人有很好的互動，深入了解業務，在此基礎上，制定在數據應用場景、數據產品化、數據建模、數據資產管理的戰略并推動實施，在實施數據戰略的過程中，梳理企業的數據化思維方式，推動構建相應的數據企業文化和制度，使得大數據可以有效地促進業務績效的提升，企業運營效率的提升，甚至是新商業模式的變革。

3.設計合理的大數據組織架構

企業的組織結構是企業戰略能夠順利實施的基礎，所以，大數據團隊合理的組織架構設置對于大數據戰略能否成功實施尤為關鍵。國內很多企業往往忽略這一方面。很多企業設立數據團隊缺乏統一規劃，哪個事業部需要數據人員則在該事業部（或業務部門）設立，如下圖的“組織結構1”，這種組織架構是國內最常見的，這種組織架構最大的問題是數據分散，缺乏統一管理和整合，企業內部各事業群（或業務部門）數據各自為政，形成數據孤島，數據無法整合使用，導致數據資產流失。

另一種常見的做法是在公司只設立一個中央數據部門，該數據部門統一服務各個事業部（或業務部門），各個事業部（或業務部門）沒有數據人員或者團隊，如圖中的“組織結構2”。這種組織架構的問題在于數據雖然集中管理，但數據遠離業務，導致很多數據人員不理解業務，無法挖掘數據的價值，無法通過數據很好地輔助業務提升績效或者運營效率。由于數據人員無法理解業務，導致數據庫中存儲的很多數據變成“死”數據，數據的業務含義少有人理解，數據的價值便容易流失。

較為合理的數據團隊在組織架構應該這樣設立：首先，設立公司級的中央數據部門，集中存儲和管理數據；其次是每個事業部（或業務部門）設立數據團隊；第三是在總辦設立CDO的崗位。這樣的好處在于數據能夠集中管理，數據貼近業務，可以很好地發揮數據的價值；同時，在總辦（高管團隊）設立CDO崗位，可以讓數據更好地為決策層服務，數據分析所發現的商業價值也可以更快地應用于業務戰略調整。

大家比較關心的是，在這個組織結構下，中央數據部門和各事業部（或業務部門）的數據團隊有何差異。我們可以從兩大方面來區分：

（1）從匯報關系的差異來看

事業部的數據團隊負責人向所屬事業部的總負責人匯報，中央數據部門的負責人向CDO匯報，這樣的匯報關系的好處在于，前者讓數據能為具體的事業部服務輔助提升業績，每個事業部必然有其不同的數據分析重點，這樣可以讓數據服務更有針對性，后者讓數據更有大局觀，能為總辦做深度的數據洞察服務。

（2）從團隊工作職責差異來看

中央數據部門負責數據的規范化集中存儲和管理，負責公司各業務線數據的整合打通，形成公司級統一的用戶（客戶）畫像，負責標準化的數據產品并應用到各業務線中，形成深度的公司級的數據模型和算法，做出公司集團層面視角的分析和洞察；

事業部中的數據團隊負責該事業群的日常統計分析和事業群專題類的深度洞察，并輔助事業群的技術人員合理地把數據規范地上報到中央數據部門，與中央數據部門合作，共同深刻理解該業務的數據結構、做更精細且與本部門關聯性更高的用戶畫像等與業務關聯度更高的數據工作，推動該事業群所有的數據集中到中央數據部門，并輔助推動公司級的數據產品應用到本業務部門或者向中央數據部門提出數據產品化、數據建模的需求。

4.搭建有效的大數據團隊

人才是大數據戰略實施至關重要的方面，因此，設置符合大數據能力要求的團隊就顯得尤為重要。如果組織缺乏合適的人才或能力，大數據戰略實施的結果很可能會令人沮喪。因此，企業做好相應的人才規劃，按照合理的規模和構成來建設人才庫。上文提到，在合理的大數據組織架構下，有兩類數據團隊，一類是各事業部中的數據團隊；第二類是中央數據部門的數據團隊。上文提到兩類團隊其職責不同，因此，能力要求也不一樣。事業部的數據團隊能力要求是數據分析為主，招聘主要為數據分析師或者數據分析專家。而中央數據部門的數據能力要求較為復雜，包括六大方面的能力，即數據分析、用戶研究、數據產品、算法工程、數據統計和數據平臺。在此我們展開介紹中央數據部門六大方向的能力要求：

（1）數據分析團隊負責公司級的業務數據體系梳理和建設、公司級的業務專題數據分析和收入分析；此處的數據分析團隊能力要求與事業部中的數據分析團隊類似，區別主要是他們分析時的視角有所不同；

（2）用戶研究團隊負責用戶調研、口碑監測、產品體驗分析等方面。用戶研究團隊主要面對的小數據，但由于用戶研究可以發現大數據所不能發現的用戶使用行為背后的動機及態度等方面，所以用戶研究團隊與數據分析團隊兩者結合將能實現大小數據結合全方面洞察用戶的作用；

第5篇：大數據分析戰略范文

問題1：IT部門應該花費多少時間在數據挖掘分析上面?從商業的角度來看，這種投入是否有價值?

