大數據在企業生產經營中的應用

許憲春 王洋

摘? ?要：隨著信息通信技術的快速發展，以及數據收集、存儲、加工處理和開發應用能力的不斷提升，大數據的規模迅速擴大，種類不斷增多，在企業生產經營中開始發揮越來越重要的作用。由于不同類型企業的生產經營方式不同，大數據在不同類型企業生產經營中的應用場景有所不同，其所發揮的作用也有所差異。現階段，企業在應用大數據時面臨著數據標準不一、人才短缺、安全難以得到有效保障、存儲成本高昂等挑戰。為此，應加強大數據標準體系建設，加快推進大數據基礎設施建設，有序推進政府數據開放共享，加快培育復合型大數據人才，完善網絡及大數據安全體系建設，促進大數據在企業生產經營中得到更好的應用，發揮更大的作用。

關鍵詞：大數據;企業生產經營;應用場景

中圖分類號：F273? ?文獻標識碼：A? ?文章編號：1003-7543（2021）01-0018-18

隨著信息通信技術的快速發展，以及數據收集、存儲、加工處理和開發應用能力的不斷提升，大數據的規模迅速擴大，種類不斷增多，在企業生產經營中開始發揮越來越重要的作用。由于不同類型企業的生產經營方式不同，因而大數據在應用于企業生產經營過程中產生了多樣化的應用場景，使不同類型企業實現了不同形式的提質增效和降本增收。隨著大數據在企業生產經營中的廣泛應用，大數據的應用場景和發揮作用的方式更加多元化，但與此同時，企業應用大數據仍面臨技術、人才、安全等方面的困難和挑戰。為此，應及時梳理總結現有應用場景和作用方式，分析困難和挑戰，提出對策建議，為促進大數據在企業生產經營中得到更好的應用、發揮更大的作用提供參考。

一、“大數據”的內涵界定與政策演進

（一）“大數據”的內涵界定

“大數據”一詞由美國國家航空航天局（NASA）研究員Michael Cox和David Ellsworth于1997年美國電子電氣工程師學會（IEEE）第八屆國際可視化學術會議上首次提出[1]。他們指出，可視化給電腦系統提出了龐大的數據量的挑戰，即數據量大到內存、本地磁盤甚至遠程磁盤都無法處理，他們將這類數據稱之為大數據。2008年9月，《自然》雜志刊發了一期“大數據”特稿，使得大數據在科學研究領域得到了高度重視，關于大數據的討論不斷增多。2011年，全球知名咨詢公司麥肯錫在《大數據：創新、競爭和生產力的下一個前沿領域》報告中稱：“數據已經滲透到當今每一個工業和商業領域，正在同勞動力、資本一道成為重要的生產要素。”這宣告了大數據時代的到來。同時，麥肯錫在報告中從數據量大的角度給出了大數據的定義[2]。

業界和學術界對大數據的定義一直處于探討之中。Michael Cox和David Ellsworth最初是從數據量大的角度提出大數據的概念的。隨著大數據處理技術的不斷發展，大數據的應用場景不斷增多，大數據的概念逐漸從數據量大發展成為包含數據量、技術、應用在內的綜合性概念。原工業和信息化部電信研究院在《大數據白皮書（2014年）》中探討了大數據的概念，認為大數據是具有體量大、結構多樣、時效強等特征的數據，大數據是新資源、新工具和新應用的綜合體。朱揚勇、熊赟認為，大數據是指為決策問題提供服務的大數據集、大數據技術和大數據應用的總稱，數據、技術和應用是大數據的三個要素[3]。在大數據的概念中，價值是核心所在，數據（資源）、技術（工具）、應用這三個要素都是圍繞著價值而展開的。

大數據的特征也是學術界和業界探討的焦點。2001年Laney提出了大數據的3V特征，包括數據體量巨大（Volume）、處理速度快（Velocity）和數據類型多（Variety）[4]。隨著大數據的不斷發展，大數據的特征不斷增加，對大數據特征的歸納仍舊是按照幾個“V”的模式展開的，同時還新增了1“C”的模式。總結來看，在Laney提出的3V基礎上又新增了數據真實性（Veracity）[5-8]，數據有價值（Value）[5-8]、數據有效性（Validity）[5]、易發生變化（Variability/Volatility）[5-7，9]、管理過程虛擬化（Virtual）[6，9]、復雜程度高（Complexity）[10]等特征。

（二）國內外大數據的相關政策演進

隨著大數據的不斷發展，各國開始逐漸重視大數據市場的培育工作。美國、歐盟、日本等主要經濟體根據自身對大數據的理解及各自發展情況，制定了大數據相關戰略行動規劃（見表1，下頁）。

從目前各經濟體制定的大數據相關戰略行動規劃可以看出，各經濟體政策各有側重，進度不盡相同，但也存在一些共性：一是各經濟體大數據戰略行動規劃的基本目標，均是通過國家性的戰略規劃來推動本經濟體內的大數據的技術研發和產業應用，以期在國際競爭中占據領先地位;二是戰略規劃都具有明確的行動計劃和重點扶持的項目;三是規劃的領域都是關乎國家競爭力和全民生活福祉的重要領域。

我國高度重視大數據的開發應用。國家相關部門出臺了一系列政策，支持大數據產業發展（見表2）。隨著國家政策的日漸完善以及大數據開發應用技術的不斷提高，大數據會保持強勁的發展勢頭，大數據與實體經濟的融合也會不斷深化，這為企業的數字化轉型發展提供了寶貴的機遇，如果能夠抓住這一機遇，企業就能夠更好地生存和發展。

二、大數據在不同類型企業生產經營中的應用場景

黨的十九屆五中全會提出要推動互聯網、大數據、人工智能等同各產業深度融合。由于不同類型企業生產經營方式不同，因而大數據在不同類型企業生產經營中的應用場景有所不同。本文對部分類型企業的大數據主要應用場景進行梳理總結，主要包括農業企業、制造業企業、交通出行類企業、零售餐飲類企業、運輸物流類企業、房地產經紀類企業、旅游服務類企業、醫療服務類企業、金融服務類企業。

（一）農業企業

農業企業對大數據的應用主要體現在通過大數據、云計算以及物聯網等技術隨時獲取農作物、禽畜以及水產品的生長狀態數據，基于分析結果及時實施干預，實現對農業生產的精準控制和智能管理。

