大数据分析战略精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的大数据分析战略主题范文，仅供参考，欢迎阅读并收藏。

第1篇：大数据分析战略范文

关键词：大数据 存储行业环境 战略分析

引言

大数据时代，呈爆炸性增长的数据规模，可以直接决定企业发展的未来。一方面，数据爆炸性增长可能给企业带来问题和隐患。比如，如何保证数据的绝对安全和可靠？随着越来越多的应用信息转变为数据进行存储和处理，数据的重要性和价值也越来越高，这也使得企业难以容忍数据的损坏或丢失。数据信息的毁坏和丢失会给企业带来不可估量的损失（Patterson，D.A.，2002）。数据的重要性和价值对于诸如广电行业企业这种有海量数据存储需求的客户来说，体现得更为明显。另一方面，大数据也可以为企业带来正面收益，比如从价值密度低的海量数据中，通过数据分析和数据挖掘技术，迅速提取更有价值的数据，用于提高企业自身的核心竞争力。在这一背景下，一些存储行业企业纷纷展开兼并收购，提升综合能力。如存储行业领导厂商VMware公司（NYSE：VMW）先后收购了开源Java开发商SpringSource、关系型和非关系型分布式数据管理系统厂商GemStone、开源软件开发商WaveMaker、企业社交协作解决方案提供商Socialcast、PPT在线制作服务提供商 SlideRocket，并对其进行整合，成为提供大数据解决方案的服务提供商。IBM也在大数据领域展开了连环收购，先后收购销售数据分析公司Varicent和企业搜索和导航软件提供商Vivisimo，将大数据的搜索和分析扩展到Hadoop之外的传统遗留应用和数据仓库。

存储行业产业环境现状

产业环境分析体现了产业内的竞争激烈程度和企业的最终获利潜力。波特认为五种力量状况及其综合强度决定行业环境：新进入者的威胁、供方的讨价还价能力、买方的讨价还价能力、替代品的威胁及现有竞争者之间的竞争。就存储行业而言，本文用五力模型对其行业环境进行分析（见图1）：

（一）新进入者的威胁

目前我国存储产业的潜在竞争者主要来自于IBM、EMC和VMware等技术和资金实力雄厚的跨国公司，基于核心传统的存储设备技术能力，通过内部研发和兼并收购等已经具备为客户提供综合化存储解决方案的能力。另外，华为、蓝汛科技、永新视博、同洲、索贝、新奥特、数码视讯等公司也纷纷涉足大数据领域，推出了针对广电行业应用的产品与解决方案。以上行业新进入者对现有存储企业带来了较高威胁，虽然存储产业具有一定的技术和资金壁垒，对于中小企业进入障碍较高，但对于这些技术研发具有优势的企业，这些壁垒不足以形成障碍。所以，新进入者威胁是需要充分考虑的要素。为获得可持续发展，现有存储企业必须提升研发能力，以客户需求为中心，结合云计算为用户提供更多创新的业务体验，还可通过构建业务研发云平台，降低新业务开发成本，加快新业务推出速度，为赢得市场先机奠定基础。

（二）替代产品的威胁

存储行业企业提供的是存储设备产品和专业化服务，诸如广电和证券行业等具有海量数据存储需求的企业，由于技术的局限很难选择自营的形式为自身提品和服务。当数据量达到一定程度时，只能选择专业从事存储的企业提品或服务。可见，存储行业企业的替代性较低。

（三）供应商的讨价还价能力

存储行业的供应商包括存储基础零部件设备供应商和数据管理服务供应商，大部分是IT制造行业企业，供应商的讨价还价能力决定于其规模、技术实力和专业性。如果业务量大、技术能力强、专业服务水准高，讨价还价能力就相对较强。

（四）买方的讨价还价能力

中国存储产业集中度较高，能提供海量数据存储设备和服务的国内企业并不多。相对于国外企业来讲，国内企业的产品和服务具有价格优势，国外企业提供专业化产品和服务水准较高，客户方的讨价还价能力不高，一般根据成本节约的目标选择国内或国外企业的产品。

（五）现有竞争者之间的竞争

存储行业竞争虽然激烈，但是主要依靠品牌、本地化支持、技术和性价比等因素的良性竞争。一方面，在高端市场，国外厂商依靠品牌和技术优势占据了一部分对价格不敏感的大客户，但是由于其本地化支持程度较低，后期发生的服务成本较高，很多企业选择国内存储企业的产品和服务。一部分国内存储行业企业依靠强大的本地化支持，依靠性能和价格两方面竞争；另一部分企业通过拓展增值型服务和提升服务水准，拓展新服务帮助客户企业提升竞争力并创造价值来获取竞争地位。通过以上分析，可见存储行业是个具有吸引力的朝阳产业，服务市场的需求和利润空间较大。

大数据时代存储行业的机遇与挑战

大数据时代的来临也将会给广电、银行、证券等有海量数据存储需求的行业带来巨大的价值和影响，这些存储产业链下游的客户企业必定会更加依赖于大数据的发展，这为存储行业提供了大量的潜在需求和发展机遇。另一方面存储行业企业更应该明确客户需求和清楚自身的优势和劣势，确保从容应对大数据时代的来临，并充分利用大数据时展带来的能量，提升和深耕自身能力，建立可持续发展的竞争优势（张帅，2000）。以新闻广电这一典型存储行业客户为例，存在的挑战主要表现在：第一，高性能和低延时。信息流、工作流的整合对性能要求日益提高。数据传输的实时性要求高，如节目播出流畅、不丢帧，要求数据必须在限定时间以限定的形式和流量提供；第二，大容量和高可靠性。行业的数据存储若以音频视频流为主，往往一个文件即高达数十GB，清晰度提高，使得数据量大幅增长，另外数据（音视频资料）这种核心资源，具有珍贵的历史意义和保留价值，若发生丢失会给电视台、网络公司带来巨大损失；第三，节约成本。由于设备和服务的分散采购，给客户方带来了额外的交易成本支出，如何为客户节约交易流程复杂带来的成本，提升综合服务能力是存储行业企业面临的又一挑战。

大数据时代存储行业发展战略

（一）推进增值服务管理，从存储设备提供商向数据解决方案的服务提供商转型

在大数据时代背景下，客户需求和科技发展相互结合，相互促进，一些客户自身具备丰富的业务类型和应用场景，具备丰富的实战经验，可以为大数据的方案实施提供宝贵的信息基础；而大数据领域的科技发展则可以为客户企业提供高效、安全、合理的技术平台，最大程度满足企业需求。例如，广电行业对大数据应用存在着诸多显见或潜在需求，伴随着大数据技术的飞速发展，广电行业的大数据应用也必将随之兴起。在广电行业内部，大部分电台、电视台都已经完成了数字化改造，并开始实施包括生产、办公、网络集成一体的全台网络建设。企业需要的不仅仅是能存储海量数据的高端存储设备，更需要满足终端综合需求的数据管理解决方案，这要求存储企业能够提品+服务的“交钥匙”工程，从存储设备提供商向数据解决方案的服务提供商转型。这种转型要求存储企业具备较高的综合需求管理能力，在面对不同客户的多级多域综合需求时，能迅速响应分解到企业内部和二级、三级供应商，再进一步整合成定制化的解决方案交递客户。可见培育企业的供应商管理和客户关系管理能力是成为数据解决方案的服务提供商的基础（陈向东、王晓方，2011）。

（二）采用科技前置的营销策略，提升数据整合能力

以市场需求为导向，强化技术创新所获得的竞争优势，实现增值营销。为使存储企业高端客户和产品市场呈现出强劲增长态势，必须采取科研前置的技术营销策略，这也是大客户营销的基础所在。大客户代表着前向产业的拉动者，公司需坚持技术领先，紧紧跟随前项产业的技术进步，如云计算、云平台和活性存储等，采取合作开发、单独研制等方式不断创新产品、创新技术，并针对不同使用条件和环境，为顾客进行合理数据存储方案设计，以满足个性化需求。一方面，更敏锐地把握技术发展趋势和客户的最新需求；另一方面，保持向高端客户和新的产品服务模式拓进，把知识营销运用于存储企业的经营管理，是对传统设备制造型存储企业的改造升级，构建强势存储企业品牌的长期竞争优势，其主旨是企业不仅要能够为客户提供丰富的产品、协助数据管理，更重要的是能够针对用户应用环境研发，提供有针对性的优化解决方案。

（三）推进产业联盟和培育存储产业链，构建全球化网络

一方面，在提升技术研发能力的同时，积极与全球各地的研究机构开展人才交流和技术合作；积极开展供应商参与的、科研院所联合研发，跨企业、跨产业的技术研发联盟；另一方面，建立多方合作平台，建立以综合服务集成商为主导的产业价值网，以建立稳定持续的业务关系为目标，由专人或专项小组直接与目标客户沟通，为其提供个性化服务。基于品牌、技术、制造和服务积累力量，作为国际化的 “四轮驱动”，推动中国存储企业的国际化进程。无论是现在还是未来，品牌、技术、服务和制造都是全球存储市场的角力点。存储行业企业应尽快完成从产品输出到以技术、服务输出和品牌输出的转变，极大地提高产品的供应能力和服务能力。基于以上展开国际市场布局，面对复杂陌生的海外市场，还需要建立本土化的供应网络，与当地供应商合作，在构建渠道网络的同时，了解和熟悉当地市场。随着国际市场业务增长以及销售渠道和服务网络的完善，提供与之匹配的本地化服务支持，与国际存储企业竞争。

参考文献：

1.Patterson，D.A.2002.Availability and maintainability performance： New focus for a new century. Key note speech at FAST'02

2.2011年存储行业十大发展趋势预测[J].微电脑世界，2011（2）

3.迈克尔·波特.竞争优势[M].华夏出版社，1985

4.张帅.存储行业的先锋—美国EMC公司[J].中国科技信息，2000（24）

5.存储行业从品质竞争转向品位竞争[J].计算机与网络，2006（13）

6.陈向东，王晓方.创意产业广电行业国际竞争力的比较分析—基于中国和欧洲的对比[J].现代商业，2011（17）

第2篇：大数据分析战略范文

随着互联网科技日益成熟，各种类型的数据增长将会超越历史上任何一个时期。用户想要从这庞大的数据库中提取对自己有用的信息，就离不开大数据分析技术和工具。中国有句老话：“工欲善其事，必须利其器！”可见，一个好的工具不仅可以使我们的工作事半功倍，也可以让我们在竞争日益激烈的云计算时代，充分挖掘大数据价值，并及时调整战略方向。

