大数据解决方案在保险行业的应用实践课件

目录大数据在保险行业的机遇与挑战针对保险行业的大数据解决方案保险及金融行业的成功案例介绍华夏人寿实施大数据的建议路径以用户为中心建设互联网＋保险客户获取客户转化客户服务客户挽回战略&规划明确并聚焦目标分析&洞察全方位深入分析应用&营销&交互多渠道协同，数据应用客户体验建设可靠信任关系DATADATADATADATADATADATADATADATA数据整合用户画像数据分析客户细分模型客户价值模型忠诚度模型受众群体扩展模型社会网络模型客户获取客户转化客户服务数据应用业务转型大数据技术与平台支撑大数据分析技术和工具保险企业客户分析模型不断优化的管理闭环外部数据内部数据数据模型业务应用用户行为偏好数据匹配DATA01：建设思路02：建设目标03：业务规划04：技术实现保险行业发展大数据的难点数据多整合困难客户多分析困难需求多应用困难数据来源的多样性数据类型的复杂性数据特征的多元化数据处理方法的差异化组织内部数据的分散性数据共享机制的缺乏…怎么识别客户全方位的特征？怎样有效细分客户？怎样提取客户的共同需求？怎样利用不同模型/算法生成客户多样化标签？怎样进行客户行为偏好分析？…如何与客户实时交互如何及时响应客户的需求如何提供满意的客户体验如何降低客户流失如何控制客户维系成本如何对客户进行精准营销…大数据管理平台应用平台大数据采集业务数据汇集系统用户行为数据采集系统互联网公开数据抓取系统大数据清洗业务数据清洗系统用户行为数据清洗系统互联网公开数据清洗系统大数据标准化用户多重ID归一化系统商品归一化系统大数据结构化用户标签管理系统商品标签管理系统管理平台基础平台可视化数据操作平台大数据操作系统（BD-OS）数据全生命周期管理业务流程全生命周期管理业务价值挖掘建模数据访问资源管控分布式存储（磁盘及内存）数据接入安全(认证权限ACL)监控配置及报警安装及云服务电子商城个性化系统移动商城个性化系统媒体网站个性化系统在线营销支持系统门店营销支持系统会员营销支持系统全网市场监控系统舆情管家商情管家用户洞察系统个性化推荐引擎（BRE）自动化营销引擎（BME）大数据分析引擎（BAE）媒体网站个性化系统目录大数据在保险行业的机遇与挑战针对保险行业的大数据解决方案保险及金融行业的成功案例介绍华夏人寿实施大数据的建议路径以用户为中心建设互联网＋保险客户获取客户转化客户服务客户挽回战略&规划明确并聚焦目标分析&洞察全方位深入分析应用&营销&交互多渠道协同，数据应用客户体验建设可靠信任关系DATADATADATADATADATADATADATADATA数据整合用户画像数据分析客户细分模型客户价值模型忠诚度模型受众群体扩展模型社会网络模型客户获取客户转化客户服务数据应用业务转型大数据技术与平台支撑大数据分析技术和工具保险企业客户分析模型不断优化的管理闭环外部数据内部数据数据模型业务应用用户行为偏好数据匹配DATA为保险企业提供端到端的整体解决方案DATADATADATADATADATADATADATADATA数据整合用户画像数据分析客户细分模型客户价值模型忠诚度模型受众群体扩展模型社会网络模型客户获取客户转化客户服务数据应用业务转型外部数据内部数据数据模型持续优化DATA客户归一12345601：

海量多源异构数据的整合第一方数据实时用户行为采集内容：CRM、信用卡等业务系统数据数据格式：关系型数据库独特优势：灵活、易扩展、高操控性业务系统数据采集内容：用户行为轨迹数据格式：自定义、高度灵活独特优势：实时、跨站、跨浏览器、跨设备、…采集内容：Txt、CSV、Excel、XML、Word、PDF、Socket…独特优势：支持非结构化数据、实时、高效日志数据抓取内容：媒体资讯、贴吧、微博、搜索引擎、…数据格式：将HTML转换为格式化数据（Json）独特优势：精确的流量控制、JS引擎、模拟登录、模拟用户行为、功能全面、操作简单数据探头系统数据桥接系统日志收集系统抓取系统互联网开放数据采集内容：央行征信、银联交易等合作方数据数据格式：可支持各种第二方数据格式独特优势：支持多种数据格式，按需采集，灵活、易扩展SDK/API/接口合作方数据第二方数据第三方数据大数据平台01：

