2014西湖品学大数据峰会---Jie Cheng :大数据的商业价值实现关键在于连结

我的英文主题的大数据的商业价值实现关系在于连结，但是在这个之前，我想跟大家分享一下前面阿里几位演讲嘉宾的评论我很受启发。
第一个大数据是相通的，数据本身并不本身任何的意义，只有在当他和一个他所表示的一个事情连结上以后，才能知道这个意义在哪里，或者价值在哪里。比如说有一种大数据对你来说就是一个大市场的表现，有一种大数据就是一个很大的人群，他们在你的平台上的行为，只有这么想了以后这个大数据才他对您真正的价值和意义有链接。第二个我很受启发的，大数据在很多年前已经提出，那么他对你的意义如何？其实每个工业的形成，都有这样一条发展的路程，第一是由少数的人他们比较有远见，看到了一个很小的一个数据的能够被储存，能够被用来表达一个很复杂的现象，或者一个事物，从这个里面发挥了以后就逐渐进入一个新的商业应用的领域，这是当年的数据库计算机的发明和应用都是走了这样的路子，所以第一个是少数人的远见促进了这样一个形成。
第二个进入科学阶段，有了科学之后这个事情就能不断的重复，而且可以有方法来证明，如果你是照着某一种进程来开展活动的话，你的结果是可以被预测。第三个部分就是进入工程的应用。我也很欣赏品觉一句话，真正的价值在于更多的人使用，只有一两个人能懂能使用这个价值不会很大。第四个部分跟我今天的主题有关，大数据的来源，为什么在今天不在一百年之前，或者在于电脑刚刚发展的时候，或者在于数据库，在几十年形成的时候，为什么这些数据不大呢，为什么今天的大就变得这么重要呢？主要的原因是一个网络。这个网络的形成，不是有了电脑就形成网络了，而且网络广泛的使用也是有很多的阶段。第一初级的网络是在企业内部的，电脑的使用的这个网络。第二部是英特网，把很多的公司很多子网络联在一起。
第三个是在网络上软件的开发，使得很多本来根本没有在网络硬件的基础上获取信息、交流信息以及传播信息今天都成为可能。所以，这一些网络的这个建设和网络的普遍应用成熟，使得大数据的产生有了今天的这样一个可能。
我今天要讲的主题是什么呢？再回到这个网络，大数据形成的本身，并不能保证他的大量的价值的实现，那么要实现这个价值，又得回到这个网络。举个比喻，中国现在汽车的发展这么迅速，很大的一个原因是在道路的开拓，有了很多的道路，这个汽车有地方可以车。但是如果道路的形成，道路的管理跟不上汽车的销售以及使用的话，就出现了大量的道路拥挤，汽车的价值无法实现。那么数据同样的道理，在网络当中形成的数据，如果被很多种原因变成一个一个单独的平台，单独的一个应用的这样一个环境的话，他的价值也远远无法实现。所以必须通过网络的想法来想这个大数据的价值以及他的运用。
大数据是一种洪水的现象，数据实际上已经远远超过我们从里面得到的洞察，以后根据洞察我们所采取的行动这种能力。就像以前感觉到吃饭吃不够，还想吃，但是今天这个是吃不了。这种现象是很多的程度上都存在于我们生活的体验中，那么现在到了数据，这是一种更极端的体验。大家可以看到，文明的开始我们创造了这么多字节，我们以前在国内在图书馆的时候我基本上都能看过，现在图书馆的书基本没有办法看全，所以这个现象已经到了极端。大数据还在不断的增长，这里面其中还牵涉到数据和数字不是完全等同的，数据可以在电脑里面用数字来表达，但是他表达的这些数据的形式往往现在更多的是跟人的交换信息是比较一致的，比如说用文字、图象、音乐。昨天我跟玫瑰爵士，玫瑰讲到一个美，很多人看到玫瑰都认为是美的，但是用数据怎么表达？如果对美能够用数据表达出来，对音乐的欣赏能够用数据表达出来，让美不断达到一种极限也是成为一种可能。所以这里面就形成了很多数据已经成为半结构或者无结构的，但是这些结构远远不足以表达我们的大自然、市场、想象力的丰富。
第三个大数据成倍的增长，这种增长我们感到必须提高到我们每一个大企业管理层必须得到高度的重视，这个里面很可能有一种企业有一种管理的方式，有一种工程的软件的实现，会使得这个数据的资源的利用，远远超过我们现在产生大数据的这些大平台已经大公司。所以阿里我感到确实有远见，把这个提高到这样一个高度。
