大数据价值链的形成过程有哪些

1. 想问价值链分析步骤有哪些

价值链分析步骤有研发、设计、生产、营销、售后服务等，作业链也称价值链。 企业是一条由各项作业链接而成的作业链。企业作为作业链，其每完成一项作业都要消耗一定的资源，而作业产出又形成一定价值，并转移到下一个作业之中，依次转移，直至形成产成品并最终提供给外部顾客。 因此，企业产品中包含了各项作业所形成并向顾客提供的价值。从价值形成过程看，价值链就是从货币和价值的角度所反映的作业链。 价值链分析包括内部价值链分析和企业间价值链分析。
更多关于价值链分析步骤有哪些，进入：https://m.abcgonglue.com/ask/cb36001615833273.html?zd查看更多内容

2. 如何正确认识大数据的价值和效益

1、数据使用必须承担保护的责任与义务

我国数据流通与数据交易主要存在以下问题：数据源活性不够，数据中介机构还处于起步阶段；多源数据的汇集技术尤其是非结构化数据分析技术滞后；缺乏熟悉不同行业并掌握在特定领域使用数据技术的人才。

数据的价值在于融合与挖掘，数据流通、交易有利于促进数据的融合和挖掘，搞活数据从而产生效益。数据共享开放、流通交易和数据保护及数据安全对数据技术提出严峻挑战，对法律的制定及执行提出了很高要求。为此，数据使用必须承担保护的责任与义务。

3. 我们为大数据贡献了什么

1、数据量大是大数据具有价值的前提。

当数据量不够大时，它们只是离散的“碎片”，人们很难读懂其背后的故事。随着数据量不断增加，达到并超过某个临界值后，这些“碎片”就会在整体上呈现出规律性，并在一定程度上反映出数据背后的事物本质。

这表明，数据量大是数据具有价值的前提，大数据具有大价值。大数据的“大”是相对的，与所关注的问题相关。通常来说，分析和解决的问题越宏观，所需要的数据量就越大。

2、数据关联是大数据实现价值的基础。

运用大数据解决的问题通常涉及多部门、多领域、多个体、多视角，单纯的数据量的积累不一定能让人认识事物的全局，只有将不同侧面、不同局部的数据汇聚起来并加以关联，才能产生对事物的整体性和本质性认识。

数据汇聚使数据可能产生价值，数据关联使数据实现价值，因此必须推动数据开放共享。政府、企业是大数据的主要拥有者。要推动大数据转化为发展动能，就要保障数据供给和合理合法开放共享。

3、计算分析使大数据最终产生价值。

大数据通常价值巨大但价值密度低，很难通过直接读取提炼价值。只有通过综合运用数学、统计学、计算机等工具进行大数据分析，才能使大数据产生价值，完成从数据到信息再到知识和决策的转换。

大数据价值链包括数据采集、流通、储存、分析与处理、应用等环节，其中分析与处理是核心。如果只存储不分析，就相当于只买米不做饭，产生不了实际效益。

当前，我国大数据产业在某些环节（如储存）过于集中，有产能过剩之虞，但在分析与处理环节的产能又严重不足，这应引起关注。还要看到，传统用于分析数据的统计学方法和数据挖掘方法对于大数据并不适用，必须重建大数据的统计学基础、计算基础与数据挖掘方法基础。

4、广泛使用使大数据效益倍增。

大数据及其产品具有易复制、成本低、叠加升值、传播升值等特点，能够被广泛、重复、叠加使用，具有较高的边际效用和正外部性。同一组数据不仅可以在合理合法的前提下以较低成本提供给不同使用方，使单一数据服务多个主体。

而且还可以针对不同目的、使用不同方法进行分析，使单一数据产生多样价值。因此，大数据能够一次投入、反复使用，产生倍增效益，有利于提升各行各业应用数据解决困难和问题的能力。

