大数据应用场景之战-行业篇
大数据产业发展了几年之后，即将进入到价值变现阶段。传统企业已经对大数据技术和应用有了初步了解，大数据平台和技术的应用也开始普遍。不要在大数据繁荣期犯错误，一些公司也成立了大数据部门，大数据得到了企业的高度重视，但是很多企业和厂商主要的困难在于大数据的场景应用，既如何利用数据分析和外部数据来提升业务。
计划近期推出一系列文章，向大家介绍大数据的场景应用，介绍如何利用数据分析和外部数据实现价值变现，提升业务。先期主要集中在以下几篇。分别从大数据场景应用的横向和纵向来分享大数据应用场景，同时也会从数据源、数据应用、数据分析方法和工具出发来介绍如何应用数据。计划5篇文章，其简单的内容介绍别如下。
- 行业篇：从大数据场景应用的横向出发，介绍各个行业的大数据应用场景，重点介绍银行、证券、保险、互联网金融、地产、旅游、交通、农业、智慧政府等行业大数据场景应用和案例
- 功能篇：从大数据场景应用的纵向出发，介绍大数据分析在各个功能领域的应用场景，重点介绍精准营销、数据风控、效率提升、决策支持、产品运营的大数据场景和案例。
- 数据源篇：从数据类型和数据源角度出发，介绍中国市场上拥有数据源的公司，其数据来源、数据类型、数据应用场景、数据应用案例。
- 用户画像篇：从数据应用出发，介绍如何梳理和整理数据，如何打标签，如何利用数据描述用户，如何建立可以进行商业应用的用户画像，如何通过用户画像找到数据商业应用场景。
- 数据分析篇：从数据分析角度出发介绍常用的数据挖掘和统计分析方法、模型、算法。数据挖掘和分析常用的知识点、数据分析模型和应用案例。
第一篇行业篇
很多企业对大数据的价值了解不多，不知道如何应用数据，如何利用数据创造价值。大数据的场景应用成了很多企业迫切需要了解的问题，也是大数据在企业应用的一个主要出发点。本文将从几个产业和领域来同大家分享一下大数据的应用场景，同时也帮助企业掌握找到数据应用切入点。
大数据场景应用本质上就是数据的业务应用场景，是数据和数据分析在企业经营活动中的具体表现。可以从不同的纬度来了解大数据的场景应用。从横向上分析，大数据在不同行业有不同的应用场景，简单讲就是提升业务，降低成本，开源和节流并重。由于各个行业的数据维度和数质量不同，大数据在不同行业应用的成熟度不同，金融行业的数据维度较多，数据质量也很好，数据集中和数据治理也开展了一段时间，因此金融行业的大数据应用开展较好，也取得了一些较好的效果。地产行业的大数据刚刚开始，主要应用在于线下和线上数据打通、土地决策、地产金融等方面。电商是最早利用数据变现的行业，客户交易和行为数据分析已经成为电商行业核心竞争力。互联网金融、零售、医疗、交通、航空旅游的数据应用也开始了一段时间，数据分析已经为他们带来了较大的业务提升。
一 金融行业大数据场景应用
金融行业拥有丰富的数据，并且数据维度和数据质量也很好，自身的数据就是最好的数据，可以开发出很多应用场景。如果考虑引入外部数据，可以加快数据价值的变现，市场上较好的数据有社交数据、电商交易数据、移动大数据、运营商数据、工商司法数据、公安数据、教育数据、银联交易数据等。
大数据在金融行业应用范围较广，典型的案例有花旗银行利用IBM沃森电脑为财富管理客户推荐产品，并预测未来计算机推荐理财的市场将超过银行专业理财师。摩根大通银行利用决策树技术，降低了不良贷款率、转化了提前还款客户，一年为摩根大通银行增加了6亿美金的利润。VISA公司利用Hadoop平台将730亿交易处理时间从一个月缩短到13分钟。
1 银行数据应用场景
银行的数据应用场景比较丰富，典型的数据应用场景集中在数据库营销、用户经营、数据风控、产品设计和决策支持等。现阶段，大数据在银行的商业应用还是以其自身交易数据和客户数据为主，外部数据为辅;描述性数据分析为主，预测性数据建模为辅;经营客户为主，经营产品为辅。
