当前课程知识点:大数据技术与应用 > 毛波:阿里全息大数据构建与应用 > 阿里DMP平台介绍 > 阿里DMP平台介绍
接下来我就给大家主要讲讲
这个运营交换数据的
这个DMP平台
大家可能之前看到过
很多很多的公司
推出过自己的DMP
在中国我估计大大小小
宣称有自己DMP的公司
可能有三五十个
也有像以BAT为代表的
互联网公司建自有的
也有一些第三方像
品友啊 悠易互通啊 互动通啊等等这些第三方的
也有一些国外的
一些DMP公司
那我们的DMP设计思路
是什么样的
差异点在哪里
接下来看
这个地方有一个词
我不知道大家有没有
我一直没有提
但是我不知道大家有没有看到
是我们讲的是一个全息大数据
什么是全息
大家应该知道
首先我们这个平台的目标
有几个
第一是我们要整合全域数据
是全域的 不止是阿里自己的
其次我们想
撮合三个角色去对接
第一个是数据需求方
我们叫消费方
第二个是数据提供方
第三个是数据加工方
我们要去撮合它们来
在这个平台上网
第三我们希望
我们的全息数据
什么是全息
我们希望还原整个
用户的生活场景
追溯它的过去
还原它的现在
去预测它的未来
这个大家会不会觉得
心里后背很发凉
觉得自己的隐私怎么办是吧
这个我们一会儿再探讨
另外就是我们运营交换数据
有一个前提是
一定要在保护安全隐私的
前提下去推动数据的
联接 流动和应用
怎么保护安全
一会儿我们探讨
那我们是怎么去构建的
先给大家一个感性的认识
全息数据
我们现在的全息数据
包含哪些东西
这个是大家非常容易想到的
我们有淘宝 支付宝
阿里云 天猫 聚划算 阿里妈妈
阿里巴巴 B2B这样的平台等等
这是我们自己已有平台上的
一些核心的东西
第二批是我们
有投资并购或者有财务合作
或者是我们的
战略合作伙伴的公司
虾米 光线传媒
光线传媒是刚刚才入股的
优酷 快的 那个健康
华谊兄弟也是前不久
还有我们的那个
中国球迷永远的痛 足球
我们也入股了恒大
还有UC浏览器
手机端的那个浏览器
也包括微博 高德
虾米音乐等等
那这些够不够
当然不够 所以我们其实是
还有更多
比如说我们通过
这种商业合作的方式
跟国家气象局会把这种
气象数据跟我们合作在一起
这些东西怎么用
其实非常简单
举个例子最近这几年雾霾
大家都非常的深恶痛绝是吧
但是也没办法
你得生活在这儿
那你能做什么呢
你能做的可能就是
去改变你自己的小环境
买个空气净化器
或者有时间了
去三亚洗洗肺是吧
那这些地方
其实都是有些商机的
所以这些东西
我们如果把这种
地域的雾霾监测信息
和我们的这种网上
线上线下的消费行为
把它结合在一起
那其实是有非常大的
一个效率的提升
那有了这些数据基础之后呢
我们再在这个分析加工层面
去追溯过去
比如我们把过去多少年的
那个行为积累的东西
能够把它连接在一起
去看这个人的生命周期
过去干过什么对吧
当然这些ID
都不会对应到人的
它只是一个唯一的ID
还原现在
他是白天上课晚上去KTV
还是去吃饭还是去郊游是吧
这些东西我们希望能够
做一个360度的一个画像
预测未来
预测未来这个点
其实是商家最关注的点
就是你过去和现在呢
它很难去把握
或者说它把握的
那个时间点非常的短
未来是重要的
因为你可能半年之后
你要买个房装修是吧
它的家具是可以
在一个合适的点
去推送给你
去帮助你做一个
去影响你的一些购买决定
你可能是假设刚结婚
可能一年之后要宝宝
那她的母婴的一些东西
她是可以迅速的
去给你做一些影响
做一些你看电视的时候是不是
是不是可以给你
做一个品牌曝光是吧
影响你的半年之后的
一个决定对吧
所以从这些角度
我们积累大量的
原始的一些数据
