大資料產業發展了幾年之後，即將進入到價值變現階段。傳統企業已經對大資料技術和應用有了初步瞭解，大資料平臺和技術的應用也開始普遍。一些公司也成立了大資料部門，大資料得到了企業的高度重視，但是很多企業和廠商主要的困難在於大資料的場景應用，既如何利用資料分析和外部資料來提升業務。
計劃近期推出一系列文章，向大家介紹大資料的場景應用，介紹如何利用資料分析和外部資料實現價值變現，提升業務。先期主要集中在以下幾篇。分別從大資料場景應用的橫向和縱向來分享大資料應用場景，同時也會從資料來源、資料應用、資料分析方法和工具出發來介紹如何應用資料。計劃5篇文章，其簡單的內容介紹別如下。
- 行業篇：從大資料場景應用的橫向出發，介紹各個行業的大資料應用場景，重點介紹銀行、證券、保險、網際網路金融、地產、旅遊、交通、農業、智慧政府等行業大資料場景應用和案例
- 功能篇：從大資料場景應用的縱向出發，介紹大資料分析在各個功能領域的應用場景，重點介紹精準營銷、資料風控、效率提升、決策支援、產品運營的大資料場景和案例。
- 資料來源篇：從資料型別和資料來源角度出發，介紹中國市場上擁有資料來源的公司，其資料來源、資料型別、資料應用場景、資料應用案例。
- 使用者畫像篇：從資料應用出發，介紹如何梳理和整理資料，如何打標籤，如何利用資料描述使用者，如何建立可以進行商業應用的使用者畫像，如何通過使用者畫像找到資料商業應用場景。
- 資料分析篇：從資料分析角度出發介紹常用的資料探勘和統計分析方法、模型、演算法。資料探勘和分析常用的知識點、資料分析模型和應用案例。
第一篇行業篇
很多企業對大資料的價值瞭解不多，不知道如何應用資料，如何利用資料創造價值。大資料的場景應用成了很多企業迫切需要了解的問題，也是大資料在企業應用的一個主要出發點。本文將從幾個產業和領域來同大家分享一下大資料的應用場景，同時也幫助企業掌握找到資料應用切入點。
大資料場景應用本質上就是資料的業務應用場景，是資料和資料分析在企業經營活動中的具體表現。可以從不同的緯度來了解大資料的場景應用。從橫向上分析，大資料在不同行業有不同的應用場景，簡單講就是提升業務，降低成本，開源和節流並重。由於各個行業的資料維度和數質量不同，大資料在不同行業應用的成熟度不同，金融行業的資料維度較多，資料質量也很好，資料集中和資料治理也開展了一段時間，因此金融行業的大資料應用開展較好，也取得了一些較好的效果。地產行業的大資料剛剛開始，主要應用在於線下和線上資料打通、土地決策、地產金融等方面。電商是最早利用資料變現的行業，客戶交易和行為資料分析已經成為電商行業核心競爭力。網際網路金融、零售、醫療、交通、航空旅遊的資料應用也開始了一段時間，資料分析已經為他們帶來了較大的業務提升。
一 金融行業大資料場景應用
金融行業擁有豐富的資料，並且資料維度和資料質量也很好，自身的資料就是最好的資料，可以開發出很多應用場景。如果考慮引入外部資料，可以加快資料價值的變現，市場上較好的資料有社交資料、電商交易資料、移動大資料、運營商資料、工商司法資料、公安資料、教育資料、銀聯交易資料等。
大資料在金融行業應用範圍較廣，典型的案例有花旗銀行利用IBM沃森電腦為財富管理客戶推薦產品，並預測未來計算機推薦理財的市場將超過銀行專業理財師。摩根大通銀行利用決策樹技術，降低了不良貸款率、轉化了提前還款客戶，一年為摩根大通銀行增加了6億美金的利潤。VISA公司利用Hadoop平臺將730億交易處理時間從一個月縮短到13分鐘。
1 銀行資料應用場景
銀行的資料應用場景比較豐富，典型的資料應用場景集中在資料庫營銷、使用者經營、資料風控、產品設計和決策支援等。現階段，大資料在銀行的商業應用還是以其自身交易資料和客戶資料為主，外部資料為輔;描述性資料分析為主，預測性資料建模為輔;經營客戶為主，經營產品為輔。
