① 大数据的预测功能是增值服务的核心
大数据的预测功能是增值服务的核心
从走在大数据发展前沿的互联网新兴行业，到与人类生活息息相关的医疗保健、电力、通信等传统行业，大数据浪潮无时无刻不在改变着人们的生产和生活方式。大数据时代的到来，给国内外各行各业带来诸多的变革动力和巨大价值。
最新发布的报告称，全球大数据市场规模将在未来五年内迎来高达26%的年复合增长率——从今年的148.7亿美元增长到2018年的463.4亿美元。全球各大公司、企业和研究机构对大数据商业模式进行了广泛地探索和尝试，虽然仍旧有许多模式尚不明朗，但是也逐渐形成了一些成熟的商业模式。
两种存储模式为主
互联网上的每一个网页、每一张图片、每一封邮件，通信行业每一条短消息、每一通电话，电力行业每一户用电数据等等，这些足迹都以“数据”的形式被记录下来，并以几何量级的速度增长。这就是大数据时代带给我们最直观的冲击。
正因为数据量之大，数据多为非结构化，现有的诸多存储介质和系统极大地限制着大数据的挖掘和发展。为更好地解决大数据存储问题，国内外各大企业和研究机构做了许许多多的尝试和努力，并不断摸索其商业化前景，目前形成了如下两种比较成熟的商业模式：
可扩展的存储解决方案。该存储解决方案可帮助政府、企业对存储的内容进行分类和确定优先级，高效安全地存储到适当存储介质中。而以存储区域网络（SAN）、统一存储、文件整合/网络连接存储（NAS）的传统存储解决方案，无法提供和扩展处理大数据所需要的灵活性。而以Intel、Oracle、华为、中兴等为代表的新一代存储解决方案提供商提供的适用于大、中小企业级的全系存储解决方案，通过标准化IT基础架构、自动化流程和高扩展性，来满足大数据多种应用需求。
云存储。云存储是一个以数据存储和管理为核心的云计算系统，其结构模型一般由存储层、基础管理、应用接口和访问层四层组成。通过易于使用的API，方便用户将各种数据放到云存储里面，然后像使用水电一样按用量进行收费。用户不用关心数据的存储介质、网络状况以及安全性的管理，只需按需向提供方购买空间。
源数据价值水涨船高
在红红火火的大数据时代，随着数据的累积，数据本身的价值也在不断升值，这种情况很好地反应了事物由量变到质变的规律。例如有一种罕见的疾病，得病率为十万分之一，如果从小样本数据来看非常罕见，但是扩大到全世界70亿人，那么数量就非常庞大。以前技术落后，不能将该病情数字化集中研究，所以很难攻克。但是，我们现在把各种各样的数据案例搜集起来统一分析，我们很快就能攻克很多以前想象不到的科学难题。类似的例子，不胜枚举。
正是由于可以通过大数据挖掘到很多看不见的价值，源数据本身的价值也水涨船高。一些掌握海量有效数据的公司和企业找到了一条行之有效的商业路径：对源数据直接或者经过简单封装销售。在互联网领域，以Facebook、twitter、微博为代表的社交网站拥有大量的用户和用户关系数据，这些网站正尝试以各种方式对该源数据进行商业化销售，Google、Yahoo!、网络[微博]等搜索公司拥有大量的搜索轨迹数据以及网页数据，他们可以通过简单API提供给第三方并从中盈利；在传统行业中，中国联通[微博]（3.44, 0.03, 0.88%）、中国电信[微博]等运营商拥有大量的底层用户资料，可以通过简单地去隐私化，然后进行销售盈利。
各大公司或者企业通过提供海量数据服务来支撑公司发展，同时以免费的服务补偿用户，这种成熟的商业模式经受住了时间的考验。但是对于任何用户数据的买卖，还需处理好用户隐私信息，通过去隐私化方式，来保护好用户隐私。
预测是增值服务的核心
在大数据基础上进行深度挖掘，所衍生出来的增值服务，是大数据领域最具想象空间的商业模式。大数据增值服务的核心是什么？预测！大数据引发了商业分析模式转变，从过去的样本模式到现在的全数据模式，从过去的小概率到现在的大概率，从而能够得到比以前更准确的预测。目前形成了如下几种比较成熟的商业模式。
个性化的精准营销。一提起“垃圾短信”，大家都很厌烦，这是因为本来在营销方看来是有价值的、“对”的信息，发到了“错”的用户手里。通过对用户的大量的行为数据进行详细分析，深度挖掘之后，能够实现给“对”的用户发送“对”的信息。比如大型商场可以对会员的购买记录进行深度分析，发掘用户和品牌之间的关联。然后，当某个品牌的忠实用户收到该品牌打折促销的短信之后，一定不是厌烦，而是欣喜。如优捷信达、中科嘉速等拥有强大数据处理技术的公司在数据挖掘、精准广告分析等方面拥有丰富的经验。
企业经营的决策指导。针对大量的用户数据，运用成熟的数据挖掘技术，分析得到企业运营的各种趋势，从而给企业的决策提供强有力的指导。例如，汽车销售公司，可以通过对网络上用户的大量评论进行分析，得到用户最关心和最不满意的功能，然后对自己的下一代产品进行有针对性的改进，以提升消费者的满意度。
总体来说，从宏观层面来看，大数据是我们未来社会的新能源；从企业微观层面来看，大数据分析和运用能力正成为企业的核心竞争力。深入研究和积极探索大数据的商业模式，对企业的未来发展有至关重要的意义。
② 大数据应用价值发现的三大方法
大数据应用价值发现的三大方法
关于大数据的讨论，一方面人们需要厘清大数据的概念，开发适用的大数据系统和工具，探索大数据的应用模式等，另一方面人们更关心如何将大数据的价值变现。这对于一个企业来说尤其重要，否则，收集和存储了大量的数据，消耗了大量的钱财，如果大数据不能被很好地利用，从经济上讲就是不合算的，这样的事情也不会长远。
