Skip to main content

Home/ 互联网之'我的阅读'/ Group items tagged 数据挖掘

Rss Feed Group items tagged

Filter: All | Bookmarks | Topics Simple Middle
ocean wu

数据挖掘资源和研究汇总（转）_张正华BLOG_新浪博客 - 0 views

blog.sina.com.cn/...blog_4d9b3c0a01000a8q.html

数据挖掘 列表 links

shared by ocean wu on 16 Feb 09 - Cached
  • 什么是数据挖掘 http://www.seamlessit.com/documents/DataMiner/DM2002-05-24A.htm 数据挖掘-技术与应用 http://www.seamlessit.com/documents/DataMiner/DM2002-05-24B.htm 数据挖掘助竞争 http://www.cai.com.cn/suc_story/0426.htm 数据挖掘讨论组 http://www.dmgroup.org.cn/ 数据挖掘在CRM中的应用 http://www.chinabyte.com/20020726/1622396.shtml Open Miner 数据挖掘工具 http://www.neusoft.com/UploadFile/0.4.3/217/217.htm 数据挖掘-概念与技术（影印书） http://www.hep.edu.cn/books/computer/photocopy/20.html 数据挖掘在科学数据库中的应用探索 http://www.sdb.ac.cn/thesis/thesis5/paper/p6.doc
  • 数据挖掘概述 (一) http://www.ccf-dbs.org.cn/pages_c/datamining1.htm 数据挖掘概述 (二) http://www.ccf-dbs.org.cn/pages_c/datamining2.htm 数据挖掘在CRM中的核心作用 http://www.cndata.com/sjyw/dcd_knowlege/texts/article491.asp 网络数据挖掘 http://www.pcworld.com.cn/2000/back_issues/2014/1436a.asp
  • XML 与面向Web的数据挖掘技术 http://www.aspcool.com/lanmu/browse1.asp?ID=719&bbsuser=xml http://www.swm.com.cn/rj/2000-10/25.htm http://www.ccidnet.com/tech/web/2001/09/04/58_3176.html 上海市计算机学会数据挖掘技术讨论网站 http://scs.stc.sh.cn/main/sjwj.htm 数据挖掘与统计工作 http://www.bjstats.gov.cn/zwxx/wzxw/zzwz/200207020115.htm 数据仓库、数据集市和数据挖掘 http://eii.dlrin.edu.cn/zjlw/zhlw16.htm 数据挖掘-图书馆员应掌握的基本工具 http://www.zslib.com.cn/xhlw/wk.doc 数据挖掘技术概述 http://www.china-pub.com/computers/emook/0903/info.htm 数据挖掘及其在工程诊断中的应用(博士论文) http://www.monitoring.com.cn/papers/GaoYilong_C_D.htm
  • ...7 more annotations...
  • <构建面向CRM的数据挖掘应用> 2001 人民邮电出版社 http://www.e-works.net.cn/business/category18/126700621324531250.html 数据挖掘在CRM中的应用 http://www.e-works.net.cn/ewkArticles/Category38/Article9809.htm 数据挖掘及其工具的使用 http://eii.dlrin.edu.cn/zjlw/zhlw17.htm 数据挖掘-极具发展前景的新领域 http://www.creawor.com/biforum/bi_02.htm 数据挖掘的研究现状 http://www.creawor.com/biforum/bi_03.htm 数据挖掘-数据库技术的新时代 http://www.china-pub.com/computers/emook/1188/info.htm
  • 知识型企业研究中心 2006-12-26 http://business.queensu.ca/index.php   这是一本关于数据挖掘的一本书的章节 数据挖掘课堂笔记 2006-11-10 http://infolab.stanford.edu/~ullman/mining/mining.html 国外大学关于数据挖掘相关课程的课件。 智能科学网站 2006-11-10 http://www.intsci.ac.cn/   数据挖掘的词汇表 智能工具,数据挖掘,可视化2005国际会议 2006-11-09 http://www.infonortics.com/idv/05pro.html
  • Data Mining: What Is Data Mining ? http://www.anderson.ucla.edu/faculty/jason.frand/teacher/technologies/palace/datamining.htm Data Mining - An Introduction http://databases.about.com/library/weekly/aa100700a.htm?iam=excite_1&terms=data+mining Data Mining - An Introduction Student Notes http://www.pcc.qub.ac.uk/tec/courses/datamining/stu_notes/dm_book_1.html Data Mining Overview http://www.megaputer.com/dm/index.php3 Data Mining - Award Winning Software http://www.salford-systems.com/?source=goto Data Mining With MicroStrategy Best In Business Intelligence http://www.microstrategy.com/Software/Mining.asp?CID=1818dm Data Mining, Web Mining and Knowledge Discovery Directory http://www.kdnuggets.com/ Data Miners Home Page http://www.data-miners.com/ Data Mining and Knowledge Discovery Journal http://www.digimine.com/usama/datamine/ Data Mining and Knowledge Discovery Journal http://www.kluweronline.com/issn/1384-5810 Effective Data Mining Technology http://www.enablesoft.com/ Find Data Mining Solutions http://www.knowledgestorm.com/SearchServlet?ksAction=keyMap&x=data+mining&site=Overture Data Mining Solutions - Business Intelligence http://www.netsoft-usa.com/01_bi.aspx Data Mining Resources http://databases.about.com/cs/datamining/index.htm?PM=ss15_databases The Data Mine Information Index About Data Mining http://www.the-data-mine.com/ ITtoolbox Business Intelligence http://businessintelligence.ittoolbox.com/
  • Mining Data For Actionable Business Decisions http://internet.about.com/library/aa_data_mining_041202.htm?iam=excite_1&terms=data+mining The Data Mining Group http://www.dmg.org/ Data Mining Software http://www.knowledgestorm.com/SearchServlet?ksAction=keyMap&x=Data+Mining+Software&site=LOOKSMART IBM Data Mining Project/Group Quest http://www.almaden.ibm.com/cs/quest/ Data Mining Resources http://psychology.about.com/cs/datamining/index.htm?iam=excite_1&terms=data+mining Data Mining, Text Mining and Web Mining Software http://www.megaputer.com/ Data Mining and Data Warehousing Links http://databases.about.com/cs/datamining/index.htm?iam=excite_1&terms=data+mining Data Mining Software : EDM & DMSK http://www.data-miner.com/ Data Mining and Knowledge Discovery In Databases http://db.cs.sfu.ca/sections/publication/kdd/kdd.html DM Review: Strategic Solutions For Business Intelligence http://www.dmreview.com/ Data, Text and Web Mining http://internet.about.com/cs/datamining/index.htm?iam=excite_1&terms=data+mining First SIAM International Conference On Data Mining http://www.siam.org/meetings/sdm01/ Data Mining 2002 International Conference On Data Mining Methods and Databases For Engineering, http://www.wessex.ac.uk/conferences/2002/datamining02/ SIGKDD - ACM Special Interest Group On Knowledge Discovery and Data Mining http://www.acm.org/sigkdd/ Data Mining News http://www.idagroup.com/ NCDM National Center For Data Mining http://www.ncdm.uic.edu/ Data Mining Benchmarking Association (DMBA) http://www.dmbenchmarking.com/ Data Mining In Molecular Biology http://industry.ebi.ac.uk/~brazma/dm.html Data Mining and Machine Learning http://www.cs.helsinki.fi/research/fdk/datamining/ NCBI Tools For Data Mining http://www.ncbi.nlm.nih.gov/Tools/ Guide Your Organization's Future With Data Mining http://www.spss.com/spssbi/applications/datamining/ URLs For Data Mining http://www.galaxy.gmu.edu/stats/syllabi/DMLIST.html
  • Generate maximum return on data in minimum time with Clementine http://www.spss.com/spssbi/clementine/ ICDM'02 The 2002 IEEE International Conference On Data Mining http://kis.maebashi-it.ac.jp/icdm02/ DMI: Data Mining Institute http://www.cs.wisc.edu/dmi/ Data Mining On The Web http://www.webtechniques.com/archives/2000/01/greening/ Data Mining Lecture Notes http://www-db.stanford.edu/~ullman/mining/mining.html ITSC Data Mining Center http://datamining.itsc.uah.edu/ Imperial College Data Mining Research Group http://ruby.doc.ic.ac.uk/ Knowledge Discovery & Data Mining Foundation http://www.kdd.org/ Untangling Text Data Mining http://www.sims.berkeley.edu/~hearst/papers/acl99/acl99-tdm.html Directory Of Data Warehouse, Data Mining and Decision Support Resources http://www.infogoal.com/dmc/dmcdwh.htm Data Mining Techniques http://www.statsoftinc.com/textbook/stdatmin.html Knowledge Discovery In Biology and Medicine http://bioinfo.weizmann.ac.il/cards/knowledge.html
  • SAS Analytic Intelligence Data & Text Mining http://www.sas.com/technologies/data_mining/ Analysis of Data Mining Algorithms http://userpages.umbc.edu/~kjoshi1/data-mine/proj_rpt.htm BIOKDD, 2001 Workshop On Data Mining In Bioinformatics http://www.cs.rpi.edu/~zaki/BIOKDD01/ Advances In Knowledge Discovery and Data Mining http://www.aaai.org/Press/Books/Fayyad/fayyad.html Online Program In Data Mining http://www.ccsu.edu/datamining/ Data Mining: Concepts & Techniques (Book) 2000 http://www.cs.sfu.ca/~han/DM_Book.html Tutorial On High Performance Data Mining http://www-users.cs.umn.edu/~mjoshi/hpdmtut/ GMDH Group Method Of Data Handling http://www.gmdh.net/ The Serendip Data Mining Project http://www.bell-labs.com/project/serendip/ Data Mining Forum http://www.data-mining-forum.de/ Open Directory: Data Mining http://dmoz.org/Computers/Software/Databases/Data_Mining/ Data Warehouse Information Center - Data Mining http://www.dwinfocenter.org/datamine.html
  • Data Mining Magazine http://www.mining.dk/ Data Mining Server http://dms.irb.hr/ NAG Data Mining Components to Create Critical Competitive Advantage http://www.nag.co.uk/numeric/DR/drdescription.asp Data Mining and Multidimensional Analysis http://www.ics.uci.edu/~eppstein/gina/datamine.html ADC's Data Mining Resources For Space Science http://adc.gsfc.nasa.gov/adc/adc_datamining.html Laboratory For Knowledge Discovery In Databases (KDD) http://www.kddresearch.org/Groups/Data-Mining/ NCSA Data, Mining and Visualization http://archive.ncsa.uiuc.edu/DMV/ CRoss Industry Standard Process For Data Mining http://www.crisp-dm.org/ International Workshop On Visual Data Mining http://www-staff.it.uts.edu.au/~simeon/vdm_pkdd2001/ Mathematic Challenges In Scientific Data Mining http://www.ipam.ucla.edu/programs/sdm2002/ Mining Customer Data http://www.db2mag.com/db_area/archives/1998/q3/98fsaar.shtml Constraint-Based Multidimensional Data Mining http://www-sal.cs.uiuc.edu/~hanj/pdf/computer99.pdf  
ocean wu

