⑴ 大數據項目經理的7大要求
隨著雲時代的來臨，大數據（Big data）也吸引了越來越多的關注。越來越多的政府、企業等機構開始意識到數據正在成為組織最重要的資產，數據分析能力正在成為組織的核心競爭力。同樣，在企業的項目管理領域，大數據存在重要的價值，作為大數據時代的項目經理，又需要什麼必備條件呢？
方法/步驟
大學畢業以及繼續教育
在我所進行的對大數據項目經理職位的研究中，遇到的許多大數據項目經理職位的前提條件是運籌學、理科或者工程學碩士或者博士。如果由於項目時間和預算限制，無法立即獲得大學教育，那麼是時候需要尋找大數據和供應商教育相關的不斷增長的大學課程。
培訓和專業開發管理經驗
在一些大城市地區，僅擁有大數據畢業和繼續教育知識是無法跟上需求，因此具有培訓背景的項目經理可以為其組織在創建大數據內部培訓發揮重要的作用。項目經理還需要管理其大數據團隊的繼續教育和專業開發，確保員工和整體努力的順利。當預算時間恢復時，表示培訓需求成為大數據培訓產生良好經營效果的巨大挑戰。
過程開發經驗
大數據需要當前軟體開發壽命周期(SDLC)和其它相關的過程，例如實現進行改變。具備過程開發經驗的項目將在組織現有過程應用到大數據上時發揮重要作用。本過程工作需要領導，當大數據進入樣機研究階段時以確保大數據項目轉換為生產。
為了進行大數據開發進行風險消減設計時，需要更多的過程開發和項目管理技術，而非僅涉及項目交付過程。
交叉功能團隊管理經驗
大數據項目團隊與你以往所帶領的傳統軟體開發或者工程團隊不盡相同。大數據項目團隊包括多學科人才，如工程設計、操作、業務分析甚至電力用戶。團隊的核心任務是使所有數據有意義;如果你領導某一大數據項目，你必須領導多專業人才順利實現該目標。
市場營銷和銷售技術
隨著大數據的潛在變化以及新業務出現，為了完成大數據項目經理工作，你需要市場營銷和銷售技術。很容易在大數據分析中迷失，但是面向客戶任務的項目經理，應能夠幫助處理建議、銷售表示以及客戶簡報。還有經典的咨詢銷售電話，項目經理伴隨公司銷售並向潛在客戶介紹其大數據技術解決方案。另外，大數據團隊還必須銷售其服務，並判斷其背後的投資以結合從大數據中受益的管理和部門。
科技技術和性能
項目經理在進入大數據開始解決，團隊中每名成員需要逐個傳遞。大數據當前狀態還需要大量經驗，這是為什麼項目經理需要至少具備一些技術技能的另一原因。這些技術技能可能來自之前的經驗(大數據項目經理可選自公司經營或者技術部門)，並根據內部培訓和廠家培訓創建。
大數據為經驗豐富的項目經理提供了許多機會，在創建大數據基礎過程中發揮工具作用，並培養一支具有融合計劃和經營實踐的尖端團隊。
咨詢技術
具備咨詢內部和外部客戶解決方案背景和經驗的項目經理可以在大數據世界中找到歸屬。隨著大數據如此廣泛的開放，項目經理需要監督企業數據管理、資料庫、經營信息不斷出現的領域，並能夠向客戶和上層管理咨詢大數據發展方向以及在經營和項目中如何發揮大數據的優勢。你還能夠在建議可選擇數據管理方案、內部項目和外部客戶策略中發揮作用。
⑵ 大數據時代哪些工作將被人工智慧取代
智能出行——被取代員工：駕駛員、助理、內審、財務出納等
智能比價——被取代員工：采購
智能項目管理——被取代員工：項目經理、數據分析員
但毫無疑問，智能代替人工的時代，已經開啟了。這不是狼來了
大數據是一種趨勢--ITjob
⑶ 大數據時代下建築業有哪些高科技手段智慧工地管理又是怎麼做的
