Ⅰ 大数据技术出来这么久了，会不会被市场淘汰
作为一个数据开发人员，可以肯定的告诉你，数据分析行业绝对不会被淘汰专，在这属个数据为王的时代，一点的数据都会提炼出价值，所以不用怕，大胆的去学，黑马程序员就能学，不妨去试学看看。您的采纳给我提供源源不断的动力，很高兴您能满意
Ⅱ 大数据专业和人工智能专业哪个好
首先，人工智能和大数据这两个专业的前景都比较广阔，随着产业结构升级的持续推进，未来大数据和人工智能专业的人才培养规模会逐渐扩大。
人工智能与大数据具有密切的联系，大数据是人工智能的重要基础，二者之间的发展会互相促进。在行业内，大数据工程师的工作内容会涉及到人工智能技术，而人工智能工程师在工作中也会使用到大数据技术，所以大数据和人工智能的技术边界是比较模糊的，当前也有不少大数据工程师开始转向人工智能领域的研发。
大数据专业的重点在于完成数据的价值化，而人工智能专业的重点在于完成智能决策，大数据为人工智能提出决策的基础，人工智能为大数据的价值化提供出口。如果把大数据比喻成“石油”的话，那么人工智能就可以比喻成“汽车”。
从技术的成熟度上来看，大数据技术目前已经趋于成熟，正处在落地应用的初期，所以当前选择大数据专业会有一个较为系统的学习过程，可以参考的案例也比较多。当然，由于目前大数据领域依然有很多课题需要攻克，所以当前大数据领域依然以研发型人才需求为主，从业者要想具有更强的岗位竞争力，建议读一下研究生。
人工智能相对于大数据技术来说，目前还远没有达到技术的成熟期，人工智能目前依然处在所谓的“弱人工智能”阶段，所以如果选择学习人工智能会面临一定的难度，不仅知识量比较大，学习的周期也会更长一些。实际上，目前不少人工智能领域的从业者，有大量的工作内容是基于大数据开展的，所以如果想从事人工智能领域的研发，也可以从大数据开始学起。
Ⅲ 如何评价大数据的未来
举报描述不清违规检举侵权投诉| 2016-01-21 16:03
＃“谁是脑力达人”之电脑网络分类鏖战ing!＃
提问者采纳 趋势一：数据的资源化
何为资源化，是指大数据成为企业和社会关注的重要战略资源，并已成为大家争相抢夺的新焦点。因而，企业必须要提前制定大数据营销战略计划，抢占市场先机。
趋势二：与云计算的深度结合
大数据离不开云处理，云处理为大数据提供了弹性可拓展的基础设备，是产生大数据的平台之一。自2013年开始，大数据技术已开始和云计算技术紧密结合，预计未来两者关系将更为密切。除此之外，物联网、移动互联网等新兴计算形态，也将一齐助力大数据革命，让大数据营销发挥出更大的影响力。
趋势三：科学理论的突破
随着大数据的快速发展，就像计算机和互联网一样，大数据很有可能是新一轮的技术革命。随之兴起的数据挖掘、机器学习和人工智能等相关技术，可能会改变数据世界里的很多算法和基础理论，实现科学技术上的突破。
趋势四：数据科学和数据联盟的成立
未来，数据科学将成为一门专门的学科，被越来越多的人所认知。各大高校将设立专门的数据科学类专业，也会催生一批与之相关的新的就业岗位。与此同时，基于数据这个基础平台，也将建立起跨领域的数据共享平台，之后，数据共享将扩展到企业层面，并且成为未来产业的核心一环。
趋势五：数据泄露泛滥
未来几年数据泄露事件的增长率也许会达到100%，除非数据在其源头就能够得到安全保障。可以说，在未来，每个财富500强企业都会面临数据攻击，无论他们是否已经做好安全防范。而所有企业，无论规模大小，都需要重新审视今天的安全定义。在财富500强企业中，超过50%将会设置首席信息安全官这一职位。企业需要从新的角度来确保自身以及客户数据，所有数据在创建之初便需要获得安全保障，而并非在数据保存的最后一个环节，仅仅加强后者的安全措施已被证明于事无补。
趋势六：数据管理成为核心竞争力
数据管理成为核心竞争力，直接影响财务表现。当“数据资产是企业核心资产”的概念深入人心之后，企业对于数据管理便有了更清晰的界定，将数据管理作为企业核心竞争力，持续发展，战略性规划与运用数据资产，成为企业数据管理的核心。数据资产管理效率与主营业务收入增长率、销售收入增长率显著正相关;此外，对于具有互联网思维的企业而言，数据资产竞争力所占比重为36.8%，数据资产的管理效果将直接影响企业的财务表现。
趋势七：数据质量是BI(商业智能)成功的关键
采用自助式商业智能工具进行大数据处理的企业将会脱颖而出。其中要面临的一个挑战是，很多数据源会带来大量低质量数据。想要成功，企业需要理解原始数据与数据分析之间的差距，从而消除低质量数据并通过BI获得更佳决策。
趋势八：数据生态系统复合化程度加强
