大数据时代的主要特征(精选5篇)

开篇：润墨网以专业的文秘视角，为您筛选了八篇大数据时代的主要特征范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

大数据时代的主要特征范文第1篇

第一，用户行为与特征分析。显然，只要积累足够的用户数据，就能分析出用户的喜好与购买习惯，甚至做到“比用户更了解用户自己”。有了这一点，才是许多大数据营销的前提与出发点。无论如何，那些过去将“一切以客户为中心”作为口号的企业可以想想，过去你们真的能及时全面地了解客户的需求与所想吗?或许只有大数据时代这个问题的答案才更明确。

第二，精准营销信息推送支撑。过去多少年了，精准营销总在被许多公司提及，但是真正做到的少之又少，反而是垃圾信息泛滥。究其原因，主要就是过去名义上的精准营销并不怎么精准，因为其缺少用户特征数据支撑及详细准确的分析。相对而言，现在的RTB广告等应用则向我们展示了比以前更好的精准性，而其背后靠的即是大数据支撑。

第三，引导产品及营销活动投用户所好。如果能在产品生产之前了解潜在用户的主要特征，以及他们对产品的期待，那么你的产品生产即可投其所好。例如，Netflix在近投拍《纸牌屋》之前，即通过大数据分析知道了潜在观众最喜欢的导演与演员，结果果然捕获了观众的心。又比如，《小时代》在预告片投放后，即从微博上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开。

第四，竞争对手监测与品牌传播。竞争对手在干什么是许多企业想了解的，即使对方不会告诉你，但你却可以通过大数据监测分析得知。品牌传播的有效性亦可通过大数据分析找准方向。例如，可以进行传播趋势分析、内容特征分析、互动用户分析、正负情绪分类、口碑品类分析、产品属性分布等，可以通过监测掌握竞争对手传播态势，并可以参考行业标杆用户策划，根据用户声音策划内容，甚至可以评估微博矩阵运营效果。

第五，品牌危机监测及管理支持。新媒体时代，品牌危机使许多企业谈虎色变，然而大数据可以让企业提前有所洞悉。在危机爆发过程中，最需要的是跟踪危机传播趋势，识别重要参与人员，方便快速应对。大数据可以采集负面定义内容，及时启动危机跟踪和报警，按照人群社会属性分析，聚类事件过程中的观点，识别关键人物及传播路径，进而可以保护企业、产品的声誉，抓住源头和关键节点，快速有效地处理危机。

第六，企业重点客户筛选。许多企业家纠结的事是：在企业的用户、好友与粉丝中，哪些是最有价值的用户?有了大数据，或许这一切都可以更加有事实支撑。从用户访问的各种网站可判断其最近关心的东西是否与你的企业相关;从用户在社会化媒体上所的各类内容及与他人互动的内容中，可以找出千丝万缕的信息，利用某种规则关联及综合起来，就可以帮助企业筛选重点的目标用户。

第七，大数据用于改善用户体验。要改善用户体验，关键在于真正了解用户及他们所使用的你的产品的状况，做最适时的提醒。例如，在大数据时代或许你正驾驶的汽车可提前救你一命。只要通过遍布全车的传感器收集车辆运行信息，在你的汽车关键部件发生问题之前，就会提前向你或4S店预警，这决不仅仅是节省金钱，而且对保护生命大有裨益。事实上，美国的UPS快递公司早在2000年就利用这种基于大数据的预测性分析系统来检测全美60000辆车辆的实时车况，以便及时地进行防御性修理。

第八，SCRM中的客户分级管理支持。面对日新月异的新媒体，许多企业想通过对粉丝的公开内容和互动记录分析，将粉丝转化为潜在用户，激活社会化资产价值，并对潜在用户进行多个维度的画像。大数据可以分析活跃粉丝的互动内容，设定消费者画像各种规则，关联潜在用户与会员数据，关联潜在用户与客服数据，筛选目标群体做精准营销，进而可以使传统客户关系管理结合社会化数据，丰富用户不同维度的标签，并可动态更新消费者生命周期数据，保持信息新鲜有效。

大数据时代的主要特征范文第2篇

1.1信息化薄弱

随着信息化时代的到来，大数据的分析已经深入了各行各业，作为医疗的前沿，医院在信息化建设方面相对于其他行业相对薄弱。医院信息化薄弱问题一方面来自管理层对医院信息化建设的不重视问题；另一方面，医院信息化建设需要巨大的财力、物力和人力，医院将精力投入在医疗设备的改进和医疗水平的提高方面，在信息化建设上就难以投入过多的精力。

1.2信息化统计内容单一

在大数据时代，医院信息统计工作内容越来越丰富，然而一些医院并没有意识到信息统计数据的重要性，信息统计内容还只局限于对病人的病例进行统计。由于统计内容的单一，难以形成有效的分析数据，对于医院的管理和医疗水平的提高不能发挥出统计数据实际的价值。

