大数据分析战略范文1

关键词：大数据；挖掘与分析；专利战略；Hadoop

目前我们生活的方方面面都存在数据传输――无论是智能手机、电子产品和城市基础设施，毋庸置疑，一场数据革命就在眼前。据易观国际统计，2015年我国大数据市场规模达102亿元，2017年有望达到170亿元，这看似百亿级别的市场，背后却能撬动数万亿元的相关市场规模。近年来，阿里巴巴投资优酷和新浪微博，腾讯集团入股京东和大众点评等，背后都有大数据整合的影子。这些掌握着流量的大数据平台，已经成为互联网资源的聚集地。

在如今的大数据时代，数据信息在带给人们生产生活极大便利的同时，还会被诸多社会数据信息所困扰。为了使广大人民群众的日常生活更加便捷，需要其客观、正确地使用、处理数据信息，完善和健全数据分析技术和数据挖掘手段，通过各种切实可行的数据分析方法科学合理地分析大数据时代下的数据，做好数据挖掘技术工作。因此，我们有必要对国内和国际的大数据挖掘与分析产业相关专利深入分析，掌握关键技术和核心算法等研究热点及发展方向，为未来技术发展规划提供指导与建议。

1 大数据挖掘与分析技术

大数据是指无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合。大数据应用流程与传统数据处理流程一致，都包括数据产生、聚集数据、分析数据和利用数据4个阶段，只是这一业务流程是在大数据平台和系统上执行的。目前，大数据平台的主流技术是Hadoop+MapReduce，其中Hadoop的分布式文件处理系统（HDFS）作为大数据存储的框架，分布式计算框架MapReduce作为大数据挖掘、分析处理的框架。

1.1 基本概念

数据挖掘是将隐含的、尚不为人知的同时又是潜在有用的信息从数据中提取出来。机器学习为数据挖掘提供了技术基础，可用其将信息从数据库的原始数据中提取出来，以可以理解的形式表达，并可用作多种用途。

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。在大数据处理的过程中，数据分析是核心，因为大数据的价值全部在数据分析过程中产生。大数据产业中赚钱的重点在于如何提高数据的分析能力，通过分析发现数据的更多潜在的价值。在大数据时代，数据分析是数据价值发现的最重要环节，也是决策的决定性元素[1]。

1.2 关键技术与核心算法

通过对科技文献及各方面资料的调研，在结合中国大数据产业自身情况的技术特点的基础上，分别针对大数据挖掘与分析算法和大数据挖掘与分析应用领域进行技术分解，得到表1。

2 专利申请保护态势分析

2.1 专利来源与检索策略

本分析报告涉及的专利信息检索工作全部在INCOPAT合享新创专利信息服务平台上完成，检索截止日期为：2016年12月20日。平台收录了全球102个国家、地区和组织的超过1亿条专利信息，支持中英文混和检索。本报告检索专利数据范围包括国内主要专利数据。

通过对大数据挖掘与分析相关专利技术的调研，结合重点关注的技术内容，从检索要素中的关键词和IPC的两个维度作出表2，然后依据检索要素表中的相应信息通过检索系统进行检索、分析。

2.2 专利类型及法律状态分析

截止到检索日期，共检索到大数据挖掘专利与分析算法领域有569件，其中发明563件，实用新型6件，发明占了总量的98%以上。

对大数据挖掘专利与分析应用领域专利法律状态进行统计，其中有效专利指授权并且正常维持的专利；审查中专利指已公开但尚未授权的专利申请；失效专利指因专利保护期届满、未缴费、专利无效等原因失去专利权、不再收专利法律保护的专利。发明专利中有效专利115件（20.21%），审中专利346件（60.81%），失效专利102件（17.93%），审中专利数量明显多于其他。实用新型专利中有效专利3件（0.53%），失效专利3件（0.53%）。

综合而言，大数据挖掘专利与分析应用中有效专利118件，审查中专利346件，失效专利105件。该领域的有效专利量占专利申请总量的20.74%，专利有效率较低；审中专利占申请总量的比例为60.81%，表明当前本领域的发明创造活跃度较高；失效专利占申请总量的比例为17.93%，失效率较低。实用新型专利数量几乎可忽略不计，说明在该技术领域的发明创造中单纯的产品类创造专利数量较少。

2.3 专利趋势分析

在1993年知识产权局受理了第一件相关专利，但在2005年之前相关专利申请基本只维持一个“有”的状态，其中1994年、1995年、1996年、1997年、2001年都未有专利申请，在2005年之后相关专利申请开始出现增长，且增长数据增速明显这件，到2015年达到了专利申请数量最高点，126件，并且该年申请的专利还有部分未公开的。

从总体看，大数据挖掘专利与分析算法领域目前专利申请依旧处于快速增长态势，并且未受经济发展趋势（经济增速明显放缓）的影响，因此预计未来几年也将保持该快速增长的趋势。

2.4 技术主题分析

通过对相关领域专利的国际分类号（IPC）进行统计分析，了解大数据挖掘专利与分析算法领域主要涉及的技术领域及相关专利申请分布情况。从涉及最多的专利IPC大组前三最多占专利总量的38.49%可以看出，在大数据挖掘专利与分析算法领域直接涉及算法的专利数量不占绝对多数，说明在算法技术领域核心技术较少，较多的是现有核心技术与具体运用技术的结合。

2.5 区域申请情况分析

通过对各省份相关专利申请情况的研究，可以有效的了解各省份的在该技术领域的技术实力，为可能的技术引进与技术合作提供合作省份方向指导。

图3为大数据挖掘专利与分析算法领域专利申请省市地图，可以看出，申请相关专利最多的是北京，有133件专利，其后拥有40件以上专利的省市有江苏（92件）、上海（49件）、浙江（47件），内陆地区只有四川拥有的专利数量较多，而目前贵州没有相关专利的申请，在技术上不具有明显优势。

从整体区域上来看，在大稻萃诰蜃利与分析应用领域最多的算法技术主要集中在长江流域省份、珠三角及北京地区，同时内蒙古、山西、贵州、青海、新疆、未有相关专利的申请。

2.6 主要申请人分析

将申请人分为大专院校、科研单位、企业、个人、机关团体、其此他6大领域进行统计。专利申请人中大部分专利都是大专院校申请（340件，56.29%），达到了总申请量的55%以上，排在之后的企业申请量也达到186件（30.79%），科研单位拥有39件，占总量的6.46%，个人、机关团体和其他各申请了23件（3.81%）、15件（2.48%）和1件（0.17%）专利。可以发现大专院校和科研单位是该技术领域技术进步的主导力量，企业也是技术进步的较重要因素。

整体上可以看出，在大数据挖掘专利与分析算法领域相关技术主要集中在大专院校和科研单位，除了国家电网公司以外，企业在该技术领域有一定的技术投入，但投入相对小于大专院校和科研单位。

3 结束语

目前大数据作为新兴技术，各地对发展大数据产业都处于探索阶段，大数据产业的核心是数据挖掘和应用，结合中国自身的产业及知识产权情况，提出如下建议：

一是制定更加有利于大数据产业发展政策。结合国内大数据产业实际发展情况，在经过全面、深入、彻底的知识产权及技术评估后，针对性的对中国大数据挖掘及分析产业提出指导性、纲领性的文件，并配套相应的扶持政策。

二是积极契合国家及省内的大数据相关扶持政策。积极引导企业在保证市场前景和技术开发难度的情况下，尽可能的使开发或引进技术及产业符合政策扶持要求，通过政策扶持的手段最大程度上减少企业的产业发展成本及技术研发成本。

三是加强技术攻关、抢占技术前沿。拟在科技计划中设立大数据科技专项，围绕海量数据挖掘、海量数据分析、数据信息应用等重点方向，以企业为主体加强关键技术攻关并推动成果产业化，同时在此基础上进行全面的、细致的专利布局，对自身的发明创造实现全方位的保护。

四是加强知识产权宣传力度。大力宣传知识产权对企业的价值，促使企业提高对知识产权方面的重视程度，特别是对知识产权运用的重视程度，让企业在规避知识产权方面风险的同时实现自身知识产权价值的最大化。

参考文献

大数据分析战略范文2

关键词：大数据;企业管理战略;信息技术;大数据时代

大数据的发展改变了社会的生活方式生产方式及企业的管理方式。大数据改变了企业的营销方式，使企业能够从繁复的信息中找新的经济增长点。只有利用好大数据才能够使企业的核心竞争力适应环境的不断变化。大数据时代科学技术在企业中的广泛应用,不断改变了人类社会的生活方式和生产方式。企业要不断提高自身对数据的分析能力才能够提高对数据综合分析能力。

1大数据时代下的企业管理战略

1.1企业通过大数据技术的分析进行企业战略决策

大数据时代的到来企业已经改变了企业原有的生产管理方式。企业已经逐渐通过大数据的分析进行企业战略决策。企业庞大的信息库已经不是人力所能够分析的，企业必须要采用现代化的科学技术进行数据分析提供科学的战略决策。大数据的分析与数学模型的建立有着千丝万缕的联系。企业要提高数据分析的准确性就要建立更多的数学模型让数据能够找到适应的模型。同时数学模型要能够适应数据的不断增长和发展。管理者要通过多种数学模型分析数据不断提高企业的竞争能力。随着社会的不断发展企业家都希望通过挖掘数据找到商业的价值，帮助企业快速发展实现利益增长。大数据的分析技术可以使企业发展更加良性化。

