我们举一个例子吉利，吉利汽车是一个著名的品牌，最近几年他们的产品迭代非常快，这个品牌发展得非常不错。但是他们也会面临这样一个局面，几千万的用户规模在那里，数据量也是相对比较大的。那么怎么把这些数据运用在整个生产过程当中？我们就借助于一个事件，上个月月底他们有一个新车发布，叫博越，他们老板很想关注，说我做了这个线上发布会的效果好不好。通过这样一个数据分析以后，发现了三个问题：第一个问题，互动性很差，发布会当天峰值，之后马上下落。他自己官网上宣布的是“你好，博越”这样一个主题，互动性一般。其中一个网友在一个论坛上面发了一个“今天终于见识到吉利水军了”这么一个帖子，反而是热议话题，是当天最好的一个帖子。他们就会考虑，我是不是可以分析一下新品发布的策略，大家都知道，现在新车发布周期还是比较短的，也就是一两个月。第二个问题，他自己宣传这款车的卖点是“三好”SUV：好看、好开、好智能。但是这“三好”没有得到大家的互动，媒体也没有宣传这些内容，网友也没有跟他互动这些话题，也就是说他主打的方向跑偏了。第三个问题更加有意思，他一直在关注媒体怎么看待他这个新车发布，竞争对手到底有哪些举措，消费者有哪些声音，忘记了自己这些老的受众。他前一段时间刚刚推出了一个叫博瑞的一款车，那款车的受众就跳出来了，觉得不满。通过这样一个场景，实际上对于吉利来讲也是一样，构建了一种数据的思维模式。他自己就开始去考虑，说我是不是应该在新品发布的环节，在我们整个对媒体，对网友的一些互动环节，包括对竞争对手的研判环节构建起自己的一套智库。这样的话，大数据的应用就有了比较好的切入点。
看完了第一个场景，我们接下来进入到第二个场景，我们来看一下有数据，也有能力的企业，比如数据源公司，三大运营商，歌华有线、华数等等，这些老牌的公司，包括一些传统企业，这些传统企业在大数据方面的投入也是非常巨大的。面对这些企业应该怎么去办？首先第一步是建立联合的数据实验室，一般企业内部所拥有的数据，刚才前面一位演讲嘉宾也讲到了数据孤岛的问题，也是一样的，虽然说他的数据非常海量，但是面向于要做商业化，还是有一定的缺失，还是有一定的缺位。首先第一个要做数据联合的实验室，去研判里面的数据。第二个场景才是构建数据商业化的能力，第三步才会到了建立整个营销闭环能力，因为你把数据变现了，要把数据售卖给这些传统企业，这时候这个数据有什么价值，能帮企业带来什么东西，我们是围绕这样一些话题进行展开。
我们往下看一个案例，这个案例是浙江移动。浙江移动现在的上网用户规模在4500万，每天日活用户在2500万，每天的上网记录是100亿条，双11时候达到600亿条，每天的增量数据大概在30个T左右。面对这么海量的数据，首先面对的问题是怎么在这些数据里面挖金矿，我们在跟他们联合着研究这样一些场景。比如举个例子，网友听歌，通过这么一个行为，我们可以研究出一个场景来，他是哪一个明星的粉丝，是哪一个歌手的粉丝，他听的是狂放性、小清新还是屌丝，透露出了这个人的性格。我们就可以大概研判他的性别是什么，可能跟他的购物场景结合，他可能的购物倾向，是冲动型的还是理性型的，还是货比三家的等等。通过这样数据标签化的梳理，也就具备了数据商业化的能力，这个前提是合理合法的，就是在数据脱敏的场景下进行运作。第二个场景就是帮他做数据变现，后面的版本就水到渠成了。现在浙江移动的IT部门从一个历史上的成本部门，终于已经转变为了一个盈利部门。
我们再来看一下助力传统企业构建闭环能力。比如说华为手机现在卖得非常火，比如说海信、美的这样的家电大佬，他们这几年在这个大数据领域投入巨大，动辄是几千万，甚至是上亿规模的应用在做大数据方面的应用。对于他们来讲，他们心里是非常清楚的，我知道只有有什么，我知道自己缺什么，我知道这个数据要用来干吗，要做企业的决策智库，通过联动整个事业部的集群，去有效的串联各个部门形成联动力，来提前整个工作效率。这个时候我们实际上帮助他要构建的事情是，第一个解决这些数据价值问题，也就是说我们把标签维度设立的是否精确，是不是能真实的刻画出这一批消费者的场景，也就是刚才讲过的数据质量检查的场景，也是希望作为这样一种标准构建。这里面实际上就会涉及到互斥逻辑、排他性等等一系列的数据质量的检查，包括样本的测试等等，首先要确定这些数据是不是能用。第二步要通过这个网站的测试模型，包括行业模型导入一个营销的策略模型导入，来构建整个营销的实践。通过这种实践的方式，来建立起一个营销的闭环。当然最终的分析结论以后，也要通过这种智能的对于他的数据模型，对于他的行业模型，对于他的策略模型进行持续优化的这么一个过程，来不断的完善他整个的营销闭环的圈子，这是面对于超大型企业的一些做法。