互联网企业拥有大量的线上数据，而且数据量还在快速增长，除了利用大数据提升自己的业务之外，互联网企业已经开始实现数据业务化，利用大数据发现新的商业价值。
以阿里巴巴为例，它不仅在不断加强个性化推荐、“千人千面”这种面向消费者的大数据应用，并且还在尝试利用大数据进行智能客户服务，这种应用场景会逐渐从内部应用延展到外部很多企业的呼叫中心之中。
在面向商家的大数据应用中，以“生意参谋”为例，超过 600 万商家在利用“生意参谋”提升自己的电商店面运营水平。除了面向自己的生态之外，阿里巴巴数据业务化也在不断加速，“芝麻信用”这种基于收集的个人数据进行个人信用评估的应用获得了长足发展，应用场景从阿里巴巴的内部延展到越来越多的外部场景，如租车、酒店、签证等。
因为客户的所有行为都会在互联网平台上留下痕迹，所以互联网企业可以方便地获取大量的客户行为信息。由互联网商务平台产生的信息一般具有真实性和确定性，通过运用大数据技术对这些数据进行分析，可以帮助企业制定出具有针对性的服务策略，从而获取更大的效益。近年来的实践证明，合理地运用大数据技术能够将电子商务的营业效率提高 60% 以上。
大数据在过去几年中已经改变了电子商务的面貌，具体来讲，电子商务行业的大数据应用有以下几个方面：精准营销、个性化服务、商品个性化推荐。
1. 精准营销
互联网企业使用大数据技术采集有关客户的各类数据，并通过大数据分析建立“用户画像”来抽象地描述一个用户的信息全貌，从而可以对用户进行个性化推荐、精准营销和广告投放等。
当用户登录网站的瞬间，系统就能预测出该用户今天为何而来，然后从商品库中把合适的商品找出来，并推荐给他。图 1 显示了用户画像会包括哪些用户基本信息和特性。
图 1 用户画像
大数据支持下的营销核心在于，让企业的业务在合适的时间，通过合适的载体，以合适的方式，推送给最需要此业务的用户。
首先，大数据营销具有很强的时效性。在互联网时代，用户的消费行为极易在短时间内发生变化，大数据营销可以在用户需求最旺盛时及时进行营销策略实施。
其次，可以实施个性化、差异化营销。大数据营销可以根据用户的兴趣爱好、在某一时间点的需求，做到对细分用户的一对一的营销，让业务的营销做到有的放矢，并可以根据实时性的效果反馈，及时调整营销策略。
最后，大数据营销对目标用户的信息可以进行关联性分析。大数据可以对用户的各种信息进行多维度的关联分析，从大量数据中发现数据项集之间有趣的关联和相关联系。
例如，通过发现用户购物篮中的不同商品之间的联系，分析出用户的其他消费习惯。通过了解哪些商品频繁地被用户同时购买，帮助营销人员从用户的一种商品消费习惯，发现用户另外的商品消费规律，从而针对此用户制定出相关商品的营销策略。图 2 显示了网站会根据用户画像为不同客户推荐不同商品。
图 2 精准营销
例如，某电子商务平台通过客户的网络浏览记录和购买记录等掌握客户的消费模式，从而分析并分类客户的消费相关特性。如收入、家庭特征、购买习惯等，最终掌握客户特征，并基于这些特征判断其可能关注的产品与服务。
从消费者进入网站开始，网站在列表页、单品页、购物车页等 4 个页面，部署了 5 种应用不同算法的推荐栏为其推荐感兴趣的商品，从而提高商品曝光率，促进交叉和向上销售。从多个角度对网站进行全面优化后，商城下定订单转化率增长了 66.7%，下定商品转化率增长了 18%，总销量增长了 46%。
在美国的沃尔玛大卖场，当收银员扫描完顾客所选购的商品后，POS 机上会显示出一些附加信息，然后售货员会根据这些信息提醒顾客还可以购买哪些商品。沃尔玛在大数据系统支持下实现的“顾问式营销”系统能够建立预测模型，例如，如果顾客的购物车中有不少啤酒、红酒和沙拉，则有 80% 的可能需要买配酒小菜、作料。
2. 个性化服务
