大數據營銷應用精選(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營銷應用主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：大數據營銷應用范文
2011年，“大數據”一詞首次被提出，進而引起了各個領域的關注，尤其是信息技術研發以及醫學方面，而大數據營銷在電商企業中的應用只在近兩年才在相關領域被提及。鑒于大數據的規模大、復雜性強以及技術支撐要求高這幾個方面的特點，本文以具體電商企業為研究對象，針對性地分析大數據營銷在電商企業中的應用過程中存在的問題，使得研究更加的形象和具體化，從而有助于創新電商營銷模式，開辟新的互聯網企業發展道路。
一、阿里巴巴大數據營銷應用分析
阿里巴巴的消費數據覆蓋面廣，累積量大，并且具有很強的數據挖掘能力，這些促使阿里巴巴成為大數據應用的先導者，以下從兩個角度來分析阿里巴巴對大數據營銷的應用：
（一）企業外部。阿里巴巴的數據庫中記錄著大量的用戶數據信息，在保證用戶權益的前提下，將在阿里巴巴平臺上發生的物流數據，通過互聯網技術，共享給各個物流快遞公司，接著由阿里巴巴做好倉儲和遠途運輸，由各地的快遞來配送給客戶，并由此形成一個開放、透明、共享的大數據庫，開辟了電商企業、物流公司、倉儲企業供應鏈服務商等的協同服務模式，在提高社會資源利用率的同時大大提升了電子商務的服務水平。
（二）企業內部。阿里巴巴各個部門的業務不同，所需的數據類別也不同，阿里巴巴為了避免數據收集的重復性，采用延伸基礎性數據的挖掘深度的方法，并將所得的基礎數據庫進行統一使用和管理，比如，用戶在注冊網站時，其他網站的性別只分為男性、女性兩類，但是在阿里巴巴卻有著18個性別標簽[1]。通過大數據平臺，阿里巴巴將用戶在網絡上的各種活動進程一一記錄，通過分析后能夠較高程度地還原客戶的實際需求，進而針對客戶的個性化需求，向客戶推銷出符合客戶意愿的產品，這種營銷模式不僅有利于有效鞏固用戶群體，還能夠進一步擴大用戶群。
二、阿里巴巴大數據營銷應用存在的問題
大數據營銷為電子商務企業提供了眾多的價值源，為企業的發展提供有利的途徑和方法，但任何技術或工具的運用都需要企業各個方面的支持和配合[2]。作為大數據營銷的先導應用者，阿里巴巴在大數據營銷應用中也存在一定的問題。
（一）數據存在失真情況。數據的失真主要體現在兩個方面：一方面，消費者在注冊時可能會輸入虛假的個人信息或者是一人使用多個賬戶、使用他人賬戶等，其在網絡操作過程中產生的數據信息本身就不真實，然而這些數據仍會被阿里巴巴當成不同的用戶記錄下來，造成用戶信息混亂，難以反映真實的用戶需求；另一方面，由于網絡技術的發展和消費者的個性化需求促使阿里巴巴每隔一段時間就要進行網站維護與更新，在這個過程中，會有不少用戶因為不熟悉新的界面而進行錯誤的操作，這些錯誤的操作信息也被阿里巴巴記錄，造成數據庫中真假信息混雜，嚴重影響了大數據的質量。
（二）消費者的個人權益難以保障。阿里巴巴全網的活躍用戶超過四億以上，遠超過其他門戶、搜索等主要媒體，這些數據關聯了從消費行為、生活信息、財產信息的方方面面[1]，并且阿里巴巴所擁有的“大數據”是由大量“小數據”組成的，而“小數據”是由一個個用戶產生的，如社會媒體上用戶或交互的信息、用戶網上購物的消費記錄、使用搜索引擎的搜索記錄和用戶消費數據等[3]，雖然阿里巴巴在用戶信息安全方面做出了不少努力，但其擁有的用戶信息量很大，一旦泄露，其造成的危害和影響難以想象，并且直至目前，阿里巴巴仍沒有提出有效預防用戶信息泄露的方法或是用戶信息泄露之后的維護方法。
（三）大數據營銷效果易出現兩極化。用戶在使用淘寶的過程中會將自己的手機號碼、郵箱等聯系方式提供給阿里巴巴，為了擴大經營，阿里巴巴會進一步分析數據庫中的客戶需求，針對不同的客戶，通過短信、郵件等形式向客戶推銷產品，這在某些方面增加了客戶，然而大多情況下這些信息會被消費者無視，更有甚者，會引起消費者的反感，因此，大數據營銷的效果如何，仍存在極大的不確定性，效果難以預料。
三、阿里巴巴大數據營銷應用的發展建議
在大數據產業市場規模逐漸增加的背景下，阿里巴巴的大數據營銷取得了一定的成就，但也由于對大數據的研究仍處于起步階段，數據的質量、性質難以保障，并且能被挖掘出來的價值和難度也難以估量，本文結合阿里巴巴大數據營銷應用中存在的具體問題，針對性地提出以下相關建議。
（一）加強數據處理，提高數據有效性。加強數據處理應從兩個方面下手，一方面是引進相關專業的高素質綜合性人才，研發有效的數據分析工具，加強企業的數據處理能力，并借此進一步完善數據管理系統，修復數據系統中的各種隱患漏洞，有效篩選有價值的信息數據；另一方面要提高挖掘數據技術，充分實現數據價值，如物聯網傳感器、視頻監控設備時時刻刻都在收集海量數據，但價值沒有微博大，因為數據難以變現；運營商擁有用戶通信相關數據，從語音到短信再到位置，量大過任何一個互聯網巨頭，只能白白浪費，因為運營商不被允許也無能力去利用這些數據[4]。
（二）加強數據安全管理，維護用戶權益。目前，即便客戶同意提供個人信息，但對于企業留存用戶個人信息是否侵犯用戶隱私尚無明確的法律條文，這就使得用戶的個人信息在阿里云端的安全性得不到法律保護，存在極大的安全隱患。對此，阿里巴巴需要加強企業內部管理，嚴格數據系統安全管理制度，應當明確規定內部員工對于用戶信息的保護和管理條例，建立問責機制，責任落實到個人，對于因個人利益而泄露用戶信息的員工要加大懲罰力度，防止不法分子乘虛而入。與此同時，也需要保障用戶對自己個人信息的修改、刪除等權利。
（三）挖掘客戶需求，加強營銷效果。阿里巴巴可借助已有的用戶信息，針對不同客戶的個性化需求，采取市場調查及預測等方法，加深對其購買習慣的熟悉程度和把握程度，確定良好的產品推薦的時機和種類，比如節假日期間，下班時間，購物節等，也可嘗試向其推薦其他的互補性產品，充分挖掘客戶的潛在需求，這樣不僅保證了推銷的及時性，又避免了客戶對于產品推銷的厭惡情緒，從而擴大客戶群，提升企業利潤。
四、結語
綜上所述，大數據營銷是促進電商提高經營能力，提升利潤空間，進一步推進網絡市場經濟發展的重要手段。由于大數據營銷仍處于起步發展階段，電商企業大數據營銷應用中存在著各種問題，但這些只是大數據時展必然會存在的階段性問題，只要針對這些問題提出有效的應對策略，大數據營銷將不僅是局限于類似于百度、阿里、騰訊等電商企業，其應當在各個行業各個部門全面發展，從而進一步提高社會資源的利用率，推動大數據時代的發展。（作者單位：陜西師范大學國際商學院）
參考文獻：
[1]甄妮.電商企業大數據營銷的應用研究[D].廣東外語外貿大學，2015.
[2]楊世杰.大數據營銷在電子商務中的應用[C]//學術視域下的2015全國兩會熱點解讀――決策論壇論文集（上）.2015.