在本文中，作者整理了中国境内在大数据分析领域最具话语权的企业，它们有的是计算机或者互联网领域的巨头，有的则是刚刚创办不久的初创企业。但它们有一个共同点，那就是它们都看到了大数据分析技术带来的大机会，于是毫不犹豫地挺进了数据分析领域。（如表单所示）

通过表单，可以了解到相应厂商备受青睐的大数据分析产品。众所周知，在大数据分析领域，当家花旦非Hadoop莫属，Hadoop已被公认为是新一代的大数据处理平台，IBM、Intel、Microsoft、 Oracle以及EMC都纷纷投入了Hadoop的怀抱。对于大数据来说，最重要的还是对于数据的分析，从里面寻找有价值的数据帮助企业作出更好的商业决策。Hadoop和MapReduce等开源工具则使企业能够以一种全新的方式来管理和跟踪大数据。对于中小企业而言，鉴于IT预算的考虑，大多都是从开源的大数据分析工具着手，此时Hadoop就是首选。

当前，大数据分析主要集中在商业智能、预测分析、数据挖掘和统计分析等方面。据Bain and Company报告显示，那些使用大数据分析的公司的领导者们要远远比不使用大数据的公司领导者有优势，他们能够比普通领导者快出五倍的速度进行决策，并且这些决策往往都是正确的。

随着IT和互联网巨头们不断攻破大数据分析领域的各种难题，投放到市场的产品种类越来越繁多，那么企业要如何选择更适合自己的分析产品呢？以下是笔者总结的选型方案：首先要求企业像剥洋葱一样层层剥开，依靠他们有良好关系的供应商，要求查看他们大数据分析平台的演示；其次推荐企业也要学习研究业界其它厂商的案例使用情况；还有企业也应依靠内部的 IT 部门及更有技术悟性的员工，来帮助做一些甄选；但最重要的是企业应该清楚什么是真正的需求，供应商的产品如何能满足这些需求，毕竟理解业务需求比拥有出色的技术更重要。

随着企业开始利用大数据，我们每天都会看到大数据新的奇妙的应用，帮助人们真正从中获益。大数据的应用已广泛深入我们生活的方方面面，涵盖医疗、交通、金融、教育、体育、零售等各行各业。因此，大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。当下，我国大数据技术仍处于起步阶段，进一步地开发以完善大数据分析技术仍旧是大数据领域的热点。

中国大数据分析厂商TOP50排行榜

分项得分（10）

排名 厂商 综合评分（10） 创新能力 服务能力 解决方案 市场影响力

（35%） （20%） （30%） （15%）

1 IBM 9.1 10 8.5 8.5 9

2 Oracle 8.7 9 8 8.5 9

3 Google 8.6 9 8 8.5 8.5

4 Amazon 8.5 9 8 8.5 8

5 HP 8.4 8.5 8.5 8.5 8

6 SAP 8.2 9 8 7.5 8

7 Intel 8.1 9 8 7.5 7.5

8 Teradata 8.0 8.5 8 7.5 8

9 Microsoft 7.9 8 7.5 8 8

10 阿里 7.7 8.5 7 7 8

11 EMC 7.6 8.5 7.5 7.5 6

12 百度 7.5 8.5 5.5 7.5 7.5

13 Cloudera 7.4 7.5 8 7.5 6

14 雅虎 7.2 8.5 7 6 7

15 Splunk 7.1 8.5 7.5 6 5.5

16 腾讯 7.0 7 6 7 8

17 Dell 6.6 7 6.5 7 5

18 Opera Solutions 6.3 7 5.5 6.5 5

19 Mu Sigma 6.2 7 5 6 6

20 Fusion-io 6.1 7 5.5 5.5 6

21 1010data 6.0 6.5 6 5 6.5

22 SAS 5.9 7 4.5 5.5 6

23 Twitter 5.8 5 6 6 7

24 LinkedIn 5.7 6 4.5 6.5 5

25 华为 5.6 5 5.5 6 6

26 淘宝 5.5 6.5 4 6.5 3

27 用友 5.4 6 4.5 5.5 5

28 曙光 5.3 6 4.5 5.5 4

29 东软 5.2 6 5.5 4.5 4

30 MapR 5.1 5.5 6 4.5 4

31 金蝶 5.0 5.5 5 4 5.5

32 Alpine 4.9 5.5 5 4.5 4

33 高德 4.8 5.5 6 3 5

34 Fujitsu 4.7 5 5.5 4 4.5

35 华院数云 4.6 5 5 4 4.5

36 博康智能 4.5 5 4 4.5 4

37 九次方金融数据 4.4 4.5 5 4 4

38 永洪科技 4.3 4 5.5 4 4

39 集奥聚合 4.2 4 4 4 5

40 国双科技 4.1 4 3.5 4.5 4

41 百分点 4.0 3.5 5 4 3.5

42 荣科 3.9 3 5 4 3.5

43 博雅立方 3.8 3.5 4 4 4

44 亿赞普 3.7 3 3.5 4.5 4

45 InsideSales 3.7 3 4 4 4

46 众志和达 3.6 4 4 3 3.5

47 颖源科技 3.5 3 4 4 3

48 星环科技 3.4 3 3.5 4 3

49 拓尔思 3.3 3.5 3 3.5 3

50 国云数据 3.2 3 3 3.5 3.5

代表产品

InfoSphere BigInsights

Oracle Big Data Appliance

BigQuery

Kinesis

Vertica

HANA

Hadoop发行版

AsterData

SQL Server

采云间

GreenPlum

百度统计

Cloudera Apache Hadoop

Genome

Splunk Analytics for Hadoop

腾讯云分析

Big Data Retention

Opera Solutions

Mu Sigma大数据分析

Fusion ioMemory平台

1010data大数据分析平台

SAS Visual Analytics

Storm

LinkedIn数据分析模型

FusionInsight

知数宝

UAP平台

曙光XData大数据一体机

东软经营分析系统

Drill

金蝶KBI

Alpine Miner

高德地图

Fujitsu M10

Hadoop+Postgresql架构

博康智云大数据一体机

九次方大数据分析平台

Yonghong Data Mart

DataQuate

Web Dissector

百分点数据管家

医疗大数据分析平台

cubesearch平台

亿赞普大数据分析平台

InsideSales大数据平台

SureSave BDP1000

股市情绪分析软件

Transwarp Data Hub

第3篇：大数据分析战略范文

关键词：大数据；大数据工程；意识形态安全

一、大数据对意识形态领域产生革命性影响

马克思在很早的时候便注意到了科学技术同意识形态之间的密切关系。他在《资本论》中论述了自然科学通过技术与人的社会生活、特别是精神生活的内在联系，认为：“技术会揭示人对自然的能动关系，人的生活的直接生产过程，以及人的社会生活条件和由此产生的精神观念的直接生产过程，”根据的观点，虽然科学技术本身不属于意识形态范畴，可是科学技术的发展对意识形态的变化具有深刻影响。大数据不仅是指体量巨大、结构复杂、类型多样、高速变化、真实质差的数据集合，而且也是一种现代技术，其对意识形态领域产生了一系列革命f生影响。

1.大数据技术成为把握受众思想动态的重要手段

近年来，伴随着互联网、物联网、三网融合、云计算等IT技术与数字电子技术、无线技术及光纤通信技术等通信技术的快速发展，数据呈“井喷”状态，这其中就包含着大量反映受众思想动态的数据。意识形态工作者运用数据采集技术全方位大纵深地获取源于不同信息载体的反映受众思想动态的数据，运用数据存储技术，将类型多样、结构复杂的数据转换为单一的或是便于处理的结构，运用数据清洗技术对内容残缺、重复冗余、过时失效以及带有随机噪声、孤立噪声等问题的数据进行清洗，运用数据分析技术对清洗后的可信赖数据进行关联分析，在此基础上建立反映受众思想动态的模型，进而达成对受众思想动态的准确认知和把握。很明显，大数据技术成为了意识形态工作者把握受众思想动态的手段。

2.大数据思维改变了意识形态传统决策模式

大数据不仅是指体量巨大、类型多样、高速变化的复杂数据集合，而且也是一种全新的思维方式。大数据思维可以被理解是一种在汇聚整合数据、分析处理数据的基础上进行决策的思维，是一种基于客观事实而少凭借主观经验进行决策的思维模式。意识形态传统决策模式是指意识形态工作者依靠自己的价值观念、思想方法、学识才能、经验教训等，在对以往进行概括总结及对未来开展综合分析的基础上，展开决策活动的思维模式。科学决策并不绝对排斥经验，但决策的“个人权威性”与“个人经验性”相结合，往往可能导致决策的局限性和狭隘性，发生决策失误。意识形态工作者在大数据思维的指引下，深入挖掘反映受众思想动态的数据，对其进行关联分析，在此基础上制订意识形态工作方案，这有助于提高意识形态工作方案的科学性和可行性，提升意识形态工作效度，增强意识形态治理能力。显而易见，大数据思维将在一定程度上形成对意识形态传统决策模式的替代。由此，大数据思维改变了意识形态传统决策模式。

3.大数据标准影响意识形态宣传部门的权威

可以说，大数据的使用是一把双刃剑，一方面为科学研究、教育治理等方面带来了重大机遇，另一方面对社会其他领域带来了严峻挑战。比如，大数据使用存在泄露隐私的隐患；“大数据的异构性、规模、及时性、复杂性和隐私问题从各个环节阻碍了数据价值的创造。”尤其值得注意的是，数据标准（数据搜集标准、数据计算标准、数据分析标准等）的不一致，直接导致了数据结论的不一甚至迥异。当前，由于数据的采集标准不同、分析标准相异、计算标准有别，导致社交媒体、智库、互联网公司等的数据分析报告同意识形态宣传部门所的结论相去甚远，甚至相悖。这在一定程度上造成意识形态领域噪音不断、余音不绝，消解了“权威”与“元叙事”，影响到了意识形态宣传部门的权威。

