综上所述，从以上几点可以得出，社会经济发展带动多能源的合理开发，解决了由来以久的电力能源不足的问题，也给电力企业带来了新的挑战。电企如何顺应时代趋势，改变既有的旧体制，打造新的营销模式等问题，己经到了必须要想办法解决的时候了。电企以服务客户为经营理念，通过更加人性化的服务来推进与客户的全方位多层次合作，策略性地提升企业效益。最主要的任务是拓展电力营销，调整电价体系，适当开展一些增值性服务，以确保电企在激烈的市场竞争中获得生存和发展。
参考文献
[1]李景，马正宜，朱银龙.浅谈新形势下电力市场营销模式与新型电价体系[J].现代国企研究，20xx，（4）：102.
[2]王琤琪.新形势下电力市场营销模式与新型电价体系的研究[J].中小企业管理与科技（上旬刊），20xx，（11）：69-70.
[3]刘迎春.新形势下电力市场营销模式与新型电价体系的构建研究[J].山东工业技术，20xx，（18）：179.
摘要:随着社会经济的快速发展和互联网的普及，我国已经迅速步入互联网商业时代，个体和企业消费行为的信息全面地暴露在大数据中。从大数据中挖掘更多真实、可靠的信息，是企业赢得市场的前提。文章基于对互联网商业时代营销环境的分析，探讨企业在借助大数据手段，消除信息偏差，挖掘更加准确的市场信息，精准把握市场机会的思路。
关键词:大数据;市场营销;企业
随着社会、经济的快速发展和互联网的快速普及，我国已经步入互联网商业时代，数据成为当今主要的信息载体，被运用到各个方面。相关调查研究表明，我国超过一半的企业每天的数据生成量超过1T，有一成企业的数据量每日超过10T，并且还在大幅度增加。在互联网商业时代，消费行为能较为完整地反映在大数据实体中，使我们有机会去分析消费行为，以便更加精准地进行营销。利用大数据助力市场营销已经成为当下感知市场、营销市场的必要手段。基于此，笔者探讨利用大数据助力市场营销的几种思路。
一、更多关注社交信息，利用更完整全面的消费描述数据，提高营销精准程度
随着互联网消费的兴起，人们较之以往有更加广阔的视野、更加自主的消费意识和消费信息共享的习惯。消费者习惯在论坛、微博、社交网络、消费APP等社区讨论品牌和产品，并在充分体验产品的基础上发表自己的观点，从而对所在阶层人群的消费产生影响。这些社交数据对于营销者来说至关重要。如果对这些社交信息进行语义分析，我们会发现，其中关于产品本身的信息主要有以下方面：
1、对产品缺陷和不足等负面描述；
2、对产品优点长处等正面描述；
3、对理想中产品的描述。
与之相关的，这些信息中与消费主体有关的信息有以下方面：
1、产品的目标人群有哪些；
2、他们的购买能力和购买欲望如何；
3、这些人群是否已经购买了产品；
4、是否还会购买类似的产品；
5、如果有升级产品是是否会购买；
6、是否会推荐亲友购买或者为亲友代购等。面对以上信息，我们可以利用汉语语义分析技术，数据分类、聚合技术等大数据技术深入挖掘，针对不同的消费群体开发出相应的产品，并利用爆款效应和规模效应迅速占领市场。但实际上，我们也会发现以上信息存在部分失真的情况。如某人表达对某款产品的.好评，他实际上是受到商家“好评返现”奖励而作出的，并不代表其真实的意图；又比如，某人可能会表达对电视产品上实现语音控制功能的渴望，但是当市场上出现这种产品后，他可能会因为某种原因而迅速转变观点。这些情况在整个社交信息中占据了相当的比例，如果对这些失真的信息不加区别就利用，就会得出存在较大偏差的结论。这时我们可以对社交信息进行勘误。具体作法是：对社交信息进行语义分析，然后将语义分类，逐一开展人工识别，并按类型找出其中的规律，建立纠错模型和纠错关键词库，最后利用人工智能自学习技术建立自动数据审计模型。
二、扩大数据来源的丰富性，利用多样性数据开展数据分析
在碎片化的网络世界，营销者需要在表象的分散和碎片背后，找到那些因兴趣或者共同的需求而重新聚集起来的东西。通过实时监测或者追踪消费者在互联网上产生的海量行为数据，营销者可以无限接近、近乎准确地判断每一个人的属性，这些属性包括人口自然属性、兴趣喜好、行为轨迹、购物经历等。从这个角度讲，越大的样本量越能够挖掘出更加精准的需求，但我们能获取的大数据存在天然的不足。由于大数据信息来源分散，这些不同来源的信息往往存在异构性，当将它们放到一起研究时，往往在语义上存在较大的偏差，其结果是干扰因素多、样本量不足、数据多样性不够。这些问题从根本上讲就是数据相对缺乏导致的不真实，或者说不够接近真实。要解决这个问题，主要思路如下：首先尽可能地扩大数据来源，增加数据的多样性和丰富性。当获取的数据达到一定数量级之后，大数据边际效应已经达到最高。这时候再通过提高数据多样性手段来助力数据分析必要性不大，就要利用多样数据本身的联系对数据进行审计，即对来源不同的信息进行关联核查，发现其中的低质量信息，并利用数据的关联性对低质量信息加以修正。通常的方法是：慎重规划，尽可能从不同平台、不同类型应用、不同商业主体和政府主体购买或者获得多样性数据，将一系列信息按可信度进行分级，利用信息的关联度和可信度，建立一系列自学习模型，利用相互关联信息中的高可信度信息修正低可信度信息。例如，我们发现某社区的某些用户经常发表高端产品的评论，我们可能认为这些用户是高端用户，但是关联的金融和购买信息可能会显示其中一部分用户的资金和购买力不强，这就需要对这些不真实的用户观点进行修正。