第2篇：大數據營銷應用范文
關鍵詞：大數據技術；對公業務營銷
中圖分類號：F274 文獻標識碼：A 文章編號：1003-9031（2016）03-0070-04 DOI：10.3969/j.issn.1003-9031.2016.03.15
當今時代，以移動互聯網、云計算技術、搜索引擎為代表的新一代信息技術全面滲入金融行業，對金融業態產生重要影響。同時，伴隨網絡技術的發展，數據滲透到了每一個行業，“大數據”應運而生，已成為重要的生產要素。對最早實現數字化交易的銀行業來說，大數據能反映銀行產品管理的綜合信息，也隱藏著產品相關的客戶行為模式，有助于實現基于客戶行為的產品營銷管理。
一、大數據技術概況
大數據尚未有統一的概念，目前采用較多的是麥肯錫咨詢公司的定義，大數據是“規模大到傳統的數據庫軟件工具已經無法采集、存儲、管理和分析的數據集”，且大數據具有“4V”的特點，即數據量大（Volume）、數據種類繁多（Variety）、數據更新快（Velocity）、數據具有極大的價值（Value）[1]。IDC的報告預測未來5年中國的數據量將以51.4%的速度增長[2]。數據作為一種信息，記錄了企業所有的產品信息，并能更精確、更客觀地展現客戶需求，具有重大的商業價值[3]。基于大數據技術的各種商業創新，會使得未來的營銷活動以更貼近消費者需求方式以及在更為合理的時間實施，取得更好的效果[4]。
現有的大數據分析挖掘的方法有很多，常用的有如下幾種。
1.關聯分析法。這是最常見的大數據分析方法之一，指的是從現有的數據庫中找出特定序列的數據在特定事件中存在的數據關聯性。確定關聯規則是關聯分析法的重要基礎，不同關聯規則的設定會產生不同的關聯結果。該方法主要用于發現某一事件中不同數據是否存在關聯性，如產品間的內在關聯性。
2.序列分析法。序列分析法與關聯分析法規則類似，但尋找的是某一事件中數據之間在時間上的關聯性。加入了時間序列，使得分析結果更具動態性和延續性。這種分析法對于發現潛在用戶具有明顯作用，能夠廣泛應用到金融、醫療、工程等領域的企業中。
3.分類和預測分析法。實際上是兩個過程，第一步是確定模型描述，針對指定的數據類型和概念集進行分類劃分，第二步是使用這種分類基于模型進行預測分析。這一類分析方法主要用于挖掘隱藏在數據背后的消費者特定的消費習慣，并預測其后續的可能行為。
4.聚類分析法。聚類分析法能夠將數據庫內數據特征未知的信息進行相似性最大化處理，幫助企業了解哪些是較為典型性的用戶，哪些是忠實用戶，哪些是流失用戶等，從而有助于企業根據不同用戶的消費特征制定不同的營銷策略。
二、大數據技術在商業銀行的應用現狀
國內的金融行業，尤其是銀行業，大數據的應用尚處于起步階段，遠遠落后于互聯網行業。但金融行業實現數字化交易以來，沉淀了大量的用戶數據，是較為適合大數據分析的行業。銀行業的數據分析尚處于從數據碎片化到數據整合時代的過渡階段。現階段，大數據技術在商業銀行的應用主要集中在風險控制和零售業務，主要有三種模式。
首先，基于網上交易流水的數據挖掘。銀行與電商合作，直接接觸電商平臺、支付平臺上的大量賣家和買家，并通過交易流、信息流、資金流覆蓋其產業鏈上的生產、物流、消費等多個環節。基于此，銀行借助成熟的數據分析技術，實施風險控制和拓展營銷。如工商銀行“易融通”會自動處理客戶信息，選取客戶融資需求量、還款資金來源及其可靠性等因素作為貸款額度指標，在線批量審批與發放貸款。招商銀行與敦煌網共同推出的“敦煌網生意一卡通”客戶信息共享，為小微企業提供融資、結算、理財一體化的金融服務。
其次，基于第三方系統的征信數據挖掘。這一類數據主要包括人行征信、工商、稅務、電力、房管局、車管所、社保、海關等政府數據，學歷、購物、支付、物流等社會征信數據以及各大金融機構的金融數據等。這些數據使得銀行能更加全面判斷企業客戶的屬性和資質，更有針對性地根據其綜合情況實施精準營銷。如平安銀行在接入平安保險、平安租賃等集團子公司數據的同時，輔之以政府公共數據，全面分析客戶情況并據此營銷。
最后，基于POS流水的數據應用。商業銀行依托在線貸款業務平臺系統，對客戶進行綜合信用評價，向符合貸款條件的POS商戶，以其一定期限內的POS結算流入量為授信額度的依據，在線發放用于生產經營的信用貸款。已有的POS流水數據應用有招商銀行和通聯支付合作的流水貸、中信銀行和銀聯商務合作的網絡商戶貸款業務，浦發銀行和通聯支付合作的流水貸業務等。
除了基于行內數據進行挖掘分析外，國內許多商業銀行還與專業第三方公司合作，爭取順應大數據潮流，進一步加快應用大數據的步伐。如平安銀行與SPSS公司合作，進行消費貸產品的大數據營銷管理；寧波銀行利用客戶購買某項產品大數據分析結果挖掘潛在客戶。這些探索為商業銀行擁抱大數據技術，利用大數據技術轉變營銷理念和營銷方法提供了很好的借鑒。
隨著云計算、物聯網等新型信息技術的發展和跨渠道跨終端的整合，銀行的大數據將日漸完善。產品的客觀數據與客戶信息也將有效結合，形成完整的“產品――用戶”數據庫，用于銀行各類產品的規模化和定制化綜合推介，尤其是對于具有復雜的金融產品綜合運用需求的對公客戶來說，大數據的應用將是一片藍海。
三、大數據技術在對公業務營銷中的應用方案
對公客戶是商業銀行的主要利潤來源之一，且該類客戶沉淀了大量復雜的數據，將大數據技術應用于對公客戶服務和對公產品營銷具有重要意義。基于大數據技術的營銷管理是一項系統性工程，需循序漸進，最終形成一套成熟體系。張湛梅等提出一套針對移動互聯網的大數據營銷體系“PDMA”，主要包括認知客戶（perceive）、挖掘需求（data-mining）、精準營銷（marketing）、營銷評估（assessment），構成一個閉環體系[5]。基于“PDMA”的框架能很好地建立銀行產品和客戶兩個維度。結合客戶屬性進行產品大數據分析，才能以更符合客戶偏好和需求的方式實施產品營銷，并對營銷的效果進行事后評估，以持續改進。本文以“PDMA”為框架，系統闡述商業銀行借助大數據技術進行對公產品營銷管理的應用方案。
（一）P――認知客戶行為
對公客戶與零售客戶有本質的區別，客戶的金融需求復雜，且更加個性化多樣化。在銀行進行大數據分析之前，應當對對公客戶有一個全面認識，并結合客戶情況認知銀行對公產品現狀。認知企業客戶行為可以從三個方面著手。
1.基于客戶屬性建立客戶特征庫。客戶特征庫包括銀行數據庫中的所有對公客戶相關字段，可以對客戶的自身屬性、所在地區、財務狀況、與銀行合作緊密程度等進行初步分析，掌握客戶基本情況。
2.結合客戶持有產品情況，認知銀行的產品結構。以產品管理系統中的產品庫為依據，分析持有不同數量產品的客戶分布、各門類產品的客戶總體分布、下屬分行及其經營機構的客戶持有產品情況，以及結合多個時點的各門類產品客戶數的變化趨勢等。
3.在認知產品的基礎上，基于產品記錄，分析客戶行為習慣。包括客戶對產品門類的偏好，對產品購買渠道的偏好，對資金流動性的需求，購買產品時段偏好等。
（二）D――挖掘客戶需求
在認知產品和客戶的基礎上，應用大數據技術，挖掘隱藏在產品信息和客戶信息背后的客戶需求，為后續的精準營銷打下基礎。
1.基于客戶產品持有行為判斷不同產品的相關程度。在客戶持有產品的全數據中，同一客戶持有多種產品的現象較為普遍。分析客戶持有的產品明細清單，找出同一客戶持有產品組合的一般規律，可以準確判斷各產品之間的相關程度，測算出持有某種產品的客戶同時使用該產品相關產品的可能性。產品相關分析的結果可以形成定期的產品相關性監測報告和營銷建議。
2.基于產品的監測報告，判斷產品持有的平均水平。結合客戶產品的平均持有水平分析，將低于產品平均持有水平的對公客戶認為是具有產品潛力的客戶群，生成這一類客戶清單。同時根據客戶清單中對公客戶所在分行進行分類，將這部分產品需求未充分挖掘的客戶清單推送到分行，以幫助分行更好地鎖定目標營銷客戶。同時也可以針對不同門類產品的客戶情況進行統計分析，判斷持有某類產品的客戶使用其它門類產品的情況，也即產品的跟進情況。
3.對非結構化的大數據進行分析，全方位挖掘客戶的產品需求。非結構化數據可以分為行內數據和行外數據。行內數據中，銀行內部的資金來往記錄和銀行內部企業授信報告等都可以作為非結構化數據來源。此外，銀行還可綜合應用外部數據，如電力、稅務、工商和人行征信系統數據。通過這類交易數據可以形成企業的社會網絡關系圖，作為供應鏈金融大數據營銷的重要依據。
總之，需求發現環節應緊密結合產品和客戶的數據，挖掘大數據背后客戶對產品的需求，是借助大數據實現對公產品營銷管理的基礎性工作。
（三）M――產品精準營銷
充分挖掘客戶需求后，根據需求實施精準營銷。具體可以有如下應用。
1.結合客戶的產品門類偏好推薦同一類別的其它產品。根據客戶偏好分析和需求挖掘結果，掌握客戶對某類產品的使用記錄，為其推薦同門類產品中其它熱門產品（依據熱門產品排名），提高同一門類產品的滲透率。此外，還可以具體到各分行，分析各分行同類產品使用情況，并將之與全行產品應用情況對比分析。低于全行各門類產品應用水平的分行建議就其薄弱的產品門類進行重點營銷。
2.對持有某些產品的客戶推薦產品組合中的其它產品。通過產品相關分析梳理出相關度高的產品組合，結合只持有這些產品組合中的部分產品的客戶清單，生成各個客戶還可進行關聯營銷的具體產品清單，推送給各分行，指導其根據該客戶潛在產品清單對客戶進行產品關聯推薦。
3.通過客戶屬性分析開發潛在客戶。從產品出發，通過聚類法和分類預測法分析持有某種產品的客戶群體的共同屬性，然后比對具有這些屬性但還未持有該種產品的客戶，作為該種產品的潛在客戶名單，對名單上的客戶推薦該種產品，通過分析現有客戶成功開發新客戶。
（四）A――營銷效果評估
