❶ 如何凭借python入行大数据，AI
python只是一种语言工具，除此之外还应该学些大数据或AI的知识。如果乐意，可以一起学习，本人也在学习。
❷ 女生学习大数据有哪些优势
一、沟通上面的优势
每个人都知道，学习大数据开发主要是为了服务客户，虽然项目可以满足客户需求，但如何充分表达您项目的初衷是很多男性大数据工程师无法做到的。在这一点上，女生更有利。由于女生给人一种平易近人的感觉，她们会在与顾客的沟通中给顾客留下良好的印象，并且能够很自然地减少与顾客的沟通障碍。
二、外界对女生工程师的期望值不高
虽然性别平等，但由于生理原因，女生大数据开发工程师的外部要求并不像男性大数据开发工程师的期望那么高，因此女生大数据开发工程师的压力相对较小。很多人认为这样的区别是非常不公平的，但是需要提醒每个人，在这样的环境中，女生将有可能创造良好的业绩，证明自己的实力，公司将特别关注女生的发展并为女生提供更多空间。
三、女生数据师心细
大多数男性大数据开发工程师都存在粗心大意的毛病，所以经常在工作中遇到很多的问题。但是，女生工程师相对较少。这正是因为女生很谨慎和细心，女生工程师的细心经常会在开发过程中发现错误。因此，很多公司都很乐意招聘女生大数据开发工程师。
❸ 请简述,在大数据时代,为什么“我们乐于接受数据的纷繁复杂,而不再一味追求其
你好，你所提问的问题：
在大数据时代,为什么
我们乐于接受数据的纷繁复杂版,而不再追求精确性。权
答案：
大数据时代，我们允许那些不精确的数据进入我们的视野，因为再大的个体偏差都会在大数据的恐怖基数下磨灭，成为折线图上一个小小的齿形波动。
数量很大啊的话，小偏差就基本没有太大的影响了。
不懂的话，欢迎追问。如果满意，请点击我的回答左下角“…”，这个点开，有个采纳，
请采纳下，谢谢。
❹ 大数据帮助零售商避免沦为“展示厅”
大数据帮助零售商避免沦为“展示厅”
对实体店零售商来说挣钱难度与日俱增。经过亚马逊等电商二十多年对传统零售型经济模式的冲击，智能手机的普及，数字化消费者的诞生以及次日交割⑴的繁荣，这一切都似乎使传统零售商的未来变得扑朔迷离。
我用“似乎”一词是经过深思熟虑的，因为我相信零售商将通过学会综合运用大数据分析、多渠道数据和持续（自我）更新，重回昔日的繁荣。
这些高风险的议题是美国零售联合会年会考虑的头等大事。该会议于一月份在纽约召开，讨论了大数据和消费者不断变化的期望怎样和云计算、数据分析、社会化商业以及手机交叉，最终从根本上改变商业——这对于零售商而言意义重大。
就个人而言，我对零售商的未来感到兴奋不已。零售商们通过应用高科技能促进对消费者的了解，并提供一切他们想要的。最终，整个业界就能实现将每个消费者区别对待的长期目标，而不是把他们聚集在分区混乱的市场里浪费时间。
作为数据专家，我很乐意见到大数据分析被零售商应用。这项技术是揭开人类消费行为奥秘和了解消费者一切需求的关键因素。
如今，零售商在许多时候都有大把机会去了解他们的顾客群体，以及那群人常去的市场。移动计算应用在用户允许的情况下随时都能让商家获取消费信息。忠诚计划⑵能授权他们访问消费者的历史消费记录。把这两个因素结合起来，无论是实体店还是线上店铺，你都能立刻与你的顾客建立联系，满足他们的需求。
大数据分析能辅助预测消费者的需求。通过研究个人消费习惯并将消费模式与他们身边所发生的事情联系起来，零售商就可以预测消费者的行为。受此启发，零售商能更好地掌握消费者不断变化的需求，他们不仅对此抱有希望，甚至尝试改变消费者的消费行为。
我的公司也用大数据分析天气对消费者个人消费行为的影响。我们将销售数据和美国国家气象局的数据结合分析，这样零售商就能利用忠诚计划的数据，以可预测的方式来确定消费者对天气的反应。