大数据形成了很多悖论，所谓的大，我们看到的数据之大，但是价值之小。这就像你有一只船在大海里开，你看到很多水，但是一滴水都不能喝。现在大数据的情形就很类似，所以我们要能很快的能够解决这个瓶颈口的问题。
这个大数据的提出呢，已经使得很多方面的专业人士、管理人士感到应用的可能，大家都在探索。其中一个探索很大的领域就是营销。营销以前都是我们说的广播的方式，媒体的传播是很广的，当然媒体的使用只有少数人能够使用，大家都在想怎么能够把我媒体的宣传，以及营销的个性化。但是这个个性化了以后你就做不到大，你覆盖的范围就小了，成本就提高了。但是现在有了数据有了媒体的技术的提高，使得在大规模的前提下，覆盖面可以达到整个市场，但是还能保证你的个性化的发挥。所以呢，我们今天有很多媒体的朋友在，我引进了一个新词，这是用一个大数据的形式用技术的手段来实现一个窄播，而不是广播。那么窄播现在用技术的力量可以比广播更有效，而且达到的覆盖面以及有效的回报更广。
我做了一些想象，以前我们的数据不大，我们是怎么生活的呢？我们是怎么会有这样一个阿里这么一个强劲的公司呢，我们为什么会国家经济发展了，现在在数据这么大了以后，这个情况是不是会更好呢？我就想这样一些问题。以前数据是小，所以由于数据小信号是不全，但是信号的使用信号的被发现，信号的价值还是比较充分的，这是相对来说。有了大数据以后，信号是成倍成倍的增大了，但是毫无疑问，信号的增大并不代表信号本身的发现是容易的，因为这个噪声的增加，没用信息的增加，远远超过信息的增加。这里也给大家看一下，在营销的这个领域里面，跟消费者互动的这个方面，大数据的一些起到的作用，以及他们对数据管理、数据的速度的反应这方面的一些要求。在很多年以前，安客诚公司已经开始，先在美国然后在全球，开拓了很多的数据。这些数据就是单从数据方面来说，已经是达到相当大的规模，在美国我们管理一个消费者的数据库，有2.4亿个成人在这个数据库里面，总共人口是差不多4亿，2.4亿成人就是18岁以上都在我们数据库里面。这2.4亿相当于是1.4亿个家庭，这1.4亿个家庭每个家庭的单位上我们有1700条信息，再加上4000个购买倾向性模型打分。那么这些东西呢，在储存、使用方面，当然是有很大的挑战，但这已经有很多的技术被有效的使用来管理这么大的信息。这是我讲到的字节的数量，以及他们时间上的要求，今天的数据传播和使用的一些时间上的反应速度。第二个阶段呢，就是到了把他数据再专门化，用到每个应用上去，这时候反应速度的要求是在几分钟以内，字节相对来说比较小一些，因为他更窄了，针对某一个专业的应用，使得它能够适合他的要求，比如说对某一个客户的要求，某一个在媒体方面的使用，数据量不大，但是对时间反应速度的要求就提高了。再往上继续保持这个趋势，数据量减少，应用专门性提高，那么对他反应的要求也进一步提高，在秒钟这个级别。在往上消费者就是要跟大批的消费者，在媒体上互动，他在网页上点击一下，你下一个网页不是同一个网页，而是根据消费者行为的了解和个人的了解，下一个网页是最有效最具有个性化的，那么他的反应速度达到微秒级，那么这个网页往往不是在PC上，而是在手机上的，包括现在更进一步的是孩子们，他们对数据反应的要求是更高，所以达到微秒级。
那么这些大数据的数量和他的速度呢，还不是一个真正大的问题，因为这一方面有了技术，有了企业这方面应用的思维，这已经不是一个最大的问题。
我今天想是超前一点，并不是说我们非得马上今天就要连结，但是这个连结已经成为很大的问题，哪一个公司，哪一个企业能够在这个方面跨第一步，得到的商业上的回报是会最大的，整个工业我们认为也在朝这个方向努力。用个比喻，我们大家都知道这个故事，盲人摸象，每个盲人摸到的反映都是不一样的，有人认为是一个矛，有人认为是一条蛇，或者一棵树等等。那么大数据的使用已经不是盲人摸象了，很多人亮着眼睛看这个象了，但是这个象已经长大几千倍了，但是即使用眼睛看，但是还是看不清楚，只能看到一个局部。所以这些问题主要的原因，我们还没有充分的运用我们的技术，我们尤其是企业操作的一种游戏规则—来使得不同的数据能够交流。因为人有这样的能力，我们懂得的东西或者我们要懂得一个原理，远远超过我们的感官能够达到，我们很多东西是看不到，听到，闻不到，尝不到的，但是我照样因为我们的理解能力，通过数据的连结我们知道是怎么回事，这个数据可以是一本书，可以是一部电影等等之类。通过这个数据的表达，使得我们知道远远超过我们的感官能够达到这样的境地。