1.2大数据分析技术有助于优化企业的战略决策

大数据推动了企业进行深入的变革，现代的企业逐渐的朝着科技革命和创新管理模式方向发展。企业要提高自身的经济利益就要对企业内部和外部的环境都进行分析，通过对企业的数据进行预测、分析、规划和控制等的处理使自身利益得到最大化。针对企业内部和外部的环境因素纷繁复杂、数据众多，企业必须要通过大数据分析选定合理的战略方案进行企业管理。企业要利用大数据对周围的环境进行分析，制定正确的战略抉择，准确的把握企业的信息，合理地组织企业架构，实现企业利益最大化。大数据技术能够对管理环节和市场需求进行分析，利用大数据建立起相应的数学模型，提供科学的、有利于企业发展的决策。

1.3大数据分析有助于企业决策者进行企业的决策

企业决策者通过大数据进行信息技术分析选择正确的战略决策。企业要在大数据分析技术的指导下进行使企业不断的适应时代的发展。企业在战略管理抉择方面对大数据进行分析，不断对企业的运营和管过程监控评价，不断的修改原有的方案，使企业慢慢地强大起来。

2大数据在企业管理中的具体应用

2.1数据挖掘与战略管理

知识的发现过程主要涉及到“数据仓库，数据选择，数据清理，数据预先处理，模型选择”等内容，管理决策发展的过程就是利用假设检验将信息转化为知识的过程。在数据的挖掘方面可以发现很多有趣的数学模型对信息决策非常有用，这些数学模型可以存储在数据仓库、数据库等信息库中，在解决相关问题是只要调出相关模型就可以了。数据挖掘实施方法论在的应用非常广泛。这种数据挖掘方式通过提供方法和参考模型，帮助用户进行数据方面的挖掘。这种方法在企业决策方面的数据挖掘方面运用很普遍。

2.2跨行业标准数据挖掘方法论的主要数据挖掘技术

这种数据挖掘理论涉及到的技术主要有关联数据技术、分类数据技术、聚类数据技术、时间序列分析技术等。

2.3跨行业标准数据挖掘论的生命周期

跨行业标准数据挖掘论的生命周期主要分为六个阶段，主要包括业务理解、数据理解、数据准备、数学模型建立、数据评估、数据等几个阶段。

3利用数据模型进行战略管理

3.1利用数据技术进行企业的战略管理

企业利用数据技术进行战略管理的策略主要有SWOT战略、差异化竞争战略、相关联的多元化战略、市场预测战略等。企业的战略管理主要涉及五个方面的内容，主要包括：企业的愿景和使命，企业的战略目标，企业的环境分析，企业的战略制定，企业的战略实施，企业的战略评估。

3.2数据管理与企业战略管理间的映射

关联规则与SWOT战略：关联规则在数据可中的应用非常广泛，SWOT主要用来对企业的战略环境进行分析。SWOT是一种分析方法。企业战略管理运用SWOT这种分析方法来发现组织不同环境因素之间的关系。这两种分析方法目的都在于能够发现和理解不同参数之间的关系。

3.3分类和数据差异化战略

数据库中的分类是根据数据库中的一些属性构造模型，并且使用这种模型分类。战略管理的差异化策略能够为不同的客户提供与其他同行业企业不同的产品和服务。这种策略不仅能够满足用户的需要，还不容易被同行业的产品取代。运用差异化战略用户只要根据产品形态上的差异就能够预测，可以看做是一个分类问题。

3.4聚类与相关多元化

聚类就是把数据按照相似性的要求分成不同的类别。企业管理的多元化战略主要论述公司在业务竞争上有价值的“战略匹配关系”。这种新的业务问题可以看作是一个聚类问题。

4大数据技术对决策系统的影响

企业的决策大数据是企业的信息数字化、并对这些数据进行整理和分析。首先企业要按照企业的层级功能建立数据采集系统，从多个维度采集信息。第二，企业推进信息决策的自动化、分算化、前端化。要提高决策的信息指标和科技含量。随着社会的不断发展，传统的决策已经没有办法满足企业快速发展的需要。企业要以网络技术为基础，通过大数据分析建立分散的决策模式。在这个复杂的决策环境中决策的时效性对企业管理更为重要，传统的决策模式已经不能够适应社会的发展需求，大数据技术为企业带来了新的决策分析方法。企业要通过决模型的创新，建立适应企业发展的决策模型。

5结束语

随着大数据技术的不断发展，社会政府和企也都把大数据作为关注的重点。通过大数据技术对企业进行精确的管理，为企业提供科学的决策。大数据技术有助于企业综合实力的提升，有助于企业适应未来的发展。在企业的竞争中人才是最根本的因素。企业要重视人才的培养。

参考文献

[1]凌捷.大数据时代高新技术企业管理战略转型研究[J].改革与战略,2015(05):143-146.

大数据分析战略范文3

关键词：大数据;资源;竞争;顾客;战略思维

中图分类号：F425 文献标识码：A

文章编号：1003-0751（2015）01-0042-05

一、引言

移动互联网和现代信息技术的快速发展，将人们的生产生活带入到了“大数据时代”。根据互联网数据中心（IDC）估计，到2020年全球数字信息量将增长44倍，2011―2012年全球所创建的数据内容增长了48%，目前全球90%的数据都是在近两年中生成的。“大数据”与“海量数据”“大规模数据”的概念一脉相承，指的是“科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集”。大数据在改变人们日常生活方式的同时，也显著地影响着企业的营销方式、管理模式、商业模式、竞争情报获取等多方面。有学者认为，大数据增强了企业决策的不确定性和不可预测性，传统的战略论逻辑遭遇到严峻挑战。大数据的兴起与应用，本质上意味着“一场管理革命”，改变了传统上依赖于经验与直觉决策的行业与领域，将企业带入到精准量化管理时代，使企业可以进行更可靠的预测、更有效的决策。

大数据发展对企业经营管理的各方面都产生了深刻影响。管理学界对大数据的影响已有敏锐的洞察，学者们开始重视并试图分析其对商务管理各方面潜在的影响。但梳理已有文献，笔者发现学者们对大数据影响的讨论与分析，主要聚焦于营销管理领域。如美国零售业巨头西尔斯公司通过群集（cluster）收集来自不同品牌的数据，基于此进行深度分析，结果让公司的推销方案变得更快捷、更精准。学者对大数据的分析之所以聚焦于营销管理领域，与大数据主要产生于消费者的访问、交易与评价记录有关。国际商业机器有限公司（IBM）中国开发中心首席技术官（CTO）毛新生指出，大数据不再是商业活动的附属品，大数据对企业而言，如同石油一样重要，收集、整合、分析、利用、校准大数据，每一个环节都体现了全新的商业能力。企业高管应重视大数据的价值，将其视为一种竞争要素和战略资源。鉴于战略管理领域关于大数据的影响分析现状，本文重点探讨大数据对企业战略思维的影响以及大数据时代企业战略思维的特征，以期为企业在新的竞争环境下进行管理决策提供参考。

收稿日期：2014-12-20

*基金项目：国家社会科学基金项目“大数据对企业非市场战略的影响研究”（14BGL053）。

作者简介：刘力钢，男，辽宁大学商学院教授，博士生导师（沈阳 110136）。

袁少锋，男，辽宁大学商学院讲师，管理学博士（沈阳 110136）。

二、传统战略思维回顾

战略思维是指企业高层管理者摆脱日常管理事务，获得对组织不同愿景规划以及环境变化的认识。战略思维的本质是企业决策者关于企业战略的决策思维，关系到企业战略决策的成败。战略思维的形成，始于战略决策者对企业及其所处的客观环境的认知。

企业战略思维形成的认知要素，在不同发展阶段具有不同的侧重点。20世纪60年代，研究的重点是“企业外部市场机遇及企业内部能力”;20世纪70年代，研究的重点是“企业外部环境的不确定性”;20世纪80年代，研究的重点是“企业利益相关者，企业所处行业的5种竞争力量，以及顾客、企业、竞争对手”;20世纪90年代，研究的重点是“企业核心竞争力”。根据不同年代战略思维认知要素所包含的维度不同，可以把战略思维模式分为以下几种：一元战略思维（20世纪70年代的“环境”战略思维，20世纪90年代的“核心竞争力”思维）、二元战略思维（20世纪六七十年代的经典SWOT思维）、三元战略思维（20世纪80年代的“顾客―企业―竞争对手”思维）、五元战略思维（20世纪80年代的“五力模型”思维），和N元战略思维（20世纪80年代的利益相关者思维）等。

已有文献基于对战略思维认知要素的分析，区分了战略管理理论兴起后的战略思维模式。战略管理的本质实际上是要重点思考三个问题：企业在哪里？企业将要去哪里？企业何时竞争？即企业如何利用自身有效的资源或资产，在充满竞争的环境下，满足顾客的需求，从而实现价值的创造。本研究从资源、竞争、顾客三方面出发，考察大数据对“以资源为本”“以竞争为本”和“以顾客为本”三种战略思维的影响及其表现出来的主要特征。三种战略思维的内涵与特征见表1。

