大数据体积

㈠ 大数据时代的数据分析师该了解哪些事情

大数据时代的数据分析师该了解哪些事情
近几年来，大数据养精蓄锐，从刚开始的无人谈及，到现在的盛行谈论，就这样走进了公众的视野。什么是大数据呢?对于数据分析师，它有意味着什么?处在人人高谈的大数据时代，数据分析师该了解哪些内容，本文将为您解答。
用Google搜索了一下“BigData”，得到了19,600,000个结果……而使用同样的词语，在两年前你几乎搜索不到什么内容，而现在大数据的内容被大肆宣传，内容多得让人眼花缭乱。而这些内容主要是来自IBM、麦肯锡和O’Reilly ，大多数文章都是基于营销目的的夸夸其谈，对真实的情况并不了解，有些观点甚至是完全错误的。我问自己…… 大数据之于数据分析师，它意味着什么呢?如下图所示，谷歌趋势显示，与“网站分析”(web analytics)和”商业智能”(business intelligence)较为平稳的搜索曲线相比，“大数据”(big data)的搜索量迎来了火箭式的大幅度增长。
被神话的大数据
Gartner把“大数据”的发展阶段定位在“社交电视”和“移动机器人”之间，正向着中部期望的高峰点迈进，而现在是达到较为成熟的阶段前的二至五年。这种定位有着其合理性。各种奏唱着“大数据”颂歌的产品数量正在迅速增长，大众媒体也进入了“大数据”主题的论辩中，比如纽约时报的“大数据的时代“，以及一系列在福布斯上发布的题为” 大数据技术评估检查表“的文章。
进步的一面体现在
，大数据的概念正在促使内部组织的文化发生转变，对过时的“商务智能”形成挑战，并促进了“分析”意识的提升。
基于大数据的创新技术可以很容易地被应用到类似数据分析的各种环境中。值得一提的是，企业组织通过应用先进的业务分析，业务将变得更广泛、更复杂，价值也更高，而传统的网站分析受到的关注将会有所减弱。
大数据的定义
什么是“大数据”，目前并没有统一的定义。维基网络提供的定义有些拙劣，也不完整：“ 大数据，指的是所涉及的数据量规模巨大到无法通过主流的工具，在合理的时间内撷取、管理、处理、并整理成为人们所能解读的信息 “。
IBM 提供了一个充分的简单易懂的概述：
大数据有以下三个特点：大批量(Volume)、高速度(Velocity)和多样化(Variety) 。 大批量 – 大数据体积庞大。企业里到处充斥着数据，信息动不动就达到了TB级，甚至是PB级。 高速度 – 大数据通常对时间敏感。为了最大限度地发挥其业务价值，大数据必须及时使用起来。 多样化 – 大数据超越了结构化数据，它包括所有种类的非结构化数据，如文本、音频、视频、点击流、日志文件等等都可以是大数据的组成部分。 MSDN的布莱恩·史密斯在IBM的基础上增加了第四点： 变异性 – 数据可以使用不同的定义方式来进行解释。不同的问题需要不同的阐释。
从技术角度看大数据
大数据包括了以下几个方面：数据采集、存储、搜索、共享、分析和可视化，而这些步骤在商务智能中也可以找到。在皮特·沃登的“ 大数据词汇表 “中，囊括了60种创新技术，并提供了相关的大数据技术概念的简要概述。
获取 ：数据的获取包括了各种数据源、内部或外部的、结构化或非结构化的数据。“大多数公共数据源的结构都不清晰，充满了噪音，而且还很难获得。” 技术： Google Refine、Needlebase、ScraperWiki、BloomReach 。
序列化：“你在努力把你的数据变成有用的东西，而这些数据会在不同的系统间传递，并可能存储在不同节点的文件中。这些操作都需要某种序列化，因为数据处理的不同阶段可能需要不同的语言和API。当你在处理非常大量的记录时，该如何表示和存储数据，你所做的选择对你的存储要求和性能将产生巨大影响。 技术： JSON、BSON、Thrift、Avro、Google Protocol Buffers 。
存储 ：“大规模的数据处理操作使用了全新的方式来访问数据，而传统的文件系统并不适用。它要求数据能即时大批量的读取和写入。效率优先，而那些有助于组织信息的易于用户使用的目录功能可能就显得没那么重要。因为数据的规模巨大，这也意味着它需要被存储在多台分布式计算机上。“ 技术： Amazon S3、Hadoop分布式文件系统 。
服务器 ：“云”是一个非常模糊的术语，我们可能对它所表示的内容并不很了解，但目前在计算资源的可用性方面已有了真正突破性的发展。以前我们都习惯于购买或长期租赁实体机器，而现在更常见的情况是直接租用正运行着虚拟实例的计算机来作为服务器。这样供应商可以以较为经济的价格为用户提供一些短期的灵活的机器租赁服务，这对于很多数据处理应用程序来说这是再理想不过的事情。因为有了能够快速启动的大型集群，这样使用非常小的预算处理非常大的数据问题就可能成为现实。“ 技术： Amazon EC2、Google App Engine、Amazon Elastic Beanstalk、Heroku 。
NoSQL：在IT行为中，NoSQL(实际上意味着“不只是SQL”)是一类广泛的数据库管理系统，它与关系型数据库管理系统(RDBMS)的传统模型有着一些显著不同，而最重要的是，它们并不使用SQL作为其主要的查询语言。这些数据存储可能并不需要固定的表格模式，通常不支持连接操作，也可能无法提供完整的ACID(原子性—Atomicity、一致性—Consistency、隔离性—Isolation、持久性—Durability)的保证，而且通常从水平方向扩展(即通过添加新的服务器以分摊工作量，而不是升级现有的服务器)。 技术： Apache Hadoop、Apache Casandra、MongoDB、Apache CouchDB、Redis、BigTable、HBase、Hypertable、Voldemort 。