一是精準化農作物生產管理。在農作物種植過程中，利用衛星遙感技術、無人機航拍、傳感器等采集數據，采集的數據類型主要包括實時的土地土壤數據、天氣氣候數據、農作物生產數據、病蟲害數據等;通過對采集到的數據進行分析、處理，并建立可視化模型，實現種植適宜區規劃、作物長勢預測、作物產量預測以及病蟲害防治等，對農作物生產進行精準化管理。

二是精細化禽畜養殖。在禽畜養殖過程中，利用耳標、可穿戴設備、攝像頭等采集數據，采集的數據主要包括禽舍數據、飲水數據、清糞數據、典型行為、生長數據等;通過對收集到的數據進行分析，運用深度學習算法判斷畜禽產品健康狀況、喂養狀況、位置信息、發情期預測等，對其進行精準管理。例如，青島寶佳集團將大數據應用到建設生豬養殖—農作物種植全產業鏈中，形成了完整的養—植綠色體系，通過大數據精準投喂，以最科學的投量比例保障生豬生理需求;根據大數據實時監測與預警生豬健康狀況、居住環境、生長特征等情況，確保生豬健康成長;將養殖中獲得的排放物作為肥料科學噴灑至農作物中;依托種植數據庫，構建土壤質量、農業環境、植物保護等完整的評估體系，保障農產品的茁壯生長。

三是精細化水產養殖。在水產養殖過程中，利用水下傳感器、監控器等智能感知設備采集數據，采集的數據主要包括水的溶解氧、PH值、溫度等水質指標，水產品的喂食、活動和死亡情況等;通過對采集到的數據進行處理、加工轉化為可視化圖形、圖表，實現對水質和水產品生長情況的遠程、實時監控，實現精細化水產養殖。

四是智能化農業生產設備。在農業生產管理過程中，通過將新型技術搭載到傳統生產工具和材料，實現對農作物生產的智能化管理。例如，無人機植保應用就是通過無人機搭載先進的傳感器設備，根據地形、地貌搭配專用藥劑對農作物實施精準、高效的噴藥作業，通過人（植保隊）、機（無人植保機）、藥（農藥）三位一體達到節水節藥的作用;農機自動駕駛應用就是利用衛星導航實現農機沿直線作業功能，主要利用角度傳感器獲取農機偏移數據、攝像頭獲取周圍作物生長數據以及導航衛星實時定位跟蹤車輛信息數據，將三者獲取的數據經過無線網絡傳輸到控制端，對數據進行分析后，利用車載計算機顯示器實時顯示作業情況以及作業進度等。目前，農用車輛導航系統主要應用于拖拉機、收割機、小麥機和青貯機等農用機械上。

（二）制造業企業

大數據在制造業企業中的應用貫穿于企業生產經營的全流程。從產品方案的設計，到生產加工，再到售后服務，都體現出大數據的應用場景。

一是定制化生產。隨著客戶需求的不斷細化和多樣化，企業生產模式也逐漸從同質化生產向定制化生產發展，面向不同客戶的個性化需求輸出定制服務。制造業企業通過工業互聯網等平臺收集客戶對產品顏色、外觀、結構、功能等產品參數的需求，將需求轉換為計算機可識別的語言后上傳至產品設計平臺，設計工程師根據客戶需求形成產品設計圖紙、工藝要求、生產要求等，進一步下發至生產車間，并通過柔性制造生產線將客戶的個性化定制需求轉換成最終產品，實現客戶需求驅動的定制化生產。例如，海爾、美的等家電企業搭建了以用戶需求數據為驅動的產品制造體系，讓不懂技術的用戶和不了解需求的設計師、供應商通過數據流在互聯網平臺上互動協作，并通過柔性制造生產線將用戶的個性化定制需求轉換成最終產品。在這種模式下，空調、熱水器、洗衣機等產品的顏色、外觀、結構等參數可由用戶定制，讓用戶在生產中擁有更大的自主權。

二是智能化工業生產線。在生產管理過程中，通過安裝在工業制造生產線上的小型傳感器，實時采集設備的振動、聲音、變形、位移、裂紋、磨損、溫度、壓力、流量、電流、轉速、轉矩、功率等數據，對采集到的數據進行加工處理，并進一步對用電量、能耗、質量事故等參數進行分析，基于設備診斷結果進行及時的預測性維護;通過對生產過程中的原材料、中間產品數據進行采集和實時上傳，進一步考慮產能約束、人員技能約束、物料可用約束、工裝模具約束等，借助智能的優化算法，制定預計劃排產，并監控計劃與現場實際的偏差，動態地調整生產計劃。通過預測性維護和動態排產，實現對工業生產線的智能化管理。

三是智能化售后服務。在售后服務過程中，應用大數據可以實現對產品運行狀態的監控和對客戶意見的及時反饋。對產品運行狀態的監控主要應用在大型機組和重大設備等不宜解體檢查的高精度設備上，通過采集設備運行中各種狀態信息數據，對產品運行狀態進行實時監控并及時發現產品存在的問題，以便有針對性地提出解決方案;對客戶意見的及時反饋主要體現為智能云客服交互平臺，通過將客戶電話語音咨詢、多媒體語音文字咨詢等轉化為數據，基于數據挖掘、神經網絡等技術進行關鍵信息提煉和關聯性分析，自動生成解決方案并實時反饋至客戶，實現產品售后服務的智能化。

（三）交通出行類企業

交通出行類企業通過收集司機數據、乘客數據、道路數據、實時交通數據等，挖掘后實現多樣化的應用場景。

一是智能化司乘供需匹配。滴滴出行等打車軟件的興起，背后的支撐是對大數據的應用。平臺企業通過App終端，實時采集車輛的地理位置、運行狀態、載客情況等數據和乘客的用車需求等數據，基于機器學習、云計算等技術，對數據進行關聯性分析，通過智能分單、供需預測、運力調度等實現對司機供給和乘客需求的智能化匹配。

二是精細化公交調度與管理。公交企業通過將公交要素標識標簽、公交車載信息中心（車載RSU）等物聯網設備大規模部署于公交車、公交站臺等場所，實時采集公交車輛狀態信息、站點信息、行駛信息、客流信息等，基于大數據處理分析平臺對數據進行處理分析后，實現車距監管、精準報站、發班與客流匹配等精細化公交調度與管理。

三是智慧信號燈。為了更好地緩解交通擁堵問題，滴滴出行依據大數據推出了“智慧信號燈”。結合滴滴的起止點數據和來自政府的城市交通信息、基礎路網信息、交通設施信息等數據，通過模型預測，智能信號燈可基于區域內交通流量，合理調節管控道路資源和通行速度。

