零售大数据解决方案范文

引言：寻求写作上的突破？我们特意为您精选了4篇零售大数据解决方案范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

不断膨胀的网购市场刺激着传统零售业向线上业务进击，O2O模式要求在技术上实现各零售实体店仓储系统、会员系统、支付系统、销售系统、财务系统、退货系统等的对接。而仓储系统数据库的信息服务对接技术复杂程度较高，需要零售企业的大量前期投入。相比之下，欧美国家成熟的智能化物流体系和信息系统使它们转型O2O模式的成功率极高。

霍尼韦尔传感与生产力解决方案部基于对客户的全面理解与对零售行业全渠道发展趋势的分析，为客户提供一系列传条码扫描器、手持移动数据终端、语音识别设备和工业打印机产品和全面、一站式的解决方案，帮助推动国内零售业仓储物流智能化体系的发展。

提升智能化零售水平

软件大有可为

在大数据正热的今天，除了部署硬件加仓储物流数据采集的准确性和效率，物流流程的管理和数据的分析也对发展实体零售智能化尤为重要。近年来，霍尼韦尔定位传统零售业对于数据分析及应用的缺失，将软件开发作为首要发展项目，从实体零售的品类管理水平、商品采购、供应链和效率等方面入手，助力实体零售智能化发展。

近年来，霍尼韦尔先后于今年3月及7月宣布收购Movilizer云端软件平台和仓储自动化领军企业Intelligrated。这一系列的收购行动不仅体现了霍尼韦尔向软件转型的决心，还充分扩展了在软件业务领域发展的业务范围。Movilizer公司创建了全球首个为现场服务提供应用程序的云平台，被在外的远程工作人员用于执行维护、修理、销售、配送和仓储等工作。

语音解决方案，提升生产力

篇2

过去的一年里，大数据浪潮风起云涌，基于开源软件与系统的全球大数据生态链格局已基本形成，同时也开启了大数据面向企业客户服务的新篇章。百分点的“数商”在判断未来大数据发展趋势和制定相应战略中又是如何体现的呢？

发展战略四步走

苏萌介绍称，百分点的创新体现在大数据技术、产品和应用这些层面。

在技术层面，百分点正专注于四个领域。首先是大数据基础架构，百分点搭建了多种多样的数据存储服务，并在此之上构建了实时处理、离线处理和数据查询三位一体的数据处理基础架构；其次是百分点特别重视多源异构数据的采集，开发出了大数据桥接、实时抓取、多源数据探头和大数据总线等系统，能有效地采集企业内部与外部数据；再次是百分点针对大数据的特点和应用场景设计了很多的算法和模型，包括多源异构数据整合、多重用户ID识别和打通、品牌/品类识别算法、自动分类算法、针对长尾分布的挖掘算法、用户价值模型等；最后是百分点大数据平台通过开放设置，可实现为客户提供一整套数据开发和应用工具，包括Big Data CEP（大数据复杂事件处理系统，是支持实时数据处理和建模的工具集）、Big Data Modeling Studio（大数据建模工作室，是支持离线数据处理和建模的工具集）、Data Visualization Studio（数据可视化工作室，支持数据可视化组件和报表开发）。

而在产品与应用创新上，百分点专注在两个方面。首先，以个性化推荐引擎为核心，推出了个性化微信、个性化邮件等新产品应用；其次，全面进入大数据应用领域，完成大数据底层技术平台、大数据管理平台，以及一系列大数据应用的系统级开发。

另外，通过产业格局分析，百分点总结出了全球大数据生态系统未来的六大趋势。第一是应用化，即从投入基础设施转向可执行的分析与应用的趋势，大数据将从概念测试进入到企业生产环境，能够迅速落地的应用将成为市场主导；第二是服务化，一切技术都将转换为服务，百分点看到了SaaS、PaaS、IaaS的崛起，未来还有可能会看到更多；第三是云端化，即一切服务皆为云，所有企业数据和分析最终都会转移到云端；第四是整体化，大数据整体解决方案包括数据的获取、存储、整合、分析、可视化；第五是实用化，大数据分析包括从低到高的四个层次：描述性分析（发生了什么）、诊断性分析（为什么发生）、预测性分析（将会发生什么）、和建议性分析（该如何做），其中，预测性分析和建议性分析才是真正对企业有实用价值的部分；第六是低成本化，去年阿里云的架构已不再采用IBM的小型机、Oracle的数据库、EMC的存储设备，但大多数企业不具有阿里云的技术能力，这些企业需要接受基于2B技术的服务来帮助降低“去IOE”的技术和成本门槛。