当大数据遭遇深不可测的人性 - 0 views

tech.sina.com.cn/...pid_8459326.htm

数据挖掘 数据应用 数字化营销

shared by ocean wu on 03 Sep 14 - No Cached
  • Target建立了一个非常规范的大数据管理系统，它拥有一个数据分析团队，在查看准妈妈们的消费记录之后，找出了20多种关联物，通过这些关联物对顾客进行“怀孕趋势”预测，并寄送相应的优惠券，为消费推波助澜。只要有可能，Target的大数据系统会给每一个顾客编一个ID号。你刷信用卡、使用优惠券、填写调查问卷、邮寄退货单、打客服电话、开启广告邮件、访问官网，所有这一切行为都会记录进你的ID号。而且这个ID号还会对号入座的记录下你的人口统计信息：年龄、是否已婚、是否有子女、所住市区、住址离Target的车程、薪水情况、最近是否搬过家、钱包里的信用卡情况、常访问的网址等等。Target还可以从其他相关机构那里购买你的其他信息：种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。
  • 线上实时优化渠道
  • 因此在传统营销时代，品牌经理经常都会质疑他们的代理商的一个问题是：“我知道我的广告费有一半是浪费掉的，问题是我不知道是哪一半”，从Target的故事来看，大数据可以非常精准地锁定甚至预测用户的下一个消费行为，这让在传统营销时代摸不清用户需求的品牌经理拥有了一个利器。
  • ...22 more annotations...
  • 通过什么渠道(in which channel)、对谁(to whom)、取得了什么效果(with what effect )，这三点在传统营销时代无法解决的问题，似乎可以迎刃而解，因为大数据营销的本质是影响目标消费者购物前的心理路径，它主要应用在三个方面：1、大数据渠道优化，2、精准营销信息推送，3、线上与线下营销的连接。在大数据营销应用的影响下，营销环节中最难解决的一个问题——如何精准地预测目标用户的需求并提供解决方案，这也是大数据营销所存在的价值
  • 一、to whom？——大数据能精准锁定目标人群。
  • 借助大数据技术，营销者可以无限的接近、近乎准确的判断每一个人的属性。一些企业通过收集海量的消费者信息，然后利用大数据建模技术，按消费者属性(如所在地区、性别)和兴趣、购买行为等维度，挖掘目标消费者，然后进行标签层的分类，再根据这些对个体消费者进行营销信息推送
  • 1，属性标签层
  • 2，行为标签层
  • 3，目标人群层
  • 二、in which channel？——大数据能实时优化传播渠道。对于公开的媒体资源，为了覆盖尽可能多的受众，创造与受众的接触机会，广告主往往需要跨媒介传播。但是预算如何分配呢？大数据此时是最佳决策参考，基于海量用户数据，在营销渠道的投放比例分配上进行调整，获得最优的投放组合。
  • 大数据可以通过抓取微博、人人网以及各种论坛的数据，获取到消费者对品牌对产品的即时的看法和态度
  • 线下实时获取反馈
  • 线上线下协同实现效果闭环
  • 三、with what effect？——大数据能实时反馈效果，大数据是一种实时分析引擎。根据投放过程中的实际数据、如受众行为、流量构成及其他实时投放数据，找到广告目标受众最集中的时间点，找出受众反应最好的创意版本，确定竞品深度用户，挖掘新进潜在消费者等，对广告进行及时的判断和调整，而以上的过程是动态的、实时的。
  • “大数据”营销者近乎实时的各种传播效果反馈数据，信息详尽，并具有跟踪性
  • “说什么(say what)”，恰恰就是大数据营销不能解决的最后一个难题。因为“说什么(say what)”是取决于对消费者真实需求的洞察，而这种洞察是源自于对消费者人性的探测，这不是机器和程序在现阶段所能取代人力的经验的。
  • 能实现5W传播模式大数据营销闭环的行业是电商行业，因为像电商这类广告主将其大部分数字媒介预算通过程序化购买，是完全合理的。因为这类公司主要投放效果广告，关注消费者看了广告后的转化率，即是否会立刻在线购买。程序化购买可以获得更便宜的广告位，通过优化算法达到更多的目标人群。　　然而对于以产品、服务等核心的品牌而言，大数据营销并不能帮助他们解决品牌建立的问题
  • 对于非电商类产品而言
  • 它们最重要的工作除了销售之外，就是持之以恒地建立并保持与消费者之间有意义的关系，这种关系就是我们所熟知的“品牌的建立和维持”，它正是源自于对人性最深层次的洞察，而非其他冷冰冰的数据分析和程序筛选。
  • 拉斯韦尔模式是广告传播模式的最基本模式，它是1948年由美国政治学家、心理学家哈罗德·D·拉斯韦尔提出的一种具有代表性的线性模式，又简称“5W模式”，广告信息传播过程包含的五大要素是：谁(who)、说什么(say what)、通过什么渠道(in which channel)、对谁(to whom)、取得了什么效果(with what effect )。
  • 而潜藏在消费者潜意识里他们说不出来却又驱动他行为的因素，就是消费者洞察，这是品牌跟消费者建立“有意义”关系所不可或缺的一个环节，大数据无法取代人力进行。绝大多数消费者洞察不是来自于量化的研究数据和书面的研究报告，而是来自于与消费者的直接、深度接触中，比如街头暗访、消费行为的观察、与目标人群的谈话等等更接地气、更原始的方法，而非一串串冷冰冰的数码符号、人群标签所能替代的。
  • 大数据营销并不能取代基于人性的消费者洞察，但是可以改变广告公司过往几个星期做一个创意的工作的节奏，大数据基于实时的数据挖掘技术推动广告公司创造与热点相关的内容，传播公司可以根据表现不断更换创意。
  • 根据消费者在社交媒体上的热点话题创作出一个新创意，而确定延展哪个话题的创意，则是由从渺如烟海的社交大数据中挖掘出来最热门的话题。
  • 为了建立忠诚持久的良好消费者关系，广告主必须回归到传播的本质，即旨在创作有价值的、创新的品牌信息，这也是移动互联网传播中被人所津津乐道的“内容营销”，内容的创造也就是5W传播中最重要的say what
  • 大数据营销大潮中，广告公司必须学会如何地合理使用大数据这个非常好用的工具去触达目标人群，并通过智能化的方式把这些信息传递给用户，以深化同消费者的情感关系。
ocean wu

爬虫凶猛：支付宝、微信、现金贷放贷数据无一幸免 - 0 views

www.yixieshi.com/98552.html

商业模式 数据挖掘

shared by ocean wu on 09 Nov 17 - No Cached
  • 现金贷行业出现一种“同业爬虫”产品，可以直接将其他现金贷平台的放款额和风控数据爬出来。
  • 同业爬虫是一款专门爬取现金贷数据的产品，只需要你提供其他现金贷平台的用户名和密码，就可以爬取用户的所有信息。
  • 如果条件允许，甚至会有更为细致的数据维度： 　　“也就是说，你在其他现金贷平台注册填写的所有信息，都可能被爬出来”，王浩称。 　　“只需用户授权账号和密码，成功率在85%以上”，魔蝎科技的商务对一本财经称。 　　而产品说明中，同业爬虫的优势被描述得极为诱人：相对于电商、社交等弱数据而言，同业数据本身属于金融范畴，最能反映个人近期的征信信息。
  • ...7 more annotations...
  • 大家都知道支付宝的数据“金贵”，市面上开始出现一些专门爬取支付宝数据的产品。 　　摩羯科技的支付宝爬虫产品操作极为简单，只需要用支付宝扫描一下登录“二维码”，就可登录。 　　而后台的爬取结果无比细致：支付宝用户的真实姓名、手机号、收货地址、近一年的购物信息，甚至详细到每笔交易的金额。 　　“这个产品挺可怕的，我和商务在测试这个产品时，中间去小卖部买了包烟，回来就发现爬取了这次交易”
  • 某大数据公司的业务员称，公司最近开发了新项目，可爬取旅行网站、外卖平台、地图、共享单车等平台的个人信息，甚至可以定制化抓取，“拿到第一手鲜活原始数据”。
  • 众多爬虫公司，其中做得最大的是“聚信立”。 　　“爬取通讯录，主要是用于用户失联后，可以找他们的亲朋好友催款”，某平台的风控负责人平元鑫称，但通讯录的伪造成本较低，“将联系人改一个号码就行”，有时候可能会失效。 　　而通话记录的数据，则可靠得多。 　　而爬取方式也很简单，只要用户提供手机号码和服务码，就可登陆各大运营商的系统爬取。 　　聚信立爬取数据后，提供给客户的“个人用户报告”极为细致：包括通话号码、次数、时长等信息。 　　“聚信立爬取一次的价格，是 1 到 3 块，但也成了现金贷公司的标配，聚信立赚了很多钱
  • 成立的公司越来越多，但大部分都是代理商，真正有爬虫技术的，也就 30 多家
  • 　　未经授权爬取用户手机通讯录超过 50 条记录，公司法人最高可获刑 3 年; 　　未经授权读取用户公积金社保记录的超过 5 万条的，公司法人最高可获刑 7 年。 　　整个大数据行业面临生死劫，上万数据接口关停，大量数据源被生生切断，行业90%的公司面临淘汰。 　　而有意思的是，在这轮清洗中，爬虫技术却成了最后的救命稻草。 　　“安全法规定，获取用户的数据，必须授权，而爬虫就打了一个擦边球”，某大数据公司的CEO称。 　　“爬虫需要用户授权用户名和密码，只是大部分用户不知道，爬取的数据如此具体，将他所有数据翻遍”
  • 现金贷早期，客户资质都比较好，后期骗贷和欺诈的都来了，只靠简单的爬虫技术，很难挡住他们。 　　“爬虫公司要提供更多价值，比如，给对方的风控产品，定制化数据，或者自己也可以建立风控模型
  • “现在最关键的能力，不是建模能力，而是整合和清洗能力”，聚信立的CEO罗皓对一本财经称，因为数据维度越来越多，电商、支付等信息，可能都关系到“还款能力”，需要整合起来。
ocean wu