營銷評估是貫穿“PDMA”大數據營銷體系全流程的最后一環，也是營銷管理流程中承上啟下的重要步驟，能及時幫助商業銀行掌握大數據分析的效果。銀行在精準營銷評估過程中，應當加入時間序列，結合產品和客戶情況進行綜合評估，并定期對基于大數據分析的精準營銷實施評估，根據評估效果改善大數據分析和精準營銷的成果。對有成效的分析結果形成定期營銷報告，對于成果不顯著的從業務角度總結原因，調整大數據分析模型和參數，改進結果。
四、對公業務營銷中的典型案例
總體來說，相比國有銀行，股份制銀行更加積極擁抱大數據技術。2015年3月，民生銀行“金融e管家”平臺正式上線，這是民生銀行利用大數據技術的一大利器。該平臺主要針對國內商業銀行客戶關系管理系統管理功能、分析功能、應用功能相互脫離的弊端而開發的基于大數據分析的一站式服務平臺。“金融e管家”服務于全行對公客戶管理，覆蓋“PDMA”框架的四個環節，是對公業務應用大數據技術的典范。
首先，認知客戶行為（P）。該平臺對接民生銀行內200多個生產系統和數據中樞，并導入上市公司數據、人行征信數據、工商數據等行外的數據，形成完善的數據結構，通過不同的規則組合數據，如對公客戶和產品的交叉組合，或者基于供應鏈的客戶上下游集合等，使用戶可從不同角度解讀對公客戶的特性，同時通過行內資金流和行內外信息流，精確掌握客戶的行為習慣。
其次，挖掘客戶需求（D）。該平臺對客戶信息更深層次的挖掘，去除無效信息，將有效信息放大，結合線下業務資源，挑選出最適合營銷的企業關系群體，應用多種大數據分析方法，建立關系網絡分析模型，識別出群體的特征和相互之間業務重點，并以極具可用性的界面展示客戶潛在需求挖掘的結果，幫助客戶經理深度挖掘客戶的金融需求。
再者，產品精準營銷（M）。該平臺是一個智能化的融資理財和資源整合平臺，主要圍繞核心客戶，通過后臺數據的支撐，建立交易網絡模型和上下游客戶推薦模型，并據此匹配最適合的金融產品，實現精準營銷。該平臺上線后，對公產品關聯營銷的成功率大大提高。
最后，產品營銷評估（A）。該平臺建立了基于歷史記錄的客戶績效評價體系，科學全面的評價客戶績效，并根據評價結果改進營銷方向。后評價功能涵蓋對公業務的不同情況，如對個性化服務方案的綜合評價，對集團客戶也能建立綜合收益的評價，而不僅僅是單獨考慮單筆業務的收益，適應了缺資產時代的商業銀行經營新思路。
可以預見，在信息技術發展日新月異的當代，隨著對公業務背后紛繁復雜的信息流、資金流、物流等多樣化數據不斷沉淀，大數據技術在商業銀行對公業務營銷中的應用價值將日益凸顯，并將逐漸成為商業銀行對公業務的核心競爭力之一。
參考文獻：
[1]Manyika， J.，M.Chui andB.Brown et al.Big Data：The Next Frontier for Innovation[R].Competition， and Productivity，2011.
[2]Franks， B.著，黃海，車皓陽，王悅等譯.駕馭大數據[M].北京：人民郵電出版社，2013.
[3]楊威.大數據時代下的電子商務企業營銷方式變革[J].中國電子商務，2014（14）.
第3篇：大數據營銷應用范文
關鍵詞：孤立點；數據挖掘；電力系統；營銷審計；應用探索
隨著計算機技術的高速發展，其高效的運算和海量的儲存為供電企業管理提供了強大的技術支持。尤其是涉及運營環節的審計工作，因為需要對大量的財務數據和經營管理數據進行分析，通過計算機的數據挖掘技術輔助開展審計工作，可以有效減少傳統審計方法對審計工作的限制，有效提高審計效率。在大數據時代的今天，基于計算機數據挖掘技術的孤立點分析方法，通過建立數據挖掘模型，具有快速發現異常審計現象的特點，因此，孤立點分析在供電行業營銷審計中具有深遠的應用意義。
一、孤立點和孤立點分析方法
孤立點分析，是數據挖掘技術中的一項重要技術，主要用來檢測審計數據中的異常數據，是針對常規審計工作中疑點數據的孤立點表現而產生的一種技術分析方法。
1.孤立點
在進行審計的海量數據集中，通常會出現一些與眾不同的數據，這些數據并不是由隨機偏差產生的，很有可能產生于完全不同的機制，因此在聚類分析中表現為不屬于任何的類或簇，這種數據對象在聚類中被稱為噪聲，在孤立點分析中則叫孤立點。在審計領域中，由于審查背景的不同和模型假設的差異，對于孤立點也會得出不同的結論。
另外，操作錯誤、蓄意操作，以及測量、系統的錯誤和相關總體數據的自然偏差等，都會導致孤立點的產生，因此，審計人員需對這些情況產生的原因進行深入分析，從中篩選出有價值的審計信息。
2.孤立點分析方法
（1）孤立點分析方法的概念：孤立點分析方法是通過在給定的數據集合中找出定義不一致的數據，并檢測這些不一致的數據的方法。即，給定一個有n個數據點的集和，并對其中可能出現的孤立點數目進行預期，這個數值為k，發現與剩余的數據相比是顯著異常的、孤立的、或不一致的前k個對象的過程。
（2）孤立點分析方法介紹。基于距離的方法：即對數據域中的數據對象進行相異度的分析，通過對審計數據進行清洗，并檢驗有效性后，結合所審計的行業的特點，以公式計算出符合大多數對象之間距離的閾值，并將這個數據確定為一個孤立點。這個方法可以克服基于統計方法中數據分布特征確定的問題。
基于偏離的方法：這一方法是通過對數據對象的主要特征進行檢查從而確定孤立點。在基于偏離的方法中，主要采用的是序列異常技術和OLAP數據立方體技術。前者是通過對定義樣本集的一般特征進行預先定義，從而將“偏離”這些特征的樣本區分出來，是一種利用審計數據集的總方差找到相異度函數的有效方法。后者則是以審計中對異常的單元進行標注下鉆，從而發現更深層次的異常。
基于密度的方法：這個方法的是利用數據對象的局部密度來對孤立點進行檢測。當某一數據對象周圍區域的局部密度與其他鄰近數據的局部密度的局部孤立點因子（Locai OutlierFactor，LOF）值越大時，則越有可能是孤立點，從而提示相關審計人員注意，其特點是對于局部孤立點的發現效果較好。
基于距離和密度的聚類和孤立點檢測方法：這一方法是將距離和密度方法進行融合，利用兩種方法的優點來進行準確的聚類和孤立點確定，對于高維數據中的孤立點的識別更有效。
基于人工神經網絡模型的方法：這一方法使用的數據集可以是較小的通用統計數據集，也可以是現實的較大的專用數據集，因此對于大小數據的孤立點檢測都能獲得較好的預期效果。但這一方法對于含有放射狀的孤立點數據集檢測效果不好。
在審計過程中，孤立點分析技術主要用于審計數據預處理過程和異常檢測兩個方面。審計人員需完成對原始數據的采集、清洗、驗證，使數據滿足建模的需求，再根據數據的類型和特征從以上幾種常用的孤立點分析方法中找出適應的孤立點算法，既可以選取其中一種，也可以將幾種方法進行有效組合，以滿足審計工作尋找異常數據的要求。
二、孤立點分析方法在供電行業營銷審計應用中的流程
孤立點分析方法在電力營銷行業審計工作中的應用，應結合供電行業的特點，根據審計的需求，選擇合適的方法，一般情況下，具體工作可以遵循以下流程：
1.提出需求
在進行審計時，審計人員需根據自身的經驗和洞察力對經營業務中的異常情況進行分析，找出業務及數據中的孤立點，并與數據挖掘人進行深入溝通，實現對審計需求的全面了解。在提出審計需求時，相關內容應包括業務理解和數據理解兩個方面，業務理解包括審計項目目標、評估審計目標的資源、確定數據挖掘目標、生成項目計劃，并根據這些需求進行相關審計人員的假設；數據理解則是對審計部門的系統和業務流程進行了解，并對原始數據進行采集分析，同時對數據質量、數據變量進行初步檢測和探索。
2.檢驗
基于對審計需求的理解，相關數據挖掘人員需要對能否采用孤立點分析方法解決審計問題進行判斷。這需要預定義相關參數和孤立點的識別規則，后通過數據清理算法清理審計數據，最終實現對孤立點的精準定位。
3.建模
進行相關審計的建模工作，需要數據挖掘人員根據實際情況，提交數據挖掘模型，并將相關的功能和作用向審計人員進行詳細介紹，使審計人員熟悉模型并確定其使用方法，之后即可對數據挖掘模型進行試用。
4.挖掘、評價
在挖掘模型的基礎上，審計人員對其得到的數據挖掘結果進行評價。
5.修正和完善
如對模型得出的試用結果進行評價發現模型與審計需求不相符，這時就需對模型進行相應的修正和完善，使模型迎合審計的需求。
6.重復評價
在對模型進行調整后，對模型進行重復評價，保證其符合審計需求。
7.判斷
根據模型得出的最終數據挖掘結果進行檢測，如果結果的異常情況在合理范圍內，審計人員可以根據自身的經驗對其是否達到重要性水平進行判斷，如果沒有達到相關水平則可不予處理。
在進行基于孤立點分析方法的審計數據挖掘模型的建立時，審計人員需對相關數據的進行深入的理解，并對審計需求和孤立點算法的融合程度進行有效把握，以此決定數據挖掘模型的建立標準。在這一過程中，需通過不斷的論證和反饋才能實現挖掘模型及方案在針對性、實用性上的最優化。
在大數據時代下，孤立點分析在供電行業營銷審計中的應用，是實現科學審計的重要前提。根據供電行業營銷業務的特點，通過制定最佳的]孤立點分析方法，可以為相關審計工作提供最符合需求的數據、目標及審計環境，從而得到最滿意的結果。當然，要實現審計目標，還需要相關審計人員具備扎實的專業技能和豐富的經驗，通過對算法的科學選擇和模型的精確建立，對相關數據進行深入挖掘，假設孤立點，并以此找出特殊的、反常的疑點，進一步追蹤、查閱相關資料，探尋異常問題的本質，經過分析驗證營銷業務中是否存在舞弊、違規等行為，從而提高審計效率，降低審計風險，促進供電行業的發展。
參考文獻：
[1]陳丹萍.數據挖掘技術在現代審計中的運用研究[J].南京審計學院學報，2009，02：57-61.
