京东和网易严选用户对比分析

京东和网易严选做为两个不同类型的电商平台，他们的用户群里具体有什么一致或区别呢？

我将通过典型式和标签式的分析来进行我的解读。我将通过典型式和标签式的分 行我的解读。          

 首先是京东，我选择了我的好朋友Lily，25岁已婚妇女坐标城市北京，有车，有房有房贷，从事金融行业，收入大概是12K到20K，生活作息规律，偶尔加班。娱乐方式：看书、看电视剧、游戏、**；性格开朗、爱运动。选择商品原因:物流速度，在京东这一点做的很不做，在全国各地建立货物仓物流速度是很快的。一般情况下，在京东购买产品：品牌服饰、家居，主要是在上班路上，下班后使用APP浏览，大部分情况下是打发时间，偶尔是因为刚需，每天浏览时间30分钟到60分钟。在选择商品的时候，买家评价、朋友推荐、微博推荐是她选择的主要因素。

其次我选择了老丁作为我网易严选的典型用户。老丁，本科学历，27岁，单身。居住地：广州从事互联网行业，月收入10K—20K，无车、有房无贷作息规律，偶尔加班，抽烟。性格腼腆，比较宅。主要的娱乐方式：看书、游戏。在选择商品时更注重商品的品质。在网易严选主要商品是家居类。一般是在上班路上，下班后用手机APP进行访问，主要是因为刚需，所以才会打开APP浏览，浏览的时间在20—15分钟左右，对他选择有影响的主要是买家评价、朋友推荐。

基于我的认知，我认为不管是京东还是网易严选，他们消费的主力军都是一二线城市的中高收入的中青年，因此使用的时间大概都是在上班那路上，和下班以后。但是两者间的产品定位不同，选择不同平台的人消费意向也不一样。选择京东的用户主要的消费意向：3C电子类产品，网易严选的slogan是：好生活没那么贵，因此在选择它的主要消费意向是追求评平价的有品质的商品，更注重家居生活类。我也查找了一些数据，基于这些数据我有一些其他发现。

首先是性别比例，京东用户的男女比例达到了6:4,主要原因在于在生活中，一般都是男性用户选择和购买家电。网易严选产品男女用户选择差别性不大。

使用京东和网易严选的年龄分布大致相同。中青年是消费的主力军。

京东和网易严选消费群体主要分布在超一线、一线和二线城市。而网易严选一线和超一线的用户人群更多，主要是应为这些人更注重生活品质。

非专业人士，刚刚接触产品经理行业，欢迎批评指教。

一、页面数据功能

点开页面分析下的页面数据功能，选中历史时间，竖线代表该日商家在JSHOP、SHOP端等上游装修系统，发生过装修行为；横线代表不同装修版本期间的指标均值。商家选中当日实时，可以选择近7天的任意一天作对比，利用这个功能可以轻松在618大促期间及时调整页面装修、营销活动等，扩大收益。

二、实时链接功能

与长时间跨度的页面数据功能对比，实时功能只能提供简单的点击次数统计功能。但是这个功能可以帮助商家在618, 1111时，监控各重点页面的点击次数，一旦发现页面黄金坑位的点击和转化不如意，就需要进一步分析用户真正想要了解的内容是什么。在关键区域添加更多关键内容，尽可能多的传递品牌或产品信息。

三、历史热图功能（微缩）

历史热图模式，帮助商家对页面整体表现的掌控需求，区域颜色越鲜艳意味着越受欢迎。面对商品界面较长的商家，京东提供了“微缩”功能，他能帮助商家把较长的页面长度热力图进行缩放，商家就能够轻轻松松一眼掌控全局。拓展阅读：什么是京东热力图

从2013年初开始，对于大数据爆发的焦虑感，紧迫感，不由自主地被卷入的甚至无力的感觉，驱动众多行业、企业和团体去关注和开始接触和了解大 数据，自觉或不自觉的，主动或不得已地去融入这波洪流。但是，真的说到大数据，我们中国到底有多少数据量，它们都分布在哪些行业，哪些数据是目 前可用的，哪些行业已经在使用数据，进入产业互联网和数据引导的变革了？

可能看到的版图依旧模糊。因此，我们怀抱很好的希望，以第一个吃螃蟹并期待来自行业的矫正和拍砖的态度，首先尝试对于国内各个领域，行业以 及机构的数据拥有情况，使用情况以及未来路径做一个粗犷地调研、梳理和判断，对大数据时代我国各个领域数据资产的拥有和使用情况，也就是我们数 据资产的家底做个盘点，也对各个行业、系统进军大数据，以及拥抱产业互联网的进度和未来做个简单判断。事实上，大数据之题无疑繁若星辰，然而只 有在相对完整的视图下，繁星若尘，我们才可得以一窥天机。

从我们手头掌握的数据来看，2013年度，中国存储市场出货容量超过1个EB（1EB=多少），存储总量而IDC曾经发布的预测表明在未来的3-4年，中国存储总 容量可能达到18个EB。从数据存储市场的需求来看，互联网、医疗健康、通信、公共安全以及军工等行业的需求是主要的，且上升态势明显。