电子商务具有提供个性化服务的先天优势，可以通过技术支持实时获得用户的在线记录，并及时为他们提供定制化服务。
许多电商都已经尝试了依靠数据分析，在首页为用户提供全面的个性化的商品推荐。海尔和天猫提供了让用户在网上定制电视的功能，顾客可以在电视机生产以前选择尺寸、边框、清晰度、能耗、颜色、接口等属性，再由厂商组织生产并送货到顾客家中。这样的个性化服务受到了广泛欢迎。
类似的定制服务还岀现在空调、服装等行业。这些行业通过满足个性化需求使顾客得到更满意的产品和服务，进而缩短设计、生产、运输、销售等周期，提升商业运转效率。
企业要为用户提供理想的个性化服务，首先必须通过数据充分了解用户的个性，其次是合理地掌控和设计服务的个性。了解用户个性是为用户提供他们想要的产品和服务的基础。企业需要在庞大的数据库中，找出最具有含金量的数据，然后，通过数据挖掘方法对用户进行聚类，再依据用户类型的特征设计针对性的服务。
个性化分散的单位可大可小，大到一个有同样需求的客户群体，小到每一个用户都是一个个性化需求单位。企业必须掌握好个性化服务的粒度，过于分散的个性化服务，会增加企业的服务成本和管理的复杂程度，所增加的个性化成本和实际收益需要成正比。
图 3 提供个性化旅游服务
携程的大数据应用从用户的角度岀发，分析基于携程所有用户的数据，包括用户在查询、浏览、预订、出行、评论等一系列旅行前后行为中所产生的数据。携程在剔除无效数据的同时，保证用户所留下的数据的真实性，然后将大量的数据进行实时筛选、分拣与重新组织并应用到用户的出行前、出行中、出行后的个性化需求中，如图 3 所示。
要做到个性化，明确用户的目标需求是至关重要的，不仅要看订单，还要关心用户所关心的内容。例如，同样是预订五星级酒店，有些用户对酒店设施十分敏感，有些看重酒店位置，有些则更在意酒店服务，对此，携程会根据用户的需求推荐不同的酒店。
美国塔吉特（Target）百货设立了一个迎婴聚会登记表，并对登记表中顾客的消费数据进行建模分析。他们发现，许多孕妇在第二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 周会大量购买补充钙、锌之类的保健品。
塔吉特最终选出了 25 种典型商品的消费数据，构建了“怀孕预测指数”。通过这个预测指数，塔吉特能够在很小的误差范围内预测到顾客的怀孕情况，从而就能在合适的时间把孕妇优惠广告寄发给顾客。
“Nike 跑鞋或腕带传感器”使耐克逐渐成为大数据营销的创新公司。运动者只要穿着 Nike 的跑鞋运动，与之关联的 iPod 就可以存储并显示运动日期、时间、距离、热量消耗值等数据。
Nike 通过跑步者上传的跑步路线掌握了主要城市最佳跑步路线的数据库，而且组织城市的跑步活动效果更好。目前，Nike 的运动网上社区有超过 500 万名活跃用户每天不停地上传数据，Nike 借此与消费者建立了前所未有的牢固关系。同时，海量的数据对于 Nike 了解用户习惯、改进产品、精准投放和精准营销也起到了不可替代的作用，Nike 甚至掌握了跑步者最喜欢听的歌是哪些。个性化服务离不开顾客的主动参与和分享，来源于客户的数据也能更精准地服务于客户。
“三只松鼠”近几年的快速发展，一方面是依靠品牌推广，另一方面是在数据分析的基础上不断完善细节，包括个性化的称呼、“三只松鼠”的卡通形象、赠品的差别化、不同的顾客标签分类以及用户体验等。“三只松鼠”通过 ERP 系统能够了解所有顾客在商城的购买记录，通过 CRM 系统能够准确抓取用户的评价，一些不经意的留言和评级会反映出他们的需求。