三、大数据对传统战略思维的影响

1.对“以资源为本”战略思维的影响

Wemerfelt在其1984年发表的经典文章“A Resource-based View of the Firm”中提出，企业的组织能力、资源和知识的积累，是企业获得并保持竞争优势的关键。此后，Barney等学者进一步指出，企业是一系列资源的集合，企业所控制的有价值的、稀缺的、不可模仿的、不可替代的资源和能力，是企业获得持续竞争优势的关键。在此基础上，Prahalad和Hamel于1990年在Harvard Business Review上发表“The Core Competence of the Corporation”一文，认为企业提品或服务的特殊能力是基于其核心能力，它是企业可持续竞争优势的来源，不应将企业看作不同资源配置下的不同业务组合，而应将企业看作隐藏于业务组合背后的、更深层次的核心能力的组合。企业只有基于所拥有的资源而不断构建、培育和巩固其核心能力，才能获得可持续的竞争地位。基于核心能力的战略思维，实质上是以资源为本的战略思维模式的扩展和动态化，虽然存在差异，但两者都强调竞争优势的内生性。在以资源为本的战略思维指导下，企业决策者们愈加重视企业是否拥有不同于竞争者的独特资源，是否具有超越竞争对手的核心能力。

在大数据时代背景下，大数据无疑是现代企业重要的战略资源。如果企业基于现代信息技术，掌握各利益相关者特别是顾客的数据，将有助于其竞争优势的获取与维持。以“小米”为例，这个成立于2010年4月的移动互联网公司，秉承“为发烧而生”的经营理念，在2014年10月便成为仅次于三星公司和苹果公司的全球第三大智能手机制造商。在中国大陆市场，小米已经超过三星，成为智能手机领导者。小米公司的成功，在很大程度上可以归结于其“为发烧而生”的理念。该理念的内涵是小米公司基于“发烧友”（忠实顾客）设计手机，并以低价向他们出售手机。小米公司的创新体现在MIUI智能手机系统上，而该系统的先进性或优势，来源于广大的用户。截至2014年7月1日，小米手机已拥有7千万人的MIUI用户群。小米公司每周都会推出MIUI的新版本，进行渐进式系统升级，而系统升级的想法则来自于“号召上百万人提意见”。

掌握庞大的顾客信息数据，通过创建网络社区等方式与顾客实时互动，收集顾客想法、意见并给予及时回应（每周一个新版本的MIUI系统），不断地满足顾客的不同需求，是小米公司高速成长的主要因素。可见，拥有和利用大数据，能够让现代企业获得竞争优势并快速成长。获取大数据和利用大数据创造价值，成为新经济环境下“以资源为本”战略思维需要升级的内容。

一些传统企业缺乏获取并利用大数据的战略思维，导致在新的竞争环境中失掉了原有的竞争优势。以传统零售行业为例，很多零售企业的结账平台仅用于记录不同货物的销售量、销售金额等信息，缺乏对购买者信息的收集、分析与利用。再如，许多零售门店的监控摄像头仅用来防范偷窃，而不是用来记录顾客信息、分析顾客心理与行为。“万宝龙”就曾利用监视录像记录进店顾客的不同表现，然后让有经验的销售人员分析和判断，并将相关的知识体系制成软件，协助一线销售人员进行销售，使一线销售人员知晓什么时候该与顾客攀谈，什么时候让顾客自己挑选等，结果使单个门店的销售额提升了20%以上。

在大数据背景下，企业与外界环境之间的边界日益模糊，信息共享和知识溢出成为企业与利益相关者之间合作竞争与协同演化的主要方式。在这样的竞争背景下，信息和知识成为企业管理中的重要生产要素，也是决定企业创新力的关键。基于大数据平台与外界建立社会网络，从外界获取有价值的信息，是企业获得竞争优势的关键。因此，重视大数据这种战略资源，积极获取、利用这种战略资源以获得竞争优势，是“以资源为本”战略思维需要拓展的重心。

2.对“以竞争为本”战略思维的影响

以竞争为本的战略思维的产生，源于20世纪80年代以迈克尔・波特教授为代表的学者提出的竞争战略理论。在该理论的指导下，竞争成为企业战略思维的出发点。竞争战略理论认为，行业的赢利潜力决定了企业的盈利水平，而决定行业赢利潜力的是行业的竞争强度和行业背后的结构性因素。因此，产业结构分析是建立竞争战略的基础，理解产业结构永远是战略分析的起点。企业在战略制定时重点分析的是产业特点和结构，特别是通过深入分析潜在进入者、替代品威胁、产业内部竞争强度、供应商讨价还价能力、顾客能力等5种竞争力量，来识别、评价和选择适合的竞争战略，如低成本、差异化和集中化竞争战略。在这种战略理论的指引下，企业决策者会逐渐形成“企业成功的关键在于选择发展前景良好的行业”的战略思维。

伴随着大数据时代的到来，产业融合与细分协同演化的趋势日益呈现。一方面，传统上认为不相干的行业之间，通过大数据技术有了内在关联。例如，阿里巴巴已涉足金融、物流、云计算等行业，传统的零售企业开始从事电子商务。大数据平台的构建，以及对大数据的挖掘和应用，促进了行业间的融合。另一方面，大数据时代，企业与外界之间的交互变得更加密切和频繁，企业竞争变得异常激烈，广泛而清晰地对大数据进行挖掘和细分，找到企业在垂直业务领域的机会，已经成为企业脱颖而出、形成竞争优势的重要方式。在大数据时代，产业环境发生深刻变革，改变了企业对外部资源需求的内容和方式，同时也变革了价值创造、价值传递的方式和路径。因此，企业需要对行业结构，即潜在竞争者、供应商、替代品、顾客、行业内部竞争等力量，进行重新审视，进而制定适应大数据时代的竞争战略。

3.对“以顾客为本”战略思维的影响

伴随着20世纪90年代产业环境动态化、顾客需求个性化等发展趋势，以顾客为本的战略思维模式逐渐形成。这种思维模式的核心是，强调企业的发展必须以顾客为中心，无论是增强自身能力，还是拓展市场，都要围绕顾客需求展开。研究顾客需求、满足顾客需求是这种战略模式的出发点。在这种战略理念的指引下，企业决策者意识到，要想获得竞争优势，就要比竞争者更好地发掘并满足顾客需要，创造独特的顾客价值。

在大数据时代，以顾客为本的战略思维也需要有新的变革。围绕顾客需求和企业的产品价值链，大数据时代的一个突出特点是“社会互动”的深刻影响。从新产品开发、测试到新产品的投放，社会互动都扮演着日益重要的角色。例如，在新产品开发阶段，小米公司的MIUI系统开发同上千万MIUI用户的互动，是产品创新的智慧来源。再如，美国某T恤衫销售公司，每个员工都可以向其公司网站上传自己的设计，然后由网络用户对产品设计进行投票，公司最后决定销售投票率最高的T恤衫。英国的一家家具企业则通过其网站来测试消费者对每种新产品的看法，经过投票产生前5名新产品，然后才向市场正式推出新产品。在营销层面，当今的电商平台，无论是国外的亚马逊，还是国内的淘宝、京东，都对网络口碑高度重视。网络口碑的实质就是顾客之间对产品看法和意见的互动，后续消费者会根据已有的口碑进行消费决策，互动口碑已经成为产品营销的战略举措。

关于大数据时代顾客价值创造方式的分析的一个共同特点是，价值创造的主体变得模糊，社会互动日益突出。传统以顾客为本的战略思维，强调的是企业需要洞察市场、洞察顾客需求，进而设计新产品或改进已有产品，满足顾客需求并创造价值。由于大数据技术的发展，社会互动能够被观察和有效控制。因此，大数据对以顾客为本战略思维的影响，主要表现在重视企业和利益相关者的社会互动，例如同供应商互动设计更好的零部件，同顾客互动设计新产品、测试新产品、推销新产品。企业与利益相关者的互动，会以更高的性价比创造价值，满足顾客需求，从而获得竞争优势。

四、大数据时代战略思维的主要特征

在互联网时代，人们经常讨论怎样用互联网的方式思维，以及如何持有互联网的思想、互联网的思考方式。在大数据时代，应该有大数据的思维方式。参考美国西北大学凯洛格商学院陈宇新教授的论述，大数据时代的“大数据战略思维”特征主要表现为：定量、跨界、执行和怀疑。

1.定量思维特征

它是指“一切都可测量”。虽然现实经营管理的情况不是都可以测量，但是企业决策者要持有这样的理念。例如，现在很多餐饮连锁企业都有消费会员卡，但是一般只记录顾客的消费金额，关于顾客消费什么则并没有记录。如果有了这样的记录，每个顾客来消费时，就不仅可以判断他的消费水平，也能分析判断他的消费偏好。管理者如果具备定量思维，秉承一切都可测的思想，记录有用的顾客信息，将会对企业的经营和战略决策产生积极作用。

引领企业实现大数据转型的企业决策者，在进行企业重要决策时，应该养成看“数据怎么说”的思维习惯。参考数据分析结果进行管理决策，既能有效避免仅凭直觉判断的不足和风险，也能改变企业内部的决策文化，将企业经营模式从依靠“劳动生产率”转移到依靠“知识生产率”上来。

2.跨界思维特征

它是指“一切都有关联”。企业经营的各方面之间都有相关性，应该发挥领导者的想象力，将看似不相干的事物联系起来。例如，移动终端和PC终端的跨界，微信、社交网络跟电子商务的跨界，通过跨界能够开创新的商业模式，构建新的价值链。

