阿里大數據之路

Ⅰ 阿里，騰訊和百度的互聯網大數據應用有何不同

網路、阿里巴巴和騰訊三大互聯網企業都擁有大數據，三大互聯網巨頭的數據都用內來優化自己業務的運營效容果，從這個層面看，其數據價值應用場景比較類似。但由於其業務和商業模式的不同決定了三者數據資產的不同，也決定了三者未來大數據策略的不同，尤其是基於大數據的開放和合作角度看，網路和阿里巴巴相對更加開放。對於重視大數據開放和合作的互聯網企業，他們最為期待的是借著大數據開放的策略，與更多的傳統行業交換更多的數據，從而更好的豐富其在線下數據，形成線上和線下數據的協同，從中拓展新的商業模式，如智能硬體和大數據健康。

Ⅱ 阿里達摩盤：如何運用「人貨場」方法構建標簽體系

作者介紹

畫像數據產品@草帽小子

《大數據實踐之路：中台+分析+應用》核心作者

專注用戶畫像，著有用戶畫像、標簽體系等系列文章

人人都是產品經理專欄作家

「數據人創作者聯盟」成員

大家好，我是草帽小子~

用戶標簽是通過對用戶基礎信息、用戶行為、業務信息等數據，進行數據建模所產生的用戶特徵。標簽是用戶畫像、用戶分層的基礎，在畫像產品的工作中，標簽體系的建設處於核心位置。

之前草帽小子有分析對比過不同廠的標簽體系建設方法，對比後會發現不同業務下標簽體系的分類方法也不一樣，具體見《 干貨 | 阿里/網易/汽車之家畫像標簽體系 》，下面我們來深入看看阿里達摩盤的標簽體系。

01  標簽體系

通常標簽較多時，用戶都會無從下手，就像是我們去到超市，要是貨架上的商品雜亂無章，我們也難以找到自己想要的商品。因而超市的做法會將商品按品類或是用途來進行分類，方便用戶尋找。

達摩盤標簽體系的劃分也使用了分類的方法，商家面對海量標簽會無從下手，因而達摩盤將電商中「人貨場」的方法運用於標簽分類中，劃分出用戶特徵、品類特徵、渠道特徵、私域特徵，從而更好地滿足商家的使用需求。

個體特徵，包含基礎特徵、親緣關系、地理位置、社會特徵、消費特徵、長期興趣、策略人群。

例如，消費力分級標簽：基於用戶在淘寶的瀏覽、搜索、購買等行為，綜合計算出用戶的消費能力水平，並劃分為5個等級，等級越高則表明消費能力越強。

品類特徵，包含類目行為、類目客單價、類目消費力分級、類目消費決策導向、行業特徵。這個類別構建了「人-商品」間的關系，跟《 阿里達摩盤：畫像營銷洞察有哪5種玩法？ 》中的單品圈人類似。

例如，美妝行業特徵標簽：根據用戶近60天在淘寶天貓，進行寶貝搜索和瀏覽收藏等互動行為時，所對應的寶貝屬性，篩選出用戶top30感興趣的屬性詞，並經過演算法加工後歸納到類目的屬性特徵人群。

渠道特徵，包含搜索渠道、推薦渠道、活動渠道、內容渠道、站外渠道、廣告渠道、天貓渠道。

例如，活動渠道行為標簽：根據近30天用戶在淘寶天貓活動渠道上，分類目的瀏覽、收藏等具體互動行為，進行偏好度計算，並按30%、40%、30%的比例進行高中低的偏好度打分。

02  標簽市場

在系統呈現層面，增加了標簽熱門指數、展現指數、點擊指數、出價指數，可進行標簽應用質量的評估。

增加了一些最新上線、實時標簽、我的收藏、即將下線的一些分類，方便用戶使用。

草帽小子：目前一些公開資料，只能看到前台的一些功能。而對於標簽建設者來說，標簽後台管理模塊也至關重要，能夠支持對標簽進行新增、下架、修改、查看等。感興趣的可以研究一些第三方CDP平台。

03  標簽推薦

標簽推薦模塊，平台提供今日精選推薦、實時人群播報、標簽排行榜、星耀精選、優質人群推薦服務，幫助商家快速選擇合適的人群。

標簽排行榜通過拉新場景榜、店鋪用戶運營榜、大促營銷榜，從不同維度對標簽進行排名，可以幫助商家在不知如何選時，參考熱門標簽。

系統推薦店鋪潛客、店鋪新客、店鋪老客的顯著特徵，從而方便商家圈選人群。

標簽上新也會進行推薦，這樣標簽上線容易被發現，不然會無人問津。

草帽小子：在上一個洞察模塊《 阿里達摩盤：畫像營銷洞察有哪5種玩法？ 》，我們也會發現有標簽推薦的功能。很多團隊在業績匯報時，會說我們這個季度建設了多少標簽，可能已經建設了上千個。但是在做標簽應用時，會發現營銷人員用起來難。

面對上千個標簽，營銷人員腦子也會一頭霧水，到底什麼場景下，使用什麼標簽才能更好？

最後很不幸的結果是，營銷人員通常只會用幾個平時用的比較多的標簽，圈選出來的人群推送效果達不到最佳。標簽產研團隊最後也會被老闆質疑，投入這么多精力開發上千個標簽，一半以上的標簽都沒人用，你們怎麼搞的？