[2]魏克哲.孤立點分析方法在現代審計中的運用研究[J].財會學習，2013，05：43-45.
第4篇：大數據營銷應用范文
國內有一家民營航空公司，會員不下數百萬，會員的一個重要信息是郵箱地址。另外一邊，微博賬號申請也需要一個郵箱地址。通常來說，同一個郵箱地址意味著航空公司里的會員和微博里的會員，應該是同一個人。公司做了一個篩選，合并出十萬個用戶來。
然后一家第三方公司的數據部門介入，主要任務是看這十萬航空公司會員的微博用戶，在社會化媒體上的行為，比如“說”些什么，比如喜歡介入什么樣的話題去轉發評論，比如喜歡關注什么樣的商業賬號。研究這類事的原因在于：這個航空公司很想知道它在社會化媒體上發起什么樣的活動(以及活動所配備的禮品刺激)會吸引到這十萬會員參加，成為earned media。
這個案例并非嚴格意義上的大數據，因為數據還是不夠海量。不過，它的原理和大數據營銷有關：尋求相關性。
相關性不是因果，很難得出這樣的結論：因為經常坐某某航空公司的班機，所以喜歡參與某某活動(反過來也不成立)。但這兩個變量之間，從普遍意義上講，存在一定的關聯。這個道理就像穿紅襪子和炒股票的關系，或許有一定的關聯系數，但絕不是因果關系。相關搞成了因果，差不多和“迷信”就沒有區別了。
商業應用上，其實不太需要拼命挖掘因果。你只要知道坐該航空公司班機和參加特定活動之間存在一定概率就行了，至于究竟是為什么，可以暫時忽略之。對于營銷業者而言，這個概率哪怕能幫助到營銷活動提高10%參與度，都是不小的成效。
但問題在于，很多人把相關等同于因果，這樣的做法會形成很有些誤導性的結論。比如說，當在這個十萬航空公司用戶中發現，他們特別喜歡某類活動，這個結論是不具有推廣性質的。再新增五萬航空公司微博用戶時，你很難把上述那個結論也放他們頭上。因為這里面沒有因果關系。要確認因果關系，必須經過一個很復雜的觀察和思考過程，排除所謂“隱性變量”。這不是那么簡單的做一些數據分析就可以的。相關性是因果的前提，但是不等于因果。
于是，大數據出現了。
大數據尋求的是海量數據，海量到什么份上？就是全樣本。全樣本和抽樣顯然是不同的。過去的研究，由于操作性的關系，很難做到全樣本，需要去抽樣。抽樣的科學做法是“隨機”——不過這一點聽著容易，做起來相當困難。真正的隨機抽樣需要花很多錢(利用社交網絡關系，通過一個用戶做問卷再發動這個用戶找更多的人來做問卷，一點都不隨機)，而且一個無法繞過的弊端在于：如果你使用調查問卷的方法，你很難排除回答者的語言回答一定就是ta心中真正的想法或者實際上的真正行為。
大數據首先不是抽樣，它獲得的數據是全體樣本數據，其次它不是在讓用戶回答問題，而是實打實地去獲取用戶的“行為”。用戶聲稱對某活動會有興趣和用戶是否參加了某活動，顯然后者更能說明問題。
最重要的一點，大數據分析和抽樣分析的核心區別在于：前者是動態的，后者是靜態的。
前文提到，隨機抽樣方法是成本很高的，故而它很難每天都去做一次——事實上，為某個特定的問題一個月乃至一個季度做一次隨機抽樣，都很難實施。于是，一個隨機抽樣所形成的結論，其實是靜態的，它只能說明在做那次調研時的一些相關性。當有新的用戶(樣本)加入時，很難再說明過去的相關性是否能夠成立——除非，你能找到真正的排除了各種隱形變量后的因果關系。
如果試圖減少成本去做非隨機抽樣，那么，它的結論就更沒有推廣意義(學術一點稱之為外部效度性，非隨機抽樣外部無效度)。當新用戶加入后，非隨機抽樣的結論基本不能適用。
但大數據的分析卻是動態的，每秒都有可能產生一個新的結論。讓我們用最常見的亞馬遜頁面上的“購買此商品的顧客也同時購買”來舉例。
這個部分里的商品是活動的，由于新購買的產生，會導致這個模塊里的商品可能會產生變化。不過，這個模塊也有可能是導致商品集中化購買的重要原因：用戶看到了這個模塊里推薦的商品而產生購買的可能是很大的(也許ta本來就沒有任何購買的念頭，甚至連這個商品都不曉得)。但對于大數據來說，原因是什么一點也不重要，它要做的——至少在電子商務領域——無非是提高客單價罷了。買了A書和買了B書之間的因果研究，那是學者們的事，不是商人關心的事。
大數據處理的方式不是探幽細究型的，挖空心思去想究竟原因為何沒有這個必要，不過拿出一些結論來演繹也是會鬧笑話的：比如吃海參有助于提高智商。大數據其實不需要做什么演繹，它的任務只是讓你在某一時刻能做到提升成功率的事，哪怕只有1%。量一大，1%都是極其可觀的。
回到航空公司的具體案子來。10萬同時擁有航空公司會員和微博會員的人，并非隨機抽樣而得，故而這10萬對于整體數百萬航空公司會員而言，沒有代表性。但我們的目標不是想尋求坐這家航空公司班機的人和參與某網絡活動的因果關系，我們只是想提升一下參與活動概率并希望看到更多人會去轉發某個活動罷了。故而，10萬微博用戶，夠了。
在某一個時點，跑了一下數據，大致能看到一些相關性，于是我們開始設計某種活動，并有針對性地讓這10萬微博用戶知道，這次獲得的參與度和轉發率，比毫無數據支撐背景下的胡亂策劃，成功率應該會高一點。同樣的人力投入，得到了相對而言的較高效果，這就是數據分析的好處。
過了三個月后，又有需要策劃的活動，注意，這一次依然需要再跑一次數據。因為樣本可能不是只有10萬了，也許15萬，也許運氣不好有2萬微博用戶已經“死亡”，只剩8萬。另外一個可能是有某些新的外部變量加入，比如出來一種新的商品讓很多人趨之若鶩高度關注。這個時候拿上一次的數據來指導策劃，又是盲人騎瞎馬，夜半臨深淵了。
不同的時點，或者目標不同的活動，都需要再次跑數據，這可能是大數據分析的麻煩之處。不過，計算機的長處就是計算，花上一兩個小時設計幾個公式或模型，相對于過去動不動要搞隨機抽樣，便利性提高很多倍，值得嘗試。
更宏大一點的就是真正意義上的“大數據”了。今年年頭互聯網圈阿里要并購新浪微博，從商業邏輯上講，一個是中國最大的消費平臺，一個是中國最大的碎片化言論平臺，兩者數據的合并，是頗能挖出更多的相關性來。
當你發表一條微博時，忽然配套出來了一條廣告。是的，你很煩，感覺又被騷擾了。但從商業角度而言，如果你過去的煩是一萬次廣告推送才會有一次點擊，現在變成九千次一次點擊，都是了不得的進步。一萬次為什么會變成九千次？因為一個人的言論和ta的消費傾向，的確是存在一定相關性的。
廣告圈里一句名言：我知道我的廣告浪費了一半，但我不知道浪費了哪一半。一些營銷業者鼓吹說他們可以讓你不浪費那一半。不要相信他們。對于廣告來說，從浪費50%到浪費49%，都是很值得去投入的事。建立在相關性而非因果上的大數據營銷，不可能讓廣告主從此不再浪費廣告，它只能做到：浪費得少一點。
第5篇：大數據營銷應用范文
關鍵詞：大數據；云計算；職業教育
中圖分類號：G424 文獻標識碼：A 文章編號：1009-3044（2014）09-1853-01
2012年，聯合國大數據政務白皮書，提出了各國政府（包括聯合國在內）的一個歷史性機遇：利用豐富的大數據對社會經濟做出具體的分析，幫助政府更好的運行經濟服務社會。同年，奧巴馬在美國白宮宣布將“大數據戰略”上升為國家意志，將大數據定義為“未來的新石油”并加大投資拉動相關產業。2013年12月5日-5日，由中國計算機學會主辦，中國CCF大數據專家委員會承辦的主題為“應用驅動的架構與技術”的中國大數據技術大會，這次大會成為大數據技術與應用深度結合的新起點，成為產業界、科技界與政府部門密切合作的新平臺，進一步推動我國大數據的產學研。2014年3月1日，在北京舉行的貴州?北京大數據產業推介會上，貴州共獲投730.2億元用于大數據產業的發展，這一偉大的壯舉將全面推動貴州互聯網，網絡營銷發展進而影響貴州經濟發展。百年大計，教育為本，在貴州“后發趕超，跨越發展”的過程中，教育的改善提升成了社會發展步伐是否穩健的重心，隨著大數據的到來，貴州的教育正張開騰飛的羽翼迎接新一輪的跨越趕超，貴州在全國率先完成中小學生學習信息管理系統，學生學籍信息入庫。為加快推進職業人才培養體系建設，促進經濟工作穩定快速發展，省教育廳、人社廳等多家單位攜手并進，聯合出臺了加快職業人才教育培養的實施方案，以貴陽為中心，打造職業教育核心發展區，規劃高職辦學規模達到25萬人，為貴州大數據產業發展提供充足的人才保障，建成具有貴州特色的現代職業教育體系。在大數據背景的前提下，貴州的職業教育發展將踏上更加非凡和精彩的跨越之旅。
