大數據產業發展了幾年之后，即將進入到價值變現階段。傳統企業已經對大數據技術和應用有了初步了解，大數據平臺和技術的應用也開始普遍。很多企業對大數據的價值了解不多，不知道如何應用數據，如何利用數據分析和外部數據來提升業務，如何利用數據創造價值。

　　

　　大數據的場景應用成了很多企業迫切需要了解的問題，也是大數據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數據的應用場景，同時也幫助企業掌握找到數據應用切入點。

　　大數據場景應用本質上就是數據的業務應用場景，是數據和數據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數據的場景應用。從橫向上分析，大數據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，開源和節流并重。由于各個行業的數據維度和數質量不同，大數據在不同行業應用的成熟度不同，金融行業的數據維度較多，數據質量也很好，數據集中和數據治理也開展了一段時間，因此金融行業的大數據應用開展較好，也取得了一些較好的效果。地產行業的大數據剛剛開始，主要應用在于線下和線上數據打通、土地決策、地產金融等方面。電商是最早利用數據變現的行業，客戶交易和行為數據分析已經成為電商行業核心競爭力。互聯網金融、零售、醫療、交通、航空旅游的數據應用也開始了一段時間，數據分析已經為他們帶來了較大的業務提升。

　　一、金融行業大數據場景應用

　　

　　金融行業擁有豐富的數據，并且數據維度和數據質量也很好，自身的數據就是最好的數據，可以開發出很多應用場景。如果考慮引入外部數據，可以加快數據價值的變現，市場上較好的數據有社交數據、電商交易數據、移動大數據、運營商數據、工商司法數據、公安數據、教育數據、銀聯交易數據等。

　　大數據在金融行業應用范圍較廣，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，并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、銀行數據應用場景

　　銀行的數據應用場景比較豐富，典型的數據應用場景集中在數據庫營銷、用戶經營、數據風控、產品設計和決策支持等。現階段，大數據在銀行的商業應用還是以其自身交易數據和客戶數據為主，外部數據為輔;描述性數據分析為主，預測性數據建模為輔;經營客戶為主，經營產品為輔。

　　可以將銀行的數據按類型分為交易數據、客戶數據、信用數據、資產數據四大類。大部分數據都集中在數據倉庫，都是結構化數據，金融屬性較強，可以利用數據挖掘來分析出一些交易數據背后的商業價值。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，正在成為銀行數據商業應用的主要方向。其中高端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)、利用數據庫營銷，挖掘高端財富客戶

　　從物業費待繳服務中尋找高端理財客戶，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余額，來幫助銀行找到一些主要資產不在本行的高端用戶，為這些用戶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120萬人口高端財富人群，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端消費習慣，高端消費場場景覆蓋奢侈品、游艇、豪車、手表、高爾夫、古玩等。銀行可以參考POS機的消費記錄定位這些高端財富管理人群，為其提供定制的財富管理方案，吸收其成為財富管理客戶，增加存款和理財產品銷售。另外移動設備的位置數據也可以幫助銀行識別出這些人群。

　　3)、利用外部數據找到白金卡用戶

　　信用卡中的白金卡主要面對高端消費人群，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用戶。銀行可以參考客戶乘坐頭等倉的次數、出境游消費金額、境外數據漫游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數據應用方式，也是目前數據庫營銷和數據風控常用的場景。

　　2、保險行業數據應用功能場景

　　保險行業主要通過保險代理人連接保險客戶，對客戶的基本信息和需求掌握很少，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，這種連接客戶的方式是可以的。但是如果互聯網保險興起之后，用戶很可能會被分流到互聯網渠道，因為年輕人更加喜歡通過互聯網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周期產品，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，交易方式不是很復雜，數據主要集中在產品系統和交易系統之中，客戶關系管理系統中也包含豐富了信息，但是數據集中在很多保險公司還沒有完成，數據倉庫建設可能需要在用戶畫像建設前完成。

