時間：2022-02-27 16:44:42
序論：速發表網結合其深厚的文秘經驗，特別為您篩選了11篇商務數據分析報告范文。如果您需要更多原創資料，歡迎隨時與我們的客服老師聯系，希望您能從中汲取靈感和知識！
數據分析的目的
把隱藏在一大批看似雜亂無章的數據背后的信息集中和提煉出來，總結出研究對象的內在規律。
數據分析的分類
數據分析的三大作用：現狀分析、原因分析、預測分析。
數據分析的六部曲
數據分析流程
1.明確目的和思路
梳理分析思路，并搭建分析框架，把分析目的分解成若干個不同的分析要點，即如何具體開展數據分析，需要從哪幾個角度進行分析，采用哪些分析指標(各類分析指標需合理搭配使用)。同時，確保分析框架的體系化和邏輯性。
2.數據收集
一般數據來源于四種方式：數據庫、第三方數據統計工具、專業的調研機構的統計年鑒或報告(如艾瑞資訊)、市場調查。
對于數據的收集需要預先做埋點，在前一定要經過謹慎的校驗和測試，因為一旦版本出去而數據采集出了問題，就獲取不到所需要的數據，影響分析。
3.數據處理
數據處理主要包括數據清洗、數據轉化、數據提取、數據計算等處理方法，將各種原始數據加工成為產品經理需要的直觀的可看數據。
4.數據分析
數據分析是用適當的分析方法及工具，對處理過的數據進行分析，提取有價值的信息，形成有效結論的過程。
常用的數據分析工具，掌握Excel的數據透視表，就能解決大多數的問題。需要的話，可以再有針對性的學習SPSS、SAS等。
數據挖掘是一種高級的數據分析方法，側重解決四類數據分析問題：分類、聚類、關聯和預測，重點在尋找模式與規律。
5.數據展現
一般情況下，數據是通過表格和圖形的方式來呈現的。常用的數據圖表包括餅圖、柱形圖、條形圖、折線圖、氣泡圖、散點圖、雷達圖等。進一步加工整理變成我們需要的圖形，如金字塔圖、矩陣圖、漏斗圖、帕雷托圖等。
一般能用圖說明問題的就不用表格，能用表說明問題的就不用文字。
圖表制作的五個步驟：
確定要表達主題
確定哪種圖表最適合
選擇數據制作圖表
檢查是否真實反映數據
檢查是否表達觀點
常用圖表類型和作用：
圖片來自于網易云課堂《誰說菜鳥不會數據分析》
6.報告撰寫
一份好的數據分析報告，首先需要有一個好的分析框架，并且圖文并茂，層次明晰，能夠讓閱讀者一目了然。結構清晰、主次分明可以使閱讀者正確理解報告內容；圖文并茂，可以令數據更加生動活潑，提高視覺沖擊力，有助于閱讀者更形象、直觀地看清楚問題和結論，從而產生思考。
好的數據分析報告需要有明確的結論、建議或解決方案。
數據分析的四大誤區
1.分析目的不明確，為了分析而分析；
簡歷表格的格式一：姓名：性別：女年齡：21 歲身高：163cm婚姻狀況：未婚戶籍所在：現居住地：工作經驗：3-5年聯系電話：郵箱：最高學歷：大專專業：建筑裝潢設計求職意向最近工作過的職位：導購期望崗位性質：全職期望工作地：信陽市期望月薪：2900期望從事的崗位：客服專員/助理(非技術)期望從事的行業：互聯網/電子商務技能特長技能特長：接受新生事物快，勤奮好學，具有2年多的電子產品銷售經驗。教育經歷中國計算機函授學院(大專)起止年月：2007年9月至0年0月學校名稱：中國計算機函授學院專業名稱：建筑裝潢設計獲得學歷：大專工作經歷XX電腦城- 導購起止日期：2009年10月至0年0月企業名稱：弘運電腦城從事職位：導購業績表現：主要銷售主裝機，數碼周邊配件等 簡歷表格的格式二：姓名
性別
女
出生日期
1985.11.21
民族
漢族
血型
O型
婚姻狀況
已婚
教育程度
本科
工作年限
4年
政治面貌
群眾
現有職稱
無
戶口所在地
山東省青島市
現居住地
青島市
聯系方式
電子郵箱
求職意向
期望從事職位：數據分析師
期望工作地點：青島市
自我評價
1、具有扎實的統計學專業基礎知識，掌握常見的統計方法；
2、熟練掌握常用的數據挖掘方法，算法和相關工具、熟練使用SAS軟件；
3、數據處理能力很強，熟練使用Office軟件；
4、有良好的邏輯思維能力，注重細節、對數字敏感，能挖掘數據背后的意義，能夠獨立完成、撰寫業務數據分析報告。
工作經歷
2010年7月-2012年7月
山東****網絡有限公司
單位性質：合資
所任職位：數據分析師
工作地點：青島市
職責描述：
1、根據業務需求，制定用戶使用行為數據的采集策略，設計、建立、測試相關的數據模型，從而實現從數據中提取決策價值，撰寫分析報告；
2、跟蹤并分析客戶業務數據，為客戶的發展進行決策支持；
3、完成對海量信息進行深度挖掘和有效利用，充分實現數據的商業價值；
4、支持微博事業部等產品部門下的運營，產品，研發，市場銷售等各方面的數據分析，處理和研究的工作需求。
2008年6月-2010年6月
****公司
單位性質：國企
所任職位：數據分析助理
工作地點：青島市
職責描述：
1、完成對行業銷售及相關數據的分析、挖掘，熟練制作數據報表、撰寫評估分析報告；
2、獨立完成用戶行為特征與規律的分析，關注市場動態與風險，為產品方向提出合理建議；
3、在分析師的指導下構建公司業務領域數據分析與挖掘模型和方法論；
4、針對歷史海量商業數據，能及時發現和分析其中隱含的變化和問題，為業務發展提供決策支持；
5、完成數據分析相關的需求調研、需求分析等。
項目經驗
2011年5月*****項目
項目職責：
1、收集用戶使用行為數據；
2、完成行為數據的分析；
3、制定模型與產品運營間的聯動接口。
教育背景
2004年9月-2008年6月
山東**大學
統計學專業
本科
主要課程：數學分析、幾何代數、數學實驗，常微分方程、數理統計、抽樣調查、多元統計、計算機應用基礎、程序設計語言、數據分析及統計軟件、回歸分析等。
掌握了扎實的專業基礎知識，擅長數學，有很強的分析和演算能力，業余廣泛了解相近專業的一般原理和知識，如經濟學、計算機操作等，在統計計算的基礎上鍛煉了視野廣闊的分析技能。
培訓經歷
2010年3月-2010年10月
數據分析與SAS培訓
主要課程：SAS體系內容、ETL技術、SAS分析技術、假設檢驗、方差分析以及各種模型分析等。
通過本次數據分析培訓，全面掌握了SAS的內容，如邏輯庫及操作符與SAS的表達式等，能夠完成復雜數據步的控制，數據集整理以及主成分分析、因子分析等，提升了數據的分析能力。
專業技能
熟悉數據分析模型的建立，能獨立完成數據分析并針對結果給出一定的建議。
