大数据梳理

㈠ 外行人的大数据五问 带你了解大数据

外行人的大数据五问 带你了解大数据
大数据是什么？是一种运营模式，是一种能力，还是一种技术，或是一种数据集合的统称？今天我们所说的“大数据”和过去传统意义上的“数据”的区别又在哪里？大数据有什么特点？来源有哪些？又应用于哪些方面等等。接下来小编带您一起了解大数据。
>>>>>大数据概念
"大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 "大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量；其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度（Velocity）快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性（Veracity）高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。
网络知道—大数据概念
大数据(bigdata)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。大数据的4V特点：Volume、Velocity、Variety、Veracity。
互联网周刊—大数据概念
"大数据"的概念远不止大量的数据（TB）和处理大量数据的技术，或者所谓的"4个V"之类的简单概念，而是涵盖了人们在大规模数据的基础上可以做的事情，而这些事情在小规模数据的基础上是无法实现的。换句话说，大数据让我们以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见，最终形成变革之力
研究机构Gartner—大数据概念
"大数据"是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。从数据的类别上看，"大数据"指的是无法使用传统流程或工具处理或分析的信息。它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。 亚马逊网络服务（AWS）、大数据科学家JohnRauser提到一个简单的定义：大数据就是任何超过了一台计算机处理能力的庞大数据量。 研发小组对大数据的定义："大数据是最大的宣传技术、是最时髦的技术，当这种现象出现时，定义就变得很混乱。" Kelly说："大数据是可能不包含所有的信息，但我觉得大部分是正确的。对大数据的一部分认知在于，它是如此之大，分析它需要多个工作负载，这是AWS的定义。当你的技术达到极限时，也就是数据的极限"。 大数据不是关于如何定义，最重要的是如何使用。最大的挑战在于哪些技术能更好的使用数据以及大数据的应用情况如何。这与传统的数据库相比，开源的大数据分析工具的如Hadoop的崛起，这些非结构化的数据服务的价值在哪里。
>>>>>大数据分析
众所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？
>>>>>大数据技术
数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取：关系数据库、NOSQL、SQL等。
基础架构：云存储、分布式文件存储等。
数据处理：自然语言处理(NLP，NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机"理解"自然语言，所以自然语言处理又叫做自然语言理解(NLU，NaturalLanguage Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。
统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数据挖掘：分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测：预测模型、机器学习、建模仿真。
结果呈现：云计算、标签云、关系图等。
>>>>>大数据特点
要理解大数据这一概念，首先要从"大"入手，"大"是指数据规模，大数据一般指在10TB(1TB=1024GB)规模以上的数据量。大数据同过去的海量数据有所区别，其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity)，即体量大、多样性、价值密度低、速度快。
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，如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。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。
大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的"大数据"不仅指数据本身的规模，也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域，通过解决巨量数据处理问题促进其突破性发展。因此，大数据时代带来的挑战不仅体现在如何处理巨量数据从中获取有价值的信息，也体现在如何加强大数据技术研发，抢占时代发展的前沿。
当下我国大数据研发建设应在以下四个方面着力
一是建立一套运行机制。大数据建设是一项有序的、动态的、可持续发展的系统工程，必须建立良好的运行机制，以促进建设过程中各个环节的正规有序，实现统合，搞好顶层设计。