　　保險公司主要數據有人口屬性信息，信用信息，產品銷售信息，客戶家人信息。缺少興趣愛好、消費特征、社交信息等信息。保險產品主要有壽險，車險，保障，財產險，意外險，養老險，旅游險。

　　保險行業數據業務場景是圍繞保險產品和保險客戶進行的，典型的數據應用有利用用戶行為數據來制定車險價格(UBI)，利用客戶外部行為數據來了解客戶需求，向目標用戶推薦產品，例如依據自身數據(個人屬性)，外部養車App活躍情況，為保險公司找到車險客戶;依據自身數據(個人屬性)，移動設備位置信息，為保險企業找到商旅人群，推銷意外險和保障險。依據自身數據(家人數據)，人生階段信息，為用戶推薦理財保險，壽險，保障保險，養老險，教育險，依據自身數據和外部數據，為高端人士提供財產險和壽險。利用外部數據，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信息，為客戶建立人生檔案，利用個人的生命周期各個階段需要，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、旅游天氣險、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。另外保險公司應該借助于移動互聯網連接客戶，利用數據分析來了解客戶，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、證券行業數據應用場景

　　證券行業的主要收入來源于經紀業務、資產管理、投融資服務、自由資金投資。外部數據的分析，特別是行業數據的分析有助于其投融資服務和投資業務。2015年4月13日，一碼通實施之后，證券行業面臨了互聯網證券平臺的強力競爭，依據TalkingData發布的金融App排行榜，移動互聯網證券App，排名前5位的證券類App，只有一家傳統券商華泰證券。排名第一的互聯網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用戶接近6000萬用戶。用戶總數還在不斷增加。傳統證券行業現在面臨的主要挑戰是用戶交易賬戶的爭奪，證券行業如何增加新用戶?如何留住用戶?如何提高證券行業用戶的活躍?如何提高單個客戶的收入?是證券行業主要的業務需求。

　　證券行業擁有的數據類型有個人屬性信息例如用戶名稱，手機號碼，家庭地址，郵件地址等。證券公司還擁有交易用戶的資產和交易紀錄，同時還擁有用戶收益數據，利用這些數據和外部數據，證券公司可以利用數據建立業務場景，篩選目標客戶，為用戶提供適合的產品，提高單個客戶收入。帕累托效應還是適用于證券行業，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。借助于數據分析，如果客戶平均年收益低于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咨詢，激活客戶交易興趣。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交易的便捷和用戶體驗，也是提升用戶粘性的重要方面。

　　證券公司除了利用企業財務數據來判斷企業經營情況，還可以利用外部數據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持。例如利用移動App的活躍和覆蓋率來判斷移動互聯網企業經營情況，電商、手游、旅游等行業的App活躍情況完全可以說明企業運營情況。海關數據、物流數據、電力數據、交通數據、社交輿情、郵件服務器容量等數據可以說明企業經營情況，為投資提供重要參考。

　　二、地產行業大數據場景應用

　　
    地產行業正在從黃金發展期進入到白銀發展期，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，已經轉向社區O2O、電商、文化產業、地產金融等業務。

　　一些地產公司和大數據公司正在尋找大數據在地產行業的應用場景，并且已經取得了階段性成果。移動大數據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。地產大數據商業應用場景被逐漸被挖掘出來，大數據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，移動大數據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數據公司，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，并取得了一些成績。數據商業應用給地產商帶來了過去不存在的商業價值，移動大數據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、移動大數據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，并拿出了一個擁有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后，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，究竟是什么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，并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，相當于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利用移動設備的位置數據，可以幫開發商了解其開發地塊的常住人口數量、年齡分布和職業特點、以及收入水平。通過數據分析，房地產商可以客觀了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、職業類型、收入水平、消費水平等。這些數據可以幫助房地產商對土地價值進行評估，這些信息對土地價格影響很大。房地產公司已經利用移動大數據進行土地價值估算，避免采用戶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數據，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用戶信息進行房型設計、商鋪規劃、配套設施規劃等，真正將大數據價值應用到房地產項目上去，優化資源配置，提高運營效率。

　　2、移動大數據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項目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。