神州停轻模式入局停车领域--停车数据实时供应商 - 0 views

www.sohu.com/214323279_118792

商业模式 汽车后市场

shared by ocean wu on 03 Jan 18 - No Cached
  • 全国一二线城市中北上广深停车难首当其冲，远不及目前国际标准的车辆与车位1:1.2的比例，严重的交通拥堵问题让出行变得尤为困难，亟需运用一个智能化的方式去充分利用有限资源。
  • 停车是刚需，是高频率服务，目前国内停车场智能化不超过5%，停车市场正处于上升阶段。
  • 支付宝和微信相继进军停车支付领域，支付宝称停车是线下商业的连接器。
  • ...4 more annotations...
  • 通过改造停车场获取数据模式而言，是一个更为轻的模式
    • ocean wu
      ocean wu on 03 Jan 18
       
      通过神州停微信小程序，停车场保安、管理员将第一手实时数据分享到线上，车主在离开车位后也可以将停车位在线上分享出来。通过⼈⼯加微信提交数据的UGC模式，挖掘数据，测绘停⻋精细地图，导航车主到达精确的停车位。
  • 数据不只来源于设备，也可以是来源于人。
  • ETCP、停简单都是通过线下工程改造停车场，来获取数据，进度慢，改造比例小，这样重的模式不具备快速扩张能力。
  • 打造一个基于位置的商业动态信息发布服务的整体解决方案。在向用户提供停车数据的基础上，还将衍生餐厅、景点票务等服务，力图形成服务闭环。以此来保障线下商业体停车实时数据的提供，更好地服务用户。未来，王建存希望神州停可以成为全国范围停车数据实时供应商，用停车来连接线下商业。
  • ocean wu on 03 Jan 18
     
    通过神州停微信小程序，停车场保安、管理员将第一手实时数据分享到线上，车主在离开车位后也可以将停车位在线上分享出来。通过⼈⼯加微信提交数据的UGC模式，挖掘数据，测绘停⻋精细地图，导航车主到达精确的停车位。
ocean wu

数据挖掘解决的典型商业问题 - 0 views

www.dmresearch.net/...viewthread.php

数据挖掘 案例 文档

shared by ocean wu on 12 Jun 09 - Cached
  • ocean wu on 12 Jun 09
     
    数据挖掘 ( Data Mining Forum )都是一个很时髦的词，尤其是在如银行、电信、保险、交通、零售（如超级市场）等商业领域。数据挖掘所能解决的典型商业问题包括：数据库营销 （Database Marketing）、客户群体划分（Customer Segmentation & Classification）、背景分析（ProfileAnalysis）、交叉销售（Cross-selling）等市场分析行为，以及客户流失性分析(ChurnAnalysis)、客户信用记分(Credit Scoring)、欺诈发现(Fraud Detection)等等。
ocean wu

常用的几种大数据架构剖析 - 0 views

www.dataguru.cn/article-13366-1.html

数据分析 数据挖掘

shared by ocean wu on 15 Apr 18 - No Cached
  • BI系统来说，大概的架构图如下：
  • 大部分BI系统都基于关系型数据库，关系型数据库使用SQL语句进行操作，但是SQL在多维操作和分析的表示能力上相对较弱，所以Cube有自己独有的查询语言MDX，MDX表达式具有更强的多维表现能力，所以以Cube为核心的分析系统基本占据着数据统计分析的半壁江山，大多数的数据库服务厂商直接提供了BI套装软件服务，轻易便可搭建出一套Olap分析系统。
  • 从数据仓库升级到大数据架构，是不具备平滑演进的，基本等于推翻重做。大数据下的分布式存储强调数据的只读性质，所以类似于Hive，HDFS这些存储方式都不支持update，HDFS的write操作也不支持并行，这些特性导致其具有一定的局限性。
  • ...1 more annotation...
  • 基于大数据架构的数据分析平台侧重于从以下几个维度去解决传统数据仓库做数据分析面临的瓶颈：
ocean wu

