大数据的商业模式范文

导语：想要提升您的写作水平，创作出令人难忘的文章？我们精心为您整理的5篇大数据的商业模式范例，将为您的写作提供有力的支持和灵感！

篇1

一、前言

信息革命把全球几乎所有的信息融合在了一起，对于很多行业而言，如何利用这些大规模的数据成为赢得竞争的关键。“互联网+数据”推动了大数据时代的到来，在商业、经济及其他领域中，决策将日益基于数据分析作出，最终衍化出新的商业模式，为改造和提升传统产业创造了巨大空间。2011年5月全球知名咨询公司麦肯锡的《大数据：创新、竞争和生产力的下一个前沿领域》使人们深刻意识到大数据时代已经来临。该报告指出：“大数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素；而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来”，也预示着大数据时代的到来。

二、大数据时代推动制造业进入工业4.0。

（一）制造业产业链模式的转变

在工业2.0和工业3.0时代，制造业是从产品设计、原料采购、仓储运输、订单处理、批发经营到终端零售一条产业链，企业批量化生产不能满足消费者的多样化需求，最终导致产能过剩。基于大数据，传统工业企业可以降低设计与制造成本，大幅缩短企业产品升级换代周期，提高产品性能，提升企业信息化能力，大幅提升工业企业的自主创新效率，并推动企业核心竞争优势的提升。利用数据分析出不同消费者的特殊偏好，最终生产出满足消费者特定需求的产品，从而为产能过剩和消费者选择有限提供了很好的出路，这就是工业4.0阶段。在这一阶段，仓储运输和批发经营都不再需要，产业链模式优化为订单处理、产品设计与制造、原料处理和终端零售。

（二）、工业4.0将降低成本、提高效率

引进新技术进行数据分析和订单处理并不意味着产品成本的上升，通过数据精准分析和解读从而生产出满足消费者特定需求的产品，帮助企业精准营销， 使库存压力减小，终端零售更加顺畅、高效。

（三）、制造业服务化成为新的发展趋势

随着“互联网+数据”和工业4.0战略的逐步推进，以大数据为核心的信息技术具有前瞻性、带动性、和精准性的特点，能够有效促进制造业与服务业融合，提升制造业企业的竞争力和创新能力。

三、数据成为企业重要的生产要素。

美国著名的管理咨询公司麦肯锡预测，使用大数据的零售企业，可使得利润增加60%以上。美剧《纸牌屋》受到观众热捧的原因并非偶然，该剧的出品公司发挥大数据分析优势，对客户的浏览数据和设备数据等进行精准分析，以此确定该剧的题目、导演和参演人员，将大数据中蕴藏的巨大潜在价值转换为实际的商业价值；同样运用大数据思想的沃尔玛的啤酒和尿布营销策略为其带来了巨大的利润。随着大数据时代的到来，传统零售业管理决策的过程必将向大数据决策转变。

数据越来越成为企业攫取巨大商业价值的重要因素，制造业利用相关数据进行精准营销、开发新产品、做出更明智的业务决策；金融机构利用征信系统帮助他们降低对个人信用评估的成本，快速、准确识别出金牌客户；工业企业运用大数据反映出机器故障和问题的根源。数据已经渗透到了当今每一个行业和业务职能领域，对数据的占有和控制以及发展先进的数据处理技术将成为企业间新的竞争焦点。

四、大数据时代下商业模式转变的配套措施

（一）大数据分析和解读的技术配套

通过收集、整理生活中方方面面的数据，并对其进行分析挖掘，从中获取有价值的信息，需要有先进的技术支撑，这不仅是大数据商业价值的直接体现，也是最小化大数据所带来的负面影响的重要保障。大数据分析中出现的技术问题：统计误差、大数据被过分解读、数据泄露等，如果不能很好地加以控制，将会造成严重后果。为保证数据被安全有效的利用，需要加快技术改进与创新，使大数据沿着正确的轨道为人类创造更多的价值。

（二）与大数据有关的立法亟待建立与完善

大数据技术及其商业化客观上有利于个人和公共利益，当然也能被用于侵害我们的利益。大数据时代正在来临，每个人都不可避免地参与其中，所以大数据中涉及个人隐私的法律保护就必须要提上立法议程。数据公开与隐私安全要有明显的法律边界，数据使用要在保障数据主体合法权益的条件下进行，确保大数据在产权清晰、权力保障有效的框架下发挥更大的价值。

