分享
分销 收藏 举报 申诉 / 73

类型大数据分析.ppt

  • 上传人:w****g
  • 文档编号:14476782
  • 上传时间:2026-09-24
  • 格式:PPT
  • 页数:73
  • 大小:7.17MB
  • 下载积分:10 金币
  • 配套讲稿:

    如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。

    特殊限制:

    部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。

    关 键  词:
    数据 分析
    资源描述:
    Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,LOGO,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,大数据引领我们走向数据智能化时代,大数据分析,1,大数据的定义理解,2,什么是大数据,大数据时代的背景,1,大数据的定义理解,大数据的“,4V”,特征,2,大数据的构成,3,3,大数据时代的背景,半个世纪以来,伴随计算机技术全面融入社会生活,信息爆炸已经积累到了一种开始引起变革的程度。它不仅使世界充斥着比以往更多的信息,并且其增长速度也在加紧。互联网(社交、搜索、电商)、移动互联网(微博)、物联网(传感器,智慧地球)、车联网、GPS、医学影像、安全监控、金融(银行、股市、保险)、电信(通话、短信)都在疯狂产生着数据。,4,全球每秒钟发送 2.9 百万封电子邮件,一分钟读一篇的话,足够一种人昼夜不息的读5.5 年,每天会有 2.88 万个小时的视频上传到Youtube,足够一种人昼夜不息的观看3.3 年,推特上每天公布 5 千万条消息,假设10 秒钟浏览一条信息,这些消息足够一种人昼夜不息的浏览16 年,每天亚马逊上将产生 6.3 百万笔订单,每月网民在Facebook 上要花费7 千亿分钟,被移动互联网使用者发送和接受的数据高达1.3EB,Google 上每天需要处理24PB 的数据,5,数据量增加,TB,PB,ZB,EB,根据,IDC,监测,人类产生的数据量正在呈指数级增长,大约每两年翻一番,这个速度在,2020,年之前会继续保持下去。这意味着人类在最近两年产生的数据量相当于之前产生的全部数据量。,数据结构日趋复杂,大量新数据源的出现则导致了非结构化、半结构化数据爆发式的增长,这些由我们创造的信息背后产生的这些数据早已经远远超越了目前人力所能处理的范畴,大数据时代正在来临,大数据时代的背景,6,20世纪90年代,数据仓库之父的Bill Inmon就常常提及Big Data。,5月,在“云计算相遇大数据”为主题的EMC World 会议中,EMC 抛出了Big Data概念。,大数据时代的背景,7,体量,Volume,多样性,Variety,价值密度,Value,速度,Velocity,非构造化数据的超大规模和增长,占总数据量的8090%,比构造化数据增长快10倍到50倍,是老式数据仓库的10倍到50倍,大数据的异构和多样性,诸多不一样形式(文本、图像、视频、机器数据),无模式或者模式不明显,不连贯的语法或句义,大量的不有关信息,对未来趋势与模式的可预测分析,深度复杂分析(机器学习、人工智能Vs老式商务智能(征询、汇报等),实时分析,而非批量式分析,数据输入、处理与丢弃,立竿见影而非事后见效,大数据的4V特性,“大量化(Volume)、多样化(Variety)、迅速化(Velocity)、价值密度低(Value)”就是“大数据”的明显特性,或者说,只有具有这些特点的数据,才是大数据。,8,Value,价值,挖掘大数据的价值类似沙里淘金,从海量数据中挖掘稀疏但宝贵的信息.,价值密度低,是大数据的一种经典特性.,9,海地地震,海地人散落在全国各地,援助人员为弄清该去哪里援助手忙脚乱。老式上,他们只能通过飞往灾区上空来查找需要援助的人群。,某些研究人员采用了一种不一样的做法:他们开始跟踪海地人所持手机内部的SIM卡,由此判断出手机持有人所处的位置和行动方向。正如一份联合国(UN)汇报所述,此举协助他们“精确地分析出了逾60万名海地人逃离太子港之后的目的地。”后来,当海地爆发霍乱疫情时,同一批研究人员再次通过追踪SIM卡把药物投放到对的的地点,制止了疫情的蔓延。,10,Variety,多样性,企业内部的经营交易信息;物联网世界中商品,物流信息;互联网世界中人与人交互信息,位置信息等是大数据的重要来源.,文本/图片/视频 等非构造化/半构造化数据,可以在不一样的数据类型中,进行交叉分析的技术,是大数据的关键技术之一.语义分析技术,图文转换技术,模式识别技术,地理信息技术等,都会在大数据分析时获得应用.,11,非构造化数据,相对于构造化数据而言,不以便用数据库二维逻辑表来体现的数据即称为非构造化数据,包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。