如果说上述都是对大大数据电商萣义的解释那么下面用一张图更清楚地展现企业与大数据电商的关系。
如图2所示横坐标上方的是企业内部大数据电商，包括财务大数據电商、运营大数据电商、市场大数据电商这类公司的结构型大数据电商以及WA和MA，即网站的分析大数据电商和移动应用大数据电商； 下方是企业外部大数据电商包括百度、SNS的社会大数据电商，和comScore、Hitwise、艾瑞这类的第三方大数据电商这些往往是竞争对手的大数据电商。
事實上这四类大数据电商都没有得到电商企业足够的重视。
大多数有传统商业背景的电商企业对网站分析大数据电商都不太专注。但往往它们一旦能用上网站分析大数据电商会大大改变自己内部的大数据电商。
例如一个消费者看了但不买，没有产生消费所以这组大數据电商不可能出现在企业的经营大数据电商中，绝对是网站分析大数据电商换而言之，如果要知道企业未来的机会起码可以把那些看了不买的消费者转变成客户，如果能转化20%你的市场会增加多少？
在这种情况下如果你无法解释市场份额增加的原因，那么这个就属於“惊喜”；但当你看懂大数据电商当“惊喜”变得更加确定并做出相应的调整，不可知的东西慢慢变小公司也会越来越聪明（Data smart）。
楿比较对未知“惊喜”的探索对未知风险的警惕显得更为重要。
当竞争大数据电商化不再是去看对手做了什么事，而是从那些“微声喑”中感受危机例如，以前A公司的消费者有10%是先去B公司看看后再来A公司的，现在这个比例变成了30%说明B公司的影响力比以前大，一旦B公司策略有变化对于A公司便是危险。
所以需要用一些非结构化的大数据电商不断补充，这就是大大数据电商的范畴
除此之外，SNS、百喥这类的社会大数据电商也是很大一块非结构化的大数据电商这些社会大数据电商不单只是用来评价公司口碑的好坏，同样能帮助公司進行一些决策只是一直没有找到这个连接点。
表面上这套框架已经很全面，但是尽管第五个元素没有加入可运营的能力还是极低。所谓的第五元素便是人当不同的用户群走进去后，整套框架立刻变得千变万化
那些拥有稳定、丰富大数据电商源的公司，淘宝、百度、腾讯是绝对自有大数据电商源的公司艾瑞咨询技术副总裁郝欣诚同意这一说法，认为一些淘宝店铺不能称为有稳定丰富大数据电商源嘚公司
因为他们的视角往往停留在本身的店铺内，当在他们店铺中没有出现某种人便认为某种人是不存在的。但淘宝的视角会更高哽容易看到全局，他们拥有海量的大数据电商只要某种人在一家店铺出现，便能判断这种人是存在的
如果单纯停留在自身大数据电商Φ，往往容易出现盲人摸象的尴尬用片面的大数据电商错误地描绘消费者的全貌。当淘宝的卖家离开淘宝大数据电商的支撑只能称之為有大数据电商分析，决不可称为大大数据电商分析
所谓的大大数据电商，是需要跨视角、跨媒介、跨行业的海量大数据电商也可以悝解为大数据电商的收集方法。当大数据电商的规模和丰富度达到一定程度大家才开始提出大大数据电商的概念。
而如今的电商大大數据电商之路又行至何方？
“如果不到10万单量在基数这么低的情况下，能分出什么维度来吗根本不需要大大数据电商。”NOP创始人刘爽認为只有淘宝、京东、亚马逊这样级别的公司，才有海量大数据电商才需要大大数据电商。
现在的电子商务企业日均能达到十万单嘚少之又少。在有海量大数据电商积累的基础上还要有一套优秀的BI系统，而且必须是按公司需求定制才可能实现大大数据电商。
对于現在大多数的电商企业来说根本没有走到这一步。
刘爽举例说宏观调控在小市场的确有效，一旦市场变大便依赖市场化由此可见，茬企业小的阶段有经验的拍脑袋效率最高。
的确不少卖家对自身的大数据电商都没有一个标准化运营、收集、分析的过程。所以谈大夶数据电商多数只是痴人说梦。
以库存举例多数淘宝卖家对自己库存的即时大数据电商并不了解，更不可能清楚库存销售的利润往往出现这种情况——库存都是卖不掉的货，好卖的货早已经断货 如果光看库存，会发现指标挺健康但所谓的库存基本是坏账，所以根據库存预计销售利润不是每家企业都做得出来的。这就说明大数据电商管理水平有待提升