可以將銀行的資料按型別分為交易資料、客戶資料、信用資料、資產資料四大類。大部分資料都集中在資料倉儲，都是結構化資料，金融屬性較強，可以利用資料探勘來分析出一些交易資料背後的商業價值。商業銀行正在從經營產品轉向經營客戶，因此目標客戶的尋找，正在成為銀行資料商業應用的主要方向。其中高階財富管理和理財客戶的挖掘，成為吸收存款和理財產品銷售的主要應用領域。
1)利用資料庫營銷，挖掘高階財富客戶
從物業費待繳服務中尋找高階理財客戶，銀行可能幫助一些物業公司進行物業費代繳，其中包含了較多的高檔樓盤的代扣代繳，銀行可以依據物業費的多少，來識別出高檔住宅的業主。例如針對物業費代扣金額超過3千元的客戶進行分析，結合其在本行的資產餘額，來幫助銀行找到一些主要資產不在本行的高階使用者，為這些使用者提供理財服務和資產管理服務。曾經某家股份制商業銀行，利用此方法，兩個月新增了十多億存款。
2)利用銀行卡刷卡記錄來尋找財富管理人群
中國有120萬人口高階財富人群，這些人群平均可支配的金融資產在一千萬人民幣，是所有銀行財富管理重點發展的人群。這些人群具有典型的高階消費習慣，高階消費場場景覆蓋奢侈品、遊艇、豪車、手錶、高爾夫、古玩等。銀行可以參考POS機的消費記錄定位這些高階財富管理人群，為其提供定製的財富管理方案，吸收其成為財富管理客戶，增加存款和理財產品銷售。另外移動裝置的位置資料也可以幫助銀行識別出這些人群。
3)利用外部資料找到白金卡使用者
信用卡中的白金卡主要面對高階消費人群，這些人群很難通過線下的方式觸達，但是其又是信用卡公司希望獲得的高價值使用者。銀行可以參考客戶乘坐頭等倉的次數、出境遊消費金額、境外資料漫遊費用來為其提供白金卡服務，這類經常乘坐頭等倉和消費高的客戶，其消費額度和信用水平應該可以滿足白金信用卡客戶的要求。這種消費場景的關聯應用是典型的大資料應用方式，也是目前資料庫營銷和資料風控常用的場景。
2 保險行業資料應用功能場景
保險行業主要通過保險代理人連線保險客戶，對客戶的基本資訊和需求掌握很少，因此極端依賴外部保險代理人和渠道(銀行)，在競爭不激烈的情況下，這種連線客戶的方式是可以的。但是如果網際網路保險興起之後，使用者很可能會被分流到網際網路渠道，因為年輕人更加喜歡通過網際網路這個渠道來滿足自己的需求。未來線上客戶將成為保險公司客戶來源。
保險行業的產品是一個長週期產品，保險客戶再次購買保險產品的轉化率很高，經營好老客戶是保險公司一項重要任務。保險公司內部的交易系統不多，交易方式不是很複雜，資料主要集中在產品系統和交易系統之中，客戶關係管理系統中也包含豐富了資訊，但是資料集中在很多保險公司還沒有完成，資料倉儲建設可能需要在使用者畫像建設前完成。
保險公司主要資料有人口屬性資訊，信用資訊，產品銷售資訊，客戶家人資訊。缺少興趣愛好、消費特徵、社交資訊等資訊。保險產品主要有壽險，車險，保障，財產險，意外險，養老險，旅遊險。
保險行業資料業務場景是圍繞保險產品和保險客戶進行的，典型的資料應用有利用使用者行為資料來制定車險價格(UBI)，利用客戶外部行為資料來了解客戶需求，向目標使用者推薦產品，例如依據自身資料(個人屬性)，外部養車App活躍情況，為保險公司找到車險客戶;依據自身資料(個人屬性)，移動裝置位置資訊，為保險企業找到商旅人群，推銷意外險和保障險。依據自身資料(家人資料)，人生階段資訊，為使用者推薦理財保險，壽險，保障保險，養老險，教育險，依據自身資料和外部資料，為高階人士提供財產險和壽險。利用外部資料，提升保險產品的精算水平，提高利潤水平和投資收益。
