掘金电商大数据：可视化你的切片

大数据应用时有三个基本的维度，第一数据的采集与存储，第二数据的组织与管理，第三数据的分析与呈现。

从搜索引擎、社交网络到智能移动，全球互联网上的信息总量正以每年30%-50%的增速不断爆涨，每天淘宝上数十亿条店铺、商品浏览纪录及上亿的成交、收藏纪录及3000多万条传感器咨询等等。市场研究机构IDC的研究结果显示，2011年全球所产生的数据总量就已达1.8ZB，如果把这些数据刻录到CD碟片中，这些碟片可环绕地球30圈。 预计到2020年，这一数字将会呈现13倍的增长。

但光拥有数据是什么问题都解决不了的，必须要有一种对数据应用的视角才能创造出对数据的使用。对于一些数据挖掘的新手来说，拿到数据越多，他就死得越惨。因为他没有在行业里待过几年，不知道该从什么角度去挖掘。

在传统零售业有一个著名的例子，超市可以根据消费者的消费习惯分析出一个结论，啤酒应该和尿布摆在一起。没有进行正确的归类，看到的数据将涉及到啤酒和尿布的各种品牌。问题随之而来，是就啤酒和尿布这两个品类进行分析，还是根据百威和帮宝适抑或是其他品牌进行分析呢？没有经验的分析师恐怕就要晕头转向了。

做大数据需要拥有良好视角，第一件事就是建立你的切片维度，如：浏览行为、交易行为、支付行为、沟通行为、社交行为、反馈行为以及必要的各类技术指标，一个应用系统往往可能在多个尺度同时反应数据。

我们在做大数据应用时有三个基本的维度，第一数据的采集与存储，第二数据的组织与管理，第三数据的分析与呈现。

值得注意的是，数据的供应方和使用方关注的焦点往往不一致，企业会表现出不同的数据需求，比如为了提高硬件使用率，需要分析日志数据；为了提高人员系统效率，需要分析工作流数据；为了提升客户满意度，需要cDR数据；为了让产品达到更好的市场表现，需要消费者数据……

例如：在电子商务行业中，有一项很不起眼，但是业内人士非常关注的数据，就是配送地址。物流系统需要识别一项因素：包裹的配送地址到哪一个配送站是最近的。原先，这个地址恰好是在一个合适的配送站A覆盖范围之内，但城市道路交通的一些变化，实际从送货的效率来讲，反而是B配送站更方便到达。当系统能够把包裹地址跟配送站运转之间进行匹配时，数据挖掘的价值是巨大的。

业内普遍认为，如果可以实现，整个物流体系的效率是现在的4倍。

也就是说物流配送本来能更便宜，单个运输车多走了10分钟可能没什么，但是如果有5%的车都多走了10分钟，经济消耗就是巨大的。这就需要非常庞大的数据库，能够把包裹目标地很好地网络化。

现在众多电子商务平台、点评网站及社交网络等消费者集中地，纷纷开放数据接口，全网数据分析及应用也成为可能。目前，电子商务企业客户已越来越倾向于精细化运营，通过数据指导行动。

前段时间，我们去安徽芜湖做“和电商导师一起午餐”，“三只松鼠”章燎原分析电商成功之道时提到了数据分析的重要性。如果是“三只松鼠”老客户，发货时就可以不用一种“封袋夹”，因为，客户那边已经积累了太多封袋夹了，改送其他的礼品，这样顾客每次购买“三只松鼠”产品所收到的包裹都会不一样。

“三只松鼠”采用了精细化的数据分析，把握客户心理，仅用半年时间，就让自己的单月业绩从0到2000万元，在2012年天猫“双十一”单日便完成了800万元的销售业绩，成为天猫坚果类目第一。数据的应用给企业带来的好处显而易见，如果是在一个可视化的数字环境中做出决策和判断呢？正确的概率应该会提升很多。