但是要达到同样的能力，在企业上来说就必须有大量的连结，首先是数据的连结，包括哪些方面呢？第一个数据是很多位数，尤其是很多复杂的现象，我们现在讲的复杂的现象就是消费者，消费者是怎么做决定的，为什么买这个东西，为什么出这么多钱。在美国我们感到很新奇的，为什么有很多人要在苹果出来的第一天排队八个小时，花400美元买一部，在半年以后只要100美元，不需要排队。那么在这种时候呢，如果你要掌握市场的脉搏，始终走在消费者前面，给他们提供最有效的信息以及产品的话，就需要连结，这个连结保证人文、行为、态度以及场景这方面数据的连结。然后我们看到了很多公司以及他们有技术平台，因为他们跟消费者每天都在接触，所以他们的行为接触往往超过了人文以及购买以外消费的信息。还有他们的商品很窄，我们美国安客诚所服务的有几千家公司，我经常去一些大公司跟他们谈，比如说花旗银行，大的人寿保险公司，大的零售商等等。我看到一个现象很有意思，他们看每个消费者是很窄的，他们看到的是用自己的产品品牌去看一个消费者。等八小时之后他们自己是消费者的时候，他们把视野扩大了很多。所以这就是一个问题，如果我们回到消费者本身，而不是局限于消费者这一部分数据的了解，我们的商业行为也会更有效。第二个这些客户的生活方式和他们的兴趣。每一个东西，每一个客户的行为都有一定的道理，他有一定的背景，这种背景使得驱动他们对某一个产品感兴趣。这一方面我等一会儿再举一个例子。第三个是客户竞争和合作的关联。我们阿里巴巴有很多品牌，消费者去购买东西，或者跟他们媒体发生互动。那么这些方面呢，如果了解的话，我们更能知道我们在消费者心目当中的地位，他们是怎么使用我们的平台以及我们提供的服务，相对于其他一系列的他们的兴趣和其他的品牌的影响。第四个就是媒体。媒体现在是越来越多，那么这对消费者绝对有利的。出现什么现象呢？由于这些媒体的使用，首先是实现了营销者，公司对消费者能够接触、能够宣传他们的品牌以及产品，但第二部分是消费者可以使用媒体来更多的了解不同的公司不同的产品，他们价格、性能、体验方面的区别。第三个方面更多的消费者是跟消费者自己直接联系，他们大家互相能够谈体验、谈对商品的反映，而且远远超过他们认识的人的这些团体的限制。所以使得很多媒体在消费这个阶段上已经完全连结在一起，但是公司与公司的数据连结并没有实现。最后一个就是社交的群体。社交的群体使得每一个个人不再是一个个人，但是我们的数据库里面，包括我们的分析的手段，分析的一些模型的这种结构，还是往往停留在这样一个假设，这个假设就是每一个个人，他就是一个个人，他今天的购买和另外一个个人的购买，可以分开对待，可以不同的用数据来表达，现在我们还没有发现一个公司把个人与个人的关系，以及个人与消费行为进行有效的联系，所以就形成了盲人摸象的问题。
在商业市场上，有新的产品，新的技术、新的数据出现的时候，大家一拥而上。在这样的情况下我们发现第一个是网页的显示，第二个是搜寻，第三个视频，第四个是手机等等。每一个方面都有很多很多的公司在这个中间发挥他自己的作用，在摸索他能最好的能够在这个生态环境当中生存和发展。但是很重要的是，在一个部分就是广告商，公司提供产品，另外一个方面就是消费者。在这个之间，消费者就像所有的媒体商，所有的技术公司都想找一条路径，其实消费者也在当中搜索，他们在找一条路，能够从他们自己的需求走到能够寻找到对一个产品的了解。整个一条路是很简单的，但是大家对技术没有掌握，很多企业没有连结，使得路径很复杂，消费者要不断的点击，不断的访问很多的网页，才能够找到他们所要的东西，而且往往在路当中就会被误导，所以在这个当中也是找到了一个很好的说明，如果我们能够把数据连结。