JBA International：數據挖掘必須去做，這是一個長遠的計劃。

Linda Tucci：如果企業的業務是數據驅動型的，那么數據收集、提取和呈現就很值得的。

Michael Gerard：數據分析是值得去做的一件事情，但必須是為了解決某個特定問題而做的分析，同時也要有一定的短期價值。

問題2：如果說數據分析是值得去做的事情，那么又表現在哪些方面?

Dun & Bradstreet：數據分析可以幫助企業衡量業績表現，同時還能對管理方法和敏捷決策的制定做提前預警和規劃。

TOA Technologies：我想再補充一點：通過數據分析得出的預測，我們可以提升工作效率，改善客戶服務。

Wendy Schuchart：以沃爾瑪為例，在大數據之前，他們經常雇傭一些偷過他們東西的人為店員，這看起來是個很沒有腦子的決定。

Brian Katz：在花費時間和資金投入到大數據分析之前，你需要明白你有哪些需求，需要解決哪些問題。

Nicole Laskowski：Nate Silver(大數據專家，曾利用大數據成功預測了2012年美國總統選舉結果)曾經警告說，企業決策者應該對大數據的概念和應用保持謹慎，否則很可能導致一些錯誤的決策。

Linda Tucci：對IT部門來說，數據收集是一個挑戰，提取則是另一個困難，至于如何呈現更不一樣。

BI儀表盤工具的地位與設計

第6篇：大數據分析戰略范文

在大數據方面，Alpine與EMC、IBM、Oracle等廠商在交通、金融、電信、零售等領域保持著密切的合作關系。EMC雖然是Alpine的股東之一，不過也鼓勵Alpine與EMC之外的其他大數據廠商合作，以中立的第三方的姿態為客戶和廣泛的合作伙伴提供大數據方面的支持和服務。

榮之聯在云計算方面擁有比較多的成功經驗，尤其是在生物云、動漫云等方面已經是國內的佼佼者。

舉例來說，榮之聯幫助華大基因構建了生物云，存儲容量達到20PB，計算能力達到200萬億次。由于生物學方面的數據量非常龐大，而且大多數是非結構化的數據，在過去一年中，榮之聯一直探索如何在生物領域提高數據處理和分析的性能，降低復雜度。在選擇與Alpine合作之前，榮之聯曾經對Alpine進行了大約一年的考察。榮之聯的高層也親赴美國Alpine總部參觀，同時走訪了很多Alpine在美國的用戶。榮之聯總經理張彤表示：“與Alpine合作，榮之聯可以更好地在生物學領域深耕大數據市場。雙方的合作是戰略性的，對于擴大雙方在中國大數據市場上的份額十分有益?！?/p>

Alpine首席執行官Anderson Wong表示：“榮之聯一直專注于數據中心市場，擁有良好的技術基礎和客戶基礎，并在全國擁有近20個分支機構。這有利于Alpine迅速打開中國市場，為客戶提供良好的本地化服務?！?/p>

IDC的報告顯示，全球信息總量每兩年就會翻一番，到2020年，全球信息總量將達到25ZB。處理復雜的海量數據需要有與之對應的創新性的解決方案。

Anderson Wong介紹說：“在美國，目前有大約150萬名IT經理需要直接使用大數據分析的結果?！迸c已經存在了30多年的傳統商業智能（BI）解決方案相比，Alpine的大數據分析解決方案是一個涉及整個數據處理流程的智能化的解決方案，可以對不斷變化的信息進行實時分析，從而為商業決策提供更好的支持。

在大數據領域，一體機的理念越來越流行。Anderson Wong對大數據一體機方案表示認可。他表示：“提高大數據應用的計算能力、存儲能力，還是要依靠優化的集成化硬件。在大數據領域，一體機的應用是未來的一個趨勢。舉例來說，Oracle公司10%的數據庫用戶已將應用平臺轉到了Exadata一體機上?！?/p>

Anderson Wong表示：“Alpine與榮之聯合作，一方面，可以拓展在中國的業務市場，另一方面也可以把榮之聯在生物云、動漫云等云計算方面的技術和成功經驗帶到美國去，可謂一舉兩得?！?/p>

在美國，許多大型零售商、銀行等在使用傳統的數據倉庫產品的基礎上，同時還選擇了Alpine的大數據產品。這是因為用戶現在越來越需要能夠對數據進行實時處理的、界面友好且方便使用的數據分析產品。

