《大数据应用案例分析.ppt》由会员分享，可在线阅读，更多相关《大数据应用案例分析.ppt（22页珍藏版）》请在金锄头文库上搜索。
1、大数据应用案例分析,目录,大数据概念,1,大数据处理办法,2,大数据应用案例,3,1,大数据概念,大 数 据 时 代 到 来,随着智能手机的普及，网民参与互联网产品和使用各种手机应用的程度越来越深，用户的行为、 位置、 甚至身体生理等每一点变化都成为了可被记录和分析的数据，数据量呈现爆炸式增长。,地球上至今总共的数据量：,在2006 年，个人用户才刚刚迈进TB时代， 全球一共新产生了约180EB的数据；,据IDC研究机构预测： 到2020 年，整个世界的数据总量将会增长 44 倍，达到35.2ZB（1ZB=10 亿TB）！,1PB = 250字节 1EB = 260字节 1ZB = 270字节
2、,GB 在2011 年，这个数字达到了1.8ZB。,TB,PB,EB ZB,01,大 数 据 的 构 成,大数据 =海量数据（交易数据、交互数据）+针对海量数据处理的解决方案,海量交易数据： 企业内部的经营交易信息主要包括联机交易数据和联机 分析数据，是结构化的、通过关系数据库进行管理和访 问的静态、历史数据。通过这些数据，我们能了解过去 发生了什么。,海量交互数据： 源于Facebook、Twitter、微博、及其他来源的社交媒 体数据构成。它包括了呼叫详细记录CDR、设备和传感 器信息、GPS和地理定位映射数据、通过管理文件传输 Manage File Transfer协议传送的海量图像文
3、件、Web 文本和点击流数据、科学信息、电子邮件等等。可以告 诉我们未来会发生什么。,海量数据处理： 大数据的涌现已经催生出了设计用于数据密集型处理的 架构。例如具有开放源码、在商品硬件群中运行的 Apache Hadoop。,注：大数据 不仅仅指的是数据量庞大，更为重要的是数据类型复杂,想驾驭这庞大的数据，我们必 须了解大数据的特征。,02,大 数 据 4V 特 征,03,结构化数据、半结构化数据和非结构化 数据 如今的数据类型早已不是单一的文本形式，网络日志、 音频、视频、图片、地理位置信息等，对数据的处理 能力提出了更高要求,实时获取需要的信息 比如：在客户每次浏览页面，每次下订单过程中
4、都会 对用户进行实时的推荐，决策已经变得实时,数据量巨大 全球在2010 年正式进入ZB 时代，IDC预计到 2020 年，全球将总共拥有35ZB 的数据量,沙里淘金，价值密度低 虽然数据量很大，但是价值密度较低，如何通过强大 的机器算法更迅速地完成数据价值“提纯”，是目前 大数据亟待解决的难题,大数据,产品,市场价值,解决方案,转化,1. 海量（Volume）,3.速度（ Velocity）,4. 价值（value）,2. 多样（Variety）,2,大数据处理办法,用 户 画 像 体 系,01,每个企业都不可以避免的要对用户进行画像，用户画像的提出，根本上是源于企业对用户认知的需求。 产品
5、经理，需要了解用户的特征，对产品进行功能的完善。内容运营人员，需要筛选目标用户，对内容进 行精准投放。,活跃程度如何？,年龄分布、区域分布是什么样的？,消费习惯和特征是什么？,公司在哪？,对什么感兴趣？,常去的商圈是哪儿？,赢利点在哪？,职业是什么？,常住地在哪儿？,购买能力如何？,基本特征？,用 户 画 像 体 系,02,驾驶行为数据将构建精准的车险用户画像,性别,年龄,国籍,地理位置,开车地点,职业,驾照类别,开车频率,开车原因,健庩状况,医疗条件,感知力,学习周期,消费习惯,民族特征,教育水平,婚姻状态,共用车辆情况,生活方式,使用药物情况,酒驾经历,疲劳驾驶,收入情况,碰撞事故,车辆维
