基于BI理论的大数据网络营销模型研究

[大连海事大学 大连 116026]

引言

2000年至今，网络营销市场初步形成并开始蓬勃发展。目前网络营销已经广泛被我国企业用于信息的搜索、网上信息发布、网络商情调查、销售渠道开拓、网络品牌推广、客户关系管理、资源整合等功能模块。营销方式多样化、产品服务创新化已经活跃到企业的日常经营中。根据《第35次中国互联网络发展状况统计报告》数据显示，截至2014年12月，我国网络购物用户规模达到3.61亿，增长率为19.7%；我国网民使用网络购物的比例从48.9%提升至55.7%，网购用户数量呈急剧上升之态[1]。同时，随着移动电子设备的普及，网络购物又有了新的特点，平台正从PC端不断向移动终端渗透。2014年我国手机网络购物用户规模达到2.36亿，增长率为63.5%，是网络购物市场整体用户规模增长速度的3.2倍，手机购物的使用比例提升了13.5个百分点达到42.4%。相信在未来几年里，移动终端将持续保持较高的增长率。

虽然我国网络营销发展速度很快，但仍然存在较多问题。很多企业对网络营销的认识存在偏差，认为网络营销即是网上促销；没有充分开发网络资源来运用恰当的推广手段投放广告且一直处于被动地位，使得商家丧失了巨大的商机。对于商品来说，因无法满足消费者的触觉、嗅觉等感官上的享受性，使得消费者缺乏信心，使企业丢失了销售额。针对消费者多样化的需求，企业精准营销至关重要。传统媒体无法满足这些要求，而当前迅速发展的社会化媒体已成为网络营销的主流。但是，仅仅如此还不够，无论是传统媒体，还是目前社会化媒体，客户特征和客户需求信息往往碎片化，这些信息分布在网络的各个角落[2]。如何获取、整合、抽取这些信息满足企业未来的营销需求？大数据概念和方法正好能够解决这一问题。大数据是指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理，这样才具有更强的决策力、洞察发现力和流程优化能力。在商务智能（BI）的框架下，本文提出基于大数据的网络营销研究。本文通过对网络营销现状以及大数据的特点的分析得出大数据网络营销是网络营销的必然发展趋势，设计了基于大数据的网络营销模型，制定了评价模型的“5J”标准。

一、理论基础

（一）大数据概念

最近几年，国外顶级学术报刊陆续出版了有关大数据的专栏，《Nature》在2008年就推出了“big data”专刊，从互联网技术、超级计算及生物医学等方面来专门探讨对大数据的研究[3]。Science在2011年出版了关于数据处理的期刊“Dealing with data”讨论了数据流带来的挑战，提出了对大数据可以对社会发展起到巨大推动作用的观点[4]。2012年3月，美国公布了旨在提高和改进人们从海量信息数据中获取信息能力的“大数据研发计划”[5]。Zhao等为检测大型社区网络提出了一种并行结构的聚类算法[6]；Lee等为了实现高效率完成SQL到MapReduce的数据转换开发了一个被称作Ysmart的系统[7]；Mukherjee等将传统POSIX集群文件系统与Hadoop文件系统进行比较[8]；Qin等提出将RDBMS和MapReduce融合成一个统一的大数据分析系统并在Hadoop中对数据进行了OLAP分析和查询实验[9]；在可视化领域，Pirolli等提出了情报分析概念模型[10]；Stasko等在Pirolli的理论基础上开发了可视化分析系统用于情报的可视化分析[11]；在生物学领域[12～13]，McKenna等尝试将基因分析工具集引入MapReduce框架来处理和分析DNA序列海量数据，并取得了显著的成效[14]；Hrovat等以Apriori算法和线性递归模型为基础运用大数据可视分析技术探索病人数据[15]；Schadt等通过租用Amazon S3平台，开展了云技术和异构计算方案处理生物数据的实践[16～17]；在医学领域，Nielson等探索了神经损伤移植中海量数据的可视化[18]；Stark等将地理空间与计算机网络结合起来，并设计了可视化显示不同地理位置大型算机网络健康监控的系统[19]。