如果说通过大数据挖掘消费者需求考验的是企业的洞察力，那么高效地满足客户需求考验的是企业内在的整合与优化能力。企业要想获得价值最大化，就要善于利用大数据提升价值链的效率，对其商业模式、业务流程、组织架构、生产体系等进行跨界整合，以进一步提升为客户服务的效率和企业竞争力。基于大数据的思维不仅可以提升企业的内在效率，还能帮助企业重新思考商业社会的需求，从而推动自身业务的转型，重构新的价值链。阿里巴巴集团就是充分利用大数据，成功地由一家电子商务公司转型为金融公司、数据服务公司和平台企业，它的转型给金融、物流、电子商务、制造、零售行业带来了深刻影响。

3.执行思维特征

它是指“一切都可利用”。执行思维强调充分地发掘、利用大数据。企业收集了大量的数据，但存放着不利用属于资源浪费。企业应该注重实效，将大数据蕴含的市场信息发掘出来，并执行下去，及时对市场和利益相关者作出反应。在大数据时代取得成功的企业，并不是简单地拥有大数据，而是通过对大数据的分析，发现市场机会，从而开发新的市场。企业依托大数据分析获得的创意，为市场提供相当独特的产品和服务，通过高效的组织运作与执行，最终赢得顾客、赢得市场。

4.怀疑思维特征

它是指“一切都可试验”。企业获取了大数据，进行分析获取一定信息之后，有时会导致决策产生更大的偏差。认为有了数据的支持就觉得实际情况就是如此，从而忽略了深入的思考。实际上，有的时候数据会产生误导，所以不能对数据有盲从的思想，相应地还要有怀疑试验的思想。例如，航空公司经常根据顾客在本公司的消费情况计算其顾客价值，进而根据顾客价值的大小采取不同的营销策略。假如A顾客在某航空公司年消费金额为2000元，公司可能将其归类为低价值顾客，实际上该顾客在其他航空公司年消费额超过2万元。面对这样的情形，航空公司仅仅根据自己掌握的顾客消费数据进行决策，难免会产生错误或偏差。因此，管理者还需要有怀疑试验思维，要思考获得的大数据是否全面，来源是否精准，不能盲目认为只要拥有大数据，就能够进行精准的决策。

五、结论与讨论

基于以上分析，参照麻省理工学院安德鲁・麦卡菲教授提出的“企业2.0”提法，大数据时代应发展大数据战略思维，同时应该将传统的战略思维升级到2.0版本，体现大数据时代的战略思维特征。大数据时代的企业战略思维总结如表2。

大数据时代，消费者的决策方式、购买行为等发生着显著变化。为此，企业经营管理过程中的战略思维应该进行变革。一方面，要对传统以资源、竞争和顾客为本的战略思维进行升级拓展;另一方面，要发展形成全新的大数据思维。

企业的战略思维涉及企业管理的最高层次，关乎企业的生存与发展前景。当代企业决策者要想获得商业成功，要筑百年基业，就要具备大数据时代的战略思维。许多成功企业的经验证明，正是企业领导层具有大数据时代的战略思维，引领企业开创了新的商业模式、新的价值创造方式，更好地为顾客、为社会创造了价值，才最终成就了企业的爆发式增长。因此，升级传统战略思维，构建大数据战略思维，开展体现大数据时代思维特征的战略管理，是企业可持续发展的重要条件。

参考文献

[1]徐明.当大数据成为差异竞争要素[J].哈佛商业评论，2013，（1）.

[2]冯芷艳等.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）.

[3]张建设.大数据：战略论的终结与社会化决策的兴起[J].企业管理，2012，（10）.

[4][美]安德鲁・麦卡菲，[美]埃里克・布林约尔松.大数据：一场管理革命[J].哈佛商业评论，2012，（10）.

[5]杨刚，李光金.企业战略思维新探：内涵、过程及要素[J].华东经济管理，2011，（2）.

大数据分析战略范文4

“你不能计量，你就不能管理。”随着企业战略质量管理时代的到来，战略质量成本核算已经不是要不要的问题，而是一个如何操作的问题。更重要的是，战略质量成本核算不是随随便便地堆砌数字，而是要像会计数据一样真实、可靠、可验证，能为企业战略决策提供必要的信息。

超越传统质量成本统计

传统质量成本是由质量部门统计的，是围绕着以最少量的质量资金投入，消灭尽可能多的废次品损失这一核心思想展开的。它的目标局限于成本。它为了确定并实施成本最低的质量管理，只是从成本角度去寻求可控成本和不可控成本之间的内在有机构成。因此，传统质量成本统计是以生产过程为核心的。

然而，自企业管理进入战略管理以来，无论采取低成本战略还是差异化战略，质量及其成本都是企业获取巨大的竞争优势、持续的利润增长与长期的繁荣发展的战略因素。

我们曾为此陷入了深深的思考。我们认为，战略质量成本核算不应再停留在质量部门统计的层次上，而应将企业战略规划融入整个质量成本核算之中，在价值链全过程中开展核算。战略质量成本核算不同于传统质量成本统计的事后反映，而是对企业经营全过程积极进行闭环控制；不局限于反映某一产品或部门的质量信息，而是反映各个产品及部门间相关系统相互沟通促进和制约的质量信息。wWW.133229.COm另外，市场占有率下降、潜在客户消失、商誉受损等隐性质量成本引起的损失很大，企业对其也必须更加重视。

确保数据的可验证性

由于战略质量成本核算体系是管理会计核算系统，从理论上说，企业就有两个会计核算系统：一个是财务会计核算系统，另一个就是管理会计核算系统。但实际上这会给企业带来巨大的信息成本。因此，能否探索出既经济又便捷的方法，是企业实务中的核心问题。

我们通过实践，探索出一个基于财务会计与管理会计（作业成本法）相结合的战略质量成本的确认与计量方法，即战略质量成本核算法。

首先是会计核算账户的设置。

企业战略质量显性成本按财务会计的确认与计量的方法进入财务会计系统的一级科目；同时，按企业战略质量工作的每一个作业，在财务会计系统的一级科目下开设二级核算科目。

其次是质量经济业务的入账。

按照财务会计工作中一级科目与二级科目核算的原则进行质量经济业务的确认与计量，进入财务会计核算系统。

再次是同源数据的分流。按照财务会计与管理会计（战略质量成本会计）的核算要求，分别从会计中的一级科目与二级科目的经济数据获取其所需要的数据。

这种战略质量成本的会计核算方法具有如下优点：其一是确保战略质量成本的数据与财务会计数据一样，具有可靠性、可验证性和真实性。其二是确保战略质量成本的数据与财务会计数据之间的相互验证，因为会计中的一级科目与二级科目之间具有自动平衡的特征。

另外，对于隐性质量成本信息的核算，我们采用战略质量成本的非会计核算方法，一般是指统计方法、经济方法等。如，统计方法主要使用一系列统计指标和统计图，来反映质量水平、质量缺陷和质量费用；经济方法则主要使用经济学上的方法，来测算战略质量成本的机会成本与未来成本等隐性质量成本。在实务中，这些统计方法由各个战略质量成本核算的责任单位按其工作的特殊性来分别进行。

信息为决策服务

战略质量成本的分析方法由不同的企业战略质量管理决策来决定。一般来说，战略质量成本的分析方法有帕累托法、因果分析图、散布图、统计分析表、分层法、控制图、直方图等方法。

大数据分析战略范文5

阜阳职业技术学院经济贸易系 安徽阜阳 236001

[摘要]在研究战略性新兴产业发展的过程中，选择合适的评价方法是十分必要的，本文对目前国内常用的产业选取评价方法，即层次分析法、Weaver-Thomas模型法和因子分析法进行了比较分析，从而为地方性政府选取适合的区域战略性新兴产业提供一定的理论参考。

[

关键词 ]战略性新兴产业；层次分析法；Weaver-Thomas模型法；因子分析法

面对日益严峻的资源和环境约束条件，转变国内的经济增长方式，加快产业的转型和升级已经成为摆在各地地方政府面前的唯一出路。战略性新兴产业是一个国家或地区实现未来经济持续增长的先导产业，对国民经济的发展与产业结构升级具有关键性的促进和导向作用，同事具有关阔的市场前景和引领科技发展的潜力［1］。本文结合国内目前对于战略性新兴产业评价方法的研究，对这些方法加以简要评价，从而对于指导各地结合自身实际，选个合适的方法来选取地方性的战略性新兴产业。

一、层次分析法分析

该方法是将决策问题的有关元素分解成目标、准则、方案等层次，用一定标度对人的主观判断进行客观量化，再次基础上进行定性分析和定量分析的一种决策方法。在董树功（2012）的研究中，是以战略性新兴产业作为目标层；以现金技术前提、潜在市场前提、引领带动作用、产业替代作用、综合效益作用作为准则层；以专利密度系数、技术密度系数等作为方案层来评价一个产业是否适合作为战略性新兴产业培育的。而在郝明丽（2012）的研究中，是以产业贡献和产业区域竞争力作为目标层；以产业增长潜力、产业盈利能力、产业关联效应、产业就业吸纳能力、产业绿色度、产业比较优势、培育环境和技术资源作为准则层；以需求收入弹性、工业增加值增长率等作为方案层。