（三）大数据时代要加强社会道德建设

真实的数据可以为我们带来巨大的经济利益，为了避免数据成为一些人谋取不当利益的手段，这不仅要在法律上进行约束，更要在道德上进行约束。数据公开与运用要合法、合理并征得客户同意，切实从道德层面上保障我们每个人的合法权益。大数据时代技术的进步、社会的发展是更好服务大众的关键，而良好的道德素质则是实现其商业价值的基础。

五、结语

大数据并不在“大”，而在于“有用”，随着移动互联网、、社交媒体、自媒体技术的飞速发展以及“互联网+”战略的推广，企业的商业模式在大数据的推动下将迸发出新的生命力。数据正在重构很多传统行业，加快大数据技术创新，同时完善相关法律建设和道德建设，各行各业都可从大数据产业链中攫取巨大的商业价值。

政府要成为促使大数据时代商业模式转变的主要推动力，一方面，要加大公共信息的公开力度，减少社会搜寻信息的成本，从而为各产业增值提供更大的空间。另一方面，要鼓励企业进行商业模式转变，在法律、税收、社会责任等方面给予帮助。大数据时代为商业模式的构建提供了全新的发展机遇和发展前景，我们要积极推动各产业以及相关的技术、法律和道德的集聚配套发展，带动经济结构的转型升级。

参考文献：

篇2

在智能制造中，生产模式转换为柔性动态组织模式，生产设备按照指令智能操作，产品形态变得更加丰富，消费形态满足了人们提出的个性化需求，因此，智能制造将激发许多新的挑战。成百上千万个运行参数按照不同频率发送，瞬时密度可能达到每秒10万条记录，甚至更高；成千上万台设备持续几年到几十年的使用和维修数据非常庞大，现行关系型数据库难以承受；大数据涉及到众多专业知识，需要集成各种专业分析工具才能实现有效的挖掘等，诸如以上的各类问题必然需要对大数据的运行效率提出严苛要求，还要综合平衡度量系统吞吐率、并行处理能力、计算精度与作业能耗等多种效能因素，同时，工业互联网是一个复杂的巨系统。智能制造需要对复杂事件的对象所涉及的行为和状况、时间、地点和起因等关键要素，具有及时、全面、精准的了解，并随着事件的演化对其要素的动态性可以及时地捕获和感知。因此，智能制造面临数据关联耦合关系极为复杂，更面临跨行业、跨领域的大数据带来的挑战。

篇3

[DOI] 10.13939/ki.zgsc.2016.28.149

1 大数据推动信息服务业发展

2016年是实施国民经济和社会发展第十三个五年规划的开局之年，也是信息技术服务业融合创新、转型发展的关键之年，而大数据在信息服务业转型发展中所扮演的角色越来越关键。

1.1 大数据产业政策接连出台，推动信息服务业提档增速

国家政策大力支持信息服务业特别是大数据产业的发展。2015年，国务院了《关于促进云计算创新发展培育信息产业新业态的意见》《促进大数据发展行动纲要》，明确提出了大数据发展的重点方向和路径。工业和信息化部《云计算综合标准化体系建设指南》，促进信息服务业朝标准化、体系化快速迈进。同年5月，国务院印发《关于大力发展电子商务加快培育经济新动力的意见》，从大数据的应用角度提出积极利用移动互联网、地理位置服务、大数据等信息技术提升流通效率和服务质量，深化信息技术在生产制造各环节的应用。

在国家政策的引导下，各地方政府加快出台相应政策措施，加大对云计算、大数据服务的扶持力度。2014年贵阳市成立贵阳大数据交易所和国家级大数据产业发展集聚区，吸纳51支创客团队、360多家大数据及关联企业，带动贵州省2015年大数据电子信息产业规模总量达到2000亿元、增长37%。2013年，武汉高科集团与国家信息中心合作在光谷联合打造国家级大数据产业基地。2015年武汉东湖大数据交易中心网上平台上线。

1.2 大数据相关业务增速超过信息服务业整体增速

2015年我国信息技术服务产业规模保持较快增长，基于移动互联网、物联网、云计算、大数据的新业态、新业务、新服务快速发展，带动产业链向高端不断延伸。2015年全年，信息服务实现收入22123亿元，同比增长18.4%，增速较传统软件产品和嵌入式系统软件分别高出2和6.2个百分点。

2015年中国软件业务收入前百家企业中出现了以阿里云、京东为代表的新兴技术服务企业，这些企业大力培育和发展云计算、大数据服务，快速向产业高端环节延伸拓展。以阿里云为例，2015年全年实现营收23.41亿元，季度平均增速达到28.33%，远远高于信息服务业整体增速。

