供应链金融（解读版） 一、供应链金融及其特征 “未来的时代不是单个企业之间的竞争，而是供应链之间的竞争，谁拥有供应链的优势，谁就拥有竞争上的优势。”一直以来，Big Lots 公司都为自身的供应链管理能力自豪，近年来却遇到了供应链资金和财务流的压力和挑战。 BigLots 公司是美国一家折扣零售企业，世界 500 强企业之一，拥有近 1500 家门店，主要出售食品、饮料、玩具、家具、服装、家居用品、小电子产品等。公司的供应商有很多是中小企业，它们长期面临现金流的挑战，对 Big Lots 的供应链产生了不利影响。而供应商高达18％的借贷成本也会反映在产品价格中，最终增加了 Big Lots 的采购成本。 于是，Big Lots 与 PrimeRevenue（一家第三方供应链金融服务商）及美国国民城市银行一起推动了应收账款融资计划。一旦 Big Lots 采购了供应商的产品，供应商就对 Big Lots形成了应收账款，Big Lots 接受货物并认可该供应商开出的发票后，相关信息就输入了PrimeRevenue 运营的云端系统（这个平台操作类似于网络银行，每周七天全天候 24 小时）中。供应商在网上看到自己所有被认可的票据后，就可以选择等待 Big Lots 全额付款，或将应收账款转让给美国国民城市银行。如果供应商选择收到 Big Lots 已批复的发票账款（扣除贴现利息），PrimeRevenue 就会指示 Big Lots 将款项再付给美国国民城市银行，并从供应商收取的融资费用中赚取一定比例的费用，而美国国民城市银行则获得了相应的贴现收益。 这就是供应链金融实践的典型案例。这里，Big Lots 是核心企业，它与供应商之间形成了供应链上下游，与 PrimeRevenue 都是供应链金融的平台服务提供商。而美国国民城市银行则是风险承担者，帮助解决供应商的现金流问题。可见，各参与方在其中发挥了不同的作用，从而使供应链金融模式成功运转。 1．供应链金融的价值所在。 通过 Big Lots 案例不难发现，供应链金融的产生有其必然性。随着经济全球化和网络化的发展，不同公司、不同国家甚至一国之内的不同地区之间的比较优势被不断地挖掘和强化。一些经济和金融欠发达地区或资金实力不强的中小企业，却常常遭遇“成本洼地”。它们有发展潜质、在供应链中不可或缺，却往往缺乏大企业的金融资源，受到现金流的制约。我们知道，“资金流是企业的生命源泉”，当企业支出和收入的资金分别发生在不同时刻，就产生了资金缺口，中小企业常常因为上下游优势企业的付款政策而出现现金短缺问题。“目前来看，供应链融资模式是解决这一问题最好的可尝试的方式之一。”因此，探讨供应链金融，解决供应链中出现的金融财务问题，对于中小企业、对于整个供应链顺利运转意义重大。 2．供应链金融的概念及特点。 “供应链金融是一种集物流运作、商业运作和金融管理为一体的管理行为和过程，它将贸易中的买方、卖方、第三方物流以及金融机构紧密地联系在了一起，实现了用供应链物流盘活资金，同时用资金拉动供应链物流的作用。” 供应链金融的实质，是金融服务提供者，针对供应链各渠道运作过程中企业拥有的流动性较差的资产，以资产所产生的确定的未来现金流为直接还款来源，运用不同的金融产品，采用闭合性资金运作模式（即设置封闭性贷款操作流程来保证专款专用），借助中介企业的渠道优势，提供个性化的金融服务方案。通过为企业、渠道及供应链提供全面的金融服务，提升供应链的协同性，降低运作成本。具体
大数据的商业价值有哪些？ 大数据为什么这么火？为什么很多公司不惜花高价聘请大数据工程师，对于企业来说，大数据具有哪些商业价值呢？ 1、对顾客群体细分 “大数据”可以对顾客群体细分，然后对每个群体量体裁衣般的采取独特的行动。瞄准特定的顾客群体来进行营销和服务是商家一直以来的追求。云存储的海量数据和“大数据”的分析技术使得对消费者的实时和极端的细分有了成本效率极高的可能。 2、模拟实境 运用“大数据”模拟实境，发掘新的需求和提高投入的回报率。现在越来越多的产品中都装有传感器，汽车和智能手机的普及使得可收集数据呈现爆炸性增长。Blog、Twitter、Facebook和微博等社交网络也在产生着海量的数据。 云计算和“大数据”分析技术使得商家可以在成本效率较高的情况下，实时地把这些数据连同交易行为的数据进行储存和分析。交易过程、产品使用和人类
行为都可以数据化。“大数据”技术可以把这些数据整合起来进行数据挖掘，从而在某些情况下通过模型模拟来判断不同变量(比如不同地区不同促销方案)的情况下何种方案投入回报最高。 3、提高投入回报率 提高“大数据”成果在各相关部门的分享程度，提高整个管理链条和产业链条的投入回报率。“大数据”能力强的部门可以通过云计算、互联网和内部搜索引擎把”大数据”成果和“大数据”能力比较薄弱的部门分享，帮助他们利用“大数据”创造商业价值。 4、数据存储空间出租 企业和个人有着海量信息存储的需求，只有将数据妥善存储，才有可能进一步挖掘其潜在价值。具体而言，这块业务模式又可以细分为针对个人文件存储和针对企业用户两大类。主要是通过易于使用的API，用户可以方便地将各种数据对象放在云端，然后再像使用水、电一样按用量收费。目前已有多个公司推出相应服务，如亚马逊、网易、诺基亚等。运营商也推出了相应的服务，如中国移动的彩云业务。 5、管理客户关系 客户管理应用的目的是根据客户的属性(包括自然属性和行为属性)，从不同角度深层次分析客户、了解客户，以此增加新的客户、提高客户的忠诚度、降低客户流失率、提高客户消费等。 6、个性化精准推荐 在运营商内部，根据用户喜好推荐各类业务或应用是常见的，比如应用商店软件推荐、IPTV视频节目推荐等，而通过关联算法、文本摘要抽取、情感分析
