大数据应用对物流企业竞争力的影响研究

魏继华

内容摘要：近年来，大数据的应用问题引起了理论界和实务界的高度关注。物流业是一个产生海量数据的行业，大数据在物流企业的广泛应用，对于企业动态适应多变的市场环境、满足日趋个性化的顾客需求、应对激烈的市场竞争都具有重要意义，也将对物流企业战略决策、运营管理、市场营销、品牌管理、客户关系管理、服务创新等方面产生深刻影响。对整个行业来说，也有助于物流资源优化配置、物流产业的升级转型。本文在分析物流行业大数据特点及其在物流行业的应用特性的基础上，研究了大数据应用技术对物流企业竞争力的影响，探讨了物流企业利用大数据相关技术提升物流企业竞争力的基本思路。

关键词：大数据 物流企业 竞争力 提升

引言

当业界还在探讨物联网和云计算等前沿概念的时候，一些国际IT巨头已经聚焦于物联网和云计算产业背后的大数据，并努力挖掘其背后的潜在价值（闫成印，2012；刘禹，2013）。物流行业是个产生海量数据的行业，大数据应用技术将推动“智慧物流”更迅猛、更高层次地发展（姚尧，2013）。能否抓住“大数据”所带来的机遇，将成为物流企业提升核心竞争力的关键环节。这就需要充分认识物流行业大数据的特点、应用特性，明晰大数据相关技术提升物流企业竞争力的作用机制。

物流行业大数据的特点

（一）来源复杂，类型繁多

从数据来源来看，大致可以归纳为8个方面：社会化媒体、互联网及移动互联网、电子商务（刘禹，2013）；传感器网络、链接设备、智能终端、实时监控设备；商业智能BI、企业辅助决策系统；计算机、平板电脑、手机、其他移动设备、移动存储；物联网、车联网、RFID、GPS、GIS等物流信息技术的应用（舒文琼，2013）；云计算、第三方数据处理技术、第三方平台的应用；专业研究报告、行业资讯、行业活动记录；其他大交互、大交易数据来源。

相应地，物流行业的大数据类型也呈多样化特点，可以描述如下：人的行为信息、习惯信息、偏好信息、交互数据等；Web 文本数据、流量分析数据、电商交易数据、使用者网络活动数据等；各类设施设备采集的数据——传感器读数、运营数据、实体数据、车载信息、仪表读数，监控视频数据等；企业内部基干类系统和信息类系统所采集或处理的各类数据——辅助决策信息、运营数据、产品数据、供应链数据、HR数据、财务数据、顾客数据、呼叫记录、市场数据等；计算机使用数据和移动设备使用数据等；基础地理位置信息、RFID读取信息、GPS映射数据、图像文件、车载信息、时间与位置数据、车辆数据、高分辨率影像、矢量、遥感及动态监测数据等；CRM、KDD、DWH、流量监测、查询应用、分析器等应用数据；报告资讯、科研数据、调研数据、公共数据、公共信息。

（二）结构多维，格式多样

物流行业的大数据，可以从多个维度进行解构：

结构化数据、半结构化数据、非结构化数据（刘禹，2013；Elena Geanina Ularu et al.，2012）。物流行业的大数据既包括存储在数据库里的结构化数据，也包括日志文件、XML文档、JSON文档和电子邮件等半结构化数据，而更多的数据类型是办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等非结构化数据，半机构化、非结构化数据约占大数据总量75%-85%。

内部数据与外部数据。物流企业的大数据既有来自企业经营的内部交易数据、CRM数据，也有来自其他数据源的外部数据。物流企业的大数据兼具公共、私密二重属性。外部数据的公共性特征比较明显，而内部数据由于和行业标准和商业机密密切相关，因而具有私密性。

与数据结构的多维特征相对应，物流企业大数据的格式也是多样的。除了传统的纸质文件、档案、报表、表格、记录、信函等之外，更多的是以数字数据存在的Web 文本、视频、短信、音频、视频、邮件，存储信息、配置文件、符号、图片、档案等。数据格式的多样性和互不兼容、数据访问的随机性，为数据的采集、存储、分析、应用带来了困难。