5、大数据是新型生产要素和重要的基础性战略资源，蕴藏着巨大价值，经过深入挖掘并加以应用，能够有力推动经济转型发展，重塑国家竞争优势，提升国家治理现代化水平。

大数据是能够靠制度、积累、科技撬动的，因而可以成为欠发达地区异军突起的发展驱动力。大数据具有通用技术性，可以广泛而深入地应用于企业生产、政府管理和社会治理、民生改善等各个领域。

产生难以估量的价值和效益。各级领导干部、企业家、创业者乃至全民都应形成大数据思维，提高自觉、合法、有效利用大数据的意识，增强利用数据推进各项工作的本领，使大数据在经济社会发展中发挥更大作用。

4. 大数据是怎么定义的，大数据包括什么

最早提出大数据的是麦肯锡公司，当时的定义是：

渗透在每一个行业和业务领域的数据，通过人们对这些海量数据的挖掘和运用，产生出一波新的生产率增长和消费者盈余浪潮。

后来麦肯锡全球研究所给出的定义是：

一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。

研究机构Gartner给出了这样的定义：

“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。

网络的定义：

指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，所涉及的数据资料量规模巨大到无法通过人脑甚至主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。

简单理解为：

"大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。简单的说就是超级存储，海量数据上传到云平台后，大数据就会对数据进行深入分析和挖掘。

5. 价值链分析的步骤

价值链分析方法是企业为一系列的输入、转换与输出的活动序列集合，每个活动都有可能相对于最终产品产生增值行为，从而增强企业的竞争地位。企业通过信息技术和关键业务流程的优化是实现企业战略的关键。企业通过在价值链过程中灵活应用信息技术，发挥信息技术的使能作用、杠杆作用和乘数效应，可以增强企业的竞争能力。

价值链分析，需要身为企业灵魂人物的企业主、CEO及高管团队具备相当水平的组织领导与管理能力。
1来源编辑
价值链分析法是由美国哈佛商学院教授迈克尔·波特提出来的，是一种寻求确定企业竞争优势的工具。企业有许多资源、能力和竞争优势，如果把企业作为一个整体来考虑，又无法识别这些竞争优势，这就必须把企业活动进行分解，通过考虑这些单个的活动本身及其相互之间的关系来确定企业的竞争优势。

2特点编辑
价值链分析方法
价值链分析方法
1．价值链分析的基础是价值，其重点是价值活动分析。各种价值活动构成价值链。价值是买方愿意为企业提供给他们的产品所支付的价格。也是代表着顾客需求满足的实现。价值活动是企业所从事的物质上和技术上的界限分明的各项活动。它们是企业制造对买方有价值的产品的基石。

2．价值活动可分为两种活动：基本活动和辅助活动。基本活动是涉及产品的物质创造及其销售、转移给买方和售后服务的各种活动。辅助活动是辅助基本活动并通过提供外购投入、技术、人力资源以及各种公司范围的职能以相互支持。

3．价值链列示了总价值。价值链除包括价值活动外，还包括利润，利润是总价值与从事各种价值活动的总成本之差。

4．价值链的整体性。企业的价值链体现在更广泛的价值系统中。供应商拥有创造和交付企业价值链所使用的外购输入的价值链（上游价值），许多产品通过渠道价值链（渠道价值）到达买方手中，企业产品最终成为买方价值链的一部分，这些价值链都在影响企业的价值链。因此，获取并保持竞争优势不仅要理解企业自身的价值链，而且也要理解企业价值链所处的价值系统。

5．价值链的异质性。不同的产业具有不同的价值链。在同一产业，不同的企业的价值链也不同，这反映了他们各自的历史、战略以及实施战略的途径等方面的不同，同时也代表着企业竞争优势的一种潜在来源。

6. 价值链分析的过程有哪些

价值链分析主要包括三个基本内容1、认识和界定价值活动，
2、确认每项活动的价值贡献和成本，
3、确认价值量性因素。

7. 价值链分析的三个步骤

价值链流程：

价值链的概念由美国学者迈克尔·波特提出，是指企业为客户生产有价值的产品或服务而发生的一系列创造价值或价值增值的活动的集合。企业内部每一个活动是否创造价值，在于其是否能为后续活动提供所需，是否有助于后续活动的成本降低和质量改善。

