从“轮机数据收集器”到“粉底液推荐系统”——美国传统巨头的新互联网时代

标签: 业界动态 传统行业 数据 | 发表时间:2013-10-21 23:23 | 作者:青木
出处:http://www.woshipm.com

steam-powered

Mobile Everything。

 

Mobile Everything。

这是GigaOM大会上最有趣的一点。也许有的人仍然以为数据和移动化还仅仅发生在Web向Mobile的进化中,但是来自通用电气(General Electric)、丝芙兰(Sephora),以及美国最大文具连锁零售商Staples在内的传统行业巨头们的案例,恰恰说明了传统行业在这方面反而是收益最大的。不妨听听他们的分享——虽然还提不上已经自我革命,但是这些传统巨头们做出的尝试,或许会让你感到惊讶。

通用电气:在燃气轮机里装上数据收集器

通用电气软件和分析中心的负责人Bill Ruh最让人惊讶的一句话也许是:“工业机器收据到的数据,将超过其他任何东西。”,也许他并不是在吹牛,要知道每天来自喷气式发动机的数据,就会有几百兆兆字节(terabytes)。

而这些数据的收集会产生巨大的经济效益。比如,对于航空公司来说,41%的计划外停工都是由于机械故障造成的,所以Bill 想要用数据去预测引擎或者其他系统可能损坏的时间。这样的话,航空公司们就可以在安排好的检修期内解决问题。

更有说服力的案例也许是——通用电气已经在自己生产的设备里装了大量的感应器来捕捉数据。比如说发电厂的燃气轮机都有数据采集器。这些数据如果得到有效利用,将可以提高1%的效率,看似很低,但将每年给他们节约60亿美元。

Staples:打造手机上的智能家居中心

Staple最近和专注物联网技术的公司Zonoff合作,一起推出了Staple Connect。它可以通过一个通用的中心连结多个平台的应用,从而控制家中的各种设备。

通过一个方形的接收器,它会和你的手机同步数据。这样,你只需要在手机或者平板上安装一个应用,就可以对家中的大部分智能设备进行控制,比如灯光、温度、摄像头等。

Staple的新业务发展高级负责人Peter Gerstberger说,这是一个很大的需求,而且这将是未来发展的趋势。他期望这个产品能激起人们对于物联网的兴趣,并把它介绍给更多的用户。

丝芙兰:改善你的购物体验

前面两家公司的做法听起来都挺前沿,而化妆品零售商丝芙兰似乎更实际一些。它的互动媒体副总裁Bridget Dolan解释说,丝芙兰的核心仍然围绕实体店为进行,但是会利用那些移动技术让整个消费体验更好。

比如,它新推出的“My Color IQ”工具,就是和世界色彩权威机构Pantone合作,让消费者在实体店里可以扫描他们的皮肤,以帮助他们找到最适合的粉底液。

而结合自家的移动应用,顾客们也可以把电子优惠劵整合到Passbook中,当他们到了店里时,就会有相应的优惠推送,店员也会利用iPad来辅助顾客购买最合适的东西。当积累了一定的数据,顾客们就可以收到定制的信息了。“购物是一种乐趣。我们并不想利用技术破坏这种乐趣。”Bridget说。

看起来,这些数据、移动应用与传统产业的结合正比我们想像的要快一些。Google Ventures的合伙人Rich Miner甚至把今年称为引领“Connection”新时代的一年。“我们将生活在一个由大量连接的设备来生产和分享数据的环境里,而所有这些数据将会渗透进所有的服务,影响社会的每一个方面。”

不过,对于移动端来说,这并不是一个完全成熟的产业,还有很多没有实现的机会。其中一个就是针对企业市场的机遇,因为相对于移动体验在消费者领域的快速扩张,企业市场几乎才刚刚起步。Rich举例说,现在大部分美国的销售人员仍然是对着一份名单打电话来进行推销,但是如果有一个应用可以自动整理他们的通话记录并同步,将会解决很大的问题。

而另一个机会在于,扩大对移动设备使用场景的利用。比如,当人们在开车时,有电话打进来是件很烦的事,但如果手机可以利用感应器监测到机主正在开车,就可以自动回复信息或者进行其他的操作。

“一个垂直的产业将会有很多的机会。好好利用移动端的机会,那可以产生上亿的产值。”Rich说。

注:图题来自网络

来源:PingWest.com

相关 [数据 粉底液 推荐系统] 推荐:

从“轮机数据收集器”到“粉底液推荐系统”——美国传统巨头的新互联网时代

- - 人人都是产品经理
这是GigaOM大会上最有趣的一点. 也许有的人仍然以为数据和移动化还仅仅发生在Web向Mobile的进化中,但是来自通用电气(General Electric)、丝芙兰(Sephora),以及美国最大文具连锁零售商Staples在内的传统行业巨头们的案例,恰恰说明了传统行业在这方面反而是收益最大的.