4.大数据处理将增加意识形态工作部门的工作成本

大数据时代，各种信息载体每天都会产生大量结构复杂、体量巨大、时效性强的反映受众思想动态的数据，对这些数据进行挖掘和存储等是把握受众思想动态的重要前提。但是，传统的数据挖掘、数据存储技术难以处理大量结构复杂、体量巨大、时效性强的反映受众思想动态的数据。具体而言：在数据存储方面，“传统的数据库追求高度的数据一致性和容错性，缺乏较强的拓展性和较好的系统可用性，不能有效存储视频、音频等非结构化和半结构化的数据。目前，数据存储能力的增长远远赶不上数据的增长，设计最合理的分层存储架构成为信息系统的关键”。在数据挖掘方面，“从数据库的观点看，挖掘算法的有效性和可伸缩性是实现数据挖掘的关键，而现有的算法往往适合常驻内存的小数据集，大型数据库中的数据可能无法同时导入内存，随着数据规模的不断增大，算法的效率逐渐成为数据分析流程的瓶颈。要想彻底改变被动局面，需要对现有架构、组织体系、资源配置和权力结构进行重组。”为此，应当对已有的数据技术进行升级。毋庸置疑，升级数据存储技术、数据挖掘技术等，是一项复杂的系统性工作，需要意识形态工作部门投入资金、制定科学合理政策等。这将在一定程度上增加意识形态工作部门的工作成本。

5.大数据治理将为维护自媒体空间的意识形态安全创造条件

大数据时代，具有平民化与大众化特征的自媒体，改变了固有的信息生产模式，重塑了信息生产主体，变革了信息生产中的精英主义传统，激发了大众压抑已久的创造欲望。大众化的话语形态因此而大量生成，在一定程度上消解了“权威”与“元叙事”，造成了自媒体空间主流与非主流观点并存，红色、黑色、黄色信息同在，正面报道与负面谣言同台竞技。这在较大程度上挤压了主流意识形态的传播空间，削弱了主流意识形态话语的辐射力，“同时也消解了主流话语的公信力。”毫无疑问，自媒体空间的话语治理首先应当是法律治理，但与现实公共空间不同的是，自媒体空间是话语与技术相融合的空间，所以，有必要运用大数据技术开展自媒体空间的话语治理。通过大数据采集技术对自媒体空间的话语进行大规模实证采集，运用大数据分析技术分析并揭示自媒体空间话语方式多层面特征，在此基础上构建自媒体空间话语监测数据库，开发自媒体空间话语监测预警平台，进而为规范自媒体空间的话语传播，提升自媒体空间的话语传播质量，维护自媒体空间的意识形态安全创造条件。

二、大数据成为西方国家进行意识形态渗透的重要工具

鉴于大数据对意识形态领域所产生的一系列革命性影响，西方国家非常重视大数据的发展，研发出了许多先进的大数据技术。一方面运用先进的大数据技术维护本国意识形态安全，另一方面利用其在大数据方面的技术优势，对外进行意识形态渗透。为确保上述目标得到切实贯彻执行，西方国家从宏观战略层面制定战略规划，指引大数据发展进程，从微观政策层面建立保障体系，确保战略目标得以落地。

1.制定战略规划，指引大数据发展进程

以美国为首的西方发达国家非常重视大数据的作用，通过制定战略规划，指引大数据发展进程。2011年总统科技顾问委员会提出建议，认为大数据具有重要战略意义，但联邦政府在大数据相关技术方面的投入不足。作为回应，美国白宫科学和技术政策办公室（OS.TP）建立了大数据高级监督组以协调和扩大政府对该领域的投资，并牵头编制了《大数据研究与发展计划》（以下简称《计划》）。2012年3月29日，《计划》正式对外，标志着美国率先将大数据上升为国家战略。再如澳大利亚，2012年10月，澳大利亚政府《澳大利亚公共服务信息与通信技术战略2012-2015》，强调应增强政府机构的数据分析能力从而实现更好的服务传递和更科学的决策，并将制定一份大数据战略作为战略执行计划之一。2013年2月，澳大利亚政府信息管理办公室（AGIMO）成立了跨部门工作组――“大数据工作组”，启动了《公共服务大数据战略》（以下简称《战略》）制定工作，并于2013年8月正式对外。

2.建立保障体系，确保战略目标得以落地

为确保大数据战略得以顺利实施，西方发达国家建立了一系列保障体系。一是技术支撑：美国高校和研究机构专注于大数据理论研究，对关键性技术进行前沿性研究，在数据存储、数据分析、数据安全等方面研发出了大量实用技术。二是资金保障：“法国政府宣布将在2013年投入1150万欧元，用于7个大数据市场研发项目，旨在通过试点探索，促进法国大数据发展。”2012年3月，美国政府启动了2亿美元的注资计划，意在提升从大量数据中“沙里淘金”能力。三是人才支持：美国《大数据研究与发展计划》的一个重要目标是扩大从事大数据技术开发和应用的人员数量。通过国家科学基金会，鼓励研究性大学设立跨学科的学位项目，为培养下一代数据科学家和工程师做准备，并设立培训基金支持对大学生进行相关技术培训，召集各个学科的研究。此外，美国的一些大学通过设置大数据相关专业，培养大数据人才。四是政策扶持：（1）数据共享政策：2010年12月，美国联邦政府宣布“云优先”政策，规定所有新建的政府信息系统必须优先考虑云平台。应用云平台为实现政府部门间共享数据提供了便利，因此，“云优先”政策的实质便是数据共享政策。“法国制定了公共数据开放和共享路线图，其核心内容为：更广泛便捷开放公共数据，促进创新性再利用，为数据开放共享创造文化氛围并改进现有法规框架等。”（2）数据开放政策：2009年1月，奥巴马总统签署了《开放透明政府备忘录》，自此，美国联邦政府开始向公众大量开放公共数据，并把许多数据公布在中央信息交换库――Data.gov网站上，便于民众查阅；加拿大实施了开放地理空间数据政策；2013年5月9日，奥巴马总统签署开放数据政策（Open Data Policy）；法国制定了Open Data Proxi.ma Mobile政策。（3）数据安全政策：澳大利亚政府于2012年7月了《信息安全管理指导方针：整合性信息的管理》为海量数据整合中所涉及的安全风险提供了最佳管理实践指导@。“欧盟也一直非常重视公民隐私权的保护，欧盟的数据保护指令实行于1995年，当时互联网的使用并不普遍。但目前为止，27个成员国对该法令的认知各不相同，因此在推行过程中产生了很大分歧。2012年1月，欧盟委员会提出全面改革1995年的数据保护指令，以加强网络隐私权利的保护和促进欧洲的数字经济。”

有了促进大数据发展的顶层设计及保障体系，西方国家得以将大数据技术成功地运用到意识形态领域。一方面，西方国家的意识形态工作者运用数据分析技术自动分析出本国信息载体所蕴含的意见倾向，从而达成对本国受众思想动态的认知和把握，在此基础上制定相应的工作内容与议程，维护本国意识形态安全。另一方面，西方国家利用其在大数据方面的技术优势，对包括中国在内的社会主义国家进行意识形态渗透，企图通过这种柔性方式，达到不战而屈人之兵的目的，维护其所谓的国家利益。大数据在西方国家对华进行意识形态渗透方面的具体应用如下：首先，运用数据采集技术收集反映我国舆情动态的数据。2013年6月，CIA前雇员爱德华・斯诺登透过美国《华盛顿邮报》与英国《卫报》向外界披露，美国国家安全局（NSA）在2007年启动了代号为“棱镜”（PRISM）的绝密电子监听计划。在此项计划中，NSA要求美国电信巨头威瑞森公司（Vefizon）每天上交数百万用户的通话记录。联邦调查局与NSA均可直接进入微软、雅虎、苹果、Palmlk、谷歌、AOL等网络巨头的服务器，通过数据传感体系、智能识别体系等数据采集技术对中国的聊天记录、文件、视频、音频等上网信息中的反映我国受众思想动态的数据进行识别、定位和接入，进而获取了大量关于我国舆情动态的数据。其次，运用数据分析技术对涉舆数据进行分析。运用在线数据分析、预测性数据分析、数据网络挖掘、特异群组挖掘、图挖掘等数据分析技术，对涉舆数据进行关联分析，进而精准地把握我国的舆情动态。第三，通过数据载体对华进行意识形态渗透。在把握我国舆情动态的基础上，打造契合我国受众接受心理的话语体系，通过手机、社交平台（skype、YouTube、Facebook）、数据库等数据载体对华进行意识形态渗透。第四，改进意识形态渗透方式。运用情感语义分析、网络行为分析等数据分析技术，自动分析出我国受众对西方主流意识形态的认同情况，以进一步改进意识形态渗透方式，增强对华进行意识形态渗透的实效性。

西方国家之所以将大数据作为对华进行意识形态渗透的重要手段，是出于以下两方面的考虑：一是大数据的运用减少了意识形态渗透阻力。大数据时代来临前，西方国家以教育文化交流和培训项目为载体，以经济、技术交往为途径，以广播、电台为平台对华进行意识形态渗透。这种裸的渗透方式，在一定程度上引发了我国受众的反感，意识形态渗透的有效性因此而大打折扣，达不到其预设的渗透目标。通过运用大数据技术，广泛搜集反映我国受众心理需求、接受特点、思维习惯的数据，达成对我国受众接收特点的准确认知，通过打造契合我国受众接受心理的话语体系，进行意识形态渗透，从而在很大程度上减少了对华进行意识形态渗透的阻力，增强了意识形态渗透的实效性。二是西方国家具有先进的大数据预测技术，为把握对华进行意识形态渗透的对象和时机创造了条件。牛津大学教授维克托・迈尔一舍恩伯格指出：“大数据的核心就是预测，不是要教机器像人一样思考，而是要把数学计算运用到海量数据上，来预测事情发生的可能性”。正因为如此，以美国为首的西方国家斥巨资研发出了许多先进的大数据预测技术。在全方位、大纵深地获取反映我国受众思想动态的数据的基础上，充分运用大数据预测技术，精准预测出我国舆情的发展趋势，进而准确把握意识形态渗透的对象和时机。