可以将银行的数据按类型分为交易数据、客户数据、信用数据、资产数据四大类。大部分数据都集中在数据仓库，都是结构化数据，金融属性较强，可以利用数据挖掘来分析出一些交易数据背后的商业价值。商业银行正在从经营产品转向经营客户，因此目标客户的寻找，正在成为银行数据商业应用的主要方向。其中高端财富管理和理财客户的挖掘，成为吸收存款和理财产品销售的主要应用领域。
1)利用数据库营销，挖掘高端财富客户
从物业费待缴服务中寻找高端理财客户，银行可能帮助一些物业公司进行物业费代缴，其中包含了较多的高档楼盘的代扣代缴，银行可以依据物业费的多少，来识别出高档住宅的业主。例如针对物业费代扣金额超过3千元的客户进行分析，结合其在本行的资产余额，来帮助银行找到一些主要资产不在本行的高端用户，为这些用户提供理财服务和资产管理服务。曾经某家股份制商业银行，利用此方法，两个月新增了十多亿存款。
2)利用银行卡刷卡记录来寻找财富管理人群
中国有120万人口高端财富人群，这些人群平均可支配的金融资产在一千万人民币，是所有银行财富管理重点发展的人群。这些人群具有典型的高端消费习惯，高端消费场场景覆盖奢侈品、游艇、豪车、手表、高尔夫、古玩等。银行可以参考POS机的消费记录定位这些高端财富管理人群，为其提供定制的财富管理方案，吸收其成为财富管理客户，增加存款和理财产品销售。另外移动设备的位置数据也可以帮助银行识别出这些人群。
3)利用外部数据找到白金卡用户
信用卡中的白金卡主要面对高端消费人群，这些人群很难通过线下的方式触达，但是其又是信用卡公司希望获得的高价值用户。银行可以参考客户乘坐头等仓的次数、出境游消费金额、境外数据漫游费用来为其提供白金卡服务，这类经常乘坐头等仓和消费高的客户，其消费额度和信用水平应该可以满足白金信用卡客户的要求。这种消费场景的关联应用是典型的大数据应用方式，也是目前数据库营销和数据风控常用的场景。
2 保险行业数据应用功能场景
保险行业主要通过保险代理人连接保险客户，对客户的基本信息和需求掌握很少，因此极端依赖外部保险代理人和渠道(银行)，在竞争不激烈的情况下，这种连接客户的方式是可以的。但是如果互联网保险兴起之后，用户很可能会被分流到互联网渠道，因为年轻人更加喜欢通过互联网这个渠道来满足自己的需求。未来线上客户将成为保险公司客户来源。
保险行业的产品是一个长周期产品，保险客户再次购买保险产品的转化率很高，经营好老客户是保险公司一项重要任务。保险公司内部的交易系统不多，交易方式不是很复杂，数据主要集中在产品系统和交易系统之中，客户关系管理系统中也包含丰富了信息，但是数据集中在很多保险公司还没有完成，数据仓库建设可能需要在用户画像建设前完成。
保险公司主要数据有人口属性信息，信用信息，产品销售信息，客户家人信息。缺少兴趣爱好、消费特征、社交信息等信息。保险产品主要有寿险，车险，保障，财产险，意外险，养老险，旅游险。
保险行业数据业务场景是围绕保险产品和保险客户进行的，典型的数据应用有利用用户行为数据来制定车险价格(UBI)，利用客户外部行为数据来了解客户需求，向目标用户推荐产品，例如依据自身数据(个人属性)，外部养车App活跃情况，为保险公司找到车险客户;依据自身数据(个人属性)，移动设备位置信息，为保险企业找到商旅人群，推销意外险和保障险。依据自身数据(家人数据)，人生阶段信息，为用户推荐理财保险，寿险，保障保险，养老险，教育险，依据自身数据和外部数据，为高端人士提供财产险和寿险。利用外部数据，提升保险产品的精算水平，提高利润水平和投资收益。
