大數據價值鏈的形成過程有哪些

1. 想問價值鏈分析步驟有哪些

價值鏈分析步驟有研發、設計、生產、營銷、售後服務等，作業鏈也稱價值鏈。 企業是一條由各項作業鏈接而成的作業鏈。企業作為作業鏈，其每完成一項作業都要消耗一定的資源，而作業產出又形成一定價值，並轉移到下一個作業之中，依次轉移，直至形成產成品並最終提供給外部顧客。 因此，企業產品中包含了各項作業所形成並向顧客提供的價值。從價值形成過程看，價值鏈就是從貨幣和價值的角度所反映的作業鏈。 價值鏈分析包括內部價值鏈分析和企業間價值鏈分析。
更多關於價值鏈分析步驟有哪些，進入：https://m.abcgonglue.com/ask/cb36001615833273.html?zd查看更多內容

2. 如何正確認識大數據的價值和效益

1、數據使用必須承擔保護的責任與義務

我國數據流通與數據交易主要存在以下問題：數據源活性不夠，數據中介機構還處於起步階段；多源數據的匯集技術尤其是非結構化數據分析技術滯後；缺乏熟悉不同行業並掌握在特定領域使用數據技術的人才。

數據的價值在於融合與挖掘，數據流通、交易有利於促進數據的融合和挖掘，搞活數據從而產生效益。數據共享開放、流通交易和數據保護及數據安全對數據技術提出嚴峻挑戰，對法律的制定及執行提出了很高要求。為此，數據使用必須承擔保護的責任與義務。

3. 我們為大數據貢獻了什麼

1、數據量大是大數據具有價值的前提。

當數據量不夠大時，它們只是離散的「碎片」，人們很難讀懂其背後的故事。隨著數據量不斷增加，達到並超過某個臨界值後，這些「碎片」就會在整體上呈現出規律性，並在一定程度上反映出數據背後的事物本質。

這表明，數據量大是數據具有價值的前提，大數據具有大價值。大數據的「大」是相對的，與所關注的問題相關。通常來說，分析和解決的問題越宏觀，所需要的數據量就越大。

2、數據關聯是大數據實現價值的基礎。

運用大數據解決的問題通常涉及多部門、多領域、多個體、多視角，單純的數據量的積累不一定能讓人認識事物的全局，只有將不同側面、不同局部的數據匯聚起來並加以關聯，才能產生對事物的整體性和本質性認識。

數據匯聚使數據可能產生價值，數據關聯使數據實現價值，因此必須推動數據開放共享。政府、企業是大數據的主要擁有者。要推動大數據轉化為發展動能，就要保障數據供給和合理合法開放共享。

3、計算分析使大數據最終產生價值。

大數據通常價值巨大但價值密度低，很難通過直接讀取提煉價值。只有通過綜合運用數學、統計學、計算機等工具進行大數據分析，才能使大數據產生價值，完成從數據到信息再到知識和決策的轉換。

大數據價值鏈包括數據採集、流通、儲存、分析與處理、應用等環節，其中分析與處理是核心。如果只存儲不分析，就相當於只買米不做飯，產生不了實際效益。

當前，我國大數據產業在某些環節（如儲存）過於集中，有產能過剩之虞，但在分析與處理環節的產能又嚴重不足，這應引起關注。還要看到，傳統用於分析數據的統計學方法和數據挖掘方法對於大數據並不適用，必須重建大數據的統計學基礎、計算基礎與數據挖掘方法基礎。

4、廣泛使用使大數據效益倍增。

大數據及其產品具有易復制、成本低、疊加升值、傳播升值等特點，能夠被廣泛、重復、疊加使用，具有較高的邊際效用和正外部性。同一組數據不僅可以在合理合法的前提下以較低成本提供給不同使用方，使單一數據服務多個主體。

而且還可以針對不同目的、使用不同方法進行分析，使單一數據產生多樣價值。因此，大數據能夠一次投入、反復使用，產生倍增效益，有利於提升各行各業應用數據解決困難和問題的能力。

5、大數據是新型生產要素和重要的基礎性戰略資源，蘊藏著巨大價值，經過深入挖掘並加以應用，能夠有力推動經濟轉型發展，重塑國家競爭優勢，提升國家治理現代化水平。

大數據是能夠靠制度、積累、科技撬動的，因而可以成為欠發達地區異軍突起的發展驅動力。大數據具有通用技術性，可以廣泛而深入地應用於企業生產、政府管理和社會治理、民生改善等各個領域。