保險公司急需收集整理客戶資訊，為客戶建立人生檔案，利用個人的生命週期各個階段需要，為客戶提供保險產品。保險公司也需要同外部渠道進行合作開發出適合不同業務場景的保險產品。例如航班延誤險、旅遊天氣險、手機被盜險等新的險種。目的不是靠這些險種盈利，而是找到潛在客戶，為客戶提供其他保險產品。另外保險公司應該藉助於移動網際網路連線客戶，利用資料分析來了解客戶，降低對外部渠道的依賴，降低保險營銷費用，提高直銷渠道投入和直銷銷售比。
3 證券行業資料應用場景
證券行業的主要收入來源於經紀業務、資產管理、投融資服務、自由資金投資。外部資料的分析，特別是行業資料的分析有助於其投融資服務和投資業務。2015年4月13日，一碼通實施之後，證券行業面臨了網際網路證券平臺的強力競爭，依據TalkingData釋出的金融App排行榜，移動網際網路證券App，排名前5位的證券類App，只有一家傳統券商華泰證券。排名第一的網際網路券商同化順覆裝機量是排名第一傳統券商的6倍，前三名的互聯券商總體覆蓋使用者接近6000萬使用者。使用者總數還在不斷增加。傳統證券行業現在面臨的主要挑戰是使用者交易賬戶的爭奪，證券行業如何增加新使用者?如何留住使用者?如何提高證券行業使用者的活躍?如何提高單個客戶的收入?是證券行業主要的業務需求。
證券行業擁有的資料型別有個人屬性資訊例如使用者名稱稱，手機號碼，家庭地址，郵件地址等。證券公司還擁有交易使用者的資產和交易紀錄，同時還擁有使用者收益資料，利用這些資料和外部資料，證券公司可以利用資料建立業務場景，篩選目標客戶，為使用者提供適合的產品，提高單個客戶收入。帕累託效應還是適用於證券行業，20%的客戶創造了80%的利潤。證券行業需要找到高頻交易客戶、資產較高的客戶，理財客戶。藉助於資料分析，如果客戶平均年收益低於5%，交易頻率很低，建議其購買證券公司提供的理財產品。如果客戶交易很頻繁，又收益較高，可以主動推送融資服務。如果客戶交易不頻繁，但是資金量較大，可以為客戶提供投資諮詢，啟用客戶交易興趣。客戶交易的頻率，客戶的資產規模，客戶交易量都是證券公司主要收入來源，對客戶交易習慣和行為分析可以幫助證券公司獲得更多的收益。另外證券App交易的便捷和使用者體驗，也是提升使用者粘性的重要方面。
證券公司除了利用企業財務資料來判斷企業經營情況，還可以利用外部資料來分析企業的經營情況，為投融資以及自身投資業務提供有力支援。例如利用移動App的活躍和覆蓋率來判斷移動網際網路企業經營情況，電商、手遊、旅遊等行業的App活躍情況完全可以說明企業運營情況。海關資料、物流資料、電力資料、交通資料、社交輿情、郵件伺服器容量等資料可以說明企業經營情況，為投資提供重要參考。
二 地產行業大資料場景應用
地產行業正在從黃金髮展期進入到白銀髮展期，房地產商從過去粗放經營轉向精細化經營。地產生意不在是簡單的交鑰匙工程，簡單的商品房建設。地產公司正在轉向商業地產開發和商鋪經營、物業經營。市場的競爭正在驅動地產公司尋找新的收入增點和新的商業模式。有的地產巨頭例如萬科和萬達，已經轉向社群O2O、電商、文化產業、地產金融等業務。
一些地產公司和大資料公司正在尋找大資料在地產行業的應用場景，並且已經取得了階段性成果。移動大資料正在幫助地產行業在土地開發、小區規劃、商鋪規劃、地產O2O，甚至地產金融等方面發揮作用。地產大資料商業應用場景被逐漸被挖掘出來，大資料技術在資源配置和客戶分析等方面發揮了過去想象不到的作用，移動大資料正在幫助房地產公司實施數字化運營，獲得新的業務收入。TalkingData作為一個領先的移動大資料公司，在土地規劃、客戶經營、打通O2O等方面幫助很多房地產商實現數字化經營，並取得了一些成績。資料商業應用給地產商帶來了過去不存在的商業價值，移動大資料技術在商業地產的應用，正在成為很多房地產公司重點關注的領域。