保险公司急需收集整理客户信息，为客户建立人生档案，利用个人的生命周期各个阶段需要，为客户提供保险产品。保险公司也需要同外部渠道进行合作开发出适合不同业务场景的保险产品。例如航班延误险、旅游天气险、手机被盗险等新的险种。目的不是靠这些险种盈利，而是找到潜在客户，为客户提供其他保险产品。另外保险公司应该借助于移动互联网连接客户，利用数据分析来了解客户，降低对外部渠道的依赖，降低保险营销费用，提高直销渠道投入和直销销售比。
3 证券行业数据应用场景
证券行业的主要收入来源于经纪业务、资产管理、投融资服务、自由资金投资。外部数据的分析，特别是行业数据的分析有助于其投融资服务和投资业务。2015年4月13日，一码通实施之后，证券行业面临了互联网证券平台的强力竞争，依据TalkingData发布的金融App排行榜，移动互联网证券App，排名前5位的证券类App，只有一家传统券商华泰证券。排名第一的互联网券商同化顺覆装机量是排名第一传统券商的6倍，前三名的互联券商总体覆盖用户接近6000万用户。用户总数还在不断增加。传统证券行业现在面临的主要挑战是用户交易账户的争夺，证券行业如何增加新用户?如何留住用户?如何提高证券行业用户的活跃?如何提高单个客户的收入?是证券行业主要的业务需求。
证券行业拥有的数据类型有个人属性信息例如用户名称，手机号码，家庭地址，邮件地址等。证券公司还拥有交易用户的资产和交易纪录，同时还拥有用户收益数据，利用这些数据和外部数据，证券公司可以利用数据建立业务场景，筛选目标客户，为用户提供适合的产品，提高单个客户收入。帕累托效应还是适用于证券行业，20%的客户创造了80%的利润。证券行业需要找到高频交易客户、资产较高的客户，理财客户。借助于数据分析，如果客户平均年收益低于5%，交易频率很低，建议其购买证券公司提供的理财产品。如果客户交易很频繁，又收益较高，可以主动推送融资服务。如果客户交易不频繁，但是资金量较大，可以为客户提供投资咨询，激活客户交易兴趣。客户交易的频率，客户的资产规模，客户交易量都是证券公司主要收入来源，对客户交易习惯和行为分析可以帮助证券公司获得更多的收益。另外证券App交易的便捷和用户体验，也是提升用户粘性的重要方面。
证券公司除了利用企业财务数据来判断企业经营情况，还可以利用外部数据来分析企业的经营情况，为投融资以及自身投资业务提供有力支持。例如利用移动App的活跃和覆盖率来判断移动互联网企业经营情况，电商、手游、旅游等行业的App活跃情况完全可以说明企业运营情况。海关数据、物流数据、电力数据、交通数据、社交舆情、邮件服务器容量等数据可以说明企业经营情况，为投资提供重要参考。
二 地产行业大数据场景应用
地产行业正在从黄金发展期进入到白银发展期，房地产商从过去粗放经营转向精细化经营。地产生意不在是简单的交钥匙工程，简单的商品房建设。地产公司正在转向商业地产开发和商铺经营、物业经营。市场的竞争正在驱动地产公司寻找新的收入增点和新的商业模式。有的地产巨头例如万科和万达，已经转向社区O2O、电商、文化产业、地产金融等业务。
一些地产公司和大数据公司正在寻找大数据在地产行业的应用场景，并且已经取得了阶段性成果。移动大数据正在帮助地产行业在土地开发、小区规划、商铺规划、地产O2O，甚至地产金融等方面发挥作用。地产大数据商业应用场景被逐渐被挖掘出来，大数据技术在资源配置和客户分析等方面发挥了过去想象不到的作用，移动大数据正在帮助房地产公司实施数字化运营，获得新的业务收入。TalkingData作为一个领先的移动大数据公司，在土地规划、客户经营、打通O2O等方面帮助很多房地产商实现数字化经营，并取得了一些成绩。数据商业应用给地产商带来了过去不存在的商业价值，移动大数据技术在商业地产的应用，正在成为很多房地产公司重点关注的领域。
1 移动大数据在商业地块定价策略方面的应用