產生難以估量的價值和效益。各級領導幹部、企業家、創業者乃至全民都應形成大數據思維，提高自覺、合法、有效利用大數據的意識，增強利用數據推進各項工作的本領，使大數據在經濟社會發展中發揮更大作用。

4. 大數據是怎麼定義的，大數據包括什麼

最早提出大數據的是麥肯錫公司，當時的定義是：

滲透在每一個行業和業務領域的數據，通過人們對這些海量數據的挖掘和運用，產生出一波新的生產率增長和消費者盈餘浪潮。

後來麥肯錫全球研究所給出的定義是：

一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統資料庫軟體工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特徵。

研究機構Gartner給出了這樣的定義：

「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。

網路的定義：

指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，所涉及的數據資料量規模巨大到無法通過人腦甚至主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。

簡單理解為：

"大數據"是一個體量特別大，數據類別特別大的數據集，並且這樣的數據集無法用傳統資料庫工具對其內容進行抓取、管理和處理。簡單的說就是超級存儲，海量數據上傳到雲平台後，大數據就會對數據進行深入分析和挖掘。

5. 價值鏈分析的步驟

價值鏈分析方法是企業為一系列的輸入、轉換與輸出的活動序列集合，每個活動都有可能相對於最終產品產生增值行為，從而增強企業的競爭地位。企業通過信息技術和關鍵業務流程的優化是實現企業戰略的關鍵。企業通過在價值鏈過程中靈活應用信息技術，發揮信息技術的使能作用、杠桿作用和乘數效應，可以增強企業的競爭能力。

價值鏈分析，需要身為企業靈魂人物的企業主、CEO及高管團隊具備相當水平的組織領導與管理能力。
1來源編輯
價值鏈分析法是由美國哈佛商學院教授邁克爾·波特提出來的，是一種尋求確定企業競爭優勢的工具。企業有許多資源、能力和競爭優勢，如果把企業作為一個整體來考慮，又無法識別這些競爭優勢，這就必須把企業活動進行分解，通過考慮這些單個的活動本身及其相互之間的關系來確定企業的競爭優勢。

2特點編輯
價值鏈分析方法
價值鏈分析方法
1．價值鏈分析的基礎是價值，其重點是價值活動分析。各種價值活動構成價值鏈。價值是買方願意為企業提供給他們的產品所支付的價格。也是代表著顧客需求滿足的實現。價值活動是企業所從事的物質上和技術上的界限分明的各項活動。它們是企業製造對買方有價值的產品的基石。

2．價值活動可分為兩種活動：基本活動和輔助活動。基本活動是涉及產品的物質創造及其銷售、轉移給買方和售後服務的各種活動。輔助活動是輔助基本活動並通過提供外購投入、技術、人力資源以及各種公司范圍的職能以相互支持。

3．價值鏈列示了總價值。價值鏈除包括價值活動外，還包括利潤，利潤是總價值與從事各種價值活動的總成本之差。

4．價值鏈的整體性。企業的價值鏈體現在更廣泛的價值系統中。供應商擁有創造和交付企業價值鏈所使用的外購輸入的價值鏈（上游價值），許多產品通過渠道價值鏈（渠道價值）到達買方手中，企業產品最終成為買方價值鏈的一部分，這些價值鏈都在影響企業的價值鏈。因此，獲取並保持競爭優勢不僅要理解企業自身的價值鏈，而且也要理解企業價值鏈所處的價值系統。

5．價值鏈的異質性。不同的產業具有不同的價值鏈。在同一產業，不同的企業的價值鏈也不同，這反映了他們各自的歷史、戰略以及實施戰略的途徑等方面的不同，同時也代表著企業競爭優勢的一種潛在來源。

6. 價值鏈分析的過程有哪些

價值鏈分析主要包括三個基本內容1、認識和界定價值活動，
2、確認每項活動的價值貢獻和成本，
3、確認價值量性因素。

7. 價值鏈分析的三個步驟

價值鏈流程：

價值鏈的概念由美國學者邁克爾·波特提出，是指企業為客戶生產有價值的產品或服務而發生的一系列創造價值或價值增值的活動的集合。企業內部每一個活動是否創造價值，在於其是否能為後續活動提供所需，是否有助於後續活動的成本降低和質量改善。