6、修,犯罪记录,违章驾驶记录 驾驶时间,通过对用户不同维度的大数据分析，最终得出可执行的业务决策。,基本 属性,行为 习惯,购买 能力,心理 特征,社交 网络,兴趌 爱好,基于机器学习的数据挖掘及分类基本识别流程,03,训练样本 数据源,分词,特征选择,特征权重计算,模型训练,是,模型评估 是否通过,待预测 类别文 本库,文本打 上类别 标签,否,训 练 及 测 试 过 程,预 测 过 程,训练生成 的模型,训练生成 的模型,待预测类 别文本原 始库,数据预处理,训练样本 库,数据预处理 a.去除营销博文干扰 b.去除提及人的干扰（） c.去除如门户的作者的干扰,大 数 据 的 处 理,04,数
7、据 去重,空值 处理,数据 去噪,格式 统一,对齐融合,融合信息 数据库,融合信息 数据库,里程数据 工况数据,充电数据,行驶轨迹,车辆信息,将空值更改为 对应的默认值,使用UGC算法去除无用数据 使用基于密度的聚类去除异常数据,将多源异构数据转换 为统一数据表达形式,去除异常的数据项,汇聚多源异构数据 中的一致部分,数据挖掘分类的过程,3,大数据应用案例,大数据是做好音乐平台的一把利器,01,爽歪的麻雀，在电线杆上裸睡,削个椰子皮，你却TM给个梨,撒米拉带带，哇嘎哇嘎哎哟,想听的歌记不起名字？,呀 马 大 叔 与 小 舅 舅,四斤大豆，三根皮带,艾薇，莎啦啦，艾瑞噢喔噢喔，手刹,多情咱切抱刘
8、继芬,钢铁锅，含眼泪喊修瓢锅,啊 瑞 宁 瑞 宁 瑞 宁 瑞 宁 瑞 宁,产 品 竞 争,04,*听歌进入社交化时代，听歌单、听歌看评论成为流行听歌行为； *个性化推荐已覆盖多数听歌用户，越来越多用户通过个性化推荐发现好音乐；*听歌进入多元化时代，民谣、电音、二次元音乐崛起； *独立音乐人迅速崛起，社交互动助推音乐人涨粉； *90后已成为音乐消费主力人群； *用户付费意识明显提高，付费会员数和数字专辑售卖增长迅猛；,*综艺影视对音乐的影响依旧强大，热门歌曲中7成来源于综艺或影视； *偶像流行乐保持高热度，欧美歌曲受众提升； *音乐市场正在构建一种新的评价体系，评论数成为歌曲热度重要评价指标；
9、*男歌手受喜爱度高于女歌手，女性歌迷消费群体经济崛起；,截至2016年7月呈现2亿音乐用户听歌行为以及2万音乐人活跃行为,用户分析,05,主要需求（音乐消费者） 1、播放音乐 2、发现音乐 （喜欢的、特别的、潮流的） 3、展示自我，有基于音乐的互动。,目标用户：热爱音乐，对音乐有较高需求的高素质年轻人群。,用户分析,05,目标用户：热爱音乐，对音乐有较高需求的高素质年轻人群。,通过数据可以发现网易云音乐用户群中19-30岁年龄段用户最多，占比达到48%，整体用户群偏年轻化。 职业分布：学生和IT从业者占据绝大用户群，企业中高层管理人员所占比例最少，另外的专业工作人员所占比例区别不大，用户群体整
10、体受教育程度普遍较高。,05,主要需求（音乐内容产生者） 1、宣传音乐 （新歌、特别的口味） 2、宣传个人品牌 （演播厅、采访直播、互动等） 3、盈利 （版权收费、会员收费等）,用户分析,目标用户：（内容产生者是活跃音乐社区的关键）,用户分析,05,用户分析,05,02,推荐歌单,3种推荐维度和2种推荐算法,通过微信微博等社区软件进行传播分享,网易音乐编辑人员人工推荐的歌单和电台。,朋友推荐,人工推荐,通过大数据分析计算后的智能推荐歌单,智能推荐,以人为本算法,以歌为本算法,“喜欢这首歌的人，也喜欢XX” 喜欢：点击“喜欢”、评论、下载、收藏到歌单的人,所听歌曲的标签在其它歌曲也包含则推荐该歌
11、曲,02,计 算 公 式,潜在因子（Latent Factor）算法：这种算法是在NetFlix（没错，就是用大数据捧火纸牌屋的那家公司）的推荐算法竞赛中获奖的算法，最早被应用于电影推荐中。这种算法在实际应用中比现在排名第一的 邰原朗 所介绍的算法误差（RMSE）会小不少，效率更高。我下面仅利用基础的矩阵知识来介绍下这种算法。 这种算法的思想是这样：每个用户（user）都有自己的偏好，比如A喜欢带有小清新的、吉他伴奏的、王菲等元素（latent factor），如果一首歌（item）带有这些元素，那么就将这首歌推荐给该用户，也就是用元素去连接用户和音乐。每个人对不同的元素偏好不同，而每首歌包含的元素也不一样。,矩阵计算得分的方式,TNANK YOU！,