簡歷表格的格式三：姓 名性 別男出生日期1990-10-9戶口地廣州住宅電話*****手 機EMAIL個人主頁****聯系地址廣東省xxxx畢業院校工作經歷時間所在公司職位相關說明20xx年1月2日——
20xx年10月15日廣州無限信息傳播有限責任公司網頁制作工程師/WEB美工/項目經理畢業以后找的第一份工作，主要職責是網頁設計、FLASH制作以及平面設計。由于能力突出，后期在做大型項目中國校園商務網時任項目經理20xx年10月——
20xx年3月馨藍數碼工作室設計師第一份工作辭職以后與幾個朋友自行開發制作馨藍游戲網20xx年3月——
20xx年9月31日廣州高安軟件有限公司美工監理，設計師馨藍游戲網與該公司簽署合作協議，正式合并到該公司，自己也加入該公司參與網站建設工作，為尋求個人更大發展而離開該公司主要作品（建議上我的求職主頁查看詳細*******）網頁作品FLASH作品精益眼睛眼鏡店網站導入FLASH
NEC網站導入FLASH
紅寶石電子網站導入FLASH
實驗教學是培養經管類專業學生實踐能力的重要手段。經濟管理類專業學生不僅要熟練地掌握理論知識，更要具備較強的實踐能力，特別是大數據時代的到來，強調以數據為基礎進行研究，并快速做出決策[1]，不僅對掌握大數據思維和技術的人才需求量擴大，而且對經管類專業人才培養提出了新的要求[2]，因此在大數據背景下應充分認識實驗教學對經管類專業學生實踐技能的重要性，科學全面地構建面向數據分析和管理的實驗教學體系，以適應大數據背景下經管類專業人才的培養需求。
大數據擴寬了信息的來源，提高了信息獲得的速度，分析對象從傳統的結構化數據過渡到非結構化數據，因此對經管人才需要更全面地掌握大數據思維方式和分析流程。對工商管理、企業管理專業而言，需要其更注重利用多種類型的企業運作的數據，通過對其進行整理分析，幫助企業進行業務流程改革，提升企業運營效率，提高經濟效益[3]。對于電子商務、市場營銷專業而言，應學會利用大數據技術探索新商業模型，分析營銷網絡，評估投資風險及創新服務模式[4]。而對于和大數據技術緊密相關的信息管理專業來說，需要更全面地從數據采集、分析到數據挖掘多個方面轉變傳統的數據分析思維，以適應大數據環境下知識管理與智能決策的需要[5]。
1.實驗目的不合理，實驗設計不當。
目前，對于經管理類專業的大數據實驗教學體系還處于基本概念階段，與科研前沿脫節，實驗目標大多只要學生掌握數據采集、統計分析等基本概念和方法，就學會對給定的數據進行分析。但是在大數據環境下，數據分析和挖掘需要針對結構化數據、非結構化數據等用創新性的思維方式解釋分析結果，并用于智能輔助決策及知識發現。因此，大數據實驗課程應與時俱進地適應大數據的要求，開展多樣化、啟發式的實驗項目，不僅讓學生掌握如何收集信息和整理信息，還要解釋隱藏在數據背后的潛在規律。
2.實驗教學方法和手段陳舊。
傳統實驗課是學生按照老師的要求和給定的數據，學習各種數據分析方法。實驗內容設計單一，沒有針對不同知識結構的學生開展有針對性的實驗訓練項目，學生學習積極性不高。因此，在大數據實驗教學中，要以培養學生創新實踐能力為主要目標，在教師的幫助下，通過團隊協作、自主設計完成。同時，分層次制定針對不同知識結構背景的實驗項目，便于學生根據自身的特長和能力自主選擇實驗項目。
由此可以看出，傳統的實驗教學已不能滿足大數據背景下的經管類專業人才對數據分析和處理的新需求，在實驗教學方式、實驗教學內容等多方進行創新和改革，才能培養出順應時代背景的優秀經管類人才。
在大數據背景下，經管類人才應該具備：發現問題的能力，收集整理數據和信息的能力及理解分析數據的能力。對此，我們從教學方式、課程體系、技能與經驗三方面入手，開展實驗教學改革，以適應大數據時代對于經管人才培養的要求。
3.創新實驗教學方式。
大數據時代，書本和課堂不是獲取信息的唯一選擇，網絡資源、各種移動端應用程序等方式都擴展了學生獲取信息的方式，在這種情況下，實驗教學不僅需要讓學生掌握如何搜集、整理數據的技術，還要培養學生觀察、分析問題的能力，從而真正調動學生的學習積極性。例如可以提供多種獲取大樣本數據的渠道，學生組隊進行數據分析和挖掘，設計算法，進行相關分析直到最后撰寫出分析報告，整個流程全部由學生獨立完成。
4.完善大數據實驗課程體系的構建。
對于經管類專業的學生而言，實驗目的主要是讓他們掌握數據分析的主要流程、主要算法的基本原理，具備大數據應用的初步能力。另外，考慮到不同專業的學生知識結構不同，我們構建多層次的經管類大數據實驗課程、基礎實驗，以驗證和演示實驗為主，強調掌握數據分析工具和分析算法，理解數據分析基本流程。專業實驗，以簡單設計性實驗為主，強調利用現有的數據分析工具，較完整地體驗從數據采集、數據整理、數據分析到數據挖掘的全過程，并編寫簡單的數據分析代碼。綜合性實驗，采用自助式、合作式模式，讓學生自己動手收集數據，團隊合作分析問題，在實驗教師的指導下，綜合運用各種數據分析工具，自主設計算法，進行相關分析，直到最后分析報告，初步具備大數據的應用能力。
5.培養專業技能和增加實踐活動。
積極開展大數據應用相關的實踐活動，提供多種形式讓學生參與大數據的實踐環節，在提高專業水平的同時，提高實踐操作能力。合理利用現有慕課、微課等在在線課程作為實體課堂的有益補充，引導學生深入學數據技術。另外，積極聯系軟件企業提供各種實習途徑和崗位，讓學生真正參與與大數據的各種項目開發，強化課堂的理論知識，豐富實踐經驗，提高專業級技能，有效地提高學生的數據分析能力和數據挖掘能力。
大數據作為近年來的熱點研究問題，已經廣泛應用于經管類學科當中。經管類專業學生只有更好地掌握并懂得如何利用大數據，才能在大數據時代擁有更多的優勢。因此，本文從教學方式、課程體系、技能與經驗進行創新，提出切實可行的改革措施，以更好地培養經管類學生的數據分析的專業能力，適應大數據環境下知識管理與智能決策的需要。
參考文獻：
[1]祝智庭，沈德梅.基于大數據的教育技術研究新范式[J].電化教育研究，2013（10）：5-13.
[2]朱懷慶.大數據時代對本科經管類統計學教學的影響及對策[J].高等教育研究，2014（9）：35-37.
[3]李永，劉玉紅.大數據時代大學生學習模式轉變研究[J].長春工業大學學報（高教研究版），2014，35（4）：38-41，100.