海量多源异构数据的整合第一方数据实时用户行为采集内容：CRM、信用卡等业务系统数据数据格式：关系型数据库独特优势：灵活、易扩展、高操控性业务系统数据采集内容：用户行为轨迹数据格式：自定义、高度灵活独特优势：实时、跨站、跨浏览器、跨设备、…采集内容：Txt、CSV、Excel、XML、Word、PDF、Socket…独特优势：支持非结构化数据、实时、高效日志数据抓取内容：媒体资讯、贴吧、微博、搜索引擎、…数据格式：将HTML转换为格式化数据（Json）独特优势：精确的流量控制、JS引擎、模拟登录、模拟用户行为、功能全面、操作简单数据探头系统数据桥接系统日志收集系统抓取系统互联网开放数据采集内容：央行征信、银联交易等合作方数据数据格式：可支持各种第二方数据格式独特优势：支持多种数据格式，按需采集，灵活、易扩展SDK/API/接口合作方数据第二方数据第三方数据大数据平台5.5亿+用户全网画像：●9大维度●500+子维度●1,100万+用户标签日活跃4,000+万UV：●日活跃访次：3,700万●日活跃PV：1.2亿●日推荐次数：6,000万●并发推荐：2万次/秒●单次响应时间：<200ms●21大类●4,000+子类●400+商品标签维度●100万+商品标签数1亿+商品全网画像：1,000万+媒体标签：●20大类●1,000+子类●200+媒体标签维度第三方数据客户盘点：1,500+互联网企业客户02：跨渠道用户ID归一03：用户画像客户收入支出信息客户渠道使用客户资金往来...客户基本信息客户持有产品客户历史交易客户风险等级事实标签用户画像标签原始数据预测标签模型标签资金往来趋势产品购买次数投诉次数...人口属性账户历史趋势渠道使用频率...用户关联关系用户满意度用户风险评分...产品购买偏好渠道使用偏好用户活跃度...消费能力违约概率用户近期需求...人口属性人群属性用户流失概率...人口属性用户价值用户兴趣爱好...模型预测建模分析统计分析03：用户画像客户收入支出信息客户渠道使用客户资金往来...客户基本信息客户持有产品客户历史交易客户风险等级事实标签用户画像标签原始数据预测标签模型标签资金往来趋势产品购买次数投诉次数...人口属性账户历史趋势渠道使用频率...用户关联关系用户满意度用户风险评分...产品购买偏好渠道使用偏好用户活跃度...消费能力违约概率用户近期需求...人口属性人群属性用户流失概率...人口属性用户价值用户兴趣爱好...模型预测建模分析统计分析交易信息基于现有各个业务系统和渠道产生的数据客户行为偏好信息包含客户即时偏好分析和长期偏好分析，形成客户兴趣偏好标签客户社会关系网客户交互信息基于分析客户对内对外的各类数据，形成完整的客户交互标签人口统计学标签基本属性，源于现有客户基本信息以及外部数据源性别家庭住址工作单位年龄收入和支出交易流水产品和服务购买历史近期金融产品需求客户意见反馈未来服务预期客户行为偏好客户沟通记录(邮件/短信/QQ)客户讨论倾向客户态度和观点KAM基于企业业务需求、场景构建标签，划分主题、颗粒度等示例04：商业建模相似度计算推荐算法文本挖掘算法分类聚类算法预测算法模型一：客户细分模型

挖掘高价值客户，提升非付费客户到付费客户的转化率客户分类描述实现步骤高价值客户画像高价值客户可定义为：1、件均保费高的期缴保单客户2、保单数排名前矛的客户对高价值客户进行画像，归纳总结高价值客户群体特征，从现有客户中挖掘有潜力的客户，使其转化为高价值客户1、抽取A公司高价值客户和非高价值客户两个数据样本2、分析两个样本的群体特征，找出高价值客户群相对非高价值客户群的区别，并进行画像3、根据画像结果，按照营销跟进并根据效果进行持续优化付费客户画像通过分析付费客户和非付费客户，画像两个群体的差异特征，并从非付费客户中寻找符合付费客户的特征，针对性的销售以提升转化率1、提供付费和非付费客户样本群进行初步分析，取得差异化特征维度2、针对差异化维度进行建模测试，训练并达到预期建模效果3、从非付费客户群中抽取与付费客户特征相似的客户进行有针对性的营销模型二：客户的价值模型