1.3 大数据必将带动未来信息服务业升级发展

大数据是指那些数据量规模巨大到无法通过人工或者计算机，在合理时间内截取、管理、处理、并整理成为人类所能解读的形式的信息。经过特殊技术处理后，这些数据可以提供以前信息服务业无法提供的关键信息，例如判断商业趋势、判定质量、避免疾病扩散、打击犯罪或测定即时交通路况等。

第一，对大数据的处理分析正成为新一代信息技术融合应用的关键节点。移动互联网、物联网、社交网络、电子商务不断产生数据。通过对不同来源数据的管理、处理、分析与优化，将结果反馈到上述应用中，将创造出巨大的经济和社会价值。

第二，大数据是信息产业持续高速增长的新引擎。面向大数据市场的新技术、新产品、新服务、新业态会不断涌现。为大数据产业提供存储、处理等芯片硬件与集成设备，特别是一体化数据存储处理服务器、内存计算等行业领域将迎来新一轮的发展。在软件与服务领域，大数据将引发数据快速处理分析、数据挖掘技术和软件产品的发展。

第三，大数据利用将成为提高核心竞争力的关键因素。各行各业的决策正在从“业务驱动” 转变“数据驱动”。对大数据的分析可以使零售商实时掌握市场动态并迅速做出应对；可以为商家制定更加精准有效的营销策略提供决策支持；可以帮助企业为消费者提供更加及时和个性化的服务；在公共事业领域，大数据也开始发挥促进经济发展、维护社会稳定等方面的重要作用。

第四，大数据时代科学研究的方法手段将发生重大改变。例如，抽样调查是社会科学的基本研究方法。在大数据时代，可通过实时监测、跟踪研究对象在互联网上产生的海量行为数据，进行挖掘分析，揭示出规律性的东西，提出研究结论和对策。

2 大数据信息流程各节点的典型企业和运营模式

大数据不仅为信息服务业注入新的发展动力，还将为信息服务业带来深刻的变革。“深刻”二字除了表现在技术的突破外，还表现在以下两个方面。一方面，原有的流程分工已经不能适应大数据背景下的信息服务业发展，传统信息服务业的某些技能和企业会贬值乃至消失；另一方面，而更多新的岗位和企业将崛起，参与和改变原有信息服务业的产业分工。从在大数据的背景下看信息的运行流程。如下图所示。

大数据背景下的信息服务业产业分工流程

大数据技术出现之前，信息服务业有着成熟的盈利模式和商业模式。随着大数据的发展，这些企业会根据行业分工的变化，对自己的运营模式进行细微的调整。下面按照信息的处理流程为顺序，分别介绍每个环节上的典型企业的运营模式。

2.1 局部信息搜集环节

某些特定领域的信息价值比较富集，往往需要传统信息搜集的企业提供信息搜集的技术服务。但不同于传统的IT技术服务模式，大数据的发展为这种服务模式带来潜移默化的改进。

考虑到今后大数据的运营收益，这个环节的新兴企业往往主动降低报价甚至完全免费提供服务；而业主往往同意在不改变数据所有权的前提下，让这些企业拥有数据的独家开发利用权力。例如目前政府的一些信息化惠民项目，以及前段时间非常火爆的迈外迪、树熊网络等提供免费Wi-Fi的O2O概念企业。

值得注意的是，信息搜集不直接创造价值，信息搜集必须通过其他环节的参与配合创造价值。在未来盈利不明朗的情况下，这种商业模式的报价不能太低。

2.2 众包信息搜集环节

众包是指一个企业把要完成的工作，交给外部非特定的大众完成。这个环节的企业，在用户有强烈参与意愿和低成本搜集条件的前提下，多采用UGC（User Generate Content）的商业模式。例如用户在使用百度地图导航服务的同时，不知不觉地无偿提供了自己的机动车的速度和位置信息。这些信息成为了这类企业提供更精准的交通信息的基础数据。类似的企业还有迅雷下载、51信用卡管家、支付宝线下收单业务等。

众包环节的商业模式应当注意，以下两点。第一，“普通大众”的参与意愿。只有让用户在无意识中低成本的完成众包任务，才能实现“我为人人，人人为我”的商业模式。第二，众包环节的信息搜集成本应当足够低。低成本是来源于模式创新，而不是成本的节约；模式创新换来的低成本，为某些企业的补贴行为提供成本空间。