第7篇：大數據分析戰略范文

大數據時代正帶給企業根本性的變革，同時，也給職場精英們提供了機遇，但機遇與挑戰并存。這對于初入社會的大學生而言，無疑是提出了一個巨大的挑戰。

1.1大數據時代對大學生的數據駕馭能力提出了新的挑戰

在大數據時代，大學生若想獲得好的就業機會需要有較強的數據駕馭能力，即數據素養，在科學數據的采集、組織和管理、處理和分析、共享與協同創新利用等方面的能力，以及研究者在數據的生產、管理和過程中的道德與行為規范。而大學生們鮮有接觸大量數據并從中剔除糟粕找尋有用數據的經歷，頂多是進行過幾次較淺顯的問卷調查工作，對數據技術、數據分析方法及相關軟件、國際數據化發展進程等知之甚少，在數據素養方面可以說是零基礎。

1.2大數據時代對大學生理性思維能力提出了新的挑戰

在大數據時代，人們對于過往經驗的依賴程度降低，而對數據分析得來的實時結果信任度大大提升，因此贏得就業競爭需要大學生具備理性、邏輯性強的思維方式，從而能冷靜、不帶感彩地處理和分析數據，得出客觀的結論。而大多數中國學生的理性、批判性思考的能力偏弱，缺乏個人的獨立思考，且文科專業尤其是語言類專業的課程設置對培養大學生理性思維能力的作用較小，大學生的理性思維能力亟待提高。

1.3大數據時代對大學生精確、快速、實時行動的能力提出了新的挑戰

大數據時代信息瞬息萬變，因此數據也是具有時效性的，要獲取實時數據反饋就必須有精確快速的反應能力和行動能力。一部分平常對于生活中的信息疏于收集的大學生可能會缺乏對信息的敏銳度，從而導致其較慢的反應力和行動能力，若其這方面的素質沒有得到提高，則可能會在工作中產生在數據分析工作完成后卻發現得出的結論已不具時效性的情況，導致喪失最佳的工作機遇，降低了自身的職業發展競爭力。

2如何在大數據時代提高大學生就業競爭力

大數據時代帶給了大學生數據分析能力、思維方式、科學精神、行動力等方面的就業挑戰，因此政府、各高校及大學生自身都應積極應對挑戰，從不同層面克服困難，共同提高大學生在大數據時代的就業競爭力。

2.1高校、政府應建立大學生就業大數據分析機制，做好大學畢業生的就業、創業服務工作

大學生就業大數據分析離不開大數據的支持，而大數據的建設是一項科學、有序、動態且可持續發展的系統性工程。政府需要從建立運行機制、規范建設標準、建設共享平臺、提供專業隊伍等多方面進行支持，且通過建立各高校就業數據庫，分析各校歷年就業率與其獲國家資源傾斜度的關系，也能調節教育支持的力度，更好地幫扶教育產業。除此之外，將就業數據庫數據與就業市場相關數據相比，還能幫助人力資源供需雙方形成更理性的預期，減少就業矛盾，實現人力資源市場的多贏。而學校通過廣泛收集歷年大學生就業期望、就業去向等信息，并將其數據化，收入數據庫，能有效預測畢業生就業率、就業去向。

2.2高校應推行大數據戰略，讓大數據走進課堂教學，培養大學生大數據意識

各高校應結合大數據時代特征進行教學改革，推行信息化管理與信息化教學。學校的管理與教學活動都存在著固定性與周期性，如對教師的考核、學生測試成績分析、就業情況分析等，可以利用計算機分析這些數據并推薦合適的解決方案；課堂上，教師也應順應信息化教育，突破傳統的教學方式，通過“微學“”微課”等方式提高學生的學習興趣，從而提高學習的效果。同時，知識點也可以通過數據化與測試題建立聯系，計算機可以通過分析錯題數、做題時間等數據為老師提供不同學生對于不同知識點的掌握情況。只有在校園中營造一種大數據氛圍，培養學生們利用數據分析找尋有用信息的習慣，才能讓他們具備大數據意識，做好走進大數據時代職場的準備。

2.3大學生要提高數據駕馭能力，透過數據看本質

大學生可以多對社會熱點問題進行實踐調研，通過訪談、問卷調查等方式獲取大量真實數據，然后通過整理分析這些數據鍛煉自己的數據駕馭能力。在整理實踐調研的數據時，掌握圖表分析、數據模型及數據分析軟件的使用方法，如Hadoop、MapReduce等，提高數據分析的工作效率和準確性。除了加強數據分析技術的學習外，也需要補充來自統計學、數據挖掘等學科的理論知識，為數據分析提供理論支持。同時，勤思考、多動手、多總結的做法也能幫助大學生透過數據看本質。海量數據中不乏有虛假、消極、錯誤的數據信息，因此大學生必須具備良好的數據分析能力。數據分析就是一個不斷假設、驗證的過程，耐心、肯鉆研的科學精神能夠幫助大學生在一次次的假設驗證后找到本質的規律。通過不斷地實踐練習，提高對數據的敏感度、分析能力，為日后職場中更好地開展數據分析工作打下基礎。

