国内外大数据经典的案例的研究Word格式文档下载.docx
《国内外大数据经典的案例的研究Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《国内外大数据经典的案例的研究Word格式文档下载.docx（55页珍藏版）》请在冰豆网上搜索。
结果，孕期用品销售呈现了爆炸性的增长。
2002年到2010年间，塔吉特的销售额从440亿美元增长到了670亿美元。
大数据的巨大威力轰动了全美。
2、沃尔玛“啤酒加尿布”经典案例
总部位于美国阿肯色州的世界著名商业零售连锁企业沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析。
沃尔玛数据仓库里集中了其各门店的详细原始交易数据，在这些原始交易数据的基础上，沃尔玛利用NCR数据挖掘工具对这些数据进行分析和挖掘，可以很轻松地知道顾客经常一起购买的商品有哪些。
一个意外的发现是：
“跟尿布一起购买最多的商品竟是啤酒！
”
这是数据挖掘技术对历史数据进行分析的结果，反映数据内在的规律。
沃尔玛派出市场调查人员和分析师对这一数据挖掘结果进行调查分析，经过大量实际调查和分析，揭示了隐藏在“尿布与啤酒”背后的美国人的一种行为模式：
在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。
产生这一现象的原因是：
美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
既然尿布与啤酒一起被购买的机会很多，于是沃尔玛就在其一个个门店将尿布与啤酒摆放在一起，结果是尿布与啤酒的销售量双双增长。
3、试衣间的大数据应用
传统奢侈品牌PRADA正在向大数据时代迈进。
她在纽约及一些旗舰店里开始了大数据时代行动。
在纽约旗舰店里，每件衣服上都有RFID码，每当顾客拿起衣服进试衣间时，这件衣服上的RFID会被自动识别，试衣间里的屏幕会自动播放模特穿着这件衣服走台步的视频。
人一看见模特，就会下意识里认为自己穿上衣服就会是那样，不由自主地会认可手中所拿的衣服。
而在顾客试穿衣服的同时，这些数据会传至PRADA总部。
包括：
每一件衣服在哪个城市哪个旗舰店什么时间被拿进试衣间停留多长时间，数据都被存储起来加以分析。
如果有一件衣服销量很低，以往的作法是直接被废弃掉。
但如果RFID传回的数据显示这件衣服虽然销量低，但进试衣间的次数多。
那就说明存在一些问题，衣服或许还有改进的余地。
这项应用在提升消费者购物体验的基础上，还帮助Prada提升了30%以上的销售量。
传统奢侈品牌在大数据时代采取的行动，体现了其对大数据运用的视角，也是公司对大数据时代的积极回应。
4、路易斯维尔利用大数据治理空气污染问题
美国堪萨斯州的路易斯维尔地区，大约有10万人饱受哮喘困扰。
根据
2012年路易斯维尔市发布的当地健康报告，受访的500个成年人中，有15%
都声称他们患有哮喘。
这也让人们对当地的空气质量状况产生了担忧。
因此，路易斯维尔市政府与IBM以及Asthmapolis合作,共同推出了“路易斯维尔哮喘数据创新计划”。
该计划选取了500名哮喘病患者，让他们使用Asthapolis的传感器。
每个哮喘病人可以得到价值35美元的Walgreen药店的购物卡以及500美元的抽奖机会。
传感器被装在哮喘病人日常使用的呼吸器上，可以记录病人使用呼吸器的情况，这种记录要比病人每天自己记录的使用日志要准确地多。
传感器的数据可以上传到病人的智能手机上，而通过智能手机，数据可以被传到病人的医生那里。