值得关注的是，众包环节的大部分企业，目前都在贴成本做大数据规模，几乎都没有实现盈利。

2.3 信息预处理和整理环节

大数据背景下，信息服务业所承载的信息量激增，增量往往是尚未结构化的数据。而信息预处理和整理环节企业需要做的，就是将这些数据整理成结构化的可视数据。

信息的预处理和整理一般由程序完成，程序的特点是一旦研发完成投产，边际成本几乎为零。因此该环节的企业选择商业模式的时候，几乎无一例外地采取边际成本模式。即一开始就投入资金进行软件开发，投产后通过快速发展客户摊薄研发成本，确立竞争优势。占领一定市场份额后，这类型的企业往往通过免费加增值的盈利模式获得收益。

美国的Salesforce公司就是一家基于云计算的SaaS销售支撑服务和数据处理服务商的综合体。它一方面通过服务为用户积累了大量进货、销售、库存、客户关系、产品管理等基础数据；另一方面打通这些孤立数据的关联，提供可视化的数据报表分析、趋势判断、销售机会提醒等服务。Salesforce凭借销售SaaS和数据处理服务，市值已经逼近500亿美元。

阿里巴巴的“友盟+”也是类似的一家从事全数据服务的企业，它所服务的领域是移动互联网。“友盟+”目前覆盖9亿的用户，每天搜集的数据多达数百亿条。企业的任务就是用模块化的程序组件把信息量极低的数据串联起来成为结构化数据，降低了存储空间，提升了信息的价值密度。

国内还有一些中小科技型企业为客户进行定制化、私有化的开发部署，把不同系统的数据进行合并成全局数据视图。该类型企业通过提供IT技术服务获得服务报酬，边际成本不为零，其商业模式和盈利模式比较传统。

2.4 信息交易整合环节

信息的所有者拥有信息但并不具备开发利用的意愿和能力，信息的需求者具备开发利用的能力和意愿，但是缺乏必要的数据。例如，电商企业需要用户的上网行为数据，农业企业需要气象部门的预报数据，金融企业需要税务工商司法的征信数据。这个矛盾在信息膨胀之前并不明显，但随着大数据的来临，需要交换和整合的数据规模，大到足以滋生出一个数据交易和整合的市场。

数据交易的市场往往以电子化交易平台的形式出现。例如北京星图数据公司的大数据开放平台“蜂巢（DataComb）”不仅开放了北京星图的自有大数据，还能兼容第三方数据源和数据开发者。平台将数据明码标价，交易形态丰富，旨在拉拢撮合信息的供求双方，打造一个开放的数据集市。盈利模式上，企业自身作为信息交易的撮合者，一般按照交易金额的百分比抽取佣金，采用的是变相税收的盈利模式。

这个环节的企业在运营的时候，应当注意：

第一，信息交易的隐私保护和数据清洗。政府和其他信息拥有者希望市场走向开放，但有在很大程度上对自己的信息持保留态度，应当从交易整合的规则、规范上打消信息拥有者的顾虑，才能开启一个开放自由的市场环境。

第二，积极营造黑洞效应。交易涉及供需双方，交易市场是一个典型的双边市场。初期应当零成本甚至贴成本的手段，使交易标的物快速的丰富起来；到了一定阶段，平台上待交易的信息会越来越多，运营的成本会越来越低；最后，数据富集到一定程度，会像黑洞一样，吸引着其他数据聚拢，形成黑洞效应。

2.5 数据分析挖掘环节

数据的分析和处理，是大数据产业最具特色的一个环节。此环节的企业提供服务的形式有两种：一种是提供数据处理工具；另一种是直接帮用户处理数据。他们往往利用软件的边际成本递减特性，快速推广客户摊低成本，实现盈利。

例如国内的华院数据、天津天才博通科技、神舟通用、杭州合众信息等，他们提供定制化的分析挖掘工具，为客户安装部署后，客户就可以对数据进行分析和挖掘。由于这类企业的边际服务成本不为零，只能通过技术服务盈利，商业模式和盈利模式比较传统。

值得关注的是近期开源的两大人工智能工具：Google的人工智能开放平台TensorFlow和Facebook的人工智能工具Torch。他们采用免费加增值的商业模式。在完善的知识产权保护制度下，他们一方面开放技术扩大市场份额，促使产品迭代升级；另一方面充分利用GNU协议约束实现企业盈利。这种模式有时称为“开源模式”。