价值链和业务流程：

价值链是企业各种作业支持实现价值目标的过程的抽象表示，是从价值的角度入手，重点研究价值目标和增值方式；而业务流程是具体反映企业的实际运行过程，是从客观的角度出发，重点研究各种作业及其相互间的联系。可见，价值链分析须以业务流程为基础，而业务流程分析则以价值链为指导。对价值链分析的过程就是将企业整体业务流程（价值链）分解为相互联系的单个的业务流程，再以单个业务流程中的多个价值活动（作业）为分析对象进行分析的过程。

实际上，降低单个价值活动的成本及最终成本的重要因素就是一个业务流程能否为下一个业务流程提供增值高效的产品或服务，价值链各个环节的创新也就是业务流程的再造。因此，企业需要站在更高的层次、更广阔的视野去观察和理解业务流程，将价值链和业务流程放在一起来分析，或者说从价值链流程分析入手，才可以更好理解企业的成本，以寻求成本发生的根源，提高降低成本的效率。

价值链分析的步骤：①把价值链分解为与战略相关的作业、成本、收入和资产，并把它们分配到“有价值的作业”中。②确定引起价值变动的各项作业，并根据这些作业，分析形成作业成本及其差异的原因。③分析整个价值链中各节点企业之间的关系，确定核心企业与顾客和供应商之间作业的相关性。利用分析结果，重新组合或改进价值链，以更好地控制成本动因，产生可持续的竞争优势，使价值链中各节点企业在激烈的市场竞争中获得优势。运用价值链的分析方法来确定核心竞争力，就是要求企业密切关注组织的资源状态，要求企业特别关注和培养在价值链的关键环节上获得重要的核心竞争力，以形成和巩固企业在行业内的竞争优势。

希望能帮到你

8. 价值链的内容构成

企业要生存和发展，必须为企业的股东和其他利益集团包括员工、顾客、供货商以及所在地区和相关行业等创造价值。如果把“企业”这个“黑匣子”打开，我们可以把企业创造价值的过程分解为一系列互不相同但又相互关联的经济活动，或者称之为“增值活动”，其总和即构成企业的“价值链”。
任何一个企业都是其产品在设计、生产、销售、交货和售后服务方面所进行的各项活动的聚合体。每一项经营管理活动就是这一价值链条上的一个环节。企业的价值链及其进行单个活动的方式，反映了该企业的历史、战略、实施战略的方式以及活动自身的主要经济状况。
价值链的增值活动可以分为基本增值活动和辅助性增值活动两大部分。
企业的基本增值活动，即一般意义上的“生产经营环节”，如材料供应、成品开发、生产运行、成品储运、市场营销和售后服务。这些活动都与商品实体的加工流转直接相关。
企业的辅助性增值活动，包括组织建设、人事管理、技术开发和采购管理。这里的技术和采购都是广义的，既可以包括生产性技术，也包括非生产性的开发管理，例如，决策技术、信息技术、计划技术；采购管理既包括生产原材料，也包括其他资源投入的管理，例如，聘请有关咨询公司为企业进行广告策划、市场预测、法律咨询、信息系统设计和长期战略计划等。
价值链的各环节之间相互关联，相互影响。一个环节经营管理的好坏可以影响到其他环节的成本和效益。比方说，如果多花一点成本采购高质量的原材料，生产过程中就可以减少工序，少出次品，缩短加工时间。
虽然价值链的每一环节都与其他环节相关，但是一个环节能在多大程度上影响其他环节的价值活动，则与其在价值链条上的位置有很大的关系。根据产品实体在价值链各环节的流转程序，企业的价值活动可以被分为“上游环节”和“下游环节”两大类。在企业的基本价值活动中，材料供应、产品开发、生产运行可以被称为“上游环节”；成品储运、市场营销和售后服务可以被称为“下游环节”。上游环节经济活动的中心是产品，与产品的技术特性紧密相关；下游环节的中心是顾客，成败优劣主要取决于顾客特点。不管是生产性还是服务性行业，企业的基本活动都可以用上价值链来表示，但是不同的行业价值的具体构成并不完全相同，同一环节在各行业中的重要性也不同。例如，在农产品行业，由于产品本身相对简单，竞争主要表现为价格竞争，一般较少需要广告营销，对售后服务的要求也不是特别强烈，与之相应，价值链的下游环节对企业经营的整体效应的影响相对次要；而在许多工业机械行业以及其他技术性要求较高的行业，售后服务往往是竞争成败的关键。