处理 ：“从数据的海洋中获取你想要的简洁而有价值的信息是一件挑战性的事情，不过现在的数据系统已经有了长足的进步，这可以帮助你把数据集到转变成为清晰而有意义的内容。在数据处理的过程中你会遇上很多不同的障碍，你需要使用到的工具包括了快速统计分析系统以及一些支持性的助手程序。“ 技术： R、Yahoo! Pipes、Mechanical Turk、Solr/ Lucene、ElasticSearch、Datameer、Bigsheets、Tinkerpop 。 初创公司： Continuuity、Wibidata、Platfora 。
MapRece ：“在传统的关系数据库的世界里，在信息被加载到存储器后，所有的数据处理工作才能开始，使用的是一门专用的基于高度结构化和优化过的数据结构的查询语言。这种方法由Google首创，并已被许多网络公司所采用，创建一个读取和写入任意文件格式的管道，中间的结果横跨多台计算机进行计算，以文件的形式在不同的阶段之间传送。“ 技术： Hadoop和Hive、Pig、Cascading、Cascalog、mrjob、Caffeine、S4、MapR、Acunu、Flume、Kafka、Azkaban、Oozie、Greenplum 。
自然语言处理 ：“自然语言处理(NLP)……重点是利用好凌乱的、由人类创造的文本并提取有意义的信息。” 技术： 自然语言工具包Natural Language Toolkit、Apache OpenNLP、Boilerpipe、OpenCalais。
机器学习：“机器学习系统根据数据作出自动化决策。系统利用训练的信息来处理后续的数据点，自动生成类似于推荐或分组的输出结果。当你想把一次性的数据分析转化成生产服务的行为，而且这些行为在没有监督的情况下也能根据新的数据执行类似的动作，这些系统就显得特别有用。亚马逊的产品推荐功能就是这其中最著名的一项技术应用。“ 技术： WEKA、Mahout、scikits.learn、SkyTree 。
可视化 ：“要把数据的含义表达出来，一个最好的方法是从数据中提取出重要的组成部分，然后以图形的方式呈现出来。这样就可以让大家快速探索其中的规律而不是仅仅笼统的展示原始数值，并以此简洁地向最终用户展示易于理解的结果。随着Web技术的发展，静态图像甚至交互式对象都可以用于数据可视化的工作中，展示和探索之间的界限已经模糊。“ 技术： GraphViz、Processing、Protovis、Google Fusion Tables、Tableau 。
大数据的挑战
最近举行的世界经济论坛也在讨论大数据，会议确定了一些大数据应用的机会，但在数据共用的道路上仍有两个主要的问题和障碍。
1.隐私和安全
正如Craig & Ludloff在“隐私和大数据“的专题中所提到的，一个难以避免的危机正在形成，大数据将瓦解并冲击着我们生活的很多方面，这些方面包括私隐权、政府或国际法规、隐私权的安全性和商业化、市场营销和广告……试想一下欧盟的cookie法规，或是这样的一个简单情景，一个公司可以轻易地在社交网络上收集各种信息并建立完整的资料档案，这其中包括了人们详细的电子邮箱地址、姓名、地理位置、兴趣等等。这真是一件吓人的事情!
2.人力资本
麦肯锡全球研究所的报告显示 ，美国的数据人才的缺口非常大，还将需要140,000到190,000个有着“深度分析”专业技能的工作人员和1.500个精通数据的经理。寻找熟练的“网站分析”人力资源是一个挑战，另外，要培养自己的真正拥有分析技能的人员，需要学习的内容很多，这无疑是另一个大挑战。
大数据的价值创造
很多大数据的内容都提及了价值创造、竞争优势和生产率的提高。要利用大数据创造价值，主要有以下六种方式。
透明度 ：让利益相关人员都可以及时快速访问数据。实验 ：启用实验以发现需求，展示不同的变体并提升效果。随着越来越多的交易数据以数字形式存储，企业可以收集更准确、更详细的绩效数据。决策支持 ：使用自动化算法替换/支持人类决策，这可以改善决策，减少风险，并发掘被隐藏的但有价值的见解。创新 ：大数据有助于企业创造出新的产品和服务，或提升现有的产品和服务，发明新的商业模式或完善原来的商业模式。细分 ：更精细的种群细分，可以带来不同的自定义行为。
工业领域的增长 ：有了足够的和经过适当培训的人力资源，那些重要的成果才会成为现实并产生价值。
数据分析的机会领域
当“网站分析”发展到“数据智能“，毫无疑问，数据分析人员也工作也应该发生一些转变，过去的工作主要是以网站为中心并制定渠道的具体战术，而在将来则需要负责更具战略性的、面向业务和(大)数据专业知识的工作。
数据分析师的主要关注点不应该是较低层的基础设施和工具开发。以下几点是数据分析的机会领域：
处理：掌握正确的工具以便可以在不同条件下(不同的数据集、不同的业务环境等)进行高效的分析。目前网站分析专家们最常用的工具无疑是各类网站分析工具，大多数人并不熟悉商业智能和统计分析工具如Tableau、SAS、Cognos等的使用。拥有这些工具的专业技能将对数据分析人员的发展大有好处。
NLP：学习非结构化数据分析的专业技能，比如社交媒体、呼叫中心日志和邮件的数据多为非结构化数据。从数据处理的角度来看，在这个行业中我们的目标应该是确定和掌握一些最合适的分析方法和工具，无论是社会化媒体情感分析还是一些更复杂的平台。
可视化 ：掌握仪表板的展示技能，或者宽泛点来说，掌握数据可视化的技术是摆在数据分析师面前一个明显的机会(注：不要把数据可视化与现在网络营销中常用的“信息图”infographics相混淆)。
行动计划
在大数时代，其中一个最大的挑战将是满足需求和技术资源的供给。当前的“网站分析”的基础普遍并不足够成熟以支持真正的大数据的使用，填补技能差距，越来越多的“网站分析师”将成长为“数据分析师”。