大数据处理流程的主要环节 大数据处理流程主要包括数据收集、数据预处理、数据存储、数据处理与分析、数据展示/数据可视化、数据应用等环节，其中数据质量贯穿于整个大数据流程，每一个数据处理环节都会对大数据质量产生影响作用。通常，一个好的大数据产品要有大量的数据规模、快速的数据处理、精确的数据分析与预测、优秀的可视化图表以及简练易懂的结果解释，本节将基于以上环节分别分析不同阶段对大数据质量的影响及其关键影响因素。 一、数据收集 在数据收集过程中，数据源会影响大数据质量的真实性、完整性数据收集、一致性、准确性和安全性。对于Web数据，多采用网络爬虫方式进行收集，这需要对爬虫软件进行时间设置以保障收集到的数据时效性质量。比如可以利用八爪鱼爬虫软件的增值API设置，灵活控制采集任务的启动和停止。 二、数据预处理 大数据采集过程中通常有一个或多个数据源，这些数据源包括同构或异构的数据库、文件系统、服务接口等，易受到噪声数据、数据值缺失、数据冲突等影响，因此需首先对收集到的大数据集合进行预处理，以保证大数据分析与预测结果的准确性与价值性。
大数据的预处理环节主要包括数据清理、数据集成、数据归约与数据转换等内容，可以大大提高大数据的总体质量，是大数据过程质量的体现。数据清理技术包括对数据的不一致检测、噪声数据的识别、数据过滤与修正等方面，有利于提高大数据的一致性、准确性、真实性和可用性等方面的质量; 数据集成则是将多个数据源的数据进行集成，从而形成集中、统一的数据库、数据立方体等，这一过程有利于提高大数据的完整性、一致性、安全性和可用性等方面质量; 数据归约是在不损害分析结果准确性的前提下降低数据集规模，使之简化，包括维归约、数据归约、数据抽样等技术，这一过程有利于提高大数据的价值密度，即提高大数据存储的价值性。 数据转换处理包括基于规则或元数据的转换、基于模型与学习的转换等技术，可通过转换实现数据统一，这一过程有利于提高大数据的一致性和可用性。 总之，数据预处理环节有利于提高大数据的一致性、准确性、真实性、可用性、完整性、安全性和价值性等方面质量，而大数据预处理中的相关技术是影响大数据过程质量的关键因素 三、数据处理与分析 1、数据处理 大数据的分布式处理技术与存储形式、业务数据类型等相关，针对大数据处理的主要计算模型有MapReduce分布式计算框架、分布式内存计算系统、分布式流计算系统等。
供应链金融的发展现状 供应链金融的目的主要是为供应链上的核心企业、上下游企业而服务，实现银行、企业以及物流公司的合作共赢。面对中小企业的融资高需求，供应链金融未来市场规模巨大，目前国内还处于发展起步阶段。随着金融科技的快速发展，将会在供应链金融上得到广泛的应用，对于降低成本、提高效率都起到了关键性的作用。 供应链金融是指将供应链上的核心企业以及与其相关的上下游企业看做一个整体，以核心企业为依托，以真实贸易为前提，运用自偿性贸易融资的方式，通过应收账款质押、货权质押等手段封闭资金流或者控制物权，对供应链上下游企业提供的综合性金融产品和服务。 一、供应链金融的国内发展现状 我国供应链金融业务最早产生于深圳发展银行。1999年，深圳发展银行在华南地区以“票据贴现”业务最先介入供应链金融领域。近年来，供应链金融已经在我国迅速的发展，已成为银行和企业拓展发展空间增强竞争力的一个重要领域，也为融资困难的中小企业拓宽了融资渠道。 在供应链金融模式中，由于融资依据的资产主要为应收账款、存货等资产，这些资产的规模大小也将影响我国供应链金融的整体市场规模。根据国家统计局的数据，我国2006～2015年工业企业应收账款净额年均复合增长率为15.6%，从2006年的31692.21亿元增长到2015年的117246.31亿元，增幅超过了3倍；我国2006～2015年工业企业存货复合增长率为12.0%，2015年达到102804亿元，相比2006年的36999.26亿元，十年里增长了1.8倍。应收账款和存货等资产的不断增长为我国供应链金融的发展奠定了坚实的基础。据相关数据预测，2020年我国供应链金融的市场规模将达到14.98万亿元左右。 数据来源：国家统计局 数据来源：国家统计局 二、供应链金融的发展趋势 （一）更多的市场主体参与 传统的供应链金融服务由于受到资金实力、牌照等门槛，主要以商业银行提供为主。随着互联网、大数据等技术的发展，更多的市场主体将可以利用自身的信息或技术等方面的优势，直接开展供应链金融服务，包括电商、物流企业或综合实力强的实体企业。
八大案例深度解析电力大数据应用 麦肯锡曾有报告预测，在全球范围内，大数据分析方案的广泛使用能够带来每年3000亿美元的电费削减。电力大数据的有效应用可以面向行业内外提供大量的高附加值的增值服务业务，对于电力企业盈利与控制水平的提升有很 高的价值。有电网专家分析称，每当数据利用率调高10%，便可使电网提高20%~49%的利润。 电力行业的数据源主要来源于电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节，可大致分为三类：一是电网运行和设备检测或监 测数据;二是电力企业营销数据，如交易电价、售电量、用电客户等方面数据; 三是电力企业管理数据。通过使用智能电表等智能终端设备可采集整个电力系统的运行数据，再对采集的电力大数据进行系统的处理和分析，从而实现对电网的实时监控；进一步结合大数据分析与电力系统模型对电网运行进行诊断、优化和预测，为电网实现安全、可靠、经济、高效地运行提供保障。 一、电网监测及维护 1.运维监测系统及时反应 Enphase Energy（美国Enphase 能源股份有限公司） Enphase Energy每天从来自80个不同国家25万个系统收集大约2.5TB的数据。这些数据可以用来检测发电和促进远程维护、维修来确保系统无缝运行。另外，Enphase Energy还利用从发电系统收集到的数据来监测、控制或调整网络中的发电和负载状态，在电网和在出错或需要升级时做出相应的反应。 2.设备检修运维专题分析