1.3信息化统计专业性差

信息化在医院管理中的应用缺乏统计的专业性，目前，医院所采用的信息化系统主要包括HIS医院管理系统和CIS临床信息系统，这两套系统主要功能是降低劳动化强度辅助医院进行人和物的管理，而对于统计数据适用性并不强。所以医院信息化急需具有专业性的统计系统，充分利用数据的价值，帮助医院进行管理和医疗能力的提高。

2发展对策

2.1提高统计信息质量

在大数据时代，大量的信息集中在医院的信息科，如何快速将这些信息进行分类和提取是信息科所要面临的重要课题。信息的准确性是信息统计工作必须严格管控的内容，在现代化医疗体系建设中，把握信息的质量的关键在于建立信息内容评价标准和信息应用规范，信息数据的应用具有3个主要特征，一是准确性，二是适用性，三是及时性。统计信息的评价标准和应用规范主要围绕信息数据这3个主要特征进行确立。

（1）信息的准确性

信息的准确性对于来自方方面面的信息真伪进行判断，只有准确的信息才能够成为有效信息，在医院中如果误用了错误信息数据则会造成严重的问题。提高信息的准确性首先要明确信息的来源，其次要对信息的真伪进行辨别，最后对信息的价值进行评价。

（2）信息的适用性

在医院的信息管理中，如何从大量的信息内容中获取对信息应用目标有用的数据是信息管理的内容之一。信息的适用性选择需要建立统一的标准，避免“张冠李戴”造成信息错用的问题。信息的适用性原则主要从医院自身的信息采集为标准，因为不同的医院在信息产生上都不相同，只有利用自身的信息才能确保信息的适用性。

（3）信息的及时性

信息具有时效性，相同的事情在不同的阶段所产生的信息不一定完全相同，因此，在信息采集和统计时，必须要以最新数据为价值参考，加快信息刷新的频率，降低失效信息勿误的可能性。信息统计的及时性主要表现在医院建立信息及时交流的基础上，只有增强科室之间、部门之间、人员之间的信息沟通机制才能保证信息及时被利用。

2.2科学化管理

利用大量的数据统计促进医院科学化管理是医院信息统计工作的核心内容。医院信息统计科学化管理主要实现以下几方面工作目标：

（1）信息统计的评测

信息统计的评测功能可以对医院的人员、设备、耗材等进行统计，还可以对近段时间的医患病因进行统计，通过对医院各项数据的统计与近期医患病因的统计可以分析出在某段时间医院需要加强某方面医疗的能力。利用信息统计的评测功能还可以对医院某一专项的医疗水平进行评测，统计医疗过程中的不足，帮助医生及时调整医疗方案。

（2）信息统计的决策

我国医疗体制改革不断完善进行中，对于来自各个层面的数据进行统计分析，能够为医院的管理者提供准确的决策依据，帮助决策者正确判断医院经营方向。并且通过对本院的统计信息可以快速找到医院系统中的薄弱环节，依靠准确的数据为管理者提供医院改革的参考。

（3）信息化统计的监督

医院医疗和服务的质量是医院水平的重要表现，医院信息统计可以对医院的各个科室、每一位医生及护士的工作能力和工作状态进行一个时期的统计，通过数据可以客观地、真实地反映出不同科室的医疗质量和个人的服务水平。信息化统计的监督功能是保障医患关系融洽的重要手段，通过建立奖惩制度提高医生和护士的工作认真性，而信息化的统计数据则是衡量和监督医生和护士工作积极性的重要参考。

3结语

大数据时代的主要特征范文第3篇

大数据的含义。大数据是最近新兴起来的一个名词，其出现受到了国家有关部门和公司的关注，虽然大数据的出现已经不断普及，但是学界对于大数据的分析还缺少统一和明确的概念。通常来看，人们已经将一些根本无法运用的常规软件无法在有效的短时间内对数据获取，完成数据的处理和分析，以上都是大数据的范围。分析大数据的概念可知，分析其概念，其主要特征具有数据量大、数据真实性高、运行高度的特征，由于计算机技术的发展，该点也是大数据盛行的基础，大数据的实现需要利用新型的数据处理为其提供良好的参考，提升大数据的真实性，且大数据是一种海量且高速增长的一种综合性信息资产。大数据思维的产生是随着大数据时展的一种时代产物，就大数据时代来看，其需要利用大数据的价值来摆脱原先陈旧的思维形式，基于数据的角度来分析诸多问题，由此提升决策的合理性和科学性。

大数据的发展趋势。第一，数据的种类越来越多，数据的来源也随着科学技术的提升更加丰富，随着互联网和物联网和计算机技术的不断发展，大数据时代的建设需要不断增加数据来源，数据库中的很多数据已经覆盖了人们生活和工作的全部，生活中的所有数据都是不同种类的数据信息。第二，数据的存储和分析计算发展朝向更快速的方向，由于超级计算机的发展为大数据的处理提升了设备支撑，保证大数据的正常存储和使用，开放式的数据存储能力和平台分析能力也为大数据的工业运行提供保障，减少阻碍。第三，数据分析的重要性不断凸显，大数据时代的数据丰富性特点是人们追求的，相信利用科学技术的支撑，能够完成数据的合理分析，增加有用的信息。第四，大数据的相关政策和有关法律法规还没有完善，基于数据库的良好发展和完善，很多大数据的建设开始受到政府部门的高度关注，国际层面的大数据建设计划也在不断推出。