㈡ 什么样的数据量叫大数据

分好多类吧;比如某计算天体运动的程序要计算几百位的浮点数据运算;虽然数据体积不大;但是计算过程很占资源
再比如,某网站要在1秒内相应上万个用户的登陆请求;这个数据体积也不大,但是要求即时响应速度;
再比如;某服务器需要备份数据库,备份大小达到几十个G;这个是一般意义上的大数据

㈢ 大数据是怎么产生的 它的商业机会在哪

大数据是怎么产生的 它的商业机会在哪

近些年，大数据已经和云计算一样，成为时代的话题。大数据是怎么产生的，商业机会在哪？研究机会在哪？这个概念孕育着一个怎样的未来？

昨天在车库咖啡参加了一个小型的研讨活动，就这些问题进行了一些讨论，我结合自己的一些理解做一个总结。

首先，大数据是怎么产生的？

1）物理世界的信息大量数字化产生的

例如刘江老师指出的好大夫网，将医生的信息，门诊的信息等数字化。其实还有很多，比如新浪微博将茶馆聊天的行为（弱关系产生信息数字化），朋友聊天的行为数字化（强关系产生信息数字化）。视频监控探头将图像数字化。

2）社交网络产生的

在雅虎时代，大量的都是读操作，只有雅虎的编辑做一些写操作的工作。进入web2.0时代，用户数大量增加，用户主动提交了自己的行为。进入了社交时代，移动时代。大量移动终端设备的出现，用户不仅主动提交自己的行为，还和自己的社交圈进行了实时的互动，因此数据大量的产生出来，并且具有了极其强烈的传播性。

3）数据都要保存所产生的

一位嘉宾指出，旧金山大桥保留了百年的历史数据，在时间跨度上产生了价值，很多网站在早期对数据的重视程度不够，保存数据的代价很大，存储设备的价格昂贵，但是时代变了，存储设备便宜了，用户自己产生的数据得到了重视，数据的价值被重视了。因此越来越多的数据被持续保存

其次，大数据和大规模数据的区别？

big data之前学术界叫very large data，大数据和大规模数据的差距是什么？我认为在英文中large的含义只是体积上的，而big的含义还包含重量上的，价值量上的。因此我认为

1）大数据首先不是数量上的堆砌，而是具有很强的关联性结构性

比如有一种数据，记录了世界上每一颗大树每年长高的程度，这样的数据不具有价值，因为只是简单堆砌。

如果数据变成，每一个大树记录它的，地点，气候条件，树种，树龄，周边动植物生态，每年长高的高度，那么这个数据就具有了结构性。具有结构性的数据首先具有极强的研究价值，其次极强的商业价值。

在比如，淘宝的数据，如果只记录一个交易的买家，卖家，成交物品，价格等信息，那么这个商业价值就很有限。淘宝包含了，买家间的社交关系，购物前后的其他行为，那么这个数据将非常有价值。

因此，只有立体的，结构性强的数据，才能叫大数据，才有价值，否则只能叫大规模数据。

2）大数据的规模一定要大，而且比大规模数据的规模还要大

要做一些预测模型需要很多数据，训练语料，如果数据不够大，很多挖掘工作很难做，比如点击率预测。最直白的例子，如果你能知道一个用户的长期行踪数据，上网的行为，读操作和写操作。那么几乎可以对这个人进行非常精准的预测，各种推荐的工作都能做到很精准。

最后，大数据的机会在哪里？对小公司的机会在哪？

围绕数据的整个产业链上，我认为具有以下机会

1）数据的获得

大量数据的获得，这个机会基本属于新浪微博等这类大企业，大量交易数据的获得，也基本属于京东，淘宝这类企业。小企业基本没机会独立得到这些用户数据。

2）数据的汇集

例如如果你要能把各大厂商，各大微博，政府各个部门的数据汇集全，这个机会将是极大的。

但，这个工作，做大了需要政府行为，做中档了，要企业间合作，做小了，也许就是一个联盟或者一个民间组织，比如中国爬盟。

3）数据的存储

汇集了数据后，立即遇到的问题就是存储，这个代价极大，原始数据不能删除，需要保留。因此提供存储设备的公司，执行存储这个角色的公司，都具有巨大的市场机会，但是这也不属于小公司，或者早期创业者。

4）数据的运算

在存储了数据以后，怎么把数据分发是个大问题，各种API，各种开放平台，都是将这些数据发射出去，提供后续的挖掘和分析工作，这个也需要有大资本投入，也不适合小公司。

5）数据的挖掘和分析

数据需要做增值服务，否则数据就没有价值，big也big不到哪里去，是没有价值的big。因此这种数据分析和挖掘工作具有巨大的价值，这个机会属于小公司，小团体。

6）数据的使用和消费

在数据做到了很好的挖掘和分析后，需要把这些结果应用在一个具体的场合上，来获得回报，做数据挖掘和分析的公司，必须得找到这些金主才行，而这些金主肯定也不是小公司。

大数据未来的形态，或者产业链结构一定是分层的，巨大的，价值的体现发生在各个层次，每个层次都是生态链的重要一环，都孕育着巨大的机遇和挑战，我们能做的唯有努力，做适合自己的工作。

以上是小编为大家分享的关于大数据是怎么产生的 它的商业机会在哪的相关内容，更多信息可以关注环球青藤分享更多干货

㈣ 大数据和大规模数据的区别

big data之前学术界叫very large data，大数据和大规模数据的差距是什么？我认为在英文中large的含义只是体积上的，而big的含义还包含重量上的，价值量上的。因此我认为

1）大数据首先不是数量上的堆砌，而是具有很强的关联性结构性

比如有一种数据，记录了世界上每一颗大树每年长高的程度，这样的数据不具有价值，因为只是简单堆砌。

如果数据变成，每一个大树记录它的，地点，气候条件，树种，树龄，周边动植物生态，每年长高的高度，那么这个数据就具有了结构性。具有结构性的数据首先具有极强的研究价值，其次极强的商业价值。

在比如，淘宝的数据，如果只记录一个交易的买家，卖家，成交物品，价格等信息，那么这个商业价值就很有限。淘宝包含了，买家间的社交关系，购物前后的其他行为，那么这个数据将非常有价值。

因此，只有立体的，结构性强的数据，才能叫大数据，才有价值，否则只能叫大规模数据。

2）大数据的规模一定要大，而且比大规模数据的规模还要大

要做一些预测模型需要很多数据，训练语料，如果数据不够大，很多挖掘工作很难做，比如点击率预测。最直白的例子，如果你能知道一个用户的长期行踪数据，上网的行为，读操作和写操作。那么几乎可以对这个人进行非常精准的预测，各种推荐的工作都能做到很精准。