1 移動大資料在商業地塊定價策略方面的應用
先從一個真實的例子開始，一家著名的房地產公司，其房產開發主要集中在三線城市。當這家房地產公司進入到一個城市時，當地政府非常歡迎，並拿出了一個擁有30萬戶籍人口的土地讓房地產公司進行開發。房地產公司開發完之後，發現房子賣出去很少，同30萬戶籍人口的需求完全不在一個數量級上，房子積壓了不少，造成了較大損失。
地產公司很困惑，究竟是什麼原因導致了房子滯銷，經過一段時間的調研，地產公司發現30萬戶籍人口中有一半以上在其他城市工作，並且未來不會回來購買住房，其開發地塊的常住人口住房購買需求較低，相當於10萬戶籍人口的需求。地產商按照30萬人口需求開發的住宅小區，很難在當地短期內賣出去。本次房地產投資損失較大，導致房地產商從當地房產市場退出。
TalkingData利用移動裝置的位置資料，可以幫開發商瞭解其開發地塊的常住人口數量、年齡分佈和職業特點、以及收入水平。通過資料分析，房地產商可以客觀瞭解開發地塊每天晚上居住的人口數量，進入的人口數量，第二天離開的人口數量，以及這些人口的活動規律、年齡階段、職業型別、收入水平、消費水平等。這些資料可以幫助房地產商對土地價值進行評估，這些資訊對土地價格影響很大。房地產公司已經利用移動大資料進行土地價值估算，避免採使用者籍人口數量方式來價值估算土地價值，降低了土地投資成本和房地產開發風險。
越來越多的房地產公司正在利用移動大資料，客觀精確地估計其開發的土地價值，降低土地投資費用。房地產開發商也將參考使用者資訊進行房型設計、商鋪規劃、配套設施規劃等，真正將大資料價值應用到房地產專案上去，優化資源配置，提高運營效率。
2 移動大資料在商鋪地產規劃上的應用
房地產行業正在將產業鏈進行延伸，住宅小區的商業地產專案已經成為房地產公司未來利潤的增長點。商鋪主要為周圍居民提供服務的，居民的消費偏好成為商鋪設計的一個出發點。商鋪的合理規劃對商業地產的增值起到了關鍵的作用。
移動網際網路的大資料可以幫助房地產商瞭解客戶的消費偏好，通過使用者智慧手機的App列表和其活躍程度，大資料公司可以對周圍居民進行分析和畫像。這些使用者畫像包括客戶的生活愛好、年齡層次，消費特點等資訊。房地產商可以利用這些資訊進行商鋪規劃，根據客戶消費需求來規劃商鋪，最大化商鋪的利用率和客流量，合理配置商鋪資源。
TalkingData已經向一些地產開發商提供了使用者畫像資料，這些使用者畫像資料正在被用作商鋪規劃。房地產商依據周圍使用者的特點和數量，規劃教育、娛樂、健康、戶外運動、美容等商鋪的配置比例，確保有足夠的商鋪來滿足客戶需求，同時也確保相同型別商鋪不要太多，最大化商鋪的經濟利益，也為商業地產增值提供基礎。
房地產商利用移動網際網路側客戶行為資料和消費愛好資料，在開發商鋪時依據客戶需求規劃商鋪，提高商鋪客流量和消費總額，幫助房地產商提高商鋪價值和潛在的租金。商戶也可以利用使用者畫像資料深度瞭解客戶，為商品採購和服務提供資料支援，為客戶提供更加優質的商品和服務。
三 零售行業大資料場景應用
零售行業比較有名氣的大資料案例就是沃爾瑪的啤酒和尿布的故事，以及Target通過向年輕女孩寄送尿布廣告而告知其父親，女孩懷孕的故事。沃爾瑪是大資料分析應用的先鋒，其擁有全世界第二大規模的資料倉儲，第一大規模資料倉儲的擁有者是美國政府。
零售行業可以通過客戶購買記錄，瞭解客戶關聯產品購買喜好，將相關的產品放到一起增加來增加產品銷售額，例如將洗衣服相關的化工產品例如洗衣粉、消毒液、衣領淨等放到一起進行銷售。根據客戶相關產品購買記錄而重新擺放的貨物將會給零售企業增加30%以上的產品銷售額。