因而，系統建設者需要結合一些運營模型，做到不同運營場景下的標簽組合推薦。

04  小結

不同業務標簽體系劃分的方式不一樣，如電商業務使用的「人貨場」標簽體系、長租業務中是用「人房客」標簽體系、汽車業務使用「人車「標簽體系…盡管不同行業建設的標簽體系千變萬化，但不變的是標簽體系的劃分，要符合用戶的使用習慣，方便用戶尋找特定標簽。

Ⅲ 7.阿里大數據——大數據建模

數據模型就是數據組織和存儲方法，它強調從業務、數據存取和使用角度合理存儲數據。
適合業務和基礎數據存儲環境的模型，大數據能獲得以下好處：

大數據系統需要數據模型方法來幫助更好的組織和存儲數據，以便在性能、成本、效率和質量之間取得最佳平衡。

不管是Hadoop、Spark還是阿里巴巴集團的MaxCompute系統，仍然在大規模使用SQL進行數據的加工和處理，仍然在用Table存儲數據，仍然在使用關系理論描述數據之間的關系，只是在大數據領域，基於其數據存取的特點在關系數據模型的範式上有了不同的選擇而已。

從全企業的高度設計一個3NF模型，用實體關系（Entity Relationship，ER）模型描述企業業務，在範式理論上符合3NF。數據倉庫中的3NF與OLTP中不同過，有以下特點：

ER模型建設數據倉庫的出發點是整合數據，為數據分析決策服務。建模步驟分為三個階段：

維度建模從分析決策的需求出發構建模型，為分析需求服務，因此它重點關注用戶如何更快速地完成需求分析，同時具有較好的大規模復雜查詢的響應性能。其典型代表事星形模型，以及在一些特殊場景下使用的雪花模型。其設計步驟如下：

它是ER模型的衍生，其設計的出發點也是為了實現數據的整合，但不能直接用於數據分析決策。它強調建立一個可審計的基礎數據層，也就是強調數據的歷史性、可追溯性和原子性，而不要求對數據進行過度的一致性處理和整合。該模型由一下幾部分組成：

Anchor對Data Vault模型做了進一步規范化處理，設計的初衷是一個高度可擴展的模型，其核心思想是所有的擴展只是添加而不是修改，因此將模型規范到6NF，基本變成了k-v結構化模型。組成如下：

經歷了多個階段：

Ⅳ 讀書筆記-07-數商-數據改變命運

之前看過一本書就做「奇特的一生」，本書的主人公叫柳比契夫，不僅是位著名科學家，還是「時間管理界」的大神。在他傳奇的一生中，一共有70多部著作。除了其專業領域外，還有歷史、宗教、數學等領域。柳比契夫的時間管理方式，首先做的就是時間記錄，他時間記錄到什麼程度？柳比契夫從1961年開始記錄直到其去世。在這長達56年的時間里，他把自己所有做過的事情，用了多長時間，都詳細地記錄了下來。
在這之上柳比契夫還會做周總結、月總結、年總結，統計其在每個事物上所花費的時間。有了這些數據，就能更科學做計劃了。因為其有足夠多的數據，對於時間就有超強的把控感，這樣制定的計劃也就更為合理，也更高效。我們可以想像當時在沒有電腦的時代，只能通過紙質地記錄方式，無論記錄還是查詢都非常麻煩和低效。而我們現在有了電腦，尤其是有了手機，隨手記錄顯得異常方便，但是作為數據時代先行者的我們，真的有效地使用了這種工具，幫我們提高工作效率？答案是不一定，工具還是那個工具，工具要想發揮它的功效，首先你要深刻理解數據重要性，能想像到數據帶來的好處，以及知道如何記錄數據，最後再有一個易用的工具，這樣才能真正把數據用起來。綜合來看，就是徐子沛老師說的數商，只有數商足夠高，移動互聯網的工具才能發揮效能。
這就引出了我今天介紹的這本新書《數商》。之前我看很多大數據的書，比如《大數據時代》、阿里的《大數據之路》、車品覺的《數據的本質》和《決戰大數據》、《數據中台》，更多的就是專業大數據技術書籍。一直沒有看徐子沛老師的書，覺得沒有什麼特別的新意，聽了羅振宇將這本書的時候，才決定看一下，看完後還是感覺收獲頗豐。數商講的是一個人如何駕馭數據的能力，數商會像智商、情商一樣，決定著我們的未來。
這本書一開始就有一套數商測試題，一共34道。它測的不是你的數學能力，而是把我數據的能力。我測了一下，是82分，這套有幾個問題決定了我很難拿到90分以上，比如，把你的情緒打分記錄下來，把你的朋友關系打分記錄下來，預測一件事打分記錄下來等等，像這樣的題，其實就像前面提到的柳比契夫每天做的時間管理一樣，把自己的所有經歷都數據化。這可能就是一般人和大神級人物的區別，看似只有一點點的區別，其實做到這點難度極大。本書後面是通過一個個故事把數商的價值體現出來，比如賭場、見未來岳母、疫情、奶茶與糞堆等等，裡面的故事非常精彩，為我們後續的構建自己的大數據體系提供了很好的素材。我還特意來了徐子沛的三本實體書，主要是想寫學習徐老師講故事的能力。
同時他裡面的每一個故事，都在告訴我們一個道理，一個普通人完全可以通過不斷提升自己對數據的駕馭能力，來把握自己的命運，甚至是挑戰權威。如果我們仔細想想真的是這樣，現在「智商」和「情商」，大家都已經非常重視，都在通過各種方式提高，你如果想在這兩個方面特出越來越難，但是數商卻還是一片開闊地，一方面大部分人沒意識到，一方面還沒有特別的有效方法，只要我們稍微注意一下，就能很快脫穎而出。
在這個大數據時代，在這個階級逐步固化的時代，《數商》給我們指明一條彎道超車之路，這條依然坎坷，但是他有機會超車，也許是這時代賦予我們的機會。