然后再加上
我们在加工层面
对过去 现在和未来的
一些加工预测和还原
所以我们在以这个些为基础
构建我们的整个全息的大数据
那我们怎么做的
刚才讲的是一个概念性的东西
我们怎么做
下面是一个稍微偏技术一点的
但是非技术的东西
应该也能看懂
做个处理 我们的图
首先刚才讲了
我们是要撮合三个角色的
数据提供 数据消费和数据加工
数据提供呢
我们包含哪几块
刚才那个图例其实有
首先我们这就平台数据
这个很重要
因为你如果自己什么都没有
你想去让周边的人围着你转
其实是很难的
就像太阳你得让这些
九大行星围着它转
你自己首先得有质量
得有一些东西是吧
别人才能围着你来转
那这个平台数据
是我们让别人
来围着我们转的一个核心
另外有第三方数据
像一些统计公司
一些APP的一些统计
一些APP的应用那个
另外还有一个第一方数据
最典型的是
我们有品牌商的一些CRM数据
这些品牌商
可能经过几十年的积累
它手上有非常精准的一些这种
它的老客户的信息 购买信息
另外它们现在也在做这种
在线互联网的一些这种尝试
这些东西都是他们的
很宝贵的第一方的数据
但是这些东西在他们手上呢
可能价值有限
就像你去买个汽车
买完之后
你估计在未来的5年之内
再买一辆汽车的
可能性非常小是吧
但是它可能买一个母婴的
买一个安全座椅
这种需求会非常的大
所以这些东西
我们希望能把它
吸引上线能盘活
然后形成我为人人
人人为我的东西
最后大家都受益
在第一方数据
和第三方数据这个地方
我们有一个非常强大的
一个数据接入的一个解决方案
否则你那个上来之后
没有连接是散的
其实是没有用的
那在数据消费上的话
当然这几个角色
应该都能够有理解
首先是我们有非常
很有钱很有钱的一些广告主
像一些电商品牌商
包括现在O2O
或者一些手机端的这种应用APP
另外还有一些营销系统
比如说阿里自己的
那个 转转直通车 TANX
open DSP
也包括一些外部的一些DSP
在中国大概有好几十家一百家
另外是一些那个网站
我们自己的网站
包括我们的一些
合作媒体的网站
都是可以做我们的
这种数据的一些
消费方和应用方的
当然只做这些商业化的东西
永远不是阿里自己的特色
阿里总是想去做一些新的东西
比如说我们在
社会化和公益方面
我们是会每年做很多的尝试
貌似阿里每年的营业额是
千分之三
还是千分之零点三 是吧
应该是捐给公益的
用来做公益的
大家去乘一下
应该是一个非常大的数字
所以我们在这种
医疗健康方面
在文化娱乐方面
包括在智能交通
包括在一些生态农业等等
我们都会去用我们的大数据
去做很多很多的事情
那有了更多的数据
和更多的数据消费方
那中间我们需要
有一些加工方去撮合
那有人会问说
为什么你们自己不加工
那这就
我们是一个平台
做平台的时候
就是别人能干的事情
尽量让别人去干
别人干不了的事情
平台再去干
这是第一个因素
第二是我觉得需求方
和那个提供方太多了
很多很多的一些行业
很多很多的一些领域
如果你没有十年八年五年的
一个积累沉淀
你对那个行业一知半解的话
你是做不出很深的东西的
所以我们希望让那些对行业
有非常深入的了解的那些人
也能够在这个领域来
贡献他们的智慧
做一些智力变现的东西
所以我们在数据加工方层面
会分成几块
平台加工那个不说了
我们自己必须要去做的一些
整合连接工作
我们会有一个开放的算法平台
专门提供给第三方的
那些有技术开发
有数据发掘能力的那些公司
比如说淘宝上
现在可能有上千家
好几百上千家的ISV
就是独立的软
第三方软件开发商
另外还有一些
技术类的咨询公司
应该类似于
像尼尔森这样的角色
还有一些专门的一些分析师