零售行業還可以記錄客戶購買習慣，將一些日常需要的必備生活用品，在客戶即將用完之前，通過精準廣告的方式提醒客戶進行購買。或者定期通過網上商城進行送貨，既幫助客戶解決了問題，又提高了客戶體驗。
電商是最早利用大資料進行精準營銷的行業，電商網站內推薦引擎將會依據客戶歷史購買行為和同類人群購買行為，進行產品推薦。市場上推薦引擎的產品轉化率一般在6%-8%，很少有超過8%以上的轉化率。
電商行業的巨頭天貓和京東，已經通過客戶的購買習慣，將客戶日常需要的商品例如尿不溼，衛生紙，衣服等商品依據客戶購買習慣事先進行準備。當客戶剛剛下單，商品就會在24小時內或者30分鐘內送到客戶門口，提高了客戶體驗，讓客戶連後悔等時間都沒有。
電商的資料量足夠大，資料較為集中，資料種類較多，其商業應用具有較大的想象空間。包括預測流行趨勢，消費趨勢、地域消費特點、客戶消費習慣、消費行為的相關度、消費熱點等。依託大資料分析，電商可幫助企業進行產品設計、庫存管理、計劃生產、資源配置等，有利於精細化大生產，提高生產效率，優化資源配置。
四 醫療行業大資料場景應用
醫療行業擁有大量病例、病理報告、醫療方案、藥物報告等。如果這些資料進行整理和分析，將會極大地幫助醫生和病人。在未來，藉助於大資料平臺我們可以收集疾病的基本特徵、病例和治療方案，建立針對疾病的資料庫，幫助醫生進行疾病診斷。
IBM的花了10億美元收購了一家公司，獲得了這家公司的10萬份病人檔案，IBM的沃森已經學習了這些醫療檔案，依據過去的資料和診斷建立了疾病診斷模型，並向醫生推薦治療方案。IBM的沃森背後支撐的系統是DeepQA，專注文字分析、基於概率大規模並行分析系統。醫生們用來診斷和治療的醫學知識中，只有20%具有實證基礎，每五年相關的醫學知識就會翻一倍，醫生們根本沒有時間來查閱所有期刊，實時更新其知識儲備。
IBM的沃森具有這樣的學習和更新能力，可以幫助醫生進行診斷和提出治療方案。美國的MD安德森癌症醫療中心正在實用IBM的沃森幫助醫生進行診斷和制定治療方案。
基因技術發展成熟後，可以根據病人的基因序列特點進行分類，建立醫療行業的病人分類資料庫。在醫生診斷病人時可以參考病人的疾病特徵、化驗報告和檢測報告，參考疾病資料庫來快速幫助病人確診。在制定治療方案時，醫生可以依據病人的基因特點，調取相似基因、年齡、人種、身體情況相同的有效治療方案，制定出適合病人的治療方案，幫助更多人及時進行治療。這些資料也有利於醫藥行業開發出更加有效的藥物和醫療器械。中國的基因測序處於世界領先梯隊，目前不到一萬元就可以測量客戶36對基因序列，可以幫助醫生進行早期疾病診斷和制定治療方案。
醫療行業的資料應用一直在進行，但是資料沒有打通，都是孤島資料，沒有辦法大規模應用。未來需要將這些資料統一收集起來，納入統一的大資料平臺，為人類健康造福。政府是推動這一趨勢的重要動力。
五 移動網際網路廣告
數字廣告越來越受到廣告主的重視，其未來市場規模越來越大。2014年美國的網際網路廣告市場規模接近500億美元，參考中國的人口消費能力，其市場規模會很快達到2000億人民幣左右。
過去到廣告投放都是以好的廣告渠道+廣播式投放為主，廣告主將廣告交給廣告公司，由廣告公司安排投放，其中SEM廣告市場最大，其次為展示廣告，精準品牌推廣廣告很少，多是廣播式廣告投放。廣播式投放的弊端是投入資金大，沒有針對目標客戶，面對所有客戶進行展示，廣告的TA(目標客戶)響應較低，並存在數字廣告營銷陷阱等問題。