A / B測試是非常基本的電子郵件營銷技能，即我們發送電子郵件的一個版本(稱之為A)給10%的客戶，與此同時發送電子郵件的另一個版本(稱之為B)給10%的客戶。然后通過比較這兩部分數據來決定向剩余的80%的客戶發送哪封最佳郵件版本。
郵件營銷A / B測試技巧是培育優秀郵件內容的前提。Webpower首席數據分析師Dr.MauritsKaptein認為其實這其中也包含了未被充分驗證的部分，我們可能并沒有通過A / B測試真正篩選出最佳郵件版本，實際上，我們只是對20%的客戶進行了測試，其余80%客戶其實是割裂狀態。如果我們能相對充分地覆蓋客戶，才真正較為客觀地進行了消費者洞察。
動態A / B測試
這里有一個基本事實：在A / B測試期間，有一半概率接收到電子郵件“A”，另一半概率接收到“B”。試驗結束后，如果“A”的轉化率為最高，“A”與“B”的概率分別變為1和0。然而隨著時間的推移，這一概率比例會被平順地改變。當缺乏數據支撐時，概率演變為1/2和1/2。但是在小范圍測試中，若“A”有更好的表現，概率值變為2/3和1/3。也就是說，做動態A / B測試，在測算品質上是完勝靜態A / B測試的。動態A / B測試的好處不僅在于它在準確度上優于靜態的，它還允許添加新的測試選項，并覆蓋更多的時間。因此，在面對一封自動生成的“購物車挽回”的電子郵件時，你可以隨時增加新的郵件版本測試最佳呈現效果。你不該只是做“是”或“否”的單一測試，而是要適時地持續優化。
不斷學習
使用動態A / B測試，為郵件與客戶互動空間開辟了更多的空間。比如，你如何通過推廣郵件確定一個新的在線服務產品的最佳價格？如果定價太高，可能沒有人會購買該產品；如果定價太低，又可能無法盈利。
所以該如何取舍平衡呢？不妨試試摒棄付費的市場研究機構所做的潛在客戶成本分析，激發郵件功能，有效利用相關數據探索最優價格。在郵件中，嘗試新的定價給客戶，觀察他們的反饋，計算你的收益，并不斷調整實時更新價格策略。可稱之為結合郵件反饋的動態定價。
個性化發送
如果將電子郵件營銷活動延伸開來看，可以與客戶個體有連續的互動學習。比如你每周的newsletter是針對同一組收件人，基于客戶newsletter的反饋你可以展開積極地調研，從而發現是什么讓用戶買單。
經過反復的郵件試探，我們可以了解客戶的產品偏好，他喜歡什么電影、音樂。或者他喜歡公路自行車運動還是攀巖？我們可以應用電子郵件對這些問題展開積極測試，并建立客戶的個人資料。
目前，越來越多的網站開始重視數據，并期望從中發現新的機會，不管你是做網絡營銷、互聯網產品設計、電子商務運營、個人站點運營維護，我們都希望從數據中尋找有價值的結論，并且指導公司管理層的決策，最終創造更大的網站價值。本書以通俗易懂的方式來講解網站分析所需掌握的知識，剖析日常工作中遇到的問題，并且配合大量的實戰案例的講解。
本書適合網站運營人員、網絡營銷人員（SEO、SEM、EDM）、網站產品經理和個人站長閱讀，本書也適合計算機專業或者市場營銷專業的自學。
目錄
第1章解密神奇的網站分析——網站分析的目的、流程及價值
1.1 為什么要對網站進行分析
1.2 網站分析是什么
1.3 如何進行網站分析
1.3.1 網站流量質量分析
1.3.2 網站流量多維度細分
1.3.3 網站流量重合度分析
1.3.4 網站內容及導航分析
1.3.5 網站轉化及漏斗分析
1.4 網站分析為什么很重要
1.5 網站分析帶來的價值及改變
1.6 網站分析的基本流程
1.6.1 定義（Define）
1.6.2 測量（Measure）
1.6.3 分析（Analyze）
1.6.4 改進（Improve）
1.6.5 控制（Control）
1.7 我能成為網站分析師嗎
1.7.1 網站分析行業概況
1.7.2 興趣和一個免費的分析工具
1.7.3 了解JS及HTML語言
1.7.4 了解網絡營銷知識及常見廣告模式
1.7.5 Excel和PPT的使用能力
1.7.6 強大的溝通能力
1.7.7 不畏錯誤和挑戰的能力
1.7.8 良好的職業操守和道德底線
1.8 本章小結
第2章從這里開始學習網站分析——網站分析中的基礎指標解釋
2.1 我們如何獲得網站的數據
2.1.1 常見的數據獲取方式
2.1.2 網站日志和JS標記
2.1.3 用戶識別
2.1.4 點擊流模型
2.2 網站分析中的基礎指標
2.2.1 網站分析中的骨灰級指標
2.2.2 網站分析中的基礎級指標
2.2.3 網站分析中的復合級指標
2.3 本章小結
第3章網站分析師的三板斧——網站分析常用方法
3.1 數據分析前的準備工作
3.1.1 數據的來源類型
3.1.2 數據的清洗與整理
3.1.3 我們的數據準確嗎
3.2 網站數據趨勢分析
3.2.1 同比、環比、定基比
3.2.2 趨勢線擬合
3.2.3 移動均值
3.2.4 數據監控自動化
3.3 網站數據對比分析
3.3.1 簡單合并比較
3.3.2 比較實驗的設定
3.3.3 讓比較結果更可信
3.3.4 別忘記與目標對比
3.4 網站數據多維度細分
3.4.1 指標和維度
3.4.2 為什么要使用細分
3.4.3 什么是細分
3.4.4 細分的常用方法
3.5 本章小結87第4章網站流量那些事兒——網站流量分析
4.1 網站中常見的流量分類
4.1.1 網站中常見的三種流量來源
4.1.2 直接流量的秘密
4.2 對網站流量進行過濾
4.2.1 過濾流量來源的基本原理
4.2.2 Google Analytics流量過濾速查表
4.3 如何對廣告流量進行追蹤和分析
4.3.1 對你的流量進行標記
4.3.2 區分搜索付費流量與免費流量
4.3.3 監測百度競價流量ROI
4.3.4 挖掘有價值的搜索關鍵詞
4.3.5 追蹤EDM的活動流量
4.4 如何辨別那些虛假流量
4.4.1 虛假流量與真實流量的特征
4.4.2 辨別虛假流量的十二種方法
4.5 為你的網站創建流量日記
4.5.1 什么是網站流量日記
4.5.2 如何創建流量日記
4.5.3 網站流量日記的作用
4.5.4 開始第一次網站分析報告
4.6 流量波動的常見原因分析
4.6.1 直接流量波動常見原因
4.6.2 付費搜索流量（SEM）波動常見原因
4.6.3 自然搜索流量（SEO）波動常見原因
4.6.4 引薦流量波動常見原因
4.7 本章小結
第5章你的網站在偷懶嗎——網站內容效率分析
5.1 網站頁面參與度分析
5.1.1 什么是頁面參與度
5.1.2 頁面參與度的計算方法
5.1.3 設置并查看頁面參與度指標
5.1.4 頁面參與度指標的兩個作用
5.2 頁面熱力圖分析
5.2.1 Google Analytics熱力圖功能
5.2.2 Google Analytics熱力圖中數字的含義
5.2.3 Google Analytics熱力圖中的細分功能
5.2.4 Google Analytics熱力圖中的路徑分析
5.2.5 Google Analytics熱力圖的常見問題
5.3 頁面加載時間分析
5.3.1 理想情況下的Landing Page時間分布
5.3.2 Landing Page缺乏吸引力的時間分布
5.3.3 頁面打開速度慢的時間分布
5.4 網站中的三種渠道分析
5.4.1 網站的流量來源渠道
5.4.2 網站的內部渠道
5.4.3 網站的目標渠道
5.5 追蹤并分析網站404頁面
5.5.1 使用Google Analytics追蹤404頁面
5.6 最終產品頁分析
5.6.1 如何評價內容的熱門度
5.6.2 基于多指標的內容簡單分類
5.6.3 基于多指標的內容綜合評分
5.7 本章小結
第6章誰在使用我的網站——網站用戶分析
6.1 用戶分類
6.1.1 用戶指標
6.1.2 新老用戶
6.1.3 活躍用戶和流失用戶
