课程：

• 1、保险代理人怎样使用诚睿大数据寻找客户？
• 2、如何在海量数据中寻找和分析信息
• 3、互联网时代 实体商业该如何应用大数据
• 4、店里生意不好，吸引不来人流，该怎么办？
• 5、代账企业业务员怎么使用诚睿大数据找客户资源？
• 6、如何运用大数据

保险代理人怎样使用诚睿大数据寻找客户？

完全可以呀，总结几点

1、首先你要有一个比较好的平台就比别人离成功近一些，保险公司的名气还是有一定影响力的。就像大部分的人一听就比较相信的大公司，有实力的那种。他的销售额肯定就高些。

2、其次，你也可以依靠你的领导，所以好的团队、领导就会帮助你，氛围很重要，要积极、热情、主动，时刻感染着你。相信跟着大部队走，总是会成功的。

3、熟人之间的保险你自己就要抓紧联络，只要是他们想买，你就有了基本的客源保障。至于具体操作，保险公司前期肯定都有培训的。

4、陌生人的开拓就比较难一点点了，公司也许会分配一些电话给你，你要电话约谈，不能随意放弃。

5、自己还可以去一些网站上找电话号码，或者找一些网站及移动厅购买电话。或者去一些小区发名片，开拓新的客户。现在有流行扫码关注微信嘛，你也可以弄一些小礼品什么的试一试。

6、还有一个就是转介绍了，当你有客户了，千万要珍惜，将所有服务做到位，让客户觉得你专业，对你的工作满意，自然他身边有人买也就会介绍给你了。

如何在海量数据中寻找和分析信息

如何在海量数据中寻找和分析信息

虽然大数据这个概念炒的非常火，但是大数据内部运作的逻辑，其实和我们传统行业是比较类似的。比如如果传统行业做实业的话，首先要有地基，你要有厂房，要有原材料，然后做加工，接下来设计成独立的产品，给客户带来独特的体验。我们刚才讲的开放云就是大数据的地基和厂房，原材料就是在线上和线下产生的海量数据。这个是我们现在百度目前每天数据规模，2013年是25PB，这个数字在快速的变化，我们现在处理的能力已经提高一倍，数据上目前是50PB，增长了一倍，这个就是我们目前大数据库要处理的数据的原材料。那么有了原材料接下来该怎么办？

数据存储

稍微看一下我们目前的大数据处理能力的三层架构。首先我们有海量的数据储存能力，然后在这个基础上，我们会做很多智能的分析，在这个基础上我们做很多大数据的产品，我们会逐步的开放这三个方面的能力。先说一下海量数据，做实业的各位领导和专家们，如果你有原材料，最关键的下一步要做两件事，一件事情是物流，第二件事情是原材料的标准化，要把原材料制成毛坯，在这个基础上才能实现你的产能。

在海量数据的处理上是这样的，百度三年前我们的架构是左边这样一个模式，在这个时候我们的数据传输，我们数据的储存都是每个产品线有自己的方式，我们大概用了两年的时间构建现在的数据储存方式，解决两个问题，一是数据的传输。现在百度很多产品线要实时产生大量海量的数据，这些数据都需要被实时的储存一个地方。

但是这些产品线的数据格式都是异构的。我们做了非常多的标准化的工作，在基础上形成了第一个海量数据储存的产品，叫通用的数据仓库。在使用这个通用的数据仓库，我们第一个构建了实时的海量数据的传输平台，那么任何一个产品线产生的数据都能够实时的传送到这个数据仓库里面。另外我们做了实时的数据标准化的工作，无论你的数据是什么样的格式，到我们数据仓库里面都以同样的格式来储存，有了这个物流，有了这个标准化，我们能够在这个基础上对数据进行更多的分析和加工。

那么从这开始，百度的数据就开始在大数据部门进行各种各样的处理过程。

数据分析

这个图有点复杂，这是数据在百度的一个生命周期，这边涉及到很多的技术细节，我会详细一一介绍。这里我想强调的是整个数据的流程是全自动化的，从数据的生成，数据的传输，数据的标准化，到最后数据的归类，数据的分析，都是全自动化的。这里面我是很高兴跟大家宣布，我们这套全自动化的流程，并形成了我们自己的产品。