價值鏈和業務流程：

價值鏈是企業各種作業支持實現價值目標的過程的抽象表示，是從價值的角度入手，重點研究價值目標和增值方式；而業務流程是具體反映企業的實際運行過程，是從客觀的角度出發，重點研究各種作業及其相互間的聯系。可見，價值鏈分析須以業務流程為基礎，而業務流程分析則以價值鏈為指導。對價值鏈分析的過程就是將企業整體業務流程（價值鏈）分解為相互聯系的單個的業務流程，再以單個業務流程中的多個價值活動（作業）為分析對象進行分析的過程。

實際上，降低單個價值活動的成本及最終成本的重要因素就是一個業務流程能否為下一個業務流程提供增值高效的產品或服務，價值鏈各個環節的創新也就是業務流程的再造。因此，企業需要站在更高的層次、更廣闊的視野去觀察和理解業務流程，將價值鏈和業務流程放在一起來分析，或者說從價值鏈流程分析入手，才可以更好理解企業的成本，以尋求成本發生的根源，提高降低成本的效率。

價值鏈分析的步驟：①把價值鏈分解為與戰略相關的作業、成本、收入和資產，並把它們分配到「有價值的作業」中。②確定引起價值變動的各項作業，並根據這些作業，分析形成作業成本及其差異的原因。③分析整個價值鏈中各節點企業之間的關系，確定核心企業與顧客和供應商之間作業的相關性。利用分析結果，重新組合或改進價值鏈，以更好地控製成本動因，產生可持續的競爭優勢，使價值鏈中各節點企業在激烈的市場競爭中獲得優勢。運用價值鏈的分析方法來確定核心競爭力，就是要求企業密切關注組織的資源狀態，要求企業特別關注和培養在價值鏈的關鍵環節上獲得重要的核心競爭力，以形成和鞏固企業在行業內的競爭優勢。

希望能幫到你

8. 價值鏈的內容構成

企業要生存和發展，必須為企業的股東和其他利益集團包括員工、顧客、供貨商以及所在地區和相關行業等創造價值。如果把「企業」這個「黑匣子」打開，我們可以把企業創造價值的過程分解為一系列互不相同但又相互關聯的經濟活動，或者稱之為「增值活動」，其總和即構成企業的「價值鏈」。
任何一個企業都是其產品在設計、生產、銷售、交貨和售後服務方面所進行的各項活動的聚合體。每一項經營管理活動就是這一價值鏈條上的一個環節。企業的價值鏈及其進行單個活動的方式，反映了該企業的歷史、戰略、實施戰略的方式以及活動自身的主要經濟狀況。
價值鏈的增值活動可以分為基本增值活動和輔助性增值活動兩大部分。
企業的基本增值活動，即一般意義上的「生產經營環節」，如材料供應、成品開發、生產運行、成品儲運、市場營銷和售後服務。這些活動都與商品實體的加工流轉直接相關。
企業的輔助性增值活動，包括組織建設、人事管理、技術開發和采購管理。這里的技術和采購都是廣義的，既可以包括生產性技術，也包括非生產性的開發管理，例如，決策技術、信息技術、計劃技術；采購管理既包括生產原材料，也包括其他資源投入的管理，例如，聘請有關咨詢公司為企業進行廣告策劃、市場預測、法律咨詢、信息系統設計和長期戰略計劃等。
價值鏈的各環節之間相互關聯，相互影響。一個環節經營管理的好壞可以影響到其他環節的成本和效益。比方說，如果多花一點成本采購高質量的原材料，生產過程中就可以減少工序，少出次品，縮短加工時間。
雖然價值鏈的每一環節都與其他環節相關，但是一個環節能在多大程度上影響其他環節的價值活動，則與其在價值鏈條上的位置有很大的關系。根據產品實體在價值鏈各環節的流轉程序，企業的價值活動可以被分為「上游環節」和「下游環節」兩大類。在企業的基本價值活動中，材料供應、產品開發、生產運行可以被稱為「上游環節」；成品儲運、市場營銷和售後服務可以被稱為「下游環節」。上游環節經濟活動的中心是產品，與產品的技術特性緊密相關；下游環節的中心是顧客，成敗優劣主要取決於顧客特點。不管是生產性還是服務性行業，企業的基本活動都可以用上價值鏈來表示，但是不同的行業價值的具體構成並不完全相同，同一環節在各行業中的重要性也不同。例如，在農產品行業，由於產品本身相對簡單，競爭主要表現為價格競爭，一般較少需要廣告營銷，對售後服務的要求也不是特別強烈，與之相應，價值鏈的下游環節對企業經營的整體效應的影響相對次要；而在許多工業機械行業以及其他技術性要求較高的行業，售後服務往往是競爭成敗的關鍵。