二是规范一套建设标准。没有标准就没有系统。应建立面向不同主题、覆盖各个领域、不断动态更新的大数据建设标准，为实现各级各类信息系统的网络互连、信息互通、资源共享奠定基础。
三是搭建一个共享平台。数据只有不断流动和充分共享，才有生命力。应在各专用数据库建设的基础上，通过数据集成，实现各级各类指挥信息系统的数据交换和数据共享。
四是培养一支专业队伍。大数据建设的每个环节都需要依靠专业人员完成，因此，必须培养和造就一支懂指挥、懂技术、懂管理的大数据建设专业队伍。
>>>>>大数据作用
大数据时代到来，认同这一判断的人越来越多。那么大数据意味着什么，他到底会改变什么？仅仅从技术角度回答，已不足以解惑。大数据只是宾语，离开了人这个主语，它再大也没有意义。我们需要把大数据放在人的背景中加以透视，理解它作为时代变革力量的所以然。
变革价值的力量
未来十年，决定中国是不是有大智慧的核心意义标准（那个"思想者"），就是国民幸福。一体现在民生上，通过大数据让有意义的事变得澄明，看我们在人与人关系上，做得是否比以前更有意义；二体现在生态上，通过大数据让有意义的事变得澄明，看我们在天与人关系上，做得是否比以前更有意义。总之，让我们从前10年的意义混沌时代，进入未来10年意义澄明时代。
变革经济的力量
生产者是有价值的，消费者是价值的意义所在。有意义的才有价值，消费者不认同的，就卖不出去，就实现不了价值；只有消费者认同的，才卖得出去，才实现得了价值。大数据帮助我们从消费者这个源头识别意义，从而帮助生产者实现价值。这就是启动内需的原理。
变革组织的力量
随着具有语义网特征的数据基础设施和数据资源发展起来，组织的变革就越来越显得不可避免。大数据将推动网络结构产生无组织的组织力量。最先反映这种结构特点的，是各种各样去中心化的WEB2.0应用，如RSS、维基、博客等。
大数据之所以成为时代变革力量，在于它通过追随意义而获得智慧。
>>>>>大数据处理
大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。
大数据处理的流程
具体的大数据处理方法确实有很多，但是根据笔者长时间的实践，总结了一个普遍适用的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。
大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
>>>>>大数据应用与案例分析
大数据应用的关键，也是其必要条件，就在于"IT"与"经营"的融合，当然，这里的经营的内涵可以非常广泛，小至一个零售门店的经营，大至一个城市的经营。以下是我整理的关于各行各业，不同的组织机构在大数据方面的应用的案例，在此申明，以下案例均来源于网络，本文仅作引用，并在此基础上作简单的梳理和分类。
大数据应用案例之：医疗行业
[1] Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。
[2] 在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。
[3] 它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。
大数据应用案例之：能源行业
[1] 智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。
[2] 维斯塔斯风力系统，依靠的是BigInsights软件和IBM超级计算机，然后对气象数据进行分析，找出安装风力涡轮机和整个风电场最佳的地点。利用大数据，以往需要数周的分析工作，现在仅需要不足1小时便可完成。
大数据应用案例之：通信行业
[1] XO Communications通过使用IBM SPSS预测分析软件，减少了将近一半的客户流失率。XO现在可以预测客户的行为，发现行为趋势，并找出存在缺陷的环节，从而帮助公司及时采取措施，保留客户。此外，IBM新的Netezza网络分析加速器，将通过提供单个端到端网络、服务、客户分析视图的可扩展平台，帮助通信企业制定更科学、合理决策。
[2] 电信业者透过数以千万计的客户资料，能分析出多种使用者行为和趋势，卖给需要的企业，这是全新的资料经济。
[3] 中国移动通过大数据分析，对企业运营的全业务进行针对性的监控、预警、跟踪。系统在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。
[4] NTT docomo把手机位置信息和互联网上的信息结合起来，为顾客提供附近的餐饮店信息，接近末班车时间时，提供末班车信息服务。
大数据应用案例之：零售业
[1] "我们的某个客户，是一家领先的专业时装零售商，通过当地的百货商店、网络及其邮购目录业务为客户提供服务。公司希望向客户提供差异化服务，如何定位公司的差异化，他们通过从 Twitter 和 Facebook 上收集社交信息，更深入的理解化妆品的营销模式，随后他们认识到必须保留两类有价值的客户：高消费者和高影响者。希望通过接受免费化妆服务，让用户进行口碑宣传，这是交易数据与交互数据的完美结合，为业务挑战提供了解决方案。"Informatica的技术帮助这家零售商用社交平台上的数据充实了客户主数据，使他的业务服务更具有目标性。
[2] 零售企业也监控客户的店内走动情况以及与商品的互动。它们将这些数据与交易记录相结合来展开分析，从而在销售哪些商品、如何摆放货品以及何时调整售价上给出意见，此类方法已经帮助某领先零售企业减少了17%的存货，同时在保持市场份额的前提下，增加了高利润率自有品牌商品的比例