数据连结是一个例子，在很多媒体使用下，很多媒体都产生数据，但是这个数据不连结的话，你会不摸不透，媒体是怎么起作用的，就会形成很大的浪费。在全球如果把所有的工业，他们对消费者做广告宣传这方面的费用加起来是2500亿美元。在美国达到1700亿美元。那么这个方面呢，以前的媒体是比较简单的，电视、公路上的广告，收音机、平台，还有报纸、杂志等等，那么现在越来越多。越来越多了以后大家越来越摸不透，而且每一个新的媒体都带来更多的数据，这些数据使得他们更琢磨不透，这个钱应该往哪儿使。所以在很多年以前，大家就提出，而且很认为50%的钱是浪费的，那这50%的钱可以建很多个国家。但是浪费在哪里呢？点不出。所以数据大量并不是使我们更有能力，现在通过数据的连结，我们用分析的手段可以描绘出这样一幅图，告诉你对每一个媒体你的使用已经到了哪个级别，在有效使用方面这个媒体方面贡献了多少，而且再往上投资，你的回报是不是增加，而是相对来说给你带来损失，这已经形成一幅图象，这幅图象就是由于数据连结的实现跨所有的媒体。
还有一个在美国的谷歌他也做了很大的努力，他也想知道在每个个人的单位上，每个媒体他所起到的作用，使得个人能够对一个品牌能够达到认识，开始考虑。然后对他有消费的这样一种欲望最后到购买，每一个媒体他起的作用是不一样的，这个不一样在于时间上是很有关系的，不是说你用多少钱，而在于媒体宣传的时候是不是跟消费者能够对上，在他要用某一个媒体来帮助他解决某一个问题的时候，你这个媒体是不是达到了消费者这时候在搜寻的这样一个时间。这里面可能大家不一定能够全部看到，但是所有的媒体就在一个个人的单位上，他们的表现贡献是可以通过这样一个图表现，但是即使谷歌也解决不了这样的问题，因为谷歌大量是在显示广告和搜寻方面下了很大的努力，还有更多是其他的媒体他没有办法掌握。怎么能够通过所有这些媒体，在广告商的角度把他连结起来，这是很大的课题。
今天我们多渠道的营销数据需要准确回答的问题是，这是问题之一，我不能说是所有的问题，这里我是用了一个美国的例子，就是很多的设备，很多的手机，很多的电脑，当他们产生了这些数据呢，不是人的一个人名、地址、电话，这个方面是很难知道这是谁。但是在网上的购买呢，尽管不是100%通过零售商他的消费者忠诚度系统可以知道很多的信息，关于个人。所以在这个上面，你可以看到很多数据的表达，实际上是一个可以知道的一个个人。但是在这个下面呢，就是很多的这些信息同样是数据，这些数据更多，但是这个数据是一个很大的盲点，他就不知道每一个终端设备是不是指同一个人。我这个图象上面有可能知道这是同一个人，在网下这个问题没有解决，但是在网上这个问题变成更大的问题，就是说所有的数据是不是都跟某一个消费者有关，还是真是每一条数据代表不同的消费者，这是一个很简单的问题，但是数据的产生数据的大量化，使得这个问题成为更大的问题，而不是提供了一个解决方案。所以最简单，多少人看到了广告显示，多少人受到了广告影响，多少人购买了和这个广告宣传有关。这个多少人没有得到解决，大家现在说多少手机、多少社交媒体的帐户，多少邮件，但是这些问题很大程度上跟很少数量的人有关，并不是每一件这样的信息都代表不同的人。但是今天商业行为很多人觉得，根据这样的假设，每一个人都是不同的人，所以形成大量媒体投放上的浪费，以及效率上的不能提高。
再看一个，我们传统上大家这种现象很熟悉了，我们叫CRM，解决问题是再一个消费者成为你的一个顾客，他大量的信息是和你的产品、和你的媒体是直接有关的，所以这些数据就放到底下红的圈里面叫CRM，客户关系管理里面去。上面是BMP是由于线上媒体的产生，以及大量消费者现在在上面花很多时间搜寻信息，所以给了经营商很大的机会，因为以前我们只看到的是购买，看不到的他们在购买之前和购买之后的行为，但是由于了线上的媒体，使得我们大量得到这样的信息，但是这两个信息可惜的是什么呢？这两个圈，上面是BMP，下面是CRM是没有很好的很有效连结在一起。使得很多还是在操作上的盲点不一致，和对同一个消费者作出的反映是完全不一样，根据他的媒体。所以在这个方面，使得从上到下的整体的跟消费者的互动，现在是有待提高。