6.2 用戶行為分析
6.2.1 每個用戶行為指標的分析價值
6.2.2 基于用戶行為指標的用戶分布
6.2.3 基于用戶細分的用戶行為分析
6.3 用戶忠誠度和價值分析
6.3.1 基于用戶行為的忠誠度分析
6.3.2 基于用戶行為的綜合評分
6.3.3 用戶的生命周期價值
6.4 本章小結
第7章我們的目標是什么——網站目標與KPI
7.1 對網站進行全面貨幣化
7.1.1 設置電子商務追蹤
7.1.2 對目標設定貨幣價值
7.2 創建網站分析體系
7.2.1 定義網站目標
7.2.2 獲取并分解網站目標
7.2.3 聚焦網站的核心目標
7.2.4 關注每個分解的目標
7.2.5 創建網站分析的KPI
7.3 KPI網站分析成功之匙
7.4 KPI在網站分析中的作用
7.4.1 網站分析KPI的5個標準
7.5 解讀可執行的網站分析報告
7.5.1 可執行的網站分析報告的內容
7.5.2 KPI指標的創建及選擇
7.5.3 網站分析關鍵KPI指標報告
7.5.4 關鍵KPI指標變化分析
7.5.5 訪客行為貨幣化
7.5.6 創建屬于你的Action Dashboard
7.6 目標KPI的監控與分析
7.6.1 KPI的數據監控
7.6.2 KPI背后的秘密
7.7 本章小結
第8章深入追蹤網站的訪問者——路徑與轉化分析
8.1 探索用戶的足跡——關鍵轉化路徑分析
8.1.1 明確關鍵轉化路徑
8.1.2 測量關鍵轉化路徑
8.1.3 漏斗模型的展現
8.1.4 有效分析轉化路徑
8.1.5 為什么使用漏斗圖
8.1.6 網站中的虛擬漏斗分析
8.2 讓用戶走自己的路——多路徑選擇優化
8.2.1 簡化用戶轉化路徑
8.2.2 讓用戶選擇適合自己的路
8.2.3 多路徑轉化數據分析
8.3 基于內容組的訪問者路徑分析
8.3.1 基于分析目的規劃內容組
8.3.2 創建內容組前的準備工作
8.3.3 使用過濾器創建內容組
8.3.4 檢查并優化內容組
8.3.5 訪問者流報告功能概述
8.3.6 訪問者流報告與其他功能配合使用
8.4 本章小結
第9章從新手到專家——網站分析高級應用
9.1 為你的網站定制追蹤訪問者行為
9.1.1 使用_trackPageview函數自定義頁面名稱
9.1.2 使用_trackPageview函數追蹤出站鏈接
9.1.3 使用_trackPageview函數記錄時間維度
9.1.4 使用_trackPageview函數記錄頁面狀態
9.1.5 使用_trackPageview函數記錄用戶行為
9.2 按需求創建個性化報告
9.2.1 創建報告前的準備工作
9.2.2 設置自定義信息中心
9.2.3 對報告的用戶權限進行管理
9.2.4 設置智能提醒和郵件報告
9.3 控制報告中的數據
9.3.1 過濾器基礎
9.3.2 高級過濾器
9.4 快速數據導出工具
9.5 數據分析高級應用
9.5.1 網站內容關聯推薦
國雙科技注冊成立于2005年，以軟件外包起家，那時祁國晟就已經在關注搜索引擎的營銷經濟價值。2007年，他做出一個艱難的決定：徹底放棄賺錢的外包服務，把所有精力投入Web Dissector量化分析工具的開發上，開始了“二次創業”。經過三年的蟄伏，2011年 2012年國雙科技的在線分析業務實現了爆炸式的增長，收入猛增10倍以上。目前國雙科技的客戶超過300家，分布于18個行業，包括可口可樂、歐萊雅、上海文廣新聞傳媒集團等40多家全球500強和中國500強企業，國雙科技為它們提供打包的數據整合方案服務。
與過往的業績相比，更讓祁國晟和團隊興奮的，是他們正在開啟的新事業：數據資產化。
2013年年初，國雙科技旗下“國雙數據中心”正式成立。在祁國晟和團隊的謀劃中，該中心將是國雙科技試水“數據資產化”的先鋒。現在來看，國雙數據中心還只是一些趨勢性報告，比如中國互聯網用戶屬性、用戶習慣、電子商務、在線媒體渠道、移動互聯網等領域的用戶行為規律等。但未來一定不止于此。對于祁國晟和團隊來說，挑戰他們的是，用什么樣的思路來“激活”國雙數據中心已經擁有的數據挖掘能力和數據資產。據國雙科技的資料顯示，國雙數據中心擁有基于OLAP（聯機分析處理技術）的交互式數據挖掘平臺，可將數據倉庫中的每一個數據通過上百個維度和指標進行關聯、交叉、演繹，提供不同深度的分析報告，滿足不同視角的數據挖掘和分析需求。
祁國晟告訴記者，未來兩年之內，國雙科技在“數據資產化”的新事業上將找到行之有效的商業模式。現在問題的關鍵是，找到“需求在哪里”，甚至是得“挖掘需求”。
在“挖掘需求”上，祁國晟頗有感觸。基于之前與國家信息中心的合作，國雙科技涉足到針對電子政務的數據分析，當時雙方合作成立的網絡政府研究中心開發了一套基于電子政務的新系統，主要用于分析電子政務的績效。在該項合作中，在客戶的需求之外，國雙科技團隊發現了一項民眾對政府工作最急迫的需求——異地辦理生育證明，“這個發現跟數據挖掘有關系，這個結果不是調研出來的，是通過全樣本數據分析挖掘出來的”。祁國晟回憶說，最后他們出具的報告“非常有說服力”，甚至推動了政府后來出臺規定、簡化異地生育證辦理的流程。
在祁國晟看來，基于國雙科技近一年里業務拓展的重點，其“數據資產化”首先會在政府電子政務、運營商數據分析、網絡電視臺解決方案等業務線上找到突破點。“現在新業務的比例還不是特別高，占到整個公司收入大盤子的10%多，但是增長速度非常快。”祁國晟希望，兩年內新業務的收入能夠占到總盤子的30%以上，成為國雙科技的核心業務之一。在這個過程中，對祁國晟和團隊來說，挑戰之一是：這些數據資產源于國雙作為第三方服務商時，客戶愿意把數據交給國雙或者把數據接口開放給國雙，一旦國雙做“數據資產化”時，客戶會否對開放自己的數據有安全方面的顧慮？
“這是我們最關心的問題，也是我們做數據生意必須堅持的底線。我們企業的生存是依賴于客戶的放心，放心把數據交給我們分析。”祁國晟進一步強調，國雙科技正在嘗試的“數據資產化”有一個前提，絕不觸碰跟客戶商業相關的數據。
祁國晟介紹，在他們采集的客戶數據中，“只有1%到10%是客戶的商業數據，其他的全部都是行業性的數據”。而且，他感覺比較幸運的是，從一開始做數據分析、數據挖掘服務時做了一個正確的決定，“當時我們的計算性能做得還不夠好，曾經討論過要不要把那些行業性的數據丟掉只保留客戶的商業數據，后來我們沒有丟，現在看來是一件非常明智的事，留下這些行業性的數據，才能和現在其他的東西聯系在一起，這樣才有可能產生非常大的價值和意義”。
目前的團購模式，是基于互聯網發展十余年的經驗積累，對商業和人性的發揮做到了極致。如此模式到了國內，很容易走上一條具有“中國特色”的道路。
可以看到的是，團購網站深陷價格戰，大家進入低價的競爭。你推出的套餐128，我要推出99的，他要推出60的。大家在這個市場中，不是根據自身的情況定價，拼的是誰有錢，誰可以賠更長時間。就算賠到剩寡頭競爭的時候，利潤肯定還是上不去，因為特殊的市場環境和模式的易復制性決定了這一切。當只用低價吸引貪便宜的低端消費者，能為商家帶來什么？為消費者帶來什么？
另外，目前進行團購的商家整體水平很低，甚至很多別有用心的商家在利用團購，例如面臨倒閉的商家，利用團購賺一票走人等層出不窮。
好的企業也會進行團購嘗試，但是價格、產品、規模控制得很死，團購網站幾乎零利潤在為優質企業服務，而且在優質商家面前，沒有區別性可言。
當一個行業沒有核心產品而又陷入價格競爭的時候，這個行業就已經死了。更別說，從業者仍在瘋狂地燒錢來做這件事情了。
面對如此境況，要突圍，必須要創新。社區化電子商務是未來的發展方向，也是具有活力和充滿創新的領域。將媒體、電商、社區相融合，開發優惠及代金券系統，讓商家吸引目標用戶，同時憑借數據分析和挖掘技術，為商家提供全方位的用戶數據分析服務，例如各個年齡層、收入的用戶購買情況，購買和消費的時間和空間的分布等等。