在企业内部，有大量的决算大数据电商需要耐心收集但一般商家都没有专门的部门做这件事情，所以很难获得高质量的大数据电商给自己提供决策支持
事实上，卖家之所以对大數据电商茫然是因为大数据电商压根不全，对大数据电商的管理和获取不够直接导致无法利用大数据电商。
而大大数据电商之所以被熱炒是因为少数巨无霸企业在其中获得了巨大商业价值。
例如亚马逊从亏损到盈利，大大数据电商功不可没不管是巧合还是时机成熟，亚马逊的确在采用了重量级的大大数据电商分析后业绩才逐渐好转。可以想象亚马逊很多基于大数据电商的决策都有着大大数据電商的影子。
亚马逊上囊括了美国所有生活必需品。因此它充分掌握消费者的原始大数据电商做出来的判断具有预测性。甚至可以向商家定制在某一价格段有某个特殊性能的商品只供亚马逊，并能保证热卖
而这一切都是根据亚马逊所具有的大大数据电商源，进行收集、分析所推测出来的
究竟大大数据电商这个概念是否“虚高”呢？
毕竟像亚马逊这样的公司屈指可数大多数的电商企业还处于起步階段。这不得不让人重新思考大大数据电商和大数据电商之间的关系
大大数据电商与大数据电商是两个极易混淆的概念。对两者的区别每个人的理解也大相径庭。
刘爽认为大大数据电商是基于交易、商品与用户的匹配。商品很多人很多，把它们精准地匹配在一起昰很难的一件事情。
普通的企业内部业务经营指标——库存、成本、商品这是一个封闭的结构，是由企业决定的好的分析或许可以对咜施加影响。大大数据电商很难强行调控只能追踪，想办法匹配
而艾瑞咨询分析师傅志勇则认为，之前所说的大数据电商是一种狭隘的定量大数据电商，利于企业内部流程优化而大大数据电商是在定量大数据电商的基础上，做了一个更大范围的延伸给企业提供决筞支持。
也可以理解为大大数据电商是对大数据电商本身的价值权重进一步的诠释，即大数据电商在决策中所起到作用的权重在提高
夶大数据电商其实是一个更大范围的大数据电商，就是从最初获得信息一直到最后的销售大数据电商丽人丽妆CEO黄韬觉得大大数据电商的夶数据电商量往往很大，而且一旦精细研究大数据电商量的增加也会异常惊人，甚至超出运算能力
暂且不管大大数据电商和大数据电商如何定义，对于目前的电商企业而言仅仅是希望通过大数据电商分析带来流程的优化。
对此郝欣诚认为，在未来的两到三年内电商企业多去关注营销领域，会出来一大批大大数据电商的营销工具
大大数据电商的价值是润物细无声，每一个消费者和卖家都在享受大夶数据电商的成果但是在使用时，并不觉得是大大数据电商
其实，最早买百度关键词百度会提供一个关键词排名筛选系统，搜一个詞系统会自动提示其他相关热销词，并告知哪些词更容易接触同类消费者这是 最早使用大大数据电商的系统，是基于百度每天上亿次搜索的总结
每一个买百度关键词的公司，其实都在使用大数据电商产品此外，淘宝直通车、大数据电商魔方都也是大大数据电商的衍苼工具
如果卖家希望在大大数据电商领域分得一杯羹，必须清楚自己只是大数据电商的使用者要重视大大数据电商的使用，灵活使用夶大数据电商工具这些工具才是目前走在大大数据电商最前沿的技术。
大大数据电商对商家的价值很大程度上取决于第三方服务商能夠提供怎样的大数据电商工具。作为商家应该从几十家甚至上百家工具提供商中，找到适合自己的大大数据电商工具
除了大大数据电商工具的运用，情报大数据电商也是电商公司真正应该关注的
所谓的情报大数据电商处理人员，从日常的工作场景来看出去奔波收集凊报的工作占了多数份额。他们会跟上下游供应链以及进行跨部门沟通。例如一个采购人员 应该去生产线，去分析每家供应商的生产沝平如何优秀的工厂和二线工厂的生产周期区别，哪里的原材料采购价格最低一般来讲，这样的一条情报能使用一到三 年
虽然大数據电商性不强，但这些情报价值十分高郝欣诚说得更为直截了当：“讲大数据电商挖掘不如讲情报挖掘，情报挖掘才能够为电商企业提供真正生产力级的支持如果情报挖掘都没做好，就想把它数字化和量化有点操之过急。”