还有一个我想讲一下，这个数据很多，但是数据的价值是不一样的，尤其在数据的不同的连结不同的整合的基础上，他们表现的价值完全不一样。比如说我们使用的环境的数据，或者场景的数据，比如说你点击了一个页面，这个页面上是关于表现的，那么你的认为这个是想买保险的，那么你能达到一定的效果，这个效果在上面的百分比都是相对于你不使用这个数据来说的，也就是说你用一个媒体做一种宣传你根本不去看这个数据和看这个数据之间的区别，你用了使用环境或者场景的数据呢，你的效率提高是30%，如果用人文数据可以提高到450%，人文数据就类似于沃伦巴非特他买股票和一般的我们很多个人买股票之间表现的决策的这种方式的不同，人文数据是比较稳定的，但是他也是从很多方面决定了一个人的行为，在你没看到行为之前就能很有效的预测他的某些行为。最后一个是使用行为的数据，他是实时性强，而且给你内容很丰富，很容易兑现。所以你单用某一方面数据你的效率是能够提高的。但是能不能再继续提高呢？如果我们用连结的方法把不同的数据从不同的层面都连结起来，再加上分析的手段的话，我们的效益不是一倍两倍，可以呈10倍、20倍的增长，那么这个10倍、20倍的增长，像阿里这样的公司，对于很多大企业来说，会带来多少的收入上的增长呢？不言而喻，你可以看到从数据的利用上面可以达到什么样的效果。
连结的数据其实我刚才说了，每个数据里面代表了不是一个抽象的数据，代表的是某一种现实，在我这个讲的方面呢，我说的每个数据点，都是代表某一个媒体和一个消费者之间的互动的记录，这个记录譬如说你送了一个邮件，他回了一个邮件，或者你打了一个电话他打了一个电话，所有这些媒体里面有很多接触点，每个接触的机会都形成一些数据。问题是这些数据的连结在一些个人的点上。美国相对来说更复杂一些，但是中国现在的人口流动，以及这些生活的方式的改变，也可能很快也会形成这样的现象。在美国像一个女的，她如果结婚离婚他的姓会跟着改动，所以我的小孩子在学校里说，今天是密斯特琼斯，明天是叫密斯特玛丽，就是说她的姓的改动。另外美国人特别喜欢搬家，包括我自己也在内，但是这一现象在中国也越来越多，形成一种混乱，除了媒体数据以外，媒体数据也告诉你你在跟谁打交道，如果打交道的人老在变这些名字、地址、电话，就带来一个是不是同一个问题。这些问题是最基本的问题，就等于你有车没有造公路，这样车的效率很低的，所以最基本的能力我们要形成，实现连结这样的可能。怎么连结呢？使得数据的有效增强你要有一个手段，这个手段叫分解再整合，把一些复杂的现象分解了以后成为单独的要素以后，你能看到他的最基本的特征，真正的理解了以后再把他重新组合，你对一个人一个产品一个市场的了解，就远远超过你对一些方面的了解，使用单方面的数据或者使用一些原始数据。在这个方面我们在美国已经开发了我刚才说了有4000个这样的模型，对某一个消费者，因为他的消费者消费的产品种类、服务就是有这么多，你想一天里面你要做多少的消费的决定？所以我们就进行打分，这个打分本身就体现了一种连结的数据怎么能够充分使用他的价值，使得我们能够知道，这个消费者在哪个时候，他已经进入市场询购，或者即将进入市场去询购这个产品，比如说决定买车，是买SUV还是面包车还是敞篷车，然后对每一个产品里面，对某一个品牌形成偏爱，有的人看到品牌是看价格，有的是看质量，有的是看知名度，所以每个品牌的偏爱都是有一些人群在背后，怎么知道这些可能的倾向性。还有购买渠道，在美国线上有3种，线下有7种，那么你选择哪一种，你用什么样的频率购买，购买的数量是多少？这些方面是购买渠道的了解。还有媒体的使用，通过媒体大家交换信息来作出决策，消费者的每个媒体不可能全使用，所以他的习惯在哪里。最后就是他的消费能力以及购买观念，这样分解了以后再重组，使得廉价的数据使用之后价值成倍提高。