2.4大學生應養成獨立思考的習慣，培養邏輯思維和理性思維方式

大數據時代是鼓勵個性化的時代，鼓勵通過數據挖掘發現隱藏于數據下的種種規律，要做到這點，大學生必須要有獨立思考、不受常規想法束縛的能力。美國計算機專家埃齊奧尼爾購買機票后卻發現周圍比他買票晚的乘客票價居然比他的便宜，本來是再普通不過的生活現象，但這卻引發了這位專家的思考。他分析到若獲得美國每一條航線上每一架飛機內的每一個座位一年內的綜合票價的數據庫，就可以預測飛機票的漲跌勢，為消費者提供參考。這樣的思考促使他最終創立了Farecast票價預測工具，顧客平均每張機票可節省50美元。獨立思考不是漫無目的地想，而是有邏輯地思考。大學生要注意在日常生活中就養成邏輯推理的習慣，在問“是什么”后還要問“為什么”，嘗試通過自己的推理找到答案，這是大數據時代對人才的要求。

3結語

第8篇：大數據分析戰略范文

關鍵詞：大數據;京津冀協同;互聯網

一、引言

生產關系要適應生產力的發展是人類社會進步的本質。而在當前，隨著社會科技的進步，傳統的金融服務難以滿足人們日益增長的金融服務需求，商業銀行積極尋求轉型升級的契機。這一方面是新常態經濟背景下金融改革的現實需求，另一方面也是互聯網金融發展的良性刺激所致。作為一種區別于傳統的直接金融和間接金融的第三種金融模式，互聯網金融獨特的優勢挑戰著傳統金融的權威，改變了人們的生活消費習慣，逐漸成為人們日常生活中不可或缺的一部分。據iiMedia Research的研究數據顯示，2014年中國互聯網金融產品的網民滲透率高達61.3%，超過六成的中國網民使用過或者正在使用互聯網金融產品。與此同時，互聯網金融思維的逐漸深入人心也為傳統金融的發展提供了新的思路。在信息化時代，對數據的挖掘與分析深刻地影響著商業銀行的發展趨勢。大數據作為互聯網金融的核心思維和技術基礎，為商業銀行的轉型升級開辟了一條新生路。在中國金融龐大的消費市場下，積極探索大數據戰略與銀行轉型升級戰略有機結合的并軌研究，一方面可以為商業銀行轉型升級開拓新的實現路徑，加快銀行轉型升級目標的實現，另一方面，商業銀行轉型升級的客觀需求也為互聯網金融的創新發展提供強大的驅動力。基于互聯網思維，充分利用大數據、云服務等先進的網絡技術手段來實現商業銀行在信息化時代的轉型升級，成為當前銀行發展的必由之路。因此，準確地分析商業銀行在互聯網金融背景下實施大數據戰略的內外部環境，確定科學的發展目標和戰略定位是銀行實施大數據轉型戰略的必要前提。同時，商業銀行必須根據自身發展特點，圍繞科學的戰略目標，切實采取具有前瞻性的戰略措施，以保障銀行未來發展的持續與穩定。

二、文獻綜述

(一)大數據概述

(二)銀行轉型與大數據關系研究現狀

因此，基于開放、共享、平等的互聯網金融思維，構建商業銀行的大數據經營管理戰略對于銀行轉型至關重要。在商業銀行未來的長期發展過程中，隨著網絡化、信息化金融模式的不斷成熟，對于大數據思維的應用是一個具有前瞻性、全局性的戰略方向。

三、大數據戰略實施的內外部環境分析

商業銀行實施大數據戰略的本質是為了明確銀行在互聯網金融時展的方向。而一個明確的戰略管理過程通常包括明確戰略目標、分析戰略環境、制定戰略方案、實施和評估戰略四個階段。這四個階段不斷調整，形成一個循環的系統，如圖1所示。因此，在進行商業銀行大數據轉型戰略的定位時，首先需要對銀行內外部環境進行深度分析。在互聯網金融和信息化經濟的時代背景下，借助SWOT分析法對商業銀行轉型升級的外部機會與威脅、內部優勢與劣勢進行分析，為大數據戰略的最優選擇提供依據。

(一)銀行大數據戰略SWOT要素分析

2、內部劣勢分析。在大數據戰略實施的初期，商業銀行由于其自身的限制，受到互聯網金融的沖擊，銀行經營管理面臨巨大的挑戰，其劣勢集中體現在數據處理能力不足和法律保障缺失兩個方面。在數據的收集和處理上，銀行不僅需要收集來自物理網點、消費者賬戶的結構化數據，更需要來自移動互聯網、電商平臺以及社交網站的非結構化數據信息。然而，如今商業銀行還處于大數據運行模式的探索期，由于缺乏專業的數據分析人才，傳統的事物型數據庫難以滿足海量數據非結構化數據的分析需求，對于大數據的分析處理缺乏精準有效的技術支持，嚴重限制了商業銀行的數據處理能力和銀行競爭力的提高。在法律保障上，大數據與商業銀行的跨界融合是金融創新理念在互聯網經濟時代的成功應用，然而互聯網行業與金融行業本質上的區別導致大數據與銀行業的商業規范、監管模式存在明顯差異。商業銀行作為現代金融的合規行業，受到嚴格的法律約束和金融監管機構的監督，而互聯網領域的大數據并不受其限制，至今為止，還沒有一部專門的法律對大數據在金融行業中的應用進行規范。因此，缺乏明確的法律法規和規章制度的保障導致銀行大數據戰略無法可依，這勢必會造成銀行大數據的濫用，威脅商業銀行的持續發展。