先从一个真实的例子开始，一家著名的房地产公司，其房产开发主要集中在三线城市。当这家房地产公司进入到一个城市时，当地政府非常欢迎，并拿出了一个拥有30万户籍人口的土地让房地产公司进行开发。房地产公司开发完之后，发现房子卖出去很少，同30万户籍人口的需求完全不在一个数量级上，房子积压了不少，造成了较大损失。
地产公司很困惑，究竟是什么原因导致了房子滞销，经过一段时间的调研，地产公司发现30万户籍人口中有一半以上在其他城市工作，并且未来不会回来购买住房，其开发地块的常住人口住房购买需求较低，相当于10万户籍人口的需求。地产商按照30万人口需求开发的住宅小区，很难在当地短期内卖出去。本次房地产投资损失较大，导致房地产商从当地房产市场退出。
TalkingData利用移动设备的位置数据，可以帮开发商了解其开发地块的常住人口数量、年龄分布和职业特点、以及收入水平。通过数据分析，房地产商可以客观了解开发地块每天晚上居住的人口数量，进入的人口数量，第二天离开的人口数量，以及这些人口的活动规律、年龄阶段、职业类型、收入水平、消费水平等。这些数据可以帮助房地产商对土地价值进行评估，这些信息对土地价格影响很大。房地产公司已经利用移动大数据进行土地价值估算，避免采用户籍人口数量方式来价值估算土地价值，降低了土地投资成本和房地产开发风险。
越来越多的房地产公司正在利用移动大数据，客观精确地估计其开发的土地价值，降低土地投资费用。房地产开发商也将参考用户信息进行房型设计、商铺规划、配套设施规划等，真正将大数据价值应用到房地产项目上去，优化资源配置，提高运营效率。
2 移动大数据在商铺地产规划上的应用
房地产行业正在将产业链进行延伸，住宅小区的商业地产项目已经成为房地产公司未来利润的增长点。商铺主要为周围居民提供服务的，居民的消费偏好成为商铺设计的一个出发点。商铺的合理规划对商业地产的增值起到了关键的作用。
移动互联网的大数据可以帮助房地产商了解客户的消费偏好，通过用户智能手机的App列表和其活跃程度，大数据公司可以对周围居民进行分析和画像。这些用户画像包括客户的生活爱好、年龄层次，消费特点等信息。房地产商可以利用这些信息进行商铺规划，根据客户消费需求来规划商铺，最大化商铺的利用率和客流量，合理配置商铺资源。
TalkingData已经向一些地产开发商提供了用户画像数据，这些用户画像数据正在被用作商铺规划。房地产商依据周围用户的特点和数量，规划教育、娱乐、健康、户外运动、美容等商铺的配置比例，确保有足够的商铺来满足客户需求，同时也确保相同类型商铺不要太多，最大化商铺的经济利益，也为商业地产增值提供基础。
房地产商利用移动互联网侧客户行为数据和消费爱好数据，在开发商铺时依据客户需求规划商铺，提高商铺客流量和消费总额，帮助房地产商提高商铺价值和潜在的租金。商户也可以利用用户画像数据深度了解客户，为商品采购和服务提供数据支持，为客户提供更加优质的商品和服务。
三 零售行业大数据场景应用
零售行业比较有名气的大数据案例就是沃尔玛的啤酒和尿布的故事，以及Target通过向年轻女孩寄送尿布广告而告知其父亲，女孩怀孕的故事。沃尔玛是大数据分析应用的先锋，其拥有全世界第二大规模的数据仓库，第一大规模数据仓库的拥有者是美国政府。
零售行业可以通过客户购买记录，了解客户关联产品购买喜好，将相关的产品放到一起增加来增加产品销售额，例如将洗衣服相关的化工产品例如洗衣粉、消毒液、衣领净等放到一起进行销售。根据客户相关产品购买记录而重新摆放的货物将会给零售企业增加30%以上的产品销售额。
零售行业还可以记录客户购买习惯，将一些日常需要的必备生活用品，在客户即将用完之前，通过精准广告的方式提醒客户进行购买。或者定期通过网上商城进行送货，既帮助客户解决了问题，又提高了客户体验。
电商是最早利用大数据进行精准营销的行业，电商网站内推荐引擎将会依据客户历史购买行为和同类人群购买行为，进行产品推荐。市场上推荐引擎的产品转化率一般在6%-8%，很少有超过8%以上的转化率。