大数据价值的发现与其所处的应用场景密切相关。概括起来，大数据价值发现可以划分为三大类：数据服务、数据分析和数据探索。数据服务是面向大规模用户，提供高性能的数据查询、检索、预测等服务，通过直接满足用户需求而将数据价值变现的形式;数据分析是分析人员利用经验，通过对大规模数据使用特定的计算模型进行较为复杂的运算，从而发现易于人们理解的数据模式或规律所进行的数据价值变现的一种运算形式;数据探索是一种利用数据分析和人机交互的结合，通过不断揭示数据的规律和数据间的关联，引导分析人员发现并认识其所未知的数据模式或规律，其价值更多地体现在对未知途径的数据模式和规律的探索。
1. 数据服务
数据服务针对用户非常明确的数据查询和处理任务，以高性能和高吞吐量的方式实现大众化的服务，是数据价值最重要也是最直接的发现方式。由于要处理大众化的服务请求，每个服务任务必须能够被快速地处理掉，因此，数据服务的单个任务负载不能过于复杂，单任务直接处理的数据不能太大，任务对应的用户需求和采用的数据处理方法必须是明确的。一些典型的数据服务包括事务处理、数据查询、信息检索、数据预测。
事务处理是传统数据库范畴的价值发现形式，它针对的主要是任务关键型的数据服务，如银行记账、商业交易等; 数据查询主要是面向快速查找或修改数据的服务需求，它比事务处理更简单，对数据一致性要求没那么强，但对服务的吞吐量要求非常高;信息检索是指从大规模的数据集中快速查找满足用户需求的资料或数据片段的过程;数据预测和数据分类被很多人认为是一种数据分析任务，其实，很多针对个体的数据预测和分类任务实际上是一种数据服务，它使用数据分析得来的预测模型，对个体数据实例进行预测，从而能够高并发地为大规模用户提供分类和预测服务，进而更好地体现出数据的价值。
2. 数据分析
数据分析是指用适当的统计分析方法对大量数据进行分析或建模，提取有用信息并形成结论，进而辅助人们决策的过程。在这个过程中，用户会有一个明确的目标，通过“数据清理、转换、建模、统计”等一系列复杂的操作，获得对数据的洞察，从而协助用户进行决策。常见的数据分析任务又可以被进一步划分为描述型分析、诊断型分析、预测型分析、策略型分析。
描述型分析的主要特点是对数据代表的含义进行描述性的揭示，通过数据统计分析揭示数据隐含的现象，从而帮助人们更好地进行决策。
诊断型分析主要用来揭示一些现象背后的成因，因此，它比描述型分析更深入。很多数据挖掘方法与诊断型分析密切相关。比如相关性分析和因果关系的分析等，都是想通过对数据的深度分析揭示描述型分析所发现的某些现象背后的成因。
预测型分析主要是使用机器学习技术，对现有的大数据进行深度分析，构建数据预测和分类的模型，从而更好地支持数据预测和分类服务。
策略型分析也称指导型分析，是在分析过程中减少甚至排除人的参与，在给定目标的驱动下，直接帮助人们找到好的策略，作用于大数据应用，使得未来数据指标能够按照设想的某些趋势发展。它是数据分析的高级阶段，更能发挥出大数据的价值。
总之，数据分析一般基于大量数据和较为复杂的运算模型，其结果信息量通常很大，适用于宏观决策。而对于细节层面信息的获取，数据分析缺乏如索引和访问控制等方面的技术支持。如何在一个平台上，既支持宏观的分析，也支持细节的分析，是当今一个挑战的技术难题。
3. 数据探索
数据探索是指针对目标可变、持续、多角度的搜索或分析任务，其搜索过程是有选择、有策略和反复进行的。它将以找到信息为目的的传统信息检索模式变为以发现、学习和决策为目的的信息搜寻模式。这样的搜索模式结合了大量的数据分析与人机交互过程，适合于人们从数据中发现和学习更多的内容和价值。
对于数据探索，用户可以在微观层面(数据搜索)和宏观层面(数据分析)之间进行自由切换，用交互式的方式探索并发现数据的价值。
目前，随着大数据研究的兴起，探索式搜索这种交互式分析和探索数据价值的方式，逐渐引起人们的重视，还有很多问题等待研究者们进行深入的研究。
数据服务强调从微观层面获取满足用户需求的精准信息，数据分析强调从宏观层面为用户提供数据洞察，进而提供决策支持，而数据探索则需要在宏观和微观两个层面进行自由切换。大数据蕴含大价值，数据服务、数据分析和数据探索是3个层次的数据价值发现方法。在很多应用下，这3类方法需要混合使用，才能更好地发现大数据的价值。
③ 什么是大数据时代
让大数据区别于数据的，是其海量积累、高增长率和多样性
什么是数据？数据（data）在拉丁文里是“已知”的意思，在英文中的一个解释是“一组事实的集合，从中可以分析出结论”。
笼统地说，凡是用某种载体记录下来的、能反映自然界和人类社会某种信息的，就可称之为数据。
古人“结绳记事”，打了结的绳子就是数据。
步入现代社会，信息的种类和数量越来越丰富，载体也越来越多。
数字是数据，文字是数据，图像、音频、视频等都是数据。
什么是大数据呢？量的增多，是人们对大数据的第一个认识。
随着科技发展，各个领域的数据量都在迅猛增长。有研究发现，近年来，数字数据的数量每3年多就会翻一番。
大数据区别于数据，还在于数据的多样性。
正如高德纳咨询公司研究报告指出的，数据的爆炸是三维的、立体的。所谓的三维，除了指数据量快速增大外，还指数据增长速度的加快，以及数据的多样性，即数据的来源、种类不断增加。
从数据到大数据，不仅是量的积累，更是质的飞跃。海量的、不同来源、不同形式、包含不同信息的数据可以容易地被整合、分析，原本孤立的数据变得互相联通。这使得人们通过数据分析，能发现小数据时代很难发现的新知识，创造新的价值。
通过数据来研究规律、发现规律，贯穿了人类社会发展的始终。