通过分析顾客过去在商城的购买习惯，用户的购买评价，来判断哪种口味的产品在哪个地区卖得最好，哪种产品是消费者最乐于接受的，从而进行更有针对性的产品首页推荐。同时，他们会对顾客进行个性化、人性化的标签分类和细化分析，从而根据这些分类，推送不同的产品类型。例如，爱老婆型顾客购买的产品主要是以老婆食用为主的，“三只松鼠”会在包裹里放上书信，以“松鼠”的口吻代替顾客给他老婆写一封信。
3. 商品个性化推荐
随着电子商务规模的不断扩大，商品数量和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。
个性化推荐系统通过分析用户的行为，包括反馈意见、购买记录和社交数据等，以分析和挖掘顾客与商品之间的相关性，从而发现用户的个性化需求、兴趣等，然后将用户感兴趣的信息、产品推荐给用户。
个性化推荐系统针对用户特点及兴趣爱好进行商品推荐，能有效地提高电子商务系统的服务能力，从而保留客户。
1）电子商务网站
随着电子商务的蓬勃发展，推荐系统在互联网中的优势地位也越来越明显。
在国际方面，Amazon 平台中采用的推荐算法被认为是非常成功的。在国内，比较大型的电子商务平台网站有淘宝网（包括天猫商城）、京东商城、当当网、苏宁易购等。
在这些电子商务平台中，网站提供的商品数量不计其数，网站中的用户规模也非常巨大。据不完全统计，天猫商城中的商品数量已经超过了 4 000 万。
在如此庞大的电商网站中，用户根据自己的购买意图输入关键字查询后，会得到很多相似的结果。用户在这些结果中也很难区分异同，难于选择合适的物品，推荐系统能够根据用户兴趣为用户推荐一些用户感兴趣的商品。电子商务网站利用推荐系统为用户推荐商品，方便了用户，从而也提高了网站的销售额。
2）电影视频网站
个性化推荐系统在电影和视频网站中的应用也很广泛，能够帮助用户在浩瀚的视频库中找到令他们感兴趣的视频。在该领域成功使用推荐系统的一家公司就是 Netflix。
Netflix 原先是一家 DVD 租赁网站，后来开始涉足在线视频业务。Netflix 非常重视个性化推荐技术，并且在 2006 年开始举办著名的 Netflix Prize 推荐系统比赛，希望研究人员能够将 Netflix 的推荐算法的预测准确度提升 10%。
该比赛对推荐系统的发展起到了重要的推动作用：一方面该比赛给学术界提供了一个实际系统中的大规模用户行为数据集（40 万用户对 2 万部电影的上亿条评分记录）；另一方面，在 3 年的比赛中，参赛者提出了很多推荐算法，大大降低了推荐系统的预测误差。
图 4 是 Netflix 的电影推荐界面，包含了电影的标题和海报、用户反馈和推荐理由三部分。Netflix 使用的是基于物品的推荐算法，即给用户推荐和他们曾经喜欢的电影相似的电影。Netflix 宣称有 60% 的用户是通过其推荐系统找到感兴趣的电影和视频的。
图 4 Netflix 电影推荐
YouTube 作为美国最大的视频网站，拥有大量用户上传的视频内容。为了解决视频库的信息过载问题，YouTube 在个性化推荐领域也进行了深入研究，现在使用的也是基于物品的推荐算法。实验证明，YouTube 个性化推荐的点击率是热门视频点击率的两倍。
3）网络电台
个性化网络电台也很适合进行个性化推荐。首先，音乐很多，用户不可能听完所有的音乐再决定自己喜欢听什么，而且每年新的歌曲在以很快的速度增加，因此用户无疑面临着信息过载的问题。其次，人们听音乐时，一般都是把音乐作为一种背景乐来听，很少有人必须听某首特定的歌。对于普通用户来说，听什么歌都可以，只要能够符合他们当时的心情就可以了。因此，个性化音乐网络电台是非常符合个性化推荐技术的产品。
目前有很多知名的个性化音乐网络电台。国际上著名的有 Pandora 和 Last.fm | Play music, find songs, and discover artists，国内的代表则是豆瓣电台。这 3 个个性化网络电台都不允许用户点歌，而是给用户几种反馈方式：喜欢、不喜欢和跳过。经过用户一定时间的反馈，电台就可以从用户的历史行为中获得用户的兴趣模型，从而使用户的播放列表越来越符合用户对歌曲的兴趣。
