⑴ 大数据项目经理的7大要求
随着云时代的来临，大数据（Big data）也吸引了越来越多的关注。越来越多的政府、企业等机构开始意识到数据正在成为组织最重要的资产，数据分析能力正在成为组织的核心竞争力。同样，在企业的项目管理领域，大数据存在重要的价值，作为大数据时代的项目经理，又需要什么必备条件呢？
方法/步骤
大学毕业以及继续教育
在我所进行的对大数据项目经理职位的研究中，遇到的许多大数据项目经理职位的前提条件是运筹学、理科或者工程学硕士或者博士。如果由于项目时间和预算限制，无法立即获得大学教育，那么是时候需要寻找大数据和供应商教育相关的不断增长的大学课程。
培训和专业开发管理经验
在一些大城市地区，仅拥有大数据毕业和继续教育知识是无法跟上需求，因此具有培训背景的项目经理可以为其组织在创建大数据内部培训发挥重要的作用。项目经理还需要管理其大数据团队的继续教育和专业开发，确保员工和整体努力的顺利。当预算时间恢复时，表示培训需求成为大数据培训产生良好经营效果的巨大挑战。
过程开发经验
大数据需要当前软件开发寿命周期(SDLC)和其它相关的过程，例如实现进行改变。具备过程开发经验的项目将在组织现有过程应用到大数据上时发挥重要作用。本过程工作需要领导，当大数据进入样机研究阶段时以确保大数据项目转换为生产。
为了进行大数据开发进行风险消减设计时，需要更多的过程开发和项目管理技术，而非仅涉及项目交付过程。
交叉功能团队管理经验
大数据项目团队与你以往所带领的传统软件开发或者工程团队不尽相同。大数据项目团队包括多学科人才，如工程设计、操作、业务分析甚至电力用户。团队的核心任务是使所有数据有意义;如果你领导某一大数据项目，你必须领导多专业人才顺利实现该目标。
市场营销和销售技术
随着大数据的潜在变化以及新业务出现，为了完成大数据项目经理工作，你需要市场营销和销售技术。很容易在大数据分析中迷失，但是面向客户任务的项目经理，应能够帮助处理建议、销售表示以及客户简报。还有经典的咨询销售电话，项目经理伴随公司销售并向潜在客户介绍其大数据技术解决方案。另外，大数据团队还必须销售其服务，并判断其背后的投资以结合从大数据中受益的管理和部门。
科技技术和性能
项目经理在进入大数据开始解决，团队中每名成员需要逐个传递。大数据当前状态还需要大量经验，这是为什么项目经理需要至少具备一些技术技能的另一原因。这些技术技能可能来自之前的经验(大数据项目经理可选自公司经营或者技术部门)，并根据内部培训和厂家培训创建。
大数据为经验丰富的项目经理提供了许多机会，在创建大数据基础过程中发挥工具作用，并培养一支具有融合计划和经营实践的尖端团队。
咨询技术
具备咨询内部和外部客户解决方案背景和经验的项目经理可以在大数据世界中找到归属。随着大数据如此广泛的开放，项目经理需要监督企业数据管理、数据库、经营信息不断出现的领域，并能够向客户和上层管理咨询大数据发展方向以及在经营和项目中如何发挥大数据的优势。你还能够在建议可选择数据管理方案、内部项目和外部客户策略中发挥作用。
⑵ 大数据时代哪些工作将被人工智能取代
智能出行——被取代员工：驾驶员、助理、内审、财务出纳等
智能比价——被取代员工：采购
智能项目管理——被取代员工：项目经理、数据分析员
但毫无疑问，智能代替人工的时代，已经开启了。这不是狼来了
大数据是一种趋势--ITjob
⑶ 大数据时代下建筑业有哪些高科技手段智慧工地管理又是怎么做的
目前的建筑工程高科技手段莫过于BIM, (建筑信息化模拟)。
智慧工地管理就是尽力朝左BIM前进！
⑷ 运营商迎来大数据时代 管理和分析是大挑战
运营商迎来大数据时代：管理和分析是大挑战
大数据不是新的概念，在移动互联网发展起来后，数据增长速度加快，整个产业压力突出，传统数据库技术已无法满足运营商对大数据充分利用的需求的背景下，大数据成为近年来的热点。对运营商来说，数据爆发性增长后，带来的收入并未改观，因此，运营商面临着数据流的附加值被互联网公司赚走的挑战，同时面临沦为管道化的尴尬，如何利用好运营商手中的大数据，成为需要面对的问题。
运营商面临数据管理和分析挑战
易观国际分析师黄萌表示，大数据发展时间不长，随着云概念和3G的深入发展，运营商数据压力增大，同时IDC扩容，偏向以存储为主的云服务业务。