社交媒体为零售商提供了一个促进对消费者了解的良机。商铺能分析顾客们的个人账务。通过匹配不同时间段的消费模式和消费者所属人群，商家能调整他们的营销策略——或许会使用数字化大屏幕对某些特定消费者显示（不同的）商品名称和价格。
最近，大型零售商纷纷制定线上商铺作为实体商铺的补充，但这两种模式几乎都没什么联系。这将使零售商们错失良机。通过多渠道市场技术整合实体和虚拟世界，大数据分析技术变得更加势不可挡。
为了给消费者提供更加持久、方便、个性化和相关的体验，协调所有消费者能接触到的因素就变得尤为重要，包括：促销、商铺、网站、客户服务中心、广告、移动应用和社交网络互动。
事实上，这个途径就是对抗“展示室现象⑶”挑战的关键。
越来越多的消费者选择在实体店体验商品，然后用手机或者平板电脑在网上以一个更优惠的价格购买。我建议零售商不要视手机和平板为眼中钉，而将它们视为自己商铺（业务）的扩展。
通过消费记录，零售商能了解消费者在该商铺的购买习惯，然后利用（线上）应用或（实体店）推销员来吸引顾客。无论通过何种方式，他们留住顾客的几率都将大大高于被网上打折商铺抢走顾客的几率。
我们正处于多渠道市场的早期，但我坚信通过利用大数据分析，移动计算和社交网络，零售商将找到无数成功留住顾客的方法。革命性的实验是非常重要的。尝试一些新东西；不论得失；通过学习；再次尝试。
砖家们乐此不疲地宣称实体店已死，但美国90%以上的零售交易还是以传统的方式进行着，零售商们不断自我更新。
我很荣幸与一批最有创造力的零售商合作，因为他们正在改变21世纪的购物体验。他们明白必须不断重塑自我，才能整合线上线下平台。最棒的零售商一定会成功。而最终的赢家还是消费者，他们的一切需求都将得到满足，以一个实惠的价格。
译注：
⑴one-day delivery（次日交割）：合约的交割日期为下一个交易日时。
⑵loyalty programs（忠诚计划）：是公司基于客户对公司特定产品或服务累积购买的基础上对客户所提供的激励。
⑶phenomenon of “showrooming”（展示室现象）：电商的售价通常比实体店便宜，因此，消费者去实体店体验产品，然后回家在电商网站上下单，这种现象已经司空见惯，被称之为展示室现象。
❺ 大数据何以成为主义
大数据何以成为主义
数据者，有广义与狭义之分。狭义的数据，就是数字或数值，如1、2、3、4、5……广义的数据，则可概括为人类观察、实验、计算等的记录。作为这些记录的符号，或数字，或文字，或图像，或音视频，从上古时代的结绳记事、楔形文字、甲骨文，到古代乃至现代以竹简、布帛、羊皮、纸张等为载体的图文，直至现在以比特为单位的电子信息，可谓无所不包。
也许，正是由于互联网技术工程师们习惯于把以电子信息方式存在的内容统称为“数据”，于是“数据”一词便由狭义的“数字”或“数值”演变为主要指向通用的广义“数据”。
随着计算机、互联网、现代通信以及相关软硬件技术的飞速发展，大数据和云计算，如同一枚硬币不可分离的两面，成为我们这个时代的高频词。
大数据之大，还大在数据结构的有容乃大——它不再需要传统的数据库表格来整齐排列，几乎可以无所不包地记录、存储和计算各种规则的结构化数据和不规则的非结构化数据，于是便有了逐步演变为一个数字化世界的可能。
如此庞大和复杂的数据，远远超出传统计算机的处理能力，于是建立在互联网基础上的云计算技术应运而生，承担起存储、传输、计算和应用大数据的重任。而正是大数据与云计算的有效互动，打开了世界观、方法论乃至价值观的新视野。
在本书中，作者引用专业研究机构的统计，揭示了大数据的规模与速度:一方面，到2014年，全世界电子化数据已增至4.4ZB，即44万亿亿字节，如果将如此之巨的信息量存入只有7.5毫米厚的苹果平板电脑，后者叠加起来的厚度可达地球与月球间距离的三分之二；另一方面，有史以来90%的数据量，都是在过去两年的时间里产生的。