这个产品我们现在有一个英文名字叫Query Engine，是一套标准的海量数据储存方案，首先无论你的数据是什么样的，经过我们的处理会把它做成数据标准化，当你的数据实时生成，我们有非常好的数据传输框架，保证你的数据上传到百度的开放云，在上面进行建模，进行各种各样可视化分析和决策的过程。我们已经成功了上传分析一家合作企业将近10T的关于新能源方面的一些数据。百度非常欢迎传统企业，如果你有海量的数据，你需要各种各样的分析和操作的话，来接洽我们，来使用我们这款产品。

当这个数据已经被结构化储存以后，我们希望在这个基础上能够进行各种各样的智能化分析。就像传统行业有自己的产品设计中心一样，会对产品进行各种各样的分析、排列组合，做各种各样的实验。在这个实验的基础上能够产生出比较好的产品，能够满足用户的需求。那么在大数据部门也有这样的需求，也需要有大数据产品的设计中心，在这个设计中心需要做很多实验，做出适用于百度，适用于客户的数据产品。所以这个产品经过四个月的努力，我们也已经对外开放。就是之前高级总监朱永忠介绍的，大家可以通过这个域名去访问。

在这上面，我们大数据新产品的设计中心，可以进行很多实时的智能分析，做很多的实验，对产品进行很多排列组合，看哪一种产品能够最适合行业，满足百度的需求。

大数据产品

那么有了这样的开放能力，下面给大家介绍在这个基础上大数据部研发出来的三个大数据产品，希望能够对在座的做实业的朋友有帮助。

第一个产品叫百度司南，专门针对于当企业发展到一定的阶段，有了一定的品牌影响力的企业，能够让企业对自身的品牌有更客观的了解，一共是三个方面。第一个是品牌分析，实际上你应该很想知道你的品牌在那个同行业里它的定位怎么样，周边的人是如何看待你这个品牌的，对你这个品牌的口碑怎么样。而且我们把它做到基本上是实时的，你可以此时此刻知道大家对你品牌的口碑到底怎么样。

另外一方面，关注你的品牌，应该一定有一批已经比较忠实的用户了，那么这些人除了关注你的品牌，像刚才陈总讲的一样，除了关注你的品牌，他还关心什么别的，他还对什么样的东西感兴趣。这些我们通过基于统计的用户画像也能够告诉你。

另外一个这些人是通过什么渠道来了解到你的品牌，他是通过IPAD，是通过手机，通过看电视，还是通过PC、还是移动互联网的浏览，这样以后做营销行为，就知道如何很快的影响到你的受众，什么样的渠道是最有效的。那么通过这几个方式，我们都能够告诉大家你的品牌到底处在什么样的状态。

给大家看两个司南在品牌上的应用。第一个叫代言人。很多品牌到了后期推广的时候，都有找代言人的需求。什么样的代言人在你最想影响的受众是最有号召力。之前是一些拍脑袋的决策，但是通过我们司南，通过海量的数据，通过海量的用户行为分析，可以帮助你做一个决策的科学。实际上我们已经通过大数据的分析，可以产生出超过一千家的企业，他们最合适的代言人到底是哪一位。如果哪位老总也想尝试自己品牌的话，可以和我们合作，我们可以告诉你，通过我们的数据，什么样的代言人，对于你的受众会产生最大的品牌号召力。

另外一个是舆情分析，实际是跟品牌的口碑最像。你的企业里有一系列的产品，每一个产品可能有轻微的差异化，就像我们的化妆品一样，每一款产品在用户中的口碑到底怎么样，用户喜欢这些产品什么样的功能，不喜欢这些产品什么样的功能。在之前，很多公司通过调研公司到各个城市，通过实时的访谈获得一些统计数据。整个过程要耗费一个月左右。通过我们的舆情分析，几乎可以实时告诉你这个答案，到底有多少用户是喜欢这个功能，有多少用户不喜欢这个功能。一个是通过一个月，一个是通过实时，这样的话就有时间差了。这个时间差就是百度大数据能给传统行业带来的竞争力。

这是我们第一款基于大数据的工具，叫百度司南。

另外就是我们的预测平台产品。预测这个产品说的已经比较多了，这次想跟大家说的是，当我们发布了预测产品，并且取得了比较好的效果，很多公司，或者是一些政府部门会跟我们接洽，能不能帮我们也分析一下数据。比如景点希望我们帮他预测下一步七天的人流到底多还是不多。有的企业希望让我们帮他预测下一步季度营业额是否能跟上一个季度匹配。