电力企业可以基于永洪自研发的一站式大数据分析平台开展各业务领域的深度分析，如在电网检修运维领域，通过对电力设备资产管理、设备运检管理、设备技术管理、技改大修管理等方面，从安全、效益、成本三个方面进行关键 指标选取，分析检修管理中“安全”、“效益”、“成本”三者之间的相互影响，协调 三个因素综合最优，同时实现对电网企业检修指标的实时在线监控，为公司检修策略制定提供指导和服务。 （图中分析场景所用的数据为测试数据） 3.预防基础设备故障导致的停电 American Electric Power Co., Inc. (AEP）（美国电力有限公司） 在AEP的资产健康中心，数据分析师把设备派生的运行信息和智能信息应 用程序结合在一起。通过采用大数据算法和分析软件，他们可以密切监测传输基础设施的运行情况。 如今，AEP使用智能电表、通信网络和数据管理系统得到稳健的常规信息。 智能电网技术使客户更有效地用电和合理管理用电成本，收集到的数据也有助于该公司为客户定制电力管理程序和提供个性化定制服务。
大数据应用的五个典型应用场景 来源：中国计算机报时间：2015-03-24 11:31:09 作者： 数据观在网上查找的大数据应用的几个典型场景，分享给大家！ "数据将成为一种战略性原料，每一个企业、科研团队和政府，都有责任有目的地搜集、处理、分析、索引数据。"电子科技大学互联网中心主任周涛号召企业投身大数据，对大数据怦然心动的企业也确实很多。但基于对全球95个国家、26个行业的1144名业务人员和IT专业人士的广泛调研，IBM发现，大多数企业都已经认识到'大数据'改善决策流程和业务成效的潜能，但他们却不知道该如何入手。 的确，在主动或被动迎接大数据时代之时，企业管理人员迫切需要在实干之前，明确很多问题的答案：3V之外大数据还具备何种属性什么是大数据解决之道的要素大数据实施是否有章可循...... 以《分析：大数据在现实世界中的应用》白皮书为引子，IBM的大数据战略努力令企业的诸多疑惑迎刃而解。在此基础上，以"智慧的分析洞察"为核心的IBM大数据价值体系中的五大典型业务需求和对应的落地实践，形象化地展现了大数据如何驱动企业商业价值的增长。 IBM全球副总裁兼大中华区软件集团总经理胡世忠 明确发力点 在大数据和分析领域，IBM公认已经具备了充分的技术优势。IBM全球副总裁兼大中华区软件集团总经理胡世忠表示："数据构成了智慧地球的三大元素：物联化(instrumented)、互连化(interconnected)和智能化(intelligent)，而这三大元素又改变了数据来源、传送方式和利用方式，带来'大数据'这场信息社会的变革。作为大数据领域的领导者，IBM正在利用领先方法论和全面大数据技术帮助企业重新思考已有的IT模式；助力企业进行基于这场信息革命的业务转型，获取竞争机遇和不可估量的商业价值。" 要实现这一愿景，有必要知晓企业对应用大数据的认知程度和接受程度。IBM商业价值研究院和牛津大学赛德商学院联手实施了一项调研，并共同撰写发布了《分析：大数据在现
大数据的大价值：大数据五大成功案例深度解析 ?作者：Cashcow ?星期四, 四月11, 2013 ?大数据, 航空, 零售 ?暂无评论 大数据的热潮并未有消褪迹象，相反，包括航空、金融、电商、政府、电信、电力甚至F1赛车等各个行业的企业都在纷纷掘金大数据。可以看出，在推动大数据企业应用方面，真正看到大数据潜在商业价值的企业比大数据技术厂商还要着急。例如IT经理网曾经报道过沃尔玛大数据实验室直接参与到大数据工具的开发和开源工作中。但是在国内，虽然管理学界和财经媒体对大数据推崇备至，认为大数据是信息技术改变商业世界的杀手应用，但是关于大数据中国企业的成功案例的报道却出奇地少。 最近《中国企业家》的“大数据专题”特别报道采访了农夫山泉、阿迪达斯中国和数家航班信息移动服务商（前两家为SAP客户），为我们带来了详实的大数据案例报道，非常有参考价值，原文转载如下：就在制作这期“大数据专题”时，编辑部发生热烈讨论：什么是大数据？编辑记者们旁征博引，试图将数据堆砌的商业案例剔除，真正的、实用性强的数据挖掘故事留下。