Ⅳ 大數據之路

人類從「IT時代」進入「DT時代」。本書介紹了阿里巴巴的大數據系統架構，為了滿足不斷變化的業務需求，同時實現系統的 高擴展性 、 靈活性 以及 數據展現的高性能 。
數據體系主要包括： 數據採集 、 數據計算 、 數據服務 和 數據應用 四大層次。

事實表包括引用的 維度 和描述具體業務的 度量 。

事實表中一條記錄描述的業務的細節程度稱為 粒度 。粒度可以使用兩種方式來表示：（1）維度屬性組合（2）所表示的具體業務含義。

事實包括可加性、半可加性和不可加性三種類型：
半可加性：只可以針對特定維度做聚合，例如庫存（不能按照日期，可按照倉庫聚合）。
可加性：可以按照任意維度聚合。
不可加性：完全不具備可加性。（例如：比率，事實表可以拆分存儲分子分母）

維度屬性也可以存到事實表中，稱為 退化維度 。

事實表有三種類型：事務事實表、周期快照事實表、累計快照事實表。
事務事實表描述的是業務過程上的原子事務，也稱為 原子事實表 。
周期快照事實表是按照周期性規律的時間間隔記錄事實。
累計快照事實表：累計快照事實表用來表示過程開始和結束過程之間的關鍵步驟事件，覆蓋整個生命周期，通常用多個日期欄位記錄關鍵時間點，記錄會隨著時間變化而修改。

事實表設計原則：
原則1： 盡可能包含所有與業務過程相關的事實。
即時存在冗餘，也盡可能存儲。

原則2：只選擇與業務過程相關的事實。

原則3：分解不可加事實為可加的組件。
例如：不存成單率，轉而存儲成單數和提單數。

原則4：選擇維度和事實前，必須先聲明粒度。
建議粒度設置的越細越好，這樣可以最大限度的提高靈活性。可以通過業務描述或者維度屬性組合的方式來定義粒度。

原則5：在同一個事實表中，不應該有不同粒度的事實。
例如：一個事實表中不應該包含某些精確到訂單粒度的度量，同時又包含只精確到城市的度量。

原則6：事實的單位一致。

原則7：盡量處理掉事實表中的null值。
SQL中大於，小於的條件不適用與null值，所以盡量用數值替代null，例如0.

原則8：使用退化維度增加事實表的易用性。
在Kimball的維度設計模型中，分拆出單獨的維度表，為了節省存儲。但是為了減少使用時的關聯次數，可以多使用退化維度提供事實表易用性。

事實表設計方法：
1.選擇業務過程及確定事實表類型。2. 聲明粒度。3.確定維度。4.確定事實。5.冗餘維度（設計退化維度）。

事務事實表，即針對業務過程構建的一類事實表，用來跟蹤定義業務過程的個體行為，提供豐富的分析能力，作為數據倉庫原子的明細數據。

單事務事實表，即針對每一個業務過程設計一個事實表，這樣可以方便地對每一個業務過程進行分析研究。

表示同一個事實表包含不同的業務過程。多事務事實表有兩種實現方法：（1）使用兩個不同的事實欄位來保存各自業務過程。（2）使用同一個欄位保存，但是增加一個業務過程標簽。
下面舉例說明，淘寶交易事務事實表同時包含下單、支付和成功完結三個過程，三個過程粒度一致，可以放在一個事實表。下面確定維度和事實，該表中的下單度量、支付度量和成功完結度量信息分別存在不同欄位，如果不是當前業務處理，則用0來處理。
當不同業務過程的度量比較相似、差異不大時使用第二種事實表（使用一個欄位保存），當不同業務過程的度量差異大時，使用第一種（多欄位保存）。

對於單事務事實表和多事務事實表的選擇上，可以從以下一些方面來區分：
業務過程、粒度和維度（不同業務過程粒度相同，並且維度相似時，可以選用單事務事實表）、事實、下游業務使用、計算存儲成本。電商環境下，有父子訂單的概念，店鋪多商品各生成一個訂單，在一個店鋪合成一個父訂單。

1.事實完整性：事實表包含與其描述的過程有關的所有事實。
2.事實一致性：明確存儲每一個事實以確保度量一致性。例如，有下單商品數和商品價格2個事實，同時保存下單金額（價格*商品數）。這樣下游使用時，直接取下單金額，而不是再次計算，以保證指標的一致性。
3.事實可加性：為確保下游使用時，指標的可聚合性，盡量保存原始數，而不是計算後的比率指標。

對於事務度量，事務性事實表可以很好地表徵。但是對於一些 狀態度量 ，例如買賣家累計交易金額、商品庫存、買賣家星級、溫度（事務事實表無法聚合得到）等，事務事實表的效率較低或者無法處理。為了解決狀態度量問題，引入周期性快照事實表（也稱為 快照事實表 ）。