9. 详解大数据的思想如何形成与其价值维度

详解大数据的思想如何形成与其价值维度
比如经济上，黄仁宇先生对宋朝经济的分析中发现了“数目字管理”(即定量分析)的广泛应用(可惜王安石变法有始无终)。又如军事，“向林彪学习数据挖掘”的桥段不论真假，其背后量化分析的思想无疑有其现实基础，而这一基础甚至可以回推到2000多年前，孙膑正是通过编造“十万灶减到五万灶再减到三万灶”的数据、利用庞涓的量化分析习惯对其进行诱杀。
到上世纪50-60年代，磁带取代穿孔卡片机，启动了数据存储的革命。磁盘驱动器随即发明，它带来的最大想象空间并不是容量，而是随机读写的能力，这一下子解放了数据工作者的思维模式，开始数据的非线性表达和管理。数据库应运而生，从层次型数据库(IBM为阿波罗登月设计的层次型数据库迄今仍在建行使用)，到网状数据库，再到现在通用的关系数据库。与数据管理同时发源的是决策支持系统(DSS)，80年代演变到商业智能(BI)和数据仓库，开辟了数据分析——也就是为数据赋予意义——的道路。

那个时代运用数据管理和分析最厉害的是商业。第一个数据仓库是为宝洁做的，第一个太字节的数据仓库是在沃尔玛。沃尔玛的典型应用是两个：一是基于retaillink的供应链优化，把数据与供应商共享，指导它们的产品设计、生产、定价、配送、营销等整个流程，同时供应商可以优化库存、及时补货;二是购物篮分析，也就是常说的啤酒加尿布。关于啤酒加尿布，几乎所有的营销书都言之凿凿，我告诉大家，是Teradata的一个经理编的，人类历史上从没有发生过，但是，先教育市场，再收获市场，它是有功的。
仅次于沃尔玛的乐购(Tesco)，强在客户关系管理(CRM)，细分客户群，分析其行为和意图，做精准营销。
这些都发生在90年代。00年代时，科研产生了大量的数据，如天文观测、粒子碰撞，数据库大拿吉姆·格雷等提出了第四范式，是数据方法论的一次提升。前三个范式是实验(伽利略从斜塔往下扔)，理论(牛顿被苹果砸出灵感，形成经典物理学定律)，模拟(粒子加速太贵，核试验太脏，于是乎用计算代替)。第四范式是数据探索。这其实也不是新鲜的，开普勒根据前人对行星位置的观测数据拟合出椭圆轨道，就是数据方法。但是到90年代的时候，科研数据实在太多了，数据探索成为显学。在现今的学科里，有一对孪生兄弟，计算XX学和XX信息学，前者是模拟/计算范式，后者是数据范式，如计算生物学和生物信息学。有时候计算XX学包含了数据范式，如计算社会学、计算广告学。
2008年克里斯·安德森(长尾理论的作者)在《连线》杂志写了一篇《理论的终结》，引起轩然大波。他主要的观点是有了数据，就不要模型了，或者很难获得具有可解释性的模型，那么模型所代表的理论也没有意义了。跟大家说一下数据、模型和理论。大家先看个粗糙的图。
首先，我们在观察客观世界中采集了三个点的数据，根据这些数据，可以对客观世界有个理论假设，用一个简化的模型来表示，比如说三角形。可以有更多的模型，如四边形，五边形。随着观察的深入，又采集了两个点，这时发现三角形、四边形的模型都是错的，于是确定模型为五边形，这个模型反映的世界就在那个五边形里，殊不知真正的时间是圆形。
大数据时代的问题是数据是如此的多、杂，已经无法用简单、可解释的模型来表达，这样，数据本身成了模型，严格地说，数据及应用数学(尤其是统计学)取代了理论。安德森用谷歌翻译的例子，统一的统计学模型取代了各种语言的理论/模型(如语法)，能从英文翻译到法文，就能从瑞典文翻译到中文，只要有语料数据。谷歌甚至能翻译克莱贡语(StarTrek里编出来的语言)。安德森提出了要相关性不要因果性的问题，以后舍恩伯格(下面称之为老舍)只是拾人牙慧了。