人类科学发展史上的不少进步都和数据采集分析直接相关，例如现代医学流行病学的开端。伦敦1854年发生了大规模的霍乱，很长时间没有办法控制。
一位医师用标点地图的方法研究了当地水井分布和霍乱患者分布之间的关系，发现有一口水井周围，霍乱患病率明显较高，借此找到了霍乱暴发的原因：一口被污染的水井。关闭这口水井之后，霍乱的发病率明显下降。这种方法，充分展示了数据的力量。
本质上说，许多科学活动都是数据挖掘，不是从预先设定好的理论或者原理出发，通过演绎来研究问题，而是从数据本身出发通过归纳来总结规律。
近现代以来，随着我们面临的问题变得越来越复杂，通过演绎的方式来研究问题常常变得很困难。这就使得数据归纳的方法变得越来越重要，数据的重要性也越发凸显出来。
大数据是非竞争性资源，有助于政府科学决策、商家精准营销。
大数据时代，数据的重要作用更加凸显，许多国家都把大数据提升到国家战略的高度。
政府合理利用大数据，引导决策的将是基于实证的事实，政府会更有预见性、更加负责、更加开放。
中国古代治国就已经有重数据的思想，如商鞅提出，“强国知十三数……欲强国，不知国十三数，地虽利，民虽众，国愈弱至削”。
大数据时代，循“数”治国将更加有效。小数据时代，政府做决策更多依凭经验和局部数据，难免头痛医头、脚痛医脚。比如，交通堵塞就多修路。
大数据时代，政府做决策能够从粗放型转向集约型。路堵了，利用大数据分析，可以得知哪一时间、哪一地段最容易堵，或在这一地段附近多修路，或提前预警引导居民合理安排出行，实现对交通流的最佳配置和控制，改善交通。
对于商家来说，大数据使精准营销成为可能。
一个有趣的故事，是沃尔玛超市的“啤酒、尿布”现象。沃尔玛超市分析销售数据时发现，顾客消费单上和尿布一起出现次数最多的商品，竟然是啤酒。
跟踪调查后发现，有不少年轻爸爸会在买尿布时，顺便买些啤酒喝。沃尔玛发现这一规律后，搭配促销啤酒、尿布，销量大幅增加。
大数据时代，每个人都会“自发地”提供数据。我们的各种行为，如点击网页、使用手机、刷卡消费、观看电视、坐地铁出行、驾驶汽车，都会生成数据并被记录下来，我们的性别、职业、喜好、消费能力等信息，都会被商家从中挖掘出来，以分析商机。
大数据也将使个人受益。
从生物学、医学上讲，以前生物学家只是通过对单个或几个基因的操控来观察其对生物体的影响，很难发现整体的关联。现在由于技术的发展，可以分析很多，如遗传信息、全体基因的表达量信息、蛋白质族谱信息、全基因组甲基化信息、表观遗传信息等。
同时还有个人健康指标、病历、药物反应等数据。如果真能达成生物学上多维多向数据的有机融合，就能够把个人完整地描述出来，从而实现精准医疗的目的。
大数据时代，审核数据的真实性也有了更有效的手段。
大数据的特征之一是多样性，不同来源、不同维度的数据之间存在一定的关联度，可以交叉验证。例如，某地的工业产值虚报了一倍，但用电量和能耗却没有达到相应的规模。这就是数据异常，很容易被系统识别出来。发现异常后，相关部门再进行复核，就能更有针对性地防止、打击数据造假。
数据是一种资源，但数据又跟煤、石油等物质性资源不一样。物质性资源不可再生，你用多了，别人就用少了，因而很难共享。
数据可以重复使用、不断产生新的价值。大数据资源的使用是非恶性竞争的，共享的前提下，更能够制造双赢。
从另一个角度来说，数据如果不被融合、联系在一起，也不能称之为大数据。
大数据不能被直接拿来使用，统计学依然是数据分析的灵魂
现在社会上有一种流行的说法，认为在大数据时代，“样本=全体”，人们得到的不是抽样数据而是全数据，因而只需要简单地数一数就可以下结论了，复杂的统计学方法可以不再需要了。
首先，大数据告知信息但不解释信息。
打个比方说，大数据是“原油”而不是“汽油”，不能被直接拿来使用。就像股票市场，即使把所有的数据都公布出来，不懂的人依然不知道数据代表的信息。
大数据时代，统计学依然是数据分析的灵魂。正如加州大学伯克利分校迈克尔•乔丹教授指出的，“没有系统的数据科学作为指导的大数据研究，就如同不利用工程科学的知识来建造桥梁，很多桥梁可能会坍塌，并带来严重的后果。”
其次，全数据的概念本身很难经得起推敲。全数据，顾名思义就是全部数据。这在某些特定的场合对于某些特定的问题确实可能实现。
比如，要比较清华、北大两校同学数学能力整体上哪个更强，可以收集到两校同学高考时的数学成绩作为研究的数据对象。
从某种意义上说，这是全数据。但是，并不是说我们有了这个全数据就能很好地回答问题。
一方面，这个数据虽然是全数据，但仍然具有不确定性。
入校时的数学成绩并不一定完全代表学生的数学能力。假如让所有同学重新参加一次高考，几乎每个同学都会有一个新的成绩。分别用这两组全数据去做分析，结论就可能发生变化。
另一方面，事物在不断地发展和变化，同学入校时的成绩并不能够代表现在的能力。全体同学的高考成绩数据，仅对于那次考试而言是全数据。
“全”是有边界的，超出了边界就不再是全知全能了。事物的发展充满了不确定性，而统计学，既研究如何从数据中把信息和规律提取出来，找出最优化的方案；也研究如何把数据当中的不确定性量化出来。
在大数据时代，数据分析的很多根本性问题和小数据时代并没有本质区别。当然，大数据的特点，确实对数据分析提出了全新挑战。
例如，许多传统统计方法应用到大数据上，巨大计算量和存储量往往使其难以承受；对结构复杂、来源多样的数据，如何建立有效的统计学模型也需要新的探索和尝试。对于新时代的数据科学而言，这些挑战也同时意味着巨大的机遇，有可能会产生新的思想、方法和技术。