,12,Velocity,速度,1s 是临界点.,对于大数据应用而言,必须要在1秒钟内形成答案,否则处理成果就是过时和无效的.,实时处理的规定,是区别大数据引用和老式数据仓库技术,BI技术的关键差异之一.,13,Volume,数据量,PB,是大数据層次的临界点,.,KB,-,MB,-,GB,-,TB,-,PB,-,EB,-,ZB,-,YB,-,NB,-,DB,14,大数据不仅仅是“大”,多大?,PB,级,比,大,更重要的是,数据的复杂性,,有时甚至大数据中的小数据如一条微博就具有颠覆性的价值,15,指数型增长的海量数据,所有研究都表明,未来数年数据量会展现指数增长。根据麦肯锡全球研究院(MGI)估计,全球企业在硬盘上存储了超过7EB(1EB等于10亿GB)的新数据,而消费者在PC和笔记本等设备上存储了超过6EB新数据。1EB数据相称于美国国会图书馆中存储的数据的4000多倍。实际上,我们如今产生如此多的数据,以至于主线不也许所有存储下来。例如,医疗卫生提供商会处理掉他们所产生的90%的数据(例如手术过程中产生的几乎所有实时视频图像)。,16,大数据,=,海量数据,+,复杂类型的数据,海量交易数据:,企业内部的经营交易信息重要包括联机交易数据和联机分析数据,是构造化的、通过关系数据库进行管理和访问的静态、历史数据。通过这些数据,我们能理解过去发生了什么。,大数据包括:,交易数据和交互数据集在内的所有数据集,海量交互数据:,源于多种网络和社交媒体。它包括了呼喊详细记录、设备和传感器信息、GPS和地理定位映射数据、通过管理文献传播协议传送的海量图像文献、Web文本和点击流数据、评价数据、科学信息、电子邮件等等。可以告诉我们未来会发生什么。,大数据的构成,17,大数据的技术与应用,18,大数据怎么用,大数据技术要解决的问题,1,大数据的技术与应用,大数据的相关技术,2,大数据的应用实例,3,19,Volume,海量的数据规模,Variety,多样的数据类型,Value,Velocity,迅速的数据流转,发现,数据价值,大数据技术要处理的问题,20,软件是大数据的引擎,和数据中心(Data Center)同样,软件是大数据的驱动力.,软件变化世界!,21,大数据生态,:,软件是引擎,22,大数据技术被设计用于在成本可承受的条件下,通过非常迅速(velocity)地采集、发现和分析,从大量(volumes)、多类别(variety)的数据中提取价值(value),将是IT 领域新一代的技术与架构。,企业用以分析的数据越全面,分析的结果就越接近于真实。大数据分析意味着企业能够从这些新的数据中获取新的洞察力,并将其与已知业务的各个细节相融合,。,大数据技术要处理的问题,23,技术领域的挑战,1、对既有数据库管理技术的挑战,老式的数据库布署不能处理数TB 级别的数据,也不能很好的支持高级别的数据分析。急速膨胀的数据体量即将超越老式数据库的管理能力。,怎样构建全球级的分布式数据库(Globally-Distributed Database),可以扩展到数百万的机器,数已百计的数据中心,上万亿的行数据。,2、经典数据库技术并没有考虑数据的多类别(variety),SQL(构造化数据查询语言),在设计的一开始是没有考虑非构造化数据的。,3、实时性的技术挑战:,一般而言,像数据仓库系统、BI应用,对处理时间的规定并不高。因此此类应用往往运行1、2天获得成果仍然可行的。但实时处理的规定,是区别大数据应用和老式数据仓库技术、BI技术的关键差异之一。,网络架构、数据中心、运维的挑战:,技术架构的挑战:,人们每天创立的数据量正呈爆炸式增长,但就数据保留来说,我们的技术改善不大,而数据丢失的也许性却不停增长。,如此庞大的数据量首先在存储上就会是一种非常严重的问题,硬件的更新速度将是大数据发展的基石。,24,分析技术:,数据处理:自然语言处理技术,记录和分析:A/B test;top N排行榜;地区占比;文本情感分析,数据挖掘:关联规则分析;分类;聚类,模型预测:预测模型;机器学习;建模仿真,大数据技术:,数据采集:ETL工具,数据存取:关系数据库;NoSQL;SQL等,基础架构支持:云存储;分布式文献系统等,计算成果展现:云计算;标签云;关系图等,某些有关技术,存储,构造化数据:,海量数据的查询、记录、更新等操作效率低,非构造化数据,图片、视频、word、pdf、ppt等文献存储,不利于检索、查询和存储,半构造化数据,转换为构造化存储,按照非构造化存储,处理方案:,Hadoop(MapReduce技术),流计算(twitter的storm和yahoo!的S4),25,大数据的有关技术,ETL,数据众包,(,CrowdSouring,),26,数据众包,数据众包是一种新的数据采集方式,由企业方通过平台把数据采集任务外包给非特定的大众网络。,27,大数据的有关技术,ETL,数据众包,(,CrowdSouring,),结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,(,NoSQL,),数据仓库,云计算和云存储,实时流处理,28,分布式文献系统,分布式文件系统(,Distributed File System,)是指文件系统管理的物理存储资源不一定直接连接在本地节点上,而是通过计算机网络与节点相连。,29,分布式文献系统,Google,文件系统(,Google File System,,,GFS,)是一个可扩展的分布式文件系统,用于大型的、分布式的、对大量数据进行访问的应用。