通过对上述两位学者的研究比较可以看出，在运用层次分析法来研究战略性新兴产业时，选取哪些指标作为准则层和方案层，以及每个指标的权重系数时多少，都会对研究的结果带来直接的影响。这就要求学者在运用该方法时，不仅要对层次分析法熟练运用，同时对于战略性新兴产业自身的特点也要有较为深入的研究。此外，层次分析法运用在原始数据相对较少的情况下是比较恰当的，而对于影响因素众多，且各因素之间交叉影响的情况下，则不建议选用。

二、Weaver-Thomas模型法分析

Weaver-Thomas模型是把一个观察分布与假设分布相比较，以建立一个近似分布［2］。在李俊强（2013）对河北省战略性新兴产业评价研究中，采用了以战略性新兴产业为目标层；以技术创新、成长性、带动性、可持续发展和区域比较优势为准则层；以R&D投入比重、需求收入弹性、产业增长率、影响力系数、感应度系数、单位产值能耗、单位产值需水量和区位商8个指标为指标层，同时借助层次分析法对上述各准则层和指标层指标辅以不同的权重系数，从而来进行研究的。在王红艳、王利和王艳军（2013）对大连市工业产业选择的研究中，以弹性原则、技术进步原则、规模原则和效益原则的基础上，选取了产品市场弹性系数、技术进步水平、工业产值规模、就业规模、固定资产规模、利税规模、劳动生产率、资金利税率、成本费用利润率和产业能耗系数来作为指标进行研究的，最终得出大连市应该发展的战略性新兴产业为通用设备制造、食品制造业等7项产业。

通过对上述学者研究内容的分析可知，Weaver-Thomas模型分析法只能在现有的统计数据基础上进行分析，而这些数据往往已经是历史数据，因此在体现战略性新兴产业的新兴上和先导性上是有不足之处的，因此在使用该方法的过程中，如果能通过学者的智慧，对此加以弥补，则不失为一种较好的选择。

三、因子分析法分析

该方法是从研究变量内部相关的依赖关系出发，把一些具有复杂关系的变量归结为少数几个综合因子的一种分析方法。具体为：将原始变量的数个观察变量进行分类，将相关性较高的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本因子，也就是公共因子［3］。

在封宁（2011）对山东省战略性新兴产业的研究中，通过对全要素生存率等10种指标在12中产业中的分析比较，通过相关计算，得出4个公共因子，即产业科技集约化程度因子、产业生产效率水平因子、产业可持续发展因子和产业市场发展潜力因子，从而以公共因子为基础，得出适合发展的产业。在王维（2012）对广西荔浦县战略性新兴产业的研究过程中，设置了3个一级指标，8个二级指标和19个三级指标来对5个产业进行筛选分析，通过计算，得出产业竞争力、产业主导力和产业发展力共3个公共因子，并以此为基础得出该县适合发展的产业。

因子分析法最大优势在于各综合因子的权重不是主观赋值而是根据各自的方差贡献率大小来确定的，方差越大的变量越重要，从而具有较大的权重。这就避免了人为确定权重的随意性，使得评价结果唯一，而且较为客观合理。但是，因子分析对数据的数据量和成分有一定要求，需要先进行KOM检测数据是否可以运用因子分析法。同时，因子分析本身的工作量比较大，在分析中数据出现错误，不容易发现，这都要求研究人员在用这种分析方法的时候注意自我前后的核对以及对数据的推理复核。

总之，国内在评价战略性新兴产业的过程中，还有其他一些方法，例如BP神经网络法、灰色关联分析法等，但是需要注意的是，并没有一种完美的方法可以直接得出一种完美的战略性新兴产业。每种方法都有自身的适用范围和自身不足的地方，在具体运用的过程中，要求我们的研究者根据当地的资源禀赋、政策环境、产业特点和不同产业自身发展的规律，选取恰当的方法，来甄选出合适的区域性战略性产业进行培育和扶持发展。同时，研究者也可以将不同的方法结合起来使用，例如：层次分析法和灰色模糊综合评价法和结合、层次分析法和BP神经网络法和结合等。

参考文献

[1]课题组.战略性新兴产业:推动中国经济增长的下一组支柱产业.北京:中国经济热点分析报告,2010.

[2]敖永春,金霞.区域战略性新兴产业选择基准和方法研究—以重庆市工业行业为例YJY.科学管理研究,2012,32(17):21-25.

[3]姚效兴.基于循环经济的区域主导产业选择研究YOY.南京:河海大学,2007

[4]董树功.战略性新兴产业评价指标体系的构建——基于产业特征的分析与思考YJY.中国城市经济,2012,01:7-9.

[5]郝明丽.区域战略性新兴产业选择平价研究YJY.华北水利水电学院学报(社科版),2011,27(04):91-93

[6]李俊强.基于Weaver-Thomas拓展模型的区域战略性新兴产业评价—以河北省为例YJY.商业时代,2013,20:123-125.

作者简介

檀雅丽，女，汉族，1982年01月生，籍贯：河南渑池县；学历：硕士研究生；职称：讲师；主要研究方向：产业经济学。

大数据分析战略范文6

关键词：京津冀协同；大数据；互联网

中图分类号：F832.33 文献标识码：A 文章编号：1003-3890（2015）03-0031-08

一、引言

生产关系要适应生产力的发展是人类社会进步的本质。而在当前，随着社会科技的进步，传统的金融服务难以满足人们日益增长的金融服务需求，商业银行积极寻求转型升级的契机。这一方面是“新常态”经济背景下金融改革的现实需求，另一方面也是互联网金融发展的良性刺激所致。作为一种区别于传统的直接金融和间接金融的第三种金融模式，互联网金融独特的优势挑战着传统金融的权威，改变了人们的生活消费习惯，逐渐成为人们日常生活中不可或缺的一部分。据iiMedia Research的研究数据显示，2014年中国互联网金融产品的网民渗透率高达61.3%，超过六成的中国网民使用过或者正在使用互联网金融产品。与此同时，互联网金融思维的逐渐深入人心也为传统金融的发展提供了新的思路。在信息化时代，对数据的挖掘与分析深刻地影响着商业银行的发展趋势。“大数据”作为互联网金融的核心思维和技术基础，为商业银行的转型升级开辟了一条新生路。在中国金融庞大的消费市场下，积极探索“大数据”战略与银行转型升级战略有机结合的并轨研究，一方面可以为商业银行转型升级开拓新的实现路径，加快银行转型升级目标的实现，另一方面，商业银行转型升级的客观需求也为互联网金融的创新发展提供强大的驱动力。基于互联网思维，充分利用大数据、云服务等先进的网络技术手段来实现商业银行在信息化时代的转型升级，成为当前银行发展的必由之路。因此，准确地分析商业银行在互联网金融背景下实施“大数据”战略的内外部环境，确定科学的发展目标和战略定位是银行实施“大数据”转型战略的必要前提。同时，商业银行必须根据自身发展特点，围绕科学的战略目标，切实采取具有前瞻性的战略措施，以保障银行未来发展的持续与稳定。

二、文献综述

（一）“大数据”概述

经济的发展始终伴随着技术的变革。1993年美国政府推出的“信息高速公路”计划，改变了信息的传导方式，带来了全球性的互联网产业革命，从此，社会经济形态逐渐由物质化向信息化转变。2012年3月奥巴马政府宣布的大数据（Big Data）研发计划再一次掀起了信息技术革命的高潮。据2011年IDC的数字宇宙研究报告显示，全球信息总量保持每年50%的速度增长，增速超过摩尔定律。仅2011年，全世界数据增量就达到1.8ZB，相当于全球每人每年产生近300GB的数据量。人类历史上从未有过像今天这样的时代，数据信息的规模和类型爆发式增长，且完全不受时间、空间的限制，随着社交网络、云计算及物联网等新兴技术与服务的不断涌现，大数据时代悄然到来。

大数据的概念最早出现在《大数据：下一个创新、竞争和生产率的前沿》（2011）的研究报告中，在该报告中，麦肯锡指出，数据已经逐渐成为每个行业和职能领域内的基础性资源，对于海量数据的挖掘、分析，预示着新的生产率增长浪潮的到来，给未来经济的发展带来极其深远的影响。大数据是一个较为抽象的概念，它是指一般数据库软件难以获取、储存、管理和分析的大容量数据（Manyika et al，2011）[1]。大数据的特征可以用数量庞大、种类繁多、价值密度低、处理速度快四个方面来概括，他们是大数据区别于传统数据最显著的特征。而大数据分析技术则是企业管理者通过对管理或经营目标的关联数据、信息进行采集和分析，从而有针对性地采取措施的一种技术。它是大数据处理流程中最重要的环节，可以挖掘出数据潜藏的价值并将其应用到企业经营管理中。

而所谓的商业银行“大数据”战略指的是，以互联网金融思维为导向，以大数据、云计算等先进的互联网技术为手段，以构建信息化银行为目标，全面整合银行内外部数据以实现新时代下的银行转型。随着利率市场化进程的加速推进，中国的资本市场逐渐完善，互联网金融的发展在不断挤压着传统银行业的业务领域和利润空间的同时，也激发了传统金融的创新活力。在互联网金融时代，运用大数据思维可以为商业银行提供全新的沟通渠道和营销手段，滋生新兴金融业态参与市场竞争，而数据的处理能力也日益成为商业银行竞争的关键（方方，2012）[2]。在银行业务方面，商业银行在大数据浪潮中挖掘出推动银行精细化管理的有利因素，最重要的步骤是找准契合大数据时代的方向，树立基于大数据的量化管理理念有助于推动银行业务的量化经营（黄昶君 等，2014）[3]。随着信息技术的不断提高，商业银行实施“大数据”战略可以深入消费者挖掘有效信息，找准银行业务拓展的市场定位，推动商业银行的经营转型。

