:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

移动大数据的2012:一边是海水,一边是火焰

  • Dec 28 / 2012
  • 0
Data, Ideas

移动大数据的2012:一边是海水,一边是火焰

编者按:本文已由雷锋网独家刊载,转载请保留出处:http://www.leiphone.com/warlial-big-data.html

文/TalkingData CEO 崔晓波

记得在2011年末的大数据论坛上,和几个从事移动、社交数据挖掘的同行聊天,大家还在对Facebook的动辄百万台服务器以及淘宝每天几百个T的数据,表现出无比羡慕、嫉妒、恨。转眼间一年过去了,移动大数据领域的改变却在悄然发生。

市场规模

估计各家市场调查机构很快会放出各种全年报告,来说明智能手机的出货量远远超过PC出货量。由于Win8市场表现不佳,今年全球PC销量的首次下滑将会很快成为现实。市场规模此消彼长,迫使更多的企业采取Mobile First战略。

根据TalkingData平台2012年第4季度的统计数据显示,活跃用户每日打开应用次数以及使用时长呈规律性,用户的行为数据具有一定的研究价值。

图1

由于智能手机的大量的出现,携带众多传感器的移动设备给数据系统提供了更多的高质量情景数据,可以评估人们平时看不见的行为和社交互动,还可以使用新算法来挖掘这种数据的价值。

图2

移动大数据的研究领域

其实移动大数据领域研究并不是今年才开始的,2012年也不是所谓的“移动大数据元年”。近10几年来,包括政府、运营商、设备厂商出于管控、商业等多种目的,持续投入巨资在移动数据挖掘领域,特别是和可携带设备相关的一些项目。这些项目的重点在于通过移动设备采集数据(位置、语音,等各种传感器),通过数据挖掘的方法来了解人们的情绪变化以及社交情况,对于人们未来的行为进行预测。

比较有名的情景感知项目如:MIT的Reality Mining(现实挖掘)、Nokia的Context Phone、DARPA的Pal(目的是为指挥官和作战人员提供革命性的辅助系统)、以及Parc的Magitty。近年来由于触屏手机的迅速普及,人机交互成为移动应用的主要瓶颈,产业界研究的关注点在于如何改善输入体验,得益于此,源于Pal项目的Siri,由于定位于学习型个人助理,在苹果收购SRI后终于修成正果。

图3

说到移动大数据的未来,大家一致看好Augment Reality,如果说Google Glasses以及无人驾驶汽车让大家初窥端倪的话,目前多家公司在虚拟三维建模领域的突破可以说让人家充满憧憬了,实现之效果远不是Layer这些基于物理标识的简单滤镜可以比拟的。

图4

以上主要是对于未来有一个美好的展望。下面,我们一起来看看移动大数据对于开发者意味着什么。

移动大数据对于开发者意味着什么

今年一提到大数据,很多专家就开始讲3V:Volume、Variety、Velocity。这3V表明大数据的三方面特质:量大、多样、实时。窃以为这种理论性的描述并不解决任何实际问题,对于移动应用来说,更多地是在于如何通过数据挖掘改善产品体验、差异化竞争、产生商业价值。下面就举例说明一下移动大数据对于移动应用的影响和促进。

数据驱动型工具应用

这两年已经出现了不少基于数据的创新性的应用,包括国内一些创业公司也开始在语音识别/图像识别/人脸识别/增强现实等模式识别方面取得了一些进步,产品差异化竞争方面做得比较好,但对于用户体验方面仍有很长的路要走。

图5

基于情景的个性化应用

经常被一些大佬问及“你认为新的流量入口是什么?”个人认为肯定不是目前那些雷同的应用市场形态,未来的应用扩散模式应该是基于个性化的应用推荐或用户自发发现。这方面,Discovr这款应用一定程度上代表了这个发展趋势。

Discovr 使用互动地图的方式来标记应用,只要搜索一个应用就能获得应用推荐的大量应用,并能直观地显示应用介绍,并能够根据人们的选择来不断的学习,适应人们的喜好。

图6

预测类应用

通过数据作出预测是,是另外一个移动大数据应用发展方向。比如,Decide为消费者提供使用专用数据和预测算法的工具,让他们充分了解何时是最佳购买时机?是否应该等待降价?或预计几天后就会发布的新产品的出现。

图7

将移动大数据应用的比较好的应用类型还有很多,由于篇幅关系,这里就不一一列出来了,有兴趣读者可以与我们进一步交流。

从上面这些例子不难看出,实际上大数据对于移动互联网来说,绝不仅仅是统计应用下载量这么简单,如果只是用来计数,实在对不起“大数据”这么响亮的名字。数据完全可以更为紧密、灵活的与移动互联网、移动应用相结合。除了细致的用户行为数据挖掘可以帮助开发者优化产品、调整市场策略外,诸如机器学习引擎之类的高级大数据应用模式,可以为我们带来更大的价值。下面简单介绍一下目前主流的机器学习引擎近况。

机器学习引擎

对于大部分移动应用开发者来说,主要精力还是放在产品、服务本身的开发、运营以及优化。而大多数应用开发技术人员往往缺乏足够的数学背景、算法知识,如果无意愿自己实现基于机器学习的运算框架,目前有几个机器学习框架、服务可供选择。

Google Prediction API(https://developers.google.com/prediction/)

图8

Google Prediction API是一个基于云服务的机器学习工具,它可以帮助开发者分析数据,并为应用程序加入情感分析、流失预测、产品推荐等功能,缺点是根据调用次数/数据点收费,成本规模不好控制。

 

Apache Mahout(http://mahout.apache.org/)

图9

Apache Mahout 是 Apache Software Foundation (ASF) 旗下的一个开源项目,提供一些可扩展的机器学习领域经典算法的实现,旨在帮助开发人员更加方便快捷地创建智能应用程序,在 Mahout 支持采用 Apache Hadoop 的基础框架,使这些算法可以更高效的运行在云计算环境中,是自己实现分析系统比较好的选择。

 

TalkingData Insight(http://insight.talkingdata.net

图10图11

Talkingdata Insight就是腾云天下推出的针对移动互联网应用的机器学习方案,接口采用Restful风格的API,提供包括关联推荐、个性化推荐、用户重定向、用户标签、付费意愿预测、流失概率预测等算法,同时提供数据清洗/模拟仿真工具。目前国内已经有包括第三方商店、移动广告网络,游戏CP等类型的客户。

 

对开发者的建议

图12

现实是,移动开发者一方面面对美好的未来,另一方面还要考虑如何艰难得生存着,然而数据运营的挑战是必须要面对的,个人建议:

  • 必须重视原始数据的收集和整理,很多开发者抱有“先存着,有用时再说”的心理。殊不知绝大部分数据挖掘项目就是死在数据清洗这个环节上。
  • 不断思考,如何利用数据和对手差异化以及构筑竞争壁垒。以后的应用的核心竞争力毋庸置疑就是基于数据的对于客户以及市场的了解,谁能预先布局,就能在竞争中取得优势,而这样的差异性是山寨不来的。
  • 小步快跑,没必要浪费资源在那些基础的“发明轮子”的工作上,尽量采用成熟的产品,通过小的迭代,不断优化数据分析过程。

展望2013年

个人预测Mobile BI以及个性化移动应用将成为2013年的热点。移动位置分析和隐私保护相对平衡后会出现杀手级应用。对于移动数据产品来说,更好实现报表可视化以及业务洞察力会得到的开发者的认可。

Leave a comment

随时欢迎您 联系我们