到目前为止对大数据还没有一个统一明确的定义，2001年的研究报告中，META集团的分析师Laney定义大数据为数据增长的机遇和挑战是三维的，即增加的数量（数据量），速度（数据高速的输入和输出）和多样化（数据类型和来源的范围）[20]；Gartner公司认为大数据是指需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产[21]。从以上大数据定义来看，大数据具有3V特点，即Volume（大量）、Variety（多样）、Velocity（高速）[22～23]，这是一种较为专业化的定义。而另一种定义指出了大数据的潜力及用途，在3Vs的基础上增加了Value（价值），即4Vs[24～25]。这种定义指出大数据最为核心的问题，就是如何从规模巨大、种类繁多、生成快速的数据集中挖掘价值[26]。正如美国麦肯锡全球研究院2011年6月发布题为《大数据：下一个创新、竞争和生产力的前沿》的研究报告指出“数据正成为与物质资产和人力资本相提并论的重要生产要素，大数据的使用将成为未来提高竞争力的关键要素”。基于以上分析，本文认为大数据是指传统技术无法在合理的时间内进行捕捉、策展、搜索、共享、存储及传输的大容量的信息资产，以智力资源和知识服务能力的形式来支持企业经营决策等。

（二）大数据营销

《中国互联网络发展状况统计报告》指出，目前最典型、最主要的互联网服务和应用包括网络购物、网上支付、网络广告等方面。互联网是一个海量数据的集散地，能够运用大数据理论及技术发现其存在的统计规律。由此可见，大数据的应用作为一种具有巨大的潜力数据战略，必将对网络营销的发展产生积极影响，推动这一电子商务活动更好、更快地发展。在大数据时代下，网络营销将趋于多样化、个性化、准确化，大数据网络营销是网络营销的必然发展趋势。根据2013年《中国网络营销白皮书》显示，在2013年有31.6%的企业在大数据营销方面有所投入，60.3%的企业正在关注，我国的大数据营销实践还处于初级阶段。

在新时代下，网络营销不单单是一种营销手段，更是一种信息化社会的新文化，引导媒体进入一个新的模式，大数据营销必将为企业带来丰厚的利益[27～30]。大数据营销是以互联网为平台，根据企业经营目标利用大数据技术对相关数据实现实时的采集、挖掘和分析并统计其潜在规律，以智力资源和知识服务能力的形式支持企业决策以及实现个性化营销。可见，大数据营销比传统网络营销能够用更科学的方法为企业提供准确的数据分析结果，为消费者提供多样化、个性化和准确化的“一对一”服务，支持企业实时调整营销策略。

在大数据营销方面，国外学者也做了一些研究，Alexandre讨论了大数据在营销信息系统中的应用和在决策中的贡献并对大数据的新的可能性和局限性进行了改进[31]；Peter等对全球各地777位营销高管进行调查结果，讨论企业在大数据环境下面临的挑战[32]；Paulus等通过探讨网络营销的概念以及网络营销的发展趋势，证明了网络营销是市场营销领域的未来[33]；国外学者对大数据网络营销方面的研究文献非常少，相关的理论研究才刚刚起步[34～37]。在国内学术界，网络营销一直是大家关注的一个话题，而目前国内学者对大数据背景下的网络营销方面的研究文献数量屈指可数。冯芷艳等描述了在大数据环境下的顾客洞察与市场营销及基于大数据的商业模式创新等方向[38]；王东设计大数据副本服务器的Hash-map分布方案，针对精准化营销等特定应用，解决数据一致性检索的追溯性问题[39]。

现有的研究多侧重于大数据的处理技术及大数据给各个领域带来的机遇和挑战等方面，在探讨大数据的网络营销方面都仅停留在宏观层面的研究。基于此，本文从微观层面构建了一个全新的基于大数据的网络营销模型，并制定模型的“5J”评价标准，以期为企业在新环境下利用大数据技术进行网络营销提供方法和借鉴。

二、大数据环境下的网络营销模型

（一）大数据与BI系统分析

企业进行网上营销成功的关键是借助信息技术的潜能，分析企业最擅长的活动，以便在价值链中占据有利的位置，并从根本上重新调整价值创造过程，实现企业、合作伙伴和顾客的多赢。而商务智能恰是担此重任的理想选择[40]。

