川普選舉利用的大數據

1. 美國大選川普特朗普當選總統獲得多少票

特朗普當選總統獲得304張票。

2017年1月6日，在美國華盛頓國會山，副總統拜登主持國會兩院聯席會議，點數選舉人票。正式確認唐納德·特朗普在2016年11月總統選舉中以304票對227票擊敗民主黨總統候選人希拉里·柯林頓，當選美國第鋒棚碼45任總統。

(1)川普選舉利用的大數據擴展閱讀：

美國東部時間2017年01月20日11時30分許，美國總統就職典禮在國會大廈西側的露天平台上舉行。當天卸任的奧巴馬總統，前總統比爾·柯林頓及他的夫人、2016年民主黨總統候選人希拉里·柯林頓，前總統喬治·布希、前總統卡特等前政要和社會名流也應邀出席特朗普的就職典禮。

特朗普在就職演說中對華盛頓政治予以抨擊，重申「讓美國再次強大」。他說，長期以來美國人民沒有得到經濟發展的好處，這次權力交接不僅是黨派和政府之和穗間的交接，也是把權力從華盛頓交給人民，承諾改變就從他就職的時刻開始。

2. 大數據是什麼

大數據是什麼意思呢?
如果從字面意思來看，大數據指的是巨量數據。那麼可能有人會問，多大量級的數據才叫大數據?不同的機構或學者有不同的理解，難以有一個非常定量的定義，只能說，大數據的計量單位已經越過TB級別發展到PB、EB、ZB、YB甚至BB級別。
最早提出「大數據」這一概念的 是全球知名咨詢公司麥肯錫，它是這樣定義大數據的：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統資料庫軟體工具能力范圍的數據集合,具有海量的數據規模、快速的數據流轉、多樣的數據類型以及價值密度低四大特徵。
研究機構Gartner是這樣定義大數據的：「大數據」是需要新處理模式才能具有更強的決策力、洞察發現力和流轉優化能力來適應海量、高增長率和多樣化的信息資產。若從技術角度來看，大數據的戰略意義不在於掌握龐大的數據，而在於對這些含有意義的數據進行專業化處理，換言之，如果把大數據比作一種產業，那麼這種產業盈利的關鍵在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

3. 簡述身邊大數據成功案例並且用了哪些大數據的數據達到什麼效果

隨著大數據時代的到來，大數據早已被逐步的運用在我們生活中的方方面面，那麼除了之前眾所周知的大數據殺熟事件，對於大數據你還了解多少呢？科學運用案例你又知道多少?今天就跟隨千鋒小編一起來看看。
洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。
google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。
統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。
麻省理工學院利用手機定位數據和交通數據建立城市規劃。
梅西百貨的實時定價機制，根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。
……
種種的案例實在是太多，或許我們永遠說不完一樣，所以我們就來看一看大數據被科學運用的一個經典案例：
「啤酒與尿布」的故事產生於20世紀90年代的美國沃爾瑪超市中，沃爾瑪的超市管理人員分析銷售數據時發現了一個令人難於理解的現象：在某些特定的情況下，「啤酒」與「尿布」兩件看上去毫無關系的商品會經常出現在同一個購物籃中，這種獨特的銷售現象引起了管理人員的注意，經過後續調查發現，這種現象出現在年輕的父親身上。
如果這個年輕的父親在賣場只能買到兩件商品之一，則他很有可能會放棄購物而到另一家商店，直到可以一次同時買到啤酒與尿布為止。沃爾瑪發現了這一獨特的現象，開始在賣場嘗試將啤酒與尿布擺放在相同的區域，讓年輕的父親可以同時找到這兩件商品，並很快地完成購物;而沃爾瑪超市也可以讓這些客戶一次購買兩件商品、而不是一件，從而獲得了很好的商品銷售收入，這就是「啤酒與尿布」 故事的由來。
當然「啤酒與尿布」的故事必須具有技術方面的支持。1993年美國學者Agrawal提出通過分析購物籃中的商品集合，從而找出商品之間關聯關系的關聯演算法，並根據商品之間的關系，找出客戶的購買行為。艾格拉沃從數學及計算機演算法角度提 出了商品關聯關系的計算方法——Aprior演算法。沃爾瑪從上個世紀 90 年代嘗試將 Aprior 演算法引入到 POS機數據分析中，並獲得了成功，於是產生了「啤酒與尿布」的故事。
其實大數據，其影響除了以上列舉的方面外，它同時也能在經濟、政治、文化等方面產生深遠的影響，大數據可以幫助人們開啟循「數」管理的模式，也是我們當下「大社會」的集中體現，三分技術，七分數據，得數據者得天下。