大数据发展与多媒体展示技术的结合

多媒体展示技术分析。在目前的多媒体展示中，主要使用了以下几种技术：

多媒体触控展示技术。它为了实现多点触控功能，把多重触控屏与单点触摸屏都使用了完全不一样的结构。从内部看：每个触控都是通过独立的引线连接到外部电路，所有触控单元在板子上呈矩阵排列。从外部看：单点触摸屏只有很少几根信号线（一般为4Pin或者5Pin），而多重触控屏有很多引线；这样，当人们用手指去触摸屏幕时，会出现相应的内容。

互动投影技术。它的原理比较复杂，简单来说就是通过红外感应的方式实现互动效果，它并非是一种接触式互动，参观者只需要通过肢体语言便体验互动投影带来的高科技互动效果，互动投影包括互动桌面、互动墙面等多种形式，它带给观众的视觉冲击更加强烈，多媒体互动投影的展示手段在多媒体展厅设计中的应用是比较广泛的。

数字沙盘展示技术。数字沙盘是经过声、光、电、图像、三维动画与计算机程控技术，使用数字投影来进行。数字沙盘具有区位的特征，能够给我们一种生动形象、变化多端的动态视觉效果。

幻影成像技术。幻影成像技术能够把几种信息和现实的生活场景相结合，当前在博物馆中使用的比较多。这项技术主要使用了光学错觉理念，把电影当中使用马斯克摄影技术所录制的影像和布景箱中的主体模型景观结合。按照剧本的故事内容，生动形象，立体的结合声音、光亮、电等特别的效果，成像立体，有着较强的真实性，结合半景式的场景设计，常常能够建设出一种超越时空的感受，让我们印象深刻。

球幕技术。过去的投影图像只是简单的把图像投影在整齐的长方形屏幕之中，而球幕技术改变了这种方式。内投球幕经过放置在球幕之中的投影仪，把图案放映到整个球形的屏幕当中，我们能够看到在球幕之中都充满了图案。外投球幕经过四个投影仪，将外部对球幕来投放，经过边缘结合技术，给我们营造出一个真实、不变形、色彩鲜艳的画面。

大数据时代的主要特征范文第4篇

【关键词】云计算技术大数据数据处理

随着物联网、网络、移动通信等的快速发展，特别是互联网的普及使得信息传播的规模和速度呈现几何增长，人们获取信息的途径和方式开始变得异常丰富，人们事实上已经进入了“信息大爆炸”时代。与此同时信息传播的大容量、高效性和准确性也对现有的数据处理体系提出了更高要求。根据大数据摩尔定律，人类世界的数据产生量将按照每两年一倍的速率增长，预计2020年世界数据量将超过35亿GB，“大数据”时代迫在眉睫。“大数据”具有离散型、随机性、发散性、爆发性等特点。近年来，随着云技术的兴起全面革新了传统的数据技术，大容量、多样化、快速处理、信息价值性和准确性为了云技术背景下大数据处理的五大主要特征。如何利用云计算技术对大数据进行高效处理已经成为了信息技术发展亟待解决的关键问题。

1 大数据和云计算的关系

云计算技术是指利用集中式远程计算资源池，通过按需分配的方式，为终端用户提供强大而廉价的计算服务技术。云计算技术作为一种数据处理方式，其技术特点包括：一是资源池在物理上是对终端用户完全透明的；二是能够为任何行业提供规模化计算服务，其服务能力可看做是“无限”的；三是其应用部署快速便捷，服务能力和方式是可以完全按照终端客户要求定制的，具有极强的弹性伸缩能力；四是云端数据获取方便，能够资源共享，用户使用成本低廉。

云计算技术是目前最强大的数据存储、传输和处理平台，它是大数据处理的最优选择。云计算能够为大数据提供几乎“无限”的存储空间和处理能力，满足其超大容量存储和超级复杂的处理需求，也是传统存储方式无法实现的。云计算侧重数据的计算处理，而大数据需要强大数据处理能力，因而它是云计算的处理对象。此外大数据所产生的业务需求也为云计算的实现提供了更多的形式。

2 基于云计算的大数据处理技术

2.1 大数据的采集技术

目前数据采集方式主要分为集中式和分布式两大类。其中分布式的灵活性较强，而集中式的全局性较好。实际上大数据采集的对象通常包括组织内部和相互独立组织间的各类数据，而云计算恰好具有并行处理的优势，因而可采取混合式采集方式能够更加有效地完成数据采集任务。即在各个组织内部采用集中式数据采集方式，通过在组织内配置中心服务器，作为集中式数据注册机构，用于存储和共享内部的数据。在相互独立组织间，采用云计算的集群技术、虚拟化技术等在各独立组织中心服务器间采用分布式采集方式实现数据采集、组织间对接和共享。大数据结构类型包括结构化、半结构和非结构化数据，因而在应用云计算技术进行分布式采集时，可依托其超强的扩展性和容错力，将数据池内数据进行同构化，从而实现数据进行分类存储。