在信息化时代，信息处理及利用能力的强弱越来越能够决定企业的成败。所以企业更加追求企业的信息数据中所蕴含的知识和商业价值[41～44]。在这种情况下，企业希望能对以往的历史数据进行前瞻性的分析，从而可以预测企业以后可能面临的情况。故能在大量的历史信息中获得有价值的信息，进一步发现隐藏的有用关系[45]，从而找到企业的新增长点的商务智能成为越来越多企业竞争的手段。Business Objects公司认为商务智能是一种基于大量信息基础上的提炼和重新整合的过程，这个过程与知识共享和知识创造密切结合，完成了从信息到知识的转变，最终为商家提供网络时代的竞争优势和实实在在的利润。所以，商务智能不仅仅是软件产品，到目前为止它已成为了一种管理思想，它能够全面、准确、及时、深入地分析和处理数据，使企业决策者做出理性的决定，所以被很多企业运用到客户行为分析、预测市场、制定营销策略等日常的运营管理当中[46～47]。商务智能就是将数据仓库、联机分析处理和数据挖掘等技术结合起来应用到商业活动中，从不同的数据源收集到有用的数据，经过ETL存储到数据仓库或数据集市中，然后使用合适的查询工具、DM工具、OLAP工具等适当的分析管理工具分析处理信息，使其成为决策者所能使用的决策知识，并采用适合的方式将知识展现在决策者面前，为决策者提供决策信息，以制定决策方案[48～49]。

我们每时每刻都身处数据的海洋，每天都会产生和接收大量的数据。一方面由于各种仪器的使用使我们能够接触到更多的事物，这些事务的部分信息或全部信息会被存储起来；另一方面现在通信工具的普遍使用，使大家都能够及时地进行沟通，而这个沟通主要是通过“机器 —机器”形式来表现，从而产生了大量的交互数据；因集成电路价格降低导致了许多设备的智能化，从而使得有些事物本身产生一些智能信息，这些数据纷繁复杂，结构多样，文本、文档、图形、视频、声音等多种格式成为时代的主流数据。与日俱增的社会信息促成了大数据的发展，数据已经成为了核心资产[50]，大数据时代已经到来[51]。其作为继云计算、物联网之后IT产业的又一次巨大变革[52～53]，大数据必将给现代企业进行网络营销带来新的机遇与冲击。在这样的环境下企业可以充分利用大数据技术对用户的微博数据、社交数据、历史交易数据来进行搜集和实时的分析及处理，帮助企业进行快速有效的决策，实现网络的“精准营销”。

图1 典型商务智能结构

大数据时代下，企业积累了大量的数据，对于复杂多样的数据存储和处理成为传统的BI系统面临的巨大难题，但是大数据技术（如用MapReduce等并行处理技术、基于Hadoop的Chukwa采集技术、Tableau可视化技术等）却能使我们能够访问和使用这些宝贵的、大规模数据集以应对越来越复杂的数据分析和更好的商业决策制定。大数据的发展并不是取代了BI系统，它是BI系统的扩展和延伸，大数据能够使BI系统变得更加强大及更好地支持企业决策。

表1 大数据下的BI系统变化

（二）大数据环境下网络营销模型构建

随着互联网、物联网、移动互联网及云计算的快速发展，数据流通量增长非常迅速，企业迫切需要高效、精准地分析数据来支持决策，传统的BI系统已无法应对庞大的信息，但大数据能使我们能够访问和使用这些宝贵的、大规模数据集以应对越来越复杂的数据分析和更好的商业决策制定。将大数据技术和特性引入到传统的BI结构中，设计了基于大数据的网路营销模型，模型展示的是某一时点大数据网络营销运行的功能模块。从纵向切割模型，模型展示的是信息的流动方向，故而将模型分为五个层次，即数据源层、数据层、数据分析层、营销应用层及用户层，如图2所示。

数据源：信息技术和互联网的发展，使数据产生的途径不断增多、类型不断增多，非结构化数据成为大数据时代的主流数据。不同数据类型的融和给传统的网络营销带来了新的机遇，企业的目标客户越是在社交媒体上花大量时间进行冲浪，企业就可以获取客户更多样的信息，这为网络营销的数据搜集提供了宝贵的资源。在大数据的时代下，企业利用社交网络、RFID射频数据、传感器数据等多个数据库来接收来自客户端结构化、半结构化和非结构化的数据。正如网络营销始源于消费者的需求，数据采集取决于企业要解决的问题，企业在进行这一步骤时要深刻理解数据能给企业带来什么价值，清晰地了解市场、用户等。