（四）零售餐飲類企業

零售餐飲類企業應用大數據可實現線上企業的精準營銷，生鮮、餐飲的即時配送，以及線下零售、餐飲企業的精準選址。

一是精準營銷。精準營銷在淘寶、京東等電商平臺企業的應用較為成熟，企業通過采集消費者的網絡購物行為數據，如瀏覽網站記錄、瀏覽商品類型、在不同頁面的停留時間、瀏覽次數、歷史足跡等數據，結合消費者的個人身份信息數據，處理分析后進行用戶興趣建模、用戶關系建模、用戶生命周期建模、用戶信用建模等，對消費者進行畫像，并且作為底層數據供應給各營銷系統。基于用戶畫像，各營銷系統采用電子郵件、手機短信、App消息推送、商品包裝廣告等形式進行產品推廣，實現精準營銷。

二是即時配送。即時配送在美團、餓了么等外賣配送類企業以及盒馬鮮生、叮咚買菜、每日優鮮等新型生鮮零售超市應用較為成熟。在外賣即時配送上，智能調度是核心環節，平臺依托海量歷史訂單數據、騎士（送餐員）定位數據、精準的商戶特征數據，針對騎士實時情景（任務量、配送距離、并單情況、評級），對訂單進行智能匹配。進一步面向騎手提供輔助決策服務，包括智能語音、路徑推薦、到店提醒等;面向用戶提供計算送達時間、配送費定價等服務，實現自動化調度以及最優化配送路徑規劃;在生鮮零售超市的即時配送上，除了面向騎手的配送路徑優化外，超市、倉庫產品的揀貨效率也是重要環節。以盒馬鮮生為例，為實現效率的最大化，盒馬鮮生在揀貨方面采用了基于物聯網的全自動懸掛鏈物流系統。基于物聯網上鏈接的庫存商品標簽信息，通過后臺系統智能拆分訂單，揀貨員根據最優路徑完成揀貨，實現對揀貨路徑的最優化設計，為即時配送提供效率支撐。

三是精準選址。依托人為經驗判斷確定零售、餐飲企業的選址可能存在局限與偏差，大數據則能夠為商業選址提供更為科學的決策依據。通過對目標區域的客流量、人群流向軌跡等進行實時監控，采集位置信息、時間信息、輿情信息、人物行為信息等，利用大數據挖掘和分析技術，對選定目標位置的人群進行特征畫像，可為不同品類和品牌的企業洞察潛在用戶及市場預測分析提供依據，實現線下零售、餐飲企業的精準化選址。

（五）運輸物流類企業

運輸物流類企業對于大數據的應用場景主要體現在貨源與運力精準匹配、智慧物流、貨運行業信用體系建設三個方面。

一是貨源與運力精準匹配。貨車幫、運滿滿等貨運O2O平臺基于大數據技術實現智能配貨和智能找車，使運輸資源的利用率得到提升。貨主將貨源信息發布至平臺，并輸入始發地、目的地，以及對所需車輛類型、車輛位置、車長、載重等方面的需求;平臺基于入網車輛的車輛位置、軌跡分析、車輛畫像、安全駕駛指數等數據指標，通過大數據核心算法對入網車輛進行挖掘，為貨主提供最優的備選貨車運輸方案，為車主提供符合其要求的貨源信息，實現貨源與運力的精準匹配。

二是智慧物流。快遞、物流企業對于大數據的應用主要體現在物流路線的智能調度和物流儲運的主動感知上。在物流路線智能調度方面，快遞、物流企業通過大數據與人工智能技術實現智能車輛路徑規劃，實現物流運輸路徑最優化。在物流儲運主動感知方面，快遞、物流企業根據消費趨勢大數據預知需求提前分倉布貨，使消費者的訂單在最短的距離和時間內送貨上門。

三是貨運行業信用體系建設。貨車幫通過實名認證和保險信用保障雙重方式建立行業信用體系。一方面，建立實名認證體系。貨車幫平臺將車主信息上傳數據庫，同時對車主交易完成情況進行記錄，對每次匹配進行評級打分，并將信譽積分記錄到相應的車主或貨主的檔案內。通過在大數據工作體系下的個人信譽疊加，對個人的信譽及交易質量進行分析對比，從而篩選出高信譽度個體，淘汰低信譽度個體，避免了在貨運過程中的損失，提高了經濟效益。另一方面，開展保險和信用保障。貨車幫提供在線貨運保險，支持在線即時購買和在線理賠，通過大數據將全部車輛信息同保險公司對接，對不同車輛訂單進行風險評級。評級不同的訂單會被劃分成不同的類別，系統自動推薦最適合此類別的保險種類，并且即時傳輸數據，保證每一輛貨車都具有相應的保險。

（六）房地產經紀類企業

大數據在房地產經紀類企業的應用場景主要包括在線看房、客戶畫像以及經紀人服務優化三個方面。

一是在線看房。大數據支撐下的在線看房模式解決了傳統的單一線下看房模式在房源真實程度、協調看房時間等方面的難題。企業通過大數據技術，采集房源信息，建立房源數據庫，并輔以三維重建、VR技術，給租購者展現真實的房源情況，實現隨時隨地在線看房。以貝殼找房為例，貝殼找房基于內部作業系統HERP的房源基礎數據庫，運用大數據技術，打造房源產品——樓盤字典。樓盤字典覆蓋全國327個城市、54萬個小區，共收集2.23億套住宅信息，構建433個房屋標準化字段，包括房屋面積、朝向、居室、小區物業、周邊配套、標準戶型圖、實勘照片、商圈信息、歷史成交信息、維護人及帶看人的跟進信息等。2018年，在樓盤字典基礎上，通過智能掃描設備研發、VR場景構建算法和三維重建，貝殼找房打造了VR房源應用，房源信息標準突破了二維、靜態形式，房源信息所描述的物理空間被數字化技術還原、重構形成了全新的數字空間。VR房源不僅給消費者提供了沉浸式看房體驗，提供房屋真實空間、尺寸、朝向、遠近以及教育醫療等配套信息，而且可結合AI與大數據延伸多種智能應用，其中，最為代表性的是VR看房+AI講房、VR+AI裝修。