我们报道的是伪大数据公司？我们是否成为《驾驭大数据》一书的作者Bill Franks所称的“大数据骗局”中的一股力量？同样的质疑发生在阿里巴巴身上。有消息称，3月23日，阿里巴巴以7000万美元收购了一家移动开发者数据统计平台。这引发了专家们热烈讨论，它收购的真是一家大数据公司吗？ 这些质疑并非没有道理。 中国确实没有大数据的土壤。“差不多先生”、“大概齐”的文化标签一直存在。很多时候，各级政府不太需要“大数据”，形成决策的关键性数据只有一个数字比率（GDP）而已；其二，对于行业主管机构来说，它们拥有大量原始数据，但它们还在试探、摸索数据开放的尺度，比如说，是开放原始数据，还是开放经过各种加工的数据？是转让给拥有更高级计算和储存能力的大型数据公司，还是将数据开源，与各种各样的企业共享？其三，数据挖掘的工具价值并没有完全被认同。在这个领域，硬件和软件的发展并不十分成熟。即便如此，没有人否认数据革命的到来，尤其在互联网行业。阿里巴巴的马云将大数据作为战略方向，百度的李彦宏用“框计算”来谋划未来。即便是CBA（中国男子篮球职业联赛）也学起了NBA（美国男篮职业联赛）五花八门的数据统计、分析与挖掘。 在过去两年间，大量的资本投资一些新型数据工具公司，根据美国道琼斯风险资源（Dow Jones VentureSource）的数据，在过去的两年时间里，11.7亿美元流向了119家数据库软件公司。去年，SAP 市值已经超过西门子，成为德国市值最高的上市公司，而这样的业绩部分得益于其数据库软件HANA的商业化，去年一年时间里HANA带给SAP3.92亿欧元的收入，增长了142%。 但是，大数据还没法分析、挖掘出自己的直接变现能力。在截稿日时，我们再重新读维克托·迈尔-舍恩伯格（Viktor Mayer-Sch鰊berger）的《大数据时代：生活、工作与思维的大变革》一书，作者相信，未来，数据会成为有价值的资产。假以时日，它会大摇大摆地进入资产负债表里。 案例1：农夫山泉用大数据卖矿泉水
用Excel进行统计趋势预测分析 在统计工作中运用电脑技术，不仅仅需要使用专门的统计软件，还应当使用一些其他软件为我们的统计工作服务，excel以强大的处理表格、图表和数据的功能被广泛地应用于统计领域。预测分析是统计数据分析工作中的重要组成部分之一，Excel中不仅可以用函数，也可以用“趋势线”来进行趋势预测分析。下面介绍一下具体使用方法。 一、函数法 1、简单平均法 简单平均法非常简单,以往若干时期的简单平均数就是对未来的预测数。 例如，某企业今年1－6月份的各月实际销售额资料如图1。在c9中输入公式average（b3：b8）即可预测出7月份的销售额。 图1 2、简单移动平均法 简单移动平均法预测所用的历史资料要随预测期的推移而顺延。仍用上例，我们假设预测时用前面3个月的资料，我们可以用两种方法实现用该法预测销售额： 一是在d6输入公式average(b3:b5)，拖曳d6到d9，这样就可以预测出4－7月的销售额；二是运用excel的数据分析功能，选取工具菜单中的数据分析项（如没有此项，则选择加载宏来加载此项），然后选择移动平均，在输入区域输入b3：b8，输出区域输入d4：d9，也可以得到相同的结果。 3、加权移动平均法 加权移动平均法在简单移动平均法的基础上对所用的资料分别确定一定的权数，算出加权平均数即为预测数。还是用上例，在e6输入公式sum(b3＊1＋b4＊2＋b5＊3)/6，把e6拖曳到e9即可预测出4－7月的销售额。 4、指数平滑法
指数平滑法是通过导入平滑系数对本期的实际数和本期的预测数进行加权平均计算后作为下期预测数的一种方法。仍用上例（b2，f3的数据都为1月份的预测销售额），假设平滑系数为 0.3，我们也可以用两种方法实现。用该法预测销售额： 一是在f4输入公式 0.3＊b3＋ 0.7＊f3，把f4拖曳到f9即可；二是运用数据分析功能，在工具菜单中选取数据分析项后，选择指数平滑，在输入区域输入b2：b9，阻尼系数输入 0.7，输出区域输入f2：f11，也可得到2－7月份的预测销售额。 5、直线回归分析法 直线回归分析法就是运用直线回归方程来进行预测。手工情况下进行直线回归分析需要进行大量的计算，而利用excel中的forecast函数能很快地计算出预测数。我们还是用上面的例子，在g9输入公式forecast(a9,b3:b8,a3:a8)，就可得到7月份的预测销售额。 6、曲线回归分析法 曲线回归分析法就是运用二次或二次以上的回归方程所进行的预测，如抛物线、指数曲线、双曲线等曲线形式。本文仅以指数曲线为例来说明预测的过程。例如，某企业近5年的销售额资料如图2所示。我们首先可用折线图反映实际值如图2，从折线图中可看出，该企业的销售额呈现超常规的指数增长，可以选用指数模型来拟合该增长类型。在c7中输入公式growth(b2:b6,a2:a6,a7)，即可得到第6年的预测销售额。 图2 二、“趋势线”法 Excel图表中的“趋势线”是一种直观的预测分析工具，通过这个工具，用户可以很方便地直接从图表中获取预测数据信息。
电信运营商大数据业务运营流程深度剖析 【摘要】为了对电信运营商大数据业务运营流程进行剖析，首先针对运营商在对外开展大数据业务的过程中所面临的管理困境进行了总结和分析，并从数据资产管理流程及大数据端到端业务流程两方面提出相应的改进建议，以期为电信运营商大数据业务整体推进提供有益的参考。 【关键词】大数据业务数据资产管理流程端到端业务流程 1 引言 2015年，在“互联网+”战略及创新氛围的带动下，三大运营商均已完成大?稻萦τ贸【按幽诓坑τ米?向外部变现的破局。2016年以后，运营商的大数据业务正逐渐走向规模化和商业化。在大数据业务的规模化商业化运营过程中，运营商面临怎样的挑战，又该如何应对，成为值得探讨的问题。 本文将针对运营商的大数据业务运营全流程，从数据资产管理和大数据端到端业务流程两条管理制度流程，详细剖析运营商开展大数据业务所面临的困难，并针对这些困难提供出优化提升的管理建议，以期为后续大数据业务运营管理提供参考。 2 大数据业务管理现状及相关理论介绍