数据层：大数据的主要特征就是数据量大，由于大数据处理的是全部目标顾客的数据信息，所以可以从更多的细节来解释事物属性，提高对目标估计的准确率。数据大量化的出现使得企业在进行网络营销的预测活动时，不再产生片面性和误差性的预测结果。考虑到数据的巨量性，单机所能容纳的数据量已经不能承载系统源源不断产生数据带来的压力，因此必须采用大数据的分布式存储的方式。数据存储后要集成抽取出对企业营销有价值的合适数据。在数据集成和抽取时，通常包含了许多毫无意义的信息或错误信息，事实上，当前所有数据库中非结构化数据所占的比例越来越高，其中噪音、冗余或缺失的数据也越来越多[54]，这些数据对企业制定营销策略是没有价值的，所以对数据进行清洗，转化成网络营销数据挖掘所需的数据。“去粗存精”“去伪存真”的数据，加快网络营销分析的速度，在极短的时间内提高数据质量，满足行业和个人进行网络营销数据挖掘的要求。

数据分析层：大数据时代消费者通过社会化媒体产生数据的实时更新特别快、数量十分巨大，而传统的数据处理技术在处理大量数据时一般都要经历几天的时间，使得数据逐渐失去价值，导致网络营销策略无法根据实际情况进行调整，大数据挖掘技术正好可以满足快速处理和实时更新的要求。大数据挖掘是从大量的数据中通过算法搜索隐藏于其中信息的过程，即根据企业的营销目标及要求，将处理后的客户数据转换成能够支持企业营销决策的有用的信息和知识。在这个过程中，信息是以可视化的形式呈献给决策者，能够帮助企业制定动态策略，随时满足消费者需求，进行个性化的营销，很好地解决了以往的网络营销策略可能达不到预期效果的问题。

营销应用层：网络营销企业的决策者通过可视化的信息制定营销策略，通过分析寻找客户的消费规律和消费行为模式，确定客户的消费能力、消费特点及消费潜力，丰富个性化服务信息，以便进行必要的产品或服务调整。基于大数据的网络营销的应用包括社会化媒体营销、移动营销、用户行为分析营销、个性化推荐营销、关联挖掘营销等等。

用户层：基于大数据环境下的网络营销框架的最后一层的设计是消费者、数据提供者等通过移动APP、网站、邮件等一系列工具接收到企业营销信息，并将反应结果反馈到数据层，存到数据仓库中。判断客户对网站提供服务的满意度，据此对网络营销的战略和策略进行改进，提供与客户需求更匹配的产品或服务。利用大数据技术可以使企业能够快速、准确地获取各种信息，实时地调整营销策略，对客户立即产生影响。

（三）模型评价标准

为了考查大数据的网络营销模型的价值尺度和界限，确定其优良程度，设计了基于大数据的网络营销模型的“5J”评价指标：“减”“捡”“监”“建”“检”，如图3所示：

图3 数据网络营销框架评价标准

减：过多的信息内容往往包含更多的干扰信息，从而导致企业对信息的处理效率降低。精简信息内容，减少干扰信息，从而减少不必要的信息反馈，提高决策因素的质量。

捡：企业进行营销需要的是从纷繁的数据中提取有价值的信息。一、在数字时代的媒体趋势下选择有效的新型社交媒体平台。二、多样化的社会化媒体平台，从传播精度、互动性、领袖“口碑”效应等几个方面选择合适的渠道。

监：一方面，通过社交媒体倾听消费者对产品或服务的谈论、评价、爱好和需求等。另一方面，通过数据向企业反馈信息，来管理和监督消费者的需求。

建：建立与目标群体的有效沟通，构建良好的用户体验，同时让消费者成为企业的传播者。一、选择个性化的对话模式，建立特定群体沟通。二、洞察用户的心理。三、建立完善的售后服务系统。