二是客戶畫像。在房屋交易過程中，房地產經紀類企業會積累大量客戶數據，利用大數據技術，可以形成內容豐富的客戶畫像。以貝殼找房為例，貝殼找房積累了大量用戶數據，截至2020年5月，貝殼找房積累了3.4億條、1307維的用以刻畫身份、性別、年齡、職業、瀏覽頻率等事實的數據，其中包含約2.4億條、168維的偏好數據，覆蓋70%的活躍用戶。在此基礎上，貝殼找房進一步利用AI技術，基于用戶行為數據，預測用戶未來發生關鍵行為的概率，識別用戶當前狀態和業務等級，形成了內容豐富的客戶畫像，用于鎖定核心客戶，并提供客源分析解讀工具，協助經紀人了解用戶購房需求，助力高效匹配房源。

三是經紀人服務優化。利用大數據技術，可以讓房屋、經紀人、客戶的信息做到及時的無差別分享，提高連接效率，優化經紀人服務，推動購房者盡快作出決策，減少交易過程中的不確定性。例如，貝殼找房利用SaaS系統跟蹤經紀人與客戶的互動，以確保及時溝通。經紀人可以通過SaaS系統記錄、管理、搜索房屋客戶信息，并發起與其他經紀人的合作。SaaS系統基于對客戶瀏覽行為的智能分析，將某些客戶標記為“高潛力”，以便經紀人可以有效地確定優先級。SaaS系統可以實現交易流程數字化和標準化，許多環節的工作都可以由系統自動生成。可視化的交易管理系統使經紀人可以跟蹤、管理和完成從在線合同簽署、付款、代管、抵押、產權清算、轉讓等交易過程。交易完成后，由系統自動分配傭金。

（七）旅游服務類企業

大數據在旅游服務類企業的應用場景主要包括旅游產品的個性化推薦、景區服務體系優化、景區智能管理三個方面。

一是旅游產品的個性化推薦。旅游服務類企業根據用戶對相關旅游線路搜索關注的情況進行資源整合，根據游客的標簽、偏好、瀏覽行為等，為游客推薦個性化的價格、個性化的旅游景點、個性化的酒店、個性化的餐飲服務、個性化的旅游活動等旅游產品。

二是景區服務體系優化。以互動體驗為核心，運用大數據技術，營造旅游景區個性化、人性化的服務體系。例如，利用GPS定位游客的行走體驗，重新設計景區的旅游線路，完善景區的用戶體驗;利用VR實現景區景點的在線虛擬旅游等。

三是景區智能管理。以數據管理為核心，完善景區智能化管理系統。例如，利用大數據和GIS技術打造景區智能管理平臺，構建可視、可量、可挖掘的“景區全息圖”，實現景區游客動態的可視化監控和管理;利用運營商的數據實現游客的人流分析，幫助旅游產業上下游各個環節科學、精準地調整方案并提供決策支持;利用爬蟲技術實現景區的口碑監測，幫助旅游管理者及時發現輿情危機，及時干預避免事態擴大，還可以基于游客的評價進行分析，為改善服務質量、提升口碑提供支持。

（八）醫療服務類企業

大數據在醫療服務類企業的應用場景主要包括臨床決策支持系統和遠程醫療診斷兩個方面。

一是臨床決策支持系統。醫療機構可以借助本身積累的和大數據平臺收集的不同病例和治療方案，以及病人的基本特征，建立醫療臨床決策支持系統。醫護人員可以在系統支持下開展臨床活動，包括疾病的早期診斷、個性化的診療、不良事件預警（如感染等）、醫學影像智能識別，等等[11]。例如，華大基因的腫瘤基因檢測，就是采用高通量測序手段對來自腫瘤病人的癌組織進行相關基因分析，建立針對疾病特點的基因數據庫，借助大數據技術將通過測序得到的患者樣本的基因序列與原始基因比對，進行早期、無創傷檢測。

二是遠程醫療診斷。病患可以通過借助大數據技術建立的在線醫療問診平臺，進行疾病自診自查、在線問診、遠程看病，獲得更便捷、完善的醫療服務。例如，朗瑪信息基于互聯網醫院，開發IPTV智慧醫療家庭健康服務平臺，即在家庭網絡電視盒子上建立一個完善、周密和個性化的醫療健康服務平臺，為社區和家庭提供集慢病管理、健康咨詢、知識科普、健康提升于一體的系統服務。通過平臺，患者打開機頂盒，進入醫生問診頻道，選擇醫院、醫生，連接后就能通過視頻，告知醫生自己的癥狀。除了需要檢查的項目外，都可以在家完成問診。特別是一些老年病、常見病、慢性病，例如糖尿病、高血壓等病癥的診療和日常監測，利用IPTV可減輕門診負擔，節約病人的時間。

（九）金融服務類企業

金融大數據應用已經成為金融行業的趨勢，主要應用在風險控制和智能客服方面，在銀行、保險、證券的主要應用場景分別體現為信貸風險評估、騙保識別、智能投顧。

一是信貸風險評估。銀行以客戶級大數據為基礎，從客戶信用歷史、行為偏好、履約能力、身份特質、人脈關系等維度為存量客戶建立畫像，估算客戶價值、判斷客戶優劣、預測客戶違約可能，在此基礎上建立企業及個人風險名單庫，過濾高風險客戶。

二是騙保識別。借助大數據手段，保險企業可以通過建立保險欺詐識別模型，大規模地識別近年來發生的所有賠付事件，識別詐騙規律，從數萬條賠付信息中挑出疑似詐騙索賠，進一步根據疑似詐騙索賠展開調查，提高騙保識別的能力。

三是智能投顧。證券公司利用大數據技術匹配客戶多樣化需求，開展智能投顧業務。智能投顧業務提供線上的投資顧問服務，能夠基于客戶的風險偏好、交易行為等個性化數據，采用量化模型，為客戶提供低門檻、低費率的個性化財富管理方案。智能投顧在客戶資料收集分析、投資方案的制定、執行以及后續的維護等步驟上均采用智能系統自動化完成。