精准的营销,不存在错误的客户，只存在错误的宣传。个性化推荐和营销就是在最合适的时间、以最恰当的方式、向客户推荐或营销他最需要的资讯、产品或服务。场景1：个性化精准营销场景2：实时的精准营销不同的用户不同的产品个性化推荐和营销出行之前，看到的不再是重复的广告，而是针对性的旅行保险广告进入系统，伴之而来的广告不再是千篇一律的“垃圾”广告，而是考虑了职业、性别、年龄、收入等因素的针对性产品市场细分是解决用户异质性的一种方法，而个性化则是市场细分的极致，即把每一个用户看成一个细分市场，这也是营销的终极目标。用户的“异质性”与产品的“差异化”模型三：客户的忠诚度模型

针对不同类型用户采用不同的营销策略购买比数得分最高金额得分平均金额得分最近购物得分活跃家数得分5.004.003.002.001.00消费能力用户粘性低活跃低价值用户，综合考虑是否有必要花成本活跃用户，提高服务质量进行引导一般保持客户一般挽留客户重要保持客户重要挽留客户重要发展客户重要价值客户一般发展客户一般价值客户高价值低活跃，花成本搞活最近一次消费(Recency)消费频率(Frequency)消费金额(Monetary)客户价值重要价值客户重要发展客户重要保持客户重要挽留客户一般价值客户一般发展客户一般保持客户一般挽留客户模型四：受众群体的扩散模型

筛选最具购买倾向的客户名单模型五：社会网络模型

引流&重新建立失联客户业务描述实现步骤客户引流与获客结合双方共同的合作方，协助A公司引流合作方的客户到自身平台，借以获客并取得二次营销的机会1、从合作方获取客户资料2、通过双盲拨打/短信或其他方式触达客户端，进行营销宣传与获客区域性保险赠品发放根据客户偏好分析，有针对性的配置赠品进行发放针对区域内客户的全网行为特征和偏好，有针对性的配置赠品进行发放失联客户联系重建保险存在大量的失联客户（客户换手机或手机号不正确），可通过平台的用户数据进行匹配，并反馈正确的信息1、整理C保险现有用户数据，进行必要的清洗2、对清洗后的失联数据，在平台的数据库中进行匹配3、对于匹配上的数据，平台反馈真实的联系方式及相关信息05:洞察用户特征，精准触达高净值用户