目前的建築工程高科技手段莫過於BIM, (建築信息化模擬)。
智慧工地管理就是盡力朝左BIM前進！
⑷ 運營商迎來大數據時代 管理和分析是大挑戰
運營商迎來大數據時代：管理和分析是大挑戰
大數據不是新的概念，在移動互聯網發展起來後，數據增長速度加快，整個產業壓力突出，傳統資料庫技術已無法滿足運營商對大數據充分利用的需求的背景下，大數據成為近年來的熱點。對運營商來說，數據爆發性增長後，帶來的收入並未改觀，因此，運營商面臨著數據流的附加值被互聯網公司賺走的挑戰，同時面臨淪為管道化的尷尬，如何利用好運營商手中的大數據，成為需要面對的問題。
運營商面臨數據管理和分析挑戰
易觀國際分析師黃萌表示，大數據發展時間不長，隨著雲概念和3G的深入發展，運營商數據壓力增大，同時IDC擴容，偏向以存儲為主的雲服務業務。
運營商新業務的涌現，導致數據暴增。信令數據、互聯網數據其規模已經達到數百TB,甚至PB規模。此外，據EMC數據計算事業部大中國區總經理劉偉光介紹，數據的價值除了與數據規模相關，還與數據處理周期成正比關系。也就是，數據處理的速度越快、越及時，其價值越大，發揮的效能越大。而除了分析傳統結構化數據外，隨著新增值業務拓展，運營商對實現跨結構化、半結構化、非結構化數據進行高效分析有著愈發強烈的訴求。
而運營商面對海量數據和數據結構的變化，不僅是成本，還有管理和分析的挑戰。黃萌認為，運營商相對互聯網企業有優勢，具有雄厚的資源和龐大的IDC集群，擁有電信級的運營網路，具有保證大數據實時、暢通傳送的能力，同時具有網路資源和運營能力。而相對互聯網企業劣勢的地方在於上層應用，尤其是在Saas層面。
大數據有待深挖掘
南京郵電大學盧扞華教授認為，大數據時代主要是對技術的綜合運用和對數據的深度挖掘。對運營商來說，大數據帶來的機會大於挑戰。運營商有自己的網路，積累了大量非常有價值的數據，可以進行客戶分析。利用網路收集數據，對運營商運營方式的改變是個機會。
真正實現精準化營銷和精細化運營的秘訣就在於如何利用好運營商手中的大數據。海量話單、信令、互聯網數據本身就是一筆寶貴的財富。利用好這些數據，充分、及時地對這些數據進行深度分析挖掘，不僅可以進一步提升服務質量、提高客戶忠誠度、挖掘新商機、增加收入，還可以通過優化資源配置、減少浪費來提升運營效率，有效降低運營成本。
此外，電信運營商信息化實施比較早，本身大數據積累的也多，例如以前的日誌信息，包含用戶信息和設備信息，可以進行挖掘使用。運營商越來越重視對數據的挖掘，可以獲得未來開發業務和開拓市場的機會。另一方面，分析結果不會涉及隱私，管理好了可以更少產生法律糾紛。此外，電信運營商通過數據分析還可以提供面向社會的信息應用。[page]
盧扞華教授認為，大數據是對技術的綜合應用，要有開放、融合、服務和創新的心態，大數據可以為運營商創造另一片天地。例如一個大數據的應用通過收集數據，對大量圖片進行分析，最終形成一個場景圖。這就是對數據分析、統計技術、圖片處理技術和人工智慧合成技術的綜合運用。據悉，南郵正在開發這方面的應用。
據了解，目前中國三個電信運營商在業務支撐領域、網管IT支撐領域包括增值業務領域，已經隨著市場的需求誕生了很多新的大數據實時分析的項目。目前，大數據主要應用在運營商的"信令"系統分析上，此外，運營商還可以通過"用戶行為分析"系統，進行精準營銷。運營商還提供IDC服務，通過"雲"中心的方式為互聯網企業提供服務。