（二）银行转型与大数据关系研究现状

在中国经济由高速增长向中高速回落以及互联网金融模式蓬勃发展的背景下，面对存款流失严重、利差收窄加速、竞争愈加激烈等问题的考验，我国商业银行转型压力逐渐凸显。作为金融业的核心，各商业银行必须从战略的角度重新审视新时代下银行的发展目标和发展手段。商业银行的转型是复杂的制度化变迁和结构性转换，转型必须实现两个层次的目标：一是构建内涵式、集约化、精细化的现代银行，提升银行竞争力；二是全面增强金融服务功能，更有效地服务实体经济（周民源，2012）[4]。加快转型始终是我国商业银行改革发展的战略性课题，在当前互联网金融时代，大数据、云服务等技术逐渐运用于商业银行的服务和管理中，极大地提高了银行的经营管理效率，然而国内理论界与实务工作者对于银行转型的“大数据”战略路径选择的看法并不一致。一部分学者认为，商业银行转型升级在于增强全方位的金融服务功能，从发展模式、管理模式、经营模式、竞争策略和服务对象方面实现转型，构建内涵式发展、集约化经营、精细化管理的现代银行（周民源，2012）[4]。对此，银行业“以产品为中心”的粗放式服务模式逐渐被以“用户为中心”的集约化金融生态模式所取代。另一部分学者认为，在大数据时代，互联网金融产生的“鲶鱼效应”会倒逼传统商业银行进行金融创新，商业银行积极汲取互联网金融的创新基因、深度运用现代信息技术来提升服务质量，通过融合逐步完善整个金融体系效率（褚蓬瑜 等，2014）[5]。互联网银行的产生是互联网思维在金融领域的表现，大数据、云计算等互联网技术的广泛使用改变了传统银行的组织模式、经营模式和结算手段。银行服务的电子化、网络化并没有改变银行的体制机构，大数据与移动互联网作为一种工具，更多的是强调互联网技术与金融的融合与创新，并逐步渗透到银行业务中。

商业银行的转型升级与“大数据”战略的有机结合，不仅有利于提高商业银行转型升级的效率，更有利于互联网金融功能的进一步发挥。首先，商业银行拥有实施“大数据”战略的数据基础。在商品经济的发展中，商业银行长期占据了社会信用和信息中心的地位。银行凭借其庞大的资金优势，向企业和个人提供信用，在社会信用关系中处于支配地位；同时，企业和个人为了获取信用主动向银行提供信息，促使银行积累了海量信息和数据资源，为商业银行开展“大数据”战略的研究和应用创造了有利条件。其次，“大数据”战略是商业银行信息化时代的必然选择。随着现代互联网技术的崛起，对于大数据的应用逐渐成为决定企业胜负乃至国家竞争力的关键因素（闫冰竹，2013）[6]。商业银行日常业务积累的数据多是标准化、结构化数据，而更多的外部化数据广泛集中于移动互联网、电商平台等媒介中。随着银行业务网络化程度的逐渐加深，银行原有的少量结构化数据难以维持银行业务的正常开展。银行亟需借助大数据技术构建银行经营的全景视图来实现客户管理、营销决策和服务创新的数字化管理。第三，商业银行运用大数据技术是实现银行转型升级的客观需求。金融创新推动商业银行的改革发展，是培育银行核心竞争力的重要途径（周密 等，2007）[7]。而银行转型升级的关键就在于金融创新，大数据分析与挖掘技术正是商业银行深入挖掘数据资源，推动经营管理创新的新手段。因此，将大数据思维融入商业银行的转型之路，有助于提升银行业务拓展能力、服务客户能力和决策判断能力，可以为我国银行业改革创新提供新动力。

因此，基于“开放、共享、平等”的互联网金融思维，构建商业银行的“大数据”经营管理战略对于银行转型至关重要。在商业银行未来的长期发展过程中，随着网络化、信息化金融模式的不断成熟，对于大数据思维的应用是一个具有前瞻性、全局性的战略方向。

三、“大数据”战略实施的内外部环境分析

商业银行实施“大数据”战略的本质是为了明确银行在互联网金融时展的方向。而一个明确的战略管理过程通常包括明确战略目标、分析战略环境、制定战略方案、实施和评估战略四个阶段。这四个阶段不断调整，形成一个循环的系统，如图1所示。因此，在进行商业银行“大数据”转型战略的定位时，首先需要对银行内外部环境进行深度分析。在互联网金融和信息化经济的时代背景下，借助SWOT分析法对商业银行转型升级的外部机会与威胁、内部优势与劣势进行分析，为“大数据”战略的最优选择提供依据。

（一）银行“大数据”战略SWOT要素分析

1. 内部优势分析。从大数据技术运行的条件来看，商业银行“大数据”战略实施的优势主要体现在数据资源优势、资金资源优势以及人力资源优势三个方面。第一，在数据资源方面，商业银行作为传统金融业的核心领域，拥有广大的客户群体，是客户信用信息数据沉淀的平台。在长期的业务开展过程中，积累了海量的客户数据，包括客户的属性资料、账户信息以及资产负债情况等。这些具有高价值密度的数据信息成商业银行“大数据”战略实施的基本条件，通过云计算等互联网技术手段的挖掘与分析，将提高客户数据的利用效率，节约业务运营成本。第二，在资金资源方面，我国商业银行基础牢、底子厚、资本雄厚，拥有强大的盈利能力，为其建立大数据服务平台提供强有力的资金支持。据中国银监会监管统计数据显示，截至2014年三季度末，我国银行业金融机构资产总额达167.9万亿元。如此巨大的资金规模是新兴的互联网金融企业在短期内难以超越的。商业银行凭借其雄厚的资本保障大数据硬件、储存等数据中心基础设施的完善，构建数据库、云计算服务器等大数据运行设备以应对大数据时代的挑战。第三，在人力资源上，商业银行拥有一批卓越的高素质银行家，牢固的专业知识和通观全局的领导才能促使他们能够准确地把握住互联网金融的发展趋势，树立大数据思维推动银行的转型升级。同时，银行在发展过程中也培养了一大批专业的客服人才，他们充满活力和创造力，对于新事物、新技术的接受能力较强，在大数据时代，利用更全面的客户信息，精确分析客户的不同需求，为客户提供个性化的金融服务。

2. 内部劣势分析。在“大数据”战略实施的初期，商业银行由于其自身的限制，受到互联网金融的冲击，银行经营管理面临巨大的挑战，其劣势集中体现在数据处理能力不足和法律保障缺失两个方面。在数据的收集和处理上，银行不仅需要收集来自物理网点、消费者账户的结构化数据，更需要来自移动互联网、电商平台以及社交网站的非结构化数据信息。然而，如今商业银行还处于大数据运行模式的探索期，由于缺乏专业的数据分析人才，传统的事物型数据库难以满足海量数据非结构化数据的分析需求，对于大数据的分析处理缺乏精准有效的技术支持，严重限制了商业银行的数据处理能力和银行竞争力的提高。在法律保障上，大数据与商业银行的跨界融合是金融创新理念在互联网经济时代的成功应用，然而互联网行业与金融行业本质上的区别导致大数据与银行业的商业规范、监管模式存在明显差异。商业银行作为现代金融的合规行业，受到严格的法律约束和金融监管机构的监督，而互联网领域的大数据并不受其限制，至今为止，还没有一部专门的法律对大数据在金融行业中的应用进行规范。因此，缺乏明确的法律法规和规章制度的保障导致银行大数据战略“无法可依”，这势必会造成银行大数据的滥用，威胁商业银行的持续发展。

3. 外部机会分析。“大数据”战略是商业银行顺应中国经济金融互联网化变革的必然选择。面对互联网金融的挑战，商业银行运用大数据思维打造符合自身发展的创新性战略模式。虽然“大数据”战略尚处于初创阶段，但是电子信息技术和移动互联网技术的不断进步以及互联网金融的蓬勃发展为银行的战略布局提供了良好的外部环境。首先，在技术环境上，信息传导、储存技术的不断进步以及云计算、物联网技术的逐步成熟为大数据在商业银行中的应用提供了技术保障，成千上万的二维码、传感器的运用推动了虚拟世界与现实世界的成功接轨。同时，为了更好地应对信息经济时代的挑战，我国银行业越来越重视信息化建设。计世资讯的研究报告显示，2011―2014年中国银行业IT投资规模年平均增长率为4.7%，2014年银行业IT投资规模为390.6亿元（见图2），预计到2015年，该投资规模将达到420.9亿元。商业银行信息化资金投入的增加为“大数据”战略的实施打下了良好的技术基础。其次，在政策环境上，《中国银行业“十二五”信息化建设规划》明确提出要提高数据作为银行业战略资产重要性认识，加快中国银行业信息化建设，全面优化银行信息化的发展环境，商业银行“大数据”战略的实施有助于加快银行的信息化转变。此外，为了确保中国数据产业的健康发展，2013年1月，由工信部、发改委等联合的《关于数据中心建设布局的指导意见》提出“以市场为导向，促进数据中心的合理布局”的发展目标，为中国数据中心发展指明了方向，同时也从政策上引导和规范了行业数据建设的布局，为银行业建设大数据中心提供了保障措施。第三，在社会经济环境上，“新常态”背景下，经济增速换挡回落、经济结构优化调整导致金融生态的变化，外部经济的变革要求银行进行深刻的转型发展。随着互联网技术的迅猛发展，互联网思维与金融发展的融合逐渐上升到国家战略层面，互联网金融的“普惠”思想创造了更多的社会价值，行业规范化程度越来越高。商业银行以大数据思维推动银行现阶段的转型正符合当前信息化经济发展的潮流。