大数据/数据挖掘/推荐系统/机器学习相关资源

- - 互联网分析沙龙
Share my personal resources,本文贡献者为Zhe Yu. 各种书~各种ppt~更新中~ http://pan.baidu.com/s/1EaLnZ. 机器学习经典书籍小结 http://www.cnblogs.com/snake-hand/archive/2013/06/10/3131145.html.

达观数据推荐系统和搜索引擎的经验技巧

- - 互联网 - ITeye博客
推荐系统和搜索引擎的关系达观陈运文. 从信息获取的角度来看,搜索和推荐是用户获取信息的两种主要手段. 无论在互联网上,还是在线下的场景里,搜索和推荐这两种方式都大量并存,那么推荐系统和搜索引擎这两个系统到底有什么关系. 本文作者有幸同时具有搜索引擎和推荐系统一线的技术产品开发经验,结合自己的实践经验来为大家阐述两者之间的关系、分享自己的体会(达观数据陈运文博士).

使用Mahout搭建推荐系统之入门篇2-玩转你的数据1

- - 互联网 - ITeye博客
用意: 搞推荐系统或者数据挖掘的, 对数据要绝对的敏感和熟悉, 并且热爱你的数据. 分析数据既要用统计分析那一套,又要熟悉业务发掘有趣的特征(feature). 后者有意思的多,但是因为我业务做的不多,还不太熟悉, 跪求大牛们分析业务经历. 听豆瓣上的大神"懒惰啊我"说过,有一个Nokia的比赛,有一个团队直接用陀螺仪参数就发现了性别分布,因为男生手机都放在 口袋里, 而女生往往放在包里面.

LibRec 2.0.0 正式版发布: 基于机器学习的大数据推荐系统

- - 开源中国社区最新新闻
LibRec: 基于机器学习的大数据推荐系统. LibRec 是领先的推荐系统Java开源算法工具库,覆盖了70余个各类型推荐算法,有效解决评分预测和物品推荐两大关键的推荐问题. 推荐系统是机器学习和大数据技术的经典实际应用,旨在提供高效准确的个性化物品推荐,是现代Web应用的重要组件. 项目结构清晰,代码风格良好,测试充分,注释与手册完善.

Min-Hash和推荐系统

- - xlvector - Recommender System
前几年看Google News Recommendation的那篇Paper,对里面提到的MinHash的算法基本没有注意,因为之前的习惯都是只注意论文的模型那块,至于怎么优化模型一般都只是扫一眼. 不过最近看了大量的Google Paper,发现Google在实现一个算法方面确实有很多独到之处. 其实,Min-Hash是LSH(Locality Sensitive Hash)的一种,我之前对LSH的了解仅仅限于知道它能把两个相似的东西Hash成两个汉明距离接近的2进制数.

推荐系统实战

- - 博客园_首页
推荐算法:基于特征的推荐算法. 推荐算法准确度度量公式:. 其中,R(u)表示对用户推荐的N个物品,T(u)表示用户u在测试集上喜欢的物品集合. 集合相似度度量公式(N维向量的距离度量公式):. 其中,N(u)表示用户u有过正反馈的物品集合. 其中,S(u,k)表示和用户u兴趣最接近的K个用户集合;N(i)表示对物品i有过正反馈的用户集合;w(u,v)表示用户u和用户v的兴趣相似度;r(v,i)表示用户v对物品i的兴趣.

推荐系统杂谈

- - 后端技术杂谈 | 飒然Hang
推荐系统是近些年非常火的技术,不管是电商类软件还是新闻类app,都号称有精准的推荐系统能给你推送你最感兴趣的内容. 现象级的资讯类app“今日头条”就得益于此成为了势头非常猛的一款产品. 本文就针对推荐系统讲述一些相关概念和实践经验. 首先需要明确的就是推荐系统的目标,一般来说不外乎以下几个:. 用户满意性:首当其冲的,推荐系统主要就是为了满足用户的需求,因此准确率是评判一个推荐系统好坏的最关键指标.

个性化推荐系统综述

- Tony - 所有文章 - UCD大社区
上个月写过一篇产品推荐的文章,详情请见《我所了解的产品推荐》,内容很泛,多为工作心得. 本周读了几篇相关的论文,收获颇多,分享点干货. 以下内容摘自《个性化推荐系统的研究进展》,该文发表于2009年1月的《自然科学进展》专题评述,作者是刘建国、周涛、汪秉宏. 我略去了具体的算法和许多公式,重点看原理、思路和比较.

推荐系统开源工具 – SVDFeature

- Roger - Resys China
SVDFeature是我们(上海交大Apex实验室)在参加KDDCUP 2011期间开发的. 通过这个工具,我们和港科大(HKUST)的联合小组InnerPeace在KDDCUP 2011中获得Track 1第三名,并创造单模型最好成绩. 在此分享给大家,并希望和大家有更多的交流. (1)基于feature的可扩展性 —— SVDFeature实现了我们的基础模型feature-based matrix factorization.