1.用快照采樣狀態：快照事實表以預定的間隔采樣狀態度量。
2.快照粒度：快照事實表通常總是被多維聲明，即快照需要采樣的周期以及什麼將被采樣。
3.密度和稠密性：稠密性是快照事實表的重要特徵。事務事實表一般都是稀疏的，只要發生業務才會有相應記錄。
4.半可加性：快照事實表的狀態度量都是半可加的，例如商品庫存，只針對商品維度可加，對日期維度不可加。

設計快照事實表，首先確定快照粒度，然後確定采樣的狀態度量。下面介紹幾個快照事實表實例。
單維度每天快照事實表、混合維度每天快照事實表，這兩種快照表都可以從事務事實表匯總得到。另外的一種產出模式是直接使用操作型系統作為數據源來加工，例如淘寶賣家的星級評分是在操作型系統中計算得出的，倉庫直接拿來這部分數據加入事實表。全量快照事實表，是特殊類型的周期快照表，例如設計無事實的事實表來記錄評論的狀態度量。

對於研究事件之間的時間間隔需求時，累計快照事實表能較好符合需求。
特點：
1.數據不斷更新：例如，在下單、支付和確認收貨三個業務過程中，事務事實表會生成3條記錄，而累計快照表會不斷更新一條記錄（不生成新記錄）。
2.多業務過程日期：
累計快照表適用於具有較明確起止時間的短生命周期的實體，對於每個實體都經歷從誕生到消亡等步驟。
3.存儲歷史全量數據。

1.事件類的，例如瀏覽日誌。
2.條件范圍資格類的，例如客戶和銷售人員的分配情況。

主要是提前聚合，為了增加數據訪問的效率（不用再聚合了），減少數據不一致的情況。這類聚集匯總數據，被稱為「公共匯總層」。
聚集的基本步驟：1.確定聚集維度。2.確定一致性上鑽。3.確定聚集事實。

元數據主要記錄數據倉庫中模型的定義、各層級間映射關系、監控數據倉庫的數據狀態及ETL任務的運行狀態。元數據分為 技術元數據 和 業務元數據 。
阿里巴巴技術元數據包括：
數據表、列等信息；ETL作業的信息；數據同步、任務調度、計算任務等信息。數據質量和運維相關元數據。
阿里巴巴業務元數據包括：
維度屬性、業務過程、指標等。數據應用元數據，例如數據報表、數據產品等。

元數據價值：
元數據在數據管理方面為集團數據在計算、存儲、成本、質量、安全、模型等治理領域上提供數據支持。

阿里MaxCompute提供了archive壓縮方法，採用了具有更高壓縮比壓縮演算法，將數據以RAID file的形式存儲。這樣可以節省空間，但是恢復起來也更復雜，所以適用於冷備份的數據。

MaxCompute基於列存儲，通過修改表的數據重分布，避免列熱點，將會節省一定存儲空間。

存儲治理項以元數據為基礎，列出例如「62天內未訪問的分區」、「數據無更新的任務列表」等等管理項推動ETL優化。形成現狀分析、問題診斷、管理優化、效果反饋的存儲治理項優化的閉環。

生命周期管理的目的是用最少的存儲成本來滿足最大業務需求，實現數據價值最大化。
1.周期性刪除策略：
2.徹底刪除策略：主要針對無用表，ETL中間過程表。
3.永久保存策略：
4.極限存儲策略：
5.冷數據管理策略：針對重要且訪問頻率低的數據。
6.增量表merge全量表策略：

將一個數據表的成本分為存儲成本和計算成本，除此之外，上游表對該表的掃描成本也應該計入。相應的計費分別核算為：計算付費、存儲付費和掃描付費。數據資產的成本管理分為數據成本計量和數據使用計費。

Ⅵ 阿里大數據學院的詳細情況，有了解的嗎

阿里大數據學院由阿里雲、慧科集團和高校三方聯手共建，是近兩年產教融合、校企合專作的新嘗試。屬學院採用「產學合作協同育人」人才培養模式，校企共同辦學，共建大數據、雲計算、雲安全等專業（不只是你說的大數據專業哦）、 實訓基地、 雙師團隊、 大數據教學資源庫，以項目實戰和課(程)證(書)融合的教學模式培養大數據技術應用型創新型人才，為當地大數據、雲計算等前沿信息產業高速發展提供人才支撐。
除了你提到的成都信息工程大學外，還有貴州理工學院、北京城市學院、福州職業技術學院與阿里雲、慧科合作成立了阿里大數據學院，培養符合市場需求緊缺的技術人才。