4. 外部威胁分析。将大数据思维融入银行转型升级战略顺应了互联网金融时代商业银行的发展要求。然而互联网金融企业的竞争以及大数据本身存在的风险为商业银行实施“大数据”转型战略带来了巨大的威胁。一方面，与传统银行业相比，互联网金融模式具有资金配置效率高、交易成本低、支付便捷、普惠性等特点，打破了传统银行业时间和空间的限制，给人们带来了前所未有的高效、便捷的用户体验以及更具可得性的实际利益。2014年10月互联网巨头阿里巴巴成立“蚂蚁金融服务公司”，业务囊括了支付、贷款、理财、保险等诸多金融服务，阿里金融帝国逐渐成型；百度推出“百度财富”，打造专业化的金融服务平台，全面涉及金融业务；腾讯在其庞大的用户资源的基础上，借助大数据、云计算等技术，大力开展支付、理财业务。互联网企业加快布局金融业，对整个银行业产生全面而持续的冲击，这在很大程度上挤占了原本属于传统银行业的利润空间。另一方面，大数据的风险威胁主要表现为两点：一是信息扭曲风险，在大数据“信息爆炸”年代，数据量的大幅增加导致了规律的丧失与数据的严重失真，大量无序、低效的无用信息混进数据库形成“信息噪声”，增加了信息误读的风险。信息的扭曲加剧了市场波动，造成市场失灵；二是信息安全风险，大数据时代强调社会信息资源的开放与共享，然而随着虚拟网络技术的不断进步，网络信息安全问题越来越受到人们的关注。网络系统与数据中心存在的漏洞导致大量客户信息和个人隐私的泄露，“棱镜门”事件、支付宝漏洞以及携程网用户支付信息泄露等一系列信息安全事件的爆发，严重地威胁了企业的发展和消费者的人身安全。商业银行运用云服务、云平台构建大数据终端来实现数据资源的共享，但是同时也伴随着一定的风险，一旦数据泄露，将会对银行业务经营以及客户安全造成极大的安全隐患。

（二）银行“大数据”战略SWOT矩阵分析

在对商业银行“大数据”转型战略的外部机会与威胁、内部优势与劣势进行SWOT分析的基础上构建SWOT矩阵分析策略，为实现商业银行“大数据”战略的长期目标，制定了一整套战略选择路径以及具体的实施方案。根据战略制定的基本思路，通过发挥优势、克服劣势、利用机会、化解威胁，商业银行“大数据”战略的实施可具体分为四种路径（见表1）：

1. SO战略（增长型战略）的关键在于依靠内部力量，洞察外部环境。在“大数据”战略制定的初级阶段，商业银行最主要的任务是在充分发挥自身优势的基础上，保持良好的市场洞察力，利用外部环境发展自身。利用丰富的数据资源优势、雄厚的资本优势以及专业的人才优势建立大数据平台，构建云计算服务器，为“大数据”战略的实施打下坚实的设备基础。同时，深入了解市场发展动态，明确国家政策导向以规划市场布局，依靠不断进步的互联网技术与大数据手段将银行产品通过线上渠道扩大市场，拓展银行利润空间。

2. WO战略（扭转型战略）是“大数据”战略进入规范阶段，商业银行利用外部机会，克服内部弱点的一种稳定型发展路径。商业银行“大数据”战略制定的关键在于充分利用市场潜藏的机遇，学习互联网金融企业的先进技术，加强对银行内外部数据的收集与整理，培养数据分析人才，打造一支更具专业性的大数据人才队伍，克服银行数据处理能力不足的弱点，规范服务流程以提高业务办理效率。此外，在各银行之间建立云共享数据平台，制定统一的大数据运行规则，同业之间相互学习、相互监督，形成规范化的行业准则，以弥补法律保障的缺失。

3. ST战略（多元化战略）要求商业银行发挥内部优势，规避外部威胁。在激烈的市场环境中，商业银行面临的不仅是同业的竞争，更有互联网金融企业的威胁。深入挖掘自身特点，走差异化发展之路是银行赢得市场先机的基本策略。面对互联网金融的冲击，商业银行必须加强与互联网企业的合作与交流，建立客户信息共享机制，打破“信息孤岛”以提升银行的数据整合能力，同时加快建立大数据的风险防范制度体系，防范银行数据的信息安全风险。

4. WT战略（防御型战略）是商业银行在内部阻力和外部冲击双重因素制约下的必然选择。在此阶段，商业银行需要进一步分析和调查银行大数据运用的风险，以审慎的态度推进银行转型。互联网金融的发展导致银行客户和资金的大量流失，采用防御型战略要求商业银行以规范的操作流程，完善的管理制度，健全的培养机制做支撑，全面开展与互联网企业的合作竞争，进行优势互补，通过科研创新与品牌建设逐个击破外部挑战，重塑商业银行内部竞争力。

无论是增长型战略、扭转型战略，还是多元化战略、防御型战略，在商业银行战略转型的不同阶段都有与之相对应的战略规划内容和实施方式，银行对不同战略路径的选择必须符合银行不同转型期的特定要求，但是商业银行“大数据”战略实施的全过程必定是一个不断学习、创新与发展的过程。

四、商业银行“大数据”战略目标与路径选择

在未来的银行业竞争中，对于数据的分析和挖掘将成为决定银行经营成败的关键。随着互联网金融理念的不断深入，实施“大数据”战略对推动银行业的转型升级意义重大。商业银行“大数据”战略目标的设定是其转型升级的具象化表现，而战略路径的选择则是商业银行在既定战略目标指导下实施转型升级的具体方案。

（一） “大数据”战略目标

“大数据”战略是商业银行在互联网金融背景下运用大数据思维实现转型升级的进一步探索。基于商业银行转型的定位，“大数据”战略目标具体包括客户中心目标、经济发展目标和风险管理目标。

1. 客户中心目标。实现商业银行的战略转型必须以满足客户的真实金融需求为前提。及时、准确地把握客户需求是实现新时代开放式普惠金融的基本要求，离开了“以客户为中心”的经营理念，银行的转型将会迷失方向。商业银行引入大数据思维服务于银行经营管理的创新，关键在于深入客户群体，全方位评估客户需求，准确把握市场动向，为消费者提供更具针对性、合理性的产品和服务，确切落实商业银行的战略转型目标。因此，银行“大数据”客户中心目标可以概括为基于客户信息分析，以客户需求为导向，构建银行客户管理大数据分析和应用平台。

2. 经济发展目标。服务于实体经济的转型发展是商业银行“大数据”战略转型的根本方向。实体经济是银行业发展的根基，脱离实体经济的金融创新只会带来更大的金融风险。商业银行引入大数据思维的金融创新必须以实体经济发展的需求为导向，不断优化实体经济的资源配置，重视“三农”经济的发展与小微企业的融资，助推普惠金融的实现。尤其是在当前经济新常态下，经济下行压力持续，银行应该充分利用大数据、云计算等互联网技术优势拓宽服务实体经济的渠道，创新服务手段，以提高资金使用效率。商业银行只有以支持实体经济发展为核心，才能实现金融业和实体经济的共生共荣。

3. 风险管理目标。风险管理是决定商业银行转型成败的关键。商业银行作为经营风险的特殊行业，完备的风险管理体系是其生存与发展的基本保障。风险的产生是由信息不对称造成的，商业银行传统的信用风险决策主要依据客户的基本经济情况、信用记录、抵押担保以及客户经理的现场调查等结构化数据进行经验判断，缺乏量化数据的支持，准确度难以得到保障。而大数据在商业银行中的应用在很大程度上缓解了银行与客户之间的信息不对称问题，以大数据思维进行银行风险管理的变革，通过大量数据信息法人深度挖掘来进行风险识别，提升银行整体的风险防控能力。