实现从客户细分、营销策划、营销执行到效果评估的精准营销闭环管理05:通过个性化推荐技术实现智能商品导购，提升交叉/向上销售

06:反复迭代、持续性的优化

图形化的显示为领导层的决策提供支撑持续优化洞察报表效果报表投放报表效果监测新老访客分析，网页热度分析，用户忠诚度分析投放实时展示多维度投放监控媒体分析渠道分析受众分析受众筛选实时优化调查问卷标签体系（如人口的自然属性，人群兴趣、人群行为、购物行为等）协助广告主进行精准的受众筛选效果优化系统使用基于OnlineLearning的算法思维，结合用户数据生成的各种特征（如TF/IDF、特征向量模型、SVM、决策树、K-Means、交叉特征、层次平滑体系树、用户实时反馈特征），帮助各种合作渠道优化效果策略对于阶段性投放效果发布调查问卷，结合调研效果调整下一阶段的投放策略目录大数据在保险行业的机遇与挑战针对保险行业的大数据解决方案保险及金融行业的成功案例介绍华夏人寿实施大数据的建议路径金融行业部分客户注：规划中泰康保险：互联网用户行为采集和网站数据统计分析项目用户行为数据采集用户数据拉通模块网站数据统计分析用户行为分析模块用户行为分析与运营分析用户画像个性化推荐与精准营销泰康人寿的业务痛点在于积累了大量的用户却不知道如何使用用户数据？如何了解客户、经营客户？如何建立情感链接、实现有效互动，如何打造个性化的产品、服务？如何增强客户黏性、提升客户满意度？如何扩大保险覆盖面、提升保险渗透率？解决方案123事实标签模型标签预测标签跨站点用户偏好分析兴趣扩散模型分析消费者兴趣图谱分析实时购物意图分析泰康保险：1.1用户行为数据采集网站概况每天网站PV、UV、独立IP、活跃度等基本指标统计实时统计达到以10分钟为粒度，进行PV、UV的统计计算访客分析记录访客设备信息、浏览轨迹、页面停留时间、地域、实时访客、用户拉通信息等转化追踪分析推广、搜索引擎转化率、外部链接设备信息分析客户设备信息：浏览器类型、操作系统、分辨率等等保险产品信息分析各个保险产品每日浏览量、趋势、客户兴趣度、转化率等指标触点采集传统PC站点手机WAP站点手机APP站点移动端微信泰康保险：1.2用户数据拉通模块:用户ID价值难点整合所有接触点的用户数据整合用户的所有ID真正“认识”一个用户用户不再“匿名”多源异构规整到统一标准精确定义的标签……如何理解并定义“同一个用户”不同标签体系的融合用户与ID的多对多关系泰康保险：1.3用户行为分析模块图4新增/沉默/活跃/流失用户图1客户生命周期图5留存用户图2用户分类及详情图3回流用户分析泰康保险：1.4网站数据统计分析图1页面浏览量分析图2分时段统计信息图3网页跳出率分析图4分时段统计信息图5用户来源分析图6搜索关键词统计分析中信银行：高价值潜在客户挖掘(出国金融)业务需求通过大数据分析，找到存量客户中潜在的出国金融产品客户（以出国留学类金融产品为例），分析此类高价值客户的行为特征，并针对有相似特征的用户群进行精准营销，达到潜在客户转化为真正客群的目的。营销方案制定与执行找到精准营销切入点找到高价值潜在客户数据准备与匹配将该银行北京分行的客户与第三方数据进行匹配，匹配率43%；剔除用户画像中，媒体关注类标签少于100个的用户；剩余用户占比：37.25%。选择出国留学类金融产品进行分析；对该银行北京分行从2013年2月至2014年12月进行出国金融客户通过生存分析模型，发现91%的客户在申请学校之前就已是该行客户；需要在用户申请学校之前先联系到客户。对出国留学金融客户群进行分析，发现：出国前6-10个月，出国金融客户较为关注学校所在目的地国家，经常逛留学社区论坛；出国前3-6个月，出国金融客户的注意力会偏向签证、机票等。进一步对客户群进行洞察和细分，了解同类用户的需求和关注重点；与业务人员讨论，确定17个营销短名单，以定制短信广告和柜面人工询问（短名单提前收工录入）的方式进行营销。