2.2 大数据的存储技术

由于超大体量、离散、复杂的数据特点，传统数据存储模式已经难以满足大数据存储要求。一方面单结点的数据仓库在容量上难以满足呈几何增长的数据量，在运行效率上也难以满足大数据的分析处理需求。另一方面传统数据仓库按行存储模式，虽然可以实现大容量索引和视图，但实际操作中其时间和空间过高。而云计算主要采取列式存储模式，即区分数据不同属性，不同属性列都单独存放。云计算中列式存储的优势在于在投影数据时只需查询其属性列，系统处理量和处理效率显著提升。此外按数据属性进行列式存储，数据仓库中相邻列数据的相似性更高，因而能够得到更高的数据压缩率，进一步减少存储所需空间。

2.3 大数据的挖掘技术

联机分析能够完成数据的复杂处理，得到直观结果，实现决策性分析。云计算并行模式下联机分析能够基于数据全局，建立多维分析模型对数据进行多维度分析，从而尽可能获得全面的分析结构。由此可见多维度分析是联机分析的重要特征，而云计算技术下数据仓库正好是通过多维数据组织的。

联机分析对数据的处理仅仅只是表面的，其获取的信息价值并不高，难以得到数据深层次的含义与内在关联。而数据挖掘正是在联机分析的基础上，从超大体量的数据仓库中提取数据所蕴含的隐性信息，并将这些信息用规律、概念或是模型等表现出来。基于云计算的数据挖掘主要采用分布式并行挖掘技术。与其他串行方式相比，云计算技术下并行数据挖掘能够利用机器集群拆分分布式系统中的并行任务，并将拆分后的各个任务分别交由不同的机器去处理，从而实现大规模数据处理，其时间成本也大大降低。

2.4 大数据的可视化技术

上文所述数据挖掘可实现大数据的深层次、多维度分析，获取更多有用信息。而云计算平台下可视化技术则能够将上述信息具体化，从而使数据及其有关结构的相关信息能够更直观地表现出来，更容易被发觉和理解。可视化技术是指在存储空间中，将数据库及其中数据以图像（图形）的形式表示出来，并在其中再采用其他的分析手段获取图像中所蕴含的未知信息。而原有的数据处理仅仅只能够从数据本身入手，分析和观察数据中的内在信息。云计算下的可视化技术不但能够实现非空间数据的多维度图像显示，而且能够实现检索过程的直观图形显示，从而帮助人们更好地挖掘和理解信息，信息检索效率也大大提升。

3 结语

在数据爆炸时代，云计算的出现为大数据的存储和处理提供了可能，也为数据处理系统的功能扩展提供了重要保障。以往的数据管理将收集和存储作为重点，而在云计算模式下，大数据管理将更多地侧重数据分析、挖掘及管理模式的创新。目前数据采集和统计技术已经较为成熟，利用云计算进一步丰富大数据的存储和处理方式，实现更高层次的数据挖掘和可视化将是今后需要解决的问题之一。

参考文献

[1]孟小峰，慈祥.大数据管理：概念，技术与挑战[J].计算机研究与发展，2013，50（1）：146+169.

[2]吴雪琴，基于云计算的大数据信息检索技术研究[J].电脑知识与技术，2014，10（10）：38-41.

[3]迪莉娅.基于云计算的电子政务大数据管理研究[J].信息管理与信息学，2013（12）：50-51.

大数据时代的主要特征范文第5篇

大数据营销的十大切入点

对于多数企业而言，大数据营销的主要价值源于以下几个方面。

第一，用户行为与特征分析。显然，只要积累足够的用户数据，就能分析出用户的喜好与购买习惯，甚至做到“比用户更了解用户自己”。有了这一点，才是许多大数据营销的前提与出发点。无论如何，那些过去将“一切以客户为中心”作为口号的企业可以想想，过去你们真的能及时全面地了解客户的需求与所想吗？或许只有大数据时代这个问题的答案才更明确。

第三，引导产品及营销活动投用户所好。如果能在产品生产之前了解潜在用户的主要特征，以及他们对产品的期待，那么你的产品生产即可投其所好。例如，Netflix在投拍《纸牌屋》之前，即通过大数据分析知道了潜在观众最喜欢的导演与演员，果然捕获了观众的心。又比如，《小时代》在预告片投放后，即从微博上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开。

第六，企业重点客户筛选。许多企业家纠结的事是：在企业的用户、好友与粉丝中，哪些是最有价值的用户？有了大数据，或许这一切都可以更加有事实支撑。从用户访问的各种网站可判断其最近关心的东西是否与你的企业相关；从用户在社会化媒体上所的各类内容及与他人互动的内容中，可以找出千丝万缕的信息，利用某种规则关联及综合起来，就可以帮助企业筛选重点的目标用户。