㈤ 大数据在智慧交通中起了哪些作用

大数据用于智能交通的积极意义
第一，大数据的虚拟性可以解决跨越行政区域的限制。交通大数据的虚拟性，有利于其信息跨越区域管理，只要多方共同遵照相关的信息共享原则，就能在已有的行政区域下解决跨域管理问题。
第二，大数据具有信息集成优势和组合效率。大数据有助于建立综合性立体的交通信息体系，通过将不同范围、不同区域、不同领域的“数据仓库”加以综合，构建公共交通信息集成利用模式，发挥整体**通功能，这样才能发现新价值，带来新机会。例如气象、交通、保险部门的数据结合起来，可高效率地研究交通领域防灾减灾;IC卡数据结合抽样调查，能更快捷、更精确测得城市交通流分布状况。
第三，大数据的智能性能较好的配置交通资源。通过对大数据的分析处理，可以辅助交通管理制定出较好的统筹与协调解决方案。一方面减少各个交通部门运营的人力和物力，另一方面可有些提升道理交通资源的合理利用。如根据大数据结果确定多模式地面公交网络高效配置和客流组织方案，多层次地面公交主干网络绿波通行控制以及交通信号自适应控制。
第四，大数据的快速性和可预测性能提升交通预测的水平。在对各个部门的数据进行准确提炼和构建合适的交通预测模型后，可以有效模拟交通未来运行状态，验证技术方案的可行性。而在实时交通预测领域，大数据的快速信息处理能力，对于车辆碰撞、车辆换道、驾驶员行为状态检测等实时预测也有非常高的可靠性。
第五，提高交通运行效率。大数据技术能促进提高交通运营效率、道路网的通行能力、设施效率和调控交通需求分析。交通的改善所涉及工程量较大，而大数据的大体积特性有助于解决这种困境。
大数据的实时性，使处于静态闲置的数据被处理和需要利用时，即可被智能化利用，使交通运行的更加合理。大数据技术具有较高预测能力，可降低误报和漏报的概率，随时针对交通的动态性给予实时监控。因此，在驾驶者无法预知交通的拥堵可能性时，大数据亦可帮助用户预先了解。
第六，提高交通安全水平。主动安全和应急救援系统的广泛应用有效改善了交通安全状况，而大数据技术的实时性和可预测性则有助于提高交通安全系统的数据处理能力。在驾驶员自动检测方面，驾驶员疲劳视频检测、酒精检测器等车载装置将实时检测驾车者是否处于警觉状态，行为、身体与精神状态是否正常。同时，联合路边探测器检查车辆运行轨迹，大数据技术快速整合各个传感器数据，构建安全模型后综合分析车辆行驶安全性，从而可以有效降低交通事故的可能性。在应急救援方面，大数据以其快速的反应时间和综合的决策模型，为应急决策指挥提供辅助，提高应急救援能力，减少人员伤亡和财产损失。
第七，提供环境监测方式。大数据技术在减轻道路交通堵塞、降低汽车运输对环境的影响等方面有重要的作用。通过建立区域交通排放的监测及预测模型，共享交通运行与环境数据，建立交通运行与环境数据共享试验系统，大数据技术可有效分析交通对环境的影响。同时，分析历史数据，大数据技术能提供降低交通延误和减少排放的交通信号智能化控制的决策依据，建立低排放交通信号控制原型系统与车辆排放环境影响仿真系统。

㈥ 顺丰推“一键测体积”技术：不到2秒 误差小于3%

近日，顺丰 科技 视觉团队推出了新的一款视觉领域的产品——快测AR，拍照就能测体积，而且不但能测量箱子体积，还能测量花盆等异形件包装后的体积。当收派员需要测量体积时，点开APP中对应的测量按键，对准抛货一键拍摄，即可获取抛货的体积数据，平均体积误差小于3% ，满足实际业务对于测量精度的要求。

快测AR不仅能测量规则箱体，也能测量异形件(最小外接长方体体积)。整个测量过程不需要放置参照物，也不需要人工选点校准箱子顶点，测量完成后自动计算运费，十分便捷。

人工拉尺测量一个包裹，耗时平均在30秒左右;相比之下，快测AR测量时间小于2秒，也减少了手动输入数据的操作，不仅显著提高了收派员的工作效率，也能缩短客户收件时的等待时间，提升用户体验。

同时，每件货物的体积数据在大数据平台上被二次利用，助力后续货物配载、运力调度，实现精细化运营。

㈦ 大数据有哪些误区

误区1：大数据无处不在

目前，大数据技术和服务确实是使用率创历史新高的行业的关注焦点。但是，Gartner的大数据事实和数据显示，在所有组织中，只有73%的组织正在计划和投资大数据。但是，它们仍处于大数据采用的萌芽阶段。

误区2：大数据都与大小有关

大数据的特点是5V——Volume(体积)、Velocity(速度)，Variety(品种)，Veracity(准确性)和Value(值)。虽然处理大量数据是大数据的主要特征之一， 然而数量仅仅是大数据的主要定义特征。此外，数据的其他功能同样重要。

误区3：大数据可以预测业务未来的一切

分析可以使用大数据预测趋势，但不是推动业务发展的数据。企业有许多因素，如经济，人力资源，技术等等。因此，当涉及到预测业务的未来时，您无法通过数据预测某些事情。

误区4：大数据意味着大预算，而且适用于大公司

我们已经看到像跨国公司和政府机构这样的组织投入巨资建立大规模数据中心和高端技术来实施大数据。不仅如此，聘用熟练的大数据专业人员和数据科学家也是一件非常昂贵的事情，因为他们的需求因市场资源紧张而很高。

㈧ 大数据下财务分析思考

大数据下财务分析思考

大数据时代的到来为企业的发展提供了机遇，那么，财务分析如何进一步发展呢?以下是我整理的大数据下财务分析思考，希望对大家有所帮助。

大数据下财务分析思考 篇1

【摘要】

财务管理是企业管理的核心，随着互联网的普及，财务工作的内涵和外延不断扩展，如何适应科技发展，提升财务管理的效率和质量就成为企业必须考虑的问题。本文中，笔者就将从财务分析的发展历程和传统财务分析面临的主要问题入手，参考相关理论与文献，结合财务工作实际，对大数据时代下的财务分析具体策略展开研究。

【关键词】财务管理;大数据时代;财务分析

随着信息化时代的发展，云平台、物联网等新兴技术逐渐走入我们的生产与生活。大数据作为海量数据的处理技术，能够帮助人们快速实现数据的归集与分析，为管理者决策提供依据，对于财务管理意义重大。本文中，笔者主要从结果分析转向过程管控、单一分析转向多样性分析、阶段分析转向实时分析等方面对大数据时代下财务分析的发展方向进行研究，并提出一些做好财务分析工作的具体策略。

一、财务分析的发展历程

(一)手工处理阶段

早期，会计人员对数据的采集、存储、加工、传递都是依靠纸张和算盘等计算工具进行的，这种手工方式的处理需要阅读大量的会计资料，在整个过程中，会计人员很容易出现差错，除此之外，手工处理的效率也相对低下。