物流行业大数据的应用特征

（一）大数据的应用潜力巨大

在大数据概念兴起之前，企业主要借助内部数据、结构化数据进行决策。商业智能（BI）技术的应用似乎将企业带入了“智慧世界”，但BI仍然对外部数据、非结构化数据无能为力，没有“走完最后一公里”，无法有效满足决策需求。在大数据时代，企业的外部数据权重急剧上升，决策价值越来越突出，这意味着仅仅依据占数据总量15%左右的结构化数据进行决策越来越失之偏颇（T.K.Das et al.，2013），物流企业决策者驾驭业务的战情数位仪表盘其实是残缺的。事实上，一些沿袭原来的IT解决方案的物流企业，普遍遇到数据处理系统扩展困难、处理时间长、传输效率低、成本过高的问题（Elena Geanina Ularu et al.，2012）。大数据应用技术就是能够妥善解决这些问题的性价比比较高的数据计算与存储方式。

据ICT权威研究机构CCW RESEARCH的研究结论（2012年），无论是从信息技术应用的契合度还是从短期内投资大数据的可能性进行测度，物流行业都具有大数据应用技术推广的优越条件。但他们同时还指出，虽然物流行业对“大数据”概念的知晓率为91.8%，但究其应用而言，总体上还处于“认知”阶段，这意味着大数据在物流行业应有较大的应用潜力。

（二）大数据的供应链特征明显

物流行业大数据的应用正越来越呈现出供应链特征。这个“数据供应链”，存在着数据收集、数据处理、数据分析、数据价值提取、数据价值消费等多个环节（Hsinchun Chen et al.，2012），参与者包括原始数据提供者、数据收集者、数据平台商、数据应用技术开发者、数据服务提供者、数据产业投资者，数据价值消费者等多个主体。就物流企业而言，在这个数据供应链中，可以承担多重角色：既可以是原始数据供应者（主要是内部数据、结构化数据），也可以是数据产业投资者、数据价值消费者。实力雄厚者甚至可以向其他角色拓展，具有优秀的数据供应链整合能力的企业将会赢得较大竞争优势。图1给出了物流行业数据供应链的简化模型，并借用Michael Porter的五力分析模型对数据供应链各个环节的竞争态势进行了分析。endprint

大数据应用对物流企业竞争力的影响

（一）大数据应用影响物流企业竞争力的机制

图2给出物流企业竞争力影响因素的分析框架（王海燕，2012；静涛，2010）。物流企业的竞争力影响因素涵盖环境、资源、能力三个方面，其中环境要素可以进一步细化为：行业经济发展水平、宏观调控、社会人文、物流技术等；资源要素可进一步细化为物质资源和无形资源等；能力要素可细化为战略决策能力、运营管理能力、市场营销能力、品牌管理能力、创新发展能力等（张莉，2012）。

这里以前文论述为基础，分析大数据应用对物流企业竞争力提升的影响机制，如图3所示：大数据通过影响物流企业竞争力的环境、资源、能力三个要素，提升其竞争力，而物流企业竞争力的提升则表现为快速反应、稳定可靠、灵活性和弹性提升，顾客满意度提升，经济效益提高等等（Elena Geanina Ularu et al.，2012）。

（二）大数据应用提升物流企业竞争力分析

在物流企业竞争力三个影响因素中，环境因素是外部、不可控要素，资源和能力属于内部要素、可控要素，因此，这里重点分析大数据在物流企业的应用对两个要素的影响及其表现。

1.对资源要素的影响。大数据时代，数据被许多权威人士比作“新型石油”，日渐成为一种战略性资源和企业的核心资产。大数据及其所承载的知识和信息作为一种极具战略价值的经济资源，通过参与企业的经济活动和营运过程，正在充分地发挥其独特的整合效应，促进物流企业提高组织效率、降低成本、创新服务、维系良好的品牌形象和客户关系、增进经济效益等。其作用机制如下：

第一，盘活物流企业的人力资本。在大数据日益进行着渗透性应用的背景下，将推动人力资源决策由“经验+感觉”模式向“事实+数据”模式转型，人才测评和任职匹配将更高效、更精准；处于休眠状态的企业内部营运数据将被唤醒，培训需求的甄别将更便利。过程数据和结果数据的空前丰富使得“过程+结果”的绩效考核方式将更容易导入，对绩效辅导和绩效提升更有利。