1 大數據、云計算簡介
麥肯錫公司在2011年了一個前沿領域的研究：大數據。雖然到現在為止沒有一個明確的定義，但是，大數據不是海量數據的表面理解，具有數據體量巨大，數據類型繁多，價值密度低，處理速度快等特點。 “云計算是通過網絡提供可伸縮的廉價的分布式計算能力”。云計算代表了以虛擬化技術為核心、以低成本為目標的動態可擴展網絡應用基礎設施，是近幾年來最有代表性的網絡計算技術與模式。從技術上看，大數據與云計算的關系就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單臺的計算機進行處理，必須采用分布式計算架構。它的特色在于對海量數據的挖掘，但它必須依托云計算的分布式處理、分布式數據庫、云存儲和虛擬化技術。
2 高職院校大數據條件下云計算的應用
云計算的應用使得高校在信息工具化的時代能夠脫離原始的“信息孤島”現象，集中了原本分散的國內及世界的教育資源，讓社會與學校，學校與教師，教師與學生之間有了更深的互動和相互帶動，把社會各行各業對教育有利的資源通過計算機與網絡終端帶動教育的發展。高職教育與傳統的本科教育不同，重點是培養學生的實際操作能力，通過資源庫的分析和選取并優化應用，可以提高高職教育的目標性。
2.1 依據社會人才需求信息，調整專業設置
目前的社會公開招聘信息都是通過互聯網至少在全國范圍內進行公開招考的，近幾年，百度等各大網站都可以輕易的分析出
招聘的條件和專業。各大中型企業招聘的專業類型等都可以通過數據提取，數據分析得到各專業的需求狀況，通過這些計算、分析這些大數據，可以適當迅速的調整專業設置和專業學習計劃，以適應信息瞬息萬變的時代需求。
2.2 利用數據庫優秀教育資源，提高教學效果
近年來，各大高校，職院都在進行重點專業的課改工作，很多優秀的課程教學視頻和配套資源等上網，通過相關網站對教育資源的數據進行搜索，在相應的學院，教研室，進行數據的分析和研討，經過相應的更改后可以直接應用我們的教學和管理中，可以充分吸取網絡教育資源的精華，變成自己教學工作進步的工具。
2.3 充分利用電子圖書館，擴展“校企合作”的形式
貴州是教育相對落后的地區，首先，經濟基礎決定上層建筑，資金配套的硬件措施是制
約學校教學工作前進的橋梁，近幾年，國家的西部發展計劃和貴州省對教育尤其是職業教育的大力支持，使得，學校的教學環境有了很大的改善，很多學校都配套修建了電子圖書館和電子信息實訓室。“校企合作”首先在發達地區開展，在貴州，合作項目近三年才開始試行，以貴州職業技術學院為例，2012年，由政府搭臺的“中興網絡學院”項目達成協議，中興在貴州職院第一次投入一千萬元建立實訓室并開始招生，除了學校教學計劃必須完成的課程外，中興選派有實戰經驗的一線老師加強學生實訓的教學和指導，讓學生更深入的練習自己的職業技能，除了學習學校扎實的基礎理論，更吸收了中興企業信息化的優勢。
3 高職教改的新方向
面向大數據的云計算主要是為學院提供基于云架構的知識、信息的存貯，但對于這些數據的科學性分析和研究并不完備，尤其是職業院校需要的不僅僅是可以相對容易驗證真理的理論知識，主要是一線的先進生產力和技術的學習和研究資料，所以認真學習和研究大數據的處理方式，將是未來高職在大數據方面的發展新方向，當然事物兩面性的原則，大數據的網絡環境也為學院的發展帶來負面的影響，比如，隨處可見的傳感器和攝像頭等，都可能會泄露學校和學生的私人隱私信息，暴露學校的科研痕跡和學生的行蹤軌跡，從而對學生的個人安全等起到威脅作用，所以，隱私信息保護系統也是當下研究的熱點問題。
第6篇：大數據營銷應用范文
各行各業的大數據應用
“大數據，‘大’和‘數據’都不重要，正確處理和運用大數據才是關鍵。”在1月30日由Teradata天睿公司舉辦的‘《駕馭大數據》作者面對面——分享如何極致演繹大數據價值暨新書會’上，被譽為“洞察博士”、“分析英雄”的Bill Franks說。Bill Franks是Teradata公司全球合作伙伴計劃首席分析官，也是《駕馭大數據》的作者。他認為大數據的價值需要借助于一些具體的應用模式和場景才能得到集中體現。
車載信息服務裝置最初是作為一種工具出現的，它可以幫助車主和保險公司獲得更清楚有效的車輛保險信息。在許多交通工具都安裝了車載信息服務裝置后，除保險之外的很多行業都可以使用這些數據，它提供的時速、路段、開始和結束時間等信息，對改善城市交通擁堵具有意想不到的價值。
對于一個只有基本通話需求、價值相對較低的用戶，電信運營商往往會根據賬戶盈利分析，不對其進行挽留。而在大數據時代，這種處理方法并不正確。正確的做法是利用社交網絡分析方法，分析其通話圈子，評價其交際圈的整體價值，識別出用戶的整體收入而不僅僅是客戶為運營商提供的直接收入。即運營商應當把焦點從賬戶盈利分析轉向社交盈利分析，把目標從個體賬戶的利益最大化，轉向客戶社交網絡利益的最大化。
基于GPS技術和手機應用所提供的時間和位置數據，商家主動、及時地推送客戶關懷信息，有利于改善客戶關系和創造商業機會，也可以利用它進行共同目的或興趣的社交，這些都會帶來令人驚奇的業務創新。
另外，利用RFID追溯產品質量甚至防欺詐，利用智能電網的數據實現靈活定價引導錯峰用電、節約用電，利用傳感器數據檢測、維護工業發動機和設備……大數據將在各行各業得到廣泛應用。
拋棄數據到能駕馭的規模
Teradata天睿公司大中華區首席執行官辛兒倫表示，《駕馭大數據》一書的內容源自Franks豐富的經歷。幾十年里，他服務橫跨多個產業和實踐領域的眾多客戶，實實在在地分享實踐心得。數據的核心是發現價值，而駕馭數據的核心是分析。
Bill Franks認為，大數據相當程度上是呈指數級增長的非結構數據（文本、視頻、圖像等），但這些通常由機器自動生成的全新數據源格式并不友好，更重要的是，其中很大一部分并沒有價值。比如，火車上輪軌的傳感器，能夠將列車走行過程中大量的數據收集起來。從實踐來看，這些數據從采集到分析，都是有價值的，但是沒有必要把所有的傳感器數據保留下來，分析人員只要尋找那些非正常的、有差異的記錄數據即可，這才是真正有價值的。
他認為，企業應當有針對性地處理大數據，應當拋棄大部分，將其減小到能夠駕馭的數量規模。對于日益重要的非結構化數據，Bill Franks認為，很少有方法能夠直接分析非結構化數據，所以應用結構化方法進行分析很重要。企業應當立即收集部分大數據并開始分析，專注于能快速見效的部分，快速證明數據價值。
Bill Franks指出，企業要從大數據中獲得最大的價值，需要同其他數據源實現整合，并將大數據作為企業數據和分析策略的另一層面，同時加強對大數據的格式、輸入和使用標準的開發。大數據的處理分析技術包含分析與數據環境的關聯性、海量并行處理架構（MPP）、云計算、網格計算及MapReduce、分析沙箱、單點分析、數據可視化等。
第7篇：大數據營銷應用范文
在大數據時代環境下，信息的獲取和選擇、信息技術的掌握應用，直接影響知識的生產、科技的創新和成果的轉化。大數據時代對高校的教學、學生的計算機應用能力提出了新的要求。產業界需求與關注點發生了重大轉變，企業關注的重點轉向數據，計算機行業正在轉變為真正的信息行業，從追求計算速度轉變為關注大數據處理能力，軟件也將從編程為主轉變為以數據為中心。學生要學會對數據的去冗分類、去粗取精，從數據中挖掘知識，要能夠把大數據變成小數據，要在不明顯增加采集成本的條件下盡可能提高數據的采集質量。要研究如何科學合理地抽樣采集數據，減少不必要的數據采集。