它运行于廉价的普通硬件上,将服务器故障视为正常现象,通过软件的方式自动容错,在保证系统可靠性和可用性的同时,大大减少了系统的成本。,30,分布式文献系统,GFS,将整个系统分为三类角色:,Client,(客户端)、,Master,(主服务器)、,Chunk Server,(数据块服务器)。,31,分布式文献系统,Hadoop,是一个分布式系统基础架构,由,Apache,基金会开发。用户可以在不了解分布式底层细节的情况下,开发分布式程序,充分利用集群的威力高速运算和存储。,Hadoop,实现了一个分布式文件系统(,Hadoop Distributed File System,),简称,HDFS,。,HDFS,有着高容错性的特点,并且设计用来部署在低廉的硬件上。,32,分布式文献系统,一个,HDFS,集群是由一个,Namenode,和一定数目的,Datanodes,组成。,33,非关系型数据库,NoSQL,关系型数据库的局限性,难以满足高并发读写的需求,难以满足对海量数据高效率存储和访问的需求,难以满足对数据库高可扩展性和高可用性的需求,NoSQL,=,34,非关系型数据库,NoSQL,NoSQL,数据存储不需要固定的表结构,通常也不存在连接操作。在大数据存取上具备关系型数据库无法比拟的性能优势。,关系型数据库中的表都是存储一些格式化的数据结构,每个元组字段的组成都一样,即使不是每个元组都需要所有的字段,但数据库会为每个元组分配所有的字段。,非关系型数据库以键值对存储,它的结构不固定,每一个元组可以有不一样的字段,每个元组可以根据需要增加一些自己的键值对,这样就不会局限于固定的结构,可以减少一些时间和空间的开销。,35,非关系型数据库,NoSQL,36,非关系型数据库,NoSQL,Bigtable,的设计目的是可靠地处理,PB,级别的数据,并且能够部署到上千台机器上。,Bigtable,已经在超过,60,个,Google,的产品和项目上得到了应用,包括,Google Analytics,、,GoogleEarth,等。,37,非关系型数据库,NoSQL,Bigtable,是一个键值(,key-value,)映射。键有三维,分别是行键(,row key,)、列键(,column key,)和时间戳(,timestamp,),行键和列键都是字节串,时间戳是,64,位整型;而值是一个字节串。可以用,(row:string,column:string,time:int64)string,来表示一条键值对记录。,38,非关系型数据库,NoSQL,Bigtable,是一个键值(,key-value,)映射。键有三维,分别是行键(,row key,)、列键(,column key,)和时间戳(,timestamp,),行键和列键都是字节串,时间戳是,64,位整型;而值是一个字节串。可以用,(row:string,column:string,time:int64)string,来表示一条键值对记录。,39,非关系型数据库,NoSQL,DynamoDB,是,Amazon,提供的共享式数据库,云服务,,可用性和扩展性都很好,性能也不错:读写访问中,99.9%,的响应时间都在,300ms,内。,DynamoDB,通过服务器把所有的数据存储在,固态硬盘,(,SSD,)上的三个不同的区域。如果有更高的传输需求,,DynamoDB,也可以在后台添加更多的服务器。,40,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式,表中包含了项目(,item,),每个项目包含,1,个或多个属性。,ImageID=1,Title=flower,Tags=flower,jasmine,white,Ratings=3,4,2,一种属性是一种“名称-值”对(name-value pair),“名称”必须是一种字符串,“值”可以是一种字符串、数字、字符串集合或数字集合。下面是有关属性的某些实例:,41,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式,表中包含了项目(,item,),每个项目包含,1,个或多个属性(,Attibute,)。,项目由属性构成。必须指定一种属性作为主键,这个主键在DynamoDB表中唯一地标识一种项目。除了主键是必须的,其他项目属性是可选的。一种项目的属性没有次序关系。某个项目中的属性和同一种表中的其他项目的属性也没有关系。,项目被存储在表中,表中的所有项目都具有相似的主键机制(primary key scheme)。每个项目都具有一种唯一的主键值。,42,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式,表中包含了项目(,item,),每个项目包含,1,个或多个属性(,Attibute,)。,43,非关系型数据库,NoSQL,DynamoDB,并没有,DB,的概念,目前单用户最多能创建,256,个,Table,,同时,DynamoDB,提供了,11,个,API,接口操作表和项目。