大資料技術可以將客戶在網際網路上的行為記錄下來，對客戶的行為進行分析，打上標籤並進行使用者畫像。特別是進入移動網際網路時代之後，客戶主要的訪問方式轉向了智慧手機和平臺電腦，移動網際網路的資料包含了個人行為資料，可以用於360度使用者畫像，更加接近真實人群。
移動大資料的使用者畫像可以幫助廣告主進行精準營銷，將廣告直接投放到使用者的移動裝置，其廣告的目標客戶覆蓋率可以大幅度提高。一般情況下提升的效果在30%以上，廣告主品牌廣告單個TA曝光費用下降，用較少的資料投入費用獲得了較高的曝光率。
六 網際網路金融大資料場景應用
網際網路金融爆發式發展，2015年P2P的交易總額將會超過1萬億，將成為具有影響力的產業。但是在P2P行業，其面對的風險也在加大，除了傳統的信用風險，其外部欺詐風險正在成為一個主要風險。有的P2P公司統計過，帶給P2P公司的最大外部風險不是借款人的壞賬，而是犯罪集團的惡意欺詐。網路犯罪正在成為P2P公司面臨的主要威脅之一，甚至在一些P2P公司，惡意欺詐產生的損失佔整體壞賬的60%。很多P2P公司將主要精力放在如何預防惡意方面。高風險客戶識別和黑名單成為預防惡意欺詐的主要手段。移動大資料可以幫助網際網路金融企業識別出欺詐使用者和高風險使用者
1使用者居住地的辨別
線上的欺詐行為具有較高的隱蔽性，很難識別和偵測。P2P貸款使用者很大一部分來源於線上，因此惡意欺詐事件發生線上上的風險遠遠大於線下。中國的很多資料處於封閉狀態，P2P公司在客戶真實資訊驗證方面面臨較大的挑戰。
移動大資料可以驗證P2P客戶的居住地點，例如某個客戶在利用手機申請貸款時，填寫自己居住地是上海。但是P2P企業依據其提供的手機裝置資訊，發現其過去三個月從來沒有居住在上海，這個人提交的資訊可能是假資訊，發生惡意欺詐的風險較高。移動裝置的位置資訊可以辨識出裝置持有人的居住地點，幫助P2P公司驗證貸款申請人的居住地。
2使用者工作地點的驗證
借款使用者的工作單位是使用者還款能力的強相關資訊，具有高薪工作的使用者，其貸款信用違約率較低。這些客戶成為很多貸款平臺積極爭取的客戶，也是惡意欺詐團伙主要假冒的客戶。
某個使用者在申請貸款時，如果宣告自己是工作在上海陸家嘴金融企業的高薪人士，其貸款審批會很快並且額度也會較高。但是P2P公司利用移動大資料，發現這個使用者在過去的三個月裡面，從來沒有出現在陸家嘴，大多數時間在城鄉結合處活動，那麼這個使用者惡意欺詐的可能性就較大。移動大資料可以幫助P2P公司在一定程度上來驗證貸款使用者真實工作地點，降低犯罪分子利用高薪工作進行惡意欺詐的風險。
3欺詐聚集地的識別
惡意欺詐往往具有團伙作案和集中作案的特點。犯罪團伙成員常常會在集中在一個臨時地點，僱傭一些人，短時間內進行瘋狂作案。
大多是情況下，多個貸款使用者在同一個小區居住的概率較低，同時貸款的概率更低。如果P2P平臺發現短短几天內，在同一個GPS經緯度，出現了大量貸款請求。並且使用者資訊很相似，申請者居住在偏遠郊區，這些貸款請求的惡意欺詐可能性就較大。P2P公司可以將這些異常行為定義為高風險事件，利用其他的資訊進一步識別和驗證，降低惡意欺詐的風險。移動裝置的位置資訊可以幫助P2P公司，識別出出現在同一個經緯度的群體性惡意欺詐事件，降低不良貸款發生概率。
4 高風險貸款使用者的識別
高風險客戶也是P2P企業的一個風險。高風險客戶定義比較廣泛，除了信用風險，貸款人的身體健康情況也是一個重要參考。移動大資料的位置資訊、安裝的App型別、App使用習慣，在一定程度上反映了貸款使用者的高風險行為。P2P企業可以利用移動裝置的位置資訊，瞭解過去3個月使用者的行為軌跡。如果某個使用者經常在半夜2點出現在酒吧等危險區域，並且經常有飆車行為，這個客戶定義成高風險客戶的概率就較高。