这个它会通过我们的
开放算法平台来做
另外还有一些行业达人
这个很有意思
就是反正比如说
以化妆品为例
反正我对化妆品
是我不怎么懂的
什么护肤保水
那些保湿那些东西
在我看来都一样
但是实际上女
女生们都应该知道
有很大的差异
那让我这种人去做那个
化妆品的那些算法加工的话
我估计是做不出好的东西来的
但是有一些行业达人
他可能通过几个标签的组合
就能把那个化妆品的
那个消费那个群体
受众群体非常精准的刻画出来
比如可能是一个30岁的
经常就朝九晚五上班的
可能最近还在加班
成天对着电脑的那种人
她可能适合用一款什么样的
那个化妆品
这样的东西
我觉得那些行业达人
对某个领域
对化妆品领域非常了解的人
是非常擅长的
所以我们希望他们
把他们的智慧贡献上来
不需要有技术能力
只需要有它的行业经验就可以
那平台做什么
平台主要做撮合工作
然后提供一些中间
去有利于这三方
能够更好协同的事情
比如我们讲的ID Mapping
就你所有的那个数据
你早晨去上课
上午去上课 中午去吃饭
晚上可能去KTV 周末去郊游
这些信息得有一个东西
把它连起来
就刚才讲的
所谓的还原生活场景
追溯过去预测未来的那些东西
另外呢还要多维数据
透视非常
非常重要
数据可视化非常重要
因为你
你做了很多东西
不能让上面的人看见它的
它的那个作用会大打折扣
另外一个数据推荐
就是本身数据多了之后它去
要去处理起来
选择起来也是非常麻烦的
所以要尽量把最好的东西
推荐出来
连接交换和ID Mapping
是一样的
另外我们还有一些
算法模型库 效果评估
提供一些非常简单应用
像USB接口式的这种数据API
最重要的一个我们要
保护用户的安全
数据的安全
有个权限管理
所以平台去做这些事情
对 这个图我觉得大家应该能看明白
-完整讲座
--完整讲座
-李国杰:面向大数据的数据科学--课后习题
-数据思维方式的改变
-数据的假设与采集
--数据的假设与采集
-数据的准备
--数据的准备
-数据的分析
--数据的分析
-数据的解释与验证
--数据的解释与验证
-吴甘沙:大数据分析师的卓越之道——课后习题
-个人介绍
--个人介绍
-硅谷热门公司
--硅谷热门公司
-大数据简介
--大数据简介
-大数据平台系统
--大数据平台系统
-工业实践
--工业实践
-结尾
--结尾
-董飞:硅谷公司的大数据实战分析--课后习题
-数据系统架构历史
--数据系统架构历史
-从sql到nosql
-数据库系统实现变革
-负载融合
--负载融合
-数据系统架构成本
--数据系统架构成本
-杨光信:数据系统架构——课后习题
-什么是可视化
--什么是可视化
-网络可视化
--网络可视化
-大数据带来的新挑战
-大数据网络可视化的若干案例
-时磊:大数据网络可视化—— 课后习题
-网络安全概述
--网络安全概述
-大数据安全分析平台
-大数据安全应用
--大数据安全应用
-大数据平台安全
--大数据平台安全
-彭元:网络安全与大数据——课后习题
-人工智能系统的本质功能模型
-隐性智慧,显性智慧
-人工智能:能与不能
-人工智能的技术现状
-机制主义人工智能模型
-信息转换和智能创生定律
-人工智能与大数据
--人工智能与大数据
-钟义信:“人工智能与大数据”的创新研究——课后习题
-什么是机器智能
--什么是机器智能
-大数据的重要性及特点
-大数据中的因果关系与关键技术
-大数据与机器智能
--大数据与机器智能
-大数据思维
--大数据思维
-讲座问答环节
--讲座问答环节
-吴军:数据为王和机器智能的时代——课后习题
-大数据概述
--大数据概述
-大数据相关新趋势