当然，科学界不认同《理论的终结》，认为科学家的直觉、因果性、可解释性仍是人类获得突破的重要因素。有了数据，机器可以发现当前知识疆域里面隐藏的未知部分。而没有模型，知识疆域的上限就是机器线性增长的计算力，它不能扩展到新的空间。在人类历史上，每一次知识疆域的跨越式拓展都是由天才和他们的理论率先吹起的号角。
2010年左右，大数据的浪潮卷起，这些争论迅速被淹没了。看谷歌趋势，”bigdata”这个词就是那个时间一下子蹿升了起来。吹鼓手有几家，一家是IDC，每年给EMC做digitaluniverse的报告，上升到泽字节范畴(给大家个概念，现在硬盘是太字节，1000太=1拍，阿里、Facebook的数据是几百拍字节，1000拍=1艾，网络是个位数艾字节，谷歌是两位数艾字节，1000艾=1泽);一家是麦肯锡，发布《大数据：创新、竞争和生产力的下一个前沿》;一家是《经济学人》，其中的重要写手是跟老舍同着《大数据时代》的肯尼思？库克耶;还有一家是Gartner，杜撰了3V(大、杂、快)，其实这3V在2001年就已经被编出来了，只不过在大数据语境里有了全新的诠释。
咱们国内，欢总、国栋总也是在2011年左右开始呼吁对大数据的重视。
2012年子沛的书《大数据》教育政府官员有功。老舍和库克耶的《大数据时代》提出了三大思维，现在已经被奉为圭臬，但千万别当作放之四海而皆准的真理了。
比如要数据全集不要采样。现实地讲，1.没有全集数据，数据都在孤岛里;2.全集太贵，鉴于大数据信息密度低，是贫矿，投入产出比不见得好;3.宏观分析中采样还是有用的，盖洛普用5000个样本胜过几百万调查的做法还是有实践意义;4.采样要有随机性、代表性，采访火车上的民工得出都买到票的结论不是好采样，现在只做固定电话采样调查也不行了(移动电话是大头)，在国外基于Twitter采样也发现不完全具有代表性(老年人没被包括);5.采样的缺点是有百分之几的偏差，更会丢失黑天鹅的信号，因此在全集数据存在且可分析的前提下，全量是首选。全量>好的采样>不均匀的大量。
再说混杂性由于精确性。拥抱混杂性(这样一种客观现象)的态度是不错的，但不等于喜欢混杂性。数据清洗比以前更重要，数据失去辨识度、失去有效性，就该扔了。老舍引用谷歌PeterNovig的结论，少数高质量数据+复杂算法被大量低质量数据+简单算法打败，来证明这一思维。Peter的研究是Web文本分析，确实成立。但谷歌的深度学习已经证明这个不完全对，对于信息维度丰富的语音、图片数据，需要大量数据+复杂模型。
最后是要相关性不要因果性。对于大批量的小决策，相关性是有用的，如亚马逊的个性化推荐;而对于小批量的大决策，因果性依然重要。就如中药，只到达了相关性这一步，但它没有可解释性，无法得出是有些树皮和虫壳的因导致治愈的果。西药在发现相关性后，要做随机对照试验，把所有可能导致“治愈的果”的干扰因素排除，获得因果性和可解释性。在商业决策上也是一样，相关性只是开始，它取代了拍脑袋、直觉获得的假设，而后面验证因果性的过程仍然重要。
把大数据的一些分析结果落实在相关性上也是伦理的需要，动机不代表行为。预测性分析也一样，不然警察会预测人犯罪，保险公司会预测人生病，社会很麻烦。大数据算法极大影响了我们的生活，有时候会觉得挺悲哀的，是算法觉得了你贷不贷得到款，谷歌每调整一次算法，很多在线商业就会受到影响，因为被排到后面去了。