我再讲一个提高到比较高的层次，现在连结的方面哪一个是比较重要的，我们是作为一个公司来说，在这方面也是花了很大的力量，要想重点解决就是这三个层面。一个是广告发行商或者是广告主，或者是一个产品的服务的一个提供的一个公司。他这里有很多关于受众的数据，我刚才说了不对，广告发行商是他有一个媒体，他能得到受众的数据和信息，国内譬如说百度也好，新浪也好，他们都有这个信息，用他的网站来吸引很多的受众，他们在这些消费者上面花了很多的时间，这是一方面的数据。广告主客户的数据是指一个产品他要宣传，那么他这方面也有一些客户的数据，那么他的客户数据主要是购买数据。第三个是消费者的人文数据，以及其他的一些消费者的生活习惯、信息等等。所谓第三方就是它不属于产品的一方也不属于媒体的一方。所以这三方的数据都是很宝贵的，加在一起不是360度的话也是300度，对消费者比较好的了解，能够提高比较好的营销方面的决策的参考依据。 我们要做一件什么事呢？就是连结，这是很不容易的，不仅牵涉到技术平台方面的可能，更重要的是公司之间的互相的信任互相的合作，因为大家都感到这个数据是自己的商业的秘密，不能交流，那么很多方面呢也牵涉到一些隐私，消费者信息不能这样交换。所以有很多的客观的原因，远远超过是数据或者技术上的原因，使得这种连结成为困难。但是我们已经在这些方面做了很多方面的尝试，想在中国再进一步的进行。帮助他们在这个方面取得连结上的一些好处，用这个好处来证明如果大规模的连结，规模成为可能的话，对商家的意义很大。那么在美国其实我们做了哪些工作呢？我们已经跟很多的大家可能也熟悉的那些媒体公司建立了一个战略合作的关系，譬如说像脸谱、推特，易倍、雅虎，MSN等等很多的媒体，尤其线上的媒体，他们把消费者时间也看得很宝贵，对广告主来说，如果你有比较相关的对消费者有用的广告，在这个时候推出来也是很有效的。这个时候我们就跟他们联系，帮助这些媒体的公司和我们另一方，就是我们服务的那些客户，譬如说美国的梅西，美国的航空公司，保险公司，汽车公司等等，他们有很多的客户群这样的数据，我们去帮助他们数据连结，使得他们在广告宣传上不仅是花的钱回报多，而且效率成倍提高。这里举了一些例子，一次活动能达到效益的增加。 这里我想举一个例子比较详细一点，这是一个汽车的例子，有一个汽车商他就是有一个很大的数据库，几十年的成功也使得他有很多的现在的和潜在的客户。他要想举行一个活动，从他的客户群里面找了300万人，他有足够的证据表明他们现在或者三个月里面他们可能要考虑买一个新车，这是很重要的信息，大家知道车的价格跟其他的日用消费品等等之类是无法比的，所以这方面也是使得这个媒体的连结对客户的洞察更显得重要。那么我们是怎么做的呢？我们取了他们CRM顾客的信息，然后跟媒体，譬如说媒体雅虎这样的媒体跟他连结，使得消费者在雅虎出现的时候，这个汽车的广告不再是盲目的了，比如说对我来说是SUV，对邻居来说是面包车，然后对你的提示也是不一样的，比如说你是忠诚的，对品牌认识体验很好的，买了很多这样品牌的车辆的，他对你的提示往往是产品方面的优势，但是对于另外一个客户在品牌之间是摇晃的，更多的是采用价格的优惠。由于具有这样有针对性了以后，整个效益是20：1，也就是说投入和回报。这是什么意思呢？一辆车我们做了很简单的不一定是准确但已经足够了，就是这样一个假设，他每一辆车利润是一千元，我们的这个活动使得效益，销售商多卖了7000辆，每一辆纯利润如果是1000元，那就是700万美元，他投入成本是300万美元。所以这样一个简单的例子能够说明，数据的连结，在不同的层面上的沟通是怎么样的重要。因为这样20：1的比例，以及销售利润的增长，在以前用其他的方式是完全不可能想象的。 这就是我今天所想讲的整个的概念，最基本的概念是数据的大是宝贵的，大数据的价值的实现需要很多的工作，我们感到在很多方面的工作，大家已经做了很多，包括平台的建设，招聘很多数据科学家，买进很多数据挖掘的工具，但是有一件还是受到很大的调整，这个远远超过数据的整理、购买以及技术上的使用，更多的是企业操作模式的改变，我们作为一个公司呢，很愿意在这方面不仅对大家在理念上提出一些新的挑战，而且更愿意在实践上帮助大家一起实现的在大数据的连结，使得商业的价值能够成倍成几十倍的增加。谢谢大家。