大数据的世界不只是一个单一的、巨大的计算机网络，而是一个由大量活动构件与多元参与者元素所构成的生态系统，终端设备提供商、基础设施提供商、网络服务提供商、网络接入服务提供商、数据服务使能者、数据服务提供商、触点服务、数据服务零售商等等一系列的参与者共同构建的生态系统。而今，这样一套数据生态系统的基本雏形已然形成，接下来的发展将趋向于系统内部角色的细分，也就是市场的细分;系统机制的调整，也就是商业模式的创新;系统结构的调整，也就是竞争环境的调整等等，从而使得数据生态系统复合化程度逐渐增强。
Ⅳ Gartner发布2014技术成熟度曲线，大数据去哪儿
摘要：近日，Gartner发布了最新的新兴技术成熟度曲线（Hype Cycle for Emerging Technologies）。去年，大数据享有至高无上的地位，处于Gartner所说的“期望膨胀高峰期”。但现在，大数据已经跌入“幻灭的低谷期”。物联网取而代之，占据了成熟度曲线的最高点。
在2012年和2013年，Gartner的分析师们曾认为，物联网还需要10年以上的时间才会达到“生产率稳定期”。但今年，他们认为物联网只需要5到10年时间就会达到这个最终成熟阶段。
小编的理解是，无论是大数据还是物联网，数据和数据之上的信息都是不变的“主旋律”。物联网将数据流动的介质进一步“下沉”至具备联网功能和数据传输能力的“物件”上，让更多的机器、设备成为人们生产与生活交互的一部分。
今年成熟度曲线上的一个新面孔是“数据科学”，预计它将在2到5年时间里达到稳定期。与其说它是一项或一套具体的技术，不如说是一个处理大数据的学科。Gartner在《成熟度曲线特别报告》(Hype Cycle Special Report)中指出：“虽然对大数据的兴趣依然不减，但它已经离开高峰期，因为该市场已经安定下来，有了一整套合理的方法，新的技术和实践被添加进现有方案。”虽然大数据兴趣不减，市场趋向稳定，但Gartner认为，大数据还有5到10年才会达到稳定期。看来，大数据相关技术的演进在未来一段时间内仍将展现出强大的生命力，相关市场的营收也将不断放大。
对于Gartner对新兴技术起伏的判断，皮尤研究中心(Pew Research Center)的互联网、科学和技术研究主管李·雷尼(Lee Rainie)作出了如下评价：“虽然成熟度曲线不是严格地以数据为基础，但高德纳分析师们对技术采纳状况作出的判断常常与其他优秀观察者的看法相一致。在特定创新应该处于曲线什么位置的问题上，有时会有争议，但该曲线所勾勒的总体趋势很少受到质疑。”
2014年标志着新兴技术成熟度曲线这个有用的工具已经问世20周年。该工具旨在跟踪人们对技术和商业创新的周期性兴趣爆发和经常性失望的起起伏伏。Gartner副总裁兼著名分析师贝特西·伯顿(Betsy Burton)谈到了成熟度曲线作为跟踪创新及其商业影响力如何逐渐演变的工具，以及2014年版的新变化。伯顿说：“很多时候，我们看到的是人们的注意力从支持信息、应用、云端系统和大数据的基础设施，转向我们如何运用云计算、大数据和社交的某些能力来解决现实的商业问题。我们正目睹人们的注意力从技术本身转向将这项技术实际运用到现实的商业需求和商业成果中。”
Ⅳ 大数据的生命周期的九个阶段
大数据的生命周期的九个阶段
企业建立大数据的生命周期应该包括这些部分：大数据组织、评估现状、制定大数据战略、数据定义、数据收集、数据分析、数据治理、持续改进。
一、大数据的组织
没有人，一切都是妄谈。大数据生命周期的第一步应该是建立一个专门预算和独立KPI的“大数据规划、建设和运营组织”。包括高层的首席数据官，作为sponsor，然后是公司数据管理委员会或大数据执行筹划指导委员会，再往下就是大数据的项目组或大数据项目组的前身：大数据项目预研究团队或大数据项目筹备组。这个团队是今后大数据战略的制定和实施者的中坚力量。由于人数众多，建议引入RACI模型来明确所有人的角色和职责。
二、大数据的现状评估和差距分析
定战略之前，先要做现状评估，评估前的调研包括三个方面：一是对外调研：了解业界大数据有哪些最新的发展，行业顶尖企业的大数据应用水平如何？行业的平均尤其是主要竞争对手的大数据应用水准如何？二是对内客户调研。管理层、业务部门、IT部门自身、我们的最终用户，对我们的大数据业务有何期望？三是自身状况摸底，了解自己的技术、人员储备情况。最后对标，作差距分析，找出gap。
找出gap后，要给出成熟度现状评估。一般而言，一个公司的大数据应用成熟度可以划分为四个阶段：初始期（仅有概念，没有实践）；探索期（已经了解基本概念，也有专人进行了探索和探讨，有了基本的大数据技术储备）；发展期（已经拥有或正在建设明确的战略、团队、工具、流程，交付了初步的成果）；成熟期（有了稳定且不断成熟的战略、团队、工具、流程，不断交付高质量成果）。