Ⅶ BAT三巨頭開始挖掘大數據

BAT三巨頭開始挖掘大數據
阿里巴巴CTO即阿里雲負責人王堅博士說過一句話：雲計算和大數據，你們都理解錯了。
實際上，對於大數據究竟是什麼業界並無共識。大數據並不是什麼新鮮事物。信息革命帶來的除了信息的更高效地生產、流通和消費外，還帶來數據的爆炸式增長。「引爆點」到來之後，人們發現原有的零散的對數據的利用造成了巨大的浪費。移動互聯網浪潮下，數據產生速度前所未有地加快。人類達成共識開始系統性地對數據進行挖掘。這是大數據的初心。數據積累的同時，數據挖掘需要的計算理論、實時的數據收集和流通通道、數據挖掘過程需要使用的軟硬體環境都在成熟。
概念、模式、理論很重要，但在最具實干精神的互聯網領域，行動才是最好的答案。國內互聯網三巨頭BAT坐擁數據金礦，已陸續踏上了大數據掘金之路。
BAT都是大礦主，但礦山性質不同
數據如同蘊藏能量的煤礦。煤炭按照性質有焦煤、無煙煤、肥煤、貧煤等分類，而露天煤礦、深山煤礦的挖掘成本又不一樣。與此類似，大數據並不在「大」，而在於「有用」。價值含量、挖掘成本比數量更為重要。
網路擁有兩種類型的大數據：用戶搜索表徵的需求數據;爬蟲和阿拉丁獲取的公共web數據。
阿里巴巴擁有交易數據和信用數據。這兩種數據更容易變現，挖掘出商業價值。除此之外阿里巴巴還通過投資等方式掌握了部分社交數據、移動數據。如微博和高德。
騰訊擁有用戶關系數據和基於此產生的社交數據。這些數據可以分析人們的生活和行為,從裡面挖掘出政治、社會、文化、商業、健康等領域的信息，甚至預測未來。
下面，就將三家公司的情況一一掃描與分析。
一、網路：含著數據出生且擁有挖掘技術，研究和實用結合
搜索巨頭網路圍繞數據而生。它對網頁數據的爬取、網頁內容的組織和解析，通過語義分析對搜索需求的精準理解進而從海量數據中找准結果，以及精準的搜索引擎關鍵字廣告，實質上就是一個數據的獲取、組織、分析和挖掘的過程。
除了網頁外，網路還通過阿拉丁計劃吸收第三方數據，通過業務手段與葯監局等部門合作拿到封閉的數據。但是，盡管網路擁有核心技術和數據礦山，卻還沒有發揮出最大潛力。網路指數、網路統計等產品算是對數據挖掘的一些初級應用，與Google相比，網路在社交數據、實時數據的收集和由數據流通到數據挖掘轉換上有很大潛力，還有很多事情要做。
2月底在北京出差時，寫了一篇《搜索引擎的大數據時代》發在虎嗅。創造了零回復的記錄。盡管如此，仍然沒有打消我對搜索引擎在大數據時代深層次變革的思考。 搜索引擎在大數據時代面臨的挑戰有：更多的暗網數據;更多的WEB化但是沒有結構化的數據;更多的WEB化、結構化但是封閉的數據。這幾個挑戰使得數據正在遠離傳統搜索引擎。不過，搜索引擎在大數據上畢竟具備技術沉澱以及優勢。
接下來，網路會向企業提供更多的數據和數據服務。前期網路與寶潔、平安等公司合作，為其提供消費者行為分析和挖掘服務，通過數據結論指導企業推出產品，是一種典型的基於大數據的C2B模式。與此類似的還有Netflix的《紙牌屋》美劇，該劇的男主角凱文·史派西和導演大衛·芬奇都是通過對網路數據挖掘之後，根據受歡迎情況選中的。
網路還會利用大數據完成移動互聯網進化。核心攻關技術便是深度學習。基於大數據的機器學習將改善多媒體搜索效果和智能搜索，如語音搜索、視覺搜索和自然語言搜索。這將催生移動互聯網的革命性產品的出現。盡管網路已經出發，其在大數據上可做的事情還有很多。
在數據收集方面，網路需要聚合更多高價值的交易、社交和實時數據。例如加強自己貼吧知道的社交能力、盡快讓地圖服務與O2O結合進而掌握交易數據，以及推進移動App、穿戴式設備等數據收集系統。
在數據處理技術上，網路成立深度學習研究院加強自己在人工智慧領域的探索，在多媒體和中文自然語言處理領域已經有一些進展;雲存儲、雲計算的基礎設施建設也在逐步完善。但深度學習仍然是一個巨大的挑戰，網路等探索者還有很多待解問題，如：無監督式學習、立體圖像識別。
在數據變現方面，網路需將數據挖掘能力、數據內容聚合和提取等形成標准化的服務和產品，進而開拓大數據領域的企業和開發者市場。而不僅僅是頗為個性化、定製化地為大型企業提供解決。
網路的優勢體現在海量的數據、沉澱十多年的用戶行為數據、自然語言處理能力和深度學習領域的前沿研究。在技術人才方面網路是聚集國內最多大數據相關領域頂尖人才的公司。聽說網路前段時間花五千萬挖了數據挖掘、自然語言處理、深度學習領域的十來位大牛，包括一些學者和教授。例如Facebook科學家徐偉。
在挖人上，捨得花錢不夠，還得用心。對於真正的大牛來說，錢只是一個影響因素。能否實現自己的夢想，公司的資源能否幫助自己的研究至關重要。徐偉在回國前就曾問過其他從矽谷回國工程師的意見，得到答案是積極的，最終促成他作出決定。
總體來看，網路擁有大數據也具備大數據挖掘的能力，並且正在進行積極地准備和探索。在加強面向未來的研究和人才布局的同時，也注重實用性的技術產出。
二、騰訊：數據為產品所用，自產自銷
微創新提出者金錯刀有個關於騰訊的故事。 1999年騰訊公司剛剛成立不久，天使投資人劉曉松決定向其注資的一個主要原因就是因為他發現，「當時雖然他們的公司還很小,但已經有用戶運營的理念,後台對於用戶的每一個動作都有記錄和分析。」而另一個投資人卻因為馬化騰在公司很小時就花錢在數據上表示不滿。此後騰訊的產品生產及運營、騰訊游戲的崛起都離不開對數據的重視。
騰訊擁有社交大數據，在企鵝帝國完成數據的製造、流通、消費和挖掘。 騰訊大數據目前釋放價值更多是改進產品。據騰訊Q1財報，增值服務占總收入的78.7%;電子商務業務佔14.1%;網路廣告收入佔6.3%。從廣告收入比例可以看出騰訊的大數據在精準營銷領域暫時還未大量釋放出價值。與其產品線對應的GMAIL、Google+的Google以及社交巨頭Facebook則通過廣告賺得盆滿缽滿。