㈡ 教你如何利用大数据思维

教你如何利用大数据思维 在和一些企业家交流时，有几个问题会被常常问到，"没有多少数据怎么办?"，"大数据都是大公司的事情，我们小公司怎么办?""能不能告诉我，哪些软件或者工具可以解决大数据的问题?"一般情况下，我都会说，首先要有大数据思维!大家纷纷点头称是，这词儿听起来非常高大上，甚至给人一种不明觉厉的赶脚!但啥是大数据思维，我一直没有空来整理提炼。
前阵子一个内部的论坛，要求大家必须讲干货，趁此机会，系统的梳理一遍，概括起来，也就三条：第一认识大数据飞轮，第二理解数据资产评估，第三运用泛互联范式。

图1：大数据思维
干货肯定是经过浓缩的，甚至把案例都作为水分挤掉了，所以这篇文章读起来不是那么有趣。但我可以保证，掌握这三条给上市公司做大数据战略咨询肯定没有问题。因为我已经靠这三板斧，搞定了十几家上市公司。连国内最大咨询公司的董事长都认为有料，要走了PPT。
每条都用一幅图来表达，每个图中的圆圈都有许多案例来佐证。大家如果对案例更感兴趣，读拙作《大数据时代的历史机遇》好了。其实图1就涵盖了大数据思维的全部思想。这幅图里外三层、上下结构，看起来比较复杂，所以后面拆成三幅图来讲。思维的过程是自上而下、自外而里的。图的上半部分讲得是大数据的商业功用，就是说有了大数据我们能干什么?怎么赚钱?有哪些好玩的商业模式?以前常说"羊毛出在羊身上"，搞懂这些模式你会发现原来可以"羊毛出在狗身上"。书里详细写了六种，图上只画出五种。
补充：六种商业模式简述
围绕数据资产，笔者曾考察不同行业的盈利方式和经营策略，归纳总结了六种商业模式(详见《大数据时代的历史机遇》一书)。
租售数据模式：简单来说，就是售卖或者出租广泛收集、精心过滤、时效性强的数据。这也是数据就是资产的最经典的诠释。按照销售对象的不同，又分为两种类型。第一是作为客户增值服务。譬如销售导航仪的公司，同时为客户提供即时交通信息服务。广联达公司为他的客户提供包年的建筑材料价格数据。仅此一项业务，年收入超过1亿元人民币。第二是把客户数据，有偿提供给第三方。典型的如证券交易所，把股票交易行情数据授权给一些做行情软件的公司。
租售信息模式：一般聚焦某个行业，广泛收集相关数据、深度整合萃取信息，以庞大的数据中心加上专用传播渠道，也可成一方霸主。信息指的是经过加工处理，承载一定行业特征数据集合。
数字媒体模式：这个模式最性感，因为全球广告市场空间是5000亿美元。具备培育千亿级公司的土壤和成长空间。这类公司的核心资源是获得实时、海量、有效的数据，立身之本是大数据分析技术，盈利来源多是精准营销和信息聚合服务。
数据使能模式：这类业务令人着迷之处在于，如果没有大量的数据，缺乏有效的数据分析技术，这些公司的业务其实难以开展。譬如阿里金融为代表的小额信贷公司。通过在线分析小微企业的交易数据、财务数据，甚至可以计算出应提供多少贷款，多长时间可以收回等关键问题。把坏账风险降到最低。
数据空间运营模式：从历史上，传统的IDC就是这种模式，互联网巨头都在提供此类服务。但近期网盘势头强劲，从大数据角度来看，各家纷纷嗅到大数据商机，开始抢占个人、企业的数据资源。海外的Dropbox，国内微盘都是此类公司的代表。这类公司的发展空间在于可以成长为数据聚合平台，盈利模式将趋于多元化。
大数据技术提供商：从数据量上来看，非结构化数据是结构化数据的5倍以上，任何一个种类的非结构化数据处理，都可以重现现有结构化数据的辉煌。语音数据处理领域、视频数据处理领域、语义识别领域、图像数据处理领域都可能出现大型的、高速成长的公司。
明白大数据的功用后，大家自然而然地关心，数据这么值钱，理所当然应构成新型的资产。图1的中间部分描述了这块内容。"数据成为资产"这一原创论断成为大数据思维的中心理论。图2数据资产评估模型给出一个完整的思维框架来描述数据资产的价值(完整描述评估模型，非本文主旨。读者若有兴趣，移步阅读拙著吧)。但是这方面的工作远远不够，无法定量的给出评估。在“诺奖级别的学术难题”一文(回复b10获取该文)中，我曾经说，学术界如果在数据资产的定量评估上取得进展，是可以获得诺贝尔奖的。因为这和公司的估值紧密相关。产业界在信用定量计算方面己经走在前列，并付诸商用，但是离一般意义上的数据资产估值还相去甚远。