三、大数据的战略
有了大数据组织、知道了本公司大数据现状、差距和需求，我们就可以制定大数据的战略目标了。大数据战略的制定是整个大数据生命周期的灵魂和核心，它将成为整个组织大数据发展的指引。
大数据战略的内容，没有统一的模板，但有一些基本的要求：
1. 要简洁，又要能涵盖公司内外干系人的需求。
2. 要明确，以便清晰地告诉所有人我们的目标和愿景是什么。
3. 要现实，这个目标经过努力是能达成的。
四、大数据的定义
我认为：“数据不去定义它，你就无法采集它；无法采集它，你就无法分析它；无法分析它，你就无法衡量它；无法衡量它，你就无法控制它；无法控制它，你就无法管理它；无法管理它，你就无法利用它”。所以“在需求和战略明确之后，数据定义就是一切数据管理的前提”。
五、 数据采集
1. 大数据时代的数据源很广泛，它们可能来自于三个主要方面：现有公司内部网各应用系统产生的数据（比如办公、经营生产数据），也有来自公司外互联网的数据（比如社交网络数据）和物联网等。
2.大数据种类很多，总的来讲可以分为：传统的结构化数据，大量的非结构化数据（比如音视频等）。
3. 数据采集、挖掘工具很多。可以基于或集成hadoop的ETL平台、以交互式探索及数据挖掘为代表的数据价值发掘类工具渐成趋势。
4. 数据采集的原则：在数据源广泛、数据量巨大、采集挖掘工具众多的背景下，大数据决策者必须清楚地确定数据采集的原则：“能够采集到的数据，并不意味着值得或需要去采集它。需要采集的数据和能够采集到的数据的"交集"，才是我们确定要去采集的数据。”
六、数据处理和分析
业界有很多工具能帮助企业构建一个集成的“数据处理和分析平台”。对企业大数据管理者、规划者来讲，关键是“工具要满足平台要求，平台要满足业务需求，而不是业务要去适应平台要求，平台要去适应厂商的工具要求”。那么这个集成的平台应该有怎样的能力构成呢？它应该能检索、分类、关联、推送和方便地实施元数据管理等。见下图：
七、 数据呈现
大数据管理的价值，最终要通过多种形式的数据呈现，来帮助管理层和业务部门进行商业决策。大数据的决策者需要将大数据的系统与BI（商业智能）系统和KM（知识管理）系统集成。下图就是大数据的各种呈现形式。
八、 审计、治理与控制
1.大数据的审计、治理和控制指的是大数据管理层，组建专门的治理控制团队，制定一系列策略、流程、制度和考核指标体系，来监督、检查、协调多个相关职能部门的目标，从而优化、保护和利用大数据，保障其作为一项企业战略资产真正发挥价值。
2.大数据的治理是IT治理的组成部分，大数据的审计是IT审计的组成部分，这个体系要统筹规划和实施，而不是割裂的规划和实施。
3.大数据的审计、治理与控制的核心是数据安全、数据质量和数据效率。
九、 持续改进
基于不断变化的业务需求和审计与治理中发现的大数据整个生命周期中暴露的问题，引入PDCA等方法论，去不断优化策略、方法、流程、工具，不断提升相关人员的技能，从而确保大数据战略的持续成功！
Ⅵ 大数据生命周期的多个阶段分析
大数据生命周期的多个阶段分析
如今，各个企业对于大数据的应用都甚为积极，但企业在建立大数据的生命周期时应注意，其中包括了这些部分：大数据组织、评估现状、制定大数据战略、数据定义、数据收集、数据分析、数据治理、持续改进这几方面，下面就来详细了解下。
大数据的现状评估和差距分析
在定战略之前，先要做必要的现状评估，评估前的调研包括三个方面：一是对外调研：了解业界大数据有哪些最新的发展，行业顶尖企业的大数据应用水平如何？行业的平均尤其是主要竞争对手的大数据应用水准如何？二是对内客户调研。管理层、业务部门、IT部门自身、我们的最终用户，对我们的大数据业务有何期望？三是自身状况摸底，了解自己的技术、人员储备情况。最后对标，作差距分析，找出gap。找出gap后，要给出成熟度现状评估。一个公司的大数据应用成熟度可以划分为四个阶段：初始期;探索期;发展期;成熟期。
大数据的发展战略
有了大数据组织、知道了本公司大数据现状、差距和需求，企业就可以制定大数据的战略目标了。大数据战略的制定是整个大数据生命周期的灵魂和核心，它将成为整个组织大数据发展的指引。大数据战略的内容，没有统一的模板，但有一些基本的要求：
要现实，这个目标经过努力是能达成的。
要简洁，又要能涵盖公司内外干系人的需求。
要明确，以便清晰地告诉所有人我们的目标和愿景是什么。
对于大数据的定义
如果不对大数据进行定义，你将无法采集到它，你没法采集它就不能分析它;而不能分析它，你就不能衡量它的价值，既然不能衡量它的价值，你也就无法真正的控制它;如果你不能很好的控制它，那么你就无法管理并且利用它。在需求和战略明确之后，数据定义就是一切数据管理的前提。