三、大數據在不同類型企業生產經營中的作用

大數據在不同類型企業生產經營中的應用場景不同，發揮的作用也不同。這里通過案例分析，對大數據在不同類型企業生產經營中所發揮的作用進行梳理和提煉。

（一）農業企業

農業企業利用大數據可以創新農業生產經營方式，降低生產成本，提高農產品質量和企業生產效率。大數據在農業企業生產經營中的應用，可以打破傳統農業生產經營的局限性。例如，江西省信豐縣共有臍橙種植面積1.3萬公頃，產量20多萬噸，過去傳統的農業生產經營模式既增加勞動成本，又無法實行科學管理，效益不明顯。為了提升傳統優勢產業的效益和品質，江西省信豐縣現代農業產業園打造了農業物聯網云平臺、農產品質量安全監管追溯平臺、農產品電商平臺，分別瞄準臍橙的生產、質量監管和銷售三個環節。大數據平臺使臍橙生產標準化、智能化、便捷化，通過各基地和加工線傳輸回來的信息，按照設定的程序標準，指揮生產、加工機械智能應用，可以提高臍橙產量和質量。在推行果園水肥藥一體化應用上，可保證用肥用藥準時準量，實現機械智能操作;在果品加工上，利用大數據平臺，可以智能分選出不同顏色、大小、酸甜以及各種口感口味的臍橙果品。大數據技術的應用，大大提升了農業企業的生產效率。又如，青島寶佳集團通過大數據對畜禽養殖、動物疫病、作物種植、害蟲防疫、農產品質量等方面進行監控和分析，做到了精準喂養和科學種植，大幅降低了農業生產成本，較大范圍地降低了天災或人為導致的減產，提高了種養殖效率，實現了糧食牲畜增產增收。

（二）制造業企業

制造業企業利用大數據可以優化生產流程、降低成本，提高企業生產效率和產品適應市場需求的能力。制造業企業利用大數據實現對生產設備的預測性維護，提前感知設備發生故障的可能性，及時對問題設備進行維護，避免由于發生故障維修而導致生產線的整體停滯，降低了企業的運維成本;制造業企業利用大數據實現對生產流程的動態排產，減少了車間半成品積壓，使生產流程各環節的銜接更為順暢，優化了生產流程，提高了企業的生產效率。

制造業企業基于研發知識庫的大數據產品模塊化分析，以及協同創新平臺所整合的內外部產業鏈協同設計能力，實現產品的個性化設計;基于工業生產大數據的互聯工廠柔性化生產能力，保障了個性化訂單設計和低成本高效率的制造。遼寧大連的大楊集團是一家全球大型西裝定制企業，該企業以工廠的智能化改造為手段，實現了多品種、小批量、高品質、快速反應的定制化生產模式。具體來說，就是運用3D技術進行量體裁衣，用戶通過3D技術進行遠程掃描，相應的數據便可以傳送到工廠進行生產。隨著信息技術的不斷升級、5G技術的熟練運用，這樣的模式應用從采購端擴展到生產端，再到客戶端的全鏈，提供了個性化、高效、智能的用戶體驗，提升了產品適應市場需求的能力。

（三）交通出行類企業

交通出行類企業利用大數據可以優化用戶出行體驗，提升企業服務效率和質量。以滴滴出行為例，滴滴出行運用大數據提供的信息，解決司乘信息不對稱問題，通過大數據的匹配與分析提高司乘之間的供需匹配效率，同時借助大數據的精準預測，降低用戶發單時的時間輸入成本。根據滴滴統計，依托豐富的大數據和強勁的算法，通過智能派單提前調度司機，提高需求密集地區的供給數量，使得司機每小時接單量上升了33%，司乘溝通時間成本下降了15%，司乘平均溝通時間不到1分鐘，零通話比例達到了35%。

滴滴的智能信號燈基于區域內交通流量，合理調節管控道路資源和通行速度，優化了城市道路使用狀況，提高了出行效率。同時，通過大數據分析，監測實時交通路況，并向司機提供交通引導，以此減輕交通擁堵。截至2017年底，滴滴已建立智能信號燈1200多個，平均緩解擁堵10%～20%。

（四）零售餐飲類企業

零售餐飲類企業利用大數據可以快速響應客戶需求，提升企業營銷能力、盈利能力。以盒馬鮮生為例，借助于物聯網，盒馬鮮生上的所有商品都能與網絡連接，并擁有自己的標簽，在獲取訂單后，智能配送系統借助懸掛鏈在整個盒馬賣場內進行商品的訂單組合，工作人員不需要根據訂單配送商品，只需根據系統要求將負責區域的商品放進保溫袋，在減少勞動成本的同時，大大提高了揀貨效率，整個流程的時間分配大概是揀貨3分鐘、傳送帶運輸3分鐘、合并打包3分鐘。盒馬鮮生能夠在30分鐘內完成配送，實現對客戶需求的快速響應。

盒馬鮮生僅僅成立三年，即在零售行業掀起颶風，成為網紅新零售標桿，在模式快速擴張復制的同時，孵化出不同區域、不同場景的零售業態——盒馬菜市、盒馬Mini店、盒馬小站、盒馬F2。盒馬鮮生大多選址在人口密集的繁華商圈，周邊有寫字樓、中高端社區等配套功能，居民消費水平偏中上。從消費體驗上看，盒馬鮮生之所以能夠吸引大量客流，背后的支撐是運用大數據、云計算、物聯網，將會員系統、支付系統、庫存系統、服務系統全面打通，提高了效率，降低了成本。

（五）運輸物流類企業

運輸物流類企業利用大數據可以提升運輸資源利用率、降低運輸和倉儲成本、優化信用體系建設和資源配置，從而提升企業運營效率。以貨車幫為例，貨車幫通過大數據整合了貨車與貨源信息，提高了車貨匹配效率，使車主的車輛得到了更加有效的利用，進而減少了貨車空駛率;使貨主的貨物得以迅速運輸，降低了倉儲成本。2017年，貨車幫車主的車輛空駛率僅為14%，而普通車主的車輛空駛率為40%，貨車幫運用大數據匹配明顯降低了空駛率。貨車幫通過大數據技術及相關算法的運用，緩解了車主與貨主之間的信息不對稱問題：就司機而言，由于找貨時間大幅縮短，使得運輸總成本下降了6.3%;就貨主而言，貨物的倉儲時間大幅縮短，使得倉儲成本減半。

在貨運行業信用體系建設上，貨車幫運用大數據技術開展的保險和信用保障服務，在有效轉移風險的同時保證了整個行業的信用水平，保障了交易的順利進行，從而提高了交易的成功率。基于建立在貨車幫大數據體系基礎上的行業信用體系，注冊認證為貨車幫的誠信司機會員已經超過650萬人。加入貨車幫平臺的車主的違約率在不斷下降，從2015年的1.79%下降到2016年的1.22%，2017年已經降低到0.8%。貨車幫的整體行業信用體系已經基本建立，大數據為貨車幫帶來了更多的貨源和車主，促進了行業的健康發展和經濟效益的改善。