图2：数据资产评估模型
既然数据成为资产，资产间的交易也会提上日程。联盟特别任命两位副秘书长推进这个事情，从而传播开放、共享的理念。借此呼吁所有愿意开放数据资源的企业，却可以借助联盟的力量，来共同推进。
数据成为资产是在了解大数据功用基础上的抽象认知。接下来看图1的下半部分，泛互联范式。这个范式给出了不断的采集数据并且发挥数据价值的行动指南。许多公司的转型，都要从这幅图开始。见图3。终端+平台+应用+大数据四位一体，构成大数据思维的行动指南。最近和一些公司聊，他们己经了解了数据的重要性，开始想些损招去“劫掠”客户的数据。这不免误入歧图。还是认真研究一下这个范式，从应用、终端上动动脑筋，真正的为用户提供靠谱的服务，才是上策。

图3：泛互联范式
回顾图1，我们在讲大数据思维时，利用自上而下的次序，从大数据的功用入手，深入到理论内核，再到可供操作的范式。但真正上手实践，需要脚踏实地，自下而上的行动。回到德鲁克的经典问题上来，你的客户是谁?
大数据产业联盟愿意为所有有志于从事大数据战略咨询的顾问们服务，掌握这套方法论并切实帮到企业的顾问，联盟会在官方网站上列出您的大名，并向成员企业推荐。
所以, 这次,我们来点儿作业吧：大家可以用上面的大数据思维分析框架来分析一下自己所在的公司自己感兴趣的公司,看看大数据于公司有什么功效, 公司可操作的泛互联范式是什么。
在此，也先抛几个小例子：
1)乐视网的野心

㈢ 大数据的处理流程包括了哪些环节

处理大数据的四个环来节自：

• 收集：原始数据种类多样，格式、位置、存储、时效性等迥异。数据收集从异构数据源中收集数据并转换成相应的格式方便处理。

• 存储：收集好的数据需要根据成本、格式、查询、业务逻辑等需求，存放在合适的存储中，方便进一步的分析。

• 变形：原始数据需要变形与增强之后才适合分析，比如网页日志中把IP地址替换成省市、传感器数据的纠错、用户行为统计等。

• 分析：通过整理好的数据分析what happened、why it happened、what is happening和what will happen，帮助企业决策。

㈣ 大数据的应用

大数据的应用有：构建知识图谱，追踪传播路径；大数据构建疫情发展模型；大数据挖掘疫情舆论等。

1. 构建知识图谱，追踪传播路径

大数据技术可以梳理感染者的移动轨迹，追踪人群接触史，建立知识图谱，为精准定位疫情传播路径，防控疫情扩散等方面提供重要信息。

追踪移动轨迹、建立知识图谱，已经是大数据领域比较成熟的技术。位置数据方面，除了航空、铁路、公路、轮渡等交通部门统计的出行数据外，在用户授权的前提下，电信运营商可以基于手机信令等包含地理位置和时间戳信息的数据有效定位用户的手机位置。

2. 大数据构建疫情发展模型

疫情期间，大众密切关注疫情的传播态势。疫情还会传播多久？感染者还会大幅增加吗？哪里感染风险高？何时能够进入安全期？要解决这些问题，需要找出关键影响因素、分析疫情传播特征、搭建疫情发展模型，这其中大数据能够发挥关键作用。

3. 大数据挖掘疫情舆论

疫情面前，疏解民众的焦虑心理至关重要。由于信息获取方式、生活方式的改变，搜索大数据已成为疫情之下了解民意的重要载体，每一条信息背后的点击、每一次搜索，都精准揭示了民众的需求与问题。