2.6 管理环节

具有利用价值的信息，都需要经过管理环节，提供给需求方换取价值。对于数据成果变现容易的企业，他们可以直接销售数据结果，获得收益。例如，美国的Climate Corporation（后以10亿美元价格被孟山都收购），把天气数据直接销售给农业企业用于预测灾害发生概率和农业产量，进而还能向农户销售保险。

但对于大部分的大数据企业而言，信息资源直接变现比较困难，它们往往采取两种商业模式进行变现：数据整合模式和占领入口模式。

2.6.1 数据整合模式

采用平台化资源整合商业模式的企业，将自身定位为数据的整合者。它们一方面积极从企业或政府（以购买或者分成或者以项目建设形式）搜集扩充大量自有数据；另一方面扩大社会合作，从社会的企事业单位吸纳大量的数据信息，这些数据经过整合后成为有价值的交易标的物，例如经过清洗经济交通规划数据和统计报告。此环节的企业通过把控数据和交易过程（现金流、信息流、用户资料等），获得话语权和分红权。典型的企业包括贵阳大数据交易所、武汉东湖大数据交易中心、华中大数据交易所、九次方、数据堂等。

以国资背景的贵阳大数据交易所为例，截至2015年底，贵阳大数据交易所已经整合了100多家大数据公司的数据，整合数据总量超过10PB。截至2015年底，贵阳大数据交易所交易额突破6000万元，所整合的数据门类包括涉及国计民生的35个门类。以民间资本背景的九次方为例，九次方分别与腾讯、汤森路透的合作提供企业征信查询和图表查询，每次的收入五五分成。

值得关注的是，此环节的服务形式有所创新。信息形式不仅是直接下载数据或报告，也可以采用API接口的方式，让企业按需调用、按需付费。这意味着信息的需求方，信息获取的门槛大幅降低而且确保了数据实时性。

这类企业的盈利模式一般采用变相税收模式，即将收入分配给提供整合数据的合作方，自己保留一部分佣金。

值得注意的是，国有企业往往借助政策扶持，定位为平台化的数据整合者，从管理环节进入大数据信息服务业。

2.6.2 占领入口模式

与实力雄厚的国资背景企业不同，民营企业进入管理环节的时候，往往找准一个垂直领域，采用占领入口的商业模式。他们在某个垂直领域做到行业第一，然后深入发掘该领域数据的商业价值，或者通过广告换取收入。

例如提供航班交通信息查询的“航旅纵横”和“飞常准”等App运营企业。他们调用民航航班数据，为大家预测准点率，结合乘机人数据，为大家办理值机等。类似的还有提供浅信用查询服务的 “企查查”和“企+”等App运营企业。

这类企业的盈利模式一般采用“零和”的广告盈利模式，即通过提供免费低价服务吸引大量用户，在用户使用服务的时候插入广告，换取收益。广告的多少和用户体验的好坏，形成一对零和博弈。

2.7 跨界应用环节

信息是中性的，信息不创造价值。但基于正确的信息进行资源的优化配置，相比起靠感觉和经验做出的资源配置，能降低错误决策的成本浪费，从而创造价值。在大数据的背景下，越来越多行业企业意识到，应当从靠经验驱动的决策模式，转变为靠数据驱动的决策模式。随着决策模式的转变，越来越多信息服务业的企业从而也获得了跨界经营的话语权。他们凭借手上的关键信息，参与其他行业的利润分成。他们一般采用的商业模式为产业链渗透模式。以向精准营销界跨界的TalkingData为例，TalkingData后台能根据用户的游戏行为数据判断用户的特征属性，但TalkingData不直接销售报告或数据，而是主动寻求与招商银行合作，开展跨界营销活动。跨界营销为招商银行节约了营销成本，而招商银行也愿意支付给TalkingData一定的营销费用，双方互惠共赢。

以向金融领域跨界的美国Zestfinance公司和中国同盾公司为例，它拥有传统银行的信贷数据（如账户数、信贷历史、违约数、流水）及其他结构化的数据（如交租情况、搬家次数等），在关联了贷款人的身份信息与线上行为后，可为银行和典当行提供量化的信用风险分析。

以向安全领域跨界的Palantir公司为例，Palantir帮助CIA、FBI等情报机构处理成千上万个数据库，快速找出与恐怖袭击、疾病灾害等有关的潜在威胁。很多银行和对冲基金客户，也找Palantir帮助预测欺诈行为。