(二)计算机处理阶段

计算机问世后，财务数据的分析与处理效率得到极大提高，但借助计算机的财务分析也仅仅只是手工方式的模拟，即一种程序只能完成一项业务的分析，会计资料、信息的交换与分享仍主要经由光盘、软盘等存储介质。这一阶段，计算机处理的信息具有很大局限性，各部门对资料的决策参考不能实现充分交流，及时性和准确性有待进一步提升。

(三)网络处理阶段

互联网的普及使财务资料和信息能够借助网络进行处理和传递，会计实现了业务流程和信息流程的集成处理，彻底消除了以往“信息孤岛”的现象，极大提高了企业的信息共享性。但这一阶段对于数据的总结、归纳、提炼仍不够精确，数据的使用价值有待提高。

(四)大数据分析阶段

大数据分析是建立在云计算基础上的一项新型技术，大数据下的财务分析，数据的抽取与分析将更为便捷，数据的结构、内涵将更加复杂、多样，加之分析方法更加精确、更加智能，财务分析的时效性与决策参考价值都得到很大程度提升。

二、传统财务分析面临的问题

(一)以事后分析为主，对事前、事中管控不足

传统财务分析只能对已经发生的财务数据进行归集、处理，这时分析结果的实效性和有效性已经大大降低，既不利于企业财务管理的风险控制，也不利于企业的经营决策。加之，通货膨胀等宏观经济原因的影响，企业的资产会被低估，成本偏低，收益虚增的情况时有发生，这将对企业利润表与资产负债表的真实可靠性不利。

(二)以财务报表分析为主，对非财务资料的分析不足

传统财务分析主要参考财务报表，这使得财务分析的数据和结果均有局限性。一方面，企业固定资产折旧、对外投资核算以及存货发出计价等内容可以依据会计准则以及自身实际情况选择不同的会计处理方法，因此，数据的处理结果往往不具有可比性。另一方面，固定资产折旧年限、固定资产净残值率以及坏账准备金比例等受到会计人员主观影响的可能性较大，这些由估算得来的数值也会对财务分析产生一定影响。

(三)以结果为主，过程分析不足

大多数企业的财务分析仅将企业最终的利润作为分析重点，即过分注重经营结果，忽略了财务管理中的先进管理分析、非会计材料分析、资金链分析等过程分析，认为只要企业盈利了就表明经营状况良好。这种分析思路对于控制企业经营成本与风险不利，不能从根本上帮助提高企业投资产出比和资本运营能力。

(四)以应付外部监管、检查为主，参与企业管理与决策的功能不足

目前，大部分企业的财务分析工作只是为了应付外部检查而设置的，其在企业经营管理中的地位较低，不能参与企业的管理决策。此外，财务分析对应的外部检查项目种类较多，检查方式也多为制式表格，会计人员疲于应付填表，无法实现对数据和信息的细致分析。

三、大数据时代下财务分析的发展趋势

(一)由结果分析向过程分析

转变以销售业务为例，以往的财务分析主要针对终端的销售结果进行统计，进而实现对产品渠道、组织、数量、金额等内容的分析，但这种分析方式无法对产品销售进行溯源，只能根据结果进行定性判断，也就不能为决策提供准确参考。大数据时代下，后台人员能够对特殊信息进行采集、处理，还可对消费者评价、促销活动情况等中间数据与信息进行归集、分析，这对于企业及时调整经营策略，提高经营效率具有重要意义。

(二)由单一分析向多样性分析

转变要判断某个客户的经营状况，按照传统财务分析的思路分析其财务报表是不全面的，必须要有大量的财务数据和非财务数据支撑才能得到更精确的结论。在大数据时代下，财务分析要从以往的单一分析向多渠道信息分析转变，实现对数据内容的拓展，帮助企业更全面地了解自身经营情况。

(三)由阶段性分析向实时分析转变以往对终端信息的采集以及财务分析报告的出台多是定期的，这对于突发项目考虑不够全面，不利于企业的风险管控。在大数据时代下，个性化的策略和精细化的财务分析能够做到实时查询，信息能够通过网络及时传递，企业也能及时参考分析结果进行经营调整。

四、大数据时代下做好财务分析工作的具体策略

(一)提高财务分析人才素养大数据时代，财务分析将在企业管理中扮演更重要的角色，因此，财务人员要更深入地学习新的分析方法，提高自己使用新技术的能力，培养自身敏锐的判断力，积累财务分析的经验，树立大财务思维，重视大数据的开发和运用。

一方面，财务人员要苦练内功，具备扎实的会计业务能力，另一方面还要将视野扩大至决策分析与支持、信用管理、风险管理、作业成本管理等综合管理领域，提升自身财务大数据的处理能力和分析能力。

(二)制定清晰的财务分析战略

行业和企业不同，对于大数据的使用也会存在一定程度的差异，因此，企业要根据自身所处的行业特点与企业属性制定财务战略，构建适合自己的财务分析体系。

具体来讲，企业一方面要明确自身实际，确定自身业务量和信息量，并针对数据的规模确定财务分析的层次、结构以及配备的人员数量和目标结果;另一方面，财务分析战略的建构是一个宏大的工程，企业要制定中长期计划，逐步完成，不可盲目求大，要从IT架构等基础设施做起，逐步向各环节业务领域实现拓展。

(三)完善财务分析新系统的主要功能

首先，要实现大数据财务分析的灵活查询功能。企业要依据职能不同为各环节各部门分配不同权限，用户可查阅权限以内的相关数据，同时，还要进一步完善财务系统建设，筛选真正有价值的指标进行收集与处理，为企业决策提供更准确的参考内容。其次，要引入多维分析技术。

在实际过程中，财务人员面对的资料和数据往往较为复杂，这就需要我们引入多维分析处理技术，进一步整合数据源，提高指标计算的自动化程度，进而提升财务分析的综合性。最后，要引入人机交互的操作模式。大数据时代的财务分析系统要能够根据实际需要进行信息性质和范围的变动，方便财务人员及时进行人为调整，提高财务分析的适应性。

五、结语

总之，大数据时代的到来为企业的发展提供了机遇，作为企业管理核心部位的财务分析应主动适应时代，找准自身定位，做发展的引领者，广大财务人员要进一步创新工作方式，拓展财务分析的外延与内涵，使之成为企业决策、发展的智库。

