減少顧客損失的物聯網實例

——這也屬於IoT（物聯網）的一例吧。

IoT與大數據是密不可分的。IoT著眼於收集資料，大數據則著眼於分析利用資料。進而言之，AI的機器學習、deep learning（深度學習）等技術都是建立在大數據技術基礎之上的。在出現大數據這個說法的大約5年前，人們只能對網上的資料加以分析，而借助IoT，就可以收集現實世界的資料了。

有些辦公設備製造商，將顧客的複印、印表機連接網路，追蹤使用者的利用情況。也就是說，這些廠商時刻在關注用戶卡紙、零件損耗、墨粉、紙張使用情況等，以便能在顧客打來電話要求解決問題之前，主動與顧客聯絡，或者派遣銷售人員前去處理。

比如，如果發現墨粉餘量較低，負責監控的「遠端系統管理中心」就會向倉庫發出提前配送指令。倉庫將墨粉配送到顧客附近的銷售點，在墨粉完全耗盡之前送達顧客手中。如此一來，顧客就可以不間斷地使用辦公設備，而不會發生消耗品斷貨的情況。同時，通過監控還可以發現在夜間和假日也經常使用設備的顧客，於是通過為他們的辦公場所配置經久耐用的設備，來盡可能地避免突發故障對顧客造成的業務影響。

這就是將IoT和大數據結合起來加以巧妙利用的事例。社會上關於大數據分析的事例似乎大多都關注如何通過運用大數據來提升自家公司的銷售額和利潤，而這些辦公設備製造商所重視的，是如何減少顧客損失。

有效減少損失的大數據

——通過大數據提升銷售額是一件難事嗎？

非常困難。因此，現實生活中，應用大數據做得比較成功的，大多是在減少損失方面。這些企業會收集業務失敗案例，存儲相關資訊加以分析。

比如，某家網路遊戲公司對退會使用者的行為模式進行了分析。當時，用戶玩遊戲要簽訂包月契約，公司最擔心的是用戶退會。那些退會用戶都具有某種程度的相似行為模式。比如退會前，或點閱量減少，或與其他用戶的聯絡減少等。一旦出現這類模式特點，提前發現「疑似有退會之意的用戶」，公司就會給他們優惠，或者提供新的遊戲，想方設法留住他們。

有助於獲得利潤的資料特性是「未知的」，與之形成對照的，是我們從前述事例中可以看到的那種導致損失的資料特性，它們是「可知的」。因此，從短期來看，相較於提升銷售額，大數據應用在減少損失的方面更具有切實效果。

信用卡公司為了及時發現盜用，會依據每個使用者的購物記錄一一製作購物行為模式，一旦出現偏離模式的購物方式，就會被懷疑為盜用。這也是旨在減少使用者損失的大數據應用實例。