三、实施国家大数据工程是维护国家意识形态安全的重要保障

大数据时代，实施国家大数据工程是应对我国意识形态安全面临的系列挑战的重要举措。

1.从宏观战略层面把握实施国家大数据工程的原则

一是普惠原则。要加快网络基础设施建设步伐，让信息时代的缺席者有机会通过网络平台表情达意，为意识形态工作者挖掘“沉没的声音”，科学制订网络意识形态工作方案创造条件。二是技术优先原则。无论是从类型多样、体量巨大的数据集中抽取出正确、真实的涉舆数据，还是对涉舆数据进行存储和关联分析，对关键、敏感涉舆数据进行保护，都离不开先进的大数据技术做支撑。因此，必须秉持技术优先原则，着力开发包括数据存储技术、数据分析处理技术、数据可视化技术在内的大数据技术。三是共享原则。掌握反映受众情感、诉求的数据或涉舆数据是开展维护意识形态安全工作的前提。当前，涉舆数据广泛分布于政府、企业、社会组织等部门，由于上述部门缺乏统一的数据存储标准，各部门所拥有的涉舆数据无法实现兼容，这加大了涉舆数据的采集成本。因此，必须坚持共享原则，建立部门间数据资源统筹管理与共享复用制度，进而突破数据共享瓶颈，形成部门间数据共享共用格局。四是法制保障原则。采集反映受众情感、诉求的数据（涉舆数据）是科学制订网络意识形态工作方案，维护国家意识形态安全的前提。在涉舆数据的采集过程中，不可避免地要涉及个人隐私遭泄露的问题，更糟糕的是，某些权力机构或掌握实权的人物可能为了一己之私而泄露、滥用涉舆数据。一旦一些关键、敏感的涉舆数据或数据分析结论遭泄露或被滥用，很可能会造成国家意识形态安全工作处于守势。为此，必须建立和完善相关法律、法规，从法制层面严格规范涉舆数据的采集和利用，为保障国家意识形态安全奠定坚实的法制基石。五是人才支撑原则。大数据从概念到实践，从技术到应用，从战略到执行的过程中，需要大量既谙熟大数据理论又具有数据搜集、存储、分析及应用经验的数据人才。六是内外结合原则。对我国而言，实施好国家大数据工程还有很长的路要走，还有很多的技术难关有待突破。因此，不妨学习并借鉴西方发达国家在这方面的成功经验与具体做法。当然，在借鉴西方发达国家的经验时，必须立足于中国的实际，灵活借鉴，防止生搬硬套。

2.从具体技术层面完善国家大数据工程的内涵

国家大数据工程，毋庸置疑，是一项复杂的系统性工程，是由多个子系统构成的。因此，要实施好国家大数据工程，就必须丰富各子系统的内涵，充实各子系统的内容。

一是实施数据搜集工程，提高意识形态工作方案准确性。还有不少人因为各方面原因无法通过网络平台表情达意。诚如徐继华所言，在科技迅猛发展的今天，还有很大一部分的农民和城市底层居民，他们因为各种原因而成为信息时代的缺席者，无法在网络世界表达意见和诉求。尽管他们的意愿也会由一些网民代为表达，但毕竟只是“被代表”。为此，有必要通过实施数据搜集工程，搜集反映这部分人群思想动态的数据，以提升意识形态工作方案的准确性。（1）实施信息惠民工程。国家每年应从网络基础设施投资中，拨付固定比例的资金用于农村现代网络基础设施建设，为广大农村地区的人民群众通过网络平台表达情感、反映诉求提供便利，为意识形态工作者搜集反映该群体思想动态的数据提供渠道。（2）大力发展农村现代信息教育。依靠国家财政可以建设一大批农村现代网络基础设施，但是，如果做为信息时代缺席者的农民不懂得如何使用这些网络基础设施，意识形态工作者同样无法获取反映他们的思想与情感方面的数据。为此，应当大力发展农村现代信息教育，提升广大农民的信息素养。

二是实施数据清洗工程，确保数据真实可靠。有必要通过实施数据清洗工程，清洗掉虚假的涉舆数据，以确保意识形态工作方案的准确性。（1）着力发展数据清洗技术。数据清洗技术（Data Cleaning）可以起到改进数据质量的作用，被广泛运用于数据仓库及决策支持系统中，其主要任务是从原始数据集中剔除内容残缺、重复冗余、过时失效及错误的数据。目前，已有一些用于数据清洗的ETL工具提供了功能强大的软件平台，利用它们可以从类型多样的数据源中对数据进行抽取、转换后加载至数据仓库中。因此，应当采取有力举措大力发展数据清洗技术，借助数据清洗技术，从原始的涉舆数据集中清洗掉虚假、错误与重复数据，抽取出正确、有效的涉舆数据，为开展涉舆数据分析，精准研判舆情创造条件。（2）公开数据。在确保关键、机密、敏感的涉舆数据不外泄的前提下，通过移动通信客户端、信息可视化等渠道公开涉舆数据，接受公众监督，让虚假数据无遁隐之处，为从涉舆数据集中清洗掉虚假涉舆数据创造条件。（3）监测数据。积极培育社会化的第三方数据监测机构，使其参与到涉舆数据的管理、控制与评估工作中，以剔除虚假涉舆数据，确保涉舆数据的真实可靠。

三是实施数据分析工程，提升意识形态工作者的数据分析能力。对数据的误解，会动摇意识形态工作者对意识形态工作紧迫性的认识。为此，我们应该通过实施数据分析工程，提高意识形态工作者对大数据的解读能力，增强意识形态工作者对意识形态工作紧迫性的认识。（1）培训意识形态工作者。借助高校平台，并积极发挥社会教育与培训机构的作用，对意识形态工作者进行数据科学和数据工程等学科培训，增强意识形态工作者的数据分析能力。（2）开发数据分析技术。发挥高校、科研院所、政府、社会组织等的作用，着力研发一大批先进的大数据分析技术。比如，情感语义分析、探索性数据分析、定性数据分析、离线数据分析、在线数据分析等，以帮助提高广大意识形态工作者的数据分析能力。（3）做好聘用大数据分析师工作。积极聘请既谙熟大数据理论又有大数据分析实践经验的数据分析师服务于意识形态工作部门，帮助提升我国意识形态工作者的数据分析能力。

四是实施强化数据意识工程，增强意识形态工作者的数据意识。伴随着各种随身设备、物联网和云计算、云存储等技术的发展，人和物的所有轨迹都可以被记录，数据因此被大量生产出来。海量数据从一个方面反映出了我国民众的思想、情感，为有效开展意识形态工作提供了条件。可是，长期以来一些意识形态工作者习惯于拍脑袋决策，没有养成基于数据进行决策的思维习惯。因此，有必要实施强化数据意识工程，以提高我国意识形态工作者的数据意识，提升意识形态工作方案的可行性。（1）做好大数据知识普及工作。应通过报纸、电视、新媒体等渠道，以社会大众普遍可以接受的方式，开展大数据知识普及工作，帮助意识形态工作者提高对其的认知水平，促使他们逐步养成基于数据分析做出决策的思维习惯。（2）建立和完善意识形态数据库。建立与完善意识形态数据库是一项复杂的系统性工作，其中之一就是需要意识形态工作者及时把握舆情导向。这就会促使意识形态工作者经常去密切关注各种涉舆数据，进而在一定程度上增强意识形态工作者的数据意识。（3）对意识形态工作者进行培训。一方面通过集中学习、讲座与开会等方式对意识形态工作者进行大数据理论培训，以提高意识形态工作者对大数据理论的认识水平；另一方面聘请数据专家在数据搜集、数据存储、数据分析、数据安全等方面给意识形态工作者以具体指导，从实践层面强化其对大数据的认知。

第4篇：大数据分析战略范文

大数据所带来的改变和价值已经毋庸置疑，但对于传统行业和企业而言，究竟该如何制定自己的大数据战略，从而让大数据为自己所用呢？

企业要实施大数据战略，需要从五大关键方面规划：1.制定大数据规划找准切入点；2.强化大数据领导力设立CDO；3.设计合理的大数据组织结构；4.搭建富有执行力的大数据团队；5.用制度和文化保障大数据实施。

1.制定大数据规划找准切入点

成功的大数据规划聚焦于四个核心要素：应用场景、数据产品、分析模型和数据资产，企业着手实施大数据战略要着重考虑这四大方面，管理者需要在这四方面做好规划，才能给企业带来更好的业务价值。

第一方面是应用场景。企业需要确定不同业务投入大数据的优先级，确定大数据的切入点。企业需要优先考虑业务应在哪些方面投入大数据可以为企业提升绩效。常见的大数据应用场景，包括业务运营监控、用户洞察与用户体验优化、精细化运营和营销、业务市场传播、经营分析等常见的方面。当然在人力资源、IT运维以及财务等方向也可以引入大数据。企业高管需要和各业务的整体负责人、数据专家一起开展研讨会，分析哪些业务投入大数据可以使得业务的绩效提升最为显著，从而确定不同业务投入大数据的优先级，找准大数据的切入点。“数据能够在哪些领域实现业绩的大幅提高？数据能在哪些领域实现企业运营效率的提升”这些问题很重要，一开始就必须提出来。每个重要业务部门和职能部门都需要考虑这个问题，并展开相关的研讨。企业高管实施大数据战略的时候需要高度重视这一步，但在国内很多企业往往忽略的这一方面，投入大数据往往不是以提升业绩导向，而是以学术导向，使得很多企业实施大数据的看不到数据对企业绩效的提升，从而使得大数据战略流产。

第二方面是数据产品。在确定了大数据的业务投入优先级后，需要考虑的是如何通过数据产品来帮助提升业务的绩效。为什么是“数据产品”而不是“数据工具”，这是因为“数据产品”比“数据工具”更加强调易用性和用户体验。数据和分析模型本身的输出可能会比较复杂，比较难理解，这样往往导致经理或者一线员工等数据用户无法理解，更谈不上运用。所以，只有数据产品在业务具体的场景运用的时候，以非常简单易用的方式来呈现，才能让更多的数据用户使用。企业数据用户在实际运用大数据的时候，更关注的是大数据的产品在哪些方面可以直接帮助企业提升绩效，不会太关注大数据这些产品背后的逻辑、分析模型等“黑洞”。如果我们在提供数据产品的时候需要数据用户理解很多“黑洞”，那么数据一定运用不起来，数据的价值就会大打折扣。