一些高風險客同時在不同平臺借款，加大了貸款風險。TalkingData的App資料服務可以幫助企業瞭解客戶何時下載了借款App，近期活躍使用的借款App，幫助P2P企業瞭解客戶借款App使用情況，識別出多頭貸款使用者。
欺詐使用者具有刻意隱藏自己行為的特點，用於欺詐的手機很少安裝同生活相關的工具例如微信、淘寶、支付寶、郵箱等App，即使安裝了也很少使用。藉助於TalkingData的App資料服務，P2P企業刻意瞭解客戶App安裝和使用情況，識別出具有欺詐嫌疑的客戶。
七 農業大資料場景應用
農產品不容易儲存，合理種植和養殖農產品對農民非常重要。藉助於大資料提供的消費能力和趨勢報告，政府將為農牧業生產進行合理引導，依據需求進行生產，避免產能過剩，造成不必要的資源和社會財富浪費。大資料技術可以幫助政府實現農業的精細化管理，實現科學決策。在資料驅動下，結合無人機技術，農民可以採集農產品生長資訊，病蟲害資訊。
農業生產面臨的危險因素很多，但這些危險因素很大程度上可以通過除草劑、殺菌劑、殺蟲劑等技術產品進行消除。天氣成了影響農業非常大的決定因素。過去的天氣預報僅僅能提供當地的降雨量，但農民更關心有多少水分可以留在他們的土地上，這些是受降雨量和土質來決定的。
Climate公司利用政府開放的氣象站的資料和土地資料建立了模型，他們可以告訴農民可以在哪些土地上耕種，哪些土地今天需要噴霧並完成耕種，哪些正處於生長期的土地需要施肥，哪些土地需要5天后才可以耕種，大資料技術可以幫助農業創造巨大的商業價值。
八物流行業
中國的物流產業規模大概有5萬億左右，其中公里物流市場大概有3萬億左右。物流行業的整體淨利潤從過去的30%以上降低到了20%左右，並且下降的趨勢明顯。物流行業很多的運力浪費在返程空載、重複運輸、小規模運輸等方面。中國市場最大等物流公司所佔的市場份額不到1%。因此資源需要整合，運送效率需要提高。
物流行業藉助於大資料，可以建立全國物流網路，瞭解各個節點的運貨需求和運力，合理配置資源，降低貨車的返程空載率，降低超載率，減少重複路線運輸，降低小規模運輸比例。通過大資料技術，及時瞭解各個路線貨物運送需求，同時建立基於地理位置和產業鏈的物流港口，實現貨物和運力的實時配比，提高物流行業的運輸效率。藉助於大資料技術對物流行業進行的優化資源配置，至少可以增加物流行業10%左右的收入，其市場價值將在5000億左右。
九智慧城市管理
如今，世界超過一半的人口生活在城市裡，到2050年這一數字會增長到75%。政府需要利用一些技術手段來管理好城市，使城市裡的資源得到良好配置。既不出現由於資源配置不平衡而導致的效率低下以及騷亂，又要避免不必要的資源浪費而導致的財政支出過大。大資料作為其中的一項技術可以有效幫助政府實現資源科學配置，精細化運營城市，打造智慧城市。
城市的道路交通，完全可以利用GPS資料和攝像頭資料來進行規劃，包括道路紅綠燈時間間隔和關聯控制，包括直行和左右轉彎車道的規劃、單行道的設定。利用大資料技術實施的城市交通智慧規劃，至少能夠提高30%左右的道路運輸能力，並能夠降低交通事故率。在美國，政府依據某一路段的交通事故資訊來增設訊號燈，降低了50%以上的交通事故率。機場的航班起降依靠大資料將會提高航班管理的效率，航空公司利用大資料可以提高上座率，降低執行成本。鐵路利用大資料可以有效安排客運和貨運列車，提高效率、降低成本。
城市公共交通規劃、教育資源配置、醫療資源配置、商業中心建設、房地產規劃、產業規劃、城市建設等都可以藉助於大資料技術進行良好規劃和動態調整。
來自：36大資料專稿 原文作者：Stuart Franke 本文由36大資料翻譯