4、外部威脅分析。將大數據思維融入銀行轉型升級戰略順應了互聯網金融時代商業銀行的發展要求。然而互聯網金融企業的競爭以及大數據本身存在的風險為商業銀行實施大數據轉型戰略帶來了巨大的威脅。一方面，與傳統銀行業相比，互聯網金融模式具有資金配置效率高、交易成本低、支付便捷、普惠性等特點，打破了傳統銀行業時間和空間的限制，給人們帶來了前所未有的高效、便捷的用戶體驗以及更具可得性的實際利益。2014年10月互聯網巨頭阿里巴巴成立螞蟻金融服務公司，業務囊括了支付、貸款、理財、保險等諸多金融服務，阿里金融帝國逐漸成型;百度推出百度財富，打造專業化的金融服務平臺，全面涉及金融業務;騰訊在其龐大的用戶資源的基礎上，借助大數據、云計算等技術，大力開展支付、理財業務。互聯網企業加快布局金融業，對整個銀行業產生全面而持續的沖擊，這在很大程度上擠占了原本屬于傳統銀行業的利潤空間。另一方面，大數據的風險威脅主要表現為兩點：一是信息扭曲風險，在大數據信息爆炸年代，數據量的大幅增加導致了規律的喪失與數據的嚴重失真，大量無序、低效的無用信息混進數據庫形成信息噪聲，增加了信息誤讀的風險。信息的扭曲加劇了市場波動，造成市場失靈;二是信息安全風險，大數據時代強調社會信息資源的開放與共享，然而隨著虛擬網絡技術的不斷進步，網絡信息安全問題越來越受到人們的關注。網絡系統與數據中心存在的漏洞導致大量客戶信息和個人隱私的泄露，棱鏡門事件、支付寶漏洞以及攜程網用戶支付信息泄露等一系列信息安全事件的爆發，嚴重地威脅了企業的發展和消費者的人身安全。商業銀行運用云服務、云平臺構建大數據終端來實現數據資源的共享，但是同時也伴隨著一定的風險，一旦數據泄露，將會對銀行業務經營以及客戶安全造成極大的安全隱患。

(二)銀行大數據戰略SWOT矩陣分析

在對商業銀行大數據轉型戰略的外部機會與威脅、內部優勢與劣勢進行SWOT分析的基礎上構建SWOT矩陣分析策略，為實現商業銀行大數據戰略的長期目標，制定了一整套戰略選擇路徑以及具體的實施方案。根據戰略制定的基本思路，通過發揮優勢、克服劣勢、利用機會、化解威脅，商業銀行大數據戰略的實施可具體分為四種路徑(見表1)：

1、SO戰略(增長型戰略)的關鍵在于依靠內部力量，洞察外部環境。在大數據戰略制定的初級階段，商業銀行最主要的任務是在充分發揮自身優勢的基礎上，保持良好的市場洞察力，利用外部環境發展自身。利用豐富的數據資源優勢、雄厚的資本優勢以及專業的人才優勢建立大數據平臺，構建云計算服務器，為大數據戰略的實施打下堅實的設備基礎。同時，深入了解市場發展動態，明確國家政策導向以規劃市場布局，依靠不斷進步的互聯網技術與大數據手段將銀行產品通過線上渠道擴大市場，拓展銀行利潤空間。

2、WO戰略(扭轉型戰略)是大數據戰略進入規范階段，商業銀行利用外部機會，克服內部弱點的一種穩定型發展路徑。商業銀行大數據戰略制定的關鍵在于充分利用市場潛藏的機遇，學習互聯網金融企業的先進技術，加強對銀行內外部數據的收集與整理，培養數據分析人才，打造一支更具專業性的大數據人才隊伍，克服銀行數據處理能力不足的弱點，規范服務流程以提高業務辦理效率。此外，在各銀行之間建立云共享數據平臺，制定統一的大數據運行規則，同業之間相互學習、相互監督，形成規范化的行業準則，以彌補法律保障的缺失。

3、ST戰略(多元化戰略)要求商業銀行發揮內部優勢，規避外部威脅。在激烈的市場環境中，商業銀行面臨的不僅是同業的競爭，更有互聯網金融企業的威脅。深入挖掘自身特點，走差異化發展之路是銀行贏得市場先機的基本策略。面對互聯網金融的沖擊，商業銀行必須加強與互聯網企業的合作與交流，建立客戶信息共享機制，打破信息孤島以提升銀行的數據整合能力，同時加快建立大數據的風險防范制度體系，防范銀行數據的信息安全風險。