二、大數據時代背景下的教學策略
（一）營造適合學生全面發展的軟硬件環境信息時代的發展使得高職院校圖書館和數據中心具備了大數據的特征。科學研究和科技創新越來越依賴于對數據的管理和利用，打造良好、適宜的軟硬件環境是提高職業院校學生信息素養的基礎。目前互聯網技術及應用普及度較高，建設智慧校園可為學生提供更多的接觸信息資源的機會。加強高職院校數據中心和網絡中心的建設力度，在依托傳統圖書館文獻存儲量的基礎上，增加館藏圖文電子數據、電子文獻與多媒體文獻，打造信息化圖書館，為學生提供多元化的信息資源與服務。加強校園社交網絡平臺的建設，利用微信等新型傳播媒介，采用主動推送的方式傳遞正能量，提供有益于學生健康成長的信息，監控、屏蔽不良信息的傳播，過濾影響學生身心健康的不良信息，構建適合高職院校學生學習的良好環境。
（二）發揮數字化圖書館在教育過程中的核心作用數字化圖書館的建設是圖書館業今后發展的主要方向。數字化圖書館也是一個科技含量較高的系統工程，高職院校各級領導應正確認識，加強資金投入，充分發揮其對教育過程的支持作用。數字化圖書館的典型特征是存儲數字化、操作計算機化、傳遞信息網絡化、信息存儲自由化和結構連接化，可與高職院校的基礎建設可以同步推進。在建設與發展過程中，教師要積極引導學生充分利用數字化信息資源。學生在使用數字化圖書館的過程中會產生一系列的行為特征數據。通過對學學習路徑和學習偏好的數據分析，根據其特點與實際量身設計合理的信息資源智慧導航，從而為學生學習新技術、新知識提供個性化的服務。
（三）加強學生創新能力的培養在知識經濟時代，創新決定著一個國家和民族的綜合實力和核心競爭力。培養具有創新能力、實踐能力的高素質技能人才，是高職院校人才培養的一個重點方向，也是高職辦學的特色及亮點。創新能力培養的關鍵是創新思維的培養，而創新思維的核心在于思維的獨特性和新穎性。在大數據時代，學生面臨眾多數據資源。教師需要對學生提供專業的指導，讓學生學會利用互聯網技術和計算機軟件工具解決實際問題，在解決問題的過程中培養創新思維。高職院校應努力營造創新教育環境，結合創新教育，大力推進素質教育。將“小發明、小創造”“大學生實踐技能展演”“大學生才藝展示”等活動納入校園文化活動中。組織學生參加各行業舉辦的職業技能大賽，實現從應試教育向素質教育的轉軌，培養實用型、創新型的復合技能人才。充分重視學生的個性發展，建立專業的師資隊伍對學生的創造發明活動給予強有力的技術指導。對于技術含量高的、有市場推廣價值的創造發明活動，要引導學生進行自主創業，帶動就業。加大創新教育課程的開發與建設力度，強化學生創新能力的培養。
（四）培養學生對信息技術的興趣與愛好興趣是最好的老師，是激發學生學習積極性的動力，是激發創新能力的必要條件。學生只有對身邊的事物發生了興趣，才會活躍思維，激發潛力。在課程設計中加入了生動、形象、貼近工作、貼近生活的典型案例，可以有效地激發學生的學習興趣，讓學生樂在其中，愉快地完成學習任務。教學實踐環節也應緊密圍繞著學生熟悉的事物、案例來開展教學。授課教師應了解信息技術在行業的實際應用狀況，根據不同專業的特點，結合學生，的知識體系結構精心準備授課內容，確定課程的重難點。在教學過程中，通過師生互動了解學生對課程內容的掌握程度，因材施教、精選案例、突出重點，從培養學生興趣與愛好入手，讓學生在輕松、愉悅的課堂教學中學習信息技術在專業領域的最新應用，了解最新的前沿學科理念，學握較新的實用技術。教師如果在教學活動中能及時、準確地解決學生在學習實踐中遇到的疑難，并指導他們完成實訓內容，將有助于學生在學習過程中獲得成就感，激發學習的積極性、主動性和創造性。教師動手實踐能力將使得更多的學生得到有效指導和幫助，實現高質量的課堂教學。
（五）探索高效教學模式根據高職人才培養目標的要求，計算機課程的教學需要與時俱進，隨著各行業大數據產業的不斷發展與應用而不斷進行調整、創新。通過對學生在校期間學習、生活的軌跡進行搜集、整理，形成基礎數據，進而分析他們的學習行為、學習喜好和思維模式，制定適合他們全面發展的教學方法，有針對性地培養和提高他們的計算機應用能力。利用各種輔助軟件，開展行之有效的教學實踐活動，讓學生在“做中學，學中做”。提高各專業學生的計算機應用操作能力，使他們掌握互聯網技術、計算機信息技術、電子商務等。以醫學影像技術專業為例，學生既要學會影像閱片操作，又要掌握最新的X線機、CT、MRI等先進檢查設備的使用與操作。如果能夠將醫學影像技術專業與計算機應用實踐教學相結合，找出兩者的學科交叉點，構建適合時展需要的復合型人才培養模式，將會起到事半功倍的作用。在大數據的背景下，各行各業都需要利用信息技術，特別是數據庫技術、大數據分析技術，用以改變生產、經營、管理、工作、生活等的方式。因此各專業的畢業生都面臨著行業對大數據的使用與開發的迫切需求。培養學生解決問題的實際操作能力，顯得尤為重要。在專業課程的教學中，通過對大數據的應用與計算機應用技術的滲透，不但能激發學生學習專業技能的積極性，而且可以引導學生形成應用計算機解決專業問題的思維模式，對他們將來適應大數據環境下工作具有積極的引導意義。以專業培養目標為基礎，合理對計算機課程進行設置與安排教學，將大數據知識、信息技術知識、計算機應用知識融入到各課程的教學中，構建適合高職類學生學習特點的高效教學模式。
（六）加強師資隊伍建設加強師資隊伍建設是提高學生計算機應用能力的關鍵。計算機應用基礎課程的教師，首先應該是計算機應用方面的專家，既能掌握扎實的理論基礎知識，又能熟練地操作計算機，善于使用相關行業軟件。在教學中能夠起到良好的操作示范作用，給予學生無形的感染力和號召力，增強學習的主動性與積極性。在實踐教學過程中，計算機任課教師不僅要與專業課教師緊密合作，整合校內已有的專業資源和信息技術資源，充分利用好大數據，而且要與行業、企業加強聯系，采取走出去、引進來的方式，讓學生在校期間就能充分接觸各種面向實際應用的信息技術產品與工具。學校要制定行之有效的師資隊伍培養計劃，緊密結合企業、行業的實際需求，建設“雙師型”教師隊伍，加強現代信息技術應用能力培訓。教師應深入企業、行業，了解企業人才需求，了解企業使用的最新應用軟件動態與進展，充分利用好企業、行業大數據資源的研究最新成果，更新知識結構，提高實踐操作水平。
第8篇：大數據營銷應用范文
關鍵詞：大數據；云資源；云計算；應用
中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2015）05-0017-02
現階段，大數據這一概念廣泛被人們熟知，是繼數據云計算、數據挖掘后涌現出的另一項信息革命。在大數據的研究上，眾多商業機構，如IBM、Microsoft等都已介入，在借助云計算這一數據信息平臺的基礎上，研發了大數據信息資源處理產品。作為高校來講，充分運用大數據時代的相關技術及產品，著重培育及使用高校云資源，具有極強的現實研究價值。
1大數據及其基本概述
大數據這一概念首先由麥肯錫公司在于2011年在分析報告中提出，在這一報告中，該公司表示：在社會生產生活各領域中，已被數據廣泛覆蓋，數據開始作為一種生產要素存在，通過對數據的調用，可以培育出新的消費增長點。但在業界關于大數據的具體內涵界定上，尚未形成統一的表述，不一而足的內涵表述方式都是基于一點：大數據具備較為龐雜的數據量，在數據信息的種類及形式上具備繁復多樣性，大數據并不等同于海量數據[1]。
結合相關數據統計，2010年，全世界范圍內的信息數據總量達到了1.2ZB，通過對這些數據加以分析時可以獲取以下信息：結構化數據在數據總量中占比僅為10%左右，剩余的數據主要以半結構或非結構化數據形式為主，如視頻、郵件、微博等。除了數量龐雜，種類形式多樣外，大數據還具備了快速預測的特點，具有較高的應用價值。例如，美國的海洋及大氣管理部門，在日本發生地震災害后，借助大數據信息，能夠在極短的時間內制定并海嘯災害的預警防備措施，從而能夠為有效預防后續災害提供強力支撐。