国务院关于印发新一代人工智能发展规划的通知（国发〔2017〕35号）_政府信息公开专栏 - 0 views

www.gov.cn/...content_5211996.htm

人工智能 物联网 政策

shared by ocean wu on 29 Sep 17 - No Cached
  • 人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，
  • 芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。
  • 正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。
  • ...92 more annotations...
  • 工智能技术可准确感知、预测、预警基础设施和社会安全运行的重大态势，及时把握群体认知及心理变化，主动决策反应，将显著提高社会治理的能力和水平，对有效维护社会稳定具有不可替代的作用。
  • 在大力发展人工智能的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度降低风险，确保人工智能安全、可靠、可控发展。
  • 国家部署了智能制造等国家重点研发计划重点专项，印发实施了“互联网+”人工智能三年行动实施方案
  • 语音识别、视觉识别技术世界领先
  • 按照“五位一体”总体布局和“四个全面”战略布局
  • 加快人工智能与经济、社会、国防深度融合为主线
  • 突出企业在技术路线选择和行业产品标准制定中的主体作用
  • 跨媒体感知计算理论重点突破低成本低能耗智能感知、复杂场景主动感知、自然环境听觉与言语感知、多媒体自主学习等理论方法
  • 大数据智能、跨媒体智能、群体智能、混合增强智能、自主智能系统等基础理论和核心技术实现重要进展，人工智能模型方法、核心器件、高端设备和基础软件等方面取得标志性成果。
  • 初步建成人工智能技术标准、服务体系和产业生态链
  • 第二步，到2025年人工智能基础理论实现重大突破
  • 第三步，到2030年人工智能理论、技术与应用总体达到世界领先水平
  • 形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群
  • 坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进。
  • 1.建立新一代人工智能基础理论体系。
  • 加强大数据智能、跨媒体感知计算、人机混合智能、群体智能、自主协同与决策等基础理论研究。大数据智能理论重点突破无监督学习、综合深度推理等难点问题，建立数据驱动、以自然语言理解为核心的认知计算模型
  • 第一步，到2020年人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点
  • 混合增强智能理论重点突破人机协同共融的情境理解与决策学习、直觉推理与因果模型、记忆与知识演化等理论
  • 群体智能理论重点突破群体智能的组织、涌现、学习的理论与方法，建立可表达、可计算的群智激励算法和模型
  • 自主协同控制与优化决策理论重点突破面向自主无人系统的协同感知与交互、自主协同控制与优化决策、知识驱动的人机物三元协同与互操作等理论
  • 高级机器学习理论重点突破自适应学习、自主学习等理论方法
  • 类脑智能计算理论重点突破类脑的信息编码、处理、记忆、学习与推理理论，形成类脑复杂系统及类脑控制等理论与方法
  • 量子智能计算理论重点突破量子加速的机器学习方法，建立高性能计算与量子算法混合模型
  • 新一代人工智能关键共性技术的研发部署要以算法为核心，以数据和硬件为基础，以提升感知识别、知识计算、认知推理、运动执行、人机交互能力为重点，
  • 知识计算引擎与知识服务技术。重点突破知识加工、深度搜索和可视交互核心技术，实现对知识持续增量的自动获取，具备概念识别、实体发现、属性预测、知识演化建模和关系挖掘能力
  • 跨媒体分析推理技术。重点突破跨媒体统一表征、关联理解与知识挖掘、知识图谱构建与学习、知识演化与推理、智能描述与生成等技术，实现跨媒体知识表征、分析、挖掘、推理、演化和利用，构建分析推理引擎。
  • 群体智能关键技术。重点突破基于互联网的大众化协同、大规模协作的知识资源管理与开放式共享等技术，建立群智知识表示框架，实现基于群智感知的知识获取和开放动态环境下的群智融合与增强
  • 混合增强智能新架构与新技术。重点突破人机协同的感知与执行一体化模型、智能计算前移的新型传感器件、通用混合计算架构等核心技术
  • 数据和知识成为经济增长的第一要素，人机协同成为主流生产和服务方式，跨界融合成为重要经济模式，共创分享成为经济生态基本特征，个性化需求与定制成为消费新潮流
  • 虚拟现实智能建模技术。重点突破虚拟对象智能行为建模技术，提升虚拟现实中智能对象行为的社会性、多样性和交互逼真性
  • 智能计算芯片与系统。重点突破高能效、可重构类脑计算芯片和具有计算成像功能的类脑视觉传感器技术，研发具有自主学习能力的高效能类脑神经网络架构和硬件系统
  • 自然语言处理技术。重点突破自然语言的语法逻辑、字符概念表征和深度语义分析的核心技术，推进人类与机器的有效沟通和自由交互，实现多风格多语言多领域的自然语言智能理解和自动生成。
  • 建设布局人工智能创新平台，强化对人工智能研发应用的基础支撑。
  • 人工智能范式的统一计算框架平台，形成促进人工智能软件、硬件和智能云之间相互协同的生态链。
  • 设立人工智能专业，推动人工智能领域一级学科建设，尽快在试点院校建立人工智能学院，增加人工智能相关学科方向的博士、硕士招生名额
  • 自主无人系统的智能技术。重点突破自主无人系统计算架构、复杂动态场景感知与理解、实时精准定位、面向复杂环境的适应性智能导航等共性技术，无人机自主控制以及汽车、船舶和轨道交通自动驾驶等智能技术，服务机器人、特种机器人等核心技术
  • 突破图形处理器等核心硬件，
  • 完善智能机器人硬件接口标准、软件接口协议标准以及安全使用标准
  • 加强车载感知、自动驾驶、车联网、物联网等技术集成和配套
  • 建立试验鉴定、测试、竞技等专业化服务体系，完善空域、水域管理措施。
  • 突破高性能软件建模、内容拍摄生成、增强现实与人机交互、集成环境与工具等关键技术，研制虚拟显示器件、光学器件、高性能真三维显示器、开发引擎等产品，建立虚拟现实与增强现实的技术、产品、服务标准和评价体系
  • 发展支撑新一代物联网的高灵敏度、高可靠性智能传感器件和芯片，攻克射频识别、近距离机器通信等物联网核心技术和低功耗处理器等关键器件。
  • 研发智能产品及智能互联产品、智能制造使能工具与系统、智能制造云服务平台，推广流程智能制造、离散智能制造、网络化协同制造、远程诊断与运维服务等新型制造模式，建立智能制造标准体系，推进制造全生命周期活动智能化。
  • 开展智能农场、智能化植物工厂、智能牧场、智能渔场、智能果园、农产品加工智能车间、农产品绿色智能供应链等集成应用示范。
  • 完善智能物流公共信息平台和指挥系统、产品质量认证及追溯系统、智能配货调度体系等。
  • 建立金融风险智能预警与防控系统。
  • 推动人工智能在教学、管理、资源建设等全流程应用。开发立体综合教学场、基于大数据智能的在线学习教育平台。开发智能教育助理，建立智能、快速、全面的教育分析系统。建立以学习者为中心的教育环境，提供精准推送的教育服务
  • 研发适应不同应用场景的家庭互联互通协议、接口标准，提升家电、耐用品等家居产品感知和联通能力。
  • 鼓励大型互联网企业建设云制造平台和服务平台，面向制造企业在线提供关键工业软件和模型库，开展制造能力外包服务，推动中小企业智能化发展。
  • 重点推广生产线重构与动态智能调度、生产装备智能物联与云化数据采集、多维人机物协同与互操作等技术
  • 支持人工智能企业加强专利布局，牵头或参与国际标准制定。
  • 推动国内优势企业、行业组织、科研机构、高校等联合组建中国人工智能产业技术创新联盟。
  • 鼓励地方围绕人工智能产业链和创新链，集聚高端要素、高端企业、高端人才，打造人工智能产业集群和创新高地。
  • 建设国家人工智能产业园。
  • 建设国家人工智能众创基地。
  • 推广基于人工智能的新型商务服务与决策系统。
  • 开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊
  • 开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发，推进医药监管智能化。加强流行病智能监测和防控。
  • 智能健康和养老。加强群体智能健康管理，突破健康大数据分析、物联网等关键技术，研发健康管理可穿戴设备和家庭智能健康检测监测设备，推动健康管理实现从点状监测向连续监测、从短流程管理向长流程管理转变。建设智能养老社区和机构，构建安全便捷的智能化养老基础设施体系。加强老年人产品智能化和智能产品适老化，开发视听辅助设备、物理辅助设备等智能家居养老设备，拓展老年人活动空间。开发面向老年人的移动社交和服务平台、情感陪护助手，提升老年人生活质量。
  • 研制面向开放环境的决策引擎，在复杂社会问题研判、政策评估、风险预警、应急处置等重大战略决策方面推广应用。加强政务信息资源整合和公共需求精准预测
  • 促进人工智能在证据收集、案例分析、法律文件阅读与分析中的应用
  • 实现对城市基础设施和城市绿地、湿地等重要生态要素的全面感知以及对城市复杂系统运行的深度认知
  • 促进社区服务系统与居民智能家庭系统协同
  • 实现智能化交通疏导和综合运行协调指挥，建成覆盖地面、轨道、低空和海上的智能交通监控、管理和服务系统
  • 建立涵盖大气、水、土壤等环境领域的智能监控大数据平台体系
  • 研发资源能源消耗、环境污染物排放智能预测模型方法和预警方案
  • 国家重大战略区域环境保护和突发环境事件智能防控体系建设
  • 研发集成多种探测传感技术、视频图像信息分析识别技术、生物特征识别技术的智能安防与警用产品
  • 支持有条件的社区或城市开展基于人工智能的公共安防区域示范
  • 促进区块链技术与人工智能的融合，建立新型社会信用体系，最大限度降低人际交往成本和风险。
  • 促进人工智能技术军民双向转化
  • 研发布局第五代移动通信（5G）系统，完善物联网基础设施
  • 加强与国家科技重大专项的衔接，在“核高基”（核心电子器件、高端通用芯片、基础软件）、集成电路装备等国家科技重大专项中支持人工智能软硬件发展。加强与其他“科技创新2030—重大项目”的相互支撑
  • 深海空间站、健康保障等重大项目，以及智慧城市、智能农机装备等国家重点研发计划重点专项部署
  • 按照国家级科技创新基地布局和框架，统筹推进人工智能领域建设若干国际领先的创新基地。
  • 按规定程序，以企业为主体、产学研合作组建人工智能领域的相关技术和产业创新基地
  • 为有实力的人工智能企业开展海外并购、股权投资、创业投资和建立海外研发中心等提供便利和服务。鼓励国外人工智能企业、科研机构在华设立研发中心。
  • 加强人工智能相关法律、伦理和社会问题研究
  • 建立追溯和问责制度
  • 建立伦理道德多层次判断结构及人机协作的伦理框架
  • 落实对人工智能中小企业和初创企业的财税优惠政策，通过高新技术企业税收优惠和研发费用加计扣除等政策支持人工智能企业发展。
  • 建立人工智能公共专利池，促进人工智能新技术的利用与扩散。
  • 构建动态的人工智能研发应用评估评价机制
  • 开发系统性的测试方法和指标体系，建设跨领域的人工智能测试平台，推动人工智能安全认证
  • 建立适应智能经济和智能社会需要的终身学习和就业培训体系
  • 鼓励广大科技工作者投身人工智能的科普与推广
  • 鼓励社会力量参与寓教于乐的编程教学软件、游戏的开发和推广。
  • 面向公众开放人工智能研发平台、生产设施或展馆
  • 支持开展人工智能竞赛，鼓励进行形式多样的人工智能科普创作
  • 依托国家科技计划（专项、基金等）管理部际联席会议
  • 成立人工智能规划推进办公室，办公室设在科技部
  • 成立人工智能战略咨询委员会
ocean wu

【8090在职场】技术型营销人必知的8个领域！你的知识足够吗？ | SocialBeta（解读社会化商业的价值） - 0 views

www.socialbeta.com/...-technologist-should-know.html

技术 团队管理

shared by ocean wu on 06 Aug 14 - No Cached
  • “技术型营销人”有时会被泛泛地解释为“在营销领域使用各种科技的人”。然而，在这个时代，所有营销人员都要或多或少的在营销活动中使用现代科技（尤其是信息技术），如何区分技术型营销人就变得很重要了——他们在技术领域到底走得比普通的营销人远多少呢？
  • 邮件自动化&营销自动化——半自动化的“客户培养基”平台的配置及操控，请见Email Insider,MarketingAutomationSoftware.com,Propelling Brands以及Eloqua 客户关系管理——客户关系管理系统，如Salesforce，以及现代化营销的中流砥柱——全新的社会化客户关系管理方法，详见CustomerThink以及Destination CRM 内容管理系统&数字资产管理——（网络）内容管理系统和数字资产管理，组织元数据，请看CMS Wire, Digital Asset Management, Drupal以及Nimble report 付费点击广告管理&竞价管理——针对谷歌，必应和Facebook的点击付费广告管理策略及工具,请看PPC Hero,Clix Marketing,WordStream, Click Equations 以及 this post 行为定向——受众定位/市场细分以及广告网络内部的数据交换，再营销或者兴趣导向广告，请看Behavioral Insider,BlueKai及Quantcast
  • 他们应当了解这八个领域中的专业化知识，并且精通其中至少两或三个领域。 数据收集与分析——数字化营销驱动力的管理、测量和处理 营销应用——营销软件的配置、操作和整合 广告网络——整个数字化广告系统的管理和优化 社交&移动平台——Facebook, Twitter, LinkedIn等等，以及这些网站使用的工具和应用程序界面 内容营销——管理内容营销过程的整个生命周期，尤其是搜索引擎优化方面。 网络机制——对于网络和浏览器平台的完整详尽而又清晰的理解 软件设计——如何陈述、阅读、编写技术领域的通用语言 IT运营——利用云计算和IT强大的联络关系网
  • ...6 more annotations...
  • 数据挖掘与解析——数据专家是那些“能够捕获、过滤、探索数据并进行建模、总结说明等工作的人，他们是骇客，统计学家和机器学习专家的融合体”，详见“数据科学韦恩图”  网络&社会化媒体解析——对于工具——从Google Analytics（网站）到Radian6（社交媒体）——技术性和解释性的理解、掌握，详见Avinash Kaushik和Web Analytics Association A/B测试&多元化测试——数据分析和内容营销（最重要的是包含测试导向型营销）的混合体，详见Conversion Science,Which Test Won?以及ion’s post-click marketing blog
  • 据此，我们可以清楚地分辨普通的营销人和技术型营销人：
  • 移动&社交应用程序界面——超越那些长得几乎一模一样、使用同一UI的山寨应用，直接开发平台提要，实现功能和设计上的融合，请看Facebook APIs,Twitter APIs,Google APIs,Mashery还有Programmable Web 社会化媒体优化——社会化媒体优化是为了最大化内容分享数和影响力，加强分享键、徽章标志和工具条的作用，详见Open Graph protocol,OAuth,Rohit’s 16 SMO rules以及5 new rules 视频网络&传输网络——视频制作、格式转换、编码和传播的过程，内容传播网络的技术性和经济性，详见Akamai,CloudFront,Ooyala和Brightcove
  • 搜索引擎优化——搜索引擎优化的目的是使公司在谷歌/必应上的排名不断上升并尽可能排到高位，请看SEOmoz,100% Organic,Google Rich Snippets,GinzaMetrics还有Conductor HTML, XML & CSS——提高对于网络标记，浏览器功能和全新的HTML5的功能的熟悉程度，请看QuirksMode,CSS Zen Garden,XML.com和Visibone’s HTML cheatsheet HTTP, REST & Cookies——网络协议，IP和DNS，URLs和可以使用表属性状态转移（REST）的接口，SSL是如何发挥作用的，高速缓存，cookies以及第三方cookie约束，请看Fielding/Taylor paper Javascript——网络应用程序的客户端语言，Web 2.0时代的行为，Ajax，参见jQuery,Mozilla Developer Network,Visibone’s Javascript card以及regular expression cheatsheet 应用程序框架——服务器端网络软件的开发，iPhone和Android的APP，你自己的实用程序和自定义设置，参见PHP,Rails,Django,Stripes和ASP.NET MVC 敏捷开发过程——对于进行软件的敏捷开发的经验（比如Scrum的开发经验），改编后应用至敏捷营销之中。详情参见Agile Manifesto和Agile Marketing blog “云”计算——评估，安装，操纵和监控基于“云”技术的设施、平台和应用，松散耦合结构的集成，参见Amazon Web Services,Heroku和Azure
  • 隐私与安全——如何强化隐私策略，网络与云端的安全问题，请看Google Privacy Principles,Network Security Blog以及CERT 数据库与大数据——相关数据库以及SQL,NoSQL数据存储站点，第三方数据设置，大规模数据处理Factual,InfoChimps,Hadoop以及Google’s MapReduce paper
  • 你或许需要平衡技术深度和电子商务平台，事务处理，行业技术标准，产品技术整合（比如射频识别等等）之间的关系。
ocean wu