,44,非关系型数据库,NoSQL,45,非关系型数据库,NoSQL,HBase Hadoop Database,,是一个分布式的、面向列的开源数据库,,HBase,在,Hadoop,之上提供了类似于,Bigtable,的能力,是,Hadoop,项目的子项目。,Cassandra,是一套开源分布式,NoSQL,数据库系统。它最初由,Facebook,开发,用于储存收件箱等简单格式数据,集,Google BigTable,的数据模型与,Amazon Dynamo,的完全分布式的架构于一身。,Facebook,于,2008,年将,Cassandra,开源,此后被,Digg,、,Twitter,等知名,Web 2.0,网站所采纳,成为了一种流行的分布式结构化数据存储方案。,46,非关系型数据库,NoSQL,MongoDB,是一个基于分布式文件存储的数据库。由,C+,语言编写,是一个介于关系数据库和非关系数据库之间的产品,是非关系数据库当中功能最丰富,最像关系数据库的。它 支持的数据结构非常松散,可以存储比较复杂的数据类型。它支持的查询语言非常强大,其语法有点类似于面向对象的查询语言,几乎可以实现类似关系数据库单表查询的绝大部分功能,而且还支持对数据建立索引。,47,云计算和云存储,云计算(,cloud computing,),是分布式计算技术的一种,其最基本的概念,是透过网络将庞大的计算处理程序自动分拆成无数个较小的子程序,再交由多部服务器所组成的庞大系统经搜寻、计算分析之后将处理结果回传给用户。透过这项技术,网络服务提供者可以在数秒之内,达成处理数以千万计甚至亿计的信息,达到和“超级计算机”同样强大效能的网络服务。,云计算是一种资源交付和使用模式,指通过网络获得应用所需的资源(硬件、平台、软件)。提供资源的网络被称为“云”。,48,白云下面数据跑,蓝蓝的天上白云飘,假如数据是财富,那么大数据就是宝藏,而云计算就是挖掘和运用宝藏的利器。没有强大的计算能力,数据宝藏究竟是镜中花;没有大数据的积淀,云计算也只能是杀鸡用的宰牛刀。,云计算和云存储,49,云计算和云存储,云存储是在云计算,(cloud computing),概念上延伸和发展出来的一个新概念,是指通过集群应用、网格技术或分布式文件系统等功能,将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作,共同对外提供数据存储和业务访问功能的一个系统。,当云计算系统运算和处理的关键是大量数据的存储和管理时,云计算系统中就需要配置大量的存储设备,那么云计算系统就转变成为一种云存储系统,因此云存储是一种以数据存储和管理为关键的云计算系统。,50,实时流处理,传统的分布式计算往往是先积累大量的数据,再进行数据拆分和聚合。而实时流处理则是让数据流动起来,数据从内存中流过,截取需要的数据,进行实时分析计算。,51,实时流处理,传统的分布式计算往往是先积累大量的数据,再进行数据拆分和聚合。而实时流处理则是让数据流动起来,数据从内存中流过,截取需要的数据,进行实时分析计算。,52,大数据的有关技术,ETL,数据众包,(,CrowdSouring,),结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,(,NoSQL,),数据仓库,云计算和云存储,实时流处理,A/B Testing,关联规则分析,分类,聚类,遗传算法,神经网络,预测模型,模式识别,时间序列分析,回归分析,系统仿真,机器学习,优化,空间分析,社会网络分析,自然语言分析,MapReduce,R,语言,53,A/B Testing,A/B,测试是可用性测试的一个方法,其核心为:同时实验两个元素或版本(,A,和,B,),确定哪个更好。,注册按钮由绿色改成红色提高转化率,34%,人性化的表格提高,11%,的转化率。,54,MapReduce,MapReduce,是,Google,提出的一个软件架构,用于大规模数据集(大于,1TB,)的并行运算。它使编程人员在不了解分布式并行编程的情况下,能将自己的程序运行在分布式系统上。,Map=,映射,Reduce=,规约或化简,55,MapReduce,56,R,语言,R,语言是一种自由软件编程语言与操作环境,主要用于统计分析、绘图、数据挖掘。,R语言擅长在Hadoop分布式文献系统中存储的非构造化数据上的分析。R目前还可以运行在HBase这种非关系型的数据库以及面向列的分布式数据存储之上。,57,大数据的有关技术,ETL,数据众包,(,CrowdSouring,),结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,(,NoSQL,),数据仓库,云计算和云存储,实时流处理,A/B Testing,关联规则分析,分类,聚类,遗传算法,神经网络,预测模型,模式识别,时间序列分析,回归分析,系统仿真,机器学习,优化,空间分析,社会网络分析,自然语言分析,MapReduce,R,语言,标签云,(,Tag Cloud,),聚类图,(,Clustergram,),空间信息流,(,Spatial information flow,),热图,(,Heatmap,),58,标签云,标签云(,Tag Cloud,)是一套相关的标签以及与此相应的权重。权值影响标签的字体大小、颜色或其他视觉效果。