4、WT戰略(防御型戰略)是商業銀行在內部阻力和外部沖擊雙重因素制約下的必然選擇。在此階段，商業銀行需要進一步分析和調查銀行大數據運用的風險，以審慎的態度推進銀行轉型?；ヂ摼W金融的發展導致銀行客戶和資金的大量流失，采用防御型戰略要求商業銀行以規范的操作流程，完善的管理制度，健全的培養機制做支撐，全面開展與互聯網企業的合作競爭，進行優勢互補，通過科研創新與品牌建設逐個擊破外部挑戰，重塑商業銀行內部競爭力。

無論是增長型戰略、扭轉型戰略，還是多元化戰略、防御型戰略，在商業銀行戰略轉型的不同階段都有與之相對應的戰略規劃內容和實施方式，銀行對不同戰略路徑的選擇必須符合銀行不同轉型期的特定要求，但是商業銀行大數據戰略實施的全過程必定是一個不斷學習、創新與發展的過程。

四、商業銀行大數據戰略目標與路徑選擇

在未來的銀行業競爭中，對于數據的分析和挖掘將成為決定銀行經營成敗的關鍵。隨著互聯網金融理念的不斷深入，實施大數據戰略對推動銀行業的轉型升級意義重大。商業銀行大數據戰略目標的設定是其轉型升級的具象化表現，而戰略路徑的選擇則是商業銀行在既定戰略目標指導下實施轉型升級的具體方案。

(一) 大數據戰略目標

大數據戰略是商業銀行在互聯網金融背景下運用大數據思維實現轉型升級的進一步探索。基于商業銀行轉型的定位，大數據戰略目標具體包括客戶中心目標、經濟發展目標和風險管理目標。

1、客戶中心目標。實現商業銀行的戰略轉型必須以滿足客戶的真實金融需求為前提。及時、準確地把握客戶需求是實現新時代開放式普惠金融的基本要求，離開了以客戶為中心的經營理念，銀行的轉型將會迷失方向。商業銀行引入大數據思維服務于銀行經營管理的創新，關鍵在于深入客戶群體，全方位評估客戶需求，準確把握市場動向，為消費者提供更具針對性、合理性的產品和服務，確切落實商業銀行的戰略轉型目標。因此，銀行大數據客戶中心目標可以概括為基于客戶信息分析，以客戶需求為導向，構建銀行客戶管理大數據分析和應用平臺。

2、經濟發展目標。服務于實體經濟的轉型發展是商業銀行大數據戰略轉型的根本方向。實體經濟是銀行業發展的根基，脫離實體經濟的金融創新只會帶來更大的金融風險。商業銀行引入大數據思維的金融創新必須以實體經濟發展的需求為導向，不斷優化實體經濟的資源配置，重視三農經濟的發展與小微企業的融資，助推普惠金融的實現。尤其是在當前經濟新常態下，經濟下行壓力持續，銀行應該充分利用大數據、云計算等互聯網技術優勢拓寬服務實體經濟的渠道，創新服務手段，以提高資金使用效率。商業銀行只有以支持實體經濟發展為核心，才能實現金融業和實體經濟的共生共榮。

3、風險管理目標。風險管理是決定商業銀行轉型成敗的關鍵。商業銀行作為經營風險的特殊行業，完備的風險管理體系是其生存與發展的基本保障。風險的產生是由信息不對稱造成的，商業銀行傳統的信用風險決策主要依據客戶的基本經濟情況、信用記錄、抵押擔保以及客戶經理的現場調查等結構化數據進行經驗判斷，缺乏量化數據的支持，準確度難以得到保障。而大數據在商業銀行中的應用在很大程度上緩解了銀行與客戶之間的信息不對稱問題，以大數據思維進行銀行風險管理的變革，通過大量數據信息法人深度挖掘來進行風險識別，提升銀行整體的風險防控能力。

(二)大數據戰略路徑

1、樹立大數據理念，持續提升商業銀行大數據核心競爭力。黨的十報告明確提出走中國特色新型工業化、信息化、城鎮化、農業現代化道路的目標，信息化已上升為國家戰略的高度。在互聯網金融的時代背景下，以大數據思維推動銀行的轉型升級不僅有利于加快我國信息化、智能型銀行建設的步伐，而且對于促進我國信息經濟發展、服務新四化具有不可估量的作用。因此，商業銀行管理層應通過頂層設計提高大數據理念的戰略高度，充分認識大數據資源在商業銀行戰略轉型中的重要地位，以大數據作為推動銀行改革創新的內在引擎。第一，培養商業銀行的大數據核心處理能力。強化數據整合能力，以銀行內部數據為基礎，充分利用大數據鏈條上的社會化數據，形成統一的數據標準，便于進行規范化的數據交換與融合;強化數據挖掘與分析處理能力，在全行推廣決策基于數據，信息創造價值的觀念，引進專業化數據挖掘與大數據分析工具，以大數據思維進行業務邏輯模式的再造，提高非結構化數據轉化為決策支持信息的效率。第二，深化數據治理，持續提高數據質量。充分認識數據治理在大數據分析過程中的重要作用，積極推進數據標準化管理機制的建設。制定完備的數據構架規劃和數據生命周期管理規范，從制度上規范銀行數據的使用。建立多維度數據倉庫，將分散化數據信息按照客戶、渠道、產品等多種類別進行合理的整合與儲存，形成全行統一的數據格式，提高數據的利用效率。同時，加強數據查詢平臺的建設，滿足銀行各部門的數據查詢需求，及時提取各類交易數據，響應數據監管部門的數據審核要求。第三，完善銀行大數據工作管理體系。在銀行內部建立總―分式大數據工作機制，制定全行大數據工作規劃，實行逐層推進。建立大數據主管部門負責統籌工作規劃，集中管理銀行數據，設立大數據業務部門負責數據整合與分析，成立大數據工作小組，全面收集商業銀行內外部各類數據信息，形成一個統一的大數據管理體系，打造銀行業在大數據時代的核心競爭力。