解决方案应用效果相对于传统推广方式：针对目标客户群的电话咨询率提高推广两个月内：出国金融产品销售增长新客户开户出国留学保证金带来的存款超过41%270%1025户2.1亿目录大数据在保险行业的机遇与挑战针对保险行业的大数据解决方案保险及金融行业的成功案例介绍华夏人寿实施大数据的建议路径华夏人寿电子商务大数据的实施建议一阶段：用户行为采集分析及营销试点三阶段：个性化推荐及精准营销应用二阶段：多源数据整合及用户画像建模目标主要工作补充第三方数据PC端官网用户行为数据采集用户行为分析选择产品试点精准营销多触点数据整合（App、WAP等）全网用户拉通运营指标分析基于用户行为的用户画像用户标签体系搭建电子商务业务用户洞察智能实时精准推荐场景式营销周期三个月六个月迭代式一阶段建设思路4.基于采集的数据和补充的数据进行用户画像用户行为分析产品解构用户画像建模2.1用户行为采集官方网站部署采集的代码收集用户浏览行为收集用户交易行2.2采集公司内部数据产品信息产品持有人信息5.精准营销，获取新客用户分群针对特定人群进行DSP营销采集&分析用户行为精准营销试点1.明确项目范围、目标数据源：华夏人寿PC端官方网站确定试点营销的保险产品确定试点营销的预算（投放广告成本）明确项目目标一个月一个月一个月3.1与平台数据进行匹配3.2补充互联网用户行为数据用户产品偏好用户渠道偏好用户交易偏好用户媒体偏好构建用户画像补充互联网数据大数据数据的本质数据本质是生产资料和资产数据生产资料资产大数据的提出在1980年，著名未来学家阿尔文·托夫勒便在《第三次浪潮》一书中，明确提出“数据就是财富”，将大数据称为“第三次浪潮的华彩乐章”。第二次浪潮第三次浪潮第一次浪潮农业阶段，约1万年前开始工业阶段，17世纪末开始信息化阶段，20世纪50年代后期开始“如果说IBM的主机拉开了信息化革命的大幕，那么大数据才是第三次浪潮的华彩乐章。”从“数据”到“大数据”事件一事件二事件三时至今日，“数据”变身“大数据”，“开启了一次重大的时代转型”“大数据”这一概念的形成，有三个标志性事件：2008年9月，美国《自然》（Nature）杂志专刊——Thenextgoogle，第一次正式提出“大数据”概念。2011年2月1日，《科学》（Science）杂志专刊——Dealingwithdata，通过社会调查的方式，第一次综合分析了大数据对人们生活造成的影响，详细描述了人类面临的“数据困境”。2011年5月，麦肯锡研究院发布报告——Bigdata:Thenextfrontierforinnovation,competition,andproductivity,第一次给大数据做出相对清晰的定义：“大数据是指其大小超出了常规数据库工具获取、储存、管理和分析能力的数据集。”大数据的定义大数据（bigdata），指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。大数据的来源随着智能手机的普及，网民参与互联网产品和使用各种手机应用的程度越来越深，用户的行为、位置、甚至身体生理等每一点变化都成为了可被记录和分析的数据，数据量呈现爆炸式增长。地球上至今总共的数据量：在2006年，个人用户才刚刚迈进TB时代，全球一共新产生了约180EB的数据；据IDC研究机构预测：到2020年，整个世界的数据总量将会增长44倍，达到35.2ZB（1ZB=10亿TB）！1PB=2^50字节1EB=2^60字节1ZB=2^70字节TBPBEB ZB在2011年，这个数字达到了1.8ZB。GB数据大爆炸大数据的来源互联网每天产生的全部内容可以刻满6.4亿张DVDGoogle每天需要处理24PB的数据网民每天在Facebook上要花费234亿分钟，被移动互联网使用者发送和接收的数据高达44PB全球每秒发送290万封电子邮件，一分钟读一篇的话，足够一个人昼夜不停地读5.5年每天会有2.88万个小时的视频上传到YouTube，足够一个人昼夜不停地观看3.3年Twitter上每天发布5000万条消息，假设10秒就浏览一条消息，足够一个人昼夜不停地浏览16年大数据到底有多大？