以新開業商家為例，它的需求是迅速建立知名度、獲得體驗用戶、打開市場，借助傳統的團購模式，可以輕松實現這些目標。現在加入社交元素后，可以幫助商家進行團購后客戶關系管理，一步步篩選用戶，傳播品牌文化，強化與消費者的溝通，將其轉化為高質量的忠實用戶群。其三段式營銷策略為：
第一段：預熱，新開張
傳統媒體：以專業媒體的角度給予商家客觀的評價；
網媒：設計套餐，通過團購體驗商家的產品和服務；
社區：開通商家官方微博，通過在網站與報道、團購相結合，增加關注度。
第二段：營銷，成長期
傳統媒體：持續的廣告投入與電商平臺的平媒推廣相結合，保持商家的曝光度，增加讀者和消費者認知；
網媒：提交團購購買及消費分析報告，與商家共同分析用戶屬性與行為；
進行優惠券等銷售，使消費者可以更全面地了解商家的產品、體驗商家服務；
社區：通過互動平臺，使得消費者加深對商家的了解，提高品牌的認知度。
第三段：品牌，成熟期
傳統媒體：持續廣告投入，打造品牌概念；
當企業從區域制走向無限細化，以醫院、醫院銷售代表為單位，進行簽約合作時，就已經步入了深度的傭金制階段。
過去，企業只提供底價招商，商負責和商業公司結算。隨著“兩票制”和“企業自主招標”這兩方面政策的出臺，傭金制的操作就轉變為企業直接和商業公司結算，結算后的費用作為傭金（商在臨床推廣過程中的勞動報酬）按照一定的點位返還給商。其中存在兩方面轉變：第一，中標價格將由企業來控制，商無須理會；第二，企業和商業公司關于供貨價、返利價、開發價、配送價等簽約內容轉由商務人員支配，其中包括物流功能。此時，商的主要工作就是做好臨床促銷，關注的是企業給予的返點在經過臨床推廣后還剩多少利潤，就像差旅管理，每天補助250元，食宿標準自行選擇。
辦事處制需要列支費用交由企業審查，在傭金制下，企業只需審查所負責區域純銷的藥品當量（不是以銷售額，而是以銷售數量來計算），然后按30%~35%的點位返還給商。此時，商跟企業建立了同盟關系，必須建立專業的公司或者找專業公司開具勞務方面的發票，將票據交給企業后才能將返點的錢拿走。這樣，企業避免了稅收問題，又合理地將這筆錢打到了商卡上，讓所有的形態合法化。
傭金制的發展決定了暴利時代的終結。原先，商可操控的點位可能在60%以上，這就有可能造成臨床回扣的濫發。帶給直營制的變化如此，制也同樣有所轉變。原先，企業是底價結算給商，10元的藥品，企業拿2元，其余環節統統不管。而傭金制正好相反，零售價由企業自己定，負責接洽商業公司開票、計稅等所有環節產生的稅費，商通過臨床促銷從企業處拿到的傭金只有3~3.5元，而不是原來的8元。這種結算方式的轉變，正是“兩票制”、自主招投標在反商業賄賂形式下企業招商的發展趨勢。
商務部介入數據管理
“包稅返點”如何操作？例如A省只有一個經銷商，這個經銷商把每個月藥品銷售的物流清單傳送給企業的銷售經理，由銷售經理出具報告，向公司財務提出申請，由此可以計算出商拿到的傭金返點。商把工作產生的票據寄還給公司后，就可以跟企業結算自己的報酬。
如果1個省只有10多個商或分銷商，銷售經理當然不難統籌。但若某省銷售額很大，分銷商數量達到數百，這樣的處理方式就可能存在兩方面的問題：第一，工作量很大；第二，人多混雜，銷售經理很可能會張冠李戴，把A商的業績算給了B商，通道的單一導致了與商之間的矛盾，倘若企業能將這個流程電子化，則不僅能體現公司的監管，還能在減少處理環節、節省人力的同時，規避相應的風險。
筆者建議，企業由商務部來審核數據，因為與經銷商簽約本來就是商務部的職責。經銷商將每個月的資金流向以電子化的形式進行反饋，由商務部審計后，告知銷售經理。商務部負責數據分析甚至錄入商管理系統，月底時，大區經理、地辦經理只要打開該系統，就可以明確整個系統的資金動向，根據這個數據來敦促自己的商。商也可以登陸系統，了解自己的醫院開況和返點金額。
動態CRM為銷售指南針
可能有人會問：“銷售經理做什么？”在商務部負責監管流程的時候，銷售經理的主要職責有兩個方面：第一，調劑當地商。面對一個200~300人的分銷團隊，如何和這些人打交道？如何保持市場的穩定和流動性？第二，對商的管理輸入。區域商需要駐點公關，就像汽車4S店的駐地服務那樣，銷售經理把企業想要傳達的信息傳遞給商，完成其與企業適配的一體化工程。針對分銷商，銷售經理要組織一系列有效的活動，例如組織分銷商開會、學習、旅游等等。針對這樣一個幾百人的團隊，要讓這些區域市場的人對企業產生歸宿感，從而認可企業領導，就需要銷售經理這些補進的常態工作。
一、大數據定義及常用分析方法
（一）定義。對于什么是大數據，迄今為止并沒有公認的定義。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數據庫軟件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征。（二）數據挖掘常用分析方法。數據挖掘就是對觀測的數據集（經常是很龐大的）進行分析，目的是發現未知的關系和以數據擁有者可以理解并對數據擁有者而言有價值的新穎方式來總結數據。常用方法類型介紹如下：一是關聯分析。是在未有既定目標情況下，探索數據內部結構的一種分析技術，目的是在一個數據集中發現、檢索出數據集中所有可能的關聯模式或相關性，但這種關系在數據中沒有直接表示或不能肯定。常用的關聯分析算法有：Apriori算法、FP-growth算法。該技術目前廣泛應用于各個領域，如我們在電商平臺瀏覽商品時都會顯示“購買此商品的顧客也同時購買”等提示語，這正是我們日常生活中接觸最多的關聯分析應用實例。二是聚類分析。是在沒有給定劃分類別的情況下，根據數據相似度按照某種標準進行樣本分組的一種方法。它的輸入是一組未被標記的樣本，聚類根據數據自身的距離或相似度將其劃分為若干組，使組內距離最小而組間距離最大。常用的聚類算法有K-Means、K-Medoids、DBSCAN、HC、EM等。當前，聚類分析在客戶分類、文本分類、基因識別、空間數據處理、衛星圖片分析、醫療圖像自動檢測等領域有著廣泛的應用。三是回歸分析。是指通過建立模型來研究變量之間相互關系的密切程度、結構狀態、模型預測的有效工具。常用的回歸模型有：線性回歸、非線性回歸、Logistic回歸等。四是決策樹。是一個預測模型，在已知各種情況發生概率的基礎上，通過構成決策樹來求取期望值大于等于零的概率、判斷可行性的決策分析方法，是直觀運用概率分析的一種圖解法。常用算法有CART、C4.5等。五是人工神經網絡。是人腦的抽象計算模型，是一個大型并行分布式處理器，由簡單的處理單元組成。它可以通過調整單元連接的強度來學習經驗知識，并運用這些知識推導出新的結果，屬于機器學習的一種。
二、大數據分析在金融監管領域主要運用場景