【参考文献】

[1]涂子沛.大数据:正在到来的数据革命[J].广西师范大学出版社,2012(08)

[2]孟小峰,慈祥.大数据管理:概念、技术与挑战[J].计算机研究与发展,2013(01)

[3]迟红梅.发挥财务分析在企业财务管理中的核心作用的研究[J].时代金融,2011(04)

[4]程平,王晓江.大数据、云会计时代的企业财务决策研究[J].会计之友,2015(02)

大数据下财务分析思考 篇2

摘要：

本文从企业的发展由来、中小企业财务管理所存在的问题出发，在列出了几个典型的问题后进行进一步的阐述。企业财务管理犹如企业的血液，要是血液出了问题，那么整体都会出现严重的问题。在深入揭示企业财务管理所存在的问题的同时，本文也给出了一些合理建议和对策供参考。

关键词：

中小企业；财务管理

1、引入背景

现代企业往往都有着很深远的历史，其发展与生产由当时的商品经济情况和生产力状况决定，在其发展的过程中，往往会产生很多的问题，如企业的发展方向该怎么选，企业的目标怎么定，企业的组织结构，企业管理模式，企业财务管理等等。对于企业来说，目标是导向，组织结构和管理模式是根基，而企业财务管理则是决定企业如何周转资金从而实现可持续发展的重要的一点。随着国家相关政策的出台，很多企业相应国家的号召，进行企业的现代企业制度的建设与改革，这在很大程度促进了企业的转型升级和提升，对于形成一个良好的市场经济有着重要的作用。企业财务管理自然而然也发生了很大的转变，从以往单一的财务管理模式到现在的复合型财务管理模式，任何事物都有两面性，企业财务管理模式的转变自然而然也带来了一些问题。去了解这些问题并且尝试提出解决这些问题方法显得尤为重要。

2、中小企业财务管理的问题

2.1内部财务管理没有主动权

有不少的中小企业几乎将自己的企业财务全权交给相应的会计事务所来打理，自己则不干涉其中，这就造成了在很大程度上企业对于自己财务状况的不了解不熟悉，被动地接受专门的会计事务所所出具的分析报告，对于分析报告也只是一般的了解了解下就不管了，只要企业是正盈利就放心，而不去深入了解这种正盈利究竟是短暂的还是长期的，是刚好处于长期正盈利的区间内还是刚好处于盈利与亏损的交界点，这些都是企业对于财务管理不负责任的态度。

2.2财务管理制度不完整

中小企业实力较差，往往没有大企业那种严格的科学的财务管理模式，有的也只是照搬其他企业的模式，不结合自己企业的实际情况，导致企业花了大量精力去管理企业，但是却适得其反，中小企业的财务体制大部分是单调的、没有科学性、不健全等等。

2.3资金使用不恰当

大部分企业认为攥在手里在钱越多企业越适合继续发展，其实这是不对的，企业这样将钱大把大把的放在手上会造成资金的周转困境，严重的甚至会导致持续生产的困难，企业资金比例配置不合理，固定资金多于流动资金或者流动资金多于固定资金的很多倍，导致企业需要流动资金的时候没有，需要固定资金的时候也没有，从而使得企业失去了很多发展的机会，严重的甚至会威胁到企业的发展。企业的赊销也是一个很显见的财务问题，欠的钱无法及时的还，借出去的钱因为没有具体的赊销制度而导致无法合适的收回，造成企业财务状况恶化。

2.4投资投机化

中小企业主要是靠私人老板来决策企业的发展，缺乏健全科学有效的管理决策制度，很多老板看着别人投资这个他也跟着投资，不结合自己企业的具体情况，受投机心理的驱使，往暂时的社会热点区投资，其结果可能导致企业破产。因为这样会使得企业的钱使用不合理，加上前面所述的企业本来就资金周转不合理，就是在这种不合理的情况下，企业一步一步走向了衰退，直至消失。

3、应对策略及建议

3.1内部管理主动化

中小企业应该直接掌握企业的主动权，建立健全财务部门，增强其解决财务问题的能力，财务部门要不断地进行培训工作，定期召开报告大会，可以效仿专业的会计师事务所的管理制度，但是不能照搬，要符合自身企业的发展情况来进一步制定适合企业发展的财务方案。

3.2健全企业财务管理制度

首先，中小企业应该按照科学的方法并且结合企业自身的实际来制定适合本企业发展的企业财务管理制度，决不可照搬他人的，各部门加强协作，从小部门到大部门，都应该做到遵纪守法，企业的发展方向符合市场规律，各财务人员要做好接受专业培训工作，将学习的知识和工作的实践结合起来，在干中学学中干，在内部建立好牵制制度，经办、审批、财物保管等人员的职责与权限要有明确的规定，不能越位行事，做好自己的事情，目光要长远，决不可因为眼前的些许利益而放弃长远的利益，对企业要负责。其次，企业要建立合理的审计制度，因为合理的内部审计制度能够确保企业合理运行的规范性，监督企业财产的安全、完整和使用，确保企业在进行目标的制定和企业重大问题的决策时，有良有效的行事程序，从而有较好的抗风险性。同时要有自己的财务指标，当财务状况偏离财务指标的时候，相关人员要做出调整。

3.3合理配置资金

企业对于资金的配置问题，应该做到客观、合理，要以资金运用效益、效率为导向，发挥企业整体优势，将有限的资金投入在合适的地方，并建立良好的制度来评价和分析资金使用情况，抓住关键环节解决所产生的问题，提高资金利用效率。

3.4投资要符合规范

企业的老板应该多元化投资，即将资金投资在很多不相同的领域，从而减少非系统性风险给企业带来的不必要的损失，投资周期也应该按照企业具体发展情况来确定，既要有长期投资也要有短期投资。同时，投资应该分为对内投资和对外投资，要设立相关领域投资负责人，负责人必须熟悉该领域的特点以及投资的风险性，有相关的投资经验，管理技能，不能随便选择无关人员负责该投资项目，投资还要符合相关法律法规的规定，不能做违反的事情。

4、结语

综上所述，企业财务管理应该规范且适合企业发展，随着市场开放程度的放大，企业必然面临很多机遇与挑战，财务人员要做好应对挑战的准备，为公司创造更多的财富是财务管理人员的首要职责，企业管理人员要用长远的眼光思考问题，正确发展观念则是一个很重要的要素，没有正确的发展观念，企业很难在经济全球化下生存下来，各企业要做好财务管理人员的培训工作，使得他们能够更加专业更加敬业的为企业做贡献，为企业创造更大的财富。

参考文献

[1]袁满.中小企业财务管理的发展与创新[J].中国商论,2011(23).