在筆者看來，騰訊的思路主要是補齊產品，注重QZONE、微信、電商等產品的後端數據打通。例如最近騰訊微博利用「大數據技術」實現好友關系自動分組、低質量信息自動過濾、優質信息分類閱讀等智能化功能。明顯的用數據改進產品的思路。 那麼如果騰訊要深入大數據挖掘缺少什麼呢?筆者認為其只需馬化騰「摁下啟動按鈕」。數據已經准備好了，就差模式，也就是找到需求或者能更深層次驅動大數據利用的產品，而不是用大數據改進自己的產品。騰訊還在觀望，等其他人去試錯驗證出一套模式或者產品後，自己可以「站在巨人肩上」。這是騰訊的典型思維。
在人才方面，騰訊很早便開始重金挖人。尤其是2010年在Google宣布退出中國後，Google圖片搜索創始人朱會燦、Google中國工程研究院副院長顏偉鵬、Google中日韓文搜索演算法的主要設計者，《浪潮之巔》及《數學之美》作者吳軍相繼加入騰訊。搜搜花了很多錢，但被認定為一款無法承載騰訊重託的產品，最後這些大牛都走了。大都回Google了。
騰訊在大數據領域也缺少技術帶頭人。其對公關也不重視。技術大牛很少出來做報告，更不會向網路、阿里那樣主動包裝宣傳技術大牛。其技術雖然低調，但執行力很強。據騰訊的程序員朋友說封閉開發、集體加班是常有的事情。但配套的重金激勵也能跟上。重金之下必有勇夫、騰訊用制度保障技術產出。另外騰訊在高校合作領先一步，在2010年便與清華大學合作成立了清華騰訊聯合實驗室。這么看騰訊的技術人才這塊似乎有短板。會不會到時候馬化騰按下啟動按鈕，發現沒數據挖掘能力呢?不會，騰訊搞不定數據挖掘，到時候依然可以挖到大牛，甚至讀論文來搞定這事兒。數據挖掘已較為成熟。數據挖掘實際是資料庫、統計學、機器學習三個領域的融合。在學術界已經發展多年。不過自然語言識別和深度學習等方面要趕上網路，就難了。除非將網路的數據和眾大牛一起倒騰過來。
總體來看，騰訊目前的大數據策略是先將產品補全，產品後台數據打通，形成穩定生態圈。本階段先利用大數據挖掘改進自己的產品。後期有成熟的模式合適的產品，則利用自家的社交及關系數據時，開展對大數據的進一步挖掘。
三、阿里巴巴：坐擁金數據，嘗試做面向未來的數據集市
阿里巴巴B2B出身，在外貿蓬勃的大環境下，依靠服務中小企業發家。淘寶、支付寶等toC的產品出生前，阿里並不依賴也不擅長技術。業界普遍認為阿里沒有技術基因。直到淘寶、支付寶以及天貓三個產品後，對海量用戶大並發量交易、海量貨架數據的管理、安全性等方面的嚴苛要求，阿里完成進化，在電商技術上取得不菲的成績。在一段時期阿里仍然浪費了手裡掌握的大量數據。這些數據還是「最值錢」的金數據。
數據挖掘無非是從原始數據提取價值。阿里現有的數據產品例如數據魔方、量詞統計、推薦系統、排行榜以及時光倒流相對來說是比較簡單的BI(商業智能)，沒到大數據的階段。「大數據」浪潮襲來，阿里提出「數據、金融和平台」戰略。前所未有地重視起對數據的收集、挖掘和共享。馬雲在「退居」前動不動都對外提「數據」。有位阿里朋友甚至開玩笑說，馬雲英文名可以從Jack Ma改為Data Ma。阿里現CEO陸兆禧曾做過CDO，首席數據官。為了用數據來驅動阿里電商帝國，阿里還成立了橫跨各大事業部的「數據委員會」。
阿里的各項投資案也顯示其整合、利用和完善數據的野心：新浪微博的社交及媒體數據、高德的地圖數據和線下數據以及友盟的移動應用數據，都是其數據及平台戰略的一部分。數據戰略正在首席人工智慧官(CBO)車品覺領頭下逐步落地，王堅的雲為其提供基礎設施、基礎技術支撐。
就在馬雲退休之後，王堅對外透露其跟馬雲開玩笑說的一句話：阿里巴巴對數據的理解深度，不會超過蘇寧對電子商務的理解。估計馬雲不一定認同他這話。馬雲對大數據已經有著自己的理解和考量。馬雲曾經說過其對大數據的思考。大致意思是：現在從信息時代進入數據時代了。區別是信息時代更多的是精英玩的游戲。我比別人聰明，我能提取出信息出來;數據時代，別人比我聰明，將數據開放給更聰明的人處理，數據即資產，分析即服務。
計算機發展的過程是從象牙塔、到平民到草根。大數據也是這樣，一開始在象牙塔階段，少數精英公司才能玩;但到後面只要有數據就有價值。數據也有所有權，產生數據、流通數據、挖掘數據的都會獲得相應的價值。而阿里擅長的便是「建立市場」，建立一個數據交易市場。屆時任何個人和企業都可以將數據和挖掘服務拿上去，交易。初期阿里會將自己珍藏的電商和信用數據逐步放到上面。 有數據的人，拿上去賣，或者讓別人分析，分析即服務。沒有數據的人，即可以去買，也可以去幫別人挖掘，做礦工。
阿里並不是技術驅動，而是業務驅動的。因此在技術層面我們看到，基於前面提到的阿里大數據思路，其技術重心主要在系統層面。阿里擁有LVS(Linux Virtual Server，Linux虛擬伺服器)開源軟體創始人章文嵩，Linux Kernal、文件系統、大牛DBA等領域的大牛。從人才布局可以看到阿里擅長的技術領域，體現在對於並發訪問、電信級別的電商業務的支撐方面的得心應手。在去年雙十一期間，支撐了單日過億的訂單量。鐵道部奇葩網12306在日均40萬時已經不行了。
總體來看，阿里更多是在搭建數據的流通、收集和分享的底層架構。自己並不擅長似乎也不會著重來做數據挖掘的活兒。而是將自己擅長的「交易」生意擴展到數據。讓天下沒有難做的「數據生意」。
總結一下
移動互聯網浪潮下，現實世界正在加速數字化，每個人，每個物體、每件事情、每一個時間節點，都在向網上映射。空間和時間兩個維度的聯網，使得數字世界正在接近一步步模擬現實世界。歷史、現在和未來都會映射到網上。對大數據的挖掘正是對世界的二次發現和感知。BAT三巨頭已經出發。