全流程营销SaaS平台。悟空数据 - 0 views

36kr.com/5065411.html

数字营销 数据挖掘

shared by ocean wu on 31 Mar 17 - No Cached
  • 悟空数据由此推出了一套全流程营销SaaS平台。悟空数据的功能包括内容制作和文档管理、一键多平台内容分发、内容集客工具、潜客营销自动化工具、全流程数据分析，并将客户内容偏好与公开数据对接，帮助企业进行潜客购买可能性预测。
  • 当企业使用悟空数据的产品时，悟空数据会提供获客，营销自动化的工具。企业可以使用二维码、表单、落地页等传播方式，对企业原有的crm，进行重新抓取，同时获取新的客户，再对这部分客户进行行为轨迹的检测，并对其打分，用户行为对应的分数可以由企业自己设置，例如：客户收到企业活动的H5，填写了个人信息，可以设置这个行为得1分，客户由H5页面链接访问到企业官网，可以设置这个行为得5分等等，最后得出一个综合得分，得分高即活跃度高，由此抓取这部分客户，进行营销自动化。其中方式除了可以定时批量地向客户发送edm邮件和短信，还可以进行跨屏追踪，悟空数据CEO宗瑞兴表示，跨屏追踪的逻辑会运用在未来的广告投放上，具体来说，客户在PC端打开企业发送过来的H5时，后台将其IP贴上gs标签，同时在企业官网上贴上一段标签识别代码，当这个客户在某一天访问到官网，甚至是点击到相关产品时，后台可以实时捕捉这一信息，识别出他是以前触达过的客户。进而进行二次触达。此外，悟空数据还会提供给企业筛选客户的工具。举个例子来说，假设某个理财产品要求客户流动资产有600万以上，悟空数据则会对客户信息进行评价，销售根据评价对客户进行筛选，去除不符合要求的客户。另外，对一些面相企业的客户，悟空数据还会跟第三方数据打通。
ocean wu

中国物流业暗藏的四大O2O商业平台 | 199IT互联网TMT数据 | 中文互联网数据研究资讯中心-199IT - 0 views

www.199it.com/...175188.html

商业模式 物流 电子商务

shared by ocean wu on 30 Nov 13 - No Cached
  • 一、公路物流领域存在巨大的O2O平台 中国有3000万卡车司机，大部分司机每天处于移动状态，据调查目前这些卡车司机的智能手机普及率已达80%。消费上，每辆卡车的司机一个月消费上万元，包括找业务、吃、住、行、车辆维护等（燃油、罚款另算），一小撮司机已经形成自己固有的小圈子，但整个卡车司机的基于移动互联的平台尚未形成。如果能够依托目前全国的公路港为基础、物流园区为载体，打造一个司机的移动互联的O2O平台，为司机提供一体化的综合服务，这将是一个不错的O2O平台。 商业价值：3000万卡车司机×1万元/月； 前提：谁手上能整合这样的司机资源，能够具备协同公路港、物流园区商业化的能力？目前仅有几家公司拥有绝佳的机会。
  • 二、快递业存在的O2O精准营销和服务平台 中国国有和民营快递+落地配一线人员将近100万人，他们渗透到每家每户，是实现线上线下O2O营销的重要资源，具备重要的大数据挖掘价值。2013年双11淘宝+天猫产生1.52亿包裹，预计2013年全年中国将超过80亿包裹，这些包裹可以看出这个平台O2O营销的商业价值。未来的营销是基于大数据挖掘的精准营销，电商能够接触到客户的就是最后一公里的物流服务的角色，在大数据驱动下快递员投递过程中顺道如果能帮助线上品牌实现精准的营销（比如就是一个二维码营销），这将是一个不错的商机。 商业价值：80亿包裹，每个包裹上获得0.5元的营销费用，这将是40亿的市场； 前提：谁能抓住和控制住这些快递，谁能控制这些包裹的源头，当然最有可能的是马云的菜鸟，这就是物流业末端潜伏的商业价值。
  • 三、最后一公里物流服务站点O2O商业平台 谈到这一点时，其实有点与第二点相关，目前新的商业模式正在兴起，他只是从物流服务衍生出来的O2O商业平台。比如京东与唐久便利点的O2O融合、北京最近兴起的地铁提货服务、最后一公里的生活半径平台、阿里巴巴推动的猫屋等平台，这都是从最后一公里物流角度衍生出来的O2O商业平台。这个平台完全可以实现商品虚拟展示、移动互联下单的购物体验。 商业价值：暂时无法估量，但趋势所向； 前提：目前比较乱，做本地化电商有整合这样平台的机会，实现以物流服务电商的功能。
  • ...1 more annotation...
  • 四、基于物流社交圈的O2O商业平台 谁能够整合中国物流最大的社交圈，谁将具备未来商业整合的基础。商业的本质是人，不管是小米手机还是罗辑思维，不管是黄太吉还是褚橙电商，本质上是挖掘粉丝的商业价值，未来细分领域的粉丝经济的存在重要商业价值。当然，物流存在着重要的商业差异，懂的人应该看得明白，前面提到的是toC的产品和服务，物流是toB的产品和服务，因此必须具备能够影响到toB的决策者才能够具备商业价值，一旦影响到toB的决策者，商业价值将远远超过toC那么大的规模。 在中国的物流圈，可能本人对这个最有认识。原因是目前手上的团队正在打造这个居于线上社交平台的物流圈子，而且基本上是微博、微信全网覆盖，具体怎么O2O法这里暂时不方便细化，但基于O2O推动的toC、toB的服务将具备重要商业价值。 商业价值：暂时无法估量，但趋势所向； 前提：必须花几年的时间积累线上SNS的资源，然后逐一商业化。
ocean wu

网易定位：大小数据融合洞察 助力企业领跑"体验经济时代" - 0 views

baijiahao.baidu.com/s

商业模式 用户体验 数据挖掘

shared by ocean wu on 04 Jun 20 - No Cached
  • 通过“调研”的方式去了解客户，改善客户体验，采用的调研方式主要有两种：一种是在马路上向行人发放回收问卷，一种是借助在线调研软件进行。
  • “小数据主要就是通过用户调研的方式去了解用户脑子里心里想的事情，捕捉他们的感受、需求、期待。这里面有非常关键的一点，就是调研触达的用户精准性，如果某个品牌想要了解用户的品牌满意度，但是这些填写问卷的用户都没用过这个品牌的东西，那结果还有参考意义吗？”
  • “洞察真实态度 成就美好体验 驱动商业增长”
  • ...6 more annotations...
  • 凭借数据能力，网易定位可以通过这些大数据描绘出一个用户方方面面的特征，除了常规的年龄、性别、地域外，还包括消费体验、内容体验、生活行为、社交行为等各个维度的足迹，这个真实、庞大的数据池
  • 市场调研并不是大众认知里“随便找个人填个问卷”那么简单的事情，它对数据的量级、维度、真实性，样本的设计、分析等等，都有着非常高的要求。如果拿着错误的调研结果去做错误的决策和执行，对企业的伤害是非常巨大的。
  • 赋能用户洞察是阶段性目标，帮助企业解决问题，驱动企业经营增长，才是最终的方向。
  • “我们通过在线精准调研+专业的定量定性研究分析+数据科技的组合拳，收集来自客户、员工、合作伙伴各个维度的信息、态度、见解，评估分析企业的行为，提供原因和趋势的洞察，并识别出其中的业务关联度”
  • 体验管理主要分为“品牌体验管理、产品体验管理、用户体验管理、营销体验管理”四大应用场景，打造调研-反馈-分析-行动的闭环
  • 网易与深耕中国市场25年的专业研究机构——央视市场研究（CTR）正式宣布达成战略合作，联合成立“互联网创新研究中心”，作为“中心”首个联合发布成果，网易定位与CTR MUI移动用户指数事业部强强携手，共同推出了EZ-Tracking用户洞察及数字营销平台。
ocean wu

