自媒体时代，企业面临两类数据环境：传统的人财物、产供销、客户关系管理系统等大交易数据环境，以及由社交网络、点击流、传感器、移动终端、物联网、地理位置信息、GPS信息等构成的大交互数据。大数据就是把大交易数据和大交互数据融合起来做分析，帮企业找到潜在的商机，实现新的业务创意或发展新的业务亮点。

大数据意味着数据规模(Volume)超常。每个人作为终端使用者，既是信息的使用者，又是信息的创造者。全社会的人都与数据发生关联，在社会活动的各个环节，形成社会化的企业数据。第二，大数据意味着多样性(Variety)。富媒体(RichMedia)大大扩展了人们的数字化生活体验，全球数据和数字流量的70%-80%都是视频、语音、图像，而不是过去以二维的、规范化的、非常简单数据形式为主的结构化数据。第三，大数据的价值(Value)密度低。即数据量作为分母太大，对企业或个人决策有价值的信息占总量的比例就很小。第四，大数据的实时性强、速度快(Velocity)。信息就像开着的水龙头一样，源源不断地出来。人们打开手机看新闻、支付账单，都需要得到及时响应，而不是等到晚上再看新闻，要排个队才能支付账单。

从管理领域和视角上来看，大数据时代带来“三个融合”，即：信息技术融合、内外融合和价值融合。信息技术融合是指越来越多的传统企业管理问题已经变成或正在变成数据管理或信息管理的问题，越来越多的企业决策已经变成或正在变成基于数据分析的决策。内外融合强调企业外部数据的重要性。影响消费者的购买决策、商业舆情和企业形象，企业必须对此做出反应。价值融合是指企业因生产产品和提供服务而产生价值，消费者在使用产品的过程中产生价值。因此，企业不但要关注有形产品，还要关心附加价值，强调服务、内容等等。

对消费者的数据分析，可以用于优化产品策略、定价策略，包括消费者的行为、属性和评论信息。竞争对手的数据分析，可以为企业制定竞争策略提供决策支持，包括竞争品的价格、销量、促销活动等数据。渠道的数据，重点在于要将线上线下的渠道数据打通，不同的渠道带来的数据维度是不同的，结合多渠道异构的数据分析，互为验证，可以给企业带来更丰富的分析角度，更好的支持日常经营的决策。

对企业而言，应对大数据的第一步是构建深度业务分析能力。以数据密集型业务为主体的移动通信行业为例，在面临语音应用饱和、传统业务单位效益下降以及移动互联网、内容经营和信息消费的替代性和多元化服务的双重压力下，升级和转型成为一种必然。升级需要更精细化的管理，更好地了解客户(如客户特征和细分、客户行为和黏性、客户喜好和新需求等)、更好地了解业务(如业务活动轨迹、产品体验与口碑、业务关联与因果分析等)、更好地了解对手和伙伴(如行业动态与趋势、对手优势特征等)。而转型需要更创新性的思路，如通过内容服务和新业务平台(双边市场、LBS服务、长尾经营、营销平台等)，进行必要的模式创新和业务重组。其中，不管是在内部运作和管理还是外向扩展和创新方面，BA能力都将发挥关键作用。

一个很重要的前提是企业的思维方式、应用模式需要改变。原来业务部门需要做一个报表时，首先提出需求，然后IT部门写代码开发报表，之后每个季度都用这个报表。这是传统的结构化、重复分析的做法。大数据时代，将使用迭代、探索性的方法。IT人员搭载一个创意发现平台，并负责采集企业内外部、社交网络、视频、音频等相关数据，业务部门可以利用这个平台不断去探索什么业务可以被创新、什么问题可以被回答，这种探索和需求可以不断地去迭代。未来会将这两种方法结合使用，所以思维模式必须要改变。

及时发现和参与到跟企业相关的社会热点中去，是企业在自媒体时代的必修课题，帮助有益的消息扩散，及时参与引导负面消息转化，都是需要数据支持的，这里面包括了数据监控、热点分析、传播路径分析、语义分析，乃至公司内部管理流程优化等一系列的工作要做。

可以基于社交网络数据作舆情分析，预测并及时处理危机。以花旗银行为例，基于美国银行、花旗银行、汇丰银行等六家大金融机构在社交和媒体上的数据，花旗银行首先做了声誉度分析，分析了诉讼、欺诈、盗用、破产、准备金、流动性和危机处理等很多维度的数据；二是做客户情感的对比，通过正面评价、负面评价的数据来监控客户和银行的关系；三是做客户关系的预警，怎样预测和应对负面评价，及时处理品牌管理危机。

大数据下的客户关系管理的重点是企业得结合自身的行业特点和管理文化，制定适合于自身的管理方案。客户的社交网络关系数据是精准营销的一个金矿，核心在于信赖关系，广告学上称为信任度转移，比如你喜欢的某个作家推荐的一款空气净化器，就可能引起你的购买，但这个人可能并不是这方面的专家。国外有从社交关系链中进行大数据分析，找出那些不出名但有专业影响力的某领域专家，让这些人来影响他们的受众的营销方式。

首先，可以将客户标签化，对客户进行微关系营销。企业在知道姓名、手机号码、购买记录的基础上给客户贴一个标签，对什么感兴趣(数码、旅游、财经等)；需求和应用场景是什么(租房、买数码相机或单反相机)等；同时挖掘客户的微关系，同事关系圈、家庭关系圈、喜好关系圈、网上互粉的关系圈等等。比方说金融机构，在客户的银行登记信息找到客户的社会属性关系，通过转账、汇款、留言、账户往来挖掘金融需求的关系群体，客户消费习惯里有很多地理位置信息，再加上社交网络的微关系，完善后就形成一个完整的客户关系图。在此基础上，企业就可以做到基于客户关系的业务拓展，基于客户关系延伸到更多的客户。

第二个是针对客服的。现在客户做产品查询或客户投诉有很多种渠道和途径，企业需要收集这些信息，做语义分析、字典查找、模式匹配，建立自动规则。当这个客户打电话过来，客服就能自动判断是什么问题和需求，该怎么应对。通过这个解决方案能实现四个目标：第一是发现隐藏的问题；第二预设舆论导向，知道我的话数提前怎么说；第三，很多客户打电话投诉其实是产品的诉求，可能是产品的销售机会；第四是可以提高客户的忠诚度。

第一个案例是国内某地铁公司利用视频信息、客流分析做内部网点的优化。首先，IBM研究院和该地铁公司合作把原来用来监控的人流轨迹影像数据做了仿真，通过分析发现在地铁某个点是一个人流拥堵瓶颈，地铁做了改进以后人流拥堵得到很大改善。