来源：《人民日报》（2015年07月20日12版）清华大学刘军教授
④ 什么是大数据时代
利用相关算法对海量数据的存储、处理与分析，从海量数据中发现价值，服务于生产和生活。
大数据无处不在，社会各行各业都可以找到大数据的印记，在金融，餐饮，电信，体育，娱乐等领域都可以感受到大数据对各行各业的影响
1、更多，更乱，但内部有关系可循。
示例：
大约20年前，亚马逊刚成立时，杰夫·贝索斯让50个书评员来为他卖书，他意识到不仅仅可以请人来写书评，还可以用数据技术来提供图书推荐。起初他使用的是小数据，不是大数据，把客户进行分类，比如说有人对中国旅游或者是对园艺感兴趣，系统会自动提供推荐。他的同事告诉他，刚刚开始使用这个数据推荐时，使用体验并不好；在进一步分析后，亚马逊决定不对人进行分类，而是对用户的需求分类。这个做法做法非常成功，以至于到今天，推荐系统为亚马逊带去30%的销售收入。
这就是数据收集和再处理。亚马逊有交易数据，每买一本书就是一个交易，然后对这个数据进行分析。但今天我们已不再满足于交易数据了，转而收集起沟通数据。你看了某一个书评、某一个交流会给商家更多的信息和细节。
2、数据可以被重复使用（数据的产生和收集本身并没有直接产生服务，最具价值的部分在于：当这些数据在收集以后，会被用于不同的目的，数据被重新再次使用）
示例：
比方说这家公司实时车辆交通数据采集商Inrix，该公司目前有1亿个手机端用户。Inrix可以帮助你开车，避开堵车，为司机呈现路的热量图，红的就表面堵车。如果只提供数据，这个产品没什么特色，
但值得一提的是，Inrix并没有用交警的数据，这个软件的每位用户在使用过程中会给服务器发送实时数据，比如走的多快，走到哪里，这样每个客户都是探测器。
每天早上起来想一下，这么多数据我能用来干什么，这些价值在哪里可以找到，能不能找到一个别人以前都没有做过的事情。你的想法和思路，是最重要的资产。
示例：
我们可以通过大数据来确定哪些地方会有火灾。以前防火检查员只有13%的时间可以准备预测，现在他们找到火灾隐患的概率达到了70%，比以前提高了6倍。将效率提高6倍是一个巨大无比的进步，未来的公共服务业可以由此获得更多便利。
⑤ 大数据应用现状 从发现价值到创造价值
大数据应用现状：从发现价值到创造价值
从发现价值到创造价值， 大数据将成为“互联网+” 产业升级的驱动力。 过去，数据的价值主要应用在决策领域，典型应用是商业智能(BI, Business Intelligence)在企业经营管理层面的应用， 即通过数据收集、管理和分析等方法，将数据转化为知识， 发现数据的价值，进而提供决策支持。随着数据体量的不断增加和处理数据能力的提升， 大数据已经成为一类新的资产， 其应用场景正在不断扩宽，除了决策支持、 提高效率等发现价值功能之外，大数据还能创造价值的功能： 一方面，大数据可以帮助提供传统模式下所无法提供的产品， 满足用户需求， 例如大数据完善个人征信体系，帮助金融机构提供消费金融产品；又如千方旗下的掌城科技通过浮动车模型提供实时交通信息服务；另一方面，大数据还可以创造需求， 例如，大数据可以助力实现人工智能， 这是新技术创造的新需求。
大数据延伸 BI 内涵， 提高企业效率
大数据分析结果为企业经营决策提供支持，帮助企业提高效率，这实际上是传统 BI 范畴的延伸。 在人口红利逐渐消失的背景下， 我国企业传统的粗放型模式受到了 越来越大的挑战， 互联网与产业结合背景下的大数据应用将有助于提升企业经营管理效率，助力企业经营从粗放型向集约型转型， 实现产业升级。
大数据促进商业智能的加速发展，这是因为：第一，大数据的分析过程和结果更具有灵活性、可靠性和价值性；第二，大数据的存在提高了企业的商业智能意识， 引导企业主动寻求商业智能的帮助。一些大型企业往往拥有几十个甚至数百个信息系统，其所包含的大量数据反映了企业的日常经营情况，若能加以分析和利用，将为企业创造巨大的价值。
目前，大数据应用可以帮助企业实现户关系管理、盈利能力分析、控制成本、衡量绩效等功能：
客户关系管理（CRM）：通过客户信息统计，使企业有针对性的根据客户需求来定制产品和服务，提高客户忠诚度，还可以通过分析偏好挖掘潜在客户；
赢利能力分析：帮助企业分析利润来源、各类产品赢利能力、费用支出是否与销售成正比等；
控制成本：根据统计信息优化流程，如降低库存、减少损耗等，助于企业控制成本；
绩效管理：利于商业智能确立对员工的期望，帮助他们跟踪并管理其绩效。
麦肯锡调查显示， 数据挖掘的商业价值巨大， 大数据在美国医疗行业每年能提高 0.7%的生产力，创造约 3000 亿美元的价值；在欧洲公共管理部门 ，每年能提高 0.5%的生产力，创造 2500 亿欧元的价值；在美国零售业，每年能提高 0.5%-1.0%的生产力 和 60%的净利率。
大数据满足需求， 市场空间巨大
大数据可以帮助提供过去所无法提供的产品， 满足用户需求。 这种模式在传统产业中比较常见， 过去，一些行业的用户需求虽然存在， 但是由于缺乏有效的技术手段，导致市场参与者无法提供合适的产品迎合市场需求。大数据技术兴起后，将带动一系列创新产品推出市场， 这在各行各业都能找到案例，考虑到传统产业的广度，这将是是一个正在挖掘的巨大市场。
以交通领域的实时交通信息服务和车险定价为例，这两个细分领域的需求本来就存在，但在大数据兴起之前，传统模式无法提供最优的产品，而大数据技术下的产品优化可以更好的满足需求，提高用户体验。