由此不难预期，一个电子化的、独立于物质世界的“数字世界”，正在大数据和云计算的互动中迅速构建，它虽然不可能穷尽物质世界全部存在，越来越逼近物质世界本体却是不争的事实。
尤为值得注意的是，许许多多以往被闲置的数据，由于一些精明商家的开发和利用，开始“变废为宝”。一个耳熟能详的案例，就是那个“尿片+啤酒”的商业发现与行动。世界最大零售商沃尔玛通过大数据统计和分析发现，男性顾客在购买婴儿尿片时，常常会顺便买上几瓶啤酒，于是推出将啤酒和尿片捆绑销售的促销方式，从而有效地提高了啤酒销量。
凡此种种表明，如同宇宙大爆炸般飞速扩张的“数字世界”，不仅日益成为外在的客观物质世界的“镜像”，而且正在越来越多地包含对人类自身行为的追踪和记录，成为人类观察和认识自我的“镜子”。
抛开学术和技术层面的研讨，大数据及其应用几乎与生俱来就伴随了喋喋不休的争论。其中有两个关键词，一是“开放”，一是“保护”。如果说开放就是要打破垄断分割，推动信息与数据互联互通；变革体制机制，实现数据资源共有共享；鼓励技术创新，促进大数据资源开发利用……最大限度地拓展数字世界“公共空间”，让大数据和云计算普惠大众，造福人类；那么保护则意味着要在数字世界为个人留下一方“私密领地”，或者为公权力画上一道不能逾越的“红线”——“风可进，雨可进，国王不能进”。
开放与保护，“公共空间”与“私密领地”，在这里构成既对立又统一的关系。对立在开放与保护“井水不犯河水”，统一在“公共空间”与“私密领地”共存于同一个数字世界，且双方都以对方的存在为自身存在的证据，正所谓没有“公”即没有“私”，没有“私”亦没有“公”。
一言以蔽之，数字世界与现实世界理应奉行同样的价值理念:该开放的一定要最大限度开放，该保护的必须严格加以保护。
本书向读者展示了这样一幅图景:不管你自觉还是不自觉，乐意还是不乐意，大数据正以空前的速度和规模渗透到人类社会生活的方方面面，它在一定程度上已经并正在改变人们观察、认识、思考乃至生存与发展的方式。特别是这后一方面的变化，或许就是“大数据”之所以成为“主义”的原因。
❻ 大数据时代 你的数据价值超乎想象
大数据时代：你的数据价值超乎想象
进入信息大爆发之后的年代，我们已经习惯了网络为自己带来的便利，习惯了足不出户便知天下事的豪情，习惯了动动手指便能购尽世间万物的爽利，但所谓有利就有弊，我们需要付出的代价则是个人数据。其实通过等价交换的原则来看，数据显然没有普通人认为的毫无价值。
我们在网络中畅游，每时每刻都在产生着数据，而这些数据若单独拿出来看，无法获得有效的价值，但是联动起来之后所带来的附加价值，更会震惊所有人。
数据从未缺少 只是还未被记录
从古至今，数据永远伴随在我们身边，不过在过去，由于我们的数据没有被有效的记录与整理，因此造成了数据上的浪费。而在现代社会，由于用户上网时的操作会被记录，因此以前得不到保留的数据存续了，用户的数据被集中起来进行归纳处理，价值便在归纳之后陡然显现。
举一个简单的例子，当我们需要在网上点一份外卖时，商户能够很轻易获得我们许多个人的信息，如送餐上门需要的家庭或者单位地址及电话；还能根据用户之前的消费习惯进行菜品上的调整， 如加辣或者不加辣；根据用户使用的移动支付渠道，可以了解用户的信用度以及是否拥有其他贷款等更多信息。
从以上的例子就能看出，如果有需要，商家甚至能够继续追踪下去，直至对用户进行完全的画像。这便是数据足够以后形成了大数据，而这也是大数据的特点，高容量、多样性、关联性强、应用价值高等特点。
尤其在即将到来的物联网时代，数据更会出现指数级增长，我们使用的所有智能设备都能完整的把我们所有行为通过数据记录下来。数据的骤然增长，也将对我们自身进行更为精准的画像。