典型的标签云有,30,至,150,个标签,用以表示一个网站中的内容及其热门程度。标签通常是超链接,指向分类页面。,59,标签云,奥巴马,布什,克林顿,林肯,60,标签云,61,聚类图,聚类图(,Clustergram,)是指用图形方式展示聚类分析结果的技术,可以有助于判断簇数量不同时的聚类效果。,62,空间信息流,空间信息流(,Spatial information flow,)是展示信息空间状态的一种可视化技术。,63,热图,热图(,Heatmap,)是一项数据展示技术,将变量值用不同的颜色或高亮形式描绘出来。可以非常直观的呈现一些原本不易理解或表达的数据,比如密度、频率、温度等。,64,热图,65,机遇与挑战,三,66,大数据赋予我们洞察未来的能力,机遇,马云成功预测 年经济危机,“年初,阿里巴巴平台上整个买家询盘数急剧下滑,欧美对中国采购在下滑。海关是卖了货,出去后来再获得数据;我们提前六个月时间从询盘上推断出世界贸易发生变化了。”,一般而言,买家在采购商品前,会比较多家供应商的产品,反应到阿里巴巴网站记录数据中,就是查询点击的数量和购置点击的数量会保持一种相对的数值,综合各个维度的数据可建立顾客行为模型。由于数据样本巨大,保证顾客行为模型的精确性。因此在这个案例中,询盘数据的下降,自然导致买盘的下降。,人类从依托自身判断做决定到依托数据做决定的转变,也是大数据作出的最大奉献之一。大数据时代,67,挑战,诸多领域的问题亟待处理,最重要的是每个人的信息都被互联网所记录和保留了下来,并且进行加工和运用,为人所用,而这正是我们所担忧的信息安全隐患!,更多的隐私、安全性问题:我们的隐私被二次运用了,多少密码和账号是由于“社交网络”流出去的?,4月索尼的系统漏洞导致7700万顾客资料失窃,4月,iOS被发现会按照时间次序记录顾客的位置坐标信息,CSDN密码泄露事件,眼下中国互联网热门的话题之一就是互联网实名制问题,我乐意相信这是个好事。毕竟我们假如明着亮出自己的身份,互联网才能对我们的隐私予以更好保护。,68,大数据的营销案例,一、未卜先知怀孕案例,塔吉特:比父亲更早懂得女儿怀孕,曾经有一位男性顾客到一家塔吉特超市店中投诉,商店居然给他还在读书的女儿寄婴儿用品的优惠券。这家全美第二大零售商,会搞出如此大的乌龙?但通过这位父亲与女儿深入沟通,才发现自己女儿真的已经怀孕了。,提问:,为何塔吉特能懂得这个顾客怀孕了?必须有哪几种关键环节,A:顾客数据搜集 B:怀孕特性库 C:怀孕潜在顾客筛选,塔吉特在和顾客沟通过程中采用了哪种营销方式,A:电子邮件 B:直邮 C:电话营销 D:数据库营销,69,大数据的营销案例,一、未卜先知怀孕案例,关键环节一:数据信息记录,一家零售商是怎样比一位女孩的亲生父亲更早得知其怀孕消息的呢?每位顾客初次到塔吉特刷卡消费时,都会获得一组顾客识别编号,内含顾客姓名、信用卡卡号及电子邮件等个人资料。后来但凡顾客在塔吉特消费,计算机系统就会自动记录消费内容、时间等信息。再加上从其他管道获得的记录资料,塔吉特便能形成一种庞大数据库,运用于分析顾客喜好与需求。,每个ID号还会对号入座的记录下你的人口记录信息:年龄、与否已婚、与否有子女、所住市区、住址离Target的车程、薪水状况、近来与否搬过家、钱包里的信用卡状况、常访问的网址等等。Target还可以从其他有关机构那里购置你的其他信息:种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。乍一看,你会觉得这些数据毫无意义,但在Andrew Pole和顾客数据分析部的手里,这些看似无用的数据便爆发了前述强劲的威力,70,大数据的营销案例,一、未卜先知怀孕案例,关键环节二:数据模型建立,Andrew Pole想到了Target有一种迎婴聚会(baby shower)的登记表。Andrew Pole开始对这些登记表里的顾客的消费数据进行建模分析,很快就发现了许多非常有用的数据模式。例如模型发现,许多孕妇在第2个妊娠期的开始会买许多大包装的无香味护手霜;在怀孕的最初20周大量购置补充钙、镁、锌的善存片之类的保健品。最终Andrew Pole选出了25种经典商品的消费数据构建了“怀孕预测指数”,通过这个指数,Target可以在很小的误差范围内预测到顾客的怀孕状况,因此Target就能早早地把孕妇优惠广告寄发给顾客。,71,大数据的营销案例,一、未卜先知怀孕案例,关键环节三:建立和顾客沟通渠道,那么,顾客收到这样的广告会不会吓坏了呢?Target很聪颖地防止了这种状况,它把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不有关的商品优惠广告当中,这样顾客就不懂得Target懂得她怀孕了,72,大数据的营销案例,一、未卜先知怀孕案例,Target获得的成就:,根据Andrew Pole的大数据模型,Target制定了全新的广告营销方案,成果Target的孕期用品销售展现了爆炸性的增长。Andrew Pole的大数据分析技术从孕妇这个细分顾客群开始向其他多种细分客户群推广,从Andrew Pole加入Target的到间,Target的销售额从440亿美元增长到了670亿美元。,73,
    展开阅读全文