千方科技旗下掌城科技通过大数据技术提供实时交通信息服务。 掌城科技通过向出租车公司和公交车公司购买数据、 向政府部门臵换数据、利用千方自有数据的形式汇集城际交通数据， 基于浮动车的算法模型，对数据进行二次开发，以建立实时交通信息服务平台。 目前， 掌城科技运营着北京、上海等全国 30 余个大中城市的实时路况信息，准确率极高。 目前，千方已将交通数据收集从城际交通扩大至整个陆路交通和航空等领域，目标通过大数据技术提供更加全面的公众智慧出行服务。
大数据技术将参与车险定价，使定价更加科学。随着车联网的兴起，OBD（On-BoardDiagnostic车载诊断系统）等联网的车载设备，成为车联网中的智能节点，连接运动中的人、车和道路环境，读取行车数据，从而分析出车辆能耗、故障等车况信息以及驾驶者的行车习惯：通过G-sensor监测车主的诸如急刹车、急加速和急转弯等危险行为，通过破解Can-bus协议监测车主的诸如转弯不打灯、驻车不拉手刹等不良驾驶习惯，通过GPS获取车辆的位臵信息和里程数据，这些数据将改善车险定价技术与核保政策，提升精准定价能力。
大数据创造需求，拓宽市场边界
大数据创新产品拓宽市场边界， 供给创造需求。 大数据创造价值功能， 除了提供产品满足市场已经存在的需求外， 基于大数据的新产品还将创造新供给，带动新需求， 打破原有的市场边界，想象空间巨大：
一方面大数据能够前所未有的精准洞悉现在，深入挖掘现有商业价值：
例如 Airbnb 拥有海量的独有数据，包括旅游地、用户评论、房源描述、社区信息等， Airbnb还有一支队伍去各地和当地人交流，搜集所有的相关历史数据。当用户在搜寻一个住宿的地方时， Airbnb 利用大数据分析通过 Airbnb 社区告诉未来的客人哪里是更好的住宿地，甚至能够帮助用户更深入地了解某个地点，包括地理信息无法描述的文化或宗教上的区分。 Uber 则是利用地理位臵和其用户的综合数据，大大缩短司机开着空车去接下一位乘客的时间和乘客等待的时间。
另一方面大数据能够空前准确的预测未来，从而能获得前瞻性的商业价值：
例如社交数据分析公司 Topsy 准确预测了 iPhone 4S 上市后的市场表现，同时还成功预测美国大选结果和奥斯卡颁奖结果。它在商业分析、市场销售、新闻等领域拥有很高价值，因而苹果以 2 亿多美元的价格收购 Topsy。
大数据产业链分析
大数据产业链的主要参与方
大数据产业链可以分为四个部分： 数据采集和整合、数据存储和运算、数据分析和挖掘、数据应和消费。数据采集和整合是指通过技术手段从互联网、 移动终端、 物联网、 应用软件等采集数据，然后把数据按照一定的规则进行存储和运算，再按照需求调用数据并进行智能分析和挖掘，将数据转化成价值信息或者产品，为决策支持、提升效率、 创新产品提供依据。
数据资产开始成为核心资源
拥有数据，大数据时代的王者。在大数据时代， 数据资产已经成为核心资源， 2012 年，奥巴马政府明确提出 将“大数据战略”上升为国家意志，并将数据定义为“未来的新石油”， 因此，拥有数据可谓是大数据时代的王者。 拥有数据的机构可以分为三类：
一是既有数据、 又有大数据思维的互联网公司，如阿里巴巴、腾讯、京东、 Google、 Amazon等，在互联网端积累了大量的数据资源，而且此类公司 IT 起家， 对大数据有天生敏锐的嗅觉， 大数据技术也相对成熟， 因此，互联网公司 可谓是最早使用大数据的机构，成为大数据应用的先行者；
二是传统软件公司转型互联网，通过 SaaS 模式为用户提供服务， 例如用友软件推出畅捷通，以云模式为小微企业提供财务管理应用， 也可以认为是既有数据、 又有大数据思维的模式；
三是拥有数据，缺乏大数据思维的机构，这类机构手里掌握着大量的数据，但是没有能力自己有效利用， 例如金融机构、 运营商、政府部门等。
使用数据，数据变现的推动者。对于手里掌握大量数据，但没有能力变现的机构而言，需要专业的第三方公司提供大数据服务，主要是各类 IT 咨询机构和行业应用软件厂商，尤其是行业应用软件厂商， 在各自的领域具有天然的卡位优势： 软件公司提供了行业应用软件和相关的运营维护， 行业应用软件本身就是重要的数据来源，软件公司 属于不拥有数据，但可以接触到数据的机构， 且天然拥有大数据思维和大数据技术，以及良好的行业客户关系，从信息系统建设延伸到大数据运营顺理成章。因此，各个细分行业的应用软件提供商有望成为传统拥有数据机构的重要合作伙伴， 助力其探索大数据价值变现。
大数据技术是重要生产力
大数据应用好坏的关键除了 数据本身，还在于大数据技术， 大数据技术包括数据采集、数据存取、基础架构、数据处理、统计分析、数据挖掘、模型预测、结果呈现等环节，涉及的技术环节极广， 随着数据体量增大和数据复杂性程度提高，大数据技术本身也处于快速迭代的发展过程中。值得一提的是，大数据技术落地的一大重要因素在于如何实现技术与业务的融合， 这背后需要深厚的业务理解， 对于既有数据、 又有大数据思维的互联网公司 来说，技术和业务本身是相互驱动、共同发展的， 对于拥有数据，缺乏大数据思维的机构而言， 在行业深耕多难的应用软件提供商则是最好的选择。
以上是小编为大家分享的关于 大数据应用现状 从发现价值到创造价值的相关内容，更多信息可以关注环球青藤分享更多干货
⑥ 什么是大数据时代
大数据时代是指利用相关算法对海量数据的处理与分析、存储，从海量的数据中发现价值，服务于生活与生产。在餐饮、电信、金融、娱乐、体育等领域都能够感受到大数据对各行各业带来的影响。