（二）“大数据”战略路径

1. 树立大数据理念，持续提升商业银行大数据核心竞争力。党的十报告明确提出走中国特色新型工业化、信息化、城镇化、农业现代化道路的目标，信息化已上升为国家战略的高度。在互联网金融的时代背景下，以大数据思维推动银行的转型升级不仅有利于加快我国信息化、智能型银行建设的步伐，而且对于促进我国信息经济发展、服务“新四化”具有不可估量的作用。因此，商业银行管理层应通过顶层设计提高大数据理念的战略高度，充分认识大数据资源在商业银行战略转型中的重要地位，以大数据作为推动银行改革创新的内在引擎。第一，培养商业银行的大数据核心处理能力。强化数据整合能力，以银行内部数据为基础，充分利用大数据链条上的社会化数据，形成统一的数据标准，便于进行规范化的数据交换与融合；强化数据挖掘与分析处理能力，在全行推广“决策基于数据，信息创造价值”的观念，引进专业化数据挖掘与大数据分析工具，以大数据思维进行业务逻辑模式的再造，提高非结构化数据转化为决策支持信息的效率。第二，深化数据治理，持续提高数据质量。充分认识数据治理在大数据分析过程中的重要作用，积极推进数据标准化管理机制的建设。制定完备的数据构架规划和数据生命周期管理规范，从制度上规范银行数据的使用。建立多维度数据仓库，将分散化数据信息按照客户、渠道、产品等多种类别进行合理的整合与储存，形成全行统一的数据格式，提高数据的利用效率。同时，加强数据查询平台的建设，满足银行各部门的数据查询需求，及时提取各类交易数据，响应数据监管部门的数据审核要求。第三，完善银行大数据工作管理体系。在银行内部建立“总―分”式大数据工作机制，制定全行大数据工作规划，实行逐层推进。建立大数据主管部门负责统筹工作规划，集中管理银行数据，设立大数据业务部门负责数据整合与分析，成立大数据工作小组，全面收集商业银行内外部各类数据信息，形成一个统一的大数据管理体系，打造银行业在大数据时代的核心竞争力。

2. 全面整合银行内外部数据，搭建商业银行大数据平台。传统的数据处理只要致力于对结构化数据的分析与整合，然而在大数据背景下，传统的数据库已无法满足大量半结构化，甚至非结构化数据的处理要求。因此，必须加快建立商业银行大数据分析平台，整合银行内部自然数据，协同外部社会化数据，完善大数据环境下的银行数据分析，提高银行决策效率。一方面，全面整合银行内部数据。银行作为整个金融业的核心领域，在与客户联系的过程中，积累了大量的信息数据。从现有客户的属性资料、账户信息，包括客户的性别、年龄、职业、收入和资产状况，到客户的交易信息、渠道信息和行为信息，包括交易时间、交易类型以及消费偏好。商业银行必须以内部信息技术系统为基础，整合银行内部各业务单位的客户关系信息，将各类渠道所有交易中的客户信息、记录综合起来，建立一个统一的数据分析平台，为银行经营决策奠定数据基础。另一方面，综合利用外部社会化数据。商业银行必须重视加强对各类数据的收集和积累，打破传统数据边界，注重加强与社交网络、电商企业等大数据平台的交流与合作。商业银行在完善自身数据的基础上，积极建立与网络媒体的数据共享机制，通过多渠道获取更多的消费者数据信息。充分利用社交网络、论坛、微博、微信平台等新媒体工具整合现代化客户交流渠道，增强与客户的互动联系，打造人性化的银行品牌形象，维护良好的客户关系。同时加强与电信、电商等互联网企业合作，加强数据信息共享互利，促进金融服务与电子商务、移动网络的融合。在统一的大数据平台的基础上，深入挖掘客户信息，形成统一的数据化客户管理，实现客户分类的精细化，并针对不同客户群体的独特需求提供个性化服务。

3. 基于大数据洞悉客户需求，提高银行经营决策效率。随着各外资银行进入中国市场，国内商业银行面临更加激烈的市场竞争，各大银行纷纷进入转型经营的深水区，普遍确立以客户为中心的服务理念，致力于拓展客户规模、增强客户粘度。然而与国外发达银行相比，国内银行业产品服务同质化现象依旧严重，缺乏对客户群的深度了解，造成客户依存度不足，客户流失概率大，严重影响了银行的日常经营。因此，在大数据时代，商业银行的经营决策重点必须转向对客户需求和客户体验的关注上，提高客户粘度。通过大数据平台整合内外部数据资源，预测发现市场热点和发展趋势，树立“以客户需求为导向”的经营理念。深入分析客户行为和生活形态，勾勒客户整个生命周期的价值曲线，洞悉客户在金融产品、信贷、消费等方面的需求，分析客户流失的原因。充分运用微博、微信等社交网络平台的非结构化社会信息，建立新型的数据化投资策略模型。微博、微信信息是一种典型的大数据，一般以文字、图片、视频和音频的形式存在于互联网平台。由于其受众广泛、扩散速度快逐渐成为人们日常生活中交流信息的重要方式。商业银行应积极探索微博、微信与投资决策相结合的模式，不断挖掘社交网络信息中的“数据财富”。例如，根据微博中客户的情绪判断客户对银行产品的满意度，并以此为基础进行产品升级；根据客户日常的微博关注判断其兴趣爱好和投资偏好；根据客户手机定位信息判断其所处的地理位置，实时推送促销信息；搜集小微企业的微博动态，分析其企业声明，并从中推断出该小微客户的日常经营状况及信誉状况。商业银行在对客户充分了解的基础上有针对性地制定全流程的客户经营策略，并应用数据分析提升客户经营策略的持续优化能力。

4. 以大数据思维完善风险管理，提升银行风险识别和计量水平。平衡收益与风险是银行维持长久发展的根本保障。随着利率市场化程度的不断加深，外部市场环境日益复杂，商业银行面临的流动性问题愈加严峻。面临不断提高的风险管理要求，商业银行引入大数据思维，树立“用数据防风险”的新型风险管理理念。在大量的金融及非金融数据中，通过机器学习，不断总结数据之间的内在关系，运用大数据相关关系分析法，结合机器算法模型找出隐藏在海量数据中的客户与风险之间的量化关系。充分利用银行内部历史数据以及阿里巴巴B2B、人人贷、淘宝等电商平台上积累的海量客户信用信息与行为数据，通过互联网数据模型和在线资信调查，结合第三方验证形成交叉检验，确认客户信息，进行信用评级，并根据客户的信用等级实行差异化的贷款定价。数据规模的优势可以弥补数据质量的不足，并在极短的时间内对海量原始数据进行分析，更精确地评估客户的信用风险。同时，依托大数据，搭建风险计量与欺诈防范模型，实行现场跟踪调查与非现场信息分析相结合、数据定量判断与经验定性判断相结合，研究对授信客户从贷前到贷后全生命周期的风险监测手段，建立综合式的风险监控中心。注重贷后持续的风险监测，由大数据系统根据客户的历史数据对其贷款额度和贷款利率进行每月动态调整，实时跟踪客户交易，若出现交易、存款等大幅度变动的异常情况，及时进行现场审查，以确保贷款安全。此外，在运用大数据技术完善风险管理的同时，还需要注重对大数据风险的监督和管理。为了确保大数据安全，必须将大数据纳入全面风险管理系统中进行统一管控。加强银行数据的自我监督，协同数据共享平台的各类企业和机构，制定规范的数据安全标准，提升整体数据安全质量。同时，加强与客户的交流与沟通，提高客户的数据安全意识，规范数据来源，确保数据安全。

5. 加强大数据人才队伍建设，营造商业银行大数据文化氛围。大数据时代，随着海量数据信息的爆炸式增长，商业银行内部数据不再仅限于客户的基本自然数据，其数据的种类与规模快速膨胀，传统的数据管理系统已很难做出准确的客户分析。对于当前的大数据分析而言，需要分析人员具有更强的数据分析解读能力和应变能力。他们不仅需要精通数据建模和信息挖掘，还需要具备良好的银行业务知识，能够将大数据分析技术与银行业务完美地结合起来，其关键在于打造一支属于银行的专业化复合型大数据分析团队。因此，各商业银行应积极实施人才战略，重点推进大数据人才队伍建设。重视人力资源管理，完善员工收入分配制度，激发员工工作的积极性与创造性，增强团队凝聚力。加强对银行员工的大数据分析培训，重点培养其基础金融知识、大数据理念、数学建模、新型计算机方法等复合型技能，打造专业化的大数据分析团队。完善银行岗位的设置，在培养自己的大数据分析人才的同时，注重引进外界优秀的大数据人才，全面提高银行员工整体的素质，营造良好的商业银行互联网金融文化氛围。

五、结束语

技术的创新往往带来产业的变革，以大数据为核心的新一代网络技术创新突破了传统金融理念，改变了人们的日常生活和金融生活。互联网金融的兴起给传统银行业带来的不仅是挑战，更是一种变革的机遇。以大数据思维为指导推动商业银行的转型升级符合互联网金融时代银行业的发展要求，有助于在长期中培养银行的核心竞争力，抢占市场竞争制高点。然而，金融创新与金融风险相生相伴，大数据所具有的信息安全风险如果管理不善，其本身很可能会演变成“大风险”，信息安全更是关乎国家政治安全、经济发展以及社会的和谐与稳定。因此，在移动互联的浪潮下，政府部门需要从国家立法的角度来完善大数据监管体系，保护消费者利益，维护金融系统的稳定与发展，商业银行的“大数据”战略还需要不断地接受市场监管的检验。

参考文献：

[1]Manyika J， Chui M， Brown B， et al. Big Data： The Next Frontier for Innovation，Competition，and Productivity[R]. McKinsey Global Institute，2011.

[2]方方.“大数据”趋势下商业银行应对策略研究[J].新金融，2012，（12）：25-28.

[3]黄昶君，王林.大数据助推银行零售业务量化经营――大数据时代的零售数据挖掘和利用探索[J].海南金融，2014，（1）：66-69.

[4]周民源.中国商业银行转型的路径选择研究[J].金融监管研究，2012，（9）：54-68.

[5]褚蓬瑜，郭田勇.互联网金融与商业银行演进研究[J].宏观经济研究，2014，（5）：19-28.