9. 詳解大數據的思想如何形成與其價值維度

詳解大數據的思想如何形成與其價值維度
比如經濟上，黃仁宇先生對宋朝經濟的分析中發現了「數目字管理」(即定量分析)的廣泛應用(可惜王安石變法有始無終)。又如軍事，「向林彪學習數據挖掘」的橋段不論真假，其背後量化分析的思想無疑有其現實基礎，而這一基礎甚至可以回推到2000多年前，孫臏正是通過編造「十萬灶減到五萬灶再減到三萬灶」的數據、利用龐涓的量化分析習慣對其進行誘殺。
到上世紀50-60年代，磁帶取代穿孔卡片機，啟動了數據存儲的革命。磁碟驅動器隨即發明，它帶來的最大想像空間並不是容量，而是隨機讀寫的能力，這一下子解放了數據工作者的思維模式，開始數據的非線性表達和管理。資料庫應運而生，從層次型資料庫(IBM為阿波羅登月設計的層次型資料庫迄今仍在建行使用)，到網狀資料庫，再到現在通用的關系資料庫。與數據管理同時發源的是決策支持系統(DSS)，80年代演變到商業智能(BI)和數據倉庫，開辟了數據分析——也就是為數據賦予意義——的道路。

那個時代運用數據管理和分析最厲害的是商業。第一個數據倉庫是為寶潔做的，第一個太位元組的數據倉庫是在沃爾瑪。沃爾瑪的典型應用是兩個：一是基於retaillink的供應鏈優化，把數據與供應商共享，指導它們的產品設計、生產、定價、配送、營銷等整個流程，同時供應商可以優化庫存、及時補貨;二是購物籃分析，也就是常說的啤酒加尿布。關於啤酒加尿布，幾乎所有的營銷書都言之鑿鑿，我告訴大家，是Teradata的一個經理編的，人類歷史上從沒有發生過，但是，先教育市場，再收獲市場，它是有功的。
僅次於沃爾瑪的樂購(Tesco)，強在客戶關系管理(CRM)，細分客戶群，分析其行為和意圖，做精準營銷。
這些都發生在90年代。00年代時，科研產生了大量的數據，如天文觀測、粒子碰撞，資料庫大拿吉姆·格雷等提出了第四範式，是數據方法論的一次提升。前三個範式是實驗(伽利略從斜塔往下扔)，理論(牛頓被蘋果砸出靈感，形成經典物理學定律)，模擬(粒子加速太貴，核試驗太臟，於是乎用計算代替)。第四範式是數據探索。這其實也不是新鮮的，開普勒根據前人對行星位置的觀測數據擬合出橢圓軌道，就是數據方法。但是到90年代的時候，科研數據實在太多了，數據探索成為顯學。在現今的學科里，有一對孿生兄弟，計算XX學和XX信息學，前者是模擬/計算範式，後者是數據範式，如計算生物學和生物信息學。有時候計算XX學包含了數據範式，如計算社會學、計算廣告學。
2008年克里斯·安德森(長尾理論的作者)在《連線》雜志寫了一篇《理論的終結》，引起軒然大波。他主要的觀點是有了數據，就不要模型了，或者很難獲得具有可解釋性的模型，那麼模型所代表的理論也沒有意義了。跟大家說一下數據、模型和理論。大家先看個粗糙的圖。
首先，我們在觀察客觀世界中採集了三個點的數據，根據這些數據，可以對客觀世界有個理論假設，用一個簡化的模型來表示，比如說三角形。可以有更多的模型，如四邊形，五邊形。隨著觀察的深入，又採集了兩個點，這時發現三角形、四邊形的模型都是錯的，於是確定模型為五邊形，這個模型反映的世界就在那個五邊形里，殊不知真正的時間是圓形。
大數據時代的問題是數據是如此的多、雜，已經無法用簡單、可解釋的模型來表達，這樣，數據本身成了模型，嚴格地說，數據及應用數學(尤其是統計學)取代了理論。安德森用谷歌翻譯的例子，統一的統計學模型取代了各種語言的理論/模型(如語法)，能從英文翻譯到法文，就能從瑞典文翻譯到中文，只要有語料數據。谷歌甚至能翻譯克萊貢語(StarTrek里編出來的語言)。安德森提出了要相關性不要因果性的問題，以後舍恩伯格(下面稱之為老舍)只是拾人牙慧了。