电商行业的巨头天猫和京东，已经通过客户的购买习惯，将客户日常需要的商品例如尿不湿，卫生纸，衣服等商品依据客户购买习惯事先进行准备。当客户刚刚下单，商品就会在24小时内或者30分钟内送到客户门口，提高了客户体验，让客户连后悔等时间都没有。
电商的数据量足够大，数据较为集中，数据种类较多，其商业应用具有较大的想象空间。包括预测流行趋势，消费趋势、地域消费特点、客户消费习惯、消费行为的相关度、消费热点等。依托大数据分析，电商可帮助企业进行产品设计、库存管理、计划生产、资源配置等，有利于精细化大生产，提高生产效率，优化资源配置。
四 医疗行业大数据场景应用
医疗行业拥有大量病例、病理报告、医疗方案、药物报告等。如果这些数据进行整理和分析，将会极大地帮助医生和病人。在未来，借助于大数据平台我们可以收集疾病的基本特征、病例和治疗方案，建立针对疾病的数据库，帮助医生进行疾病诊断。
IBM的花了10亿美元收购了一家公司，获得了这家公司的10万份病人档案，IBM的沃森已经学习了这些医疗档案，依据过去的数据和诊断建立了疾病诊断模型，并向医生推荐治疗方案。IBM的沃森背后支撑的系统是DeepQA，专注文本分析、基于概率大规模并行分析系统。医生们用来诊断和治疗的医学知识中，只有20%具有实证基础，每五年相关的医学知识就会翻一倍，医生们根本没有时间来查阅所有期刊，实时更新其知识储备。
IBM的沃森具有这样的学习和更新能力，可以帮助医生进行诊断和提出治疗方案。美国的MD安德森癌症医疗中心正在实用IBM的沃森帮助医生进行诊断和制定治疗方案。
基因技术发展成熟后，可以根据病人的基因序列特点进行分类，建立医疗行业的病人分类数据库。在医生诊断病人时可以参考病人的疾病特征、化验报告和检测报告，参考疾病数据库来快速帮助病人确诊。在制定治疗方案时，医生可以依据病人的基因特点，调取相似基因、年龄、人种、身体情况相同的有效治疗方案，制定出适合病人的治疗方案，帮助更多人及时进行治疗。这些数据也有利于医药行业开发出更加有效的药物和医疗器械。中国的基因测序处于世界领先梯队，目前不到一万元就可以测量客户36对基因序列，可以帮助医生进行早期疾病诊断和制定治疗方案。
医疗行业的数据应用一直在进行，但是数据没有打通，都是孤岛数据，没有办法大规模应用。未来需要将这些数据统一收集起来，纳入统一的大数据平台，为人类健康造福。政府是推动这一趋势的重要动力。
五 移动互联网广告
数字广告越来越受到广告主的重视，其未来市场规模越来越大。2014年美国的互联网广告市场规模接近500亿美元，参考中国的人口消费能力，其市场规模会很快达到2000亿人民币左右。
过去到广告投放都是以好的广告渠道+广播式投放为主，广告主将广告交给广告公司，由广告公司安排投放，其中SEM广告市场最大，其次为展示广告，精准品牌推广广告很少，多是广播式广告投放。广播式投放的弊端是投入资金大，没有针对目标客户，面对所有客户进行展示，广告的TA(目标客户)响应较低，并存在数字广告营销陷阱等问题。
大数据技术可以将客户在互联网上的行为记录下来，对客户的行为进行分析，打上标签并进行用户画像。特别是进入移动互联网时代之后，客户主要的访问方式转向了智能手机和平台电脑，移动互联网的数据包含了个人行为数据，可以用于360度用户画像，更加接近真实人群。
移动大数据的用户画像可以帮助广告主进行精准营销，将广告直接投放到用户的移动设备，其广告的目标客户覆盖率可以大幅度提高。一般情况下提升的效果在30%以上，广告主品牌广告单个TA曝光费用下降，用较少的数据投入费用获得了较高的曝光率。
六 互联网金融大数据场景应用