2、全面整合銀行內外部數據，搭建商業銀行大數據平臺。傳統的數據處理只要致力于對結構化數據的分析與整合，然而在大數據背景下，傳統的數據庫已無法滿足大量半結構化，甚至非結構化數據的處理要求。因此，必須加快建立商業銀行大數據分析平臺，整合銀行內部自然數據，協同外部社會化數據，完善大數據環境下的銀行數據分析，提高銀行決策效率。一方面，全面整合銀行內部數據。銀行作為整個金融業的核心領域，在與客戶聯系的過程中，積累了大量的信息數據。從現有客戶的屬性資料、賬戶信息，包括客戶的性別、年齡、職業、收入和資產狀況，到客戶的交易信息、渠道信息和行為信息，包括交易時間、交易類型以及消費偏好。商業銀行必須以內部信息技術系統為基礎，整合銀行內部各業務單位的客戶關系信息，將各類渠道所有交易中的客戶信息、記錄綜合起來，建立一個統一的數據分析平臺，為銀行經營決策奠定數據基礎。另一方面，綜合利用外部社會化數據。商業銀行必須重視加強對各類數據的收集和積累，打破傳統數據邊界，注重加強與社交網絡、電商企業等大數據平臺的交流與合作。商業銀行在完善自身數據的基礎上，積極建立與網絡媒體的數據共享機制，通過多渠道獲取更多的消費者數據信息。充分利用社交網絡、論壇、微博、微信平臺等新媒體工具整合現代化客戶交流渠道，增強與客戶的互動聯系，打造人性化的銀行品牌形象，維護良好的客戶關系。同時加強與電信、電商等互聯網企業合作，加強數據信息共享互利，促進金融服務與電子商務、移動網絡的融合。在統一的大數據平臺的基礎上，深入挖掘客戶信息，形成統一的數據化客戶管理，實現客戶分類的精細化，并針對不同客戶群體的獨特需求提供個性化服務。

4、以大數據思維完善風險管理，提升銀行風險識別和計量水平。平衡收益與風險是銀行維持長久發展的根本保障。隨著利率市場化程度的不斷加深，外部市場環境日益復雜，商業銀行面臨的流動性問題愈加嚴峻。面臨不斷提高的風險管理要求，商業銀行引入大數據思維，樹立用數據防風險的新型風險管理理念。在大量的金融及非金融數據中，通過機器學習，不斷總結數據之間的內在關系，運用大數據相關關系分析法，結合機器算法模型找出隱藏在海量數據中的客戶與風險之間的量化關系。充分利用銀行內部歷史數據以及阿里巴巴B2B、人人貸、淘寶等電商平臺上積累的海量客戶信用信息與行為數據，通過互聯網數據模型和在線資信調查，結合第三方驗證形成交叉檢驗，確認客戶信息，進行信用評級，并根據客戶的信用等級實行差異化的貸款定價。數據規模的優勢可以彌補數據質量的不足，并在極短的時間內對海量原始數據進行分析，更精確地評估客戶的信用風險。同時，依托大數據，搭建風險計量與欺詐防范模型，實行現場跟蹤調查與非現場信息分析相結合、數據定量判斷與經驗定性判斷相結合，研究對授信客戶從貸前到貸后全生命周期的風險監測手段，建立綜合式的風險監控中心。注重貸后持續的風險監測，由大數據系統根據客戶的歷史數據對其貸款額度和貸款利率進行每月動態調整，實時跟蹤客戶交易，若出現交易、存款等大幅度變動的異常情況，及時進行現場審查，以確保貸款安全。此外，在運用大數據技術完善風險管理的同時，還需要注重對大數據風險的監督和管理。為了確保大數據安全，必須將大數據納入全面風險管理系統中進行統一管控。加強銀行數據的自我監督，協同數據共享平臺的各類企業和機構，制定規范的數據安全標準，提升整體數據安全質量。同時，加強與客戶的交流與溝通，提高客戶的數據安全意識，規范數據來源，確保數據安全。