更多可供大数据进行跨界渗透的领域还有医疗、交通、金融、电子商务、零售、通信、政府公共服务等。

3 结 论

借助国家地方政策的推动，随着大数据、物联网、云计算、机器学习等技术的发展，信息服务业正在经历前所未有的升级转型和流程再造。在新的产业链上，寻找与企业基础相匹配的转型切入点，设计与企业优势相匹配的商业模式，才能在大数据背景下的新一轮信息服务业竞争中赢得一席之地。

参考文献：

篇4

（一）“大数据”含义及特征

“大数据”是指大小超出了一般数据库软件收集、存储、处理和分析能力的大容量数据集（Bill Franks，2013）；其“大”不仅指数据规模大，还指通过对海量数据整合和分析发现新知识，转化为商业优势，带来大价值、大利润和大发展。“大数据”一般包括四个特征（四个V）：一是数据量大（volume），数据量级别以EB和ZB计算；二是数据类型多样（variety），除了传统结构化数据，还涵盖文本、图片、音频、视频、评论、地理位置信息等半结构化和非结构化数据；三是数据价值高、密度低（value），利用大数据技术对海量的数据进行挖掘，发现数据背后隐藏的价值；四是实时处理（velocity），“大数据”通常以数据流的形式动态、快速产生，具有很强的时效性，要求对数据进行有效和适时的处理。

（二）零售企业大数据源的内容

1.大交易数据。即零售企业内部因交易产生的数据，主要指来源于企业ERP、SCM、CRM和WEB交易系统并以SQL数据库来存储的数据，可以分为企业营销数据、企业管理数据两部分。前者是将企业产品或服务转移到顾客身上所产生的数据，有顾客数据、销售数据、价格数据、产品数据、市场竞争数据等；后者是对企业的产品、人员、设备进行管理而产生的数据，有财务数据、运营数据等。

2.大交互数据。主要是来自互联网、移动互联网中人与网站、人与人交互产生的数据，主要包括消费者在零售企业电子商务网站上进行商品搜索、浏览、比较、购买时产生的点击流数据、来自社交网络和即时通讯软件的分享推荐、交流沟通、咨询等社交数据，涵盖视频、即时通讯记录、录音、图片、帖子、点击动作等各种类型的非结构化数据。

3.感知数据。主要来源于物联网中的传感器、RFID、GPS芯片、观测设备等检测到的关于零售企业产品、设施、路线布局、柜台设置和顾客等信息的数据，包括传感数据、RFID数据、观测数据和由含有GPS芯片的各种智能终端等产生的地理位置信息数据。

“大数据”驱动的零售企业商业模式创新内容

顾客价值主张创新是“大数据”驱动的零售企业商业模式创新的核心内容。顾客价值主张是对顾客真实需求的深刻描述，是企业经营活动的起点，只有明确了企业的顾客价值主张，企业才能开展其他的活动（魏炜、朱武祥，2009）。“大数据”驱动的顾客价值主张创新，主要包括：

（一）以实现顾客个性化价值为战略目标

零售企业应以实现顾客个性化价值为战略目标，通过布局“大数据”战略，利用大数据技术整合和分析容量巨大、类型多样的数据，全面洞察顾客的需求偏好和购买行为，精准搜寻目标顾客，实时为顾客提供个性化的产品、服务和体验，保证顾客对企业活动的个性化、深度化参与，促使顾客个性化的价值主张得以实现。

（二）精确地洞悉顾客的真实需求

零售企业应利用基于大数据分析技术的平台，将顾客个性化参与融入传统价值链活动中，实时储存和整合顾客的大交易数据、大交互数据和感知数据，通过数据分析挖掘顾客真实需求信息，勾勒出一个360度顾客全景视图，获得全面、精确的顾客真实需求信息，设计精准、实时的需求响应系统，满足顾客个性化需求。

（三）精确到个体的顾客细分

零售企业应利用“大数据”获得全面精确的顾客需求和购买行为信息，借助大数据分析工具从多种不同的维度对顾客进行更精准的细分，形成每个顾客的购买需求、购买行为、购买偏好和购买决策的信息，从而实现对顾客的个性化营销。

（四）实时精准的定位

零售企业应通过大数据技术收集、整理、分析和反馈来源众多、类型多样的顾客数据，实时模型化顾客的行为，随时随地精准定位顾客潜在需求，快速精准识别顾客购买决策，主动推荐产品或服务促进交易的完成，实时满足顾客需求。