下面时间不多了，关于价值维度，我贴一些以前讲过的东西。大数据思想中很重要的一点是决策智能化之外，还有数据本身的价值化。这一点不赘述了，引用马云的话吧，“信息的出发点是我认为我比别人聪明，数据的出发点是认为别人比我聪明;信息是你拿到数据编辑以后给别人，而数据是你搜集数据以后交给比你更聪明的人去处理。”大数据能做什么？价值这个V怎么映射到其他3V和时空象限中？我画了个图：
再贴上解释。“见微”与“知着”在Volume的空间维度。小数据见微，作个人刻画，我曾用《一代宗师》中“见自己”形容之;大数据知着，反映自然和群体的特征和趋势，我以“见天地、见众生”比喻之。“着”推动“微”(如把人群细分为buckets)，又拉动“微”(如推荐相似人群的偏好给个人)。“微”与“着”又反映了时间维度，数据刚产生时个人价值最大，随着时间decay最后退化为以集合价值为主。
“当下”和“皆明”在Velocity的时间维度。当下在时间原点，是闪念之间的实时智慧，结合过往(负轴)、预测未来(正轴)，可以皆明，即获得perpetual智慧。《西游记》里形容真假孙悟空，一个是“知天时、通变化”，一个是“知前后、万物皆明”，正好对应。为达到皆明，需要全量分析、预测分析和处方式分析(prescriptiveanalytics，为让设定的未来发生，需要采取什么样的行动)。
“辨讹”和“晓意”在Variety的空间维度。基于大体量、多源异质的数据，辨讹过滤噪声、查漏补缺、去伪存真。晓意达到更高境界，从非结构数据中提取语义、使机器能够窥探人的思想境界、达到过去结构化数据分析不能达到之高度。
先看知着，对宏观现象规律的研究早已有之，大数据的知着有两个新特点，一是从采样到全量，比如央视去年“你幸福吗”的调查，是街头的采样，前不久《中国经济生活大调查》关于幸福城市排名的结论，是基于10万份问卷(17个问题)的采样，而清华行为与大数据实验室做的幸福指数(继挺兄、我、还有多位本群群友参与)，是基于新浪微博数据的全集(托老王的福)，这些数据是人们的自然表达(而不是面对问卷时的被动应对)，同时又有上下文语境，因此更真实、也更有解释性。北上广不幸福，是因为空气还是房价或教育，在微博上更容易传播的积极情绪还是消极情绪，数据告诉你答案。《中国经济生活大调查》说“再小的声音我们都听得见”，是过头话，采样和传统的统计分析方法对数据分布采用一些简化的模型，这些模型把异常和长尾忽略了，全量的分析可以看到黑天鹅的身影，听到长尾的声音。
另一个特点是从定性到定量。计算社会学就是把定量分析应用到社会学，已经有一批数学家、物理学家成了经济学家、宽客，现在他们也可以选择成为社会学家。国泰君安3I指数也是一个例子，它通过几十万用户的数据，主要是反映投资活跃程度和投资收益水平的指标，建立一个量化模型来推知整体投资景气度。
再看见微，我认为大数据的真正差异化优势在微观。自然科学是先宏观、具体，进入到微观和抽象，这时大数据就很重要了。我们更关注社会科学，那是先微观、具体，再宏观、抽象，许小年索性认为宏观经济学是伪科学。如果市场是个体行为的总和，我们原来看到是一张抽象派的画，看不懂，通过客户细分慢慢可以形成一张大致看得懂的现实图景，不过是马赛克的，再通过微分、甚至定位个人，形成高清图。我们每一个人现在都生活在零售商的bucket中(前面说的乐购创造了这个概念)，最简单的是高收入、低收入这类反映背景的，再有就是反映行为和生活方式的，如“精打细算”、“右键点击一族”(使用右键的比较techsavvy)。反过来我们消费者也希望能够获得个性化的尊崇，Nobody wants to be nobody today。