2大數據時代背景下，高校云資源的整合與利用
在大數據時代，隨著信息技術及云計算的研究發展，高校信息建設能夠突破原有的信息局限性，消除原有的高校信息資源孤立化的弊端，可以通過云計算技術的運用將高校的各種教學資源加以整合利用，形成一個高校云資源儲存及管理的平臺，從而通過在此平臺中調用各類資源，為高校各項教學活動及管理決策的制定提供技術及服務參考。此外，更為重要的一點是，大數據時代背景下，伴隨云計算而出現了眾多的信息終端裝置，通過采用云計算技術，可以將這些信息終端裝置與高校的教學活動有效連接，一方面強化了教師與學生的交流溝通，另一方面有助于學生高效地開展學習活動。
總體上看，大數據時代的到來，給云計算功效的真正發揮提供了技術支持，使得云計算可以和大數據、高校三者之間有效銜接，使高校教育資源能夠被充分調動起來，為高校云資源的整合利用帶來了一些新的變革：
2.1為高校圖書館管理及發展提供契機
大數據時代下云計算的優勢在高校圖書館中體現最為明顯，其給高校圖書館管理及發展帶來的影響主要是改變了其服務的基本形態，借助云計算，可以使圖書館進行網絡及數字化應用階段，從而建立起了以云資源為主要模式的高校數字圖書館。例如，借助云計算技術，我國山東省高校圖書館構成了基于云技術的圖書館聯盟，實現了資源、管理及服務上的共享化，一體化。
此外，大數據憑借其數據分析及挖掘功能，可以對云儲存端的各種信息數據加以分析歸納，從而對學生的圖書借閱需求，學生群體的知識層次結構等加以揣摩，從而為圖書館管理者更好地進行決策提供借鑒；針對借閱者的科研及讀者與圖書館之間的交互服務，可以借助大數據開展預測分析，做到圖書館后期發展階段未雨綢繆；針對圖書館信息數據的館藏，還可以通過大數據建立相關的風險評估模型。
2.2 為高校學習效率的提升提供指導
大數據和及云計算之間的融合，能夠使教育資源實現應用上的有機整合，做到將存儲在云端的高校教學資源加以共享，再借助大數據的數據分析及挖掘功能，對教育信息資源中蘊藏的各種數據信息進行分析提煉，從而為高校教與學策略規劃提供幫助[2]。此外，通過運用大數據還可以著重對學生在學習中的各項行為及愛好等數據信息加以分析，摸準學生的學習特點，以此為教師科學制定教學決策予以指導。最后，大數據還可以被用于對學生的學習效果及學習傾向進行分析評價，通過對學生業務時間參與各項活動的信息加以解析，可以對學生的學習效果及傾向加以評估，便于教師掌握學生學習及生活動態，提升教與學的效率。
2.3為高校管理決策提供參考
傳統的數據分析是基于群體調查而展開，不具備較高的數據精準性。進入大數據時代后，借助大數據具備的數據分析整理功能，可以為決策的制定提供更加全面到位的數據信息參考，從而使管理及決策者對市場、產品及消費群體的把握更加準確。作為高校來講，通過運用大數據及云端信息分析處理技術，也可以對高校的發展狀況及后期趨勢加以模擬，將高校管理決策與相應的數據信息相印證，從而起到規避決策風險的效果。另外，通過大數據技術，還能夠使高校教育達到質量與公平上的統一，而大數據技術貫穿于高校各個部門中，又可以進一步對高校教學及管理成效加以驗證，有助于高校改革的退行實施。
3大數據時代高校云資源應用中的數據處理及服務的原理和流程
大數據時代背景下，對云資源加以利用時，人們的關注點不僅僅局限于數據的分析及使用，而更加注重通過數據分析對之后的發展趨向加以預測。這就需要我們對云資源在信息數據處理及服務方面的流程進行探究。
3.1 高校云資源的信息數據處理
伴隨著云計算的出現，在教學資源的信息數據處理上有了革命性的提升，圍繞著云計算，各大高校著力打造以云為核心的教育模式。但在對高校云資源加以分析時，通常選用關系數據庫的形式，一方面其信息分析及管理成本較高，另一方面也無法對后期教育資源應用趨勢加以前瞻分析。因此，基于大數據，Hadoop技術得以形成，該技術涵蓋了資源內存檢索、數據實時反應，主要借助Map Reduce對數據加以管理，從而做到了對信息資源的高效分析。在具體處理流程上，該平臺通過對云端上的各種信息碎片數據，如學生及教室的云端信息等加以整理匯總，然后再對這些數據碎片加以提煉，形成具有連續性的信息數據，最后該平臺接收并對這些信息數據加以分析，在數據挖掘技術的配合下，最終構成具備較強價值的信息，為教師、學生及管理者提供指導。
3.2 高校云資源的教育資源服務
在大數據及云計算的輔助下，高校資源的用戶在資源需求上也出現了一定程度的變化，由此也使高校資源在服務上，管理模式上及途徑上也有所改變。結合大數據及云計算的特征規律，可以預見到，高校教育及服務主要依靠采用大數據對信息數據加以分析、提煉，在此基礎上提供具體的資源服務，因此，高校云資源教育服務的針對性將更加凸顯[3]。首先，高校云資源是以提供準確及時的信息服務為宗旨，資源用戶不必探究其形成過程，只要對其結果加以運用即。其次，大數據技術體系下，通過對信息數據碎片加以分析，然后反饋到云端資源中，用戶可以針對某一項信息要素，如教學方法及手段進行重點分析，可以對其效果加以評估，從而使教師及時修正自身教學方式，以提高教學效率。第三，大數據時代與信息化的有效結合，能夠使高校云資源服務形式更加多樣，如教師及學生可以對資源使用情況進行評價，通過大數據進行采集及分析，可以對教育資源的使用及改進建議加以匯總，從而提高云資源服務的主動性。
4大數據時代高校云資源應用的趨勢分析
4.1 高校云資源的應用以滿足學生終身學習需求為方向
在大數據時代下，作為高校信息資源來說，已經不是傳統的較為明確的關系數據，而是各種基于學生訪問及調用的各種非結構形式的數據，如信息資源的瀏覽訪問及下載訪問等[4]。在這一趨勢下，高校云資源的信息數據處理就需要將重點轉向對此類信息數據的分析工作，然后將結果以數據的形式加以呈現，從而便于學生能夠對自身的學習情況及信息獲取頻率加以掌握，使學生從盲目地學習狀態中走出，滿足自身終身學習的需求。
4.2 高校云資源的應用以打造交流溝通類型的課堂教學形式為方向
傳統高校教學課堂，師生之間的交流不夠頻繁，教學效果收效不明顯，在大數據時代背景下，借助大數據分析技術，教師能夠對學生的學習情況加以全面掌握，從而根據學生的學習興趣點及側重點，通過多種多樣的教學手段，從高校云資源中挑選教學資源，通過教學課件及視頻的方式予以呈現，一方面可以使學生的學習更具針對性，另一方面圍繞學習中的難點及重點，教師也能夠更多地與學生展開交流溝通，從而實現教學相長的目標。
5 高校云資源的應用以促進教室及教學設備管理更加快捷高效為方向
在高校教室及相應的教學設備管理上，在大數據時代以前，往往安排專人進行負責，一方面增加了高校的人力投入成本，另一方面其管理效率未必高效。與之相對應，在大數據時代背景下，可以通過對高校云資源的存儲信息加以提煉，獲取高校教室及相應的教學設備使用數據，通過對其加以分析整理，可以形成某一時段教室及設備的應用信息及應用的趨勢，從而為管理人員科學判斷該教室及設備能否滿足教學活動需求，是否存在故障發生臨界點提供數據支持，以便管理人員及時對教室及設備加以維保，既節約了管理成本，又能夠提高教室及設備資源的利用效率。
6 結束語
大數據伴隨著信息技術及云計算技術的不斷發展而出現，現已被各行業管理人員普遍重視，并著重開展了相關的實踐及應用。作為高校來講，其信息資源逐漸向著復雜化、規模化方向發展，通過借助大數據及云計算技術，可以建立高校云資源數據庫，為教學、學習及決策提供詳盡科學的指導。
參考文獻：
[1] 鄒流鄉，王朝斌.高校云計算資源共享平臺建設研究[J].西華師范大學學報（自然科學版），2014（1）：91-94.
