數據時代下 涂料行業的大數據分析

 

數據時代下 涂料行業的大數據分析

然而，大數據時代是到來，那么大數據意味著什么，它到底會改變什么?如何從大數據中發掘出“真金白銀”則是一個現實的挑戰。僅僅從技術角度回答，已不足以解惑。如果來個必須，大數據只是賓語，那么離開了人這個主語，它再大也沒有意義。所以我們需要把大數據放在人的背景中加以透視，理解它作為時代變革的力量。

 

作為通用的一種分析手段，我們不妨把這個主語化成“涂料行業”，分析大數據對涂料行業的影響，解讀為何大數據分析能為涂料行業帶來時代變革的力量。

數據時代下 涂料行業的大數據分析

 

大數據分析：信息爆炸時代產生的海量數據

進入2012年，大數據(big data)一詞越來越多地被提及，人們用它來描述和定義信息爆炸時代產生的海量數據，并命名與之相關的技術發展與創新。它已經上過《紐約時報》《華爾街日報》的專欄封面，進入美國官網的新聞，現身在國內一些互聯網主題的講座沙龍中，甚至被嗅覺靈敏的國金證券、國泰君安、銀河證券等寫進了投資推薦報告。

 

數據正在迅速膨脹并變大，它決定著企業的未來發展，雖然現在企業可能并沒有意識到數據爆炸性增長帶來問題的隱患，但是隨著時間的推移，人們將越來越多的意識到數據對企業的重要性。大數據時代對人類的數據駕馭能力提出了新的挑戰，也為人們獲得更為深刻、洞察能力提供了未有的空間與潛力。

 

當社交網絡還未流行，網購還沒有那么火熱的時候，互聯網充其量只是一個內容傳播的中介。然而，如今社交網絡的興盛和網購成為一種習慣后，互聯網不再僅僅是一個中介和平臺，正如facebook所言，在互聯網空間，人們(或稱網民)除了瀏覽或吸取自己所需信息外，人們在其中還形成一個單元，其一言一行都在透露著自己喜怒哀樂、生活習慣、工作心態、購物欲望等因素。然后，將互聯網用戶相關數據進行整合、分析，成就了如今的“大數據”。

這里，問題就出現了，讓涂料行業人士困惑不已的是，大數據時代不是主要針對IT行業而言嗎?它何時，又何地的跟涂料行業扯上關系的?其實，與其說“大數據”是一個數據庫，不如說“大數據”是一個對當下社會人類行為趨向的分析和總結。大數據之于涂料企業，重要的是消費者的消費行為和消費習慣，他們很大程度上左右企業涂料產品的研發方向和營銷策略，而往往涂企對消費者的了解恰好來自對消費者“大數據”的分析。“大數據”能為涂料企業提供的不再僅僅是冷冰冰的數據，還可以是數據背后預示的市場走向和消費趨勢等信息。

數據時代下，涂料行業需要大數據分析

在這個“大數據”時代里，社會化媒體已經成為人們日常生活必需品。社會化媒體的發展，正帶領涂料營銷進入新的時代。

首先從向消費者傳播信息到與消費者建立關系的時代。今天的涂料品牌如果僅僅依賴傳統媒體和涂料經銷商發出聲音，而沒有進入消費者的關系圖譜中，很可能會被消費者遺忘;

 

其次，基于消費者自傳播形成的大數據時代。在大數據的基礎上分析、洞察和預測消費者的偏好，并據此為消費者提供能滿足他們需求的涂料產品、涂料信息和涂料服務，以及傳遞準確的廣告信息給他們，是企業今天面臨的大挑戰;

 

再來，從可預測可控制，進入一個實時交互與實時溝通的時代。消費者在社會化媒體上的表現是沒有任何規律的，甚至消費者的網絡化族群的聚集也是自發的，涂料企業企業如果不能對消費者的這些實時反應進行實時化互動營銷，也很難滿足消費者的需求，甚至該涂料品牌還可能面臨很大的風險。

 

在社交網絡興盛之后，涂料企業對微博、QQ等社交工具的關注日益提升。正如蘋果改變了智能手機行業的規則一樣，社交工具也改變了人與人之間的聯系。而涂料企業對自家涂料產品的宣傳也開始多元化，逐漸滲透到互聯網。特別是在微博、人人網等社交工具所操作的產品促銷、宣傳等活動，由于互動性強，參與者會在活動頁面不知不覺地留下自己的相關信息，通過“大數據”可以分析出消費者的消費目標、消費行為、消費金額、消費預期等信息。然后，涂料企業再通過整合這些信息，充分了解消費者的相關信息，從而提高自家涂料產品與消費者的契合度。

時下“大數據時代”正在由概念逐漸走向實體化，走向業務化。通過數學、統計學和計算機編程等方式，“大數據”不但可以從相關信息來分析出涂料企業未來的走向，還可以為企業處理與消費者之間的關系提供重要的數據，例如消費者的消費預期目標、消費行為、消費習慣等。相信在未來，伴隨互聯網時代的不斷發展以及涂料行業不斷前進的步伐，在機遇與挑戰并存的道路上，大數據的運用和掌控是涂料企業達到理想發展效果的重要手段。

 

 

知識普及：

 

大數據分析的五階段：

1.Sample：抽取一些代表性的樣本數據集(通常為訓練集、驗證集和測試集)。樣本容量的選擇標準為：包含足夠的重要信息，同時也要便于分析操作。該步驟涉及的處理工具為：數據導入、合并、粘貼、過濾以及統計抽樣方法。

 

 

2.Explore：通過考察關聯性、趨勢性以及異常值的方式來探索數據，增進對于數據的認識。該步驟涉及的工具為：統計報告、視圖探索、變量選擇以及變量聚類等方法。

 

 

3.Modify：以模型選擇為目標，通過創建、選擇以及轉換變量的方式來修改數據集。該步驟涉及工具為：變量轉換、缺失處理、重新編碼以及數據分箱等。

 

 

4.Model：為了獲得可靠的預測結果，我們需要借助于分析工具來訓練統計模型或者機器學習模型。該步驟涉及技術為：線性及邏輯回歸、決策樹、神經網絡、偏小二乘法、LARS及LASSO、K近鄰法以及其他用戶(包括非SAS用戶)的模型算法。

 

 

5.Assess：評估數據挖掘結果的有效性和可靠性。涉及技術為：比較模型及計算新的擬合統計量、臨界分析、決策支持、報告生成、評分代碼管理等。數據挖掘者可能不會使用全部SEMMA分析步驟。然而，在獲得滿意結果之前，可能需要多次重復其中部分或者全部步驟。