做了一系列研究分析后，我们发现，这些差评师总体上是有套路的，但套路不是特别优化，有时他们并不能从差评中获利。我们还发现差评师对商家的两个影响：因为大家都看评语买东西，差评一出来销售额会掉下来;所有被勒索的卖家基本上会做两件事情，一是降价，二是谨慎接单，如果一下子来100个单子，他不会全部接受，会挑选，变得小心翼翼。短期的销量降低了，而长期来看，经过几周之后，销售额反而一直是上升的，商家自己行为的改变也影响了最终长期的效果。
另外一个是家电下乡项目的研究。国家2007年底提出并实施家电下乡政策，持续了三四年，对农民购买纳入补贴范围的家电产品给予一定比例(13%)的财政补贴，设置各类商品的补贴上限。厂家开始投标，符合条件并获政府批准后就可以卖产品了。农民买了之后，拿着发票到当地政府去报销，政府直接补助农民。我们研究组当时拿到了每一项交易的数据，每个交易都知道谁是买方谁是卖方，零售商是谁，买的产品是什么，多少价格买了多少数量，知道交易的时间和地点。
根据这些数据，你如何评价这么个大项目?政府花这么多钱是否达到了目的?我们发现一个有意思的现象——在那几年时间里，中标公司的分销网点增加了很多。我们知道，这个政策面向农村地区，很多是贫困地区，以前农民想买没地方和渠道，现在，除了获得补贴外，他们有了购买的渠道，这也是政策的效果之一。我们还构建了数据模型，来算政府补贴比例的有效区间等。
看这些数据时，我们发现另外一个现象：每个厂家的产品必须低于官方定价，上端的厂家就会去限制产业链下端的厂家，经常有违反合约的情况。这些数据让我们兴奋，这是一个特别大的经济学课题，很多文章在研究，但还没有实证研究。拿到这些数据后，我们就可以做实证研究了——违约行为到底能不能用经济学模式研究出来?这种违约或许是一种均衡的结果，是有模型可以预测的。的实证研究发现，情况就是如此，这是一种均衡的结果。
最终总结一下，很多人拿到数据特别高兴，我现在不这样了，数据都好不到哪儿去，拿到数据只是第一步，找到一个特别好的研究问题才是关键。我觉得如果用中国数据，用这些数据去测试一些特别大的问题，这才能体现数据的价值。
用数据解决企业“一公里”问题
在研究中，我们有个“大数据引擎”模型，其中包括各类外部大数据、个人数据和第三方数据等，我们将用户归类，把同一个人在不同平台上的信息数据整合起来，这样的研究结果影响了企业营销的方式和效果。这种研究和应用，对于企业挖掘“沉默的大多数”用户非常有帮助。
我做数据挖掘工作快16年了，我在美国读博士时的导师，就是数据挖掘方面的专家。近几年，我在新加坡管理大学做的比较多的是用数据研究用户行为和集群等方面。在这一方面，我们和国内很多企业合作，比如和平安集团合作快三年了，帮他们用大数据做了很多项目和分析，还和新加坡星展银行做类似的研究合作，今天讲的，很多是从这些项目中提炼出来的内容。
我的演讲主题是数据驱动、技术赋能的商业智能化。在跟企业交往中，我越来越有一个强烈的感受——虽然大家一直在谈大数据，但现实中很多企业的信息化程度太低了，我们曾到一些非常好的企业去看他们的数据，很乱，还有很多缺漏。
目前的经济趋势下，很多金融企业感到了市场的压力，不再被动地等着顾客上门来网点办业务，而是把金融服务嵌入客户生活工作中、“医衣食住行”等各方面，但前提是你首先得了解你的用户和潜在用户，这就需要大数据的支撑。
一般情况下，企业内部资源和能力都是有限的，获取数据时面临可持续性、隐私保护等挑战;即使企业对某一用户很了解，对他的特征画像非常完整，但关系怎么维持?传统的电话营销方式还有多少空间?如果没有这个营销方式，我们怎样开展业务?
我们主要想解决企业“一公里”的问题，用数据挖掘价值、或在应用数据中体现价值。
我们用的外部数据，目前是社交媒体的数据，企业内部数据通常是交易记录为主。客户买了还是没买，用了还是没用，通常是商业活动的结果，如果要讲更好的用户体验，就要更多地“追因”，这时，外部数据就可以提供更多依据。比如，一个人买手机，是给自己、给父母、给孩子还是给太太用?商业单据里只能看到购买结果，购买原因要通过外部大数据提炼出来。