百分点认为，谁能帮助数以千万计的广大企业级用户应用大数据技术，谁就有机会取代Oracle成为大数据领域的BAT。

苏萌表示，百分点的业务发展战略将分四步走。首先是大数据基础平台的产品化，将数据探头系统、数据抓取系统、调度与监控系统、虚拟化系统、数据管理系统等封装成一个基础平台产品；其次是应用平台的模块化，针对不同的需求允许企业客户自主选择不同的应用模块，比如自动化营销系统、个性化推荐系统、用户洞察系统、微店个性化服务系统、老会员再营销系统等；再次是通过大数据开放平台搭建从数据到分析，再到应用的生态系统，支持第三方和开发者最大限度地利用开放平台；最后是将企业级大数据解决方案沿着垂直行业纵深实施。“不存在一个跨行业的通用大数据解决方案，不同的行业必然会有不同的数据特征和应用要求，要想有真正落地的大数据应用解决方案，必然需要技术公司深入调研行业需求，提供行业级的大数据解决方案。”苏萌说。

主攻线下零售

篇3

几周前，当费埃哲（FICO）首席执行官William Lansing参加斯坦福大学有关大数据会议的时候，他发现，业界关于大数据的热烈讨论已经从三个“V”增加到四个“V”，即Volume（数据量）、Variety（数据类型）、Velocity（处理速度）以及Value（数据价值）。而第四个“V”正意味着业界开始关注数据洞察，强调如何获取大数据的价值。“挖潜数据价值正是FICO成立50余年来一直专注的事。我们的核心业务就是分析各种数据，并做出智能的决策。”Lansing表示，“FICO的市值也在近一年来连续攀升，如今已经达到15亿美元。”

1956年，斯坦福大学的几名数学专家创立了FICO，公司当时的愿景就是希望利用数据分析预测风险变量，从而帮助银行控制信用贷款的规模。如今，FICO的分析技术正保护着全球2/3的信用卡业务，仅在美国就帮助各类机构实现高达100亿美元的审批贷款决策，可见其数据分析与预测技术的功底。“对我们而言，大数据也是大机会。”Lansing近日来到中国，并与本报记者分享了他对大数据的观点。

数据分层的价值

的确，如今大数据是个热门话题，但关于大数据的讨论多数还是围绕基础架构层面展开，比如Hadoop等技术。这些讨论多集中在数据存储、数据处理以及实时管理等方面。Lansing透露，即使是在硅谷，很多新兴企业也都是专注在大数据基础架构领域，比如Cloudera，它能够为开源技术提供商业软件级别支持，在大数据领域，就如红帽支持Linux一样，Cloudera 也在支持 Hadoop，议题多围绕在开发技术如何让大数据更易于读取和存储。然而，围绕大数据分析的话题还远远不够。大家都在讨论如何存储、捕捉大数据，但却很少提及客户究竟可以用这些大数据做什么。

其实，无论哪种类型的企业最关心的就是价值，这意味着，企业需要找出大数据中最相关的变量，然后基于这些变量数据进行建模，并基于模型做出更好的决策。这正是FICO的专长：如果数据处理能力无限，我们能不能基于所有数据做出更好的决策？我们能够为这些额外增加的数据量花费多少资金和精力？这些额外的数据对决策是否重要？处理所有数据的投入产出比如何？这样做是否会影响决策速度甚至是准确度？

这一系列问题的核心就是，数据生来就是不等价的。这至少意味着三个关键点：一、总有一些数据是更重要的数据，应该首先去关注这些更重要的数据，并基于这些重要的数据去进行分析和预测；二、数据的重要性有一个顺序，一些数据是我们要优先采用的数据，一些可以作为分析预测的依据；三、与所有的数据源相同，大数据也难免掺杂着虚假的线索、噪音和干扰，这是数据清洗的问题。所以，我们必须要非常智能地来使用这些数据。

Lansing认为：“数据处理是有范围的，我们会关注某些数据的范围，基于这些数据的范围来做出决策，找出那些更为实用的数据。因此，今天我们还是需要更关注于那些有实用价值的数据，这样的数据更多的是结构化数据。”

举例来说，银行机构需要通过所有数据了解他们的客户。这些大数据可能包括很多非结构化的数据，比如文本数据、图像数据，甚至是Facebook上面的数据。如果有一个银行的客户经常喝醉酒，我们是否可以根据他醉酒的频率来进行预测并确定他的信用评分呢？显然，这些数据可能有一定的额外价值，但并非是最实用的数据，而且我们还需要考虑在这些额外的琐碎数据上花费如此多的精力是否值得。如今，无论是美国还是中国的银行机构，都更关注实用的数据，并且采用那些被经验认为具有预测性的数据去进行分析。这些数据可能不见得是大数据中的非结构性数据，但是银行认为它们具有良好的预测性，可以进行分析。

分析方式的改变

大数据时代另一个值得关注的“V”就是Velocity（处理速度），这意味着在大数据的处理方面，不能简单应用传统的数据挖掘技术，数据分析的方式正在发生改变。Lansing也认为，大数据时代同样重要的是速度和效率的提升，客户正从“分批决策”过渡到“即时决策”。