2.1 大数据业务管理现状 运营商在开展大数据业务过程中通常会涉及两条流程支线：数据资产管理流程和大数据端到端业务管理流程。 如图1所示，在大数据端到端业务管理流程方面，大部分运营商已形成了前端部门收集汇总大数据需求，后端部门与外部支撑厂商进行大数据应用功能的具体开发实现的端到端业务管理流程。 如图2所示，在数据资产管理流程方面，大部分运营商仍延续传统的采集存储规则，并未形成针对大数据应用的系统性的数据资产管理流程及制度。完整的数据资产管理是包括针对数据的计划、规范定义、采集存储、提取使用、盘点维护、数据清除环节在内的全生命周期管理，而目前大部分运营商的数据管理仅包含采集存储、提取使用、数据清除环节，且现存管理制度不适应大数据业务特征，制度有效性受限。 2.2 BPMMM和数据质量管理评估维度 （1）业务流程管理成熟度模型 业务流程管理成熟度模型（BPMMM，Business Process Management Maturity Model）是用来评价并提高企业业务流程管理水平的模型，包括外部结构和内部结构。如图3所示，BPMMM的外部结构划分为初始级、可复用级、已定义级、可管理级和优化级五个层级。
一：大数据的定义。 1、大数据，又称巨量资料，指的是所涉及的数据资料量规模巨大到无法通过人脑甚至主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。 2、大数据技术，是指从各种各样类型的大数据中，快速获得有价值信息的技术的能力，包括数据采集、存储、管理、分析挖掘、可视化等技术及其集成。适用于大数据的技术，包括大规模并行处理(MPP)数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。 互联网是个神奇的大网，大数据开发也是一种模式，你如果真想了解大数据，可以来这里，这个手机的开始数字是一八七中间的是三儿零最后的是一四二五零，按照顺序组合起来就可以找到，我想说的是，除非你想做或者了解这方面的内容，如果只是凑热闹的话，就不要来了。
3、大数据应用，是指对特定的大数据集合，集成应用大数据技术，获得有价值信息的行为。对于不同领域、不同企业的不同业务，甚至同一领域不同企业的相同业务来说，由于其业务需求、数据集合和分析挖掘目标存在差异，所运用的大数据技术和大数据信息系统也可能有着相当大的不同。惟有坚持“对象、技术、应用”三位一体同步发展，才能充分实现大数据的价值。 当你的技术达到极限时，也就是数据的极限”。大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop 的崛起，这些非结构化的数据服务的价值在哪里。 二：大数据的类型和价值挖掘方法 1、大数据的类型大致可分为三类：
1)传统企业数据(Traditionalenterprisedata)：包括CRM systems的消费者数据，传统的ERP数据，库存数据以及账目数据等。 2)机器和传感器数据(Machine-generated/sensor data)：包括呼叫记录(CallDetail Records)，智能仪表，工业设备传感器，设备日志(通常是Digital exhaust)，交易数据等。 3)社交数据(Socialdata)：包括用户行为记录，反馈数据等。如Twitter，Facebook这样的社交媒体平台。 2、大数据挖掘商业价值的方法主要分为四种： 1)客户群体细分，然后为每个群体量定制特别的服务。 2)模拟现实环境，发掘新的需求同时提高投资的回报率。 3)加强部门联系，提高整条管理链条和产业链条的效率。 4)降低服务成本，发现隐藏线索进行产品和服务的创新。
大数据技术与应用专业深度解析（含课程说明、师资介绍） 大数据技术与应用专业是是新兴的“互联网+”专业，该专业将大数据分析挖掘与处理、移动开发与架构、人软件开发、云计算等前沿技术相结合，并引入企业真实项目演练，依托产学界的雄厚师资，旨在培养适应新形势，具有最新思维和技能的“高层次、实用型、国际化”的复合型大数据技术与应用专业人才。 专业背景 近几年来，互联网行业发展风起云涌，而移动互联网、电子商务、物联网以及社交媒体的快速发展更促使我们快速进入了大数据时代。截止到目前，人们日常生活中的数据量已经从TB(1024GB=1TB)级别一跃升到PB(1024TB=1PB)、EB(1024PB=1EB)乃至ZB(1024EB=1ZB)级别，数据将逐渐成为重要的生产因素，人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。大数据时代，专业的大数据人才必将成为人才市场上的香饽饽。当下，大数据从业人员的两个主要趋势是：1、大数据领域从业人员的薪资将继续增长；2、大数据人才供不应求。 图示说明：2012-2020年全球数据产生量预测 专业发展现状 填补大数据技术与应用专业人才巨大缺口的最有效办法无疑还需要依托众多的高等院校来培养输送，但互联网发展一日千里，大数据技术、手段日新月异，企业所需要的非常接地气的人才培养对于传统以培养学术型、科研型人才为主要使命的高校来说还真有些难度。幸好这个问题已经被全社会关注，政府更是一再提倡产教融合、校企合作来创办新型前沿几