　　移動互聯網的大數據可以幫助房地產商了解客戶的消費偏好，通過用戶智能手機的App列表和其活躍程度，大數據公司可以對周圍居民進行分析和畫像。這些用戶畫像包括客戶的生活愛好、年齡層次，消費特點等信息。房地產商可以利用這些信息進行商鋪規劃，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用戶畫像數據，這些用戶畫像數據正在被用作商鋪規劃。房地產商依據周圍用戶的特點和數量，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，同時也確保相同類型商鋪不要太多，最大化商鋪的經濟利益，也為商業地產增值提供基礎。

　　房地產商利用移動互聯網側客戶行為數據和消費愛好數據，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。商戶也可以利用用戶畫像數據深度了解客戶，為商品采購和服務提供數據支持，為客戶提供更加優質的商品和服務。

　　三、零售行業大數據場景應用

   零售行業比較有名氣的大數據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。沃爾瑪是大數據分析應用的先鋒，其擁有全世界第二大規模的數據倉庫，第一大規模數據倉庫的擁有者是美國政府。

　　零售行業可以通過客戶購買記錄，了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、衣領凈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。

　　電商是最早利用大數據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濕，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，讓客戶連后悔等時間都沒有。

　　電商的數據量足夠大，數據較為集中，數據種類較多，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。依托大數據分析，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，有利于精細化大生產，提高生產效率，優化資源配置。

　　四、醫療行業大數據場景應用

　　
　　醫療行業擁有大量病例、病理報告、醫療方案、藥物報告等。如果這些數據進行整理和分析，將會極大地幫助醫生和病人。在未來，借助于大數據平臺我們可以收集疾病的基本特征、病例和治療方案，建立針對疾病的數據庫，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，依據過去的數據和診斷建立了疾病診斷模型，并向醫生推薦治療方案。IBM的沃森背后支撐的系統是DeepQA，專注文本分析、基于概率大規模并行分析系統。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安德森癌癥醫療中心正在實用IBM的沃森幫助醫生進行診斷和制定治療方案。

　　基因技術發展成熟后，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數據庫。在醫生診斷病人時可以參考病人的疾病特征、化驗報告和檢測報告，參考疾病數據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。這些數據也有利于醫藥行業開發出更加有效的藥物和醫療器械。中國的基因測序處于世界領先梯隊，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。

　　醫療行業的數據應用一直在進行，但是數據沒有打通，都是孤島數據，沒有辦法大規模應用。未來需要將這些數據統一收集起來，納入統一的大數據平臺，為人類健康造福。政府是推動這一趨勢的重要動力。

　　五、移動互聯網廣告

、

　　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年美國的互聯網廣告市場規模接近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，并存在數字廣告營銷陷阱等問題。

　　大數據技術可以將客戶在互聯網上的行為記錄下來，對客戶的行為進行分析，打上標簽并進行用戶畫像。特別是進入移動互聯網時代之后，客戶主要的訪問方式轉向了智能手機和平臺電腦，移動互聯網的數據包含了個人行為數據，可以用于360度用戶畫像，更加接近真實人群。

　　移動大數據的用戶畫像可以幫助廣告主進行精準營銷，將廣告直接投放到用戶的移動設備，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，用較少的數據投入費用獲得了較高的曝光率。

　　六、互聯網金融大數據場景應用

　　

　　互聯網金融爆發式發展，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。網絡犯罪正在成為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占整體壞賬的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。移動大數據可以幫助互聯網金融企業識別出欺詐用戶和高風險用戶

　　1、用戶居住地的辨別

　　線上的欺詐行為具有較高的隱蔽性，很難識別和偵測。P2P貸款用戶很大一部分來源于線上，因此惡意欺詐事件發生在線上的風險遠遠大于線下。中國的很多數據處于封閉狀態，P2P公司在客戶真實信息驗證方面面臨較大的挑戰。