了解并掌握客户比以往任何时候都更重要。奥巴马赢在大数据上，就是因为他知道西岸40-49岁女性的男神是乔治·克鲁尼，东岸同样年龄段女性的偶像则是莎拉·杰西卡·帕克(《欲望都市》的主角)，他还要更细分，摇摆州每一个郡每一个年龄段每一个时间段在看什么电视，摇摆州(俄亥俄)1%选民随时间变化的投票倾向，摇摆选民在Reddit上还是Facebook上，都在其掌握之中。
对于企业来说，要从以产品为中心，转到以客户(买单者)甚至用户(使用者)为中心，从关注用户背景到关注其行为、意图和意向，从关注交易形成转到关注每一个交互点/触点，用户是从什么路径发现我的产品的，决定之前又做了什么，买了以后又有什么反馈，是通过网页、还是QQ、微博或是微信。
再讲第三个，当下。时间是金钱，股票交易就是快鱼吃慢鱼，用免费股票交易软件有几秒的延迟，而占美国交易量60-70%的高频程序化交易则要发现毫秒级、低至1美分的交易机会。时间又是生命，美国国家大气与海洋管理局的超级计算机在日本311地震后9分钟发出海啸预警，已经太晚。时间还是机会。现在所谓的购物篮分析用的其实并不是真正的购物篮，而是结帐完的小票，真正有价值的是当顾客还拎着购物篮，在浏览、试用、选择商品的时候，在每一个触点影响他/她的选择。数据价值具有半衰期，最新鲜的时候个性化价值最大，渐渐退化到只有集合价值。当下的智慧是从刻舟求剑到见时知几，原来10年一次的人口普查就是刻舟求剑，而现在东莞一出事网络迁徙图就反映出来了。当然，当下并不一定是完全准确的，其实如果没有更多、更久的数据，匆忙对网络迁徙图解读是可能陷入误区的。
第四个，皆明。时间有限，就简单说了。就是从放马后炮到料事如神(predictiveanalytics)，从料事如神到运筹帷幄(prescriptiveanalytics)，只知道有东风是预测分析，确定要借箭的目标、并给出处方利用草船来借，就是处方性分析。我们现在要提高响应度、降低流失率、吸引新客户，需要处方性分析。
辨讹就是利用多源数据过滤噪声、查漏补缺和去伪存真。20多个省市的GDP之和超过全国的GDP就是一个例子，我们的GPS有几十米的误差，但与地图数据结合就能做到精确，GPS在城市的高楼中没有信号，可以与惯性导航结合。
晓意涉及到大数据下的机器智能，是个大问题，也不展开了。贴一段我的文章：有人说在涉及“晓意”的领域人是无法替代的。这在前大数据时代是事实。《点球成金(Moneyball)》讲的是数量化分析和预测对棒球运动的贡献，它在大数据背景下出现了传播的误区：一、它其实不是大数据，而是早已存在的数据思维和方法;二、它刻意或无意忽略了球探的作用。从读者看来，奥克兰竞技队的总经理比利·比恩用数量化分析取代了球探。而事实是，在运用数量化工具的同时，比恩也增加了球探的费用，军功章里有机器的一半，也有人的一半，因为球探对运动员定性指标(如竞争性、抗压力、意志力等)的衡量是少数结构化量化指标无法刻画的。大数据改变了这一切。人的数字足迹的无意识记录，以及机器学习(尤其是深度学习)晓意能力的增强，可能逐渐改变机器的劣势。今年我们看到基于大数据的情感分析、价值观分析和个人刻画，当这些应用于人力资源，已经或多或少体现了球探承担的。

10. 价值链分析的过程有哪些

价值链的分析过程有三个，分别是：
1.认识和界定价值活动
2.确认每项活动的价值贡献和成本
3.确定价值链结构性因素