乎以及“互联网+”专业方向，也已经有一些企业大胆开始了这方面的创新步伐。据我了解，慧科教育就是一家最早尝试高校校企合作的企业，其率先联合各大高校最早开设了互联网营销，这也是它们的优势专业，后来慧科教育集团又先后和北京航空航天大学、对外经济贸易大学、贵州大学、华南理工大学、宜春学院、广东开放大学等高校在硕、本、专各个层次开设了大数据技术与应用专业方向，在课程体系研发、教学授课及实训实习环节均有来自BAT 以及各大行业企业一线的技术大拿参与，所培养人才能够很好地满足企业用人需求。 专业示例 笔者在对慧科教育的大数据技术与应用专业做了专门研究，共享一些主要特色给大家参考： 1.培养模式 采用校企联合模式，校企双方（即慧科教育集团和合作校方）发挥各自优势，在最大限度保证院校办学特色及专业课程设置的前提下，植入相应前沿科技及特色人才岗位需求的企业课程。 2.课程体系 笔者对慧科教育的大数据技术与应用专业做了专门研究，现分享一下慧科专业共建的课程给大家参考。慧科教育集团的专业课程重在培养学生的理论知识和动手实践能力，学生在完成每个学期的理论学习后，至少有两个企业项目实战跟进，让学生在项目中应用各类大数据技术，训练大数据思路和实践步骤，做到理论与实践的充分结合。 大数据技术与应用专业的课程体系包括专业基础课、专业核心课、大数据架构设计、企业综合实训等四个部分。
金融科技在供应链金融中的应用 一、智慧化供应链金融与传统的供应链金融相比，具有哪些优势？ 这个问题首先要从什么叫智慧化供应链金融的内涵说起。智慧化供应链金融是建立在数字化、智能化的基础上的。 所谓数字化在计算机虚拟环境中对整个供应链过程进行评估和优化，并进一步推动整个生命周期的新型组织方式。数字化本身的概念内涵是在于什么，在于提高本身供应链的信息之间协同，这是数字化的含义。 而智能化呢，它在数字化的基础上，通过我们互联网、监控技术，来加强整个供应链信息管理、服务，来提高对供应链的可控性，并且初步，我们说的智能手段和智能体系，建构高效的运营系统，它的核心是在于提高我们整合供应链的效果，降低我们整个供应链的交易成本。 到了智慧化阶段，它在整个供应链过程中进行治理性的活动，也就是依赖我们所能获取各种数据，进行分析、推理、判断、构思和决策，某种意义上部分取代了我们人工分析方法、分析过程，它把整个供应链推到柔性化和高度集成的过程。 二、互联网供应链金融目前比较好的模式有哪几种？互联网供应链金融在大宗商品电商领域的应用实战可否举几个例子？ 供应商金融的模式各不相同，所有供应链金融基本的组织单元有四个：供应链上下游、平台服务提供商、风险管理者、流动性提供者，伴随着这四者的不同
组合而产生不同的模式。这里就有集合四个元素为一体的，譬如UPS和GE，这种模式一般是产业中的大企业。 我举几个好的例子，比如香港利丰集团，利丰集团从去年开始也在大规模推送供应链金融，他们在应用过程中涉及大量海外供应商，特别是我们中国的供应商。问题是即便一个供应商生产出产品，从形成提单到海运，到通关、清关、就地分拨，这时候发出账单有周期。假如周期是60天，也就意味着60天拿不到钱。可是我们今天大量中小型供应商承受不起几十天资金压力，正是在这样情况下，香港利丰集团2014年专门成立一家金融公司就是利丰信用，一旦我给你下单之后就可能形成潜在的应付账款，供应商可以把应收账款进行一次转让，我们大家知道金融当中最通俗一种金融做法叫保理。 有一个问题出来了，实际上我们今天很多供应商，如何去贴现，贴现是多少。再加上今天很多供应商没有给它下单，它需要引进设备提升能力，这种情况下让一个金融机构给它进行融资很难。所以也正是在这样一种状态下，今年利丰集团提出数字供应链，就是用大数据来驱动供应链金融。什么叫大数据所驱动的供应链金融，就是你们现在看到这个图。伴随供应链的每一个活动，怎么能够通过我们的信息化，能够把所有的供应链作用活动，能够把它高度数据化、信息化之后贯通，形成这种贯通。 再举一个例子，蚂蚁金服最近这两年大规模农村供应链金融。他们现在怎么做呢？首先在农村端建立了店小二，反过头来抓住产业龙头，跟龙头企业进行合作，对龙头企业整个生产经营进行支持，这样就渗透到客户的底层。两周前我来江苏，江苏有一个最重要的养殖大企业益客，益客现在中国禽类养殖三剑客之一。
大数据实现商业价值的9种方法 现在已经有了许多利用大数据获取商业价值的案例，我们可以参考这些案例并以之为起点，我们也可以从大数据中挖掘出更多的金矿。2013 TDWI关于管理大数据的调查显示，89%的受访者认为大数据是一个机会，而在2011年的大数据分析的调查中这个比例仅为70％。在这两次调查中受访问者均普遍认为，要抓住大数据的机会并从中获取商业价值，需要使用先进的分析方法。此外，其他从大数据中获取商业价值的方法包括数据探索、捕捉实时流动的大数据并把新的大数据来源与原来的企业数据相整合。虽然很多人已有了这样一个认识：大数据将为我们呈现一个新的商业机会。但目前仅有少量公司可以真正的从大数据中获取到较多的商业价值。下边介绍了9个大数据用例，我们在进行大数据分析项目时可以参考一下这些用例，从而更好地从大数据中获取到我们想要的价值。从数据分析中获取商业价值。请注意，这里涉及到一些高级的数据分析方法，例如数据挖掘、统计分析、自然语言处理和极端SQL等等。与原来的报告和OLAP技术不同，这些方法可以让你更好地探索数据和发现分析见解。探索大数据以发现新的商业机会。很多大数据都是来自一些新的来源，这代表客户或合作伙伴互动的新渠道。和任何新的数