我们现在非常高兴的把我们的预测平台能力开放出来，你不需要再去接洽百度的产品经理做这样的事情，只要你使用我们的开放平台上传你的数据，我们后面就会基于一系列各种各样的数据分析，智能的算法和百度后台自己的数据帮你做一些决策和分析。希望能够帮助传统企业做决策分析的时候能够多一些科学的决策依据。

另外一个是我们的推荐。我们现在非常高兴把我们这个能力也开放出来，非常可惜我们目前只面对互联网的站长，站长可以定定制到底想用我们推荐的哪一方面的技术和性能、功能，非常灵活的为他的网站做推荐。但实际上我们最想做到的是把我们这套推荐引擎，和传统行业结合起来，和很多实时推荐结合起来，在这块也非常希望传统的行业能跟我们接洽，把我们这种非常先进的线上推荐的技术和线下的场景结合起来，在线下发挥更大的功能。

三个产品只是揭开了冰山一角，在大数据这个方面，产品设计的想象力其实是很多很多的，我们在这方面也非常兴奋，后面我们也会陆续推出一系列的大数据产品，请大家期待。百度愿意与更多的人一起合作，在大数据这个方向上给百度，给行业、给用户带来更多的价值。

互联网时代 实体商业该如何应用大数据

互联网时代 实体商业该如何应用大数据

实体商业在中国的发展是“0到1”的过程，即从匮乏到丰富， 全、大是其优势。但是，区别于海外商业地产的发展，国内实体商业在羽翼尚未丰满的过程中，就已直面互联网的挑战。在此背景下，实体商业的转型应关注三个关键词：

第一，迭代：“泛90后”成为消费人流主体之后，其消费理念的巨变对于商业的影响需要重点关注。

第二，去交易化：在“互联网+”时代，各类渠道都在争抢实体商业的客流，实体商业渠道的意义在减弱。

第三，强主题：主题要求的背后是人群对于实体商业情感以及价值观认同的需求。

2014年年底，全球移动通信系统协会提供的数据显示，世界上移动设备的数量首次超过人口总数。这是否意味着实体商业没有发展空间了?实际上，互联网技术改变了原有生态系统的进化周期，同时，也会推动传统行业进行变革，它们之间并非替代的关系。网店冲击实体商业，攻占了便利交易的渠道；移动终端的开发，降低了衣食住行的外向机会，但它们各有所长，互有补充。如何互补，就需要掌握两者的特性，做好大数据的应用。

对于商业地产的大数据应用，我们需要注意，大数据不等于有效数据。比如，大家都有类似的经验，即某一个文件自己确信存储过，但是需要的时候却无论如何也找不到。也就是说，目前各类PC端、移动端可带来海量数据，但是，数据众多且分散在各种载体、渠道中，分布稀疏分散，呈现海量的碎片化形态，没有按需收集，且也没有按照模型整理，并不是有效的数据。那么，如何得到有效的数据呢?

我们认为，中国的实体商业发展历史与国外是不同的，原有的发展多是“下游思维”，也就是无限向往地向海外学习经验。但是在当下，国内快速迭代的项目已经提供了丰富的比照和前沿的探索，让大家可以从“上游思维”切入。相比产品、技术等层面，从“人”的层面分析更有效，这就需要分析消费者属性、行为轨迹、特定人群分布、消费偏好以及发展趋势。

目前，研究产业互联网有两种思维模式，将互联网技术作为核心则为“互联网+”，而将产业作为价值核心延伸则是“N+互联网”。对于商业而言，实体商业拥抱互联网技术的核心优势是基于场所、产品、服务的运营管理。

无论实体商业还是虚拟商业，目标只有一个，就是争抢消费者的时间，为此需要做的事情均为提升平台效率。辨明线上线下的相似与不同，需要从互补、极尽各长的角度，提升导流、汇聚、交易、维护的价值，创造闭环方式进行运作，方能有效提升实体商业的平台效率及价值。

这就需要我们把数据变成“有效数据”，有目的性采集再去应用，而人在生活场景中产生的数据才是真实数据。大家可以想一下，在百度里输入任何一个词的时候，你的记录就会被留下，会被标签化，在当当买什么书都会有标签。交叉分析后再筛选推荐，所以你买过这本书后，他们还会推荐其他类似的书。