数据的价值在于发现其背后的规律
简单来说，通过收集这些数据进行分析之后，将会发现大数据将比我们自身更了解自己。这其实不难理解，我们自己也无法准确记住每时每刻自己在做何事，但通过智能设备却能准确记录下来，并且还会进行整理分析。
不要小看数据的价值，当数据量还稀少时，由于缺乏联动性，因此价值还未显现，但是当样本足够多时，将会从中发现出必然的规律，而这些规律即是价值的体现。但是当数据量还不够多时，却可能得出错误的结论。
用抛硬币来举例，在绝对公平且没有外力干扰的情况下，当我们抛掷数量过少时，可能由于运气缘故造成同一面连续多次出现，这时可能会错误的认为其中一面出现的几率要比另一面更高。但是通过把抛掷的次数增加，会发现其实正反面出现的几率均趋近于二分之一，随着数据量的增多，这个数字也会与二分之一更加接近，这便是数据的价值，发掘其中的规律。
大数据时代下的精准营销
我们个人数据同理，大数据时代下，通过收集到足够多的数据进行分析后，可以挖掘其中背后潜藏的规律。而在发现出这些规律之后，除了能够为用户进行画像，还能为企业提升业务，降低运营成本，进行精细化运营做出更多的贡献。
比如通过收集某个客户的数据，可以知道这位客户喜欢运动、注重养生，特别喜欢在晚饭过后进行慢跑，甚至能够知道具体的跑步时长以及路线。对于电商可以对该客户推荐一些运动日用品，对于餐饮业则可以推荐一些适合养生的菜品，或者结合用户其他更多的数据，可以精准的判断其需求是什么，这样精准化运营将会使企业在节省大量成本的条件下创造更多价值。
当然，这样一来就带来了一个后果，那便是数据安全。个人数据也许将让企业更好的了解用户，让用户享受到更加优质的服务，但是当这些服务变成了骚扰，推荐变成了轰炸后，用户就已经明白自己的数据被泄漏了。
数据安全既是财产安全
个人数据的泄露是如今网络最常见的网络犯罪，而数据泄露也会对个人造成严重的困扰，小到信息骚扰推送，大到信用卡的盗刷以及个人信息冒用，严重的甚至会造成刑事犯罪。
因此对于用户而言，目前国内的个人数据安全形势非常严峻，由于特殊的国情使然，造成许多应用程序必须让客户开放自己的个人隐私数据才可以使用。有数据显示，目前手机APP越界获取个人信息已成为网络诈骗的主要源头，高达96.6%的安卓应用会获取用户手机隐私权限，而iOS应用的这一数据也高达69.3%。
通过这些被跨界获取的个人隐私数据，已经在全球都形成了一个庞大的“黑色产业”，年产值甚至高达上千亿元。这些黑产从业者，利用大数据进行精确推送，诱导用户消费，已经开始跨过了法律的边界。这些黑产庞大的流动资金，也在侧面证明了个人数据的价值，也希望用户能够明白自己的数据有多么珍贵。
小结
前段时间网络李彦宏说过，中国消费者乐意用自己的隐私数据换取便利。但需要注意的是，也许目前消费者不得不用自己的隐私去换取方便，但随着个人隐私数据重视程度的不断提升，这种企业也将不得不做出改变。
用户的数据是一处被掩埋的金矿，我们发现了，可以用它来获得更好的服务，但不是以强迫的方式，毕竟数据的所有权在用户本身。大数据时代，我们自身的数据更会价值连城。让用户明白自身数据的价值，让用户掌握自己的数据，让用户能够与企业平等相待，也是大数据时代的真正意义所在。
❼ 大数据与熵 临界分析
大数据与熵：临界分析
大数据的践行者们不仅在思维上进行了转变，在数据处理上同样采取“大数据”的方法：分析全体而不是样本，不追求精确性，“知其然，不知其所以然”（注：第三句是笔者归纳，原文意思是只要知道“是什么”，不必知道“为什么”，或只问相关性，不问因果关系）。同时宣布传统的抽样方法已经过时，不能适应当今互联网信息社会的要求。