在智慧物流的應用上，物流公司通過大數據與人工智能技術實現了智能車輛路徑規劃和物流運輸路徑最優化。例如，順豐速運的智能路由分單服務可以為每一個快遞包裹找到最合適的路由規劃，降低客服調度量32%以上，降低中轉快件人工審核量60%以上，實現了快遞服務全程時效排名第一。

（六）房地產經紀類企業

房地產經紀類企業利用大數據可以提升經紀人服務能力和客戶滿意度，提升房屋交易服務效率和質量。以貝殼找房交易全流程為例，2020年初，貝殼找房推出VR看房、AI講房相結合的功能，系統可通過自學知識圖譜并以語音輸出的方法為客戶描述具體房型。VR看房與AI講房結合，一方面可幫助消費者提前深度了解房源，減少不必要的線下看房數量;另一方面，可節約經紀人的時間，提升服務效率。數據表明，貝殼找房的用戶在線上使用AI講房的平均收聽時間為120秒，約為傳統經紀人線下講房平均時長（42秒）的三倍;用戶AI講房的次均收聽完成率（75%）為傳統經紀人（24%）的三倍多，這反映了線上服務使得用戶愿意花更多的時間對房源進行深度了解。

就帶看環節而言，智能門鎖等功能模塊大幅提升了經紀人的作業效率。截至2019年底，使用智能門鎖的經紀人拿到的房源鑰匙委托量高于未使用智能門鎖的經紀人近20%，且日均帶看量高出約40%。使用智能門鎖的經紀人將過往到門店拿鑰匙、提前預約各方的時間清零，只需使用手機即能開鎖，節約了經紀人重復性、瑣碎、機械式的鑰匙預約、取鑰匙等工作時間，作業效率得到了顯著的、普遍的、無差別的提升。

就簽約環節而言，在線簽約與線上貸款簽約的推出，大幅節約了購房者、業主、經紀人以及銀行等多方的時間成本，提升了簽約效率。如，貝殼找房完成了青島、湖北相隔一千多公里的交易，買賣雙方在貝殼找房App上完成二手房交易合同在線簽約。此外，1單跨越北京、濟南、加拿大三地的房產交易只用了17分鐘就完成了在線貸款。

就簽約后環節而言，流程自動化機器人可以實現政府網簽備案、銀行貸款信息錄入自動化操作，消除了交易后服務專員枯燥、瑣碎、重復的信息提取和錄入工作，使得交易專員的作業效率提升了5～10倍。自動化機器人嚴格執行程序設定的操作路徑，可減少人工操作引起的誤差，實現信息100%準確錄入、7*24小時全天候服務。

（七）旅游服務類企業

旅游服務類企業利用大數據可以提升社會資源利用率，實現多方收益共贏。以攜程旅行網為例，攜程通過對各地交通狀況、旅游資源利用的相關數據，以及攜程旗下20多個出行相關業務所產生的海量數據進行實時監測與分析處理，實現了對社會旅游資源利用率的預測及擁擠度預警，對公眾出行進行了有效引導，達到了“淡季不閑置，旺季不擁堵”的效果。這不僅有利于促進社會資源的合理配置，提升公眾出行體驗，而且能讓各類傳統商家獲得更大利益。

為了規范旅游市場，從根源上提升出行體驗，攜程還建立了一套由用戶生產的口碑數據體系，不斷完善用戶投訴機制，加強監管技術與力度，多管齊下引導企業提高服務品質。對于導游強制消費、酒店裝修噪音等常見負面投訴，以及類似青島天價大蝦等極端事件，攜程口碑數據平臺可以快速發現，并及時作出有效干預，充分保障旅客的利益。

攜程還對旅游景點大數據進行了綜合分析，這些研究結果可以改善旅游行業的不合理布局，避免同類旅游項目重復建設造成的資源浪費，有利于挖掘開拓新的消費熱點，滿足公眾旅游日益多元化的需求。

（八）醫療服務類企業

醫療服務類企業利用大數據可以提高醫療服務效率，降低百姓醫療成本。例如，朗瑪信息依托旗下的39健康網、貴州（貴陽）互聯網醫院、39互聯網醫院、貴陽市六醫等，收錄遠程疑難重癥會診病例近20萬例、慢性病和常見病診斷病例近300萬例，自主研發AI智能診斷實驗室，運用深度學習理論處理醫療影像數據，形成基于人工智能的大數據分析醫療影像診斷系統和貴州省區域內關于電子病歷樣本的醫療數據云，建立智能分診模型、PACS影像分析系統和智能輔助診斷系統，可對患者的初步癥狀進行學科分診，減少普通病和常見病對三甲醫院、專家診斷的過分依賴，降低百姓的醫療成本。

（九）金融服務類企業

金融服務類企業利用大數據可以強化風險管控能力，提升運營管理效率。例如，中國銀行“艾達”大數據風控平臺運用大數據、AI等新技術重塑業務流程與風險管理模式，將大數據應用作為提升風險管理能力的關鍵工具和重要途徑。通過運用大數據風控平臺，打通了數據孤島，挖掘并提升了行內存量數據價值。“艾達”項目2017年投入試運行，經功能優化升級及全面推廣，截至2018年6月，實現企業畫像2.6萬多家，累計識別輿情信息800余萬條，繪制了股權、管理、擔保和投融資維度的3個層次關聯圖譜，監測145項動態預警指標，并定制開發了5個業務場景嵌入風險管理流程環節，可以提前1～3個月發現風險預警信號，大大提升了運營管理效率。又如，四川新網銀行股份有限公司將大數據與金融領域的業務場景多維度滲透融合，通過大數據精度算法實現了人臉識別、智能客服、智能監控、智能風控等金融模式和場景化、平臺化、智能化的金融服務，大幅提升了金融機構運營效率，降低了管理成本，優化了風控系統。

四、大數據在企業生產經營中的應用面臨的困難和挑戰

大數據在企業生產經營中得到越來越廣泛的應用的同時，也面臨著一系列的困難和挑戰，如大數據標準不統一、人才短缺、數據安全難以得到有效保障、數據“存不下”等，這制約了大數據的共享流通及其在企業生產經營中的進一步應用。這些困難和挑戰在不同類型企業中都有所涉及，是各類企業在應用大數據時面臨的共性問題。除此之外，不同類型企業處于大數據應用的不同階段，其所面臨的困難和挑戰也有所不同。