互联网金融爆发式发展，2015年P2P的交易总额将会超过1万亿，将成为具有影响力的产业。但是在P2P行业，其面对的风险也在加大，除了传统的信用风险，其外部欺诈风险正在成为一个主要风险。有的P2P公司统计过，带给P2P公司的最大外部风险不是借款人的坏账，而是犯罪集团的恶意欺诈。网络犯罪正在成为P2P公司面临的主要威胁之一，甚至在一些P2P公司，恶意欺诈产生的损失占整体坏账的60%。很多P2P公司将主要精力放在如何预防恶意方面。高风险客户识别和黑名单成为预防恶意欺诈的主要手段。移动大数据可以帮助互联网金融企业识别出欺诈用户和高风险用户
1用户居住地的辨别
线上的欺诈行为具有较高的隐蔽性，很难识别和侦测。P2P贷款用户很大一部分来源于线上，因此恶意欺诈事件发生在线上的风险远远大于线下。中国的很多数据处于封闭状态，P2P公司在客户真实信息验证方面面临较大的挑战。
移动大数据可以验证P2P客户的居住地点，例如某个客户在利用手机申请贷款时，填写自己居住地是上海。但是P2P企业依据其提供的手机设备信息，发现其过去三个月从来没有居住在上海，这个人提交的信息可能是假信息，发生恶意欺诈的风险较高。移动设备的位置信息可以辨识出设备持有人的居住地点，帮助P2P公司验证贷款申请人的居住地。
2用户工作地点的验证
借款用户的工作单位是用户还款能力的强相关信息，具有高薪工作的用户，其贷款信用违约率较低。这些客户成为很多贷款平台积极争取的客户，也是恶意欺诈团伙主要假冒的客户。
某个用户在申请贷款时，如果声明自己是工作在上海陆家嘴金融企业的高薪人士，其贷款审批会很快并且额度也会较高。但是P2P公司利用移动大数据，发现这个用户在过去的三个月里面，从来没有出现在陆家嘴，大多数时间在城乡结合处活动，那么这个用户恶意欺诈的可能性就较大。移动大数据可以帮助P2P公司在一定程度上来验证贷款用户真实工作地点，降低犯罪分子利用高薪工作进行恶意欺诈的风险。
3欺诈聚集地的识别
恶意欺诈往往具有团伙作案和集中作案的特点。犯罪团伙成员常常会在集中在一个临时地点，雇佣一些人，短时间内进行疯狂作案。
大多是情况下，多个贷款用户在同一个小区居住的概率较低，同时贷款的概率更低。如果P2P平台发现短短几天内，在同一个GPS经纬度，出现了大量贷款请求。并且用户信息很相似，申请者居住在偏远郊区，这些贷款请求的恶意欺诈可能性就较大。P2P公司可以将这些异常行为定义为高风险事件，利用其他的信息进一步识别和验证，降低恶意欺诈的风险。移动设备的位置信息可以帮助P2P公司，识别出出现在同一个经纬度的群体性恶意欺诈事件，降低不良贷款发生概率。
4 高风险贷款用户的识别
高风险客户也是P2P企业的一个风险。高风险客户定义比较广泛，除了信用风险，贷款人的身体健康情况也是一个重要参考。移动大数据的位置信息、安装的App类型、App使用习惯，在一定程度上反映了贷款用户的高风险行为。P2P企业可以利用移动设备的位置信息，了解过去3个月用户的行为轨迹。如果某个用户经常在半夜2点出现在酒吧等危险区域，并且经常有飙车行为，这个客户定义成高风险客户的概率就较高。
一些高风险客同时在不同平台借款，加大了贷款风险。TalkingData的App数据服务可以帮助企业了解客户何时下载了借款App，近期活跃使用的借款App，帮助P2P企业了解客户借款App使用情况，识别出多头贷款用户。
欺诈用户具有刻意隐藏自己行为的特点，用于欺诈的手机很少安装同生活相关的工具例如微信、淘宝、支付宝、邮箱等App，即使安装了也很少使用。借助于TalkingData的App数据服务，P2P企业刻意了解客户App安装和使用情况，识别出具有欺诈嫌疑的客户。
七 农业大数据场景应用
农产品不容易保存，合理种植和养殖农产品对农民非常重要。借助于大数据提供的消费能力和趋势报告，政府将为农牧业生产进行合理引导，依据需求进行生产，避免产能过剩，造成不必要的资源和社会财富浪费。大数据技术可以帮助政府实现农业的精细化管理，实现科学决策。在数据驱动下，结合无人机技术，农民可以采集农产品生长信息，病虫害信息。