第三方面是数据模型。数据产品背后的“黑洞”是数据模型。数据的堆砌不会创造太多的业务价值，需要数据模型、数据挖掘的方法来实现海量数据的商业洞察。常见的模型如预测和分类。在预测方面，如通过高级的模型来预测哪些用户可能会付费，他们的特征是什么，经常在什么地方出现；通过数据模型来预测付费客户的数量，以提前发现考核期结束后付费客户数量和KPI的差距以及优化方向；通过预测模型来洞察用户的未来购买需求；在分类模型方面，我们可以通过分类模型结合大数据实现更准确更实时的用户细分；或者通过分类模型对不同价值的客户进行合理的分类，确定服务的优先级和服务内容。企业在制定大数据战略方向时，需要介入数据专家根据应用场景和数据产品的输出来选择模型以及优化模型，从而确定模型研发的方向和优先级。

第四方面是数据资产。有了应用场景、数据产品和数据模型这三大方面，就能更清楚地知道为了实现这三大方面，我们需要哪些数据，什么数据是企业现在拥有，什么数据可以通过合作产生，什么数据需要外部整合，什么数据需要进行购买或者投资。有了前面这三大方面（应用场景、数据产品和数据模型）的规划，大数据的采集、整合、管理的策略便能比较容易理清头绪和相应的规划。当我们合理地整理企业所拥有的数据，并整合有利于业务发展的外部的数据，形成系统化的管理，才能很好地形成企业的数据资产。但在国内，最大的问题常常是各业务部门、各事业部以及职能部门的数据经常各自为政，数据存放在不同的数据库中，数据无法整合打通，企业内部形成各种孤岛，导致企业数据资产无法发挥整合效益，数据资产流失。要让企业的数据成为长期的数据资产，企业高管则需牵头规划，整合不同业务部门、不同事业部的数据，推动建设高数据质量的数据治理标准。

值得注意的是，为了加快大数据的推进速度，企业高管同时需要确定哪些方面自己实现，哪些方面委托第三方实现，哪些方面需要购买。在数据产品和数据模型方向，不一定所有工作都需要内部员工实现。领导层需要根据时间和自身资源（尤其是人力资源）的情况判断，哪些数据产品自己开发、哪些数据产品可以委托第三方公司开发、哪些数据模型自己开发、哪些数据模型委托第三方公司开发。在收集外部数据的时候，我们既可以组建自己的团队进行数据收集，或者委托第三方公司帮忙收集，或者直接采购，或者收购相关的数据公司，企业需要根据自身情况进行合理的规划。

2.强化高管团队大数据能力，设立数据CDO（首席数据官）

在互联网和大数据高速发展的时代，大数据正在深刻地改变商业的前景，如果企业要想抓住这个机遇，企业高管的数据决策力，数据管理能力也需要加强。抓住和大数据相关的机会可以增加企业营收、提高企业运营效率，甚至开拓出全新业务。大数据在推进的过程中，最关键是要高管重视，不仅是嘴上说说，而要考虑在决策层有强化数据方向的决策力和领导力，否则企业很难把大数据用好。如果不增加新数据高管力量，很多组织的大数据大计将难以启动。

因此，高管团队中需要有专人负责制定大数据战略、跟进、监控和指导大数据战略的实施。如果没有在高管团队设立相关的数据负责人的职位CDO（首席数据官），则很难把数据分析和数据挖掘所发现的机会应用于企业战略层的业务发展决策以及相应的组织层面的变革。所以，我们建议，如果企业确实要推动大数据，一定要考虑设立CDO职位。

这里面还有一个比较重要的问题是：CDO是向CEO汇报还是COO汇报或者是向CTO汇报。企业往往陷入一个误区，觉得数据是技术活，所以不少企业设立数据高管后，让数据高管直接向CTO汇报。这样的做法最大的问题是数据和业务还是有较大的脱节。建议数据高管应该向COO汇报或者CEO汇报。这样数据才能离业务更近，更能敏捷地应用于业绩的提升上，而不是躲在技术后面。我们所看到的大数据运用得较好的企业，数据负责人经常和业务负责人一起制定公司大数据实施计划，一起推进大数据在业务绩效提升。

CDO是一个综合能力要求非常高的职位。CDO主要是负责根据企业的战略发展需求，CDO需要跟各业务负责人有很好的互动，深入了解业务，在此基础上，制定在数据应用场景、数据产品化、数据建模、数据资产管理的战略并推动实施，在实施数据战略的过程中，梳理企业的数据化思维方式，推动构建相应的数据企业文化和制度，使得大数据可以有效地促进业务绩效的提升，企业运营效率的提升，甚至是新商业模式的变革。

3.设计合理的大数据组织架构

企业的组织结构是企业战略能够顺利实施的基础，所以，大数据团队合理的组织架构设置对于大数据战略能否成功实施尤为关键。国内很多企业往往忽略这一方面。很多企业设立数据团队缺乏统一规划，哪个事业部需要数据人员则在该事业部（或业务部门）设立，如下图的“组织结构1”，这种组织架构是国内最常见的，这种组织架构最大的问题是数据分散，缺乏统一管理和整合，企业内部各事业群（或业务部门）数据各自为政，形成数据孤岛，数据无法整合使用，导致数据资产流失。

另一种常见的做法是在公司只设立一个中央数据部门，该数据部门统一服务各个事业部（或业务部门），各个事业部（或业务部门）没有数据人员或者团队，如图中的“组织结构2”。这种组织架构的问题在于数据虽然集中管理，但数据远离业务，导致很多数据人员不理解业务，无法挖掘数据的价值，无法通过数据很好地辅助业务提升绩效或者运营效率。由于数据人员无法理解业务，导致数据库中存储的很多数据变成“死”数据，数据的业务含义少有人理解，数据的价值便容易流失。

较为合理的数据团队在组织架构应该这样设立：首先，设立公司级的中央数据部门，集中存储和管理数据；其次是每个事业部（或业务部门）设立数据团队；第三是在总办设立CDO的岗位。这样的好处在于数据能够集中管理，数据贴近业务，可以很好地发挥数据的价值；同时，在总办（高管团队）设立CDO岗位，可以让数据更好地为决策层服务，数据分析所发现的商业价值也可以更快地应用于业务战略调整。

大家比较关心的是，在这个组织结构下，中央数据部门和各事业部（或业务部门）的数据团队有何差异。我们可以从两大方面来区分：

（1）从汇报关系的差异来看

事业部的数据团队负责人向所属事业部的总负责人汇报，中央数据部门的负责人向CDO汇报，这样的汇报关系的好处在于，前者让数据能为具体的事业部服务辅助提升业绩，每个事业部必然有其不同的数据分析重点，这样可以让数据服务更有针对性，后者让数据更有大局观，能为总办做深度的数据洞察服务。

（2）从团队工作职责差异来看

中央数据部门负责数据的规范化集中存储和管理，负责公司各业务线数据的整合打通，形成公司级统一的用户（客户）画像，负责标准化的数据产品并应用到各业务线中，形成深度的公司级的数据模型和算法，做出公司集团层面视角的分析和洞察；

事业部中的数据团队负责该事业群的日常统计分析和事业群专题类的深度洞察，并辅助事业群的技术人员合理地把数据规范地上报到中央数据部门，与中央数据部门合作，共同深刻理解该业务的数据结构、做更精细且与本部门关联性更高的用户画像等与业务关联度更高的数据工作，推动该事业群所有的数据集中到中央数据部门，并辅助推动公司级的数据产品应用到本业务部门或者向中央数据部门提出数据产品化、数据建模的需求。

4.搭建有效的大数据团队

人才是大数据战略实施至关重要的方面，因此，设置符合大数据能力要求的团队就显得尤为重要。如果组织缺乏合适的人才或能力，大数据战略实施的结果很可能会令人沮丧。因此，企业做好相应的人才规划，按照合理的规模和构成来建设人才库。上文提到，在合理的大数据组织架构下，有两类数据团队，一类是各事业部中的数据团队；第二类是中央数据部门的数据团队。上文提到两类团队其职责不同，因此，能力要求也不一样。事业部的数据团队能力要求是数据分析为主，招聘主要为数据分析师或者数据分析专家。而中央数据部门的数据能力要求较为复杂，包括六大方面的能力，即数据分析、用户研究、数据产品、算法工程、数据统计和数据平台。在此我们展开介绍中央数据部门六大方向的能力要求：

（1）数据分析团队负责公司级的业务数据体系梳理和建设、公司级的业务专题数据分析和收入分析；此处的数据分析团队能力要求与事业部中的数据分析团队类似，区别主要是他们分析时的视角有所不同；

（2）用户研究团队负责用户调研、口碑监测、产品体验分析等方面。用户研究团队主要面对的小数据，但由于用户研究可以发现大数据所不能发现的用户使用行为背后的动机及态度等方面，所以用户研究团队与数据分析团队两者结合将能实现大小数据结合全方面洞察用户的作用；

第5篇：大数据分析战略范文

问题1：IT部门应该花费多少时间在数据挖掘分析上面?从商业的角度来看，这种投入是否有价值?

JBA International：数据挖掘必须去做，这是一个长远的计划。

Linda Tucci：如果企业的业务是数据驱动型的，那么数据收集、提取和呈现就很值得的。

Michael Gerard：数据分析是值得去做的一件事情，但必须是为了解决某个特定问题而做的分析，同时也要有一定的短期价值。

问题2：如果说数据分析是值得去做的事情，那么又表现在哪些方面?