--大数据相关新趋势
-大数据技术创新1
--大数据技术创新1
-大数据技术创新2
--大数据技术创新2
-大数据技术创新3
--大数据技术创新3
-大数据商业价值和前景
-大数据机遇和挑战
--大数据机遇和挑战
-苏中:从大数据到认知计算——课后习题
-金融大数据概述
--金融大数据概述
-用户个人信息分类
--用户个人信息分类
-金融大数据法律框架
-实际案例和业界实践
-核心风险点
--核心风险点
-王新锐:金融大数据的法律实践——课后习题
-互联网与商业化
--互联网与商业化
-大数据与计算广告
--大数据与计算广告
-计算广告介绍
--计算广告介绍
-数据交易
--数据交易
-刘鹏:互联网变现与计算广告——课后习题
-从记账技术到区块链
-区块链确保数据真实性
-区块链确保数据安全性
-区块链衡量数据价值
-区块链的应用和总结
-杨保华:区块链与数据科学——课后习题
-个性化推荐系统
--个性化推荐系统
-推荐系统的召回与排序
-智能制作之个性化海报
-线上推荐系统其它要素
-杨紫陌:个性化内容推荐——课后习题
-个人介绍及用户理解背景
-用户理解与用户画像
-案例1:用户属性识别
-案例2:自然人识别
-案例3:WOI与社交关系识别
-陆祁:用户行为大数据——课后习题
-内容智能生态——数据、算法、应用
-大数据在内容分析的应用
-IP价值评估系统
--IP价值评估系统
-爱奇艺的剧本评估
--爱奇艺的剧本评估
-爱奇艺的智能评分
--爱奇艺的智能评分
-阳任科:大数据与AI的内容分析——课后习题
-外卖行业及场景简介
-餐饮及外卖行业大数据应用框架
-案例分析:智能营销场景的用户画像
-案例分析:智能助手场景的菜品画像
-王栋:美团外卖的大数据应用——课后习题
-旅行业务的特点
--旅行业务的特点
-美团旅行业务的用户画像构建
-用户画像的应用案例
-住宿需求预测问题
--住宿需求预测问题
-营销补贴策略建模
--营销补贴策略建模
-赵楠:商业思维与大数据技术在美团旅行业务中的结合——课后习题
-互联网金融背景介绍
-互联网金融科技
--互联网金融科技
-数据智能的三个案例
-技术展望
--技术展望
-陈彧:美团点评金融服务的大数据与人工智能——课后习题
-数据的进化历程
--数据的进化历程
-阿里DMP平台介绍
-核心技术及案例
--核心技术及案例
-数据应用
--数据应用
-毛波:阿里全息大数据构建与应用——课后习题
-在线营销
--在线营销
-竞价机制
--竞价机制
-数据价值
--数据价值
-韩定一:在线营销中的竞价机制与数据价值——课后习题
-竞价排名搜索
--竞价排名搜索
-主要技术问题
--主要技术问题
-点击率预测概述
--点击率预测概述
-点击率预测实践
--点击率预测实践
-龚笔宏:大数据在工业界中的经典案例分享——课后习题
-即时配送业务的背景及挑战
-案例1:订单分配策略
-案例2:供需平衡策略
-未来展望
--未来展望
-郝井华:即时配送中的人工智能——课后习题
-什么是数据驱动营销
-LTV留存分析
--LTV留存分析
-RFM会员体系
--RFM会员体系
-消费者微群画像
--消费者微群画像
-渠道倾向性分析及行业竞争分析
-机器学习潜客挖掘模型
-- 机器学习潜客挖掘模型
-陈辉:数据驱动营销——课后习题
-金融大数据时代
--金融大数据时代
-大数据客观信用
--大数据客观信用
-我国的金融环境
--我国的金融环境
-客观信用的实践
--客观信用的实践
-应用案例与成果
--应用案例与成果
-艾小缤:大数据评价体系在金融、征信领域的创新——课后习题
-外部链接
--外部链接