㈤ 数据分析五大步骤

(一)问题识别

大数据分析的第一步是要清晰界定需要回答的问题。对问题的界定有两个标准，一是清晰、二是符合现实。

(二)数据可行性论证

论证现有数据是否足够丰富、准确，以致可以为问题提供答案，是大数据分析的第二步，项目是否可行取决于这步的结论。

(三)数据准备

数据准备环节需要梳理分析所需每个条目的数据，为下一步建立模型做好从充分预备。这种准备可以分为数据的采集准备和清洗整理准备两步。

(四)建立模型

大数据分析项目需要建立的模型可以分为两类。对于这两类模型，团队都需要在设立模型、论证模型的可靠性方面下功夫。

(五)评估结果

评估结果阶段是要评估上述步骤得到的结果是否足够严谨可靠，并确保数据分析结果能够有利于决策。评估结果包括定量评估和定性评估两部分。

大数据的应用

大数据可应用于各行各业，将人们收集到的庞大数据进行分析整理，实现资讯的有效利用。举个本专业的例子，比如在奶牛基因层面寻找与产奶量相关的主效基因，我们可以首先对奶牛全基因组进行扫描，尽管我们获得了所有表型信息和基因信息，但是由于数据量庞大，这就需要采用大数据技术，进行分析比对，挖掘主效基因。

大数据的意义和前景

总的来说，大数据是对大量、动态、能持续的数据，通过运用新系统、新工具、新模型的挖掘，从而获得具有洞察力和新价值的东西。以前，面对庞大的数据，我们可能会一叶障目、可见一斑，因此不能了解到事物的真正本质，从而在科学工作中得到错误的推断，而大数据时代的来临，一切真相将会展现在我么面前。

大数据发展战略

传统的数据方法，不管是传统的 OLAP技术还是数据挖掘技术，都难以应付大数据的挑战。首先是执行效率低。传统数据挖掘技术都是基于集中式的底层软件架构开发，难以并行化，因而在处理 TB级以上数据的效率低。其次是数据分析精度难以随着数据量提升而得到改进，特别是难以应对非结构化数据。

在人类全部数字化数据中，仅有非常小的一部分(约占总数据量的1%)数值型数据得到了深入分析和挖掘(如回归、分类、聚类)，大型互联网企业对网页索引、社交数据等半结构化数据进行了浅层分析(如排序)，占总量近60%的语音、图片、视频等非结构化数据还难以进行有效的分析

卤鹅

㈥ 工业大数据大有可为，浅谈制造业7大应用场景

工业大数据应用将带来工业企业创新和变革的新时代。通过互联网、移动物联网等带来的低成本感知、高速移动连接、分布式计算和高级分析，信息技术和全球工业系统正在深入融合，给全球工业带来深刻的变革，创新企业的研发、生产、运营、营销和管理方式。这些创新不同行业的工业企业带来了更快的速度、更高的效率和更高的洞察力。工业大数据的典型应用包括产品创新、产品故障诊断与预测、工业生产线物联网分析、工业企业供应链优化和产品精准营销等诸多方面。本文我们讲就工业大数据在制造企业的应用场景进行逐一梳理。

一、加速产品创新

客户与工业企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新作出贡献。福特公司是这方面的表率，他们将大数据技术应用到了福特福克斯电动车的产品创新和优化中，这款车成为了一款名副其实的“大数据电动车”。第一代福特福克斯电动车在驾驶和停车时产生大量数据。在行驶中，司机持续地更新车辆的加速度、刹车、电池充电和位置信息。这对于司机很有用，但数据也传回福特工程师那里，以了解客户的驾驶习惯，包括如何、何时以及何处充电。即使车辆处于静止状态，它也会持续将车辆胎压和电池系统的数据传送给最近的智能电话。

这种以客户为中心的大数据应用场景具有多方面的好处，因为大数据实现了宝贵的新型产品创新和协作方式。司机获得有用的最新信息，而位于底特律的工程师汇总关于驾驶行为的信息，以了解客户，制订产品改进计划，并实施新产品创新。而且，电力公司和其他第三方供应商也可以分析数百万英里的驾驶数据，以决定在何处建立新的充电站，以及如何防止脆弱的电网超负荷运转。