5、加強大數據人才隊伍建設，營造商業銀行大數據文化氛圍。大數據時代，隨著海量數據信息的爆炸式增長，商業銀行內部數據不再僅限于客戶的基本自然數據，其數據的種類與規?？焖倥蛎洠瑐鹘y的數據管理系統已很難做出準確的客戶分析。對于當前的大數據分析而言，需要分析人員具有更強的數據分析解讀能力和應變能力。他們不僅需要精通數據建模和信息挖掘，還需要具備良好的銀行業務知識，能夠將大數據分析技術與銀行業務完美地結合起來，其關鍵在于打造一支屬于銀行的專業化復合型大數據分析團隊。因此，各商業銀行應積極實施人才戰略，重點推進大數據人才隊伍建設。重視人力資源管理，完善員工收入分配制度，激發員工工作的積極性與創造性，增強團隊凝聚力。加強對銀行員工的大數據分析培訓，重點培養其基礎金融知識、大數據理念、數學建模、新型計算機方法等復合型技能，打造專業化的大數據分析團隊。完善銀行崗位的設置，在培養自己的大數據分析人才的同時，注重引進外界優秀的大數據人才，全面提高銀行員工整體的素質，營造良好的商業銀行互聯網金融文化氛圍。

五、結束語

技術的創新往往帶來產業的變革，以大數據為核心的新一代網絡技術創新突破了傳統金融理念，改變了人們的日常生活和金融生活?；ヂ摼W金融的興起給傳統銀行業帶來的不僅是挑戰，更是一種變革的機遇。以大數據思維為指導推動商業銀行的轉型升級符合互聯網金融時代銀行業的發展要求，有助于在長期中培養銀行的核心競爭力，搶占市場競爭制高點。然而，金融創新與金融風險相生相伴，大數據所具有的信息安全風險如果管理不善，其本身很可能會演變成大風險，信息安全更是關乎國家政治安全、經濟發展以及社會的和諧與穩定。因此，在移動互聯的浪潮下，政府部門需要從國家立法的角度來完善大數據監管體系，保護消費者利益，維護金融系統的穩定與發展，商業銀行的大數據戰略還需要不斷地接受市場監管的檢驗。

參考文獻：

[3]黃昶君，王林.大數據助推銀行零售業務量化經營――大數據時代的零售數據挖掘和利用探索[J].海南金融，2014，(1)：66-69.

第9篇：大數據分析戰略范文

近5年來，IBM一直將“了解如何從數據中創造價值”作為分析研究的重點，并在該領域不斷研究報告，從2009年開始IBM將分析技術定義為戰略資產，到2012年闡述大數據基本原理，再到2014年調研白皮書《分析：價值的藍圖》，IBM一直向外界展示在大數據領域的突破性成果。IBM大中華區大數據和分析及新市場總經理、全球企業咨詢服務部合伙人、副總裁Jason Kelley說：“經過過去幾年的認知和探索階段，企業已經逐步明確數據作為二十一世紀新自然資源的巨大價值?！?/p>

值得注意的是，2014新的調研報告，通過對全球70個國家各種規模組織的900位業務和IT主管進行采訪，特別提出了“提升大數據實踐成果的三大要素”：“戰略”、“技術”、“組織”。報告表明：分析實施戰略要有助于實現組織的業務目標；現有技術要支持分析戰略；不斷發展的企業文化要讓員工能夠利用技術采取行動，并與戰略保持一致。正確協調這三大關鍵要素，才能創造有形的價值。

九大杠桿深挖數據價值

基于此次調研報告中的提出的三大要素，企業還需在九方面提升自身的能力。IBM全球企業咨詢服務部戰略與分析服務副合伙人段仰圣認為，這也是領先企業區別于一般企業的衡量標準。九大杠桿為：

文化：一個組織內的數據與業務分析技術的可用性和實際應用；

數據：數據治理流程的結構和形成，及數據的安全性；

專業機能：數據管理、分析技能和能力的培養與運用；

融資：為開展分析工作而提供資金的財務寬松度；

評估：評估對業務成效的影響；

平臺：硬件和軟件的整合能力；

價值來源：產生結果的行動和決策；

高層支持：高管的支持和參與；

信任：組織內的信任。

Waston成大數據平臺亮點

此次會IBM正式對外宣布，全面升級更新大數據和分析平臺，即Watson Foundation，也就是將認知計算能力全面融入到大數據分析平臺之上，通過輔助、理解、決策、洞察與發現，幫助企業更快發現新問題、新機遇和新價值，實現以客戶為中心的智慧轉型。

以花旗銀行為例，目前其通過Watson開展零售銀行業務部的工作，零售銀行家和信貸員可以利用Waston獲取銀行客戶信息并且分析客戶下一步需求，同時處理金融、經濟和用戶數據以及實現數字銀行的個性化。Watson能在3秒內讀出和理解2億頁數據，幫花旗銀行找出行業專家可能忽略的風險及收益。