當前大數據在前瞻性研究、風險防控、客戶分析、輿情監測等方面都取得了巨大的成效，在金融領域實現了廣泛應用,有效地提升了金融監管的針對性，為金融管理、風險識別帶來了無限的可能性，成為當前不可或缺的分析手段之一。一是運用大數據開辟“線上溯源，線下打擊”的治假新模式。2015年5月,某省“雙打辦”聯合某電子商務企業發起行動。某電子商務企業首先運用大數據手段識別售假線索、鎖定犯罪嫌疑人、分析串并背后團伙，根據警方需求批量輸出線索用于偵查破案。行動期間，該省侵犯知識產權立案數同比上漲120%，破案數同比上漲77.3%。與傳統打假模式相比，“大數據治假”模式實現了對犯罪嫌疑人線索信息的實時收集，為執法部門線下查處和打擊提供了更精細、精準的線索和證據。二是運用大數據提升監管有效性。2016年，某交易所通過監控發現滬股通標的股票成交、股價漲勢存在明顯異常。運用大數據方法對歷史資料進行關聯匹配映射分析后發現，來自香港的證券賬戶與開立在內地的某些證券賬戶有操縱市場的重大嫌疑，根據上述線索，監管部門查獲唐某等人跨境操縱市場的違法事實，成為滬港通開通以來查處的首例跨境操縱市場案例。大數據方法為資本市場的進一步對外開放提供了新的監管思路。三是運用大數據實現風險分析、風險評級，打擊電信詐騙。通過收集和整理各行業、機構的黑名單，利用多樣化的機器學習模型及大數據關聯分析等技術，為銀行、個人等提供風險管控和反欺詐的服務；運用數據挖掘技術，發掘與相關賬戶信用相關的預警信息，形成預警信號并向相關風險管理系統主動推送，進而跟蹤預警信號處置流程，直至得出最終結論或風險管控方案，形成一個風險預警、通知、處置和關閉的閉環處理流程。四是運用大數據助力風控。例如，某電子商務企業旗下小貸平臺建立了決策系統，借助大數據分析結果選擇風險可控的企業開放信貸服務，實現貸前小額貸款風險管理控制，提升集約化管理的效率。該平臺信用貸款部分客戶的貸款年化利率可低至12%，對比原先降低6個百分點。依靠平臺和數據優勢，該平臺在風險控制方面已形成了多層次、全方位的微貸風險預警和管理體系，實際運行中該平臺的不良貸款率一直保持在1%以下，風險控制成效良好。
三、對大數據分析在外匯管理領域運用的思考
（一）引入大數據分析方法的必要性。近年來，外匯管理部門通過不斷完善國際收支申報體系和加強外匯管理信息化建設，掌握了海量的數據信息，為外匯管理從側重事前審批逐步轉向側重事后監測分析奠定了扎實的基礎。在當前主流的事后監測分析框架中，通常按照業務條線，采用“宏觀—中觀—微觀”自上而下遞進式分析方法。這種分析方法有一定的優點，可以實現對各業務系統的充分利用，與宏觀形勢和業務管理信息結合較為緊密。但同時也存在一些缺陷：一是數據之間關聯度不高，監測分析主要以各業務條線事后核查為主，數據相對分散，數據之間的關聯分析較弱，監測結果相對滯后；二是難以發現潛在風險苗頭，特別是在數據量巨大或關聯關系復雜等特定場景下，有時無法取得滿意的監測分析結果。在此背景下，可以考慮適時引入大數據分析方法。該分析方法是考慮在整合內部系統、互聯網等各類信息數據的基礎之上，利用數據挖掘、建模等工具方法，對企業、集團等主體、各類交易數據及互聯網信息進行多層次、多角度、多項目的情況分析，并通過反饋的結果，修改完善模型，不斷提高分析預測結果的準確性，既能解放大量人力資源，又有助于提高事中事后監管的針對性和效率，同時提高外匯管理的信息化程度。（二）大數據分析方法在外匯管理領域運用的具體思路。1.打造大數據監管中心，探索構建各類監管模型設立大數據監管中心，整合各業務系統數據及互聯網外部數據，構建各類監管模型，多層次、多角度、全方位對各類主體交易數據實施監管及風險防控，探索實現主體監管、本外幣一體化監管等，提升監管效率。一是交易數據監管。將當前各項法規、政策、制度數字化，建立合規性核查模型，通過對交易信息進行模擬仿真測試，獲取交易數據的邊界條件，判斷交易的合規性，自動報告不合規交易。二是交易風險預警。通過對以往違規的交易進行分析建模，結合當前的經濟金融形勢，對每筆交易進行風險分級，自動報告高風險的業務數據。監管部門判斷核查后，系統根據反饋結果通過機器學習等完善預警模型，不斷提升預警準確度。三是主體監管。以企業或集團公司為主體，整合利用全方位數據，運用神經網絡等技術對主體的投融資、結售匯、資金管理與調配等內部交易行為進行分析，了解不同類別主體異同點，對主體進行適當性分析評測，及時識別潛在違規行為。2.預測匯率、跨境收支走勢，了解并引導市場預期通過收集影響匯率變動、跨境收支相關因素信息，建立模型預測匯率、跨境收支走勢，并通過機器學習等方法，自動或人工調整模型，不斷提升預測結果的準確性，同時掌握902017.09市場預期，及時進行引導。一是匯率走勢預測。整理收集通貨膨脹、利率、政府債務、市場心理等影響匯率變化的信息，通過回歸等各類模型方法，分析某一項或多項與匯率之間關系，預測特定時間段匯率走勢。二是全國或地區跨境收支形勢預測。整理收集行業價格、匯率、經濟金融形勢等外部信息，觀測、分析經濟金融形勢、匯率、人民幣即期交易差價等對地區跨境收支或進出口的影響，預測跨境收支或進出口走勢變化。三是掌握人民幣匯率市場預期。收集網絡上關于人民幣匯率相關信息、搜索頻率等，通過文本分析等方法了解人民幣匯率走勢的市場預期，便于適時采取引導措施。3.輿情實時監測，快速預警反饋整理收集互聯網各大網站評論、博客等信息資源，嘗試以數據情感分析角度，實現對文本評論數據的傾向性判斷以及所隱藏的信息的挖掘并分析。一是獲取政策反響。收集各大網站某項政策的相關評論、帖子、博客等信息，通過深度學習、語義網絡等多種數據挖掘模型，分析判斷數據傾向性，以數據角度反映政策執行效果及反響，為政策的進一步完善提供參考。二是設立輿情監測平臺。運用數據倉庫、文本分析、機器學習、神經網絡等技術手段對金融敏感信息、輿論情況、政策解讀反響等進行實時監測、分析，全面覆蓋公共新聞網站、行業網站、微博、博客、論壇、貼吧等信息平臺，在第一時間捕獲相關輿情，并及時發送分析報告，合理引導市場預期。（三）初步實踐與嘗試。我們以某地區2015年1月至2016年10月涉外支出數據為例，對其與CNH、CNY進行了回歸分析。1.涉外支出與CNY回歸分析回歸預估方程為：涉外支出（億美元）=-52.15CNY+530.17。但P值為0.4912（一般認為P<0.05時通過顯著性檢驗），表明CNY與涉外支出無明顯關系。2.涉外支出與CNH回歸分析回歸預估方程為：涉外支出（億美元）=-24.05CNH+349.82。但P值為0.7526，表明CNH與涉外支出無明顯相關關系。3.涉外支出與CNY、CNH回歸分析回歸預估方程為：涉外支出（億美元）=2466.1CNH-2498.2CNY+364.6。其中CNH、CNY、截距項P值分別為2.3×10-5、1.9×10-5和0.246，表明CNH、CNY與涉外支出有顯著的相關性，截距項與涉外支出沒有明顯的相關性，擬合優度為0.5897。4.涉外支出與即期交易價差（CNH-CNY）回歸分析回歸預估方程為：涉外支出（億美元）=2489.06（CNH-CNY）+157.3，其中P值分別為3.73×10-12和1.38×10-5，表明兩項預估值的顯著水平均較為理想，擬合優度為0.6006。從上述情況可以看出涉外支出與即期交易價差存在較強的線性關系，即某地區涉外支出隨著人民幣價差（CNH—CNY）的收窄而減小，隨價差的擴大而增加。在知悉若干變量對另一變量存在影響的情況下，可使用該方法分析各自變量與因變量的具體相關性，逐步求取最優模型，獲取變量之間的線性關系，如：分析匯率與購匯金額之間的關系；分析產品進出口金額、進出口量與產品價格之間的關系。
一、引言
（一）研究目的
隨著信息化技術的迅速普及和發展，電子商務以其便捷，易于操作而獲得消費者的青睞，從而快速占領市場。線上選購交易方式使得電商平臺客戶評價體系具有現實指導意義，一方面可以給顧客提供對比參考信息，購得物美價廉的商品，另一方面可以為商家提供反饋意見，為客戶提供更優良的服務。目前電子商務平臺的客戶評價體系存在很多漏洞，如體系不完善、評價信息不真實、反饋信息凌亂等。因此，統一評價標準，利用數據分析和挖掘技術處理海量客戶評價信息，建立由第三方數據中心統籌管控的透明化、具有可比性的評價體系顯得尤為重要。
（二）研究價值
虛擬化的購物環境缺乏真實性和可見性，第三方數據中心提供的客戶評價體系恰好能彌補這一缺陷，即能夠提供借鑒信息讓顧客判斷商品是否符合現實要求，并能夠實現不同商戶同一商品之間的對比，為顧客提供性價比最高的的購物建議，同時也可以提供反饋信息讓商家改善服務質量，促進不同商家之間的良性競爭。因此，對于第三方客戶評價的研究價值而言，我們從以下兩個方面進行分析研究：
（1）客戶評價的潛在價值。通過問卷調查的方式對消費群體的購買導向和對客戶評價的參考價值進行調查，共獲得168份問卷，調查結果顯示如下：