第二，直接增加物流企业的结构资本。大数据应用技术将推动物流企业的组织结构的进一步优化，与战略的匹配度更高，组织内外信息流动更顺畅，协调机制更完善，内部沟通更“智慧”，资源管控和利用率水平更高，对市场机会和环境变化的动态适应能力更强。不仅如此，对物流企业信息技术的升级应用、知识产权的保护、品牌推广和商誉提升也将产生巨大影响。这些都会直接增加企业的结构资本。

第三，为企业赢得更多关系资本。在企业内部沟通更舒畅、更外向的情况下，面向客户的、创新型的共有价值观更容易形成和维护，员工所期望的个性化关怀更容易实现，这将推动物流企业的文化建设。同时，大数据的应用还将推动物流企业创新业务模式，主动采用整合传播，提升品牌美誉度，更好地开展公共关系。物流企业在推行个性化定制化服务、高效的商业伙伴和顾客关系管理会更主动，这些都会为物流企业赢得关系资本。

2.对能力要素的影响。第一，提升物流企业的战略管理、战略决策能力。大数据的应用有利于企业推行数据驱动的敏捷决策，从长远来看，还会推动企业组织架构和业务流程的全面变革，企业决策权力的配置将更合理，决策的制度化、流程化程度更高，决策更公开、透明、精准、有效、可追溯。基于数据的决策有助于消弭主观偏见和思维定势的消极影响，提升企业的战略洞察力，把握行业发展的新趋势，抓住战略性投资机会。在物流企业竞争力的变现越来越取决于供应链的整体效能的背景之下，物流企业还可以在确保顾客隐私和商业机密的前提下，通过与供应链上各合作伙伴的数据共享、交换或者交易，动态检测行业趋势、聚焦优先目标、优化服务组合、避免无端浪费、探索全新的业务模式等。

第二，增强物流企业的运作管理能力。大数据的应用可以提升企业业务营运的可视化程度，推动知识和信息在组织内部的共享；精确掌控企业各项资源的运行情况，比如人员的作业状况，设备运作状况，车辆的位置、时间、速度、性能等，有利于企业高效调度各项资源，提升运作效率。以快递企业为例，大数据的应用可以为企业满足个性化订单、开展定制化服务、实施弹性配送等提供技术支撑。它们可以在业务营运的特殊时期，比如“双11”到来之前，基于大数据的分析，适时调配物流资源，实现业务营运的主动性、前置性，提升配送运作效率和顾客满意度。

第三，拓展物流企业的市场营销能力。大数据应用技术有助于提升市场研究的效率，有关顾客偏好、情绪、消费体验等真实信息将更容易取得，有利于对目标客户的精确细分、重点客户和高价值客户高效筛选（徐艺欣，2013）。大数据所承载的有关资源、成本、服务、定价等即时性关键信息，有助于企业动态监测市场动态，有效率开展竞争，更好地赢得客户，增加市场份额。在物流服务营销方面，可以实施针对高价值的顾客的精准营销、广告的精准投放、广告或者促销效果的精准测定等（胡玉萍，2011）。大数据应用技术还有利于物流企业摆脱繁杂的中间环节、传统的营销模块式营销组织的依赖，极大地降低营销成本。

第四，提升物流企业的品牌管理能力。物流企业可以有效利用大数据技术进行舆情监控、品牌健康度动态监测、品牌声誉管理，高效监控可能有损品牌形象和企业声誉的负面信息，有效应对恶意炒作或商业欺诈、从容地进行危机管理（Chris Snijders et al.，2012）。另一方面，可以通过口碑营销在较低成本的投入情况下扩大品牌影响力。

第五，增强物流企业顾客管理和客户关系维护能力。企业可以根据大数据所承载的信息与顾客进行深度沟通，改善顾客体验，取得他们对本企业、竞争对手物流服务的真实评价，有效应对竞争压力，提高快速响应能力，培育顾客粘性和忠诚度，通过建立稳定的忠实客户群，实现客户价值的链式反应增值，支撑企业长期、稳定、高速、可预期的发展。

第六，增进企业创新发展能力。大数据应用有助于企业建立广泛的外部合作伙伴网络，推进整体创新战略，将问题的“搜索者”和“创意者”、“解决者”结合在一起，为合作创新机制的建立提供了动力源泉（Merja Mahrt et al.，2013）。大数据的最大价值在于从海量数据中发现新知识，创造新价值，其中的重要体现就在于有助于推动业务模式的创新，比如物流企业在条件成熟时就可以通过数据交易、数据应用辅导等业务获取经济利益、提升竞争优势。endprint