检：大数据具有混杂性，无法实现对数据精准处理，所以需要实时地进行营销策略的合适性的检查。一方面注意微博效应检查。另一方面加强对电影、广告等手段的投放效果检查。

（四）大数据网络营销模型的营销价值

1.预测消费者行为：消费者的行为是复杂而又多样性的，不同消费者在需求、偏好以及选择产品的方式等方面各有侧重，同一消费者在不同时期、不同情境、不同产品选择上，其行为也有很大的差异性。虽然消费者行为多种多样，但在千差万别的背后存在一些特点及行为因素。通过对消费者数据的分析，可以预测消费者下一步的行为，制定相应的刺激策略，鼓励消费者进行购买。

2.引导产品及营销活动投用户所好：大数据驱动网络营销，给网络营销的发展提供了一个崭新的机会，利用大数据挖掘这种新的技术对消费者的行为进行分析，并对企业的营销策略进行优化。可以通过分析各种社交媒体所产生的“大数据”，比如通过新浪微博和百度贴吧的话题热点，可以向用户推荐他们感兴趣的产品，根据用户的反馈数据来检测营销策略的有效性，优化营销策略，提高消费者的满意度。

3.更完整的描述消费者：大数据挖掘类似于用户特征绘制。根据用户在网上留下来的痕迹（数据），然后对数据进行分析处理，挖掘用户的特点、喜好及购买习惯，越来越仔细的描绘消费者，做到“比用户更了解用户自己”。消费者数据包括有：浏览网站数据、社交媒体数据、地理位置数据等，这些数据的挖掘能够更好地将用户特点完整的描绘出来。比如，通过运用大数据技术对消费者在某电子商务购物网站的点击、访问过程、购买决策和评价等的挖掘，能够全方位地描绘消费者，分析出消费者的年龄、职业、性别及兴趣爱好等信息。

4.个性化营销：大数据是精准性和多样性的分析工具，能够使企业决策者从多种不同角度对消费者进行细分，不再是简单的群体划分，而是针对每个细分群体进行个性化营销。比如零售商可以针对消费者的收入、学历、年龄、性格等特点对消费者进行精准分类，针对不同的消费者推送不同的营销内容，为消费者量体裁衣制定“一对一”的个性化营销。

三、结语

随着互联网的迅猛发展，数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。大数据在网络营销领域，已经成为一种商业资本、一项重要的经济投入，对企业来说，大数据的来临驱动着营销变革：营销观念的变革、营销管理的变革、营销方式的变革。从传统营销到网络营销至应时而生的大数据网络营销，营销的战略更趋于多样化，营销的方式更趋于个性化、营销的广告投放更趋于精准化。大数据网络营销已经成为新时代下电子商务重要的新型营销方式，大数据网络营销是营销发展的必然趋势。本文基于BI理论的大数据网络营销模型的建立正是积极响应了这种发展趋势。为了实现先进的大数据技术与网络营销行业相结合，本文将模型分为数据源层、数据层、数据分析层、营销应用层及用户层五个部分，通过模型的建立将大数据与网络营销进行很好的拟合，同时对模型提出了“减、捡、监、建、检”的评价标准。通过大数据在网络营销中的应用，可以对用户的社交网络等相关性进行全面解构，挖掘客户潜在需求，有效地细分市场，精准地洞察顾客，在正确的时间通过正确的渠道对正确的顾客推送正确的信息，实现企业的“精准营销”，让网络营销乘着大数据的浪潮扬帆起航。

[1] CNNIC.第35次中国互联网络发展状况统计报告[R].中国互联网络信息中心, 2015.

[2] 杨学成, 兰冰, 孙飞.品牌微博如何吸引粉丝互动—基于CMC理论的实证研究[J].管理评论, 2015, 27(1)：158-168.

[3] GRAHAM-ROEW D, GOLDSTON D, DOCTOROW C, et al.Big Data：Science in the Petabyte Era[J].Nature, 2008,455(7209)：8-9.

[4] BROWN.Dealing with data[J].Science, 2011, 5(4)：56-150.

[5] 李国杰, 程学旗.大数据研究：未来科技及经济社会发展的重大战略领域—大数据的研究现状与科学思考[J].中国科学院院刊, 2012, 27(6)：647-657.