Pandora 的算法主要是基于内容的，其音乐家和研究人员亲自听了上万首来自不同歌手的歌，然后对歌曲的不同特性（如旋律、节奏、编曲和歌词等）进行标注，这些标注被称为音乐的基因。然后，Pandora 会根据专家标注的基因计算歌曲的相似度，并给用户推荐和他之前喜欢的音乐在基因上相似的其他音乐。
Last.fm | Play music, find songs, and discover artists 记录了所有用户的听歌记录及用户对歌曲的反馈，在这一基础上计算出不同用户在歌曲上的喜好相似度，从而给用户推荐和他有相似听歌爱好的其他用户喜欢的歌曲。同时，Last.fm | Play music, find songs, and discover artists 也建立了一个社交网络，来让用户能够和其他用户建立联系，以及让用户给好友推荐自己喜欢的歌曲。Last.fm | Play music, find songs, and discover artists 没有使用专家标注，而是主要利用用户行为计算歌曲的相似度。
4）社交网络
社交网络中的个性化推荐技术主要应用在 3 个方面：利用用户的社交网络信息对用户进行个性化的物品推荐，信息流的会话推荐和给用户推荐好友。
Facebook 保存着两类最宝贵的数据：一类是用户之间的社交网络关系，另一类是用户的偏好信息。
Facebook 推出了一个称为 Instant Personalization 的推荐 API，它能根据用户好友喜欢的信息，给用户推荐他们的好友最喜欢的物品。很多网站都使用了 Facebook 的推荐 API 来实现网站的个性化。
著名的电视剧推荐网站 Clicker 使用 Instant Personalization 给用户进行个性化视频推荐。Clicker 现在可以利用 Facebook 的用户行为数据来提供个性化的、用户可能感兴趣的内容“’流”了，而更重要的是，用户无须在 Clicker 网站上输入太多数据（通过评分、评论或观看 Clicker.com 上的视频等方式），Clicker 就能提供这样的服务。
除了利用用户在社交网站的社交网络信息给用户推荐本站的各种物品外，社交网站本身也会利用社交网络给用户推荐其他用户在社交网站的会话。每个用户在 Facebook 的个人首页都能看到好友的各种分享，并且能对这些分享进行评论。每个分享和它的所有评论被称为一个会话，Facebook 开发了 EdgeRank 算法对这些会话排序，使用户能够尽量看到熟悉的好友的最新会话。
除了根据用户的社交网络及用户行为给用户推荐内容，社交网站还通过个性化推荐服务给用户推荐好友。
5）其他应用
因为电子商务企业基本上实现了业务流程的各个环节的数据化，所以可以充分利用大数据技术对这些数据进行挖掘分析来优化其业务流程，提高业务利润。除了前面介绍的几个应用之外，大数据在电子商务行业还可以应用在其他许多方面。
① 动态定价和特价优惠
电子商务企业可以通过使用数据构建客户资料，并发现用户喜欢花费多少费用和喜欢购买什么产品，从而通过跟踪客户的消费行为，使用大数据分析来开发灵活的定价和折扣政策。例如，如果分析显示用户对特定类别商品的兴趣飙升，则电子商务企业可以提供打折或买一送一优惠。
② 定制优惠
电子商务企业可以通过使用数据来确定客户的购买习惯，并根据以前的购买方式向他们发送有针对性的特价优惠和折扣代码。数据也可以用于在客户中止购买或只看不买时重新吸引客户，例如，通过发送电子邮件提醒客户他们查看过的产品或邀请他们完成购买。
③ 供应链管理