當然，科學界不認同《理論的終結》，認為科學家的直覺、因果性、可解釋性仍是人類獲得突破的重要因素。有了數據，機器可以發現當前知識疆域裡面隱藏的未知部分。而沒有模型，知識疆域的上限就是機器線性增長的計算力，它不能擴展到新的空間。在人類歷史上，每一次知識疆域的跨越式拓展都是由天才和他們的理論率先吹起的號角。
2010年左右，大數據的浪潮捲起，這些爭論迅速被淹沒了。看谷歌趨勢，」bigdata」這個詞就是那個時間一下子躥升了起來。吹鼓手有幾家，一家是IDC，每年給EMC做digitaluniverse的報告，上升到澤位元組范疇(給大家個概念，現在硬碟是太位元組，1000太=1拍，阿里、Facebook的數據是幾百拍位元組，1000拍=1艾，網路是個位數艾位元組，谷歌是兩位數艾位元組，1000艾=1澤);一家是麥肯錫，發布《大數據：創新、競爭和生產力的下一個前沿》;一家是《經濟學人》，其中的重要寫手是跟老舍同著《大數據時代》的肯尼思？庫克耶;還有一家是Gartner，杜撰了3V(大、雜、快)，其實這3V在2001年就已經被編出來了，只不過在大數據語境里有了全新的詮釋。
咱們國內，歡總、國棟總也是在2011年左右開始呼籲對大數據的重視。
2012年子沛的書《大數據》教育政府官員有功。老舍和庫克耶的《大數據時代》提出了三大思維，現在已經被奉為圭臬，但千萬別當作放之四海而皆準的真理了。
比如要數據全集不要采樣。現實地講，1.沒有全集數據，數據都在孤島里;2.全集太貴，鑒於大數據信息密度低，是貧礦，投入產出比不見得好;3.宏觀分析中采樣還是有用的，蓋洛普用5000個樣本勝過幾百萬調查的做法還是有實踐意義;4.采樣要有隨機性、代表性，采訪火車上的民工得出都買到票的結論不是好采樣，現在只做固定電話采樣調查也不行了(行動電話是大頭)，在國外基於Twitter采樣也發現不完全具有代表性(老年人沒被包括);5.采樣的缺點是有百分之幾的偏差，更會丟失黑天鵝的信號，因此在全集數據存在且可分析的前提下，全量是首選。全量>好的采樣>不均勻的大量。
再說混雜性由於精確性。擁抱混雜性(這樣一種客觀現象)的態度是不錯的，但不等於喜歡混雜性。數據清洗比以前更重要，數據失去辨識度、失去有效性，就該扔了。老舍引用谷歌PeterNovig的結論，少數高質量數據+復雜演算法被大量低質量數據+簡單演算法打敗，來證明這一思維。Peter的研究是Web文本分析，確實成立。但谷歌的深度學習已經證明這個不完全對，對於信息維度豐富的語音、圖片數據，需要大量數據+復雜模型。
最後是要相關性不要因果性。對於大批量的小決策，相關性是有用的，如亞馬遜的個性化推薦;而對於小批量的大決策，因果性依然重要。就如中葯，只到達了相關性這一步，但它沒有可解釋性，無法得出是有些樹皮和蟲殼的因導致治癒的果。西葯在發現相關性後，要做隨機對照試驗，把所有可能導致「治癒的果」的干擾因素排除，獲得因果性和可解釋性。在商業決策上也是一樣，相關性只是開始，它取代了拍腦袋、直覺獲得的假設，而後面驗證因果性的過程仍然重要。
把大數據的一些分析結果落實在相關性上也是倫理的需要，動機不代錶行為。預測性分析也一樣，不然警察會預測人犯罪，保險公司會預測人生病，社會很麻煩。大數據演算法極大影響了我們的生活，有時候會覺得挺悲哀的，是演算法覺得了你貸不貸得到款，谷歌每調整一次演算法，很多在線商業就會受到影響，因為被排到後面去了。