對公市場前景巨大
黃萌表示，單批、單次數據爆發性增長，對其進行的可知的時間處理能力是關鍵點。對運營商來說，IDC服務在對政府和高校、企業等非個人業務市場上前景巨大；對於個人業務，運營商剛開始做，由於回收投資較慢、離散性強，現在主要是針對個人精準運營的業務。智能管道方面，運營商正在基於大數據平台進行流量分析，但是落地的項目少。
據介紹，運營商大數據戰略還不太明晰，但是有了一些建樹。去年十月份中國移動開始做的"大雲"、數據管理系統和平台，覆蓋很多園區、學校，2.0技術比1.0技術大幅提升；中國聯通2010年開始對企業提供IDC服務，截至目前，營收超20億元（人民幣）；中國電信2011年成立雲公司，尚無實體業務，IDC託管規模相對聯通小很多。
據電信專家韓少敏介紹，數據類型分為非結構化數據和媒體流，運營商開展大數據分析面對的問題主要是硬體能力。數據一方面是縱向關系，比如"信令",採用水平分隔數據的方式就可以，按照時間段分別存儲分析。此外還有橫向關系，需要垂直分隔，由於查詢復雜，需要引入真正的演算法去做。韓少敏認為，目前掌握這方面能力的人才奇缺。並且，運營商在分布式資料庫方面少有進展。而從應用角度，大數據一方面用作於統計分析，建數據倉庫，其次還有非文本查詢，現在大多數資料庫公司可以做以上兩個方面，而對於關系型數據共享層面，目前還做不了。
中國聯通在IDC服務方面走在三家運營商前面，其面向企業提供服務，目前通過按關系水平分隔的方式，將數據集中起來，但是一旦到關系型數據的共享層面，因為沒有數據模型，找不到底層的資料庫血緣，目前的方案無法解決問題。但是運營商目前做這些數據積累，可以為將來發展提供機會。
劉偉光認為，對於運營商來說，大數據等於大價值。對於IT企業，大數據等於大機遇。通信行業需求從來都是IT技術發展的重要推動力，誰能得到通信行業客戶的認可，必然會在大數據領域大有作為，進而成為大數據解決方案的領先者、領導者。
⑸ 大數據時代如何做好數據治理
企業數據分析系統的數據來源是各個業務系統或手工數據，這些數據的格式、內容等都有可能不同。如果不進行數據治理，數據的價值難以發揮。只有對數據標准進行規范，管理元數據、數據監控等，才能得到高質量的數據。得到規范的數據後，才可在此基礎上進行主題化的數據建模、數據挖掘、數據分析等。
2013年被眾多的IT人定義為中國的大數據元年，這一年國內的大數據項目開始在交通、電信、金融部門被廣泛推動。各大銀行對Hadoop的規劃、POC尤其風生水起，帶動了一波大數據應用的熱潮，這個熱潮和當初數據倉庫進入中國時的2000年左右很相似：應用還沒有想好，先歸集一下數據，提供一些查詢和報表，以技術建設為主，業務推動為輔。這就導致了這股Hadoop熱潮起來的時候，傳統企業都是以數據歸集為主的，而BAT這樣的企業則天生以數據為生，早早進入了數據驅動技術和業務創新的階段。
隨著Hadoop技術的提升，數據如何進來，如何整合，開展什麼樣的應用都已經有了成熟的案例，可是，同傳統數倉時代一樣，垃圾進垃圾出，如何破？相比傳統數倉時代，進入Hadoop集群的數據更加的多樣、更加的復雜、量更足，這個數倉時代都沒有處理好的事情，如何能夠在大數據時代處理好，這是所有大數據應用者最最期盼的改變，也是大數據平台建設者最有挑戰的難題：數據治理難的不是技術，而是流程，是協同，是管理。 睿治數據治理平台平台架構