　　移動大數據可以驗證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設備信息，發現其過去三個月從來沒有居住在上海，這個人提交的信息可能是假信息，發生惡意欺詐的風險較高。移動設備的位置信息可以辨識出設備持有人的居住地點，幫助P2P公司驗證貸款申請人的居住地。

　　2、用戶工作地點的驗證

　　借款用戶的工作單位是用戶還款能力的強相關信息，具有高薪工作的用戶，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。

　　某個用戶在申請貸款時，如果聲明自己是工作在上海陸家嘴金融企業的高薪人士，其貸款審批會很快并且額度也會較高。但是P2P公司利用移動大數據，發現這個用戶在過去的三個月里面，從來沒有出現在陸家嘴，大多數時間在城鄉結合處活動，那么這個用戶惡意欺詐的可能性就較大。移動大數據可以幫助P2P公司在一定程度上來驗證貸款用戶真實工作地點，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，雇傭一些人，短時間內進行瘋狂作案。

　　大多是情況下，多個貸款用戶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平臺發現短短幾天內，在同一個GPS經緯度，出現了大量貸款請求。并且用戶信息很相似，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，利用其他的信息進一步識別和驗證，降低惡意欺詐的風險。移動設備的位置信息可以幫助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、高風險貸款用戶的識別

　　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。移動大數據的位置信息、安裝的App類型、App使用習慣，在一定程度上反映了貸款用戶的高風險行為。P2P企業可以利用移動設備的位置信息，了解過去3個月用戶的行為軌跡。如果某個用戶經常在半夜2點出現在酒吧等危險區域，并且經常有飆車行為，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。Talking Data的App數據服務可以幫助企業了解客戶何時下載了借款App，近期活躍使用的借款App，幫助P2P企業了解客戶借款App使用情況，識別出多頭貸款用戶。

　　欺詐用戶具有刻意隱藏自己行為的特點，用于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。借助于TalkingData的App數據服務，P2P企業刻意了解客戶App安裝和使用情況，識別出具有欺詐嫌疑的客戶。

　　七、農業大數據場景應用


　　

    農產品不容易保存，合理種植和養殖農產品對農民非常重要。借助于大數據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。大數據技術可以幫助政府實現農業的精細化管理，實現科學決策。在數據驅動下，結合無人機技術，農民可以采集農產品生長信息，病蟲害信息。

　　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數據和土地數據建立了模型，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并完成耕種，哪些正處于生長期的土地需要施肥，哪些土地需要5天后才可以耕種，大數據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。物流行業的整體凈利潤從過去的30%以上降低到了20%左右，并且下降的趨勢明顯。物流行業很多的運力浪費在返程空載、重復運輸、小規模運輸等方面。中國市場最大等物流公司所占的市場份額不到1%。因此資源需要整合，運送效率需要提高。

　　物流行業借助于大數據，可以建立全國物流網絡，了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，減少重復路線運輸，降低小規模運輸比例。通過大數據技術，及時了解各個路線貨物運送需求，同時建立基于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。借助于大數據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里，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，使城市里的資源得到良好配置。既不出現由于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。大數據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數據和攝像頭數據來進行規劃，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、單行道的設置。利用大數據技術實施的城市交通智能規劃，至少能夠提高30%左右的道路運輸能力，并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信息來增設信號燈，降低了50%以上的交通事故率。機場的航班起降依靠大數據將會提高航班管理的效率，航空公司利用大數據可以提高上座率，降低運行成本。鐵路利用大數據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、城市建設等都可以借助于大數據技術進行良好規劃和動態調整。

　　大數據技術可以了解經濟發展情況，各產業發展情況，消費支出和產品銷售情況，依據分析結果，科學地制定宏觀政策，平衡各產業發展，避免產能過剩，有效利用自然資源和社會資源，提高社會生產效率。大數據技術也能幫助政府進行支出管理，透明合理的財政支出將有利于提高公信力和監督財政支出。大數據及大數據技術帶給政府的不僅僅是效率提升、科學決策、精細管理，更重要的是數據治國、科學管理的意識改變，未來大數據將會從各個方面來幫助政府實施高效和精細化管理，具有極大的想象空間。