4. 大數據的4v特點具體指的是什麼

大數據的4V特點：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值)。大數據技術的戰略意義專不在於掌握屬龐大的數據信息。

而在於對這些含有意義的數據進行專業化處理。換而言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

(4)川普選舉利用的大數據擴展閱讀：

大數據的應用：

1、洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。

2、google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。

3、統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。

4、麻省理工學院利用手機定位數據和交通數據建立城市規劃。

5. 關於大數據分析的四個關鍵環節

關於大數據分析的四個關鍵環節
隨著大數據時代的到來，AI 概念的火熱，人們的認知有所提高。為什麼說大數據有價值 這是不是只是一個虛的概念 大家怎麼考慮數據驅動問題 為什麼掌握更多的數據就會更有效 這些問題很難回答，但是，大數據絕不是大而空洞的。
資訊理論之父香農曾表示，信息是用來消除不信任的東西，比如預測明天會不會下雨，如果知道了今天的天氣、風速、雲層、氣壓等信息，有助於得出更准確的結論。所以大數據是用來消除不確定性的，掌握更多的有效數據，可以驅動企業進行科學客觀的決策。桑文鋒對大數據有著自己的理解，數據採集遵循「大」、「全」、「細」、「時」四字法則。「大」強調宏觀的「大」，而非物理的「大」。大數據不是一味追求數據量的「大」。比如每天各地級市的蘋果價格數據統計只有 2MB，但基於此研發出一款蘋果智能調度系統，就是一個大數據應用，而有些數據雖然很大，卻價值有限;「全」強調多種數據源。大數據採集講求全量，而不是抽樣。除了採集客戶端數據，還需採集服務端日誌、業務資料庫，以及第三方服務等數據，全面覆蓋，比如美國大選前的民意調查，希拉里有70%以上勝算，但是川普成為了美國總統，因為采樣數據有偏差，支持川普的底層人民不會上網回復。「細」強調多維度數據採集，即把事件的維度、屬性、欄位等都進行採集。如電商行業「加入購物車」的事件，除了採集用戶的 click 數據，還應採集用戶點擊的是哪個商品、對應的商戶等數據，方便後續交叉分析。「時」強調數據的時效性。顯然，具有時效性的數據才有參考價值。如國家指數，CPI 指數，月初收集到信息和月中拿到信息，價值顯然不同，數據需要實時拿到，實時分析。從另一個視角看待數據的價值，可以分為兩點，數據驅動決策，數據驅動產品智能。數據的最大價值是產品智能，有了數據基礎，再搭建好策略演算法，去回灌產品，提升產品本身的學習能力，可以不斷迭代。如今日頭條的新聞推薦，網路搜索的搜索引擎優化，都是數據驅動產品智能的體現。

數據分析四個關鍵環節 桑文鋒把數據分析分為四個環節，數據採集、數據建模、數據分析、指標。他提出了一個觀點，要想做好數據分析，一定要有自底向上的理念。很多公司的數據分析自頂向下推動，用業務分析指標來決定收集什麼數據，這是需求驅動工程師的模式，不利於公司長久的數據採集。而一個健康的自底向上模式，可以幫助公司真正建立符合自己業務的數據流和數據分析體系。 一、數據採集 想要真正做好大數據分析，首先要把數據基礎建好，核心就是「全」和「細」。 搜集數據時不能只通過 APP 或客戶端收集數據，伺服器的數據、資料庫數據都要同時收集打通，收集全量數據，而非抽樣數據，同時還要記錄相關維度，否則分析業務時可能會發現歷史數據不夠，所以不要在意數據量過大，磁碟存儲的成本相比數據積累的價值，非常廉價。 常見的數據採集方式歸結為三類，可視化/全埋點、代碼埋點、數據導入工具。