农业生产面临的危险因素很多，但这些危险因素很大程度上可以通过除草剂、杀菌剂、杀虫剂等技术产品进行消除。天气成了影响农业非常大的决定因素。过去的天气预报仅仅能提供当地的降雨量，但农民更关心有多少水分可以留在他们的土地上，这些是受降雨量和土质来决定的。
Climate公司利用政府开放的气象站的数据和土地数据建立了模型，他们可以告诉农民可以在哪些土地上耕种，哪些土地今天需要喷雾并完成耕种，哪些正处于生长期的土地需要施肥，哪些土地需要5天后才可以耕种，大数据技术可以帮助农业创造巨大的商业价值。
八 物流行业
中国的物流产业规模大概有5万亿左右，其中公里物流市场大概有3万亿左右。物流行业的整体净利润从过去的30%以上降低到了20%左右，并且下降的趋势明显。物流行业很多的运力浪费在返程空载、重复运输、小规模运输等方面。中国市场最大等物流公司所占的市场份额不到1%。因此资源需要整合，运送效率需要提高。
物流行业借助于大数据，可以建立全国物流网络，了解各个节点的运货需求和运力，合理配置资源，降低货车的返程空载率，降低超载率，减少重复路线运输，降低小规模运输比例。通过大数据技术，及时了解各个路线货物运送需求，同时建立基于地理位置和产业链的物流港口，实现货物和运力的实时配比，提高物流行业的运输效率。借助于大数据技术对物流行业进行的优化资源配置，至少可以增加物流行业10%左右的收入，其市场价值将在5000亿左右。
九 智慧城市管理
如今，世界超过一半的人口生活在城市里，到2050年这一数字会增长到75%。政府需要利用一些技术手段来管理好城市，使城市里的资源得到良好配置。既不出现由于资源配置不平衡而导致的效率低下以及骚乱，又要避免不必要的资源浪费而导致的财政支出过大。大数据作为其中的一项技术可以有效帮助政府实现资源科学配置，精细化运营城市，打造智慧城市。
城市的道路交通，完全可以利用GPS数据和摄像头数据来进行规划，包括道路红绿灯时间间隔和关联控制，包括直行和左右转弯车道的规划、单行道的设置。利用大数据技术实施的城市交通智能规划，至少能够提高30%左右的道路运输能力，并能够降低交通事故率。在美国，政府依据某一路段的交通事故信息来增设信号灯，降低了50%以上的交通事故率。机场的航班起降依靠大数据将会提高航班管理的效率，航空公司利用大数据可以提高上座率，降低运行成本。铁路利用大数据可以有效安排客运和货运列车，提高效率、降低成本。
城市公共交通规划、教育资源配置、医疗资源配置、商业中心建设、房地产规划、产业规划、城市建设等都可以借助于大数据技术进行良好规划和动态调整。
大数据技术可以了解经济发展情况，各产业发展情况，消费支出和产品销售情况，依据分析结果，科学地制定宏观政策，平衡各产业发展，避免产能过剩，有效利用自然资源和社会资源，提高社会生产效率。大数据技术也能帮助政府进行支出管理，透明合理的财政支出将有利于提高公信力和监督财政支出。大数据及大数据技术带给政府的不仅仅是效率提升、科学决策、精细管理，更重要的是数据治国、科学管理的意识改变，未来大数据将会从各个方面来帮助政府实施高效和精细化管理，具有极大的想象空间。文章来源36大数据，www.36dsj.com ，微信号dashuju36 ，36大数据是一个专注大数据创业、大数据技术与分析、大数据商业与应用的网站。分享大数据的干货教程和大数据应用案例，提供大数据分析工具和资料下载，解决大数据产业链上的创业、技术、分析、商业、应用等问题，为大数据产业链上的公司和数据行业从业人员提供支持与服务。
End.
36大数据专稿，原文作者：Stuart Franke 本文由36大数据翻译，原文文链接 http://www.36dsj.com/archives/44752