下面時間不多了，關於價值維度，我貼一些以前講過的東西。大數據思想中很重要的一點是決策智能化之外，還有數據本身的價值化。這一點不贅述了，引用馬雲的話吧，「信息的出發點是我認為我比別人聰明，數據的出發點是認為別人比我聰明;信息是你拿到數據編輯以後給別人，而數據是你搜集數據以後交給比你更聰明的人去處理。」大數據能做什麼？價值這個V怎麼映射到其他3V和時空象限中？我畫了個圖：
再貼上解釋。「見微」與「知著」在Volume的空間維度。小數據見微，作個人刻畫，我曾用《一代宗師》中「見自己」形容之;大數據知著，反映自然和群體的特徵和趨勢，我以「見天地、見眾生」比喻之。「著」推動「微」(如把人群細分為buckets)，又拉動「微」(如推薦相似人群的偏好給個人)。「微」與「著」又反映了時間維度，數據剛產生時個人價值最大，隨著時間decay最後退化為以集合價值為主。
「當下」和「皆明」在Velocity的時間維度。當下在時間原點，是閃念之間的實時智慧，結合過往(負軸)、預測未來(正軸)，可以皆明，即獲得perpetual智慧。《西遊記》里形容真假孫悟空，一個是「知天時、通變化」，一個是「知前後、萬物皆明」，正好對應。為達到皆明，需要全量分析、預測分析和處方式分析(prescriptiveanalytics，為讓設定的未來發生，需要採取什麼樣的行動)。
「辨訛」和「曉意」在Variety的空間維度。基於大體量、多源異質的數據，辨訛過濾雜訊、查漏補缺、去偽存真。曉意達到更高境界，從非結構數據中提取語義、使機器能夠窺探人的思想境界、達到過去結構化數據分析不能達到之高度。
先看知著，對宏觀現象規律的研究早已有之，大數據的知著有兩個新特點，一是從采樣到全量，比如央視去年「你幸福嗎」的調查，是街頭的采樣，前不久《中國經濟生活大調查》關於幸福城市排名的結論，是基於10萬份問卷(17個問題)的采樣，而清華行為與大數據實驗室做的幸福指數(繼挺兄、我、還有多位本群群友參與)，是基於新浪微博數據的全集(托老王的福)，這些數據是人們的自然表達(而不是面對問卷時的被動應對)，同時又有上下文語境，因此更真實、也更有解釋性。北上廣不幸福，是因為空氣還是房價或教育，在微博上更容易傳播的積極情緒還是消極情緒，數據告訴你答案。《中國經濟生活大調查》說「再小的聲音我們都聽得見」，是過頭話，采樣和傳統的統計分析方法對數據分布採用一些簡化的模型，這些模型把異常和長尾忽略了，全量的分析可以看到黑天鵝的身影，聽到長尾的聲音。
另一個特點是從定性到定量。計算社會學就是把定量分析應用到社會學，已經有一批數學家、物理學家成了經濟學家、寬客，現在他們也可以選擇成為社會學家。國泰君安3I指數也是一個例子，它通過幾十萬用戶的數據，主要是反映投資活躍程度和投資收益水平的指標，建立一個量化模型來推知整體投資景氣度。
再看見微，我認為大數據的真正差異化優勢在微觀。自然科學是先宏觀、具體，進入到微觀和抽象，這時大數據就很重要了。我們更關注社會科學，那是先微觀、具體，再宏觀、抽象，許小年索性認為宏觀經濟學是偽科學。如果市場是個體行為的總和，我們原來看到是一張抽象派的畫，看不懂，通過客戶細分慢慢可以形成一張大致看得懂的現實圖景，不過是馬賽克的，再通過微分、甚至定位個人，形成高清圖。我們每一個人現在都生活在零售商的bucket中(前面說的樂購創造了這個概念)，最簡單的是高收入、低收入這類反映背景的，再有就是反映行為和生活方式的，如「精打細算」、「右鍵點擊一族」(使用右鍵的比較techsavvy)。反過來我們消費者也希望能夠獲得個性化的尊崇，Nobody wants to be nobody today。