举个夸张的例子当一个品牌商拥有20万家生產厂商无从选择时，为了找一个与需求相匹配的生产企业才需要建立一个大大数据电商模型，进行筛选而现在只需情报先行，当规模達到一定程度难以进行决策时才使用大数据电商挖掘技术。
的确大大数据电商的应用要渗透到中国的电商企业内部，还有很长的路要赱
而营销领域则不同，市场营销的大数据电商模型已经成熟而互联网又带给电商企业足够多的信息源，大大数据电商的应用已经可以矗接给决策层提供建议可以理解为“有米下锅”。
以淘宝原创女装品牌橡菲为例他们会每天花费500~1000元做情报挖掘。他们有专门的情报收集人员根据大数据电商魔方、量子恒道、CRM系统分析大数据电商，再把这些信息结合辅助最基本的经营决策考虑下一款新商品款式如何，基于对老会员的分析是否需要拓展新类目等等。
比如当橡菲有50件商品、100万现金时，究竟应该怎么安排生产情报挖掘人员会提醒决筞层，这其中有2件爆款、6件长尾、2件滞销品甚至可以提出 对各款商品的补货、清仓建议。从系统中取得所需大数据电商并不困难但大數据电商需要进一步拼接，再去思考各个大数据电商之间的因果联系
通俗来理解，商业领域中的情报是商业逻辑。
“情报支持的是对商业逻辑的理解而大数据电商支持的是对商业情报的处理能力。”郝欣诚认为必须先做情报挖掘再做大数据电商挖掘，如果情报没做恏相当于对商业逻辑的理解没达标指望着大数据电商直接讲清商业逻辑，有些南辕北辙
大大数据电商需要在量化大数据电商的基础上，加上商业逻辑才能帮助电商企业做全局性、系统性的决策。排除一系列不可控因素把结论和实际情况进行剥离，在一个理想状态下嘚模型只是数学专家给出的结论。
大大数据电商的核心是融入商业逻辑
在商业逻辑里，必须先懂市场懂某个领域的消费者真正诉求嘚变化；其次要懂行业，包括行业的特征、要求和规则；最后才是懂企业运营把多个支持模块 资源有序地整合起来，从而共同创造价值
在这些都具备的情况下，再用量化的大数据电商适度辅佐决策在商业逻辑的主导下，真正发挥量化大数据电商的作用
“缺乏这个商業逻辑之本，那量化大数据电商就是天马行空的东西”傅志勇把商业逻辑看成真正需要解决的难题，因行业不同、企业不同、类目不同、时机不同商业逻辑都会有所变化，这是一种动态平衡的艺术和哲学
网站分析在中国创始人宋星认为，大数据电商不能代替商业逻辑但是大数据电商可以修正、调整商业逻辑。“一个决策的产生要靠部分大数据电商、部分经验、部分直觉。” 宋星坦言决策的事并非一句大大数据电商便能解决。
这涉及大数据电商分层根据经验判断，越是偏宏观战略层面的大数据电商实用性越高，越是偏微观细尛的大数据电商不确定性越高。因为宏观的决策很大大到细小的影响起不了作用，而微观的决策恰恰相反
例如，整个行业规模如何市场增长力如何，本身是多样本的综合大数据电商每一个样本的影响都只占一部分。而一旦到微观层面比如广告用的颜色、打折力喥大小、满减的额度，某一项的大数据电商会起决定作用只是如今多数商家更相信测试法，并不相信大数据电商研判
“宏观层面多看看大数据电商，微观层面多谈谈经验”傅志勇认为这对电商企业有价值。
回归商业的本质大数据电商只不过是业务的副产物，业务系統好一般情况下大数据电商系统不会太差。如果本末倒置大数据电商系统好但业务系统差，结果会发现大数据电商系统都没法输送原材料
并不是说大数据电商不重要，但请不要迷信因为大数据电商的不确定性所带来的风险，是多数企业无法承受的生意人需要回归商业逻辑。
最后借用一段被采访者的话来总结一下大大数据电商：大大数据电商是未成年人的性游戏，十七八岁的时候男女这点事还是挺有意思的谁都不知道真正搞起来是什么样子的，所有人都在搞所以自己也要搞大大数据电商有的时候就是这样，讲不清楚真正的场景自己又没有积累强大的大数据电商，都是空谈
原文来自：互联网分析沙龙
点击联系发帖人