Ⅷ 阿里大數據營銷存在哪些問題

問題有如下幾點：
1、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，其在網路操作過程中產生的數據信息本身就不真實，另一方面，由於網路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，造成資料庫中真假信息混雜，嚴重影響了大數據的質量。
2、消費者的個人權益難以保障。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後的維護方法。
3、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資料庫中的客戶需求，針對不同的客戶，通過簡訊、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。

Ⅸ 阿里旅行的國際化之路你怎麼看

每個人都記得，當阿里巴巴集團在美國完成上市之後，馬雲口中的三大戰略——全球化、農村電商和大數據。作為阿里巴巴的旗下的旅遊業務，特殊的行業屬性賦予了他對全球市場更為迫切的渴望和按捺不住的國際化野心。

中國消費市場日新月異，消費者行為模式也正迅速改變，獲得心儀的產品與服務是他們最關心的;而隨著年輕一代消費群的成長，旅行的意義已經悄然改變，成為日常的一種生活方式。

我願意把中國的旅遊消費者訴求分為四大類，那就是出行、入住、度假、購物。當下的中國正在由傳統意義上的「單純旅遊」進入度假或者進入旅行的階段，在線旅遊公司提供的應該是一個有內生有外延的服務平台。人們談論更多的消費升級新機遇，說白了就是在消費升級的背後，迎來了服務型電商平台的肇始。

那麼阿里旅行可以定位成一家旅行服務型電商開放平台，阿里旅行與攜程、途牛等OTA公司不同，是依託阿里巴巴大平台建立的在線旅遊平台。阿里旅行的每一個創新動作，均是阿里生態體系勢能的輸出，在這背後是阿里系的「最強勢能」組合——阿里3.5億活躍用戶、芝麻信用、支付寶、花唄、阿里雲以及高德地圖等。

相比其它OTA，通過平台的模式幫助消費者和商家實時連接起來，更容易貼近遊客需求，便於供應商不斷完善和優化在中國市場的營銷策略。同時，可利用阿里大數據打通不同場景，為平台上的供應商提供最為精準的消費者畫像。這個平台，如果日後能夠做到商品和服務的高效契合，那麼看起來就會是一個頗具生態效應的全球化平台。提供了高效連接消費者和企業的創新平台，無論是國內的還是國際的航司、酒店、旅遊目的地還是出行服務甚至餐館，你都可以在這個平台上找到自己的用戶。

Ⅹ 阿里品牌數據銀行：全網最全數據銀行介紹！（附海量截圖）

作者介紹

畫像數據產品@草帽小子

《大數據實踐之路：中台+分析+應用》核心作者

著有用戶畫像、標簽體系、廣告投放等系列文章

人人都是產品經理專欄作家

「數據人創作者聯盟」成員

大家好，我是草帽小子~

上個系列篇《  阿里達摩盤：一文掌握阿里達摩盤的6大能力！ 》，我們介紹了達摩盤DMP，接下來我們一起來探究阿里的品牌數據銀行的能力。

01  初識品牌數據銀行

品牌數據銀行是阿里推出的消費者資產平台，融合了阿里全域渠道消費者數據以及品牌自有數據，助力品牌進行精細化分層運營。

品牌數據銀行的數據包含阿里系消費者數據，如支付寶、阿里媽媽、天貓、菜鳥驛站、餓了么等；以及品牌自有的消費者數據，如站外媒體曝光、品牌的粉絲會員等。

如下圖，看阿里系商家工具的對比，包含品牌數據銀行、達摩盤、客戶運營平台、生意參謀。從整體來看品牌數據銀行，是從品牌的維度來看消費者的數據，而達摩盤等主要是從店鋪維度；另外數據銀行能力包含品牌全網消費者數據迴流，數據范圍和應用范圍比達摩盤、生意參謀更廣。