（一）數據來源分散龐雜、標準不一、數據壁壘等問題阻礙互聯互通

大數據來源多樣，例如來自傳感器、攝像頭、網絡日志、網絡爬蟲等，這些不同來源的數據以不同數據格式分散在不同的數據管理系統中。各數據管理系統存在應用模型不統一、接口難對接等問題，導致系統間的數據無法完全打通。例如，制造業企業生產線上設備不互聯、通信協議不兼容等造成不同數據不匹配、不互認，數據孤島現象普遍;企業不同部門之間應用的信息化管理軟件不同，運營過程中產生的數據分散龐雜，無法實現有效的跨部門整合利用，信息孤島現象普遍。筆者在走訪調研多家制造業企業時，企業普遍反映大數據來源渠道較多，數據結構不一，企業和企業之間、企業內部各部門之間、甚至生產線上各個設備之間信息系統相互獨立，數據格式、結構千差萬別，導致在現階段實現信息的集成貫通比較困難，數據壁壘較為明顯。

（二）大數據人才短缺，制約了企業大數據技術的應用

大數據人才是企業有效利用大數據進行生產經營的重要保障。大數據人才包括大數據系統研發、應用開發、分析、可視化、安全、科學研究等方面的人才，這些人才的市場供給無論在“量”上還是在“質”上都無法滿足龐大的、飛速更新迭代的市場需求。以工業企業對大數據人才的需求為例，產業數字化轉型升級對人才素質提出了更高的要求，與此相關的軟件技術人才、大數據技術人才、大數據管理人才、大數據安全人才均不足，既懂生產工藝流程又懂大數據技術的復合型人才更是嚴重緊缺。大數據人才的短缺，制約了企業對大數據技術的應用。

（三）大數據安全難以得到有效保障，阻礙數據共享流通

當前，大數據的相關標準仍處于探索期，各行業大數據的安全規范還存在較多空白。部分行業，例如金融、服務業涉及較多的用戶信息等隱私數據，對數據安全和信息保護方面的要求更加嚴格。隨著大數據在各行業細分領域應用的不斷深化，在缺乏行業統一安全標準和規范的情況下，單純依靠企業自身管控，會帶來較大的安全風險。例如，大數據所包含的數據體量巨大，在存儲時往往為了便于查找而選擇存儲路徑視圖相對清晰的分布式儲存方式，但分布式存儲方式對于數據的保護相對簡單，這為黑客提供了便利，使其能夠較為輕易利用相關漏洞實施不法操作。同時，對于用戶的隱私保護也存在漏洞，傳統的數據隱私保護技術大多是針對靜態數據的，而大數據是具有實時更新的動態屬性的，這對數據隱私保護技術帶來了挑戰。

（四）大數據“存不下”問題日益嚴重，制約數據積累

飛速發展的信息通信和互聯網技術以及隨之產生的新型應用需求帶來了數據爆發式的增長。海量數據蘊含巨大的價值，在帶來更多機遇的同時，也給傳統的IT基礎設施帶來了前所未有的挑戰，數據存不下、流不動、用不好成為各行業數據應用最普遍的難題。創新業務推動企業的數據量從PB級向EB級邁進，根據《華為全球產業展望GIV》預測，全球新產生的數據量將從2018年的32.5ZB快速增長到2025年的180ZB。由于存儲系統仍為傳統架構以及存儲成本高昂，當前企業數據僅有不到2%被保存，數據“存不下”的問題日益嚴重。

（五）不同類型企業處于大數據技術發展的不同階段，面臨不同層次的困難和挑戰

盡管大數據對企業的生產經營起到了顯著的提質增效作用，但不同類型企業處于大數據應用的不同階段，部分服務業與大數據融合程度較高，如電商平臺類企業對大數據應用較為成熟，數據平臺直接融入業務之中，無論是精準廣告、內容推薦、用戶標簽、風險控制都高度依賴于數據分析體系的支持。相較于服務業，農業和制造業在大數據技術應用上尚處于發展初期。例如，制造業企業在生產經營中所采集的工業大數據在來源、結構上更為復雜，面臨著數據采集不全面、數據開發應用不足等問題，同時出于對數據安全問題的考慮，部分企業不愿共享數據，阻礙了數據的共享流通，制造業企業對于大數據的應用總體處于探索和起步階段。

五、促進大數據在企業生產經營中應用的政策建議

為了促進大數據在企業生產經營中更好地得到應用，應加強大數據標準體系建設，加快推進大數據基礎設施建設，有序推進政府數據開放共享，加快培育復合型大數據人才，完善網絡及大數據安全體系。

（一）加強大數據標準體系建設

隨著大數據在各行業應用的不斷深入，大數據標準化工作逐步由互聯網企業主導演變為各領域協同參與的新態勢。為了有效破除數據壁壘和“信息孤島”，打通傳輸應用堵點，需進一步加強大數據標準體系建設，加大整合開發力度，完善數據流通規則，建立規范化的傳輸協議和數據格式，統籌考慮各領域大數據標準化需求。緊密結合國內外大數據技術、產業發展動態，持續提煉梳理各應用領域大數據標準需求，并在現有標準體系的基礎上迭代更新，保障大數據標準對大數據技術、產業創新發展的持續推動作用[12]。

引導企業通過梳理分析企業核心業務與輔助業務，將企業的總公司與子公司之間、公司部門之間、公司崗位之間的輸入、輸出關系嚴謹表達，形成企業信息系統架構圖，確定信息系統之間的輸入、輸出關系，確定數據共享系統分類，形成數據接口清單，通過推進企業信息化頂層設計建設，助力企業打破“信息孤島”的阻礙。

（二）加快推進大數據基礎設施建設

數據的采集、傳輸、存儲、分析、應用都離不開信息基礎設施的支撐，應充分結合大數據從采集到應用各個環節對基礎設施的實際需求，建設完善各環節所必需的各類基礎設施，推動大數據在企業更好地應用。就數據采集環節而言，應充分發揮工業互聯網、物聯網在數據采集方面的優勢，推進重點領域工業互聯網、物聯網的建設部署，提升實體經濟各行業各領域數據采集的范圍與質量;就數據傳輸環節而言，應加快推進5G等網絡基礎設施建設，以網絡通信能力的持續優化促進數據傳輸速度的穩步提升;就數據存儲環節而言，應加大力度推進云存儲的創新發展與應用，為各行業各領域存儲大數據提供空間支撐;就數據分析、應用環節而言，應推進大數據中心建設，為實體經濟各領域大數據的分析利用提供堅實支撐。