此外，通过Asthmapolis的移动应用，病人也可以看到针对刚才发送的数据的反馈和指导意见。
由于哮喘病的情况因人而异，因此，这样的个性化指导对于控制哮喘病发病有很重要的意义。
哮喘数据创新计划采集的数据将和其他数据源结合起来，研究其相关性并研究热点发病地区。
通过研究呼吸机数据与空气质量、交通状况、污染情况等数据的相关性，城市管理者可以更好的进行城市规划以及公众健康保护。
5、阿里信用贷款和淘宝数据魔方
中国最大的电子商务公司阿里巴巴已经在利用大数据技术提供服务：
阿里信用贷款与淘宝数据魔方。
每天有数以万计的交易在淘宝上进行。
与此同时相应的交易时间、商品价格、购买数量会被记录，更重要的是，这些信息可以与买方和卖方的年龄、性别、地址、甚至兴趣爱好等个人特征信息相匹配。
各大中小城市的百货大楼做不到这一点，大大小小的超市做不到这一点，而互联网时代的淘宝可以。
淘宝数据魔方就是淘宝平台上的大数据应用方案。
通过这一服务，商家可以了解淘宝平台上的行业宏观情况、自己品牌的市场状况、消费者行为情况等，并可以据此进行生产、库存决策，而与此同时，更多的消费者也能以更优惠的价格买到更心仪的宝贝。
而阿里信用贷款则是阿里巴巴通过掌握的企业交易数据，借助大数据技术自动分析判定是否给予企业贷款，全程不会出现人工干预。
截至目前，阿里巴巴已经放贷300多亿元，坏账率约0.3%左右，大大低于商业银行。
6、其他大数据案例
（1）腾讯——大数据技术促使腾讯视频成为国内第一
腾讯视频凭借全平台资源，建立iSEE内容精细化运营战略，利用腾讯视频的庞大数据资源，了解用户所喜欢看的内容和用户的常见行为。
通过技术优势带给用户更好的观看体现。
最后借助腾讯视频社区化的关系链和多平台触达能力，让营销内容得到最大范围的传播，致力于成为国内最大的在线视频媒体交流平台。
（2）T-Mobile——大数据帮助移动运营商降低客户流失率
移动运营商T-Mobile在多个IT系统中整合了大数据应用，对客户交易和互动数据进行综合分析，更准确地预测客户流失率。
通过将社交媒体数据和CRM和计费系统中的交易数据进行综合分析，T-mobile在一个季度内将客户流失率降低了一半！
（3）TXUEnergy——智能电表：
有了智能电表，供电公司能每隔15分钟就读一次用电数据，而不是过去的一月一次。
这不仅仅节省了抄表的人工费用，而且由于能高频率快速采集分析用电数据（产生大数据），供电公司能根据用电高峰和低谷时段制定不同的电
价，TXUEnergy就利用这种价格杠杆来平抑用电高峰和低谷的波动幅度。
例如，TXUEnergy打出了这样的宣传口号：
亲，晚上再洗衣服洗碗吧，晚上用电不要钱。
实际上，智能电表和大数据应用让分时动态定价成为可能，而且这对于
TXUEnergy和用户来说是一个双赢变化。
（4）麦克拉伦一级方程式车队——借助大数据技术，降低事故，保驾护航麦克拉伦车队（Mclaren’sF1racingteam）通过汽车传感器在赛前的场
地测试中实时采集数据，结合历史数据，通过预测型分析发现赛车问题，并预先采取正确的赛车调校措施，降低事故几率并提高比赛胜率。
（5）UPS快递——大数据技术下的最佳行车路径
UPS快递多效地利用了地理定位数据。
为了使总部能在车辆出现晚点的时候跟踪到车辆的位置和预防引擎故障，它的货车上装有传感器、无线适配器和GPS。
同时，这些设备也方便了公司监督管理员工并优化行车线路。
UPS为货车定制的最佳行车路径是根据过去的行车经验总结而来的。
2011年，UPS的驾驶员少跑了近4828万公里的路程。