运营商新业务的涌现，导致数据暴增。信令数据、互联网数据其规模已经达到数百TB,甚至PB规模。此外，据EMC数据计算事业部大中国区总经理刘伟光介绍，数据的价值除了与数据规模相关，还与数据处理周期成正比关系。也就是，数据处理的速度越快、越及时，其价值越大，发挥的效能越大。而除了分析传统结构化数据外，随着新增值业务拓展，运营商对实现跨结构化、半结构化、非结构化数据进行高效分析有着愈发强烈的诉求。
而运营商面对海量数据和数据结构的变化，不仅是成本，还有管理和分析的挑战。黄萌认为，运营商相对互联网企业有优势，具有雄厚的资源和庞大的IDC集群，拥有电信级的运营网络，具有保证大数据实时、畅通传送的能力，同时具有网络资源和运营能力。而相对互联网企业劣势的地方在于上层应用，尤其是在Saas层面。
大数据有待深挖掘
南京邮电大学卢扞华教授认为，大数据时代主要是对技术的综合运用和对数据的深度挖掘。对运营商来说，大数据带来的机会大于挑战。运营商有自己的网络，积累了大量非常有价值的数据，可以进行客户分析。利用网络收集数据，对运营商运营方式的改变是个机会。
真正实现精准化营销和精细化运营的秘诀就在于如何利用好运营商手中的大数据。海量话单、信令、互联网数据本身就是一笔宝贵的财富。利用好这些数据，充分、及时地对这些数据进行深度分析挖掘，不仅可以进一步提升服务质量、提高客户忠诚度、挖掘新商机、增加收入，还可以通过优化资源配置、减少浪费来提升运营效率，有效降低运营成本。
此外，电信运营商信息化实施比较早，本身大数据积累的也多，例如以前的日志信息，包含用户信息和设备信息，可以进行挖掘使用。运营商越来越重视对数据的挖掘，可以获得未来开发业务和开拓市场的机会。另一方面，分析结果不会涉及隐私，管理好了可以更少产生法律纠纷。此外，电信运营商通过数据分析还可以提供面向社会的信息应用。[page]
卢扞华教授认为，大数据是对技术的综合应用，要有开放、融合、服务和创新的心态，大数据可以为运营商创造另一片天地。例如一个大数据的应用通过收集数据，对大量图片进行分析，最终形成一个场景图。这就是对数据分析、统计技术、图片处理技术和人工智能合成技术的综合运用。据悉，南邮正在开发这方面的应用。
据了解，目前中国三个电信运营商在业务支撑领域、网管IT支撑领域包括增值业务领域，已经随着市场的需求诞生了很多新的大数据实时分析的项目。目前，大数据主要应用在运营商的"信令"系统分析上，此外，运营商还可以通过"用户行为分析"系统，进行精准营销。运营商还提供IDC服务，通过"云"中心的方式为互联网企业提供服务。
对公市场前景巨大
黄萌表示，单批、单次数据爆发性增长，对其进行的可知的时间处理能力是关键点。对运营商来说，IDC服务在对政府和高校、企业等非个人业务市场上前景巨大；对于个人业务，运营商刚开始做，由于回收投资较慢、离散性强，现在主要是针对个人精准运营的业务。智能管道方面，运营商正在基于大数据平台进行流量分析，但是落地的项目少。
据介绍，运营商大数据战略还不太明晰，但是有了一些建树。去年十月份中国移动开始做的"大云"、数据管理系统和平台，覆盖很多园区、学校，2.0技术比1.0技术大幅提升；中国联通2010年开始对企业提供IDC服务，截至目前，营收超20亿元（人民币）；中国电信2011年成立云公司，尚无实体业务，IDC托管规模相对联通小很多。
据电信专家韩少敏介绍，数据类型分为非结构化数据和媒体流，运营商开展大数据分析面对的问题主要是硬件能力。数据一方面是纵向关系，比如"信令",采用水平分隔数据的方式就可以，按照时间段分别存储分析。此外还有横向关系，需要垂直分隔，由于查询复杂，需要引入真正的算法去做。韩少敏认为，目前掌握这方面能力的人才奇缺。并且，运营商在分布式数据库方面少有进展。而从应用角度，大数据一方面用作于统计分析，建数据仓库，其次还有非文本查询，现在大多数数据库公司可以做以上两个方面，而对于关系型数据共享层面，目前还做不了。
中国联通在IDC服务方面走在三家运营商前面，其面向企业提供服务，目前通过按关系水平分隔的方式，将数据集中起来，但是一旦到关系型数据的共享层面，因为没有数据模型，找不到底层的数据库血缘，目前的方案无法解决问题。但是运营商目前做这些数据积累，可以为将来发展提供机会。
刘伟光认为，对于运营商来说，大数据等于大价值。对于IT企业，大数据等于大机遇。通信行业需求从来都是IT技术发展的重要推动力，谁能得到通信行业客户的认可，必然会在大数据领域大有作为，进而成为大数据解决方案的领先者、领导者。
⑸ 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。