Dun & Bradstreet：数据分析可以帮助企业衡量业绩表现，同时还能对管理方法和敏捷决策的制定做提前预警和规划。

TOA Technologies：我想再补充一点：通过数据分析得出的预测，我们可以提升工作效率，改善客户服务。

Wendy Schuchart：以沃尔玛为例，在大数据之前，他们经常雇佣一些偷过他们东西的人为店员，这看起来是个很没有脑子的决定。

Brian Katz：在花费时间和资金投入到大数据分析之前，你需要明白你有哪些需求，需要解决哪些问题。

Nicole Laskowski：Nate Silver(大数据专家，曾利用大数据成功预测了2012年美国总统选举结果)曾经警告说，企业决策者应该对大数据的概念和应用保持谨慎，否则很可能导致一些错误的决策。

Linda Tucci：对IT部门来说，数据收集是一个挑战，提取则是另一个困难，至于如何呈现更不一样。

BI仪表盘工具的地位与设计

第6篇：大数据分析战略范文

在大数据方面，Alpine与EMC、IBM、Oracle等厂商在交通、金融、电信、零售等领域保持着密切的合作关系。EMC虽然是Alpine的股东之一，不过也鼓励Alpine与EMC之外的其他大数据厂商合作，以中立的第三方的姿态为客户和广泛的合作伙伴提供大数据方面的支持和服务。

荣之联在云计算方面拥有比较多的成功经验，尤其是在生物云、动漫云等方面已经是国内的佼佼者。

举例来说，荣之联帮助华大基因构建了生物云，存储容量达到20PB，计算能力达到200万亿次。由于生物学方面的数据量非常庞大，而且大多数是非结构化的数据，在过去一年中，荣之联一直探索如何在生物领域提高数据处理和分析的性能，降低复杂度。在选择与Alpine合作之前，荣之联曾经对Alpine进行了大约一年的考察。荣之联的高层也亲赴美国Alpine总部参观，同时走访了很多Alpine在美国的用户。荣之联总经理张彤表示：“与Alpine合作，荣之联可以更好地在生物学领域深耕大数据市场。双方的合作是战略性的，对于扩大双方在中国大数据市场上的份额十分有益。”

Alpine首席执行官Anderson Wong表示：“荣之联一直专注于数据中心市场，拥有良好的技术基础和客户基础，并在全国拥有近20个分支机构。这有利于Alpine迅速打开中国市场，为客户提供良好的本地化服务。”

IDC的报告显示，全球信息总量每两年就会翻一番，到2020年，全球信息总量将达到25ZB。处理复杂的海量数据需要有与之对应的创新性的解决方案。

Anderson Wong介绍说：“在美国，目前有大约150万名IT经理需要直接使用大数据分析的结果。”与已经存在了30多年的传统商业智能（BI）解决方案相比，Alpine的大数据分析解决方案是一个涉及整个数据处理流程的智能化的解决方案，可以对不断变化的信息进行实时分析，从而为商业决策提供更好的支持。

在大数据领域，一体机的理念越来越流行。Anderson Wong对大数据一体机方案表示认可。他表示：“提高大数据应用的计算能力、存储能力，还是要依靠优化的集成化硬件。在大数据领域，一体机的应用是未来的一个趋势。举例来说，Oracle公司10%的数据库用户已将应用平台转到了Exadata一体机上。”

Anderson Wong表示：“Alpine与荣之联合作，一方面，可以拓展在中国的业务市场，另一方面也可以把荣之联在生物云、动漫云等云计算方面的技术和成功经验带到美国去，可谓一举两得。”

在美国，许多大型零售商、银行等在使用传统的数据仓库产品的基础上，同时还选择了Alpine的大数据产品。这是因为用户现在越来越需要能够对数据进行实时处理的、界面友好且方便使用的数据分析产品。

第7篇：大数据分析战略范文

大数据时代正带给企业根本性的变革，同时，也给职场精英们提供了机遇，但机遇与挑战并存。这对于初入社会的大学生而言，无疑是提出了一个巨大的挑战。

1.1大数据时代对大学生的数据驾驭能力提出了新的挑战

在大数据时代，大学生若想获得好的就业机会需要有较强的数据驾驭能力，即数据素养，在科学数据的采集、组织和管理、处理和分析、共享与协同创新利用等方面的能力，以及研究者在数据的生产、管理和过程中的道德与行为规范。而大学生们鲜有接触大量数据并从中剔除糟粕找寻有用数据的经历，顶多是进行过几次较浅显的问卷调查工作，对数据技术、数据分析方法及相关软件、国际数据化发展进程等知之甚少，在数据素养方面可以说是零基础。

1.2大数据时代对大学生理性思维能力提出了新的挑战

在大数据时代，人们对于过往经验的依赖程度降低，而对数据分析得来的实时结果信任度大大提升，因此赢得就业竞争需要大学生具备理性、逻辑性强的思维方式，从而能冷静、不带感彩地处理和分析数据，得出客观的结论。而大多数中国学生的理性、批判性思考的能力偏弱，缺乏个人的独立思考，且文科专业尤其是语言类专业的课程设置对培养大学生理性思维能力的作用较小，大学生的理性思维能力亟待提高。

1.3大数据时代对大学生精确、快速、实时行动的能力提出了新的挑战

大数据时代信息瞬息万变，因此数据也是具有时效性的，要获取实时数据反馈就必须有精确快速的反应能力和行动能力。一部分平常对于生活中的信息疏于收集的大学生可能会缺乏对信息的敏锐度，从而导致其较慢的反应力和行动能力，若其这方面的素质没有得到提高，则可能会在工作中产生在数据分析工作完成后却发现得出的结论已不具时效性的情况，导致丧失最佳的工作机遇，降低了自身的职业发展竞争力。

2如何在大数据时代提高大学生就业竞争力

大数据时代带给了大学生数据分析能力、思维方式、科学精神、行动力等方面的就业挑战，因此政府、各高校及大学生自身都应积极应对挑战，从不同层面克服困难，共同提高大学生在大数据时代的就业竞争力。

2.1高校、政府应建立大学生就业大数据分析机制，做好大学毕业生的就业、创业服务工作

大学生就业大数据分析离不开大数据的支持，而大数据的建设是一项科学、有序、动态且可持续发展的系统性工程。政府需要从建立运行机制、规范建设标准、建设共享平台、提供专业队伍等多方面进行支持，且通过建立各高校就业数据库，分析各校历年就业率与其获国家资源倾斜度的关系，也能调节教育支持的力度，更好地帮扶教育产业。除此之外，将就业数据库数据与就业市场相关数据相比，还能帮助人力资源供需双方形成更理性的预期，减少就业矛盾，实现人力资源市场的多赢。而学校通过广泛收集历年大学生就业期望、就业去向等信息，并将其数据化，收入数据库，能有效预测毕业生就业率、就业去向。

2.2高校应推行大数据战略，让大数据走进课堂教学，培养大学生大数据意识

各高校应结合大数据时代特征进行教学改革，推行信息化管理与信息化教学。学校的管理与教学活动都存在着固定性与周期性，如对教师的考核、学生测试成绩分析、就业情况分析等，可以利用计算机分析这些数据并推荐合适的解决方案；课堂上，教师也应顺应信息化教育，突破传统的教学方式，通过“微学“”微课”等方式提高学生的学习兴趣，从而提高学习的效果。同时，知识点也可以通过数据化与测试题建立联系，计算机可以通过分析错题数、做题时间等数据为老师提供不同学生对于不同知识点的掌握情况。只有在校园中营造一种大数据氛围，培养学生们利用数据分析找寻有用信息的习惯，才能让他们具备大数据意识，做好走进大数据时代职场的准备。

2.3大学生要提高数据驾驭能力，透过数据看本质

大学生可以多对社会热点问题进行实践调研，通过访谈、问卷调查等方式获取大量真实数据，然后通过整理分析这些数据锻炼自己的数据驾驭能力。在整理实践调研的数据时，掌握图表分析、数据模型及数据分析软件的使用方法，如Hadoop、MapReduce等，提高数据分析的工作效率和准确性。除了加强数据分析技术的学习外，也需要补充来自统计学、数据挖掘等学科的理论知识，为数据分析提供理论支持。同时，勤思考、多动手、多总结的做法也能帮助大学生透过数据看本质。海量数据中不乏有虚假、消极、错误的数据信息，因此大学生必须具备良好的数据分析能力。数据分析就是一个不断假设、验证的过程，耐心、肯钻研的科学精神能够帮助大学生在一次次的假设验证后找到本质的规律。通过不断地实践练习，提高对数据的敏感度、分析能力，为日后职场中更好地开展数据分析工作打下基础。

2.4大学生应养成独立思考的习惯，培养逻辑思维和理性思维方式

大数据时代是鼓励个性化的时代，鼓励通过数据挖掘发现隐藏于数据下的种种规律，要做到这点，大学生必须要有独立思考、不受常规想法束缚的能力。美国计算机专家埃齐奥尼尔购买机票后却发现周围比他买票晚的乘客票价居然比他的便宜，本来是再普通不过的生活现象，但这却引发了这位专家的思考。他分析到若获得美国每一条航线上每一架飞机内的每一个座位一年内的综合票价的数据库，就可以预测飞机票的涨跌势，为消费者提供参考。这样的思考促使他最终创立了Farecast票价预测工具，顾客平均每张机票可节省50美元。独立思考不是漫无目的地想，而是有逻辑地思考。大学生要注意在日常生活中就养成逻辑推理的习惯，在问“是什么”后还要问“为什么”，尝试通过自己的推理找到答案，这是大数据时代对人才的要求。

3结语

第8篇：大数据分析战略范文

关键词：大数据;京津冀协同;互联网

一、引言

生产关系要适应生产力的发展是人类社会进步的本质。而在当前，随着社会科技的进步，传统的金融服务难以满足人们日益增长的金融服务需求，商业银行积极寻求转型升级的契机。这一方面是新常态经济背景下金融改革的现实需求，另一方面也是互联网金融发展的良性刺激所致。作为一种区别于传统的直接金融和间接金融的第三种金融模式，互联网金融独特的优势挑战着传统金融的权威，改变了人们的生活消费习惯，逐渐成为人们日常生活中不可或缺的一部分。据iiMedia Research的研究数据显示，2014年中国互联网金融产品的网民渗透率高达61.3%，超过六成的中国网民使用过或者正在使用互联网金融产品。与此同时，互联网金融思维的逐渐深入人心也为传统金融的发展提供了新的思路。在信息化时代，对数据的挖掘与分析深刻地影响着商业银行的发展趋势。大数据作为互联网金融的核心思维和技术基础，为商业银行的转型升级开辟了一条新生路。在中国金融庞大的消费市场下，积极探索大数据战略与银行转型升级战略有机结合的并轨研究，一方面可以为商业银行转型升级开拓新的实现路径，加快银行转型升级目标的实现，另一方面，商业银行转型升级的客观需求也为互联网金融的创新发展提供强大的驱动力。基于互联网思维，充分利用大数据、云服务等先进的网络技术手段来实现商业银行在信息化时代的转型升级，成为当前银行发展的必由之路。因此，准确地分析商业银行在互联网金融背景下实施大数据战略的内外部环境，确定科学的发展目标和战略定位是银行实施大数据转型战略的必要前提。同时，商业银行必须根据自身发展特点，围绕科学的战略目标，切实采取具有前瞻性的战略措施，以保障银行未来发展的持续与稳定。