所谓的大数据时代，从字面意义上就不难理解，数据非常大，信息量比较庞大，这也是互联网迅速发展所带来的改变。仅从通讯上面我们就能够看出来，以前的2G、3G就能够满足人们使用，到后来的4G，网络的发展，人们能够通过互联网获取的信息越来越多，现在又开始推出5G，大数据的时代，毕竟容纳和接受更多的信息。
⑦ 什么是大数据时代
（1）大数据时代的提出
最早提出大数据时代到来的是全球知名咨询公司麦肯锡，他认为数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。
（2）大数据时代的来临
随着互联网快速发展、智能手机以及“可佩带”计算设备的出现，我们的行为、位置，甚至身体生理数据等每一点变化都成为了可被记录和分析的数据。这些新技术推动着大数据时代的来临，各行各业每天都在产生数量巨大的数据碎片，数据计量单位已从Byte、KB、MB、GB、TB发展到PB、EB、ZB、YB甚至BB来衡量。
（3）大数据时代的特点
如果简单来理解什么是大数据，我们只要抓住大数据的四个特点，大量、高速、多样、价值。具体来讲就是数据体量巨大，数据的爆发性增长迫切的需要智能的算法、强大的数据处理平台和新的数据处理技术，来统计、分析、预测和实时处理如此大规模的数据；数据类型繁多，广泛的数据来源决定了大数据形式的多样性。任何形式的数据都可以产生作用，目前应用最广泛的就是推荐系统的应用；价值密度低，现实世界所产生的数据中，有价值的数据所占比例很小。相比于传统的小数据，大数据最大的价值在于通过从大量不相关的各种类型的数据中，挖掘出对未来趋势与模式预测分析有价值的数据；数据分析处理速度快，主要通过互联网传输。大数据对处理速度有非常严格的要求，服务器中大量的资源都用于处理和计算数据，很多平台都需要做到实时分析。
⑧ 大数据时代如何做好数据治理
企业数据分析系统的数据来源是各个业务系统或手工数据，这些数据的格式、内容等都有可能不同。如果不进行数据治理，数据的价值难以发挥。只有对数据标准进行规范，管理元数据、数据监控等，才能得到高质量的数据。得到规范的数据后，才可在此基础上进行主题化的数据建模、数据挖掘、数据分析等。
2013年被众多的IT人定义为中国的大数据元年，这一年国内的大数据项目开始在交通、电信、金融部门被广泛推动。各大银行对Hadoop的规划、POC尤其风生水起，带动了一波大数据应用的热潮，这个热潮和当初数据仓库进入中国时的2000年左右很相似：应用还没有想好，先归集一下数据，提供一些查询和报表，以技术建设为主，业务推动为辅。这就导致了这股Hadoop热潮起来的时候，传统企业都是以数据归集为主的，而BAT这样的企业则天生以数据为生，早早进入了数据驱动技术和业务创新的阶段。
随着Hadoop技术的提升，数据如何进来，如何整合，开展什么样的应用都已经有了成熟的案例，可是，同传统数仓时代一样，垃圾进垃圾出，如何破？相比传统数仓时代，进入Hadoop集群的数据更加的多样、更加的复杂、量更足，这个数仓时代都没有处理好的事情，如何能够在大数据时代处理好，这是所有大数据应用者最最期盼的改变，也是大数据平台建设者最有挑战的难题：数据治理难的不是技术，而是流程，是协同，是管理。 睿治数据治理平台平台架构
元数据：采集汇总企业系统数据属性的信息，帮助各行各业用户获得更好的数据洞察力，通过元数据之间的关系和影响挖掘隐藏在资源中的价值。
数据标准：对分散在各系统中的数据提供一套统一的数据命名、数据定义、数据类型、赋值规则等的定义基准，并通过标准评估确保数据在复杂数据环境中维持企业数据模型的一致性、规范性，从源头确保数据的正确性及质量，并可以提升开发和数据管理的一贯性和效率性。
数据质量：有效识别各类数据质量问题，建立数据监管，形成数据质量管理体系，监控并揭示数据质量问题，提供问题明细查询和质量改进建议，全面提升数据的完整性、准确性、及时性，一致性以及合法性，降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。
数据集成：可对数据进行清洗、转换、整合、模型管理等处理工作。既可以用于问题数据的修正，也可以用于为数据应用提供可靠的数据模型。
主数据：帮助企业创建并维护内部共享数据的单一视图，从而提高数据质量，统一商业实体定义，简化改进商业流程并提高业务的响应速度。
数据资产：汇集企业所有能够产生价值的数据资源，为用户提供资产视图，快速了解企业资产，发现不良资产，为管理员提供决策依据，提升数据资产的价值。
数据交换：用于实现不同机构不同系统之间进行数据或者文件的传输和共享，提高信息资源的利用率，保证了分布在异构系统之间的信息的互联互通，完成数据的收集、集中、处理、分发、加载、传输，构造统一的数据及文件的传输交换。
生命周期：管理数据生老病死，建立数据自动归档和销毁，全面监控展现数据的生命过程。
数据安全：提供数据加密、脱敏、模糊化处理、账号监控等各种数据安全策略，确保数据在使用过程中有恰当的认证、授权、访问和审计等措施。
建立完整的、科学的、安全的、高质量的数据管控技术体系，是首要的任务。作为数据管控的基石，为了更好支撑后续工作的开展，技术体系必须一步到位，是功能完备、高质量、高扩展性的，而不是仅实现部分功能，或者功能不完善的“半成品”。
叠加更多业务数据、细化数据业务属性与管理属性、优化与调整数据管控流程，尤其是适应未来的现代企业数据管控制度的建立完善，是逐步积累推广、不断磨合改进的长期过程。这些工作应及早启动，并成为后续大数据平台建设工作的重点。