但是互联网数据解决不了“去标签”，这很关键。购物中心应该满足社交人群的商务社交，还是生活状态的亲子社交，需要考虑。但我们不用透过大数据，而是透过人口的采集，通过标准化工具就可以完成。比如，北京的华润五彩城，有18万平方米的体量，定位为情感商业。原因在何?因为北京北五环、中关村东面每天都有6万到7万的人流量，这些人不看重自己标签，他们更看重孩子的培养教育。

在这种情况下，大数据能帮我们做三到五公里的客观人流量，人流到访频次，行为轨迹的习惯，消费者在电商平台的购物偏好等。我们通过加标签和去标签的过程，用大数据让商业回归本质，让消费者为交易和服务付费。

强调一点，做实体商业不要总想着一步到位，很多购物中心一上来就是开发APP，却没有想到在没有会员量的时候，要花费多大的成本去吸引会员。其实现在不缺技术，但是实体商业自身没有意识到去积累会员资源，也没有把会员服务好。运营会员数据的能力是稀缺的。

以上是小编为大家分享的关于互联网时代 实体商业该如何应用大数据的相关内容，更多信息可以关注环球青藤分享更多干货

店里生意不好，吸引不来人流，该怎么办？

你可以试试做特色街景，把门面装饰的更漂亮有特色一些。我也是开店的，之前店面整体太沉闷不吸引顾客，后来梦市集帮我设计了一套街景，用大数据帮我维系客户，吸引了很多人流，我的生意现在也慢慢变好了。

代账企业业务员怎么使用诚睿大数据找客户资源？

代理记账找客户可以：去登记注册公司的办公场所去找自己的目标客户，一般情况下，哪里的客户都是自己的潜在客户，并且是最有需求的一部分人，可以拿着自己的名片，去那里找客户。

代理记账找客户可以：和相关部门合作，将自己的业务和联系方式等相关信息放在相关部门的窗口那里，可以吸引一部分客户，并且可以增加自己公司的可信度，虽然不是很容易，但可以尝试去谈谈。

代理记账找客户可以：通过互联网等方式来宣传自己的业务，寻找到自己的客户，这一种方法虽然有点慢，但效果也比较明显。现在上网的人实在是太多了，我们可以通过这种宣传和传播方式来寻找客户。

请点击输入图片描述

代理记账找客户可以：去一些写字楼去发宣传，或者登门拜访，也算是陌生拜访客户，尤其是一些新建的写字楼，这里的新公司比较多一点，可以找到一部分客户。

代理记账找客户可以：去一些创业辅导中心，或者创业孵化器里面寻找自己的客户，道理和第一条差不多，这里面的公司都是小型的创业公司，更需要代理记账业务。

代理记账找客户可以：利用当地的一些资源和企业通讯录来寻找自己的目标客户。一般需要花费一些时间和金钱才可以或者这部分资料，但都是真实有效的，也是自己客户来源的一种有效方式。

代理记账找客户可以：请朋友转介绍。这种一种比较靠谱，成交率比较高，但是相对而言，量比较少一点，所以还是需要服务好自己的老客户，然后请老客户转介绍新客户。

如何运用大数据

1.可视化分析

大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

2. 数据挖掘算法

大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统

计

学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如

果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

3. 预测性分析

大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

4. 语义引擎

非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。

5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。

大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

大数据的技术

数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。

数据存取： 关系数据库、NOSQL、SQL等。

基础架构： 云存储、分布式文件存储等。

数

据处理： 自然语言处理(NLP，Natural Language

Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理

解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。

统计分析：

假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、

卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、

因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。

数

据挖掘： 分类

（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity

grouping or association rules）、聚类（Clustering）、描述和可视化、Description and

Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)

模型预测 ：预测模型、机器学习、建模仿真。

结果呈现： 云计算、标签云、关系图等。

大数据的处理

1. 大数据处理之一：采集

大

数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的

数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除

此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。

在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时

有可能会有成千上万的用户

来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间

进行负载均衡和分片的确是需要深入的思考和设计。

2. 大数据处理之二：导入/预处理

虽然采集端本身会有很多数据库，但是如果要对这些

海量数据进行有效的分析，还是应该将这

些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使

用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。

导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。

3. 大数据处理之三：统计/分析

统

计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通

的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于

MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。

统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。

4. 大数据处理之四：挖掘

与

前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数

据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于

统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并

且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。