[6] ZHAO W Z, MARTHA V, XV X W, et al.A Parallel Structural Clustering Algorithm for Big Networks in MapReduce[J].Advanced Information Networking and Applications(IEEE AINA), 2013, 30(1)：862-869.

[7] LEE R, LUO T, HUAI Y, et al.Y smart：Yet Another Sql-to-mapreduce Translator[C].Distributed Computing Systems(ICDCS), 2011.

[8] MUKHERJEE A, DATTA J, JORAPUR R, et al.Shared Disk Big Data Analytics with Apache Hadoop[C].Puce,India：19th International Conference on.IEEE, 2012.

[9] QIN X, WANG H, LI F, et al.Beyond Simple Integration of RDBMS and MapReduce—Paving the Way toward a Unified System for Big Data Analytics：Vision and Progress[J].Cloud and Green Computing(CGC), 2013, 1(10)：716-725.

[10] PIROLLI P, CARD S.The Sensemaking Process and Leverage Points for Analyst Technology as Identified Through Cognitive Task Analysis[C].Proceedings of International Conference on Intelligence Analysis, 2005.

[11] STASKO J, GORG C, LIU Z.Jigsaw：Supporting Investigation Analysis Through Interactive Visualization[J].Information Visualization, 2008, 7(2)：118-132.

[12] HOWE D, COSTANZO M, FEY P, et al.Big Data：The Future of Biocuration[J].Nature, 2008, 455(7209)：47-50.

[13] SALIMI N, VITA R.The Biocurator：Connecting and Enhancing Scientific Data[J].PLoS computional biology, 2006,2(10)：e125.

[14] MCKENNA A, HANNA M, BANKS E, et al.The Genome Analysis Toolkit：A MapReduce Framework for Analyzing Next-generation DNA Sequencing Data[J].Genome research, 2010, 20(9)：1297-1303.

[15] HROVAT G, STIGLIC G, KOKOL P, et al.Contrasting Temporal Trend Discovery for Large Healthcare[J].Computer Methods and Programs in Biomedicine, 2014,113(1)：251-257.

[16] SCHADT E E, LINDERMAN M D, SORENSON J,et al.Cloud and Heterogeneous Computing Solutions Exist Today for the Emerging Big Data Problems in Biology[J].Nature Reviews Genetics, 2011, 12(3)：224-224.

[17] 黄永勤.国外大数据研究热点及发展趋势探析[J].情报杂志, 2014, 33(6)：99-104.

[18] NIELSON J, INOUE T, PAQUETTE J, et al.Big Data Visualization for Translational Neurotrauma[J].Journal of Neurotrauma, 2013：A61-A62.

[19] STARK R F, WOLLOCKO A, BORYS M, et al.Visualizing Large Scale Patterns and Anomalies in Geospatial Data：VAST 2012 Mini Challenge #1 Award：Honorable Mention for Good Visual Design[C].Visual Analytics Science and Technology(VAST), 2012.

[20] LANEY D.3D Data Management：Controlling Data Volume, Velocity and Variety[R].Meta Group, 2001.

[21] BEYER M A, LANEY D.The Importance of Big Data：A Definition[EB/OL].(2016-6-21).https：//www.mendeley.com/research-papers/gartner-says-solving-big-data-challengeinvolves-more-just-managing-volumes-data/.

[22] MEIJER E.The World According to Linq[J].Communications of the ACM, 2011, 54(10)：45-51.

[23] MARK B.Gartner Says Solving Big Data Challenge Involves More than just Managing Volumes of Data[EB].Gartner Retrieved, 2011.

[24] CHEN R M.Challenges, values and countermeasures of the era of big data[J].Mobile Communication, 2012(17)：14-15.

[25] RYS M.Scalable SQL[J].Communications of the ACM, 2011, 54(6)：48-53.

[26] 张引, 陈敏, 小飞.大数据应用的现状与展望[J].计算机研究与发展, 2013, 50(S2)：216-233.

[27] FENG D G, ZHANG M, Li H.Data security and privacy protection[J].Chinese Journal of Computers, 2014,37(1)：246-258.

[28] MENG X F, CI X.Big data management：Concepts、techniques and challenges[J].Journal of Computer Research and Development, 2013, 50(1)：146-169.