“大数据”驱动的零售企业商业模式创新的支撑条件

（一）创新的运营支撑条件―关键业务和流程创新

1.体验创新。零售企业需要利用大数据技术不断优化顾客的购物环境和购物内容，更加地符合顾客的购买习惯，更好地满足顾客的心理诉求和体验偏好，提高顾客体验水平。一是构建顾客体验分类模型。通过大数据技术收集和分析顾客购物过程中与企业及其产品的每一次接触行为数据，依此判断和评估顾客的购物体验状况，从中提取关键性的顾客体验指标，并对其指标进行聚类分析，归纳出顾客体验的主要类型，构建顾客体验差异分类模型，针对主要顾客进行深入的购物体验调查，依据调查结果进行业务流程设计，针对顾客交易过程中因体验不佳放弃购买的环节进行再设计，改进顾客购物流程和环境，提高顾客体验水平。二是构建顾客流失监测与预警模型。运用大数据技术，收集和分析流失顾客的行为特征和流失成因等信息，构建顾客流失监测与预警模型，提前发现流失顾客状况，及时、主动地关怀和挽留顾客，降低顾客流失率。

2.营销创新。零售企业需要构建顾客购物行为模型，主动推荐个性化服务，实行精准营销。一要借助大数据技术，整合顾客需求、行为偏好的数据，根据数据分析结果构建顾客购物行为模型。二要在实时更新顾客购物行为模型基础上，主动向顾客提供优质的体验和关怀，精确推荐符合顾客需求的个性化产品或服务，实现精准营销，满足顾客个性化需求。三要实行全渠道营销。利用尽可能多的渠道与顾客互动（李飞，2013），除实行电商化策略外，还应通过网上店铺、移动店铺发起地面活动，邀请顾客到实体店消费、参加节日主题活动等，把网络购物和实体店购物体验完美融合起来，以满足顾客购物、娱乐和社交的综合体验需求，实现全方位的营销。

3.供应链管理创新。零售企业需要利用大数据分析技术将供应链所有环节（供应商平台、交易系统、仓储管理系统、运输管理系统、数据分析系统等）整合在一个供应链平台上，统一管理、全面共享各环节数据，实现供应链管理创新，包括根据顾客购物行为模型，控制企业产品的采购和销售；推动大规模产品定制预售活动；建立一套科学的库存管理预警机制，保证库存、价格信息的实时更新等。

（二）创新的资源支撑条件―关键资源能力创新

1.大数据分析技术。主要包括：大数据收集。零售企业需要运用大数据收集工具及不同收集方法，收集各种顾客需求偏好和购物行为的数据。大数据存储、集成及预处理。零售企业需要利用云存储的数据仓库系统对大交易数据、大交互数据和感知数据进行解析、清理和重构等，对缺失值、重复数据和噪声数据、异常数据进行有效处理，并按主题进行数据组织，便于数据查询和实时访问，为零售企业提供数据共享，提高企业经营决策效益（谭磊，2013）。大数据组织。零售企业需要对进行包括数据转化、数据抽取两方面的大数据组织（徐国虎、孙凌，2012）。数据转化是对数据进行预处理后，将结构化、半结构化、非结构化数据进行过滤或映射转化为模型和索引，提炼出有意义数据；数据抽取是检测数据的相关性，以发现关联的数据所蕴含更大的价值特征，从顾客行为数据和产品销售数据的关联性中，分析不同群体顾客购买模式。大数据挖掘和应用。零售企业需要通过挖掘顾客行为、需求和消费偏好等数据，实现顾客分类模型和顾客流失模型、基于位置和时间的精准化推送、产品关联推荐、市场交叉销售、预测顾客再次购买、商场布置、货架布置、货存安排、企业舆情分析等应用安排（惠琳，2014）。

2.商业洞察能力。商业洞察能力的本质是将大数据资源转化为企业预见力和决策力。零售企业需要在本企业市场、投资、运营等部门共同协作下，利用“大数据”预测顾客潜在需求和市场机会，指导企业的业务决策，将数据精确度和决策粒度相结合，优化企业经营管理方案。

篇5

一、前言

随着数字技术的全球化的发展和应用，企业的组织环境也产生了新的变化，并因此引发了一些大的变革和挑战。各个行业也逐渐认识到商业模式对于企业的重要价值，但理论界对于商业模式设计的研究还大多停留在理论或者说概念性层面上，缺少实际的知道价值，本文通过对基于大数据技术应用的现有商业模式进行梳理，并引向实际，希望可以丰富现有的商业模式以及创新的理论体系。