元數據：採集匯總企業系統數據屬性的信息，幫助各行各業用戶獲得更好的數據洞察力，通過元數據之間的關系和影響挖掘隱藏在資源中的價值。
數據標准：對分散在各系統中的數據提供一套統一的數據命名、數據定義、數據類型、賦值規則等的定義基準，並通過標准評估確保數據在復雜數據環境中維持企業數據模型的一致性、規范性，從源頭確保數據的正確性及質量，並可以提升開發和數據管理的一貫性和效率性。
數據質量：有效識別各類數據質量問題，建立數據監管，形成數據質量管理體系，監控並揭示數據質量問題，提供問題明細查詢和質量改進建議，全面提升數據的完整性、准確性、及時性，一致性以及合法性，降低數據管理成本，減少因數據不可靠導致的決策偏差和損失。
數據集成：可對數據進行清洗、轉換、整合、模型管理等處理工作。既可以用於問題數據的修正，也可以用於為數據應用提供可靠的數據模型。
主數據：幫助企業創建並維護內部共享數據的單一視圖，從而提高數據質量，統一商業實體定義，簡化改進商業流程並提高業務的響應速度。
數據資產：匯集企業所有能夠產生價值的數據資源，為用戶提供資產視圖，快速了解企業資產，發現不良資產，為管理員提供決策依據，提升數據資產的價值。
數據交換：用於實現不同機構不同系統之間進行數據或者文件的傳輸和共享，提高信息資源的利用率，保證了分布在異構系統之間的信息的互聯互通，完成數據的收集、集中、處理、分發、載入、傳輸，構造統一的數據及文件的傳輸交換。
生命周期：管理數據生老病死，建立數據自動歸檔和銷毀，全面監控展現數據的生命過程。
數據安全：提供數據加密、脫敏、模糊化處理、賬號監控等各種數據安全策略，確保數據在使用過程中有恰當的認證、授權、訪問和審計等措施。
建立完整的、科學的、安全的、高質量的數據管控技術體系，是首要的任務。作為數據管控的基石，為了更好支撐後續工作的開展，技術體系必須一步到位，是功能完備、高質量、高擴展性的，而不是僅實現部分功能，或者功能不完善的「半成品」。
疊加更多業務數據、細化數據業務屬性與管理屬性、優化與調整數據管控流程，尤其是適應未來的現代企業數據管控制度的建立完善，是逐步積累推廣、不斷磨合改進的長期過程。這些工作應及早啟動，並成為後續大數據平台建設工作的重點。
談大數據時代的數據治理 當前要做的是功能框架的完善，而完善的著力點則是「數據資產目錄」：用資產化的視角來管理一個企業的數據，只有把數據作為資產來認識和管理，大數據項目才能達成預期，也能夠治理好。大數據時代帶來的價值，個人認為主要有兩個，一個是技術架構，主要是架構理念的進步，另外一個更重要的則是對數據的重視。大數據時代是數據的時代，IT向DT轉型，不單單是BAT，所有的IT公司，未來都在數據這兩個字上。
對於一個企業來說，把數據作為資產，才是建設大數據的最終目的，而不是僅僅是因為Hadoop架構帶來性價比和未來的擴展性。當一個企業把數據作為資產，他就像管理自己名下存摺、信用卡一樣，定期梳理，無時無刻不關心資產的變化情況，關注資產的質量。
而資產目錄就是管理資產的形式和手段，他像菜單一樣對企業的資產進行梳理、分門別類，提供給使用者；使用者通過菜單，點選自己需要的數據，認可菜單對應的後端處理價值，後廚通過適當的加工，推出相應的數據服務；這是一個標準的流程，而這些流程之上，附著一整套數據管理目標和流程。