二、设备故障分析及预测

在制造业生产线上，工业生产设备都会受到持续的振动和冲击，这导致设备材料和零件的磨损老化，从而导致工业设备容易产生故障，而当人们意识到故障时，可能已经产生了很多不良品，甚至整个工业设备已经奔溃停机，从而造成巨大的损失。

如果能在故障发生之前进行故障预测，提前维修更换即将出现问题的零部件，这样就可以提高工业设备的寿命以及避免某个设备突然出现故障对整个工业生产带来严重的影响。随着工业4.0的到来，智能工厂的工业设备都配上了各种感应器，采集其振动、温度、电流、电压等数据显得轻而易举，通过分析这些实时的传感数据，对工业设备进行故障预测将是一种行之有效的措施。

因此设备故障预测方案成为了制造行业所青睐的解决方案，其具备的核心功能有：

1、故障超前预警，减少设备停机时间；

2、分析结果实时推送，减少人工成本；

3、适用于企业各种类型的设备，通用性强。

三、工业物联网生产线的大数据应用

现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析(包括违反生产规定、零部件故障)等。

首先，在生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能更快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于制造商改进其生产流程。再如，在能耗分析方面，在设备生产过程中利用传感器集中监控所有的生产流程，能够发现能耗的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。

四、产品销售预测与需求管理

近年来，保险业加速了数字化进程，大数据与保险营销深度融合，成为现代化保险营销的重要武器。慧都大数据助力保险行业精准营销，并成功帮助中意人寿保险有限公司更好地服务客户和发挥忠诚客户，提高销售效率及客户复购率。

五、工业供应链的分析与优化

当前，大数据分析已经是很多电子商务企业提升供应链竞争力的重要手段。例如，电子商务企业京东商城，通过大数据提前分析和预测各地商品需求量，从而提高配送和仓储的效能，保证了次日货到的客户体验。RFID等产品电子标识技术、物联网技术以及移动互联网技术能帮助工业企业获得完整的产品供应链的大数据，利用这些数据进行分析，将带来仓储、配送、销售效率的大幅提升和成本的大幅下降。

六、生产计划与排程

制造业面对多品种小批量的生产模式，数据的精细化自动及时方便的采集(MES/DCS)及多变性导致数据剧烈增大，再加上十几年的信息化的 历史 数据，对于需要快速响应的APS来说，是一个巨大的挑战。大数据可以给予我们更详细的数据信息，发现 历史 预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。帮我们规避“画像”的缺陷，直接将群体特征直接强加给个体(工作中心数据直接改变为具体一个设备、人员、模具等数据)。通过数据的关联分析并监控它，我们就能计划未来。

七、生产质量分析与预测

在工业生产中，设备失效、人员疏忽、参数异常、原材料差异、环境波动等因素而导致质量偏离，引起质量等级的缺陷和损失非常巨大。工艺流程复杂的大型制造业，如钢铁、 汽车 、电子、服装等行业，信息数据孤岛凸显，导致质量问题频发，尤其需要“及时发现和预测异常，迅速控制和分析质量异常的原因，进行生产过程改进，稳定生产过程，减少产品质量波动”。

生产质量分析，从工厂订单下单-订单生产-流入市场， 针对整个生产链进行全面的质量分析。其中，打通质量和人、机、料、法、环等数据，各生产数据环环相扣，聚焦质量管理的全量数据分析，帮助企业快速 探索 缺陷根本原因。

1、打通质量和人、机、料、法、环，对影响质量的全量数据进行交互分析， 探索 相互关系，挖掘数据背后的真实原因，获取结果“是什么”，回答“为什么”。

2、将传统的静态汇报模式，改为交互式动态会议，随时随地可以组织生产、质量相关专题会议。通过对维度展示生产和质量KPI，实时预警、掌握产线运营状况。

3、简单易上手的质量分析工具，员工只需对数据进行选取、拖曳，自助灵活地达成期望的数据结果。

4、摒弃以往静态的数据报表，整合多个业务系统数据，多场景数据大屏，自适应多屏，进行综合展示分析，让决策更清晰。

————————————————