品牌數據銀行由4A模型發展而來，即Aggregation融合、Analysis分析、Activation激活、Application應用，提供鏈路流轉分析、自定義分析、會員粉絲分析等功能模塊，幫助品牌快速、便捷地進行消費者運營，沉澱品牌消費者資產。

如下圖，阿里品牌數據銀行主要包含融合沉澱、分析診斷、數據激活、應用定製4大模塊。

接下來，我們來揭開數據銀行各個模塊神秘的面紗。

02  Aggregation融合

01  消費者資產

為了幫助品牌持續沉澱消費者數據，還原消費者旅程，洞察品牌與消費者的親疏關系，並持續深化與消費者關系，品牌數據銀行提供了AIPL方法，來劃分消費者分層。

消費者資產模塊，包含消費者分析、全鏈路分析、鏈路流轉分析。

消費者分析：劃分了活躍消費者、消費者資產、活躍消費者對標、消費者周增長率、潛客-顧客比、關系周加深率。

全鏈路分析：劃分A認知-I興趣-P購買-L忠誠，看不同階段的消費者人群整體變化趨勢。

鏈路流轉分析：劃分認知、興趣、購買、忠誠用戶，在初始和結束階段的人群流轉。

草帽小子：消費者資產模塊是品牌數據銀行早期就有的能力，其核心在於AIPL模型。選擇合適的用戶分層，並圍繞分層制定一定的轉化策略，對於消費者資產平台而言至關重要。例如阿里有AIPL用戶分層模型、京東有4A模型、位元組有O-5A模型，這些模型本身比較淺顯易懂，其背後對應的營銷轉化策略會更為復雜、重要。感興趣的朋友可以加數據交流群一起探討。

02  數據融合

品牌在發展過程中，會積累多方會員數據等，這些數據可以通過數據融合模塊進行處理。數據融合模塊包含上傳人群、上傳標簽、一方人群、一方標簽等。

草帽小子：該模塊主要能更好地幫助商家用好自有數據。

03  Analysis分析

分析診斷模塊，從粉絲會員、到商品分析，再到場景運營、活動沉澱分析、品牌增長分析等多視角進行深度分析。

01  場景運營

場景運營劃分了新客拓展、高潛人群促轉化、老客運營促復購、會員招募與運營、活動人群再營銷、新品運營策略等。將一些核心的運營方式場景化，可以十分直觀地給運營人員賦能。

草帽小子：場景運營是上新的能力，在分析的基礎上，加入了更多運營策略模板，提升產品的易用性，這對我們做畫像的人群推薦具有較大借鑒意義。

02  粉絲會員分析

粉絲會員分析，主要包含品牌會員、店鋪會員，分析活躍會員、不活躍會員、購買會員、活躍未購會員。

03  商品分析

商品分析，構建人-商品之間的關系，分析單品上消費者行為。並進一步分析該單品的總互動人數、新增品牌認知、興趣、購買、忠誠人數。

草帽小子：在用戶分群過程中，我們劃分的群體越多，運營人員反而越不知道怎麼用，難以形成比較體系化的策略。而品牌數據銀行做的比較好的是，使用了AIPL模型，將其貫穿至整個產品體系、分析體系、運營體系，從而發揮出數據產品的最大價值。

04  活動沉澱分析

活動沉澱分析，沉澱了消費者的活動數據，分析活動前1天和活動結束當天，消費者總量、品類購買力、消費者轉化力數據，以及活動的拉新和留存效果分析。

草帽小子：營銷活動在各大品牌促銷應用上十分廣泛，要統計好活動帶來的效果，則需做好活動數據的迴流、渠道數據歸因等。這是重點也是難點，後續文章進一步研究。

05  自定義人群分析

還有比較基礎的模塊就是自定義人群分析，這主要是人群圈選模塊，劃分了以場圈人、以貨圈人、屬性圈人、IP粉絲圈人幾種方式。這跟《 阿里達摩盤：圈選人群、渠道沉澱人群、智能迭代人群... 》構建方式類似。

草帽小子：通常屬性圈人是人群圈選中較為常用的模塊，需要結合一定的業務場景，例如在電商場景下，基於人-貨-場的模型，可拓展成以貨圈人、以場圈人等。在長租場景下，基於房-客模型，則為以房圈人。

04  Activation激活

數據激活主要是數據應用，根據品牌需求，將目標人群推送至鑽展等多渠道。

這里的對接，分了很多渠道，包括阿里媽媽、CRM、策略中心、天貓營銷平台、高德、支付寶、本地生活等等。

05  Application應用

應用模塊主要包含應用市場和數據工廠。例如在應用市場能力上，品牌方可根據不同營銷場景，訂購服務商已打包好的完整解決方案。

草帽小子：場景運營策略需要一定的數據分析和營銷經驗才能得出，服務商可將其進行售賣，進行商業變現。由此也可看出消費者資產平台中，營銷策略的重要性。