据来源一样，大数据值得探索。通过数据探索，你可以了解一些之前所不知道的商业模式和事实真相，比如新的客户群细分、客户行为、客户流失的形式，和最低成本的根本原因等等。对已收集到的大数据进行分析。许多公司都收集了大量的数据，他们感觉这些数据存在着商业价值，但并不知道怎样从这些弄出来的值大的数据。不同行业的数据集有所不同，比如，如果你处于网络营销行业，你可能会有大量Web站点的日志数据集，这可以把数据按会话进行划分，进行分析以了解网站访客的行为并提升网站的访问体验。同样，来自制造业的质量保证数据将有助于公司生产出更可靠的产品和选择更好的供应商，而通过RFID 数据可以帮助你更深入地供应链中产品的运动轨迹。重点分析对你的行业有价值的大数据。大数据的类型和内容因行业而异，每一类数据对于每个行业的价值是不一样的。比如电信行业的呼叫详细记录（CDR），零售业、制造业或其他以产口为中心的行业的RFID数据，以及制造业（特别是汽车和消费电子）中机器人的传感器数据等等，这些都是各个行业中非常重要的数据。理解非结构化的大数据。非结构化的信息主要指的是是使用文字表达的人类语言，这与大多数关系型数据有着很大的不同，你需要使用一些新的工具来进行自然语言处理、搜索和文本分析。把基于文本内容的业务流程进行可视化展示，比如，保险索赔过
供应链金融的发展现状文件管理序列号：[K8UY-K9IO69-O6M243-OL889-F88688]
供应链金融的发展现状供应链金融的目的主要是为供应链上的核心企业、上下游企业而服务，实现银行、企业以及物流公司的合作共赢。面对中小企业的融资高需求，供应链金融未来市场规模巨大，目前国内还处于发展起步阶段。随着金融科技的快速发展，将会在供应链金融上得到广泛的应用，对于降低成本、提高效率都起到了关键性的作用。 供应链金融是指将供应链上的核心企业以及与其相关的上下游企业看做一个整体，以核心企业为依托，以真实贸易为前提，运用自偿性贸易融资的方式，通过应收账款质押、货权质押等手段封闭资金流或者控制物权，对供应链上下游企业提供的综合性金融产品和服务。 一、供应链金融的国内发展现状 我国供应链金融业务最早产生于深圳发展银行。1999年，深圳发展银行在华南地区以“票据贴现”业务最先介入供应链金融领域。近年来，供应链金融已经在我国迅速的发展，已成为银行和企业拓展发展空间增强竞争力的一个重要领域，也为融资困难的中小企业拓宽了融资渠道。 在供应链金融模式中，由于融资依据的资产主要为应收账款、存货等资产，这些资产的规模大小也将影响我国供应链金融的整体市场规模。根据国家统计局的数据，我国2006～2015年工业企业应收账款净额
年均复合增长率为15.6%，从2006年的31692.21亿元增长到2015年的117246.31亿元，增幅超过了3倍；我国2006～2015年工业企业存货复合增长率为12.0%，2015年达到102804亿元，相比2006年的36999.26亿元，十年里增长了 1.8倍。应收账款和存货等资产的不断增长为我国供应链金融的发展奠定了坚实的基础。据相关数据预测，2020年我国供应链金融的市场规模将达到14.98万亿元左右。 数据来源：国家统计局 数据来源：国家统计局 二、供应链金融的发展趋势 （一）更多的市场主体参与 传统的供应链金融服务由于受到资金实力、牌照等门槛，主要以商业银行提供为主。随着互联网、大数据等技术的发展，更多的市场主体将可以利用自身的信息或技术等方面的优势，直接开展供应链金融服务，包括电商、物流企业或综合实力强的实体企业。 比如实体企业。传统的供应链金融模式里，实体企业往往只是作为核心企业存在，银行以其提供的上下游企业数据为依据，为中小企业提供融资服务。但随着核心企业对供应链金融的理解越来越深刻，开始利用自身资金或通过外部融资资金，直接对上下游企业进行授信。核心企业利用自身的信息优势，更加凸显出自己的作用。
数据分析和数据建模 大数据应用有几个方面，一个是效率提升，帮助企业提升数据处理效率，降低数据存储成本。另外一个是对业务作出指导，例如精准营销，反欺诈，风险管理以及业务提升。过去企业都是通过线下渠道接触客户，客户数据不全，只能利用财务数据进行业务运营分析，缺少围绕客户的个人数据，数据分析应用的领域集中在企业内部经营和财务分析。 大数据应用有几个方面，一个是效率提升，帮助企业提升数据处理效率，降低数据存储成本。另外一个是对业务作出指导，例如精准营销，反欺诈，风险管理以及业务提升。过去企业都是通过线下渠道接触客户，客户数据不全，只能利用财务数据进行业务运营分析，缺少围绕客户的个人数据，数据分析应用的领域集中在企业内部经营和财务分析。 数字时代到来之后，企业经营的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来。企业拥有了多维度的数据，包括产品销售数据、客户消费数据、客户行为数据、企业运营数据等。拥有数据之后，数据分析成为可能，企业成立了数据分析团队整理数据和建立模型，找到商品和客户之间的关联关系，商品之间关联关系，另外也找到了收入和客户之间的关联关系。典型的数据分析案例如沃尔玛啤酒和尿布、蛋挞和手电筒，Target的判断16岁少女怀孕都是这种关联关系的体现。
关联分析是统计学应用最早的领域，早在1846年伦敦第二次霍乱期间，约翰医生利用霍乱地图找到了霍乱的传播途径，平息了伦敦霍乱，打败了霍乱源于空气污染说的精英，拯救了几万人的生命。伦敦霍乱平息过程中，约翰医生利用了频数分布分析，建立了霍乱地图，从死亡案例分布的密集程度上归纳出病人分布同水井的关系，从而推断出污染的水源是霍乱的主要传播途径，建议移除水井手柄，降低了霍乱发生的概率。 另外一个典型案例是第二次世界大战期间，统计分析学家改造轰炸机。英美联盟从1943年开始对德国的工业城市进行轰炸，但在1943年年底，轰炸机的损失率达到了英美联盟不能承受的程度。轰炸军司令部请来了统计学家，希望利用数据分析来改造轰炸机的结构，降低阵亡率，提高士兵生还率。统计学家利用大尺寸的飞机模型，详细记录了返航轰炸机的损伤情况。