物流企业推动大数据应用的思路

物流企业应抓住大数据所带来的机遇，主动借力大数据提升企业竞争力（闫成印，2012）。本文推出涵盖战略（Strategy）、领导（Leadership）、流程（Process）、技能（Skill）、人员（Personnel）的（SLPSP）模式。

战略（S）：建立数据资产管理战略，作为物流企业总体战略的一部分，围绕“资源管控”和“服务优化”两个基本命题，在企业整体战略中要有大数据应用的总体方案。这一方案既要着眼企业的实际情况，又要有长远的规划，在软件和硬件投入方面都要有指导性的日程表安排。在保障机制方面，还要通过有效的 “顶层设计”打破组织壁垒，促进数据资产的沟通、融合。

领导（L）：大数据的应用是 “一把手”工程，领导的重视是成败的关键。企业领导层应主动变革思维模式，进行实质性的资源投入支持大数据技术的深入应用。摒弃那种仅仅用数据来粉饰决策、支撑既有观点的做法，从战略高度对数据资产的价值进行再思考、再认识，把大数据的应用、云计算等作为战略实施的有力推手，而不仅仅是将其视为传统IT管理的一个方面。

流程（P）：优化数据资产管理和大数据应用的流程。在数据的收集和处理方面，要做好整合，认真发掘组织内部的“休眠数据”并认真评估其价值，同时要高度重视外部数据对企业的战略价值，推动企业内部的数据处理系统与合作伙伴的相关系统的集成，实现顺畅的数据交换和信息交流。在数据的存储与处理方面，优化企业的IT的服务器、存储设备和网络设备，引入能与硬件设施设备无缝对接、合乎大数据应用需求的数据管理和分析软件，必要时要借力基于开发架构的、具有灵活的扩展能力、性能卓越的第三方平台（姚尧，2013）。不断深化大数据的应用，实现人、机、系统等要素的有机化。

技能（S）：促进大数据应用技术在组织内的扩散，并内化为组织整体技能。推动员工熟悉数据驱动决策下的业务运作，将数据应用视为业务营运的工具和助手。采取措施推动员工数据应用技能的持续进步，促进企业决策者、管理者、业务人员和数据工程师基于数据分析和数据应用的沟通、共享、协同，消除“数据孤岛”现象。

人员（P）：有计划地培养大数据应用的专业人员。这些专业人士应成为“数据工程师”，兼具数学知识、IT技能、业务知识，并能够作为大数据应用的“先锋”，引领企业跨越“数据鸿沟”，并能提供专业的数据应用技术服务。

参考文献：

1.闫成印.物联网带动大数据发展[J]. 互联网天地，2012（11）

2.刘禹.物联网时代的大数据[J].高科技与产业化，2013（5）

3.姚尧.大数据时代的智能物流[J].中国经济信息，2013（7）

4.舒文琼.数据量爆发式增长，物联网引入大数据技术迫在眉睫[J].通信世界，2013（12）

5.Elena Geanina Ularu and Florina Camelia Puican. Perspectives on Big Data and Big Data Analytics [J].Database Systems Journal，2012（3）

6.T.K.Das and P.Mohan Kumar. BIG Data Analytics： A Framework for Unstructured Data Analysis [J]. International Journal of Engineering and Technology，2013（5）

7.Hsinchun Chen and Roger. H. L. Chiang.Business Intelligence and Analytics：from Big Data to Big Impact [J].MIS Quarterly，2012（36）

8.王海燕.基于企业发展定位的第三方物流企业核心竞争力研究[D].大连理工大学，2012

9.静涛.物流企业核心竞争力分析[J].科技信息，2010（11）

10.张莉.现代物流企业核心竞争力构成分析与财务评价[J].财会通讯，2012（4）

11.徐艺欣.基于社会化媒体的精准营销研究[D].大连海事大学，2013

12.胡玉萍.网络成名致富之道：博客推广与精准营销[M].机械工业出版社，2011

13.Chris Snijders，Uwe Matzat and Ulf-Dietrich Reips. “Big Data”： Big Gaps of Knowledge in the Field of Internet Science [J]. International Journal of Internet Science，2012，7（1）

14.Merja Mahrt and Michael Scharkow. The Value of Big Data in Digital Media Research [J]. Journal of Broadcasting & Electronic Media，2013（3）endprint