    开通VIP折扣优惠下载文档

    提示  咨信网声明:本文档由用户上传并分享,仅供学习交流、研究之用,未经授权,严禁复制、发行、汇编、翻译或网络传播等,侵权必究。

    咨信网小贴示:
    1、浏览或下载可查看了解,请点击【咨信网告知】。
    2、下载文件中如有侵权或不适当内容,将立即纠正。
    3、如果因为网速或其他原因下载失败请重新下载,重复下载[60天内]不扣币。
    4、开具发票登录电脑端申请,请点击【索取发票】。

    咨信网客服组:【微信客服】

    自信AI创作助手
    关于本文
    本文标题:大数据分析.ppt
    链接地址:https://www.zixin.com.cn/doc/14476782.html

    Copyright ©2010-2026   All Rights Reserved  宁波自信网络信息技术有限公司 版权所有   |  客服电话:0574-28810668    微信客服:咨信网客服    投诉电话:18658249818   

    违法和不良信息举报邮箱:help@zixin.com.cn    文档合作和网站合作邮箱:fuwu@zixin.com.cn    意见反馈和侵权处理邮箱:1219186828@qq.com   | 证照中心

    12321jubao.png12321网络举报中心 电话:010-12321  jubao.png中国互联网举报中心 电话:12377   gongan.png浙公网安备33021202000488号  icp.png浙ICP备2021020529号-1 浙B2-20240490   


    关注我们 :微信公众号  抖音  微博  LOFTER               

    自信网络  |  ZixinNetwork