统计学家在飞机模型上将轰炸机受到攻击的部位用黑笔标注出来，两个月后，这些标注布满了机身，有的地方标注明显多于其他地方，例如机身和侧翼。有的地方的标注明显少于其他地方，例如驾驶室和发动机。统计学家让军火商来看这个模型，军火商认为应该加固受到更多攻击的地方，但是统计学家建议对标注少的地方进行加固，标注少的原因不是这些地方不容易被击中，而是被击中的这些地方的飞机，很多都没有返航。这些标注少的地方被击中是飞机坠毁的一个主要原因。军火商按照统计学家的建议进行了飞机加固，大大提高了轰炸机返航的比率。以二战著名的B-17轰炸机为例，其阵亡率由26%降到了7%，帮助美军节约了几亿美金，大大提高了士兵的生还率。 一数据分析中的角色和职责 数据分析团队应该在科技部门内部还在业务部门内部一直存在争议。在业务部门内部，对数据场景比较了解，容易找到数据变现的场景，数据分析对业务提升帮助较大，容易出成绩。但是弊端是仅仅对自己部门的业务数据了解，分析只是局限独立的业务单元之内，在数据获取的效率上，数据维度和数据视角方面缺乏全局观，数据的商业视野不大，对公司整体业务的推动发展有限。业务部门的数据分析团队缺少数据技术能力，无法利用最新的大数据计算和分析技术，来实现数
大数据概念：史上最全大数据解析 来源：数据观时间：2015-04-02 17:52:56作者： 现如今，我们身边很多人对一些热门的新技术、新趋势往往趋之若鹜却又很难说得透彻，比如大数据，如果被问大数据和你有什么关系，估计很少能说出一二三来。究其原因，一是因为大家对新技术有着相同的原始渴求，至少知其然，在聊天时不会显得很“土鳖”；二是在工作和生活环境中，真正能参与实践的大数据案例实在太少了，所以大家没有机会花时间去知其所以然。 我希望有些不一样，所以对该如何去认识大数据进行了一番思索，包括查阅了资料，翻阅了最新的专业书籍，但我并不想把那些零散的资料碎片或不同理解论述简单规整并堆积起来形成毫无价值的转述或评论，我很真诚的希望进入事物探寻本质。 如果你说大数据就是数据大，或者侃侃而谈4个V，也许很有深度的谈到 BI或预测的价值，又或者拿Google和Amazon举例，技术流可能会聊起Hadoop 和Cloud Computing，不管对错，只是无法勾勒对大数据的整体认识，不说是片面，但至少有些管窥蠡测、隔衣瘙痒了。……也许，“解构”是最好的方法。 怎样结构大数据? 首先，我认为大数据就是互联网发展到现今阶段的一种表象或特征而已，没有必要神话它或对它保持敬畏之心，在以云计算为代表的技术创新大幕的衬托下，
这些原本很难收集和使用的数据开始容易被利用起来了，通过各行各业的不断创新，大数据会逐步为人类创造更多的价值。 其次，想要系统的认知大数据，必须要全面而细致的分解它，我着手从三个层面来展开： 第一层面是理论，理论是认知的必经途径，也是被广泛认同和传播的基线。我会从大数据的特征定义理解行业对大数据的整体描绘和定性;从对大数据价值的探讨来深入解析大数据的珍贵所在;从对大数据的现在和未来去洞悉大数据的发展趋势;从大数据隐私这个特别而重要的视角审视人和数据之间的长久博弈。
大数据技术在供应链金融中的具体应用大数据（big data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新的处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 近年来，供应链金融在大数据的支持下发生了脱胎换骨的变化，这种变化主要体现在信息的收集与分析方面。 大数据的应用拓宽了供应链金融的服务内涵，通过运用大数据分析技术，供应链金融服务者可以分析和掌握平台会员的交易历史和交易习惯等信息，对交易背后的物流信息进行跟踪分析，全面掌控平台和会员的交易行为，并通过掌握的信息给予平台会员融资支持。大数据的应用降低了供应链金融的业务成本和贷后管理成本。 大数据的应用一定是围绕着特定的商业目的，通过整合内部和外部、结构化和非结构化的信息来指引商业行为的过程。 在供应链金融中，大数据技术具体可以应用在以下方面： 1、精准把握需求，设计个性化金融和物流服务 大数据技术可通过数据挖掘匹配多种数据源，结合行业发展动态，精准把握中小企业需求，将企业寻找信息转换成信息主动寻找企业，为中小企业设计各种个性化供应链金融服务。同时还可以根据企业实际的运输节点、货物、目的地等需求提供个性化物流服务，提升物流的效率。
2、多维度分析和验证信息，降低信息不对称 传统模式下征信及自动贷后基于的交易数据主要依托于静态、平面的财报数据，这种数据容易出现人为加工等风险，参考价值不大。 而大数据应用模式下主要依托的是动态、可持续的财务数据源，其将对相关主体的财务数据、生产数据、现金流量、资产负债、研发投入、产品周期等多维度的数据进行全方位的梳理和分析，并通过订单、库存、结算、销售分配等明细交易记录进行对比和交叉验证。以此获得企业最真实的经营状态，提高征信服务质量，降低信息不对称。 3、分级预警、量化授信，精准把控风险 依托传统模式下征信数据所作出的授信决策存在单一、不准确、更新频次慢等问题。依托大数据技术，对企业的授信可通过模型结合动态数据源脱敏处理，根据行业数据和外源数据做出行情分析和价格波动分析，实现实时监控的分级预警、量化授信，实现风险的精准把控。 4、建立授信主体数据库，完善数据交互 传统模式下的供应链金融仅依靠核心企业客户的订单数据，缺乏各环节的配合和完整的交互数据。大数据应用模式通过交易网关数据模式建立授信主体全方位的数据库，从云端获取中小企业交叉数据，智能匹配中小企业进销存ERP系统，彻