以上一组互联网数据大数据的来源来自大量传感器的机器数据科学研究及行业多结构专业数据来自“大人群”泛互联网数据智能终端拍照、拍视频发微博、发微信其他互联网数据随着人类活动的进一步扩展，数据规模会急剧膨胀，包括金融、汽车、零售、餐饮、电信、能源、政务、医疗、体育、娱乐等在内的各行业累积的数据量越来越大，数据类型也越来越多、越来越复杂，已经超越了传统数据管理系统、处理模式的能力范围，于是“大数据”这样一个概念才会应运而生。大数据的构成大数据=海量数据（交易数据、交互数据）+针对海量数据处理的解决方案海量交易数据：企业内部的经营交易信息主要包括联机交易数据和联机分析数据，是结构化的、通过关系数据库进行管理和访问的静态、历史数据。通过这些数据，我们能了解过去发生了什么。海量交互数据：源于Facebook、Twitter、微博、及其他来源的社交媒体数据构成。它包括了呼叫详细记录CDR、设备和传感器信息、GPS和地理定位映射数据、通过管理文件传输ManageFileTransfer协议传送的海量图像文件、Web文本和点击流数据、科学信息、电子邮件等等。可以告诉我们未来会发生什么。海量数据处理：大数据的涌现已经催生出了设计用于数据密集型处理的架构。例如具有开放源码、在商品硬件群中运行的ApacheHadoop。注：大数据不仅仅指的是数据量庞大，更为重要的是数据类型复杂大交易数据大交互数据大数据处理大数据集成大数据4V特征4V特征种类多（Variety）速度快（Velocity）价值高（Value）体量大（Volume）大数据与传统数据相比，数据来源广、维度多、类型杂，各种机器仪表在自动产生数据的同时，人自身的生活行为也在不断创造数据；不仅有企业组织内部的业务数据，还有海量相关的外部数据。随着现代感测、互联网、计算机技术的发展，数据生成、储存、分析、处理的速度远远超出人们的想象力，这是大数据区别于传统数据或小数据的显著特征。大数据有巨大的潜在价值，但同其呈几何指数爆发式增长相比，某一对象或模块数据的价值密度较低，这无疑给我们开发海量数据增加了难度和成本。从2013年至2020年，人类的数据规模将扩大50倍，每年产生的数据量将增长到44万亿GB，相当于美国国家图书馆数据量的数百万倍，且每18个月翻一番。大数据4V特征—价值高（Value）大数据有巨大的潜在价值，但同其呈几何指数爆发式增长相比，某一对象或模块数据的价值密度较低，这无疑给我们开发海量数据增加了难度和成本。挖掘大数据的价值类似沙里淘金，从海量数据中挖掘稀疏但珍贵的信息；价值密度低，是大数据的一个典型特征；大数据4V特征—体量大（Volume）从2013年至2020年，人类的数据规模将扩大50倍，每年产生的数据量将增长到44万亿GB，相当于美国国家图书馆数据量的数百万倍，且每18个月翻一番。1Bity1KB1MB1GB1TB1PB1EB1ZB1YB1PB相当于50%的全美学术研究图书馆藏书信息内容5EB相当于至今全世界人类所讲过的话语1ZB如同全世界海滩上的沙子数量总和1YB相当于7000位人类体内的微细胞总和一般情况下，大数据是以PB、EB、ZB为单位进行计量的大数据4V特征—速度快（Velocity）82254132215327源自英国Coda研究咨询公司大数据的增长速度快大数据的处理速度快实时数据流处理的要求，是区别大数据引用和传统数据仓库技术，BI技术的关键差别之一；1s是临界点，对于大数据应用而言,必须要在1秒钟内形成答案，否则处理结果就是过时和无效的；现在及未来几年内美国的移动网络数据流量增长（PB/月）大数据4V特征—种类多（Variety）大数据与传统数据相比，数据来源广、维度多、类型杂，各种机器仪表在自动产生数据的同时，人自身的生活行为也在不断创造数据；不仅有企业组织内部的业务数据，还有海量相关的外部数据。数据来源多企业内部多个应用系统的数据、互联网和物联网的兴起，带来了微博、社交网站、传感器等多种来源。数据类型多保存在关系数据库中的结构化数据只占少数，70~80%的数据是如图片、音频、视频、模型、连接信息、文档等非结构化和半结构化数据。关联性强数据之间频繁交互，比如游客在旅行途中上传的图片和日志，就与游客的位置、行程等信息有了很强的关联性。物联网数据行业/企业内数据互联网数据大数据大数据带来的思维变革大数据大数据的核心代表着我们分析信息时的三个转变，这些转变将改变我们理解和组建社会的方法更多更杂更好更多不是随机样本，而是全体数据更好不是因果关系，而是相关关系更杂不是精确性，而是混杂性大数据带来的思维变革—更多人口大普查全数据模式随机采样样本模式大数据应用全数据模式是指在国家统一规定的时间内，按照统一的方法、统一的项目、统一的调查表和统一的标准时点，对全国人口普遍地、逐户逐人地进行的一次性调查登记；主要特点是调查组织高度集中性，普查对象的全面完整性；人口大普查耗时耗费，一般来讲是十年一次，新中国成立以来共进行了6次人口大普查；人口大普查是一种典型的全数据模式；大数据时代小数据时代大数据带来的思维变革—更多人口大普查全数据模式随机采样样本模式大数据应用全数据模式人口大普查是一种耗时耗费的工程，一般是以十年为单位；各国每年需要进行几百次的小规模人口调查，采取随机采样分析的方式，这是一种样本模式；源于实用并且很好的创新！随机采样分析是小数据时代的产物；大数据时代小数据时代大数据带来的思维变革—更多人口大普查全数据模式随机采样样本模式大数据应用全数据模式我们已具备了大数据的各种技术能力，思维需要转换到大数据的全数据模式：样本=全部；大数据不用随机分析法这样的捷径，而采用所有数据的方法；这里的“大”是相对的——相扑比赛所有数据存储