事实上，数据分析大体有两种模型，一种是基于假设的模型，比如说我们要关注那些高价值的数据，关注相关领域的数据，关注那些能够提升效率的数据。

FICO在数据流特征分析领域不断推动创新，尤其是在欺诈防范这一领域。 其反欺诈解决方案模型依靠交易特征，概括了数据在交易过程中的特征，以便计算相关的欺诈特点的变量，而不依赖由此生成的既有数据。

另一种模型就是一种非基于假设的模型。因为，由大数据带来的变化是分析时必须减少对于固有数据的依赖，分析模型将能够根据数据流中的动态数据自我调整。为了应对不断增加的数据流中的动态数据，就需要集中研发自我学习的技术，包括自适应分析和自我矫正分析技术。Lansing相信，这些关键技术将弥补传统方式的不足，甚至将可能在某些领域取代传统的模式。

据悉，现在就已经有一些新兴银行在利用FICO的这种自学习分析方式进行小额贷款。这些贷款并不按照传统的贷款审批模式，而是针对次贷或一些特定的人群随机发放小额贷款。由于采用系统学习的模型方法，小额贷款出现坏账后，相关信息将自动输入系统，以供系统学习，然后再发放更多的贷款，并不断重复进行这个自我学习的过程。

这一做法只是在一个很窄的人群范围内采用，事实上很多大型银行接受这种方式也需要相当长的时间。但是不可否认，这种小额贷款方式可以逐渐补充原有的信贷方式，更好地为客户提供服务。

个性与共性

数据分析和预测的技术有没有可延展性，即能不能从银行业拓展到其他领域呢？实际上FICO对于客户行为的了解，不仅仅局限于银行业，还包括保险业和零售业，这是因为客户行为从数据分析角度看具有共性。

Lansing表示：“比如，在保险行业当中的欺诈行为和银行当中的信用卡欺诈的行为是非常相似的。在营销解决方案方面，很多零售业的用户行为和银行业的用户行为也是非常相似的。同样我们在金融行业的客户管理经验，也可以应用到零售行业。”

FICO擅长于分析一些复杂、困难的问题，而公司声誉也正是基于在金融行业里的优秀表现所建立起来的。因此，FICO除了开展信用评价为核心的业务之外，还开展了应用软件业务，帮助全球金融机构提供诸如巴塞尔合规咨询、账户管理系统、反欺诈系统、催收与资产保全系统、信用评分模型和技术等多方面的产品和服务，为非金融机构提供基于数据分析的市场营销解决方案等，并扩展到利用分析工具帮助客户解决任何分析业务方面。

篇4

荣之联在云计算方面拥有比较多的成功经验，尤其是在生物云、动漫云等方面已经是国内的佼佼者。

举例来说，荣之联帮助华大基因构建了生物云，存储容量达到20PB，计算能力达到200万亿次。由于生物学方面的数据量非常庞大，而且大多数是非结构化的数据，在过去一年中，荣之联一直探索如何在生物领域提高数据处理和分析的性能，降低复杂度。在选择与Alpine合作之前，荣之联曾经对Alpine进行了大约一年的考察。荣之联的高层也亲赴美国Alpine总部参观，同时走访了很多Alpine在美国的用户。荣之联总经理张彤表示：“与Alpine合作，荣之联可以更好地在生物学领域深耕大数据市场。双方的合作是战略性的，对于扩大双方在中国大数据市场上的份额十分有益。”

Alpine首席执行官Anderson Wong表示：“荣之联一直专注于数据中心市场，拥有良好的技术基础和客户基础，并在全国拥有近20个分支机构。这有利于Alpine迅速打开中国市场，为客户提供良好的本地化服务。”

IDC的报告显示，全球信息总量每两年就会翻一番，到2020年，全球信息总量将达到25ZB。处理复杂的海量数据需要有与之对应的创新性的解决方案。

Anderson Wong介绍说：“在美国，目前有大约150万名IT经理需要直接使用大数据分析的结果。”与已经存在了30多年的传统商业智能（BI）解决方案相比，Alpine的大数据分析解决方案是一个涉及整个数据处理流程的智能化的解决方案，可以对不断变化的信息进行实时分析，从而为商业决策提供更好的支持。

在大数据领域，一体机的理念越来越流行。Anderson Wong对大数据一体机方案表示认可。他表示：“提高大数据应用的计算能力、存储能力，还是要依靠优化的集成化硬件。在大数据领域，一体机的应用是未来的一个趋势。举例来说，Oracle公司10%的数据库用户已将应用平台转到了Exadata一体机上。”

Anderson Wong表示：“Alpine与荣之联合作，一方面，可以拓展在中国的业务市场，另一方面也可以把荣之联在生物云、动漫云等云计算方面的技术和成功经验带到美国去，可谓一举两得。”