谈大数据时代的数据治理 当前要做的是功能框架的完善，而完善的着力点则是“数据资产目录”：用资产化的视角来管理一个企业的数据，只有把数据作为资产来认识和管理，大数据项目才能达成预期，也能够治理好。大数据时代带来的价值，个人认为主要有两个，一个是技术架构，主要是架构理念的进步，另外一个更重要的则是对数据的重视。大数据时代是数据的时代，IT向DT转型，不单单是BAT，所有的IT公司，未来都在数据这两个字上。
对于一个企业来说，把数据作为资产，才是建设大数据的最终目的，而不是仅仅是因为Hadoop架构带来性价比和未来的扩展性。当一个企业把数据作为资产，他就像管理自己名下存折、信用卡一样，定期梳理，无时无刻不关心资产的变化情况，关注资产的质量。
而资产目录就是管理资产的形式和手段，他像菜单一样对企业的资产进行梳理、分门别类，提供给使用者；使用者通过菜单，点选自己需要的数据，认可菜单对应的后端处理价值，后厨通过适当的加工，推出相应的数据服务；这是一个标准的流程，而这些流程之上，附着一整套数据管理目标和流程。
大数据平台以数据资产目录为核心，将元数据、数据标准、主数据、数据质量、数据生命周期、数据轮廓等信息在逻辑层面关联起来，在管理层面上整合成统一的整体，构建起数据管理体系，全面的支持数据服务等具体应用。
大数据平台实现了数据存储、清洗和应用。在数据汇入和汇出的过程中，需要对数据的元数据进行统一记录和管理，以利于后续的数据应用和数据血缘分析。数据质量一直是数据集成系统的基础工作，对数据的各个环节设置数据质量检查点，对数据质量进行剖析、评估，以保证后续应用的可信度。
在数据收集的过程中，随着数据维度、指标的聚集，如何找到所需的业务指标及属性，并且评估相关属性的业务及技术细节，需要对收集的所有数据进行业务属性，并进行分类，建立完善的数据资产目录。
数据资产目录是整个大数据平台的数据管理基础，而数据资产目录由于数据的多样性，在使用的过程中，必然涉及数据权限的申请、审批管控流程，而管控流程的建立依赖于相应岗位的设立和对应职责的建立。
大数据平台的数据管理架构规划，通过数据物理集中和数据逻辑整合，彻底摆脱企业“数据竖井”的困境。大数据平台数据管理架构分为功能架构、流向规划和数据架构三个层面。
数据管理功能架构：借鉴DAMA数据管理和DMM数据成熟度理论，着眼于数据管理技术和数据管理流程融合，组织数据管理功能。
数据流向规划架构：规划整个大数据平台的数据流向，并在数据流入、数据整合、数据服务的具体环节实现精细化管理。
数据管理的数据架构：以数据资产目录为核心，数据项为最小管理单元，将技术元数据（实体、属性和关系）、业务元数据和管理元数据（数据标准、主数据、数据质量、数据安全）融合为彼此紧密联系、密不可分的整体，共同构成精细化管理的数据基础。
数据管理在整个大数据平台不仅仅是一个主要功能模块，它还是整个企业层面数据治理的重要组成部分，它是技术和管理流程的融合，也需要合理管控流程框架下组织机构之前的协调合作。如何利用统一的数据管理模块对企业所有进入到数据湖的数据进行有效管控，不单单取决于数据管理模块本身，也取决于元数据的合理采集、维护，组织结构及制度的强力支持保证。
谈大数据时代的数据治理 大数据平台数据管理参照了DAMA对于数据管理的九个管理目标，并进行裁剪，并对部分管理目标进行了合并，并参照了CMMI制定DMM数据成熟度目标，采用循序渐进，逐步完善的策略对管理目标进行分阶段完成，制定完整的管控流程和数据治理规范，以便持续的对数据进行管理，递进实现DMM定义的成熟度目标。
亿信睿治数据治理管理平台和DAMA的对应关系如下：
谈大数据时代的数据治理 大数据平台数据管理的核心内容是数据资产目录，围绕数据资产目录的数据流入、数据整合、数据服务都是数据管理的核心。数据管理主要管理数据的流动，以及管理流动带来的数据变化，并对数据底层的数据结构、数据定义、业务逻辑进行采集和管理，以利于当前和未来的数据使用。为了更好的对数据进行管理和使用，制度层面的建设、流程的设立必不可少，同时也兼顾到数据在流动过程中产生的安全风险和数据隐私风险。
因此数据管理介入到完整的数据流转，并在每个节点都有相应的管理目标对应，整个数据流框架如下图所示：
谈大数据时代的数据治理 企业在建制大数据平台的同时，对进入数据湖的数据进行梳理，并按照数据资产目录的形式对外发布。在发布数据资产之后，则对进出数据湖的数据进行严格的出入库管理，保证数据可信度，并定期进行数据质量剖析检查，确保数据资产完善、安全、可信，避免“不治理便破产”的谶言。
⑨ 什么是大数据时代
随着云时代的来临，大数据(Big data)也吸引了越来越多的关注。《著云台》的分析师团队认为，大数据(Big data)通常用来形容一个公司创造的大量非结构化和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapRece一样的框架来向数十、数百或甚至数千的电脑分配工作。
简言之，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。明白这一点至关重要，也正是这一点促使该技术具备走向众多企业的潜力。 大数据的4个“V”，或者说特点有四个层面：第一，数据体量巨大。从TB级别，跃升到PB级别;第二，数据类型繁多。前文提到的网络日志、视频、图片、地理位置信息等等。第三，价值密度低。以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。第四，处理速度快。1秒定律。最后这一点也是和传统的数据挖掘技术有着本质