针对社交媒体（微博微信）的广告创意监测意义 - 0 views

www.zhihu.com/54138424

数字营销 数据挖掘

shared by ocean wu on 30 Mar 17 - No Cached
  • 一、电池之战：2015年，南孚和小米都准备推出一款“针对年轻人使用的电池”（其实就是换了彩色的包装）：<img src="https://pic4.zhimg.com/v2-1f60f6baca6d81538b00141c2ab3869b_b.jpg" data-rawwidth="580" data-rawheight="390" class="origin_image zh-lightbox-thumb" width="580" data-original="https://pic4.zhimg.com/v2-1f60f6baca6d81538b00141c2ab3869b_r.jpg">上图为南孚电池，下图为小米彩虹电池<img src="https://pic3.zhimg.com/v2-a8c3ebd3730e50d45b45d2c4ded444ba_b.jpg" data-rawwidth="500" data-rawheight="380" class="origin_image zh-lightbox-thumb" width="500" data-original="https://pic3.zhimg.com/v2-a8c3ebd3730e50d45b45d2c4ded444ba_r.jpg">当时南孚的策略是：抢先于小米推出自己的新产品，从而快速占领年轻人市场。 但对南孚来说，这并不是一个好策略（其市场表现也说明了问题）。 首先，“年轻人专属”，“话题性”，“时尚”和“潮流”等并不存在于南孚的品牌基因里，这不是它的优势战场（篇限，不深入讨论）；其次，所谓的“抢先”，其实是吃力不讨好的事。南孚并不是优秀的话题生产者，但小米是；小米并不是更好的电池生产者，但南孚是。如果我是南孚，我会选择后发制人：让小米在各大渠道上为我铺路，然后坐享其成。由于主打“年轻人”，所以在广告的投放上，社交媒体肯定是少不了的，比如微信和微博（小米本身也主打这类渠道）。南孚完全可以通过【数据监测】手段找出小米在哪儿投放了广告，然后迅速跟进，打出“新南孚，不仅仅是漂亮”之类的口号。<img src="https://pic3.zhimg.com/v2-ad77cbb2349861160474c819f4f80d4a_b.jpg" data-rawwidth="1141" data-rawheight="695" class="origin_image zh-lightbox-thumb" width="1141" data-original="https://pic3.zhimg.com/v2-ad77cbb2349861160474c819f4f80d4a_r.jpg">上图为fooads对小米电池的实时监测数据，南孚可以很容易发现小米电池在哪些公号、微博和知乎大号上进行了投放并引起了较大反响（如评论和点赞等），然后迅速跟进（投放广告或参与互动）。这样一来，南孚就可以借小米的嘴巴告诉消费者：“大家快来看啊！现在有一种年轻人专用的电池啦！”再利用自身已有的“性能优势”对小米进行反攻：“咱们的电池可不仅仅是漂亮哦~”从而抢走市场。 因为在电池领域，产品性能的可感知度（比如持久和强劲）比较高，人们也挺在意电池的性能，于是性能就是关键因素之一。这也是南孚的优势战场，其“一节更比六节强”的口号和“聚能环”概念早已深入人心。所以，“后发制人”的策略在表面上看，是南孚模仿了小米的包装，实际上是对小米电池的性能发起了挑战。相比之下，南孚实际采用的“先发制人”的策略实施起来太费劲，容易产生自嗨，而它那具有话题性和传播性的广告文案，更多的也只能是孤芳自赏了...<img src="https://pic1.zhimg.com/v2-1e36f8330e890270b5f0adf27a58497c_b.jpg" data-rawwidth="531" data-rawheight="373" class="origin_image zh-lightbox-thumb" width="531" data-original="https://pic1.zhimg.com/v2-1e36f8330e890270b5f0adf27a58497c_r.jpg">二、避孕套之战如果要问当今谁是避孕套市场领导者，那当然要数杜蕾斯了。而一谈到避孕套，或者杜蕾斯，人们最先想到的应该是“超薄”，“颗粒”，“螺纹”，“凸点”，“情趣”，“水果味”之类的，具有“暴力情趣感”的概念。而前几天，我看到一种非常特别的避孕套，与“情趣型”避孕套相比，它更强调的是“呵护”这个概念。它的介绍是这样写的：这是一种女性避孕套，呵护款，芦荟精华润滑剂，双倍润滑，呵护私密健康！<img src="https://pic2.zhimg.com/v2-f82d764640a320061a8c8b55db3b0371_b.jpg" data-rawwidth="893" data-rawheight="467" class="origin_image zh-lightbox-thumb" width="893" data-original="https://pic2.zhimg.com/v2-f82d764640a320061a8c8b55db3b0371_r.jpg">只不过，它只是一个小品牌，相信绝大部分人都没看到过...<img src="https://pic2.zhimg.com/v2-1073e218b3506d7ebde8ffad3f03fc2d_b.jpg" data-rawwidth="3024" data-rawheight="3024" class="origin_image zh-lightbox-thumb" width="3024" data-original="https://pic2.zhimg.com/v2-1073e218b3506d7ebde8ffad3f03fc2d_r.jpg">对于初创的小品牌来说，如果全靠自己来推广往往费时费力，并且效果不一定好。如果我是这个品牌的品牌经理，我会像上述的南孚策略一样，紧跟杜蕾斯的脚步，只要看到杜蕾斯在哪个公号和微博号引起较大反响，马上扑过去，并打出类似“爱她，就要懂得呵护她”或者“爱她，就要懂得呵护它”的策略性口号。<img src="https://pic3.zhimg.com/v2-baf25a5f35e0ae79988f2dedc699aeea_b.jpg" data-rawwidth="1135" data-rawheight="676" class="origin_image zh-lightbox-thumb" width="1135" data-original="https://pic3.zhimg.com/v2-baf25a5f35e0ae79988f2dedc699aeea_r.jpg">上图是fooads对杜蕾斯的监测数据。这样一来，这个小品牌（花招）就可以借杜蕾斯强大的营销攻势，先吸引人们的注意力，然后再针对杜蕾斯强调自己的差异化概念——呵护。所以，如果你在推广方面存在劣势（比如品牌本身不太被人们关注），但产品的性能又明显优于（或异于）竞争对手，你可以尝试先让竞争对手帮你把路铺好，然后，利用数据监测手段，紧随其脚步，从它手里抢走属于你自己的蛋糕。当然，除了上述作用，数据监测还可用于公关（比如马蓉发现自己的声量突然变高了，就知道出事了...），用户分析（性别、区域分布等等...），投放渠道的选择（通过关键字筛选），“长尾智慧”的挖掘（比如之前宝洁的“开放式创新”计划）等很多方面，篇限，就酱。
ocean wu

原创干货：还原一个不为人知的网盟渠道：inmobi - 姑婆那些事儿官网 - 0 views

www.gupowang.com/211

数据挖掘 网络广告

shared by ocean wu on 06 Jun 17 - No Cached
  • 在投放过程中起决定性作用的是两个要素：一是有没有展现给目标受众；二是有没有在合适的场景下展现。这两个要素会集中体现在投放媒体的选择上：如果投放在新闻App上，商务人士会比较集中，推广像名片王、财秘书等产品就会很精准；在场景方面，当紧张地玩游戏的时候，即使精准的用户也可能来不及下载。
  • 从所有的上游媒体中，找到“目标受众聚集”和“下载场景适合”都符合的流量资源。用比喻来说，如果你是珠宝商，你需要找到在什么海域、什么深度、什么光照条件下，能够找到最大量的珍珠 。然后就可以投入与这些海域的产量相应的成本去采集。
  • 如果你说：我不太清楚我的目标受众会聚集在哪些App上，我也不知道在这些App的场景下网民到底会不会下载，怎么办？请牢记：实践是检验的唯一标准。敢于下水测试，用结果告诉你真理。其实，真不鼓励主观臆测，因为据InMobi的人说，很多重度游戏是在爸爸陪孩子使用识字的App的时候，偷偷点击下载的……
  • ...8 more annotations...
  • 为了快速找到转化最好的流量，一定要与InMobi的商务甚至是优化师进行充分的沟通，把你的目标受众的特征充分地描述给他们。让他们在一开始先筛选一下投放的媒体，以增加成功的机会。整个测试的周期大概需要3-5天。
  • InMobi有一个不错的系统－CBP（Conversion Based Pricing，基于转化的出价），能够在100-200个点击之内，完成比较靠谱的机器学习，产生对某个媒体的CVR（转化率）的预估。这个“机器学习”和“预估”有什么用呢？其实就是系统在学习去判断你的产品在这个媒体上到底转化好不好（以及有没有可能变得更好），来决定还要不要让你的广告继续展现在这个媒体上展现（以及以多大的频次或概率来展现），以及要为你出多少价格去和别的产品竞争。转化好的，系统会知道你适合这个媒体，就会继续给你现多的展现转会，也会帮你提高一定比例的出价；转化差的，可能直接不让你展现了。
  • 人工优化的4个维度•媒体（解决目标用户和转化场景的问题，对效果有70%以上的影响力）•时段（晚上的转化通常优于白天）•运营商（包超过100M的您就多投点wifi吧……）•创意素材（需要有特色、结合当下流行的点或节日、通过数据说话）
  • 每一个产品的推广，可能会投放在几千个媒体上，都可以划分到这四个类型中。优化思路非常简单：•第一步排差：排除那些“差媒体”的投放 •第二步定优：把明星媒体放进同一个广告组，加大预算、提高出价，把这个组养大•第三步或第四步就是优化潜力媒体和风险媒体，通过调整预算、调整出价、优化素材等方式，尽量将他们转化成明星媒体。
  • 优化前后媒体的分布会有明显的改善。下图是一个实际的案例。客户推广的目标是5元获得一个App下载，纵轴是当日下载量，横轴是下载成本。上线第一天还有下载成本是接近15元的媒体，最好的广告组日下载量也才100个左右；上线第5天时，多数媒体都集中在“明星”象限了；最好的一个广告组可以提供日700下载量，成本才是目标成本的一半。
  • 说到CPC渠道最宝贵的价值点了。如果我们可以根据下载进行目标受众的精准定位，何不直接使用更进一步的用户质量进行优化呢？相当于我们不仅要采珍珠，还要采价值100万以上的深紫色的超大珍珠。所有App都可以以活跃、次日留存等为指标，电商可以看购买率，游戏可以看注册率。由于InMobi可以定向目标用户，无非就是定向得再精准一点嘛，这是积分墙、CPA渠道都没办法实现的。
  • 一般3-7天的时间绝对不能省，成本通常需要2万左右。但是，如果你能有耐心、舍得花血本去试，后面的甜头就能尝到了。
  • 第二大问题就是InMobi的大数据系统优化需要数据反馈才能完成机器学习，即需要把转化的结果告诉他们，所以app的推广需要集成SDK或者回传转化数据。如果对数据保密要求高的小伙伴，可能要考虑了。当然也可以线下手工发送数据，但这样就要看你是不是人家的大客户，人家愿不愿意用人工来为你优化了。
ocean wu