鉴于存储和服务器的紧密相关，我们从已经获得的资料可以知道，目前全球运行的服务器总量超过5000万台，美国国内运行的服务器总体容量接近 1000万台。从各种市场公开数据来看，2013年中国内地服务器销售总数接近为100万台。大体估算，截止到2013年底，中国内地整体在运行的服务器总数 量在300万台以上。

从现有存储容量看，中国目前可存储数据容量大约在8EB-10EB左右，现有的可以保存下来的数据容量大约在5EB左右，且每两年左右会翻上一倍。这些 被存储数据的大体分布为：媒体/互联网占据现有容量的1/3，政府部门/电信企业占据1/3，其他的金融、教育、制造、服务业各部分占据剩余1/3数据量 。

公开数据显示，互联网搜索巨头百度2013年拥有数据量接近EB级别、阿里、腾讯声明自己存储的数据总量都达到了百PB以上。此外，电信、医疗、金 融、公共安全、交通、气象等各个方面保存的数据量也都达到数十或者上百PB级别。

在目前被广泛引用的IDC和EMC联合发布的“2020年的数字宇宙”报告 预测到2020年，全球数字宇宙将会膨胀到40ZB，均摊每个人身上是5200GB以上，这个量将会如何被有效存储和应用，我们眼下还很难想象。然而我们 看到该报告指出，从现在起到2020年，全球数字宇宙的膨胀率大约为每两年翻一番。事实上，根据上述调查结论和服务器容量调查，我们也能做出个相对 合理的推断：目前，全球产生的数据量中仅有1%左右的数据能够被保存下来，也就是说今天全球能够被保存下来的数据也就是在50EB左右，而其中被标记 并用于分析的数据更是不到10%。

作为全球人口和计算设备保有量的大国，我国每年所能产生的数据量也极为庞大，有数据说2014年甚至可能达到ZB级别，但是真正被有效存储下来的 数据仅仅是其中极微少部分，中国保存下来数据占全球数据的比例大约在10%左右，也就是上面说的5EB。这些数据中，目前已被标记并用于分析的数据仅 达到500PB左右，也是接近10%的一个比例。

伴随着云计算迅速普及和各行业，各企业和部门对于数据资产保存和利用意识的增强，以及通过互联网、大数据对产业进行变革的意愿，未来2-3年一 定会有越来越多的行业、大企业步入到PB、百PB、甚至EB级别数据俱乐部，未来3-3年中国的数据总量也将呈翻倍上升态势，我们预测2015年中国就可能 突破10EB数据保有量，被标签和分析利用数据量也将上升到EB级别，这些数据增长中互联网、政务、医疗、教育、安全等行业和领域所做贡献最大，而相 对传统的物流、生产制造、甚至农业等领域数据拥有量的增长将更加明显。

你好，京东经济环境分析的数据来源？京东经济环境分析的数据来源有:通过媒体（电视、广播、报纸、杂志等）了解世界经济动态与国内经济大事。政府部门与经济管理部门，省、市、自治区公布的各种经济政策、计划、统计资料和经济报告，各种统计年鉴，如《中国统计年鉴》《中国经济年鉴》《经济白皮书》等。各主管公司、行业管理部门收集和编制的统计资料。预测、情报和咨询机构公布的数据资料。部门和企业内部的原始记录。国家***与有关部门、省市领导报告或讲话中的统计数字和信息等，请参考！

这是计算机世界的一个尚未开发的前沿：将各种人类情感转化成实实在在的数据。

起源

虽然之前也有一些相关工作，但目前公认的情感分析比较系统的研究工作开始于（Pang et al, 2002）基于监督学习（supervised learning）方法对**评论文本进行情感倾向性分类和（Turney,2002）基于无监督学习（unsupervised learning）对文本情感情感倾向性分类的研究。Pang et al, 2002）基于文本的N元语法（ngram）和词类（POS）等特征分别使用朴素贝叶斯（Naive Bayes），最大熵（Maximum Entropy）和支持向量机（Support Vector Machine，SVM）将文本情感倾向性分为正向和负向两类，将文本的情感进行二元划分的做法也一直沿用至今。同时他们在实验中使用**评论数据集目前已成为广泛使用的情感分析的测试集。（Turney ,2002）基于点互信息（Pointwise Mutual Information，PMI）计算文本中抽取的关键词和种子词（excellent,poor）的相似度来对文本的情感倾向性进行判别（SO-PMI算法）。在此之后的大部分都是基于（Pang et al, 2002）的研究。而相对来说，（Turney et al,2002）提出的无监督学习的方法虽然在实现上更加简单，但是由于单词之间的情感相似度难以准确的计算和种子词的难以确定，继续在无监督学习方向的研究并不是很多的，但是利用SO-PMI算法计算文本情感倾向性的思想却被很多研究者所继承了