上述断言过于武断。如果断言的目的是为了强调面对信息爆炸，人们必须不断地寻找新的方法，包括“大数据方法”，来分析和处理数据，那么如何夸大和渲染，都是可以理解并接受的；但是，如果断言的目的是为了劝导人们放弃传统的抽样理论，转而皈依“大数据思维”，这就值得商榷。
纵观科技史，人们对物体运动规律的研究，牛顿定律曾被认为绝对正确。但随着科学家们对微观粒子世界，高速运动（近似光速）物体的研究，牛顿定律不再适用，而代之以量子力学和相对论。但这并不意味着牛顿定律的死亡，在人们生活所及的物理社会里，仍然是牛顿定律起主导作用。
信息社会也是如此，信息的不断膨胀、变化、繁杂使得传统抽样统计方法显得力不从心，于是所谓的“大数据思维”出现了。但“大数据”究竟是要取代传统方法，还只是传统方法的补充，有待于进一步的观察。
质疑:
对于“大数据思维”的三个转变，可以提出三点质疑：首先，如果通过分析少量的样本数据就可以得到事物的准确性质，是否还有必要花费成本去搜集全体数据？其次，如果能够得到准确数据，还有必要刻意追求不准确吗？最后，如果能够了解到因果关系，会视而不见，只去分析相关吗？
合理的解释是：首先，如果通过分析少量的样本数据无法得到事物的性质，人们不得不花费更多成本去搜集全体数据来分析。其次，如果得不到准确数据，人们不得不接受不那么准确的、差强人意的数据来进行分析。最后，如果不能够了解到因果关系，人们会退而求其次，以分析相关关系来了解事物。
基于上述解释，大数据方法不应该是刻意为之，而应该是不得已而为之。换言之，大数据方法仅在传统的抽样统计方法不起作用的时候有其用武之地。这就像只有当物体的运动速度接近于光速时我们才用相对论取代牛顿定律。
当然，不可否认，在飞速发展的网络空间里，人们的研究对象，即数据，变得越来越庞大，越来越繁杂模糊，越来越非结构化，这一大趋势使人们乐于接受大数据思维。举个不太恰当的例子，当人们不能解释许多自然现象时，更容易接受某种宗教的解释。
在信息爆炸的今天，传统的抽样统计方法不仅不应该被抛弃，而应该通过一系列改进得到加强，成为高效、实时反映事物状态的主要手段之一。同时，我们欢迎并乐意采用新的方法，比如如日中天的“大数据方法”以及可能的“模糊数据方法”等等。
至此，一个关键问题出现了：面对一个具体事物，如何确定应该用传统方法还是大数据方法？当物理学家研究微观粒子之间的作用力时，会采用量子力学；研究一个桥梁受力时，会采用牛顿力学。信息或数据专家们有这样的理论或判别标准吗？本文下一小节将对此展开讨论。
分析：
首先，考察一般意义上的选取样本大小的规则。
定理：设X1,X2…Xn为独立同分布随机变量，分布为p(x), x∈(x1,x2..xn),则一般抽样样本大小S为：
S = λ*2 ^H(X) …………………………(1)
其中：λ是常数，H(X)= -∑p(xi)*log
p(xi),即随机变量X的熵。
例1：了解总体为N个人对某事物的看法，是或否两个选择，其熵约为1，（假设两种回答人数基本相当），则在一定的置信度、置信区间的要求下（本文不做精确的抽样理论推导，仅举例定性说明，以下同），S随着N的增加（比如到10万）逐步趋向为一个常数；400，此时λ=200。 可以证明，当其它条件不变，随着熵增加，S指数增加，λ保持不变。
换一个方式解释λ。
定义1：λ是在一次抽样中，“典型状态”出现的期望值。
定义2：典型状态指该状态出现概率等于或近似等于相同熵值平均分布下各状态出现概率的那个状态。
举例来说，X服从一个8状态平均分布，其熵为3比特，其每个状态都是“典型状态”，其出现概率都是1/8。
如果X服从一个12个状态的分布，其状态分布概率为
p（x1,x2,x3,x4,x5…x12）=(1/3，1/5，1/6，1/7，1/8，1/15…1/50)，H（X） ~=3 比特。其典型状态是 x5, 出现概率为1/8.