（6）DPR——用大数据设计建筑
DRP建筑公司是加州旧金山分校医学中心价值15亿美元的建筑合同的总包商。
这也是首个完全基于大数据模型建设的医学中心建筑。
DPR使用了Autodesk公司的三维技术，设计师们能整合空气流动、建筑朝向、楼板空间、环境适应性、建筑性能等多种数据，形成一个虚拟模型，各种数据和信息可以在这个模型中实时互动。
建筑师、设计师和施工队伍通过这个模型可以在接近真实的完整的运营环境里，以可视化的方式观察数以百万计的数据标记。
案例1：
农夫山泉用大数据卖矿泉水
文_本刊记者赵奕编辑_房煜
发挥你您的想象力，选择您认为可是的答案
这里是上海城乡结合部九亭镇新华都超市的一个角落，农夫山泉的矿泉水堆头静静地摆放在这里。
来自农夫山泉的业务员每天例行公事地来到这个点，拍摄10张照片：
水怎
么摆放、位置有什么变化、高度如何……这样的点每个业务员一天要跑15个，按照规定，下班之前150张照片就被传回了杭州总部。
每个业务员，每天会产生的数据量在10M，这似乎并不是个大数字。
但农夫山泉全国有10000个业务员，这样每天的数据就是100G，每月为3TB。
当这些图片如雪片般进入农夫山泉在杭州的机房时，这家公司的CIO胡健就会有这么一种感觉：
守着一座金山，却不知道从哪里挖下第一锹。
胡健想知道的问题包括：
怎样摆放水堆更能促进销售？
什么年龄的消费者在水堆前停留更久，他们一次购买的量多大?
气温的变化让购买行为发生了哪些改变?
竞争对手的新包装对销售产生了怎样的影响?
不少问题目前也可以回答，但它们更多是基于经验，而不是基于数据。
从2008年开始，业务员拍摄的照片就这么被收集起来，如果按照数据的属性来分类，“图片”属于典型的非关系型数据，还包括视频、音频等。
要系统地对非关系型数据进行分析是胡健设想的下一步计划，这是农夫山泉在“大数据时代”必须迈出的步骤。
如果超市、金融公司与农夫山泉有某种渠道来分享信息，如果类似图像、视频和音频资料可以系统分析，如果人的位置有更多的方式可以被监测到，那么摊开在胡健面前的就是一幅基于人消费行为的画卷，而描绘画卷的是一组组复杂的“0、1、1、0”。
SAP全球执行副总裁、中国研究院院长孙小群接受《中国企业家》采访时表示，企业对于数据的挖掘使用分三个阶段，“一开始是把数据变得透明，让大家看到数据，能够看到数据越来越多；
第二步是可以提问题，可以形成互动，很多支持的工具来帮我们做出实时分析；
而3.0时代，信息流来指导物流和资金流，现在数据要告诉我们未来，告诉我们往什么地方走。
SAP从2003年开始与农夫山泉在企业管理软件ERP方面进行合作。
彼时，农夫山泉仅仅是一个软件采购和使用者，而SAP还是服务商的角色。
而等到2011年6月，SAP和农夫山泉开始共同开发基于“饮用水”这个产业形态中，运输环境的数据场景。
关于运输的数据场景到底有多重要呢？
将自己定位成“大自然搬运工”的农夫山泉，在全国有十多个水源地。
农夫山泉把水灌装、配送、上架，一瓶超市售价2元的550ml饮用水，其中3毛钱花在了运输上。
在农夫山泉内部，有着“搬上搬下，银子哗哗”的说法。
如何根据不同的变量因素来控制自己的物流成本，成为问题的核心。
基于上述场景，SAP团队和农夫山泉团队开始了场景开发，他们将很多数据纳入了进来：
高速公路的收费、道路等级、天气、配送中心辐射半径、季节性变化、不同市场的售价、不同渠道的费用、各地的人力成本、甚至突发性的需求（比如某城市召开一次大型运动会）。
在没有数据实时支撑时，农夫山泉在物流领域花了很多冤枉钱。
比如某个小品
升级会员 