（三）有序推進政府數據開放共享

企業在生產經營過程中有時需要用到來自政府的數據，因此，政府應積極釋放政府數據資源價值，以推動大數據更好地服務于企業的生產經營。應在保證政府數據安全的前提下，對不同類型企業需要應用于生產經營的政府數據進行分類、分級管理和有序開放，充分發揮地方大數據管理局在整合政府內部各部門之間數據的統籌協調作用，以及連接政府和企業數據共享流通的重要紐帶作用。以大數據管理局為依托打造政府數據共享交換平臺，建立健全各級政府數據的分類分級制度，制定企業對政府數據共享需求清單，明確共享雙方的權利與責任等，逐步深化政府數據向企業的共享和開放。

（四）加快培育復合型大數據人才

企業對大數據人才的需求不只限于掌握大數據技術的人才，而且需要能夠結合企業實際生產經營需要開發并實現應用場景的復合型大數據人才。應推進學歷教育機構、職業教育機構、企業及社會培訓機構等對復合型大數據人才的培養，注重培養人才的數據認知能力、數據調用能力、數據綜合處理能力、數據呈現能力、數據決策能力、計算機及數據分析信息技術[13]。在學歷教育方面，加快完善大數據相關學科建設，積極采取跨校、跨院系、跨專業交叉培養等方式，著力培育數據工程師等專業人才和兼具多學科知識的復合型人才;在職業教育方面，鼓勵企業與高等院校、職業院校加強合作，共同培育大數據應用型人才;在企業及社會培訓方面，組織在職人員進行大數據知識普及和應用技能培訓，提升在職人員融合應用大數據技術的能力[14]。

（五）完善網絡及大數據安全體系

大數據安全問題是制約數據流通共享的關鍵問題。為了確保數據流通共享過程中的安全，應健全網絡環境的安全防護體系，強化大數據安全保障體系建設。在健全網絡環境的安全防護體系方面，應加強互聯網安全技術的應用，強化網絡安全防御體系，完善網絡空間日常巡檢和風險預警機制，優化網絡安全事件應急處置預案，從而全面增強網絡安全態勢感知、預警和應急處置能力[14]。在強化大數據安全保障體系建設方面，應從制定完善安全標準規范和提升安全保障技術水平兩方面入手。就制定完善安全標準規范而言，應組織行業各方主體，協同制定基于不同行業特色的大數據交易規范，明確交易各方的數據安全責任，保障各行業大數據市場的健康、有序發展;制定明確的數據安全使用標準，對大數據的使用權限、使用范圍、使用方式和安全機制等，進行嚴格的規范化、標準化管理;建立有效的投訴機制和懲罰機制，實施全程全網的數據安全使用管控與源頭追溯[15]。就提升安全保障技術水平而言，應推動數據防泄漏技術、云平臺數據安全等數據安全防護專用技術的研發與應用。

參考文獻

[1]COX M， ELLSWORTH D. Application-controlled demand paging for out-of-core visualization[Z]. Proceedings Visualization'97（Cat No 97CB36155）， 1997， IEEE： pp. 235-244.

[2]MANYIKA J， CHUI M， BROWN B， et al. Big data： the next frontier for innovation， competition， and productivity[R/OL].（2011-05-01） [2020-12-09]. https：//www.mckinsey.com/business-functions/mckinsey-digital/our-insights/big-data-the-next-frontier-for-innovation.

[3]朱揚勇，熊赟.大數據是數據、技術，還是應用[J].大數據，2015（1）：78-88.

[4]LANEY D. 3D data management： controlling data volume， velocity and variety[R/OL]. （2001-02-06） [2020-12-16]. https：//studylib.net/doc/8647594/3d-data-management--controlling-data-volume--velocity--an.

[5]UDDIN M F， GUPTA N. Seven V's of big data understanding big data to extract value[Z]. Proceedings of the 2014 zone 1 conference of the American Society for Engineering Education， 2014， IEEE： pp. 1-5.

[6]SATYAM PRIYADARSHY. The 7 pillars of big data[R/OL]. [2020-12-26]. https：//www.landmark.solutions/Portals/0/LMSDocs/Whitepapers/The_7_pillars_of_Big_Data_Whitepaper.pdf.

[7]DEMCHENKO Y， DE LAAT C， MEMBREY P. Defining architecture components of the big data ecosystem[Z]. 2014 International Conference on Collaboration Technologies and Systems（CTS）， 2014， IEEE： pp. 104-112.

[8]JIN X， WAH B W， CHENG X， WANG Y. Significance and challenges of big data research[J]. Big Data Research， 2015， 2（2）： 59-64.

[9]CHEN C P， ZHANG C Y. Data-intensive applications， challenges， techniques and technologies： a survey on big data[J]. Information sciences， 2014（275）： 314-347.

[10]BULGER M， TAYLOR G， SCHROEDER R. Data-driven business models： challenges and opportunities of big data[R/OL].[2020-12-24].https：//dataanalytics.report/Resources/Whitepapers/891a6d5d-400a-4e6f-b4be-500f414a5e0b_Data-DrivenBusinessModels-

challenges.pdf.

[11]劉奕.以大數據筑牢公共衛生安全網：應用前景及政策建議[J].改革，2020（4）：5-16.

[12]全國信息技術標準化技術委員會大數據標準工作組，中國電子技術標準化研究院.大數據標準化白皮書（2020版）[R/OL]. （2020-09-21） [2020-12-20]. http：//www.cesi.cn/202009/6826.html.

[13]中國商業聯合會數據分析專業委員會.中國大數據人才培養體系：第一版[R/OL].（2017-11-18）[2020-12-06].https：//www.chinacpda.com/upload/file/201911/2019111316101

5_97772.pdf.

[14]中國信息通信研究院.中國大數據與實體經濟融合發展白皮書（2019年）[R/OL].（2019-05-07）[2020-12-01]. http：//www.caict.ac.cn/kxyj/qwfb/bps/201905/P02019050669413

9885297.pdf.

[15]中國支付清算協會金融大數據應用研究組，中國信息通信研究院云計算與大數據研究所.大數據在金融領域的典型應用研究[R/OL].（2018-03-27）[2020-11-30]. http：//www.caict.ac.cn/kxyj/qwfb/ztbg/201804/P02018