基于上述规定，如果λ取1，H（X）=3，则样本大小S =8，在一次抽样中，典型状态（出现概率1/8）出现次数的期望值为1，等于λ。但状态出现是依概率的，尽管期望值为1，但观察值也可能为0，2，3…，这样的估计误差过大。
如果λ取100，H（X）=3，则样本大小S =800，在一次抽样中，典型状态出现的期望值为100，等于λ。其实际观察值在极大概率下落在95-105之间，如果误差可接受，取λ=100，否则，加大λ。
另外一个影响λ的因素是分层。将例1中的总体N分为高收入（20%），中等收入（50%），低收入（30%）3类人来调查对某事物看法。如果采用纯随机抽样，要保证每层的分布得到准确的估计结果，就要使得最少个体的层能够抽到足够数量，因此λ要乘5（20%的倒数）。但事实上，人们更关心总体结果，兼顾分层的结果，因此，为了节约成本，实际的λ修正系数会小一些，比如取3，这时，样本大小约为1200 。这时，不管总体是10万人还是3亿人，对1200人的样本进行的调查结果可以在3%的误差范围内反映出实际情况。
通过以上分析可以看出，λ是一个100-1000之间的常数，具体数值取决于调查方希望在一次抽样中得到多少个典型状态（或分层的）的个体（期望值），并满足误差要求。在确定了λ之后，样本的大小就只和系统熵相关，呈指数增长关系，即公式（1）。
采用传统抽样方法时，研究对象的随机状态和变化有限，或通过人为的分类使之变得有限，导致熵值很小，因此，使用较小的样本就可以准确地估计总体。加之那时的取样成本很高，调查方要花费很大精力设计抽样方案，在不失精度的前提下，使得样本规模尽量缩小。
互联网时代的状况恰恰相反，研究对象是互联网的行为，获取数据非常容易，因为数据已经产生，不管你用不用它，它就在那里。而互联网上许多研究对象的状态无限多，也很难统计归类（比如“长尾现象”），系统熵值很大，导致样本规模巨大或根本无法确定规模。此时，采用总体分析，即大数据方法就具有优势。当然，即使总体数据已经存在，对其整理和运算也相当消耗资源。一些情况下，采用抽样的方法仍然是最佳的选择。
现在，让我们尝试回答上节最后提出的问题：面对一个具体问题如何选取分析方法？
首先，考察研究对象所需的数据是否已经在应用中自动被收集，比如，用户的线上购物行为。如果不是，比如线下购物，需要研究者设计方法去收集数据，此时，应该采用传统抽样方法。
其次，面对互联网已经（或可以实时在线）获得的海量数据，当研究对象熵值小于5，建议仍采用传统抽样方式，可以得到更高效率；当熵值介于5-15之间，总体分析或抽样分析都可以考虑，视具体情况；熵值大于15，建议采用总体分析，即大数据方法。
上述建议仍然很抽象。在下一小节中，我们借用长尾理论的描述方法，将统计研究对象分为4种类型，分别讨论适用的方法。
分类：
第一类：“无尾模型”。此时，研究对象的状态明确且数量有限，出现概率最小的状态仍然具有统计意义。如民主投票，状态有赞成、反对、弃权3个状态，或是有限个被选举人的支持率；再如收视率调查，状态有几十或几百个电视台。统计结果的描述方法通常是分布直方图，即将状态出现的频次从高向低顺序以柱状图的方式表示出来。连接直方图的各个顶点，就得到总体的概率分布曲线。按照相同顺序排列频次累计数并将顶点相连，就得到所谓“帕累托曲线”。两个曲线表现为凹函数，或二阶导数恒为负值（借用连续的分析，实际上是离散的），在曲线尾部没有出现变化。随着状态数的增多，“二八现象”会显著，即少数状态（比如20%）占到了多数频次（比如80%）。