[2]文逢博,裴更生,高蕾.中小企业财务管理存在的问题及对策[J].河北大学学报(哲学社会科学版),2010(4).

大数据下财务分析思考 篇3

摘要：

从某种程度上看，财务外包服务，这是金融服务外包企业的重要组成部分。现阶段，我国很多的财务外包企业还是处于初步发展的阶段，其缺陷较为明显，例如，业务单一、人员规模较小和专业水准不高等方面的问题，上述的因素必然会影响我国财务外包企业的稳步发展。为此，本文便以“大数据背景下的财务外包企业发展趋势”为题，深入研究我国财务外包企业在发展过程中所存在的问题，并提出具有针对性的措施，从而更好地推动我国财务外包企业的发展。

关键词：

大数据；财务外包；问题；应用

现阶段，现代企业要想更好地在市场竞争中获得有利的地位，这就必须要不断自身的管理水平。同时，我们还要根据时代发展的潮流，逐步财务外包企业的管理。当然，在财务外包企业的内部管理中，需要加强财务管理，这是因为财务管理的工作质量水平将会直接影响到企业的总体发展及市场竞争的有效性。在大数据的背景下，财务外包企业在财务管理方面面临着巨大的挑战，需要不断加强工作和研究力度，尽力寻找全新的管理思路和具体的手段，从而推动财务外包企业的稳步发展。

一、大数据下的数据特点

在大数据背景下，数据、信息和资料，这是现代企业管理工作所必须依赖的内容。而且，现代企业对数据信息的重视程度大大超出了前期的内容。若是不重视数据信息的利用，必然会影响到财务外包企业的快速发展。但是，从目前的情况来看，现阶段简单的数据信息处理与大数据背景下的数据处理还是存在诸多的差距，若是运用一些简单的手段来处理财务问题，显然是无法适应当前大数据背景下的数据利用，以及处理技术的需求。为此，我们想要不断提升大数据背景下财务外包企业的管理水平，这就需要加强大数据背景下的各个数据的处理和应用水平。从某种程度上看，大数据，也就是庞大的数据处理，在数据时代，一般的数据存储介质都是为磁盘、光碟等，在容量和体积上也是以M为单位。可是，近年来数据体积的不断增大，传统的数据单位逐渐变为G和T。而且，在大数据时代下，数据产生的速度较快，且体量也是非常大的，所以，这样就让我们在数据的处理和提炼方面面临着巨大的问题。当然，数据产生量的不断增加，同样也会造成各种数据的杂糅，极大地降低了数据价值的密度。例如，在视频监控的过程中需要进行数据的提取，这既需要进行长达数小时或者是十几个小时的录制和查找，这样就给数据的信息处理工作带来了极大的麻烦。除此之外，虽然说大数据背景下的数据处理呈现出体量巨大、价值密度较低等方面的特点，但是在大数据背景下，其对数据信息的处理要求更为严格。更为重要的是，在物联网、云计算以及PC端的不断发展情况下，财务外包企业必须要不断提升大数据的处理速度，才能更好地实现管理技术的发展。

二、我国财务外包企业的.发展现状分析

从目前来看，我国的财务外包企业企业的业务开展时间较晚，发展也较为缓慢。而且，从财务外包服务企业来看，虽然说国内的财务外包服务业务的企业数量较少，基本上集中在外资企业和中小型企业。而且，我国的财务外包企业的主营业务便集中在传统的会计核算业务，例如，往来账业务出纳服务外包业务、代理纳税申报业务等，而这些传统的业务与会计师事务所、会计代理记账公司、税务师事务所的业务基本重合，难以发挥出财务外包企业自身的特性。同时，从人员的层次上看，我国的财务外包企业的人员素质不高，且人才的学历基本集中在大专水平，所以造成财务外包企业从业人员的待遇偏低，公司人才的流动性较大。在财务外包公司的发展规模上看，我国专业化的财务外包公司的人数基本都是在300人左右。而且，更为重要的是，我国的财务外包公司的业务集中在国内，没有涉及国际财务外包的相关业务。

三、“大数据”背景下对我国财务外包企业的发展影响

从某种程度上看，“大数据”，其主要是利用IT技术来建立相应的数据仓库，并提供和建立数据安全服务，进一步挖掘数据中潜在的商业利益信息，并对其进行商业化的数据分析，以此来获得相应的商业价值。同时，在大数据的背景下，将会直接影响到我国财务外包企业的发展方向。我国财务外包公司只能通过大量的财务数据来进行分析，并挖掘其中重要的信息，从而为客户制定出科学高效的财务数据解决方案，从而达到服务企业的目标。在另外一方面，在大数据时代下，其相关的技术，可以挖掘财务外包公司的数据整理和分析的能力，从而便于将传统的财务外包业务转化成更加具有现代化的会计核算业务，同时，还需要切实帮助财务外包企业领导人更加关注企业的财务数据价值，为财务外包公司的战略目标实现打下坚实的基础。我国财务外包公司在大数据时代的影响下，将会制定出严格高效的战略规划。而且，财务外包公司的业务将不会局限传统的业务核算。而随着我国财务外包企业和发包企业之间的联系，我国财务外包企业将会逐渐演变成为财务管理咨询的业务提供商，并将企业的财务预算管理、信息系统设计研发以及公司的财务战术实施等方面的业务纳入到财务外包企业当中去。最后，受到“大数据”的影响，我国财务外包企业将会掌握大量的企业财务数据信息，在保护企业的信息情况下，我国财务外包企业将会进一步拓展自身的业务。例如，可以利用行业企业的对比数据进行分析，从而为银行贷款提供相应的盈利标准业务，或者是可以为公司担保财务调查服务，还可以为客户提供相应的市场需求信息和金融产品设计理念等方面的信息。

四、加强“大数据”背景下财务外包企业的管理措施

从上述的分析中，我们可以知道，财务外包企业受到“大数据”的影响，财务外包企业在数据收集和处理方面面临全新的问题和特点。为了能够更好地加强数据的收集和整理，将各项财务外包业务从被动到主动的转变，这就需要在财务外包企业的数据信息工作下功夫。不断转变财务外包企业的工作思路，进一步改革管理手段，从而打造全新的管理平台。通过这些方面，才能更好地推动我国财务外包企业的全面发展。