二、文献综述

(一)大数据概述

(二)银行转型与大数据关系研究现状

因此，基于开放、共享、平等的互联网金融思维，构建商业银行的大数据经营管理战略对于银行转型至关重要。在商业银行未来的长期发展过程中，随着网络化、信息化金融模式的不断成熟，对于大数据思维的应用是一个具有前瞻性、全局性的战略方向。

三、大数据战略实施的内外部环境分析

商业银行实施大数据战略的本质是为了明确银行在互联网金融时展的方向。而一个明确的战略管理过程通常包括明确战略目标、分析战略环境、制定战略方案、实施和评估战略四个阶段。这四个阶段不断调整，形成一个循环的系统，如图1所示。因此，在进行商业银行大数据转型战略的定位时，首先需要对银行内外部环境进行深度分析。在互联网金融和信息化经济的时代背景下，借助SWOT分析法对商业银行转型升级的外部机会与威胁、内部优势与劣势进行分析，为大数据战略的最优选择提供依据。

(一)银行大数据战略SWOT要素分析

2、内部劣势分析。在大数据战略实施的初期，商业银行由于其自身的限制，受到互联网金融的冲击，银行经营管理面临巨大的挑战，其劣势集中体现在数据处理能力不足和法律保障缺失两个方面。在数据的收集和处理上，银行不仅需要收集来自物理网点、消费者账户的结构化数据，更需要来自移动互联网、电商平台以及社交网站的非结构化数据信息。然而，如今商业银行还处于大数据运行模式的探索期，由于缺乏专业的数据分析人才，传统的事物型数据库难以满足海量数据非结构化数据的分析需求，对于大数据的分析处理缺乏精准有效的技术支持，严重限制了商业银行的数据处理能力和银行竞争力的提高。在法律保障上，大数据与商业银行的跨界融合是金融创新理念在互联网经济时代的成功应用，然而互联网行业与金融行业本质上的区别导致大数据与银行业的商业规范、监管模式存在明显差异。商业银行作为现代金融的合规行业，受到严格的法律约束和金融监管机构的监督，而互联网领域的大数据并不受其限制，至今为止，还没有一部专门的法律对大数据在金融行业中的应用进行规范。因此，缺乏明确的法律法规和规章制度的保障导致银行大数据战略无法可依，这势必会造成银行大数据的滥用，威胁商业银行的持续发展。

4、外部威胁分析。将大数据思维融入银行转型升级战略顺应了互联网金融时代商业银行的发展要求。然而互联网金融企业的竞争以及大数据本身存在的风险为商业银行实施大数据转型战略带来了巨大的威胁。一方面，与传统银行业相比，互联网金融模式具有资金配置效率高、交易成本低、支付便捷、普惠性等特点，打破了传统银行业时间和空间的限制，给人们带来了前所未有的高效、便捷的用户体验以及更具可得性的实际利益。2014年10月互联网巨头阿里巴巴成立蚂蚁金融服务公司，业务囊括了支付、贷款、理财、保险等诸多金融服务，阿里金融帝国逐渐成型;百度推出百度财富，打造专业化的金融服务平台，全面涉及金融业务;腾讯在其庞大的用户资源的基础上，借助大数据、云计算等技术，大力开展支付、理财业务。互联网企业加快布局金融业，对整个银行业产生全面而持续的冲击，这在很大程度上挤占了原本属于传统银行业的利润空间。另一方面，大数据的风险威胁主要表现为两点：一是信息扭曲风险，在大数据信息爆炸年代，数据量的大幅增加导致了规律的丧失与数据的严重失真，大量无序、低效的无用信息混进数据库形成信息噪声，增加了信息误读的风险。信息的扭曲加剧了市场波动，造成市场失灵;二是信息安全风险，大数据时代强调社会信息资源的开放与共享，然而随着虚拟网络技术的不断进步，网络信息安全问题越来越受到人们的关注。网络系统与数据中心存在的漏洞导致大量客户信息和个人隐私的泄露，棱镜门事件、支付宝漏洞以及携程网用户支付信息泄露等一系列信息安全事件的爆发，严重地威胁了企业的发展和消费者的人身安全。商业银行运用云服务、云平台构建大数据终端来实现数据资源的共享，但是同时也伴随着一定的风险，一旦数据泄露，将会对银行业务经营以及客户安全造成极大的安全隐患。

(二)银行大数据战略SWOT矩阵分析

在对商业银行大数据转型战略的外部机会与威胁、内部优势与劣势进行SWOT分析的基础上构建SWOT矩阵分析策略，为实现商业银行大数据战略的长期目标，制定了一整套战略选择路径以及具体的实施方案。根据战略制定的基本思路，通过发挥优势、克服劣势、利用机会、化解威胁，商业银行大数据战略的实施可具体分为四种路径(见表1)：

1、SO战略(增长型战略)的关键在于依靠内部力量，洞察外部环境。在大数据战略制定的初级阶段，商业银行最主要的任务是在充分发挥自身优势的基础上，保持良好的市场洞察力，利用外部环境发展自身。利用丰富的数据资源优势、雄厚的资本优势以及专业的人才优势建立大数据平台，构建云计算服务器，为大数据战略的实施打下坚实的设备基础。同时，深入了解市场发展动态，明确国家政策导向以规划市场布局，依靠不断进步的互联网技术与大数据手段将银行产品通过线上渠道扩大市场，拓展银行利润空间。

2、WO战略(扭转型战略)是大数据战略进入规范阶段，商业银行利用外部机会，克服内部弱点的一种稳定型发展路径。商业银行大数据战略制定的关键在于充分利用市场潜藏的机遇，学习互联网金融企业的先进技术，加强对银行内外部数据的收集与整理，培养数据分析人才，打造一支更具专业性的大数据人才队伍，克服银行数据处理能力不足的弱点，规范服务流程以提高业务办理效率。此外，在各银行之间建立云共享数据平台，制定统一的大数据运行规则，同业之间相互学习、相互监督，形成规范化的行业准则，以弥补法律保障的缺失。

3、ST战略(多元化战略)要求商业银行发挥内部优势，规避外部威胁。在激烈的市场环境中，商业银行面临的不仅是同业的竞争，更有互联网金融企业的威胁。深入挖掘自身特点，走差异化发展之路是银行赢得市场先机的基本策略。面对互联网金融的冲击，商业银行必须加强与互联网企业的合作与交流，建立客户信息共享机制，打破信息孤岛以提升银行的数据整合能力，同时加快建立大数据的风险防范制度体系，防范银行数据的信息安全风险。

4、WT战略(防御型战略)是商业银行在内部阻力和外部冲击双重因素制约下的必然选择。在此阶段，商业银行需要进一步分析和调查银行大数据运用的风险，以审慎的态度推进银行转型。互联网金融的发展导致银行客户和资金的大量流失，采用防御型战略要求商业银行以规范的操作流程，完善的管理制度，健全的培养机制做支撑，全面开展与互联网企业的合作竞争，进行优势互补，通过科研创新与品牌建设逐个击破外部挑战，重塑商业银行内部竞争力。

无论是增长型战略、扭转型战略，还是多元化战略、防御型战略，在商业银行战略转型的不同阶段都有与之相对应的战略规划内容和实施方式，银行对不同战略路径的选择必须符合银行不同转型期的特定要求，但是商业银行大数据战略实施的全过程必定是一个不断学习、创新与发展的过程。

四、商业银行大数据战略目标与路径选择

在未来的银行业竞争中，对于数据的分析和挖掘将成为决定银行经营成败的关键。随着互联网金融理念的不断深入，实施大数据战略对推动银行业的转型升级意义重大。商业银行大数据战略目标的设定是其转型升级的具象化表现，而战略路径的选择则是商业银行在既定战略目标指导下实施转型升级的具体方案。

(一) 大数据战略目标

大数据战略是商业银行在互联网金融背景下运用大数据思维实现转型升级的进一步探索。基于商业银行转型的定位，大数据战略目标具体包括客户中心目标、经济发展目标和风险管理目标。

1、客户中心目标。实现商业银行的战略转型必须以满足客户的真实金融需求为前提。及时、准确地把握客户需求是实现新时代开放式普惠金融的基本要求，离开了以客户为中心的经营理念，银行的转型将会迷失方向。商业银行引入大数据思维服务于银行经营管理的创新，关键在于深入客户群体，全方位评估客户需求，准确把握市场动向，为消费者提供更具针对性、合理性的产品和服务，确切落实商业银行的战略转型目标。因此，银行大数据客户中心目标可以概括为基于客户信息分析，以客户需求为导向，构建银行客户管理大数据分析和应用平台。

2、经济发展目标。服务于实体经济的转型发展是商业银行大数据战略转型的根本方向。实体经济是银行业发展的根基，脱离实体经济的金融创新只会带来更大的金融风险。商业银行引入大数据思维的金融创新必须以实体经济发展的需求为导向，不断优化实体经济的资源配置，重视三农经济的发展与小微企业的融资，助推普惠金融的实现。尤其是在当前经济新常态下，经济下行压力持续，银行应该充分利用大数据、云计算等互联网技术优势拓宽服务实体经济的渠道，创新服务手段，以提高资金使用效率。商业银行只有以支持实体经济发展为核心，才能实现金融业和实体经济的共生共荣。

3、风险管理目标。风险管理是决定商业银行转型成败的关键。商业银行作为经营风险的特殊行业，完备的风险管理体系是其生存与发展的基本保障。风险的产生是由信息不对称造成的，商业银行传统的信用风险决策主要依据客户的基本经济情况、信用记录、抵押担保以及客户经理的现场调查等结构化数据进行经验判断，缺乏量化数据的支持，准确度难以得到保障。而大数据在商业银行中的应用在很大程度上缓解了银行与客户之间的信息不对称问题，以大数据思维进行银行风险管理的变革，通过大量数据信息法人深度挖掘来进行风险识别，提升银行整体的风险防控能力。