电子商务企业可以使用大数据更有效地管理供应链。数据分析可以揭示供应链中的任何延迟或潜在的库存问题。如果某个项目存在问题，则可以立即将其从销售中删除，以免破坏客户服务问题。
④ 预测分析
预测分析是指利用大数据技术分析电子商务业务的各种渠道，帮助企业制定未来运营的业务计划。数据分析可能会显示电商企业在线商店部门的新购买趋势或销售减缓的商品。
使用这些信息就可以帮助规划下一阶段的库存，并制定新的市场目标。随时了解电子商务的最新趋势具有一定的挑战性，但是利用大数据技术可以大大提高企业的利润，并帮助企业建立一个成功的前瞻性思维业务。如果不利用挖掘大数据的力量，就可能会错过市场成功的机遇。
一、什么场景和行业需要数据分析
二、数据分析会骗人吗？
三、怎样排除虚假流量？
四、PC端数据分析指标&方法论
五、电商、金融行业数据分析
六、数据分析的趋势
七、怎么培养数据分析的能力？
第二部分拆解六、七部分
六、数据分析的趋势
第一个趋势，大数据的对面不是小数据，而是深数据。大数据以用户量级取胜，同样的营销和经营打法只适用于固定的一类属性的人，转化率不变，分母变大，扩展更多的人群基数，是大数据打法的制胜关键。深数据是说限定一个人群，然后把精力放在收集这群人的购物各个阶段的数据上，用各种各样的营销和经营策略在用户各个购物阶段上进行关怀，提升的是某一个用户的转化率，但分母不变，制胜关键与大数据打法不同，对一个人购物阶段的数据越完整、判断越精准越好。用户基数再大总会有天花板，所以后续的竞争会有相当一部分企业尤其是大企业转向深数据的应用方向。
第二个趋势，大数据采集的壁垒可能会进一步降低。现在各家采集的数据都是自己使用，不愿意公开，或者是采集标准不同，不相信别人采集数据的准确性。这样会造成同一个数据源就会被重复采集，既浪费了硬件资源，也浪费了人力资源。其实对于同一个数据来说，只要采集的方法相同，只需要采集一次，共享就可以了。后面随着数据分析领域的标准化和统一化，数据资源会产生更多交换和交易，在数据采集这个环节会占用更少的精力，从而做更多的数据分析的事情，让数据能产生更高的价值。
第三个趋势，我认为数据分析的岗位可能慢慢就会消失了。数据分析岗位的消失在近几年不会出现，但未来十年内不好说。我认为数据分析的技能对所有互联网从业者来说，就像对于办公软件以及语言的掌握一样，会成为人人必备的技能。
第四个趋势，机器学习的发展将最大限度实现程序化数据应用。
目前数据应用的很多环节都在应用机器学习，比如程序化购买、自动化广告素材优化、智能商品推荐等等，但相互之间是割裂的，还需要人去做各个环节的串联。机器学习会慢慢替代人来串联一个一个的程序化模块，程序化的整体数据应用方案将会覆盖互联网领域。
这四个趋势我认为是我们很快就能够看得到的。
七、怎么培养数据分析的能力？
第一个建议，方向比努力还要重要。
数据分析并不是一个特别细分的领域，它里面包含了很多的方向。作为一个数据分析的入门者，当你了解了数据分析行业概况之后，你要做的一件事情就是了解这个行业有哪些方向，选择一个方向深挖。数据分析有三个常见的发展方向。一是数据挖掘；二是数据建模和数据应用；三是商业数据分析。每个方向都不容易到达巅峰，所以尽快确定主攻方向，尽快扎进去有助于迅速成长为一个领域的专家，和其它专家共同协作攻克数据分析领域更前沿的课题。
第二个建议，懂生意比懂数据重要。
一开始我们就谈到数据的价值是要最终服务于某个具体业务的，所以要想让数据发挥更高价值，对于业务知识的掌握是需要重视的，否则数据分析结果和业务存在距离或不能落地，不能实现商业增值，数据就会因此贬值了。
第三个建议，在场景里做分析比理论分析更重要。