二、大数据技术研究的现状和趋势

随着信息、网络、移动设备技术的蓬勃发展，“大数据”时代也随之而来。根据经济研究发现大数据已经为部分领域带来了颠覆性的变化。同时大数据技术应用的关键性也已经被广泛认同，而学术界对于大数据技术应用的研究，主要体现在以下几个方面：第一，大数据的基础问题，包括其基本概念、特征描述、模型结构、理论体系等方面的内容。第二，大数据处理问题，包括其格式转化转移、数据挖掘方法、算法设计发展以及IT构架变革等方面的内容。第三，大数据的安全问题，包括数据安全储存、实时安全和安全监管等方面的内容。第四，大数据技术应用的商业化问题，主要是对大数据技术在行业中的案例分析，此部分商业化的研究还处于起步阶段，还需要深化探究。

三、基于大数据技术应用的商业模式设计路径

1.来自于价值潜力的顾客价值主张设计

顾客的价值主张即为企业对于服务对象的价值选择以及确认，这是企业存在和发展的导向。具体需要考虑的是“顾客问题属性定位”以及“顾客规模定位”两个方面。“顾客问题属性定位”首先必须考虑的是顾客的价值类型，企业需要满足顾客，使顾客从中获得享受。顾客问题属性定位需要企业做好对于顾客问题的评估，注重业务针对的对象，判断出其重要性。以技能培训领域为例，我们需要以在线学习瓶体为载体，来满足顾客需要。首先，通过对学习者、用人单位的注册信息进行大数据技术处理，可以有效的掌握供需市场的顾客价值主张。其次，通过对于学习者在线学习记录分析比较，可以清晰反映出学习者的优势和不足，更准确的满足学习者的需求。这就是顾客价值主张设计，可以通过大量的数据分析出顾客的价值潜力以及对顾客的各方面需要进行清晰明确的了解和掌握，更好的满足客户。

2.关于主要顾客价值主张的顾客问题解决方案设计

顾客问题解决方案，是企业对于顾客个性化的需求提供更深层次的支持。它将不仅仅是对于某种产品或者服务，而是由企业之间合作对顾客工作状况以及他们的消费信息分析考虑，为顾客提供延伸性的个性化服务。顾客问题解决方案可以决定此种工作情景对客户的吸引力，测算出企业提供的工作情景能够吸引到客户的概率的大小。这种效果具有隔离效应，能够有效的防止别的竞争者的模仿竞争。它的决定性因素是产品功能和工作过程的丰富性，能够在不同的方案中兼顾顾客的各种问题，其兼顾的种类越多，方案的吸引力也就越大。而工作过程的丰富性则是顾客获得其价值的全过程包括购前的沟通服务、得到产品和服务、售后问题解决以及信息反馈等各个环节，其工作过程越丰富其方案吸引力也就会随之增强。

3.企业价值获取维度的设计

第一，盈利模式。营利模式是企业实现营收的方式，并非单一的财务报表中的具体数字。需要明确其产出的圈地业务以及收割业务。前者是一种补偿性项目，其服务对于顾客来说是免费或者低价的，拥有很强的迷惑性，后者才是企业真正的收益点，需要拥有合理的定价方式和收费方式。盈利模式的设计需要企业对这两种业务进行合理适当的安排，以圈地业务吸引大批客户，主攻收割业务，使企业达到最理想的盈利效果。第二，内部运营系统。内部运营系统是在确保企业独特性的前提下，对产出规模进行扩张的支撑能力。其大小取决于扩张方式和关键资源的复制效率。具体来说，企业的运营系统效率决定了情景产能的冗余，并最终由主流城中短板环节决定。如果短板环节的运行方式与其他企业同一环节的模式并不相同，且效率显著提高，则该企业的情景产能就有较大的冗余。第三，外部合作网络。因为顾客价值是顾客在获取价值过程中产生的满足感，可以看出企业全体都参与了“顾客蛋糕”的制作，因此对于核心企业（合作网络的发起者）来说，面临着各企业“获取”和“贡献”的平衡问题。对于获取，核心企业需要通过“压价”和“升值”来阻止顾客价值过多的流入合作企业的情况，对于贡献，则需要扩大合作范围以提升合作网络的适当水平。

四、总结

商业模式是为了企业保持持续盈利的方式，因此就必须确定顾客缺失存在需要企业解决的问题，然后由企业提出方案来解决，由此形成的工作情景，能够使顾客的问题或价值得到满足。因此，商业模式设计需要企业来创造客户价值，并实现价值努力挖掘并满足顾客需要。