物流企业推动大数据应用的思路

物流企业应抓住大数据所带来的机遇，主动借力大数据提升企业竞争力（闫成印，2012）。本文推出涵盖战略（Strategy）、领导（Leadership）、流程（Process）、技能（Skill）、人员（Personnel）的（SLPSP）模式。

战略（S）：建立数据资产管理战略，作为物流企业总体战略的一部分，围绕“资源管控”和“服务优化”两个基本命题，在企业整体战略中要有大数据应用的总体方案。这一方案既要着眼企业的实际情况，又要有长远的规划，在软件和硬件投入方面都要有指导性的日程表安排。在保障机制方面，还要通过有效的 “顶层设计”打破组织壁垒，促进数据资产的沟通、融合。

领导（L）：大数据的应用是 “一把手”工程，领导的重视是成败的关键。企业领导层应主动变革思维模式，进行实质性的资源投入支持大数据技术的深入应用。摒弃那种仅仅用数据来粉饰决策、支撑既有观点的做法，从战略高度对数据资产的价值进行再思考、再认识，把大数据的应用、云计算等作为战略实施的有力推手，而不仅仅是将其视为传统IT管理的一个方面。

流程（P）：优化数据资产管理和大数据应用的流程。在数据的收集和处理方面，要做好整合，认真发掘组织内部的“休眠数据”并认真评估其价值，同时要高度重视外部数据对企业的战略价值，推动企业内部的数据处理系统与合作伙伴的相关系统的集成，实现顺畅的数据交换和信息交流。在数据的存储与处理方面，优化企业的IT的服务器、存储设备和网络设备，引入能与硬件设施设备无缝对接、合乎大数据应用需求的数据管理和分析软件，必要时要借力基于开发架构的、具有灵活的扩展能力、性能卓越的第三方平台（姚尧，2013）。不断深化大数据的应用，实现人、机、系统等要素的有机化。

技能（S）：促进大数据应用技术在组织内的扩散，并内化为组织整体技能。推动员工熟悉数据驱动决策下的业务运作，将数据应用视为业务营运的工具和助手。采取措施推动员工数据应用技能的持续进步，促进企业决策者、管理者、业务人员和数据工程师基于数据分析和数据应用的沟通、共享、协同，消除“数据孤岛”现象。

人员（P）：有计划地培养大数据应用的专业人员。这些专业人士应成为“数据工程师”，兼具数学知识、IT技能、业务知识，并能够作为大数据应用的“先锋”，引领企业跨越“数据鸿沟”，并能提供专业的数据应用技术服务。

参考文献：

1.闫成印.物联网带动大数据发展[J]. 互联网天地，2012（11）

2.刘禹.物联网时代的大数据[J].高科技与产业化，2013（5）

3.姚尧.大数据时代的智能物流[J].中国经济信息，2013（7）

4.舒文琼.数据量爆发式增长，物联网引入大数据技术迫在眉睫[J].通信世界，2013（12）

5.Elena Geanina Ularu and Florina Camelia Puican. Perspectives on Big Data and Big Data Analytics [J].Database Systems Journal，2012（3）

6.T.K.Das and P.Mohan Kumar. BIG Data Analytics： A Framework for Unstructured Data Analysis [J]. International Journal of Engineering and Technology，2013（5）

7.Hsinchun Chen and Roger. H. L. Chiang.Business Intelligence and Analytics：from Big Data to Big Impact [J].MIS Quarterly，2012（36）

8.王海燕.基于企业发展定位的第三方物流企业核心竞争力研究[D].大连理工大学，2012

9.静涛.物流企业核心竞争力分析[J].科技信息，2010（11）

10.张莉.现代物流企业核心竞争力构成分析与财务评价[J].财会通讯，2012（4）

11.徐艺欣.基于社会化媒体的精准营销研究[D].大连海事大学，2013

12.胡玉萍.网络成名致富之道：博客推广与精准营销[M].机械工业出版社，2011

13.Chris Snijders，Uwe Matzat and Ulf-Dietrich Reips. “Big Data”： Big Gaps of Knowledge in the Field of Internet Science [J]. International Journal of Internet Science，2012，7（1）

14.Merja Mahrt and Michael Scharkow. The Value of Big Data in Digital Media Research [J]. Journal of Broadcasting & Electronic Media，2013（3）endprint