S2b是最有可能领先的商业模式 - 0 views

news.paidai.com/18394

商业模式 零售

shared by ocean wu on 02 Aug 17 - No Cached
  • 物联网革命，它最终的目标是让任何人、物、事、时间、地点都能够被连接起来，而且是实时互动的。这是一个真正的万物互联的时代，将来所有的东西都是在线的状态，我们会从一个离线的物理世界进入到一个在线的比特世界。
  • 工业时代解决了供给稀缺的问题，核心要用标准化、流水线、大规模生产的方式来降低成本，它牺牲了个性化，但是用这样一种新的 B2C 的模式，从大流通、大广告，这样一套完整的体系带来了我们过去一百年了繁荣。
  • 中国经济已经进入严重的产能过剩、竞争过度的阶段，核心的原因是常规的商品供给太多，但是消费者的需求挖掘不出来。所以未来商业的核心是挖掘消费者的需求，而不是提供一个标准化的制造产品。
  • ...6 more annotations...
  • 以足够低的成本和海量的客户建立直接的关系，保持一个近乎实时互动的状态，微博、淘宝、微信，都让大家不但可以完成点对点的沟通，还可以完成多对多等各种方式的沟通和协调。所以在这个意义上，我们看到以消费者，以客户为起点重构整个商业逻辑变为可能。而这个商业逻辑的核心就是通过互动，持续地挖掘潜在的需求，让这个需求越来越明确，而且这个需求本身也是一个动态演变的过程，这才是未来商业的基础。
  • 个性化的起点其实是先建立跟客户的持续互动，这个是一切的开始。有这样的开始，个性化服务才有可能。
  • 智能商业是未来商业最重要的竞争的标准，而智能商业的前提是形成活数据的闭环。而活数据的闭环起点就是跟客户持续的反馈
    • ocean wu
      ocean wu on 02 Aug 17
       
      也可以说智能是建立在一个持续优化、强大的算法引擎和活数据的闭环之上。
  • S2bS 是一个大的供应（链）的平台，大幅度提升供应端效率。未来五年会先形成一个平台。b是指的一个大平台对应万级、十万级甚至更高万级的小 b ，让他们完成针对客户的服务。原因是在目前这样的环境下完成对客户时时互动的低成本的互动。它们之间是一个赋能的关系，不是一个传统的加盟店，传统的加盟店又是工业时代的逻辑，核心是标准化流程，核心是严格的质量管控。这个跟我们讲的是完全不一样的理念。我们讲的这些小 b 是生长在供应平台上的物种，这个平台要保证质量，要保证流程的高效，但是最重要的让小 b 自主地去发挥他们最能触达客户的能力。
  • 做 S 的大平台它不承诺小 b 会给你提供流量，会保证你的生存，但是我给你提供后台的支持。小 b 要自己去找流量，甚至对于 S 平台起步来说，要找到自带流量的小 b 。实际上任何小b在不同的网络平台上都有自己的小网络，都有自己的小圈子，他们可以利用自己的互联网的工具至少影响一批人，怎么样让这些小 b 充分的利用它自带的流量，充分发挥的他们自主的能力，形成一种新的驱动力，这个是未来非常有趣的一件事。
  • 赋能小 b 的核心除了在综合台的云形成强大的能力之外，可能也要帮助小 b 在实时互动客户方面提供一些场景化的支持，来降低他们的成本，最有可能的是某种智能硬件。
ocean wu

个众价值：数字营销的精细与整合_营销策略_新浪财经_新浪网 - 1 views

finance.sina.com.cn/...16308414888.shtml

社会化网络 商业模式 广告

shared by ocean wu on 10 Nov 10 - No Cached
  • 一方面，网民的分散化以及互联网的碎片化使整体网络的用户覆盖和页面浏览量被众多媒体瓜分和稀释，导致网络资源被极大地控制和浪费，媒体价值不能得到深入挖掘和变现；另一方面，广告主面对浩瀚的互联网无所适从，仍然被精确到达和ROI提升所困扰，网络广告需求得不到更高层次的满足，但互联网广告预算却在增加。
  • 利用技术手段和平台整合，面向“个众”进行精细与整合成为网络广告发展的新趋势。越来越多的广告主倾向于通过整合的方式抓取细分的目标人群，投放更加精准而有针对性的网络广告。传统意义上仅仅围绕媒体属性打广告的形式已经显得力不从心，围绕“个众”属性展开的整合式网络广告正在兴起。
  • 在数字媒体面临激烈竞争的环境下，例如易传媒这样的企业通过进一步整合和挖掘数字媒体的潜力，围绕“个众”属性，开拓全新的网络广告营销价值。他们不仅在强大的技术支撑下拥有自己的定向型广告网络，还搭建起一个广告主、代理公司、网站、消费者多方共赢的数字媒体整合平台。
  • ...9 more annotations...
  • 在个众时代，营销不再围绕媒体属性展开，而是遵照以人为本的原则，围绕消费者的行为属性展开。
  • 展趋势明显。尤其是电脑和互联网的出现和发展，使得传统的电视、报纸媒体向专业化、细分化发展。同时，人们的需求越来越个性化。此时，分众媒介成为主流，他们针对更小的群体，提供不同 　　的资讯和服务。
  • 随着Web2.0甚至Web3.0的兴起，受众主导和生产内容已经成为不可抗拒的趋势。中国人民大学新闻学院副院长喻国明认为：“数字化传媒是新媒体的显著特征。这个特征改变了以往大众传播的特点，更加适应受众需求的多样化和受众市场的细分化。以往媒体单向传播的特点，变成了具有双向互动的功能，信息接受的主动权越来越向受众方面转移。”这也意味着，数字技术的发展促成了传播更加细化，逐渐向更为少数的“个众”靠拢，实现一对一的传播。
  • 技术的发展使得各种各样的互动广告、富媒体广告成为可能。AR扩增实境互动技术对各位营销人来讲可能已经不算陌生
  • 对营销产生重要影响的另一类技术就是定向，包括行为定向、内容定向、地域定向、回头客定向、Cookie追踪、搜索引擎等技术，他们的运用使得企业能够在碎片化的网络环境中找到目标受众，并根据他们的喜好投放不同的广告(这就是后来的定向型广告网络)
  • 行为广告比文字广告拥有更高的转化率，因为它们成功地为用户带来了惊喜，能出乎意料地在网络平台播放他们感兴趣的信息。两个兴趣不同的用户访问同一网站，行为定向可以为他们显示截然不同的广告。这就是个众传播时代的典型现象。
  • 个众时代，广告主面临两难问题。一方面随着网民的碎片化以及互联网的碎片化发展趋势，得整体网络的用户覆盖和页面浏览量被众多媒体瓜分和稀释，导致网络资源被极大地控制和浪费，许多媒体价值不能得到深入挖掘和变现。
  • 定向型广告网络——依据用户行为，挖掘掌握在线人群的分类、兴趣，进而直接将广告主的广告分发到这些特定人群，并且进行效果监控和广告管理。定向型广告网络操作的是人的兴趣，只要能把握个众，就能够产生价值。
  • 在易传媒的技术平台上，内容定向保障了用户的隐私。数据库上亿用户按地域、时间、行为、爱好等分成几十类，如喜欢汽车、时尚，常出差等，但是它们不会知道用户的身份。
ocean wu

用户数据分析模型_Yum.cn Design Studio - 0 views

hi.baidu.com/...98ac40b5cfd8b0cd36d3caa9.html

数据挖掘 用户差异化 用户行为

shared by ocean wu on 25 Dec 07 - Cached
  • 一、抽样分析模型 建模方法 首先确定统计的时间段，暂定为15天；从数据库中随机抽取若干名用户作为分析样本建立分析模型，模型图中假定抽样人数为100人，15天内最高使用量为200最少为15，在横坐标轴依次画出每人的使用量立柱图； 然后向右侧画出最高点和最低点的水平引线；然后垂直划线连接水平线，得到上下交点之间的线段，分别在线段的中点和三分点处水平画出“中分线”“上分线”“下分线”； 分析方法 根据立柱图的分布比率确定哪条线为“多”“少”的分割线； 1、高柱和低柱比较均衡，则以中分线为分割线； 2、普遍偏高，少量低柱，则以上分线为分割线； 3、普遍偏低，少量高柱，则以下分线为分割线； 优点：统计建模方便快捷； 缺点：不能获得准确的宏观数据，仅获得近似的参考数据。
  • 二、数量区间对比分析模型 建模方法 假定统计时间段为15天，抽取10000人，分别统计他们的使用量，假定最多使用量为200，最少使用量为0； 模型的横坐标为使用量，纵坐标为发送人数； 在横坐标上，以10条为量级，从少到多依次画出不同数量区间的发送人数立柱图，连接主图顶部重点，得到人数波动曲线。 分析方法 1、波动曲线的顶点和与顶点最近的最低点，即为使用量“多”和“少”的分水岭，连接两点，取中点画垂直线，即得到二分法的临界线，左侧为非活跃用户，右侧为活跃用户。如图示 2、根据柱状图在不同量级的分布状况，也可以采用多分法细分用户类型，如图示
  • 三、对比分析模型曲线类型分析 利用“数量区间对比模型”分析，不仅能得到分类用户量级标准、人数、和使用量数据，通过分析使用量曲线类型，可以得到产品和运营的宏观印象。以下对四种典型的曲线类型进行分析。 常见状态（产品研发和市场发展的初期） l         有基本稳定的用户群 l         缺少优质用户，拔高乏力 l         缺少高粘度产品（功能） l        基本功能还行，除了基本功能，别的不爱用 维持状态（市场发展中后期） l         通过若干时间的经营，产品有一定影响，同时拥有少量fans l         对初级用户的引导不够，致使中间用户空虚 l         产品本身或有某种缺陷，不为多数人接受，只有少数人突破瓶颈，习惯产品才成长成高级用户 理想状态（初、中、后期） l         市场发展势头良好，用户上手快，越用越熟练，越用越喜欢 l         证明产品功能，用户教育俱佳 l        需加大对潜在用户的宣传力度，扩大用户数 3
ocean wu