(二)大数据战略路径

1、树立大数据理念，持续提升商业银行大数据核心竞争力。党的十报告明确提出走中国特色新型工业化、信息化、城镇化、农业现代化道路的目标，信息化已上升为国家战略的高度。在互联网金融的时代背景下，以大数据思维推动银行的转型升级不仅有利于加快我国信息化、智能型银行建设的步伐，而且对于促进我国信息经济发展、服务新四化具有不可估量的作用。因此，商业银行管理层应通过顶层设计提高大数据理念的战略高度，充分认识大数据资源在商业银行战略转型中的重要地位，以大数据作为推动银行改革创新的内在引擎。第一，培养商业银行的大数据核心处理能力。强化数据整合能力，以银行内部数据为基础，充分利用大数据链条上的社会化数据，形成统一的数据标准，便于进行规范化的数据交换与融合;强化数据挖掘与分析处理能力，在全行推广决策基于数据，信息创造价值的观念，引进专业化数据挖掘与大数据分析工具，以大数据思维进行业务逻辑模式的再造，提高非结构化数据转化为决策支持信息的效率。第二，深化数据治理，持续提高数据质量。充分认识数据治理在大数据分析过程中的重要作用，积极推进数据标准化管理机制的建设。制定完备的数据构架规划和数据生命周期管理规范，从制度上规范银行数据的使用。建立多维度数据仓库，将分散化数据信息按照客户、渠道、产品等多种类别进行合理的整合与储存，形成全行统一的数据格式，提高数据的利用效率。同时，加强数据查询平台的建设，满足银行各部门的数据查询需求，及时提取各类交易数据，响应数据监管部门的数据审核要求。第三，完善银行大数据工作管理体系。在银行内部建立总―分式大数据工作机制，制定全行大数据工作规划，实行逐层推进。建立大数据主管部门负责统筹工作规划，集中管理银行数据，设立大数据业务部门负责数据整合与分析，成立大数据工作小组，全面收集商业银行内外部各类数据信息，形成一个统一的大数据管理体系，打造银行业在大数据时代的核心竞争力。

2、全面整合银行内外部数据，搭建商业银行大数据平台。传统的数据处理只要致力于对结构化数据的分析与整合，然而在大数据背景下，传统的数据库已无法满足大量半结构化，甚至非结构化数据的处理要求。因此，必须加快建立商业银行大数据分析平台，整合银行内部自然数据，协同外部社会化数据，完善大数据环境下的银行数据分析，提高银行决策效率。一方面，全面整合银行内部数据。银行作为整个金融业的核心领域，在与客户联系的过程中，积累了大量的信息数据。从现有客户的属性资料、账户信息，包括客户的性别、年龄、职业、收入和资产状况，到客户的交易信息、渠道信息和行为信息，包括交易时间、交易类型以及消费偏好。商业银行必须以内部信息技术系统为基础，整合银行内部各业务单位的客户关系信息，将各类渠道所有交易中的客户信息、记录综合起来，建立一个统一的数据分析平台，为银行经营决策奠定数据基础。另一方面，综合利用外部社会化数据。商业银行必须重视加强对各类数据的收集和积累，打破传统数据边界，注重加强与社交网络、电商企业等大数据平台的交流与合作。商业银行在完善自身数据的基础上，积极建立与网络媒体的数据共享机制，通过多渠道获取更多的消费者数据信息。充分利用社交网络、论坛、微博、微信平台等新媒体工具整合现代化客户交流渠道，增强与客户的互动联系，打造人性化的银行品牌形象，维护良好的客户关系。同时加强与电信、电商等互联网企业合作，加强数据信息共享互利，促进金融服务与电子商务、移动网络的融合。在统一的大数据平台的基础上，深入挖掘客户信息，形成统一的数据化客户管理，实现客户分类的精细化，并针对不同客户群体的独特需求提供个性化服务。

4、以大数据思维完善风险管理，提升银行风险识别和计量水平。平衡收益与风险是银行维持长久发展的根本保障。随着利率市场化程度的不断加深，外部市场环境日益复杂，商业银行面临的流动性问题愈加严峻。面临不断提高的风险管理要求，商业银行引入大数据思维，树立用数据防风险的新型风险管理理念。在大量的金融及非金融数据中，通过机器学习，不断总结数据之间的内在关系，运用大数据相关关系分析法，结合机器算法模型找出隐藏在海量数据中的客户与风险之间的量化关系。充分利用银行内部历史数据以及阿里巴巴B2B、人人贷、淘宝等电商平台上积累的海量客户信用信息与行为数据，通过互联网数据模型和在线资信调查，结合第三方验证形成交叉检验，确认客户信息，进行信用评级，并根据客户的信用等级实行差异化的贷款定价。数据规模的优势可以弥补数据质量的不足，并在极短的时间内对海量原始数据进行分析，更精确地评估客户的信用风险。同时，依托大数据，搭建风险计量与欺诈防范模型，实行现场跟踪调查与非现场信息分析相结合、数据定量判断与经验定性判断相结合，研究对授信客户从贷前到贷后全生命周期的风险监测手段，建立综合式的风险监控中心。注重贷后持续的风险监测，由大数据系统根据客户的历史数据对其贷款额度和贷款利率进行每月动态调整，实时跟踪客户交易，若出现交易、存款等大幅度变动的异常情况，及时进行现场审查，以确保贷款安全。此外，在运用大数据技术完善风险管理的同时，还需要注重对大数据风险的监督和管理。为了确保大数据安全，必须将大数据纳入全面风险管理系统中进行统一管控。加强银行数据的自我监督，协同数据共享平台的各类企业和机构，制定规范的数据安全标准，提升整体数据安全质量。同时，加强与客户的交流与沟通，提高客户的数据安全意识，规范数据来源，确保数据安全。

5、加强大数据人才队伍建设，营造商业银行大数据文化氛围。大数据时代，随着海量数据信息的爆炸式增长，商业银行内部数据不再仅限于客户的基本自然数据，其数据的种类与规模快速膨胀，传统的数据管理系统已很难做出准确的客户分析。对于当前的大数据分析而言，需要分析人员具有更强的数据分析解读能力和应变能力。他们不仅需要精通数据建模和信息挖掘，还需要具备良好的银行业务知识，能够将大数据分析技术与银行业务完美地结合起来，其关键在于打造一支属于银行的专业化复合型大数据分析团队。因此，各商业银行应积极实施人才战略，重点推进大数据人才队伍建设。重视人力资源管理，完善员工收入分配制度，激发员工工作的积极性与创造性，增强团队凝聚力。加强对银行员工的大数据分析培训，重点培养其基础金融知识、大数据理念、数学建模、新型计算机方法等复合型技能，打造专业化的大数据分析团队。完善银行岗位的设置，在培养自己的大数据分析人才的同时，注重引进外界优秀的大数据人才，全面提高银行员工整体的素质，营造良好的商业银行互联网金融文化氛围。

五、结束语

技术的创新往往带来产业的变革，以大数据为核心的新一代网络技术创新突破了传统金融理念，改变了人们的日常生活和金融生活。互联网金融的兴起给传统银行业带来的不仅是挑战，更是一种变革的机遇。以大数据思维为指导推动商业银行的转型升级符合互联网金融时代银行业的发展要求，有助于在长期中培养银行的核心竞争力，抢占市场竞争制高点。然而，金融创新与金融风险相生相伴，大数据所具有的信息安全风险如果管理不善，其本身很可能会演变成大风险，信息安全更是关乎国家政治安全、经济发展以及社会的和谐与稳定。因此，在移动互联的浪潮下，政府部门需要从国家立法的角度来完善大数据监管体系，保护消费者利益，维护金融系统的稳定与发展，商业银行的大数据战略还需要不断地接受市场监管的检验。

参考文献：

[3]黄昶君，王林.大数据助推银行零售业务量化经营――大数据时代的零售数据挖掘和利用探索[J].海南金融，2014，(1)：66-69.

第9篇：大数据分析战略范文

近5年来，IBM一直将“了解如何从数据中创造价值”作为分析研究的重点，并在该领域不断研究报告，从2009年开始IBM将分析技术定义为战略资产，到2012年阐述大数据基本原理，再到2014年调研白皮书《分析：价值的蓝图》，IBM一直向外界展示在大数据领域的突破性成果。IBM大中华区大数据和分析及新市场总经理、全球企业咨询服务部合伙人、副总裁Jason Kelley说：“经过过去几年的认知和探索阶段，企业已经逐步明确数据作为二十一世纪新自然资源的巨大价值。”

值得注意的是，2014新的调研报告，通过对全球70个国家各种规模组织的900位业务和IT主管进行采访，特别提出了“提升大数据实践成果的三大要素”：“战略”、“技术”、“组织”。报告表明：分析实施战略要有助于实现组织的业务目标；现有技术要支持分析战略；不断发展的企业文化要让员工能够利用技术采取行动，并与战略保持一致。正确协调这三大关键要素，才能创造有形的价值。

九大杠杆深挖数据价值

基于此次调研报告中的提出的三大要素，企业还需在九方面提升自身的能力。IBM全球企业咨询服务部战略与分析服务副合伙人段仰圣认为，这也是领先企业区别于一般企业的衡量标准。九大杠杆为：

文化：一个组织内的数据与业务分析技术的可用性和实际应用；

数据：数据治理流程的结构和形成，及数据的安全性；

专业机能：数据管理、分析技能和能力的培养与运用；

融资：为开展分析工作而提供资金的财务宽松度；

评估：评估对业务成效的影响；

平台：硬件和软件的整合能力；

价值来源：产生结果的行动和决策；

高层支持：高管的支持和参与；

信任：组织内的信任。

Waston成大数据平台亮点

此次会IBM正式对外宣布，全面升级更新大数据和分析平台，即Watson Foundation，也就是将认知计算能力全面融入到大数据分析平台之上，通过辅助、理解、决策、洞察与发现，帮助企业更快发现新问题、新机遇和新价值，实现以客户为中心的智慧转型。

以花旗银行为例，目前其通过Watson开展零售银行业务部的工作，零售银行家和信贷员可以利用Waston获取银行客户信息并且分析客户下一步需求，同时处理金融、经济和用户数据以及实现数字银行的个性化。Watson能在3秒内读出和理解2亿页数据，帮花旗银行找出行业专家可能忽略的风险及收益。