第一種是可視化/全埋點，這種方式不需要工程師做太多配合，產品經理、運營經理想做分析直接在界面點選，系統把數據收集起來，比較靈活。但是也有不好的地方，有許多維度信息會丟失，數據不夠精準。第二種是代碼埋點，代碼埋點不特指前端埋點，後端伺服器數據模塊、日誌，這些深層次的都可以代碼埋點，比如電商行業中交易相關的數據可以在後端採集。代碼埋點的優勢是，數據更加准確，通過前端去採集數據，常會發現數據對不上，跟自己的實際後台數據差異非常大。可能有三個原因：第一個原因是本身統計口徑不一樣，一定出現丟失;第二點是流量過大，導致數據丟失異常;第三點是SDK兼容，某些客戶的某些設備數據發不出去，導致數據不對稱。而代碼埋點的後台是公司自己的伺服器，自己核心的模擬可以做校準，基本進行更准確的數據採集。第三種是通過導入輔助工具，將後台生成的日誌、數據表、線下數據用實時批量方式灌到裡面，這是一個很強的耦合。數據採集需要採集數據和分析數據的人共同參與進來，分析數據的人明確業務指標，並且對於數據的准確性有敏感的判斷力，採集數據的人再結合業務進行系統性的採集。二、數據建模很多公司都有業務資料庫，裡面存放著用戶注冊信息、交易信息等，然後產品經理、運營人員向技術人員尋求幫助，用業務資料庫支持業務上的數據分析。但是這樣維護成本很高，且幾千萬、幾億條數據不能很好地操作。所以，數據分析和正常業務運轉有兩項分析，數據分析單獨建模、單獨解決問題。數據建模有兩大標准：易理解和性能好。數據驅動不是數據分析師、資料庫管理員的專利，讓公司每一個業務人員都能在工作中運用數據進行數據分析，並能在獲得秒級響應，驗證自己的新點子新思維，嘗試新方法，才是全員數據驅動的健康狀態。多維數據分析模型(OLAP)是用戶數據分析中最有效的模型，它把用戶的訪問數據都歸類為維度和指標，城市是維度，操作系統也是維度，銷售額、用戶量是指標。建立好多維數據分析模型，解決的不是某個業務指標分析的問題，使用者可以靈活組合，滿足各種需求。三、數據分析數據分析支持產品改進產品經理在改進產品功能時，往往是拍腦袋靈光一現，再對初級的點子進行再加工，這是不科學的。《精益創業》中講過一個理念，把數據分析引入產品迭代，對已有的功能進行數據採集和數據分析，得出有用的結論引入下一輪迭代，從而改進產品。在這個過程中大數據分析很關鍵。Facebook 的創始人曾經介紹過他的公司如何確定產品改進方向。Facebook 採用了一種機制：每一個員工如果有一個點子，可以抽樣幾十萬用戶進行嘗試，如果結果不行，就放棄這個點子，如果這個效果非常好，就推廣到更大范圍。這是把數據分析引入產品迭代的科學方法。桑文鋒在 2007 年加入網路時，也發現了一個現象，他打開郵箱會收到幾十封報表，將網路知道的訪問量、提問量、回答量等一一介紹。當網路的產品經理提出一個需求時，工程師會從數據的角度提出疑問，這個功能為什麼好 有什麼數據支撐 這個功能上線時如何評估 有什麼預期數據 這也是一種數據驅動產品的體現。數據驅動運營監控運營監控通常使用海盜模型，所謂的運營就是五件事：觸達是怎麼吸引用戶過來;然後激活用戶，讓用戶真正變成有效的用戶;然後留存，提高用戶粘性，讓用戶能停留在你的產品中不斷使用;接下來是引薦，獲取用戶這么困難，能不能發動已有的用戶，讓已有用戶帶來新用戶，實現自傳播;最後是營收，做產品最終要賺錢。要用數據分析，讓運營做的更好。數據分析方法互聯網常見分析方法有幾種，多維分析、漏斗分析、留存分析、用戶路徑、用戶分群、點擊分析等等，不同的數據分析方法適用於不同的業務場景，需要自主選擇。舉個多維分析的例子，神策數據有一個視頻行業的客戶叫做開眼，他們的軟體有一個下載頁面，運營人員曾經發現他們的安卓 APP 下載量遠低於 iOS，這是不合理的。他們考慮過是不是 iOS 用戶更願意看視頻，隨後從多個維度進行了分析，否定了這個結論，當他們發現某些安卓版本的下載量為零，分析到屏幕寬高時，看出這個版本下載按鈕顯示不出來，所以下載比例非常低。就這樣通過多維分析，找出了產品改進點。舉個漏斗分析的例子，神策數據的官網訪問量很高，但是注冊-登錄用戶的轉化率很低，需要進行改進。所以大家就思考如何把轉化漏斗激活地更好，後來神策做了小的改變，在提交申請試用後加了一個查看登錄頁面，這樣用戶收到賬戶名密碼後可以隨手登錄，優化了用戶體驗，轉化率也有了可觀的提升。四、指標如何定義指標 對於創業公司來說，有兩種方法非常有效：第一關鍵指標法和海盜指標法。第一關鍵指標法是《精益數據分析》中提出的理論，任何一個產品在某個階段，都有一個最需要關注的指標，其他指標都是這個指標的衍生，這個指標決定了公司當前的工作重點，對一個初創公司來說，可能開始關注日活，圍繞日活又擴展了一些指標，當公司的產品成熟後，變現就會成為關鍵，凈收入(GMV)會變成第一關鍵指標。