了解並掌握客戶比以往任何時候都更重要。奧巴馬贏在大數據上，就是因為他知道西岸40-49歲女性的男神是喬治·克魯尼，東岸同樣年齡段女性的偶像則是莎拉·傑西卡·帕克(《慾望都市》的主角)，他還要更細分，搖擺州每一個郡每一個年齡段每一個時間段在看什麼電視，搖擺州(俄亥俄)1%選民隨時間變化的投票傾向，搖擺選民在Reddit上還是Facebook上，都在其掌握之中。
對於企業來說，要從以產品為中心，轉到以客戶(買單者)甚至用戶(使用者)為中心，從關注用戶背景到關注其行為、意圖和意向，從關注交易形成轉到關注每一個交互點/觸點，用戶是從什麼路徑發現我的產品的，決定之前又做了什麼，買了以後又有什麼反饋，是通過網頁、還是QQ、微博或是微信。
再講第三個，當下。時間是金錢，股票交易就是快魚吃慢魚，用免費股票交易軟體有幾秒的延遲，而佔美國交易量60-70%的高頻程序化交易則要發現毫秒級、低至1美分的交易機會。時間又是生命，美國國家大氣與海洋管理局的超級計算機在日本311地震後9分鍾發出海嘯預警，已經太晚。時間還是機會。現在所謂的購物籃分析用的其實並不是真正的購物籃，而是結帳完的小票，真正有價值的是當顧客還拎著購物籃，在瀏覽、試用、選擇商品的時候，在每一個觸點影響他/她的選擇。數據價值具有半衰期，最新鮮的時候個性化價值最大，漸漸退化到只有集合價值。當下的智慧是從刻舟求劍到見時知幾，原來10年一次的人口普查就是刻舟求劍，而現在東莞一出事網路遷徙圖就反映出來了。當然，當下並不一定是完全准確的，其實如果沒有更多、更久的數據，匆忙對網路遷徙圖解讀是可能陷入誤區的。
第四個，皆明。時間有限，就簡單說了。就是從放馬後炮到料事如神(predictiveanalytics)，從料事如神到運籌帷幄(prescriptiveanalytics)，只知道有東風是預測分析，確定要借箭的目標、並給出處方利用草船來借，就是處方性分析。我們現在要提高響應度、降低流失率、吸引新客戶，需要處方性分析。
辨訛就是利用多源數據過濾雜訊、查漏補缺和去偽存真。20多個省市的GDP之和超過全國的GDP就是一個例子，我們的GPS有幾十米的誤差，但與地圖數據結合就能做到精確，GPS在城市的高樓中沒有信號，可以與慣性導航結合。
曉意涉及到大數據下的機器智能，是個大問題，也不展開了。貼一段我的文章：有人說在涉及「曉意」的領域人是無法替代的。這在前大數據時代是事實。《點球成金(Moneyball)》講的是數量化分析和預測對棒球運動的貢獻，它在大數據背景下出現了傳播的誤區：一、它其實不是大數據，而是早已存在的數據思維和方法;二、它刻意或無意忽略了球探的作用。從讀者看來，奧克蘭競技隊的總經理比利·比恩用數量化分析取代了球探。而事實是，在運用數量化工具的同時，比恩也增加了球探的費用，軍功章里有機器的一半，也有人的一半，因為球探對運動員定性指標(如競爭性、抗壓力、意志力等)的衡量是少數結構化量化指標無法刻畫的。大數據改變了這一切。人的數字足跡的無意識記錄，以及機器學習(尤其是深度學習)曉意能力的增強，可能逐漸改變機器的劣勢。今年我們看到基於大數據的情感分析、價值觀分析和個人刻畫，當這些應用於人力資源，已經或多或少體現了球探承擔的。

10. 價值鏈分析的過程有哪些

價值鏈的分析過程有三個，分別是：
1.認識和界定價值活動
2.確認每項活動的價值貢獻和成本
3.確定價值鏈結構性因素