的不同。业界将其归纳为4个“V”——Volume，Variety，Value，Velocity。 物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式 著云台
例子包括网络日志，RFID，传感器网络，社会网络，社会数据(由于数据革命的社会)，互联网文本和文件;互联网搜索索引;呼叫详细记录，天文学，大气科学，基因组学，生物地球化学，生物，和其他复杂和/或跨学科的科研，军事侦察，医疗记录;摄影档案馆视频档案;和大规模的电子商务。
大的数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理(MPP)数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。
一些但不是所有的MPP的关系数据库的PB的数据存储和管理的能力。隐含的负载，监控，备份和优化大型数据表的使用在RDBMS的。
斯隆数字巡天收集在其最初的几个星期，比在天文学的历史，早在2000年的整个数据收集更多的数据。自那时以来，它已经积累了140兆兆 字节的信息。这个望远镜的继任者，大天气巡天望远镜，将于2016年在网上和将获得的数据，每5天沃尔玛处理超过100万客户的交易每隔一小时，反过来进口量数据库估计超过2.5 PB的是相当于167次，在美国国会图书馆的书籍 。
FACEBOOK处理400亿张照片，从它的用户群。解码最初的人类基因组花了10年来处理时，现在可以在一个星期内实现。
“大数据”的影响，增加了对信息管理专家的需求，甲骨文，IBM，微软和SAP花了超过15亿美元的在软件智能数据管理和分析的专业公司。这个行业自身价值超过1000亿美元，增长近10%，每年两次，这大概是作为一个整体的软件业务的快速。 大数据已经出现，因为我们生活在一个社会中有更多的东西。有46亿全球移动电话用户有1亿美元和20亿人访问互联网。
基本上，人们比以往任何时候都与数据或信息交互。 1990年至2005年，全球超过1亿人进入中产阶级，这意味着越来越多的人，谁收益的这笔钱将成为反过来导致更多的识字信息的增长。思科公司预计，到2013年，在互联网上流动的交通量将达到每年667艾字节。
最早提出“大数据”时代已经到来的机构是全球知名咨询公司麦肯锡。麦肯锡在研究报告中指出，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素;而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。
“麦肯锡的报告发布后，大数据迅速成为了计算机行业争相传诵的热门概念，也引起了金融界的高度关注。”随着互联网技术的不断发展，数据本身是资产，这一点在业界已经形成共识。“如果说云计算为数据资产提供了保管、访问的场所和渠道，那么如何盘活数据资产，使其为国家治理、企业决策乃至个人生活服务，则是大数据的核心议题，也是云计算内在的灵魂和必然的升级方向。”
事实上，全球互联网巨头都已意识到了“大数据”时代，数据的重要意义。包括EMC、惠普(微博)、IBM、微软(微博)在内的全球IT 巨头纷纷通过收购“大数据”相关厂商来实现技术整合，亦可见其对“大数据”的重视。
“大数据”作为一个较新的概念，目前尚未直接以专有名词被我国政府提出来给予政策支持。不过，在12月8日工信部发布的物联网“十二五”规划上，把信息处理技术作为4项关键技术创新工程之一被提出来，其中包括了海量数据存储、数据挖掘、图像视频智能分析，这都是大数据的重要组成部分。而另外3项关键技术创新工程，包括信息感知技术、信息传输技术、信息安全技术，也都与“大数据”密切相关。
⑩ 大数据应用价值发现的三大方法
1. 数据服务
数据服务针对用户非常明确的数据查询和处理任务，以高性能和高吞吐量的方式实现大众化的服务，是数据价值最重要也是最直接的发现方式。由于要处理大众化的服务请求，每个服务任务必须能够被快速地处理掉，因此，数据服务的单个任务负载不能过于复杂，单任务直接处理的数据不能太大，任务对应的用户需求和采用的数据处理方法必须是明确的。一些典型的数据服务包括事务处理、数据查询、信息检索、数据预测。
2. 数据分析
数据分析是指用适当的统计分析方法对大量数据进行分析或建模，提取有用信息并形成结论，进而辅助人们决策的过程。在这个过程中，用户会有一个明确的目标，通过“数据清理、转换、建模、统计”等一系列复杂的操作，获得对数据的洞察，从而协助用户进行决策。常见的数据分析任务又可以被进一步划分为描述型分析、诊断型分析、预测型分析、策略型分析。
3. 数据探索
数据探索是指针对目标可变、持续、多角度的搜索或分析任务，其搜索过程是有选择、有策略和反复进行的。它将以找到信息为目的的传统信息检索模式变为以发现、学习和决策为目的的信息搜寻模式。这样的搜索模式结合了大量的数据分析与人机交互过程，适合于人们从数据中发现和学习更多的内容和价值。
关于大数据应用价值发现的三大方法，青藤小编就和您分享到这里了。如果您对大数据工程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
以上是小编为大家分享的关于大数据应用价值发现的三大方法的相关内容，更多信息可以关注环球青藤分享更多干货