①91.07%的人會選擇網購過程中參考欲購商品的歷史客戶評價，說明歷史客戶評價具有較強的可參考性。
②63%的人會選擇欲購商品的歷史客戶評價對購買起決定性作用，可見客戶評價的實用價值。
③82.14%的人會選擇不同電商購物網站上同一種商品價格不同，首選評價好的，不在乎價格高低，說明客戶評價的重要性。
針對商品的歷史客戶評價的真實度，有79.17%的人表示有部分摻假評論，有18.45%的人表示參考性較強，而23.8%的人則表示完全不可信。反映出客戶評價的真實度有待考究，需要切實的方案改進。
通過和商戶的線上交流，了解客戶評價的反饋作用，得到以下信息：
①客戶評價反映商戶信譽，從而影響銷售；②客戶評價給商戶反饋，促進商戶改善現有產品和研發新產品；③客戶評價記錄歷史購買情況，商戶以此不斷調整價格策略；④客戶評價的部分不真實性，造成不良消費現象，擾亂正常的電商市場，促進商戶之間的不公平競爭。
（2）優化客戶評價體系的價值。現存的客戶評價體系存在很多漏洞，譬如：體系不完善、評價信息不真實、反饋信息凌亂等，優化客戶評價體系對電商平臺的發展具有重要作用，通過建立統一評價標準，完善評價體系，實現統一管控，以期達到以下三方面的要求：
①購買評價信息清晰可視化，快速滿足個性化需求。當下市場競爭愈加激烈，商品信息的可視化及清晰度可節省顧客的時間，快速做出反應，同時在買方市場的環境下，發展個性化商品及服務，對企業的發展和顧客的特殊需求尤為重要。
②大量數據統計分析，增強信息的真實性和指導性。大數據時代下，利用數據分析及挖掘技術可實現數據發聲功能，使得信息更具有說服力，切實解決實際問題。
③信息透明具有可比性，實現商戶之間良性競爭，達到優勝劣汰的效果。
二、國內外研究現狀
電商平臺客戶評價是近兩年才開始發展和慢慢成熟起來，同時也在不斷的進行修改和完善。國內針對這一領域的研究還比較少，而且大多都是集中研究客戶評價模塊的版面設計及標準完善方面，沒有提出切實的提出其漏洞和發展障礙的解決方案。作為電子商務發展最早的也是發展最成熟的國家，美國一直帶領著亞洲和歐盟的電子商務產業迅速發展[1]。針對這一現狀，我們將從與電商平臺客戶評價密切相關聯的電子商務的發展、大數據下的新營銷、客戶價值方面著手，研究電商客戶評價的現狀。
（一）電子商務的發展
電子商務利用計算機技術、網絡技術和遠程通信技術，實現整個商務（買賣）過程中的電子化、數字化和網絡化，人們不再依靠紙介質單據進行交易，而是通過海量的網上商品信息、完善的物流配送系統和方便安全的資金結算系統進行交易。由于全球經濟發展的不平衡，導致電子商務在全球的發展也層次不齊，歐盟和亞洲發展比較迅速，尤其是在中國近幾年支付寶的應用更是推動電子商務的快速發展。
電商平臺作為一個服務載體，將企業與顧客、企業與企業、顧客與顧客匯聚到一個平面，實現面對面網上交易。同時電子商務又是客戶評價的載體，客戶評價又是電子商務的反饋機制。電子商務的發展帶動著客戶評價體系的發展，可以預見電子商務客戶評價的發展潛質和研究價值不可估量，將影響電子商務這個行業的發展。
（二）大數據背景下的新營銷
隨著互聯網技術的發展，全媒體環境的全面爆發， “大數據”已成為新的時代主題詞，并全面影響了廣告與營銷業界。海量的數據催生了海量數據的搜集、存儲、管理、分析、挖掘與運用的全新技術體系。在營銷體系中，大數據從媒體、消費者、廣告與營銷戰略策劃、效果評估四個層面解構了傳統營銷體系，卻也重構了大數據背景之下的全媒體營銷體系。
營銷的核心理念是激發需求、掌握需求和滿足需求，通過抽樣與普查了解需求、激發和滿足需求。大數據時代我們將摒棄通過抽樣的數據來推斷、預判需求，而是利用互動平臺、通過大數據技術清晰地獲得需求的信息，因此其精準性也得到了極大的提升。
由電商平臺產生的海量歷史數據，通過對大數據分析提出方案提交有關部門以支持決策，以實現新型的營銷策略，如：個性化網頁推薦，可能感興趣商品，同一商品在不同商戶處的售價對比等。而客戶評價利用這一技術，也將更好的發揮其背后的價值，促進電子商務平臺的更好發展。
（三）客戶價值研究
營銷觀念的發展使得以客戶為中心的經營理念成為主流，企業將關注重點由產品轉向客戶，處理客戶關系方面，由如何吸引新客戶轉向全客戶生命周期關系管理，同時開始將客戶價值作為衡量績效的評價標準。
電子商務環境下的客戶主要有兩種，基于互聯網形成的客戶和基于互聯網作為信息平臺而形成的客戶。其客戶的所表現的特點也與傳統商務環境不同，一般都具有分布空間范圍廣，沒有地域限制，有較強的時效性，可重復增長性，個性化需求愈加強烈的特點。客戶的特點決定客戶需求，客戶需求決定廠商發展的方向。而客戶評價作為電子商務環境下最直接的客戶關系管理，對于客戶滿意度和客戶忠誠度的提升具有重要作用。關注客戶評價，及時解決客戶的需求，可延長客戶處于穩定期的時間，提高企業的效益，實現可持續發展。
現下對于客戶價值及客戶關系的研究很多，但只針對電商平臺中的客戶評價模塊的研究卻少之又少，而顧客和商家都需要這方面的研究給予指導，如何更有效的利用這些評價信息作出合理的決策至關重要。
三、電商客戶評價體系研究―以淘寶網為例
客戶評價體系是指在電子商務市場環境下，參與交易的雙方根據自己的主觀判斷相互給予評價的全過程，是產生和傳播信譽信息的工具。以淘寶為例，其平臺根據自身特點及用戶需求創建了一套包括在線溝通的阿里旺旺、支付功能的支付寶及實名認證在內的完整的信譽評價系統。由于電子商務交易的特殊性――支付貨款和收到貨物分離，導致你交易存在風險，而客戶評價體系為購買者提供賣家的以往交易數據，也就降低了交易風險的產生概率。由此可見，客戶評價在電子商務經營中具有無可替代的作用。
目前，淘寶網的信譽評價體系由兩部分組成：“店鋪動態評分”和“賣家信用評價”，其結構框架如圖1，具體事例圖如圖2所示：
（一）店鋪動態評分
店鋪動態評分主要由三部分組成，特征滿意度、綜合星級和快遞滿意度。期中綜合星級打分規則為一顆五角星代表一分，以此類推，滿分是5分。1 分―5 分分別代表非常不滿；不滿意；一般滿意；非常滿意。這些評分數據會有一個綜合評分供買家參考。這些數據不僅會給顧客一些參考，也會給商戶和物流公司一些建議，以其不斷完善商品和服務。
（二）賣家信用評價
信用評價是指客戶在收到網貨并通過支付寶確認付款之后，買賣雙方有權根據自己的主觀實感來對對方做出客觀的文字評價。客戶根據親身體驗，寫一些對商品和服務的主觀感受，文字的客觀評價對潛在客戶更具有影響力，因此，著重研究買家評論，挖掘其中的信息，都有現實意義。
四、電商平臺第三方客戶評價體系數據化運營策略
2014年阿里巴巴公布了“雙十一”全天的交易數據：天貓淘寶雙十一全天成交金額為571億元，其中在移動端交易額達到243億元，物流訂單2.78億，總共有217個國家和地區被點亮。面對如此龐大的交易量所產生的數據流，我們以企業級海量數據的存儲、分析、挖掘和應用為核心技術支持的基礎上，通過可量化、可細分、可預測等一系列精細化的方式進行網站流量監控分析、目標用戶行為研究、網站日常更新內容編輯、網絡營銷策劃推廣等。當數據化運營的概念運用到客戶評價這一平臺，會大大增加這一功能模塊的用途，如：通過目標客戶在各個商戶中的評價，在研究其行為及心理預期范圍。
鑒于此，提出電商平臺第三方客戶評價體系數據化運營方案：
（一）理念簡介
（二）理念內容
（1）主要是數據、信息，原始客戶評價數據經第三方數據交易中心處理后在電商平臺和提供給需要的商戶，作為決策依據。具體內容如下：
同時第三方數據交易中心作為運行主體，將會在運行初期以電商平臺客戶評價數據為對象，利用數據分析及挖掘技術提供專業的分析結果。
（2）核心價值觀。以服務廣大顧客和商戶，互惠互贏，促使電商平臺更好更平穩發展。
（3）愿景。第一階段：以某一個電商平臺的客戶評價數據做深層次分析，將各種分析結果以網頁鏈接形式展現給顧客。