物流企业推动大数据应用的思路

物流企业应抓住大数据所带来的机遇，主动借力大数据提升企业竞争力（闫成印，2012）。本文推出涵盖战略（Strategy）、领导（Leadership）、流程（Process）、技能（Skill）、人员（Personnel）的（SLPSP）模式。

战略（S）：建立数据资产管理战略，作为物流企业总体战略的一部分，围绕“资源管控”和“服务优化”两个基本命题，在企业整体战略中要有大数据应用的总体方案。这一方案既要着眼企业的实际情况，又要有长远的规划，在软件和硬件投入方面都要有指导性的日程表安排。在保障机制方面，还要通过有效的 “顶层设计”打破组织壁垒，促进数据资产的沟通、融合。

领导（L）：大数据的应用是 “一把手”工程，领导的重视是成败的关键。企业领导层应主动变革思维模式，进行实质性的资源投入支持大数据技术的深入应用。摒弃那种仅仅用数据来粉饰决策、支撑既有观点的做法，从战略高度对数据资产的价值进行再思考、再认识，把大数据的应用、云计算等作为战略实施的有力推手，而不仅仅是将其视为传统IT管理的一个方面。

流程（P）：优化数据资产管理和大数据应用的流程。在数据的收集和处理方面，要做好整合，认真发掘组织内部的“休眠数据”并认真评估其价值，同时要高度重视外部数据对企业的战略价值，推动企业内部的数据处理系统与合作伙伴的相关系统的集成，实现顺畅的数据交换和信息交流。在数据的存储与处理方面，优化企业的IT的服务器、存储设备和网络设备，引入能与硬件设施设备无缝对接、合乎大数据应用需求的数据管理和分析软件，必要时要借力基于开发架构的、具有灵活的扩展能力、性能卓越的第三方平台（姚尧，2013）。不断深化大数据的应用，实现人、机、系统等要素的有机化。

技能（S）：促进大数据应用技术在组织内的扩散，并内化为组织整体技能。推动员工熟悉数据驱动决策下的业务运作，将数据应用视为业务营运的工具和助手。采取措施推动员工数据应用技能的持续进步，促进企业决策者、管理者、业务人员和数据工程师基于数据分析和数据应用的沟通、共享、协同，消除“数据孤岛”现象。

人员（P）：有计划地培养大数据应用的专业人员。这些专业人士应成为“数据工程师”，兼具数学知识、IT技能、业务知识，并能够作为大数据应用的“先锋”，引领企业跨越“数据鸿沟”，并能提供专业的数据应用技术服务。

参考文献：

1.闫成印.物联网带动大数据发展[J]. 互联网天地，2012（11）

2.刘禹.物联网时代的大数据[J].高科技与产业化，2013（5）

3.姚尧.大数据时代的智能物流[J].中国经济信息，2013（7）

4.舒文琼.数据量爆发式增长，物联网引入大数据技术迫在眉睫[J].通信世界，2013（12）

5.Elena Geanina Ularu and Florina Camelia Puican. Perspectives on Big Data and Big Data Analytics [J].Database Systems Journal，2012（3）

6.T.K.Das and P.Mohan Kumar. BIG Data Analytics： A Framework for Unstructured Data Analysis [J]. International Journal of Engineering and Technology，2013（5）

7.Hsinchun Chen and Roger. H. L. Chiang.Business Intelligence and Analytics：from Big Data to Big Impact [J].MIS Quarterly，2012（36）

8.王海燕.基于企业发展定位的第三方物流企业核心竞争力研究[D].大连理工大学，2012

9.静涛.物流企业核心竞争力分析[J].科技信息，2010（11）

10.张莉.现代物流企业核心竞争力构成分析与财务评价[J].财会通讯，2012（4）

11.徐艺欣.基于社会化媒体的精准营销研究[D].大连海事大学，2013

12.胡玉萍.网络成名致富之道：博客推广与精准营销[M].机械工业出版社，2011

13.Chris Snijders，Uwe Matzat and Ulf-Dietrich Reips. “Big Data”： Big Gaps of Knowledge in the Field of Internet Science [J]. International Journal of Internet Science，2012，7（1）

14.Merja Mahrt and Michael Scharkow. The Value of Big Data in Digital Media Research [J]. Journal of Broadcasting & Electronic Media，2013（3）endprint