做电商不为销量,无印良品三招还原最真实的O2O - 0 views

yn.winshang.com/news-394686.html

社交策略 商业模式 客户关系管理 客户端

shared by ocean wu on 12 Oct 14 - No Cached
  • 无印良品定义网络店铺的作用有三个：最重要的是向实体店铺引流，让消费者到实体店铺消费；第二位是和顾客进行交流；最后才是网络店铺的销量。
  • 虽然目前无印良品网络店铺注册会员超过430万人，但其中约有6成的网络店铺注册用户并不在线上交易。
  • 为了能将线上店铺的流量导向实体店铺，无印良品将线上线下充分融合。
  • ...14 more annotations...
  • 首先，在无印良品的网络店铺查看商品时，可以在相对显著的位置看到查看该商品在库情况的链接，点开后可以看见各个街道的实体店铺一览表，以及虽然赢商网不是实时但是相对准确的库存情况(每隔一小时进行数据更新)，点击店铺链接可以进一步看见该线下店铺的位置、营业时间、电话等信息，想获得商品实时在库情况，可与该店铺直接电话联系，为消费者去线下店铺购买提供方便。
  • 增加了优惠券使用率的同时为线下店铺导入更多流量。
  • 网络店铺发放的优惠券可以在线下店铺使用。
  • 同时如果线上成交的顾客不想把商品寄到自己的地址，也可以到线下实体店铺取货，并且到店自取的方式可以免付运费。
  • 开发向线下实体店铺引流导购的手机APP。
  • “MUJI passport”整合了来自网络店铺、线下实体店铺等销售渠道积分，赢商网同时提供到店签到积分、商品评论积分、附近店铺查询、店铺库存检索等功能，而且，可以和facebook、Twitter的ID连通，减少了会员注册的麻烦。
  • 可以很直观的通过地图看到附近的店铺里面是否有库存。 　　这是“MUJI passport”APP上最有特色的功能，从线上到线下导流提供了极大的便利，是打通线上和线上重要桥梁。
  • “MUJI passport”提供了商品导购的功能，不仅可以看到无印良品精选推送的商品，同时消费者也可以根据商品名称和商品编码进行搜索
  • 当消费者来到线下实体店铺消费时，在收银处扫描APP上的条形码可以获得到店签到积分和相应的消费奖励积分
  • 相通的奖励制度，在一定程度上，打通了线上线下融合的发展路径。
  • 在网络店铺发表一个商品评论可以获得10个，会员生日当月购物可以获得双倍的“MUJI mairu”，这种积分积累到一定程度可以获得相应等级和可以在无印良品直接抵现购物的“MUJI购物积分”奖励。
  • 在线下实体店和网上店铺购物消费1日元可以获得1个，在线下店铺签到1次可以获得10个
  • 在网络店铺发放的优惠券可以在线下店铺使用，且因为每个ID获得的优惠券上的条形码都是独一无二。 　　所以，通过数据可以知道，有多少人多少次到哪赢商网个店铺使用了消费券，哪个人喜欢到哪个店铺消费，哪个顾客在什么时候买了什么东西，以及他们过着怎样的生活。
  • 把和每个顾客建立良好关系作为O2O的核心。
  • ocean wu on 12 Oct 14
     
    相通的奖励制度、优惠凭证、数据挖掘分析，还有线下承接完善的服务，以及贯通的社交公关完善消费者售前和售后的需求，从而建立友好的关系，这些将线上线下充分融合打造O2O真实环境
ocean wu

客户世界-客户接触与互动的市场趋势和行业变革 - 0 views

www.ccmw.net/...detail.php

客户服务

shared by ocean wu on 07 Aug 14 - No Cached
  • 传统上，客户接触中心很少意识到扩展自己工作范围的可能性，这往往意味着技术只局限于处理基本的呼入和呼出服务，而非重要的战略工具。为了将客户接触中心的角色转变成战略事业部，主管需要考虑改变接触中心团队的作用，从事务性的本质转变为顾问和合作伙伴，实现创收及维持客户忠诚度。
  • 有一个引擎处理大部分的客户服务交易，有一个客户体验专家小组协助直线管理者提供诸如客户声音分析、营销计划、销售转化率和忠诚度计划等支持。通过使用数据、分析工具及软件，客户中心主管可以了解生产力和客户预期需求之间的缺口，同类最佳接触中心技术应该支持业务创造价值，实现卓越的团队工作和成果。
  • “自助服务”也会变得日益普遍，以至于这个概念将会消失，因为所有的普通客户服务交易都将通过客户中心来完成。技术供应商正在创造智能技术让自助服务变得更加简单。这将为客户中心专业人员节约相当大一部分时间，让他们能够专注于帮助他们的客户购买。
  • ...10 more annotations...
  • 微信的出现已经开始影响人们的生活，这种最类人化的交互工具催生了以微信为核心的新的多媒体服务体系，同时组织架构也必然随之调整，语音业务正逐步成为呼叫中心的传统业务
  • 移动互联网的出现使销售和服务的界限变得更加模糊不清，服务中，销售和服务水乳交融。呼叫中心在整个销售和服务链条中和客户距离最近，也最能把握客户的需求，因此传统的服务由中后台逐步走到前台，并开始扮演和销售同样重要的角色，这是一个最重要的变化。
  • 在客户群逐步适应移动互联网化的过程中，企业呼叫中心还需要围绕三个原则来改善自身的管理能力和服务能力，第一是提高效率，大量新技术的应用必然带来呼叫中心人力的减少，甚至传统语音业务也可能面临萎缩，同时对呼叫中心的服务能力和人员素质提出了更高的要求，因此呼叫中心在新的形势下转型、调整、减人就会逐步变成必然。第二是降低成本，大量服务开始以手机为核心进行流程设计，人们的观念也逐步改变，对纸质凭证的依赖变得越来越小，未来也许企业会为客户建立一个保管箱，客户可以在指定的网络地址查询自己所有的凭证甚至是合同；第三是控制风险，传统的业务风险控制主要是通过各种各样的流程来实现，今天在移动互联网上的服务或者交易使流程变得至简，这样客户体验才会达到极致，那么流程的风险控制作用就会被降低。
  • 如何来控制风险呢？答案就是：客户行为大数据分析。我们必须通过客户的行为来判断或推断客户的风险等级，因此非结构化数据的作用变得极其重要，其本质就是对客户行为的综合分析和挖掘，和结构化的数据相互佐证，对风险起到预警、控制的作用。
  • 客户中心实时把握好每一个客户接触的机会，同时要进行多渠道平台的共享和连接。
  • 客服中心新的服务渠道（微博、微信、即时通讯工具等）的服务指标如何设定和衡量，单次接触处理时长、客户满意度等标准如何设定，这些与以往衡量标准相比有所变化的，才是呼叫中心行业标准重新考量和研究的范畴。
  • 大多数呼叫中心的挑战是，能否跟上这一社会化革命的步伐，以及演化他们的组织和技术架构去适应新的变化。
  • Sentiment Metrics 提出了 “社会客户服务十步法”路线 ，帮助企业发展社会客户服务和建立社会接触中心。这十步可简要叙述为：
  • 1. 选择通道行动前先摸清客户在谈论些什么？主要在哪些通道上？您是否有处理这些的能力和资源？确保有的放矢；2. 选择合适工具选择合适工具，帮助建立社会媒体的监控和倾听程序，推动客户参与和实施社会客户关系管理；3. 建立倾听程序仔细考虑和规划应倾听哪方面与您品牌或产品有关的话语或键词，包括想挖掘的可能问题；4. 授权和强化您的服务人员应放手让社会客户服务团队能迅速作出自己决策和响应，让他们感觉得到支持；5. 连结多通道应能灵活运行不同通道，虽然社会客户服务起始于公众场合，但问题解决可不必如此，常可离线解决，尤其是对一些严重或敏感的问题；6. 优先级确定对发现的问题重要性和影响排出优先级，考虑是否应马上响应；7. 自动化能自动和智能地将问题处理直接指向相关团队成员，一些重要问题能直接送到高层；8. 满足客户预期建立有效的倾听程序，让客户的需求能得到实时的响应和解决；9. 礼仪考虑听到问题，先不急于马上与客户在社会媒体上对话，要在确定客户需要帮助时再进入；10. 获取客户见解通过社会媒体收集客户信息是非常有用的，并将它们归类和筛选，有许多信息常常在日常对话中难以得到，对商务有很大参考价值。
  • 今天的客户服务和关系管理必须考虑新的通道，关注社会媒体的价值。对社会客户服务，我们也需要建立新的质量管理体系，包括引进新的相关的KPI指标
ocean wu

营销公司挖掘用户社交媒体自拍照 - 0 views

www.chinanews.com/...6665973.shtml

数据挖掘 营销

shared by ocean wu on 12 Oct 14 - No Cached
  • 数字营销公司正在搜索、扫描、存储并另行使用这些照片，为大品牌广告主提供参考。
  • 识别品牌标识、照片中的人是否在微笑以及场景。这种数据让商家得以发送针对性的广告或进行市场研究。
  • 这是一个可能适于进行商业开发和掠夺性营销的领域
  • ...2 more annotations...
  • 隐私保护组织指出，这些网站并未明确告知用户他们的照片可能出于营销目的而被批量浏览或下载。隐私保护专家称，许多用户可能并不想向大家推荐照片中的东西，比如自己穿的牛仔裤或身边桌上的啤酒瓶。
  • 在推特(Twitter)及其他社交媒体的发帖中搜寻能够显示品牌潮流或人气的关键词。而图像挖掘市场更加新颍，而且可能更具侵略性，因为照片会激发人们的更多情感，而且与文字相比，有时候更会被以不同方式解读。
ocean wu

大数据时代：数字内容价值再发现 - 0 views

www.199it.com/...173211.html

数据挖掘 周期价值 用户行为

shared by ocean wu on 02 Dec 13 - No Cached
  • 很多电视新闻节目、传统报刊为了增加受众黏度而大量减少硬新闻的比例，将名人趣事、日常生活百态、与百姓生活密切相关的信息内容、带刺激性的犯罪新闻和暴力新闻、灾害事件、体育新闻、文化新闻、娱乐新闻等软性内容作为新闻的重点。
  • 基于内容所产生的用户行为、用户数据、用户特征等转化为数据资产（用户群体、性别、年龄、教育程度、收入区间、生活范围、阅读偏好、品牌关注度、情绪等）
  • 数字内容不仅仅是媒介信息的数字化，一张图片、一篇文章、一首歌、一部电影都可能是人们情绪、情感、思想的表达
  • ...1 more annotation...
  • 还有人们的社交关系链、情绪化数据
1 - 20 of 45 Next › Last »
Showing 20▼ items per page