第一方面，优化流量。流量并不是跟媒体或用户斗智斗勇，其本质是面向竞争对手的战争，要争取用同样的价钱买到更多的流量或者同样的流量花的钱更少。有时太关注用户属性或媒体价格，反而忽略了和竞争对手的博弈关系，这种博弈需要人的参与，单纯依靠机器博弈会忽视场景做出错误决策。
第二方面，用户体验输出。你面向的是用户，所以更重要的是你的内容如何跟用户产生共鸣。并不是说你设计的多漂亮、运行的多流畅，而是涉及到用户情感和用户感受层面，这也是量化指标难以驾驭的，需要加入人脑对于场景的理解才能做好。
第四个建议，注重人机协作。
对刚入门的数据分析师，我非常建议把人机协作这件事情提上日程，作为重点学习的方面，善于利用机器的力量代替人的力量，把人解放出来做人更擅长做的事情，人机配合最大化。机器擅长数据清洗、数据建模、数据预警、数据可视化等，所以提升数据分析能力一定是面向未来的，善于让机器去做它更擅长的事情，人去弥补机器的不足，更高效地完成分析工作，节省下来的时间就用来提升人独有的能力。
数据分析可以帮助企业更好地了解自己，洞察市场。随着互联网的迅猛发展，各种各样的数据不断涌现。通过对这些海量数据的筛选、整理和分析，企业可以了解到产品的受欢迎程度、用户的需求和行为习惯等信息。有了这些数据支持，企业能够更准确地把握市场动态，制定更科学的营销策略，提高产品的竞争力。
数据分析可以帮助企业优化决策过程。在过去，许多决策都是基于经验或直觉做出的，风险较大且难以预测后果。而有了数据分析，企业可以通过对历史数据和实时数据进行深入研究和分析，辅助决策者做出更明智的决策。这样一来，企业能够提高决策的准确性和效率，降低决策风险，为企业的发展提供有力支持。
数据分析可以帮助企业发现潜在机会和问题。通过对大量数据的挖掘和分析，企业可以发现市场上的新契机或者潜在的问题。比如，通过对用户行为数据的分析，企业可以了解到哪些产品或服务最受用户欢迎，从而及时调整策略；同时也可以发现一些潜在的问题，比如用户流失率高、产品质量存在问题等。这样一来，企业能够及时采取相应措施，最大程度地利用机会、解决问题，保持持续竞争力。
数据分析还可以帮助企业提升用户体验。在当今竞争激烈的市场环境中，用户体验是企业吸引和留住用户的关键因素之一。通过对用户行为和反馈数据的分析，企业可以了解到用户对产品或服务的感受和需求，并根据这些信息进行优化和改进。这样一来，企业能够更好地满足用户的需求，在激烈的市场竞争中占据优势地位。
数据分析在互联网行业中的意义不可忽视。它可以帮助企业了解市场、优化决策、发现机会和问题，提升用户体验。对于任何一家企业来说，掌握数据分析技术已经成为不可或缺的能力。只有通过深入的数据分析，企业才能够在激烈的市场竞争中立于不败之地，实现持续发展。因此，无论是企业还是个人，都应该积极学习和运用数据分析技术，为自己的发展打下坚实的基础。本回答被网友采纳
数据分析还可以提高企业的决策效率和准确性。在互联网行业中，市场环境变化较快，需要企业能够快速做出正确决策。通过对大量数据进行分析，可以帮助企业发现市场趋势、竞争对手动向以及用户反馈等信息，从而指导决策，并减少错误决策带来的损失。
数据分析还有助于提升企业的营销效果。通过对用户数据进行挖掘和分析，企业可以更加精准地定位目标用户，并设计个性化的营销方案。例如，根据用户的兴趣爱好和购买记录，企业可以将相应的广告信息推送给相关用户群体，提高广告投放的转化率。
在互联网行业中，数据安全是一个非常重要的问题。数据分析可以帮助企业发现潜在的安全隐患，并采取相应措施进行防范。通过对用户行为数据的监测和分析，可以识别异常行为和风险，确保用户数据得到有效保护。
互联网行业的数据分析具有重要意义。它可以帮助企业了解用户需求、优化产品和服务；提高决策效率和准确性；提升营销效果；并加强数据安全。在当今信息爆炸的时代，数据分析已成为互联网行业中不可或缺的一环，将在未来继续发挥重要作用。