[29] LI G J.Scientific value on Big Data research[J].Communications of China Computer Federation, 2012, 8(9)：8-15.

[30] LI G J.White Paper on China’s Big Data Technology and Industry Development[R].Big Data Expert Committee in China Computer Federation, 2013.

[31] ALEXANDRE B S.Big Data Usage in the Marketing Information System[J].Journal of Data Analysis and Information Processing, 2014, 2(3)：77-85.

[32] PETER S H, LEEFIANG, PETER C, et al.Challenges and solutions for marketing in a digital era[J].European Management Journal, 2014, 32(1)：1-12.

[33] PAULUS H A, ANDREKI, YAZDANIFARD R.Is EMarketing the Future of Marketing Field?[J].American Journal of Industrial and Business Management, 2014, 4(7)：333-336.

[34] RAZAVI A, MOSCHOYIANNIS S, KRAUSE P.An open digital environment to support business ecosystems[J].Peer-to-Peer Networking and Applications, 2009, 2(4)：367-397.

[35] STEPHEN F.Getting real about Big Data：applying critical realism to analyze Big Data hype[J].International Journal of Managing Projects in Business, 2013, 6(4)：739-760.

[36] MCDONALD J, LÉVEILLÉ V.Whither the retention schedule in the era of big data and open data?[J].Records Management Journal, 2014, 24(2)：99-121.

[37] DANIEL J.Using“Big Data”for analytics and decision support[J].Journal of Decision Systems, 2014, 23(2)：222-228.

[38] 冯芷艳, 郭迅华, 曾大军.大数据背景下商务管理研究若干前沿课题[J].管理科学学报, 2013(1)：1-9.

[39] 王东.大数据技术在精准营销中的应用[J].中国流通经济, 2013(7)：90-93.

[40] 叶琼伟, 宋光兴, 谭继江.商务智能(BI)在电子商务企业中应用的实证研究—以YNYY药业连锁企业为例[J].科技进步与对策, 2010, 27(21)：113-115.

[41] LEE K, LIM G.Technological regimes、catching-up and leapfrogging findings from Korean industries[J].Research Policy, 2001, 30(3)：459-483.

[42] 吴晓波.二次创新的进化过程[J].科研管理,1995(2)：27-35.

[43] ADOMAVICIUS G, TUZHILIN A.Using data mining methods to build custom profiles[J].Computer, 2001,34(2)：74-82.

[44] BARRY D V, MACKINNON, PETER.Microsoft Data Mining：Integrated Business Intelligence for e-Commerce and Knowledge Management[M].London：Digital Press, 2001.

[45] MARCH S T, HEVNER A R.Integrated decision support systems：A data warehousing perspective[J].Decision Support Systems, 2007, 43(3)：1031-1043.

[46] 邹鹏, 李一军, 叶强.客户利润贡献度评价的数据挖掘方法[J].管理科学学报, 2004, 7(1)：53-58.

[47] MICHAEL J S, SUBRAMANIAM C, TAN G W.Knowledge management and data mining for marketing[J].Decision Support Systems, 2001, 31(1)：127-137.

[48] WATSON H J, WIXOM B.The Current State of Business Intelligence[J].IEEE Computer, 2007, 40：96-99.

[49] WANG Z Y.The research of process mining assessment used in business intelligence[C].11th International Conference on Computer and Information Science, 2012.

[50] LUO S M, WANG Z K, WANG Z P.Big-Data Analytics：Challenges, Key Technologies and Prospects[J].Cloud Computing and IT Institute of ZTE Corporation, 2013,11(2)：11-17.

[51] HILBERT M.The worlds technological capacity to store, communicate and compute information[J].Science, 2011,332(6025)：60-65.

[52] BUGHIN J, CHUL M, MANYLKA J.Clouds, big data, and smart assets：Ten tech-enabled business trends to watch[J].McKinsey Quarterly, 2010(8)：1-14.

[53] ZHOU X F, LU J H, LI C P, et al.The challenges of big data from the perspective of data management[J].Communications of the China Computer Federation, 2012, 8(9)：16-21.

[54] 王林.基于评论信息的网购情境线索类型及其作用机制研究[J].管理评论, 2015, 27(4)：156-166.