第七，大数据用于改善用户体验。要改善用户体验，关键在于真正了解用户及他们所使用的你的产品的状况，做最适时的提醒。例如，在大数据时代或许你正驾驶的汽车可提前救你一命。只要通过遍布全车的传感器收集车辆运行信息，在你的汽车关键部件发生问题之前，就会提前向你或4S店预警，这决不仅仅是节省金钱，而且对保护生命大有裨益。事实上，美国的UPS快递公司早在2000年就利用这种基于大数据的预测性分析系统来检测全美6万辆车辆的实时车况，以便及时地进行防御性修理。

第九，发现新市场与新趋势。基于大数据的分析与预测，对于企业家提供洞察新市场与把握经济走向都是极大的支持。例如，阿里巴巴从大量交易数据中更早地发现了国际金融危机的到来。又如，在2012年美国总统选举中，微软研究院的David Rothschild就曾使用大数据模型，准确预测了美国50个州和哥伦比亚特区共计51个选区中50个地区的选举结果，准确性高于98%。之后，他又通过大数据分析，对第85届奥斯卡各奖项的归属进行了预测，除最佳导演外，其他各项奖预测全部命中。

第十，市场预测与决策分析支持。对于数据对市场预测及决策分析的支持，过去早就在数据分析与数据挖掘盛行的年代被提出过。沃尔玛著名的“啤酒与尿布”案例即是那时的杰作。只是由于大数据时代上述Volume（规模大）及Variety（类型多）对数据分析与数据挖掘提出了新要求。更全面、速度更及时的大数据，必然对市场预测及决策分析进一步上台阶提供更好的支撑。要知道，似是而非或错误的、过时的数据对决策者而言简直就是灾难。

那些寻找大数据营销切入点的企业不妨看看上述应用，或许能有所启发。

切入大数据营销需要开阔思路

企业在寻找大数据营销切入点时，思路必须开阔，不必拘泥于既有应用，需要营销人员与技术人员进行思想碰撞，进而找到与众不同的突破点。

以别克君威与淘宝所合作的营销活动“为一再心动买单”为例，即体现了大数据营销的创新思路。该活动分为两个部分：第一部分调用淘宝用户的收藏夹并鼓励分享心动故事，第二部分利用大数据对参与活动的用户进行精准营销。

该活动的第一部分开始于2013年10月12日，持续两周。淘宝用户登录时，会向用户提示“***，你的淘宝收藏夹走光了”之类的话。点击之后，会进入一个flash画面，告诉你在使用淘宝收藏夹的***天里，你心动了***次。系统会把这个最高类别里面的所有商品都罗列出来给你，鼓励你在当中挑选最让你心动的一个，并说出的心动故事，然后再选择通过微博分享自己的心动故事。接着系统罗列了君威的一些核心卖点，让消费者选打动他们的卖点，然后则可能获得由Regal全新君威为你买单那个心动的宝贝的机会。

该活动的第二部分则更加突出了大数据营销。针对所有参与活动的人，淘宝帮助汽车品牌做消费行为的分析，看看这些参与者究竟是运动狂人，还是时尚达人，抑或是宅男宅女、顾家派。君威品牌根据消费行为的判断，定向地向他们推送不同的广告创意内容。

此活动在国内率先开了大企业与淘宝等大型电子商务网站在品牌推广活动中大数据营销方面合作的先河。借助于上述新技术与新思路，新君威进行了全新的营销活动尝试，即将“大数据营销”与“品牌展示”“互动营销”及“CRM”有机贯穿整合。

充分开动脑筋是拓展大数据营销思路的必要条件，结合企业或行业特点则可以更好地发挥大数据的商业价值。例如，龙湖地产即在提供WiFi服务的基础上，利用本地位置信息类大数据，不仅在一定程度上获得了用户信息，而且还可以收集用户在该地产商圈的行走路线，从中可以得知用户最主要逛哪类店、先逛哪个店再逛哪个店等信息，进而可以为判断用户的消费层次提供非常有力的数据支撑。

企业可以根据自己所处行业及企业自身的特点，认真思考大数据可能为企业带来的价值，然后与技术人员探讨数据收集、数据清理、数据存储与管理、数据分析及数据呈现等主要环节的技术实现可能性。如果自己企业没有相关人员，则可能需要与其他专门的企业进行合作。

小数据也可用大数据思想管理

实际上原来并没有“小数据”一说，只是因为有了“大数据”，其常常指PB容量级及以上的数据量，故不足此数量级的数据就有了小数据或准大数据的说法。

小数据可能在量上相对小一些，但其仍可以借鉴大数据管理理念。你用还是不用，数据就在那里。按照大数据的理念，你同样可以从相对小一些的数据中发掘出高价值信息，如通过分析了解竞争者，明确自己在市场竞争中的正确位置；了解现有用户或发现潜在用户，进行深层发现、趋势预判，引导产品设计，营销创新，支持决策，跟踪效果。在数据支撑下，决策才能相对科学，核心在于数据的理解。

某些行业的数据可能只是大数据时代的一个应用领域（小），但大数据营销理念将带来旅游经济发展的量化革命（大）。其中，大数据理念可以将复杂、无序的数据变成简单、有序的信息；可以基于在线评论和其他网络数据，构建产品声誉评价机制；将逻辑性、文字性的信息转化为可视化、图形化的信息，进而可以引导或影响消费。