1.灵活地运用财务外包的专业化优势

为了更好地推动大数据背景下财务外包企业的发展，这就需要充分发挥财务外包企业的第三方专业化优势。在当前混合所有制企业下，我们必须要建立公开透明的财务信息体系，以此来扭转财务外包企业信息舞弊的现象，进一步强化财务外包企业的改革。从当前的财务外包企业的发展情况来看，由于缺乏科学高效的财务管理工具，财务外包的委派制度难以起到实质性的效果。为此，我们可以充分发挥好财务外包自身的专业有数，逐步降低企业财务部门的成本，以此来改变财务外包企业内部控制不足的情况，以此来保障财务外包企业自身的资金安全。

2.注重财务外包企业的人才培养

为了能够解决我国财务外包公司专业人才缺乏的问题，这就需要政府、高校以及财务外包企业三者之间形成外包人才培养的机制，只有通过这种方式，才能更好地推动大数据背景下财务外包企业的稳健发展。例如，北京中关村国际孵化软件协会提出了“创新梯队工程”项目，并进一步吸引了更多的人才进入外包企业，同时将财务外包企业与大学生之间进行双向选择，并委派专业导师进入大学生开设相应的选修课，这样就可以让这些大学生直接进入到外包企业工作。最后，我们还要进一步加强财务外包企业的素质选拨，并且根据财务外包企业自身的发展情况制定科学高效的人才培养模式，以此为财务外包企业提供更加专业化的人才。当然，除了要进一步加强我国财务外包企业在职人员的培养外，还需要推行订单式的人才培养模式，以此加强我国财务外包企业的发展。

五、结语

总的来说，在大数据时代下，我国财务外包企业必须要充分发挥数据信息的作用，注重数据的挖掘和分析工作，并能够我财务外包企业提供一系列的财务信息解决方案，不断提升自身的核心竞争力，才能稳步推动我国财务外包企业的发展。同时，还要不断积极参与国际财务外包业务，全面提升我国财务外包企业的业务水平。

参考文献：

[1]王棣华,于婷.财务外包本土化[J].新理财,2011(07).

[2]任秀梅,柳金叶.财务外包风险管理研究[J].中国管理信息化,2010(15).

[3]杨静.财务外包风险控制研究[J].改革与开放,2010(14).

[4]敖翔.简析现代企业财务外包的风险与防范措施[J].中国总会计师,2010(07).

[5]戴福祥,吕利平,石银萍.财务外包风险防范研究[J].财会通讯,2009(29).

[6]王力,方蕾.国际财务外包:特征及风险防范[J].财会学习,2009(09).

㈨ 大数据应用成功的标准究竟是什么

大数据应用成功的标准究竟是什么
在大数据范畴大展拳脚肯定是个正确方向，同时世界各地的初创公司及企业巨头也在借力大数据和大数据应用创造价值——将大量的数据处理转化为金钱或竞争优势。然而光彩的背后，总是掩饰着一些不可忽视的真相。简而言之，不是所有在大数据上的尝试都得到了应有的回报，而且远非如此。同样这里也有另 一个不容忽视的真相，在IT企业界，大数据“成功”定义的标准非常宽松，甚至“我们并没有完全失败”这种的观念都可以归结于“成功”。
那么大数据应用成功的标准究竟是什么？10gen战略副总裁Matt Asay带来了他为成功总结的4个标准：
首先，必须要可以运作大数据应该为行业创造切实的价值，不止是高科技。McKinsey在关于大数据未来的报告中指出，大数据在医疗、政府、零售以及制造产业上拥有万亿的潜在价值。机构对大数据的成功实现需要在一下几个方面带来切实的收获：附加收益、提升客户满意度、削减成本等。
其次，必须有本质提高大数据交付的不应该只是渐进式的商务模式改善，更应该是本质上的突破。比如就初创企业Foursquare来说，为了发现数据之间的关系，Foursquare使用了机器学习算法让系统可以建立“Explore”，一个社交推荐系统可以实时的给用户推荐有价值的位置信息，使用新的业务模 式去驱动位置信息类型业务。“Explore”依赖大数据技术，同时从多于3000万个位置信息中获取见解。现在Foursquare已经具备了理解人们 之间如何进行互动的能力，并且位置信息也不只止步平台，而是真实世界。
再次，必须具备高速度 传统数据库技术会拉低大数据的性能，同样也是非常繁琐的，因为不管这项技术是否迎合你的需求，专利许可涉及到的企业繁琐制度远超出你的想 象。一个成功大数据项目，使用的工具集和数据库技术必须同时满足数据体积及多样性的双重需求。
论据是：一个Hadoop集群只需几个小时就可以搭建，搭建 完成后就可以提供快速的数据分析。事实上大部分的大数据技术都是开源的，这就意味着你可以根据你的需求添加支持和服务，同时许可不再是快速部署的阻碍之 一。 最后，必须能以前所不能 在大数据出现之前，类似Gilt Groupe这种“限时抢购”公司根本不可能实现。限时抢购网站需要日处理上千万用户的登陆，并且会造成非常高的服务器负载峰值——通过高性能、快速扩展的大数据技术让这种商业模型成为可能。
总结
大数据部署成败的关键不是系统每秒可以处理多少数据量，而是使用大数据后给公司业务带来了多少价值以及是否让业务有突破性的提升。专注业务类型，选择适合公司业务的工具集才是该重点关注的领域。

㈩ 大数据英文是什么

译文：big data

重点词汇：data

英［＇deɪtə］

释义：

n.数据；资料

n.（Data）（日）驮太（姓）；（印、葡）达塔（人名）

短语：

Big Data大数据；海量资料；海量数据

词语使用变化：big

adj.（形容词）

1、big作“大”解时，形容物时指体积、面积、范围、容量和重量等“大”；形容人时侧重指身大体胖或辈分大，用于儿童则含“长大成熟”之义，有时也指大人物。当抽象名词不表示一般概念而表示某一具体内容时也可用big修饰。big用在口语中还可表示“宽宏大量的”。

2、big与on连用意思是“精于，热衷于”；与with连用有“充满…的”意思，引申可表示“快要生育”。

3、big and可修饰后面的形容词，其意思不是“大得和…”，而是“非常”，即very。