大數據平台以數據資產目錄為核心，將元數據、數據標准、主數據、數據質量、數據生命周期、數據輪廓等信息在邏輯層面關聯起來，在管理層面上整合成統一的整體，構建起數據管理體系，全面的支持數據服務等具體應用。
大數據平台實現了數據存儲、清洗和應用。在數據匯入和匯出的過程中，需要對數據的元數據進行統一記錄和管理，以利於後續的數據應用和數據血緣分析。數據質量一直是數據集成系統的基礎工作，對數據的各個環節設置數據質量檢查點，對數據質量進行剖析、評估，以保證後續應用的可信度。
在數據收集的過程中，隨著數據維度、指標的聚集，如何找到所需的業務指標及屬性，並且評估相關屬性的業務及技術細節，需要對收集的所有數據進行業務屬性，並進行分類，建立完善的數據資產目錄。
數據資產目錄是整個大數據平台的數據管理基礎，而數據資產目錄由於數據的多樣性，在使用的過程中，必然涉及數據許可權的申請、審批管控流程，而管控流程的建立依賴於相應崗位的設立和對應職責的建立。
大數據平台的數據管理架構規劃，通過數據物理集中和數據邏輯整合，徹底擺脫企業「數據豎井」的困境。大數據平台數據管理架構分為功能架構、流向規劃和數據架構三個層面。
數據管理功能架構：借鑒DAMA數據管理和DMM數據成熟度理論，著眼於數據管理技術和數據管理流程融合，組織數據管理功能。
數據流向規劃架構：規劃整個大數據平台的數據流向，並在數據流入、數據整合、數據服務的具體環節實現精細化管理。
數據管理的數據架構：以數據資產目錄為核心，數據項為最小管理單元，將技術元數據（實體、屬性和關系）、業務元數據和管理元數據（數據標准、主數據、數據質量、數據安全）融合為彼此緊密聯系、密不可分的整體，共同構成精細化管理的數據基礎。
數據管理在整個大數據平台不僅僅是一個主要功能模塊，它還是整個企業層面數據治理的重要組成部分，它是技術和管理流程的融合，也需要合理管控流程框架下組織機構之前的協調合作。如何利用統一的數據管理模塊對企業所有進入到數據湖的數據進行有效管控，不單單取決於數據管理模塊本身，也取決於元數據的合理採集、維護，組織結構及制度的強力支持保證。
談大數據時代的數據治理 大數據平台數據管理參照了DAMA對於數據管理的九個管理目標，並進行裁剪，並對部分管理目標進行了合並，並參照了CMMI制定DMM數據成熟度目標，採用循序漸進，逐步完善的策略對管理目標進行分階段完成，制定完整的管控流程和數據治理規范，以便持續的對數據進行管理，遞進實現DMM定義的成熟度目標。
億信睿治數據治理管理平台和DAMA的對應關系如下：
談大數據時代的數據治理 大數據平台數據管理的核心內容是數據資產目錄，圍繞數據資產目錄的數據流入、數據整合、數據服務都是數據管理的核心。數據管理主要管理數據的流動，以及管理流動帶來的數據變化，並對數據底層的數據結構、數據定義、業務邏輯進行採集和管理，以利於當前和未來的數據使用。為了更好的對數據進行管理和使用，制度層面的建設、流程的設立必不可少，同時也兼顧到數據在流動過程中產生的安全風險和數據隱私風險。
因此數據管理介入到完整的數據流轉，並在每個節點都有相應的管理目標對應，整個數據流框架如下圖所示：
談大數據時代的數據治理 企業在建制大數據平台的同時，對進入數據湖的數據進行梳理，並按照數據資產目錄的形式對外發布。在發布數據資產之後，則對進出數據湖的數據進行嚴格的出入庫管理，保證數據可信度，並定期進行數據質量剖析檢查，確保數據資產完善、安全、可信，避免「不治理便破產」的讖言。