比如说我们物流的应用，在物流端我们做到了什么？双11过完之后，有很多人看我们笑话，看我们的物流体系垮到什么程度。当我们跨过300亿的时候，它代表什么？代表着我们的物流企业，一天要处理的包裹量，是他往年一个星期，甚至半个月所处理的包裹量。他所用的车，所用的占点面积，所用的人员，毕竟不是一个互联网的企业，是一个传统的企业，每一个包裹，都需要同样的手段，同样的人搬同样的路径。这时候他怎么能够伴随互联网企业的成长，同步进行产业的升级，这其实是我们大家一起为这个事情做努力的。
刚才从业务上介绍了我们在数据方面所做的一些事情的点。这也仅仅是冰山一角。刚才说的这些，其实是在整个的阿里体系里面，都是在解决里面不同的东西，刚才说的是我这个团队，近期所做的一些应用为主。其实这些应用背后，我们要做的事情，其实更多的是在这一页片子里面，他要解决的一些基础的东西。
比如说我们的会员，刚才看到会员他的诚信，那样的一个业务，要用到会员的诚信，要有我们很好的数据的应用算法，解决我们的会员，是不是诚信的问题，我怎么判断一个会员他的行为是不是合法，这个时候我们需要一系列的模型去解决。
当我们很好的营销我们的消费者的时候，当我们一个妈妈在买奶粉的时候，我怎么知道他的小孩多大了。怎么知道他买的东西适合哪个年龄段，这个时候我们就需要解决，宝宝年龄的问题。宝宝年龄的问题，并不是说我们的妈妈买了东西，她就告诉我她小孩多大了。我们通过她买东西的时间点，以及她的轨迹，知道她小孩大约的年龄段，特别是切换奶粉，一段到三段，到四段，有严格的年龄阶段。她在换的时候，大概知道她宝宝的出生日期，我们很好的知道她的宝宝，每次上这个平台购物的时候，她宝宝大概的年龄，以及身高、年龄、参数。很快她就能找到她想要的东西。
我们的平台里面，大家知道不管是支付宝也好，淘宝也好，天猫也好，有一些实名认证。实名认证，并不一定全。当我们真正在我们的业务里面用到年龄和性别的时候，其实我们要解决的把不准、不全的那些东西补全了。这就是我们数据挖掘应用里面，要去解决的数据的预测的模型。我把年龄不准的，给它修正掉，把没有提交年龄的，根据它购物的行为，包括它的偏好，以及购物可能会存在年龄梯度的信息，反向的给它匹配掉。他不能解决100%的问题，不能说我算出来就100%的准，但是目前能达到83%的准确度，基本上在很多的业务产品下，可以提供到业务里面去用。
我们对商家来说，我们有几种，一个是在平台上，我要不要给他更多的机会，另外是我能不能帮助到商家，更好的去与这个平台对接，让他更好的服务我们的消费者。这里面会有很多，包括我们搜索的时候，商家有一些排序。我们申报活动的时候，哪些商家可以参加，哪些不可以参加，我们会有一系列的针对商家的模型。前几年我们看到筛选活动，更多的是小二的智慧去筛选。这两年大家发现，一个商家能不能参加活动，当这个活动出来之后我就可以知道。
为什么双11我能够很清楚的知道，我们能卖多少？是因为我们有了这一系列基础的工作，我知道商家，知道了消费者。知道了消费者大概多少人这一天来到我的平台上购物。每个人会花多少钱。我知道这些商品大概由哪些商家贡献，在之前我就知道哪些商家是符合我这个活动要求，进来参与这个活动，哪些商家不行，就是因为有了这一系列的模型能力解决这些东西。
当商家在成长过程中，遇到问题的时候，我们怎么能够很好的提示给商家，说你今天可能要做一些调整，或者说你要做，不管是货品、流量，资金，你需要做一些优化的时候，我们会有一些对商家的提示等行为。
在商品方面，其实我们对消费者的服务，主要是通过交易购买的商品来传递。其实我们对商品的一些算法的研究，也是蛮多的。这里能看到的商品的生命周期，一些标签，这里面有一系列的逻辑，来解决业务上的要求。包括品牌，我怎么知道这个品牌，与另外一个品牌是同一个诚实的。我们会说国际的一些大牌，进入中国，进入电商的时候，他特别的排斥，想要一块自己的地，不愿意跟很低端的品牌放在一起，觉得丢不起这个脸。但是到底哪些品牌可以放在一起，怎么放到一起，这就是我们算法要去解决的问题。哪些品牌是同一个城市，哪些品牌调性差不多，服装的品牌怎么知道这一系列品牌，是适合同一个消费群体的，这就是我们要解决的一系列的问题。
解决了这些问题，在我们导购的时候，就可以说这些品牌可以放在一起。另外一些品牌他不会放在一起。当一个消费者在选择家电品牌的时候，他选择某一个品牌，我就知道他要买家具等一系列东西的时候，他要选择什么品牌，这就是我们要做的基础的东西。