第二階段：將客戶評價數據擴展到平臺其他數據，建立數據模型，在反饋給顧客信息的同時，提供商家分析報告服務。
第三階段：與各大電商平臺合作，利用大數據技術，跨平臺交叉式分析數據，向顧客、商戶、平臺三方提供決策依據。
（三）可行性分析
第三方數據交易中心不需要很多的硬件，只要滿足軟件方面的要求即可。最重要的還是數據資源和人力資源，現實條件下，電商平臺每天的交易及歷史評價數據足夠多，同時近兩年，涌現出大批專業化的數據分析和數據挖掘的人才，滿足了最基本的資源問題。接下來將從以下兩方面研究項目的可行性：
（1）技術可行性。21 世紀核心的競爭就是數據的競爭，2012年3月29日，美國奧巴馬政府正式宣布了“大數據的研究和發展計劃”，預示著數據將成為未來企業的生產力，同時數據存儲技術也有了新的突破，以分布式數據倉庫、海量存儲技術和流計算為核心的實時數據倉庫技術將解決了大數據的存儲問題，電商平臺數據化運營的數據有了存放基礎。
與此同時，數據挖掘技術也不斷成熟，成為了一門比較成熟的交叉學科，融合了數據庫、人工智能、機器學習、統計學、高性能計算、模式識別、神經網絡、數據可視化、信息檢索和空間數據分析等多個領域的理論和技術。數據挖掘相對于傳統的統計分析，具有擅長處理大數據，應用相應的算法模型，解決實際問題。數據挖掘的主要成熟技術：決策樹（包括CHAID、CART和ID3、C4.5、C5.0算法）、神經網絡、回歸分析（多元線性回歸和Logistic回歸）、關聯規則、聚類分析、貝葉斯分類、主成分分析等等。
電子商務行業的數據挖掘和數據運營化又有其獨特的優勢：數據的海量性、數據分析（挖掘）的周期短、其成果的時效性明顯變短、互聯網新技術、新應用、新模式的更新時間更短。
以上的技術表明這個項目在技術方面具有可實施性。
（2）運行可行性。更多的顧客覺得一套統一的客戶評價標準以及相應的平臺會便于網購行為，而且顧客認為客戶評價平臺應該包含如：同類商品的好評指數排名、同類商品的有效買家排名、同類商品的商家各個評價指數排名等等。結果如圖3所示：
需求帶動供應，快速的生活節奏需要更直白、更明顯的權威性分析。商家要想獲得長久的發展，必須不斷根據顧客的喜好改變或者完善產品，但前期的調研需要花費很多的人力、財力、物力，而且不一定能獲取到有建設性的創新點。所以商戶也需要這樣一個平臺提供能將顧客需求轉變為實際方案的平臺，而第三方數據交易中心會收集顧客反饋數據，進行整理和處理，以報告的形式提供給商戶。
（四）第三方數據交易中心運營平臺設計
掌握了數據，就該考慮如何將數據運營到企業中，電商平臺與傳統的制造型企業不同，它需要的是更加有效的精細化運營，強調細分、準確、個性化。利用數據分析和數據挖掘技術作為數據化運營的有效保障，為了讓技術能有效的應用到數據化運營中，電商平臺必須建立第三方數據交易中心，能夠完成數據分析和數據挖掘工作，同時第三方數據交易中心應配備一群出色的數據分析師，具備熟悉的技術技能和理解具體業務、快速學習的能力。第三方數據交易中心同時應和運營、客服等其他部門保持密切聯系，及時獲取數據和反饋信息。
第三方數據交易中心首先應劃分不同的功能部門，其中重要的一塊就是集中管理客戶評價，針對其存在的弊端，規范評價標準和細分評價特征，使其能進行數據分析中的時時對比，縱向、橫向和集中式分析共同進行，分別實現一家商鋪一種商品的評論數據分析，一種商品多家店鋪的評論分析，一個人對不同商鋪不同商品的評論分析。若要研究電商平臺上所有商鋪的評價，因為數據量極其龐大，可針對統一的評價內容和評價特征，建立數據模型，利用數據挖掘技術處理，得到更深層次和相關聯性的一些信息，不僅可以通過數據剔除一些假冒偽劣商鋪，更能發現一些專門從事不真實客戶評價的顧客，實施評價限制，維護客戶評價的質量。
第三方數據平臺可首先應用于淘寶平臺的客戶評價，當這種數據化運營的方式取得一定效益時，可拓展其功能范圍。最終第三方數據平臺可以實現各個電商平臺的數據一體化，不僅能處理某一個電商平臺的數據，更能將不同平臺的數據進行綜合分析、對比，反饋平臺問題。在第三方數據交易中心的推動下，電商平臺客戶評價必然會呈現出新的發展方向和特點。
參考文獻：
[1]Yu Zhang， Bian J， Zhu W. Trust fraud： A crucial challenge for China’s e-commerce market[J].Electronic Commerce Research and Applications， 2013.
[2]譚正祥.電子商務環境下企業客戶價值分析與評價[J].湖南大學，2010.
[3]維克托?邁爾-舍恩伯格及肯尼斯?庫克耶.大數據時代[J].2010.
[4]黃升民 劉珊. “大數據”背景下營銷體系的解構與重構[J].現代傳播，2012.
[5]譚正祥.電子商務環境下企業客戶價值分析與評價[J].湖南大學，2010.
[6]劉歡.數據挖掘在淘寶客戶評價方面的研究與應用[]J.濟南大學，2014.
[7]韓新華.電子商務網站評價研究與分析[J].吉林省經濟管理干部學院學報，2008 .
大數據在電子商務領域的應用逐漸增多，成為大數據最成熟的應用模式。京東通過建立PB級大數據平臺，將每個用戶在其網站上的行為數據進行記錄和分析，提高與用戶間的溝通效率、提升用戶體驗。實現了向不同用戶展示不同內容的效果，帶來了10%的訂單提升。比如提供給推薦搜索調用，針對不同用戶屬性特征、性格特點或行為習慣在他搜索或點擊時展示符合該用戶特點和偏好的商品，給用戶以友好舒適的購買體驗，能大幅提高用戶的購買轉化率甚至重復購買，提高用戶忠誠度和用戶黏性。淘寶商城將所有商家的信息進行匯總、歸類，同時，將用戶點擊數據、瀏覽頁面信息等數據信息建立數據模型。數據模型和數據資源在經過淘寶商城的挖掘和分析之后，向用戶和商家開放了查詢APP。通過數據挖掘和分析為淘寶提供了定向廣告投遞的能力。開放查詢APP則為用戶和商家提供了便捷的選擇服務。淘寶網還建立了“淘寶CPI”，通過采集、編制淘寶上390個類目的熱門商品價格來統計CPI，比國家統計局公布的CPI提前半個月預測經濟走勢。
金融
大數據成為金融業的有力支撐。工商銀行、中國銀行、農業銀行、建設銀行等國內重要的商業銀行都有自己的大數據分析系統，并開展了基于大數據的各類服務和應用。阿里巴巴基于阿里巴巴的電商交易數據和螞蟻金服的互聯網金融數據推出的芝麻信用。螞蟻金服的信貸通用決策系統通過對千萬家淘寶商鋪的3萬多個指標的分析，篩選出財務健康和講究誠信的企業，對他們發放無需擔保的貸款，目前已經放貸300多億元，壞賬率僅0.3%，大大低于商業銀行。
公共交通
大數據在公共交通、打車出行等交通領域的應用已經初步開展。通過分析預測出行交通規律，指導公交線路的設計、調整車輛派遣密度，進行車流指揮控制，及時做到梳理擁堵，合理緩解城市交通負擔。滴滴快的通過掌握的用戶打車記錄、司機行車軌跡等交通大數據，可以科學地實現運力調度，精確匹配乘客和司機，優化路徑，減少擁堵。北京交管部門的實時路況與百度地圖大數據的對接，依托百度地圖的交通大數據，可為公眾提供專業的城市實時交通信息，并可根據需要自行選擇，滿足個性化出行要求，提升出行效率。
制造業
大數據將成為制造業轉型升級和提升競爭力的關鍵之一。紅領集團的數據系統將成衣的各種款式和設計都數字化，可以滿足超過上億種以上款式和設計的組合，并可完成對物料數據整合管理，對里料、縫線、袖口等完成自動搭配。整個定制生產流程的20多個子系統全部以數據來驅動運營。這家3000人的工廠每天可以一款一件不重樣的定制西裝1200套，約為紅領60%的產能。農夫山泉與第三方廠商合作，共同開發基于“飲用水”的運輸環境數據場景分析，用大數據增強營銷、管理能力，企業近年來實現了30%-40%的增速。
健康醫療