[2] 郭松.大數據時代高校學習資源云存儲模型構建研究[J].軟件導刊?教育技術，2014（11）：48-49.
第9篇：大數據營銷應用范文
關鍵詞：職業技術學院；智慧校園；大數據挖掘技術
近年來我國教育部越來越重視高職教育，提出了使用信息網絡技術創建數字校園的要求，建設智慧校園時發展數字化學校的基礎，它的核心就是智慧，運用全新的云計算、智能網絡等信息技術，實現智慧管理服務。在高職智慧校園建設中，大數據挖掘有著重要的作用，通過大數據挖掘可以有效提高學校教學質量及管理能力，創新學校傳統的粗放式管理模式，變為精細化校園管理。本文就以大數據挖掘技術為基礎，分析其在高職智慧校園建設中的應用。
1高職智慧校園中大數據挖掘技術的重要性
1.1實現智能化教學
在高職智慧校園中，大數據挖掘技術可以準確的記錄每一個學生在學習過程中的行為，學生還可以通過連接校園網，實現課堂互動學習，使學生的學習不僅僅是在課堂上完成，不受時間、地點的限制，學生可以自由控制學習時間，提高學生的學習質量，豐富教學活動。另外大數據挖掘技術還可以分析學生的學習行為，使教師可以對學生進行針對性的輔導，創建系統化的學習模式。【1】
1.2實現考學研共同發展
在高職智慧校園中，其可以通過大數據挖掘技術為教師創建教研平臺，為教師提供大量的科研資料及技術發展動態。通過使用多媒體技術，與平臺中的教研學者進行研究成果的溝通交流，實時的分享科研數據，能夠確定教學的發展趨勢，使國內外的交流提高一個層次，實現考學研共同發展和創新。
1.3提高學校管理效率
智慧校園中具有大量的數據信息，比如學校網站論壇中的稿子、評論、留言等，這些數據包括了結構化數據和非結構化數據，大數據挖掘技術可以對這些數據進行存儲和分析，從大量的數據中找出最有價值的信息及數據，不僅僅能對校園中的人力、財力及物力進行服務，還能夠對教育、行政、設備及科研方面進行管理服務，還可以尋找教育中和學習中的規律，對教育及辦學趨勢進行預測，為高職院校發展提供具有價值的意見，也有效地提高了院校的辦學質量及教學效率。【3】
1.4實現智慧化服務
數字管理系統創新了傳統的人工管理，大大節省了管理資金及人力，對校園進行智能化、數據化的管理及服務，比如資源的分配、信息化培訓、故障響應等等。其中資源的分配包括軟件系統的升級優化及IP地址、身份驗證的優化分配等；信息化培訓包括為學生培訓提供文本資料、音頻資料及視頻資料等等，可以有效地提高教師及學生的信息素養，使教師及學生具備的信息化智慧能夠滿足智慧校園的需求；故障響應指的是在智慧校園發生故障及遇到問題的時候可以及時響應。【3】
2高職智慧校園的建設
2.1何為智慧校園
智慧校園指的是校園的數字化建設，并且與物聯網、大數據技術及云計算等一系列的計算機技術相結合的全新校園建設理念。智慧校園主要是以物聯網為基礎，以大數據及云計算為前提，將高校管理工作、教學、科研及服務相融合的綜合智慧校園環境。在智慧校園中，師生可以以手機、電腦等無線通訊設備結合校園網絡，不受時間、地點的限制進行學習、教學、生活等一系列的校園活動，實現信息化的校園學習活動，有效地提高教學效率及校園管理效率。
2.2高職智慧校園的建設架構
高職智慧校園可以將智能傳感器安裝在校園中各個教室、圖書館、宿舍及實驗室等各個場所中，并且將它們進行連接，從而構建物聯網，使用服務器和云計算服務將軟件管理系統與物聯網向融合，全面實現校園智能化管理及教學。并且使用科學有效的管理模式處理這些信息資源，為全體師生及學校工作人員提供全面的信息化服務平臺及生活環境。【4】
2.3高職智慧校園建設現狀
智慧校園從產生到創建都得到了國家及社會企業的支持，但是由于高職院校本身的管理模式及部門之間的通訊較為復雜，這就使得高職智慧校園在建設以來還存在一些問題，比如：（1）高職院校中的大量的信息及學生的自律等方面，使得學校與學生之間的溝通交流無法實現全面信息化，其中不乏有一部分學校還是通過傳統的短信、公告欄的信息為學生傳遞信息，這就造成學生無法及時的信息，降低了溝通效率；（2）由于學校與行政管理部分的網站并不統一，這就對管理方面造成了一定的難度。不統一的平臺使一些具有價值的信息資源無法存儲到相同的數據庫中，使數據的格式及標準也有不一致，就使得系統中存在大量的無用數據及垃圾數據；（3）這些數據都較為龐大且復雜，目前的管理并沒有針對性的對這些數據進行挖掘和信息，比如學生在日常生活中的行為沒有和畢業方向統一分析、圖書館中的學生解決信息沒有與個性化教學相聯系等等。【5】
3高職智慧校園建設中的大數據挖掘技術
3.1何為大數據挖掘技術
大數據挖掘技術指的不僅僅是對數據信息進行處理，還是對這些數據進行專業的分析，深入挖掘數據中的潛藏及具深層次的信息。從技術角度來講，大數據挖掘技術與云計算是有一定聯系的，大數據不能單獨進行處理，要使用分布式的架構，以此對數據進行挖掘，所以大數據挖掘要依靠云計算進行數據的存儲、處理和分析。
3.2大數據挖掘技術智慧校園的需求
目前我國高職智慧校園的建設已經有了良好的效果，比如使用了技術性的教學手段及遠程教育等等，在學生的管理方面也使用了監控及一卡通等等，有效地提高了對學生的管理效率，學校行政管理方面也實現了各部門之間的信息互通目的。隨著連接的實體越來越多，那么傳統的數據架構已滿足不了需求，大數據挖掘技術就能很好地解決這個問題，對這些數據進行快速有效的分析，進行深入挖掘信息的潛在價值，為校園教育發展提供有價值的信息，體現高職院校的智慧特色。【6】
3.3大數據挖掘技術智慧校園建設架構
為了能夠使高職智慧校園發揮出更大的作用，就在傳統的建設基礎上應用大數據挖掘技術，深入挖掘傳統智慧校園中的智能識別及檢測中的數據，并且對其進行統一管理，為高校中的教育、服務、管理及學習提供智慧的應用，實現校園學習智能一體化。應用大數據挖掘技術和云計算，可以先構建一個建設架構，詳細見圖一，下文對其進行具體說明。（1）基礎設備。其中包括檢測設備及感應設備，并且分布在校園的各個角落中，收集校園教師和學生的日常生活數據，使用通信網傳送到云存儲層，能夠全面了解學校中教師和學生的生活和學習。（2）采集信息及存儲層。使用云計算中的存儲技術將基礎設備中收集的數據進行存儲，并且使用虛擬化技術降低空間的浪費，使數據資源可以有效整合，使數據存儲具備智能化及自動化。（3）數據管理及云計算。管理云服務中的信息資源信息，對這些數據資源進行計算，使數據的分析更加精準。（4）智慧應用層。深入挖掘大數據，并且對其進行分析，為智慧校園中的信息化業務提供數據支持技術，這個也是使智慧校園發揮作用的重要內容，也是高校智慧校園建設中重點內容。【7】
4結束語
為了使高職院校教育模式和理念能夠滿足現社會形式的需求，智慧校園的建設也得到了教育界人士的廣泛支持和認同。將大數據挖掘技術應用到智慧校園中，不僅能夠對校園中的數據進行更深層次的分析，深入挖掘其中的價值，還能夠對數據進行智能決策。大數據挖掘技術是高職校園建設中的核心內容，能夠將智慧校園中的智能化及數字化充分體現。目前大數據挖掘技術還存在一系列的技術性問題，但是相信在今后的發展中，其能夠完美的與智慧校園相融合，更加人性化的為校園師生提供服務。
作者:王桂武 高林國 陳新勝 單位:江西陶瓷工藝美術職業技術學院
參考文獻：
[1]宿佳寧,趙洪光,楊文.大數據挖掘在高職院校智慧校園建設中的應用[J].福建質量管理,2016(4).
[2]魯力.大數據背景的高職院校智慧校園建設分析[J].中國教育技術裝備,2016(15):48-49.
[3]程大鳴,劉碧俊,侯松.基于大數據背景的高職院校智慧校園建設的研究[J].信息與電腦(理論版),2015(21):71-72.
[4]陳嘉瑜,陳紅慧.大數據時代高職院校智慧校園建設研究[J].信息系統工程,2016(10):147-148.
[5]許冠軍,葉敏.大數據背景下的高職院校信息化建設探索[J].中國教育信息化(高教職教),2016(9).