以某旅游景点的相关微博内容为例，利用大数据营销理念，可以重点分析微博用户在分享、传播和讨论旅游景点相关内容的过程中，体现了4类典型用户行为：日常讨论和互动内容，游客旅游前的微博内容，旅游中的微博内容，旅游后的微博内容。同时，相关用户行为又与微博者所处的旅游阶段有关，也与微博作者面向的阅读者定位都有关系。

通过对某旅游景点的分析数据，可发现有价值的信息。例如，研究游客旅行前的微博内容发现，通过微博咨询建议和讨论某景点旅游攻略，表达出旅游意向的微博内容占12%，其典型的网络行为包括：表达前往旅游目的地的意愿，询问旅游攻略和路线安排，询问征求其他用户对特定目的地（酒店、餐厅）的评价，@旅游机构账号或者@旅游名人求助，约人同行等。

再看游客在旅行中的微博内容。在微博内容中明确处于某景点旅游行程中的微博内容占19%，其典型的微博内容行为包括：旅行位置和签到，旅行图片和感受，咨询、求助及投诉等。

另外，通过准大数据分析还可获知，游客在旅行结束后的微博内容占23%，在微博内容中发起和参与厦门旅游话题的微博内容占66%，它们二者还可以通过分析得知分别的不同类型用户行为的比例。应该说，上述这些重要的数据在过去多数旅游景点的营销管理中通常被忽略。

可以这样讲，充分利用大数据或小一些的数据，则可以发现许多有价值的信息。仍以微博中关于某个城市旅游的内容为例，可以发掘的信息非常多，例如：游客到某城市休闲旅游目的有哪些，游客关于某城市旅游微博作者的关注点，游客对某城市当地景点的口碑量排名及主要抱怨点排名，微博者的性别、认证统计和社会属性统计，微博者的简介标签和地域分布统计，微博者的博龄和客户端统计，微博者的粉丝数分布统计，等等。

大数据时代的主要特征范文第6篇

近年来，“大数据”这一概念迅速流行，在业界和学界得到高度关注。事实上，“大数据”并不是从天而降的，而是时代演化的产物。当信息技术发展到云计算、大数据时代，人们的生活渐渐发生了全面的变化。从基础研究方法到各个学科，人们普遍感受了大数据的迫近，但我们要看到大数据之“热”背后的东西，以及企业需要构建哪些关键能力。

计算范式进化

回顾信息技术革命对社会生活的影响，可以分为几个时代：主机（Mainframe）时代，个人电脑（PC）时代，Web 1.0时代，Web 2.0时代，以及物联网/云计算/大数据时代。主机时代主要是指以大型机为主导的1960-1970年代。人们若有计算需求，就要去计算中心，把程序交给专门的工作人员负责试运行。这完全是集中式的数据管理，个人想做计算非常不方便，而且很贵。1980年代可以称作个人电脑时代。此时，大型计算机的一部分功能转移到了台式个人电脑上，人们可以在个人电脑上运行一些简单的计算功能，开始了简单的文本处理，计算开始从集中走向分散。20世纪90年代Web 1.0 兴起了，互联网帮助人们把全世界的信息联系在一起了。但此时的互联网是单向的，我们仅仅能够查询和获取信息，只能通过这个窗口向外看。到2000年前后，以互动和参与为主要特征的Web 2.0出现了。原来人们只是互联网信息的被动接受者，但此时，网民可以自己写作博客，参与维基百科的编辑，联系社会网络等等。电脑的计算功能越来越强，越来越融合在人们的生活之中。人们之间的信息沟通越来越密，社会中的信息点也越来越分散。直到近年来，出现了以物联网、云计算和大数据为标志的新时代。此时，不是单个软件或单个机器的革新，而是整个计算范式（Paradigm of Computing）的变革。这是一种新型的集中式计算：无处不在的探测感应装置、计算机网络、移动终端、云服务、社会化媒体、数字化生活使得数字世界和计算能力处于物理上高度分散和分布式状态；另一方面，物联网、云计算和大数据应用又强调信息整合、数据中心平台以及全局视图。所以，与传统集中式不同，此时呈现出物理上分散、逻辑上集中的新特点。

技术的发展与应用有一个刺激响应螺旋：当某个技术突破产生时，个人和组织不管主动还是被动都免不了要面对这项技术，思考诸如“要不要应用这项技术，如何应用”等问题；技术的发展又会受到这些应用要求的影响，一直互动和循环下去。一项新技术是一个刺激，个人和企业会响应并产生新需求，进而这些新需求又成为新的刺激，使得技术再做出创新响应。技术和应用需求就在这种刺激与响应中螺旋上升。在当前新型计算范式背景下，特别是从大数据的视角来审视我们面临的机遇和挑战，思考对未来的管理可能产生哪些影响，具有重要理论和实践意义。

