了解大数据和数据挖掘

由于如今可用的信息如此之多，商业和科技领域的一个关键讨论就是如何收集和分析这些海量数据，以便使企业、消费者和整个社会受益。

组织选择如何分析这些数据决定了其用途。继续阅读以了解更多有关大数据在更高层次的决策和战略制定中的不同用途的信息。

“大数据”一词仅指当今可用的大量数字信息。组织必须使用特殊的存储解决方案和流程才能有效利用它。大数据的大部分收入来自硬件，提供大数据服务的最大公司包括 IBM 和 Oracle 等科技公司。据估计，到 2022 年，这些服务的价值将在全球范围内增长到 2740 亿美元。

随着技术的进步，数据越来越容易获取，存储成本也越来越低，这就是为什么如今数据如此之多。为此，组织必须不断寻找最相关的数据使用方式。这可能意味着弄清楚如何将历史数据与实时信息结合使用，或者如何有效地结合定性和定量数据以更好地定位营销活动。

如今，大数据主要与企业和营销人员有关，他们正在寻找在向客户营销的背景下使用大数据的方法。然而，从更广泛的意义上讲，大数据越来越多地用于提高整体效率、进行市场和产品研究，以及总体上改善我们组织所关注的任何流程。

为了进行比较，下面这个例子说明了我们以前是如何在小范围内使用数据的。我们可能有一个简单的数据库程序来管理有关我们客户群的基本信息：姓名、电话号码、地址，甚至可能是一些有关他们购买习惯的基本信息。所有这些都直接“存储”在与我们组织相关的一台计算机或服务器上，我们可能会将这些信息用作生成季度报告的一部分，以告诉我们更多关于人口统计和基本购买习惯的信息。

现在，客户实际可获得的和可能获得的大量信息很可能通过移动设备等方式不断获取，因此我们几乎是在持续地发送和接收信息。

我们在社交媒体上关注的公司通过点击和“喜欢”收集有关我们的行为的信息；我们的手机收集我们的地理数据，以便提供显示我们实时位置的地图并向我们提供有关公共交通的信息；我们可以对家用恒温器进行编程，使其根据我们的日常活动和习惯进行调节，甚至在我们出门在外时对其进行控制。

随着公司收集和分析不同类型数据的能力越来越强，它们可以提供更加个性化、更准确的服务，而且通常是实时的。它们还可以发现系统中的模式，了解实时客户购买习惯，了解风险，甚至收集有关公司内部问题（例如与安全相关的问题）的信息。

大数据几乎应用于所有主要行业，帮助零售商革新供应链流程，帮助医疗保健专业人员实时跟踪和监控异地患者。以下是我们今天利用大数据的众多方式的更多示例：

城市规划：大数据可以帮助城市提高效率，无论是在交通流量方面还是在整体能源使用方面。例如，“智能”城市正在连接不同级别的基础设施和交通，并使用专门的设备实时监控用水量等。例如，西班牙巴塞罗那使用监测器来减少城市公园的水位使用量，美国洛杉矶使用道路传感器来控制城市周围的交通信号灯，以调节交通流量并缓解拥堵。

机器学习：大数据工具是帮助机器“学习”如何在环境中运行的主要部分。这本质上是人工智能 (AI)。一个很好的例子是自动驾驶汽车如何通过预编程信息和使用专用传感器和 GPS 导航的组合来运行。正是机器能够收集、合成和使用的数据组合，才使得汽车能够安全地“自动驾驶”。

营销：所有行业的营销人员都需要更好地了解客户，以便预测他们的需求；而在微时刻和移动购买的世界中，这变得越来越困难。因此，营销人员正在以不同的方式收集信息，以尝试个性化和定制服务。想想滑雪缆车票上的 RFID 标签，它可以帮助管理和跟踪山上不同接触点的流量；或者我们可以在到达之前使用移动设备预付咖啡费用。这些都是营销如何根据消费者偏好进行定制的例子，同时也帮助企业提高效率。

在数字营销方面，专业人士有很多机会将大数据应用于各种活动并提高他们的投资回报率——这里举几个例子。

更好的定位和定制：大数据收集和分析 手机号码数据 的主要用途之一是更好地了解客户的需求，并创建更加个性化、有针对性的广告活动。人工智能越来越有能力收集和整合来自不同渠道的数据，从而不仅为人们购买什么提供新的线索，而且还为他们如何以及为什么做出购买决定提供新的线索。 例如，Netflix已经在分析全球观看行为模式，并利用该模式创建更加个性化的推荐。

用户体验：如今，对用户来说，最好的体验就是顺畅无阻。当我们谈论用户体验 (UX) 时，我们（通常）谈论的是任何可能妨碍用户通过您的网站进行购买的因素。分析来自各种渠道的数据有助于了解为什么人们没有完成购买过程的某个阶段，从而有助于改善未来的整体体验。

关键业务决策：正确分析大数据可以让我们发现系统和流程中可能效率低下的“漏洞”，从而留出更多空间来适当管理各种预算。此外，这种级别的信息收集和分析可以帮助管理人员学习如何实时更准确地做出决策，同时消除漏洞和错误。

“数据挖掘”是指梳理大型数据集（元数据）以查找模式 59 个电子邮件营销人员的实用工具 和关系的过程，以便将其应用于特定目的，例如提高效率、针对营销活动或削减成本。数据挖掘的理念是发现特定变量，这些变量随后将在业务或组织环境中发挥作用。

一个简单的例子是 聚类分析，即根据共同特征识别目标群体。因此，可以根据特定属性（例如某人是否是父母，或者是否是老年人）对客户数据库进行梳理和重组（聚类）。

异常检测是数据挖掘过程的另一个例子。它涉及识别系统中的错误或问题以消除效率低下的情况。

过去，分析师必须依靠特定的数据子集来了解世 比特币数据库 界并做出相应的决策；现在，我们可以访问如此庞大的数据集，因此我们不再关注收集数据，而是更关注如何处理这些数据。而且，由于可用的数据如此之多，越来越多的组织变得高度以数据为中心，将数据作为他们了解和推动业务流程的主要手段。

机器学习和人工智能的进步使我们能够挖掘、分析越来越大的数据集并将其应用于实际应用。大数据让人工智能变得栩栩如生——人工智能现在可以如此轻松地访问大数据，这使得它能够在越来越复杂的层面上“学习”和解决问题，并以有意义的方式应用大数据。