第二类：“翘尾模型”。此时，研究对象的状态较明确且数量较多，出现概率很小的状态相对失去统计意义，在统计上把这些状态统一归类为“其它”状态。绝大多数情况下，由于其它状态是由许多状态构成的，其出现概率的和高于排列在前的某些较小概率状态的概率，因此，总体概率分布曲线及帕累托曲线在尾部会出现上翘，即所谓“翘尾模型”。为了保证统计效果，其它状态总的概率一般不超过5%。这时，二八现象极为显著，便于“ABC分析”和重点管理，因此翘尾模型在企业管理上应用极为广泛。如质量管理（缺陷分析），库存管理（零配件库、商店、卖场，特别是实体书店，可与后面网络书店的长尾现象比较）等。
以上两种模型运用传统的抽样方法均可以取得良好的统计结果。随着对象状态数量增加，并不存在明显界限。以收视率调查为例：选择3万个调查样本户进行收视调查，当有二、三十个电视台台时，收视率最低的电视台也能得到显著的观察值，可以认为是无尾模型。当电视台数量超过100，许多收视率达不到0.3%的电视台在一次抽样中就无法达到可以保证相对精度的观测值，此时，既可以扩大样本范围来满足精度要求，也可以将小于0.3%的状态合并为“其它”，采用“翘尾模型”。
随着三网融合的进展，绝大多数电视机将具有双向功能，总体数据变得唾手可得，此时，抽样方法仍然有效，它可以用来做实时的、频繁的统计，而采用总体的大数据方法可以定时进行校正，毕竟处理几万个样本比处理几亿条总体数据要迅速、便宜得多。
第三类：“长尾模型”。此时，研究对象的状态不够明确且数量很多，出现概率很小、相对失去统计意义的状态众多。但是，这些小概率状态的全部或部分和占到总体状态的30%-40%，甚至更多。反映在概率分布或帕累托图上就形成一个长长的尾巴（渐进于X轴或Y=1的直线）。如果采用翘尾模型，用抽样的办法，会使总体的30%-40%，甚至更多的状态无法描述。从而必须采用全体数据即大数据的方法。
举例来说：一个实体书店的货架上有1000种书籍，经过统计，老板会发现，卖得好的前200种书占到其销售额的80%以上，而卖得不好的后500种书的占比甚至不到5%，统计上可以并为一类。这就是所谓“二八现象”，老板采用抽样统计的方法可以掌握占销售额95%的书籍的分布情况。而一个网络书店的数据库中可能列有20万种书籍，其中热卖的200种占销售额的20%，前2000种共占到40%。而余下的19.8万种书籍构成其余60%的销售额，但每种份额是如此之小，以至于无论如何扩大样本，都不易被显著地观察到。在这种情况下只能采用大数据方法，否则，60%的销售额都不知道从哪里产生的统计还有什么作用。
第四类：“全尾模型”。此时，研究对象的状态很不明确、甚至未知，而数量极多甚至无限，正常情况下，无论如何选择样本都无法在统计意义上显著地得到各个状态的观察值，一旦可以观察到，说明出现异常。其分布曲线是无限接近且平行于X轴的直线。所以我们也可以称之为“平尾”。
典型的例子如关键词搜索，事先无法确定状态，即系统事先不知道用户要搜索什么，且搜索的内容可能无限多，因此无法事先设计抽样模型。采用分析全体的大数据方法，可以在出现异常时即使发现并加以分析。比如，某种疾病或药物的名词在某一地区的搜索量大增，就可以预测这一地区可能流行某种疾病。事实上，谷歌的大数据分析在这方面已经比传统的流行病预测机制和机构做得更好、更有效率。
大数据方法被认为最适于做预警或预测某种人们事先不知道的状态，而抽样统计则一般是根据已知的状态安排抽样规则。
以上四种模型分析与上节基于熵的分析是一致的。其中无尾和翘尾模型的熵值分别为小于6、介于5-15之间；而长尾和全尾模型的熵值分别为大于15、趋于无穷。前二者多采用传统抽样分析，后二者只能采用大数据方法。更为重要的是，随着量变引起质变，大数据方法会带来更多、更新的概念、理论和技术。
❽ 如何利用大数据及现代教育技术，辅助教师教学
“兴趣是学习之母”，没有兴趣是学不好的。因为有兴趣，学生就会产生积极的情绪；为满足好奇心，学生就要看、要听、要想、要问，思维也被激活。教师精心设计教学，就是要激发学生学习的兴趣，并在成功的体验中使学生的兴趣收到保护和激励。教师要善于通过各种手段，找准教学的切入口，诱发学生的求知欲。