大数据改变生活

现在关于大数据的说法比较多。一些提法也在涌现，如认为大数据只注重关联不注重因果、只注重总体不注重抽样等。这些观点反映了特定场景和应用的某些特点，但是作为大数据的一般属性的话，目前还缺乏足够的共识。简单说来，具有相对广泛共识的大数据特征是所谓的4V（Volume， Variety， Value， Velocity）。第一，大数据意味着超常规模数据（Volume）。与之前的大规模数据不同的地方在于，大数据对企业来讲意味着数据规模超越了企业本身的内部数据，而是延伸到了企业外部，成为一种社会化的企业数据。每个人作为终端使用者，既是信息的使用者，又是信息的创造者。全社会的人都与数据发生关联，在社会活动的各个环节，而不仅仅局限于之前的某些企业、某些部门职能环节；这是质的变化。第二，大数据意味着多样性（Variety）。富媒体（Rich Media）大大扩展了人们的数字化生活体验，全球数据和数字流量中70%～80%都是视频、语音、图像，而不是过去以二维的、规范化的、非常简单数据形式为主的结构化数据。多样性成为大数据的显著特征。第三，我们处在数据的海洋之中，但与我们企业或个人相关的数据相对说来是很少的，所以是低价值密度的（Value）。即，数据量的分母太大，对企业或个人决策有价值的信息占总量的比例就很小。所以这里有一个重要的含义，即如何从低价值密度的数据海洋中挖掘出有用信息，成为企业数据分析的关键。第四，大数据的实时性强（Velocity）。信息就像开着的水龙头一样，源源不断地出来。人们打开手机看新闻，支付账单，都需要得到及时响应，而不是等到晚上再看新闻，要排个队才能支付账单。信息是连续的，实时的，流涌的。这种流信息是时时刻刻（Real-Time）的，构成了大数据之“大”和无时不在。

大数据的这四个特征会给人们的科学研究方法带来挑战，当然也会影响商业和管理。

比如说对统计理论的挑战。在传统概率统计学中，因为做不到对总体进行采集，所以设计了许多抽样方法，要用到测度（如均值、方差）这些概念。在大数据背景下，很多基础的假设都需要重新检验和审视：哪些被颠覆了，哪些可能还可以用。在所有管理学理论中，统计是最基础的方法之一，所以这种审视很重要。

再者，比如对信息处理的挑战。传统的信息处理技术要应对具有4V特征的大数据是极有挑战性的，一方面是测度、信息处理的基本方法，另一方面是搜索、推荐等应用方法。大量的信息处理方法都只能处理结构化的数据，而无法处理富媒体数据，因而需要重新审视。譬如，30和31不相等，两个数字易于比较；而两篇博文可能只是相似，意义相接近，等等；视频和图像的比较，更需要判断其相似性而非“等于”。此时，数学上的“等于”就变成特殊的个例了，多种情况下是“约等于”，或者说相似关系。但是，已有的大量算法并不是基于“相似性”，需要重新检验。例如，数据挖掘方法中有一种关联规则算法叫做Apriori算法。这个算法是基于结构化记录的经典算法，是许多应用方法的基础。啤酒尿布问题就是关联规则算法的经典案例。然而，如果现在要处理的不是一条条的记录，而是视频、音乐，经典算法能否处理新问题就需要重新审视。第一要审视算法是否可用，第二要审视算法是否足够有效率。再如，现在我们搜索一个关键字可以很快得到结果，但搜索图片时体验还是很差的，如果要搜索一段语音、音乐，那么，搜索的响应时间、质量和精度都还远达不到人们的要求，是计算机学界需要解决的问题。考虑到处理大数据需求的是流算法，对实时性要求高，没有效率的算法势必会被抛弃。其它的挑战还涉及数据传输与存储技术、社会分析与计算技术、模式识别与语义分析技术等诸多领域。

当数据完全渗透到人们生活之中，大数据带来的挑战就涉及人们生活的各个方面，除了上述基础方法、信息处理方面的挑战，在很多方面我们都可以观察到大数据时代的不同。比如，智能手机和平板电脑作为一类功能强大的移动终端，通过丰富多样的客户端应用（如apps等）支持人们的各种需要（如：开展业务、网上购物、信息搜索、聊天交友、休闲娱乐等等）。这极大地扩展了企业和个人的计算触角，深化了社会化商务和移动商务，丰富了数字化的社会生活。

对管理趋势的影响

大数据时代的管理喻意可以从两个方面来概括，即：“三个融合”和“三新”。“三个融合”指IT融合、内外融合和价值融合。而“三新”则指大数据时代催生的新模式、新业态和新人群。这两个方面反映了大数据时代管理理论和实践的变化特征，其中前者主要体现管理领域和视角上的变化，后者则主要体现管理主体和方式上的变化。

信息技术融合信息技术融合（IT融合）是指，技术与人们生活和企业运作的密不可分性。信息技术融合有很多实例和问题，概而言之，这对管理有两方面的意义：第一，越来越多的传统企业管理问题已经变成或正在变成数据管理或信息管理的问题；第二，越来越多的企业决策已经变成或正在变成基于数据分析的决策。在企业原先的运营框架中，IT支持、营销、会计、战略管理、创新可能是不同的职能，但当企业的活动和事件越来越多地用数据体现时，企业决策就要基于数据决策。

内外融合内外融合强调企业外部数据的重要性。通常，企业关心内部的信息化，如ERP关注内部资源的整合，CRM系统也只是与客户建立联系，但现在，评论、口碑、商誉、流言等各类信息都是企业外部数据，而企业还必须关注，否则很可能会出现企业声誉危机。所以，企业要关注内部数据与外部数据的融合，基于内外数据的交互来做决策。用户生成内容（User Generated Content，UGC）、公共生成内容（Public Generated Content，PGC）正在发挥越来越大的作用，影响消费者的购买决策、商业舆情和企业形象，企业必须对此做出反应。

价值融合价值融合是指，企业因生产产品和提供服务而产生价值，消费者在使用产品的过程中产生价值。譬如，手机制造商或者电信运营商面临着这种情况：你生产和销售手机或提供流量，会获得一些收入；但大量的价值增值并不在手机本身，而在于顾客如何使用手机。也就是说，生产有形的产品是一种价值，在此基础上的无形产品（如服务、内容）可能会带来更大的价值增值。所以，企业不但要关注有形产品，还要关心附加价值，强调服务、内容等等。

新模式很多企业在探讨大数据背景下如何转型升级的问题，为了适应大数据的挑战会产生许多新模式，比如O2O（online to offline，线上线下结合的商业模式）。像线下实体电器卖场，为了适应变化要做线上电子商务平台、进行了线上线下同价、线上定购线下提货的尝试等。而线上商城为了保证时令产品及时到达顾客手中，就会租线下仓库、打通物流的上下游等。这并不意味着某些公司会消失，只是企业模式会发生改变。因为大数据情景强调企业外部知识，用户体验更重要也更丰富，比如虚拟体验、实体体验和线上线下融合的体验。企业内部也要有新模式。因为数据管理和基于数据分析的决策对企业越来越重要，企业要重点增强的一个核心能力就是深度业务分析（Business Analytics， BA）能力，而这个能力的很多方面来自商务智能和数据挖掘技术。这种分析是有深度的、严谨的，可以辅助企业在变化的环境中做出更好的决策。

新业态赛博空间（Cyberspace）和众包（Crowdsourcing）、数据产业等都是相关的新业态。以前我们可能在休息的时候玩一会儿游戏，但现在有很多人生活在赛博空间的虚拟现实中。对有些人来讲，赛博空间是他们的“第二生活（Second Life）”，而对另一些人来讲甚至是“第一生活”空间。他们长期生活在其中，心理、行为可能会发生变化，也会产生一些商业机会。很多企业的主要业务就是满足这类虚拟需求的，比如说卖秘籍的，卖虚拟装备的，卖虚拟币的。虽然人们在观念认同上可能存在差异，但在这种新业态上确实产生了年销售额非常可观的企业。众包是企业外部的大众为企业出创意、做设计等工作，这种新型生产组织形式还未得到企业的足够重视，其潜力不应被低估。此外，云计算和大数据应用需要新型数据平台和资源虚拟整合优化，所以数据中心产业会兴起，这会涉及很具体的产业政策、宏观环境等整个生态系统。

新人群很多中老年人从1970年代开始学习信息处理，应该算是信息社会的“移民”，但是现在两三岁的儿童都能对iPad上瘾，是信息社会的“原住民”。虽然从年龄上来看，在岁数上差一代两代，但在技术进化来看，可能跨了很多代，中间隔着处于各种技术代的人群。如果企业的员工、客户都是这些信息社会的新生代或原住民了，那么组织行为、绩效管理、KPI、企业文化、客户关系管理都要发生改变。举例来说，和这些人沟通，除了面谈、聚会之外，微信、QQ成了更重要的沟通方式；而与老客户老员工沟通，可能还是要采取传统套路。

BA将成企业关键能力

面向大数据机遇和挑战的应对策略是进行长期部署和短期规划，一步一步走。从长期来看，大数据的影响是深刻的。但眼下对企业而言，应对大数据的第一步是构建BA能力。

大数据时代的主要特征范文第7篇

1.1大数据的主要特征根据在维克托•迈尔-舍恩伯格及肯尼斯•库克耶在《大数据时代》著作中的论述和业界的共识，大数据具有4V特点，即：Volume（大量），数据体量巨大；Velocity（高速），处理速度快；Variety（多样），数据类型繁多；Value（价值），价值密度低，商业价值高。基于上述特征可以判断，本质上看数据本身并无太多价值，而基于大数据的处理和分析才能为企业带来巨大的增值价值。大数据将是一场革命，庞大的数据资源使得各个领域都会开始进入量化进程，无论学术界还是企业界，所有领域都将开始这种进程。

1.2大数据对发电企业财务职能的影响大数据对发电企业财务职能的影响主要体现在财务管理的理念和模式、财务人员职能与定位、数据分析与应用、决策支持的及时性与有效性、财务内部控制与风险管理的针对性与有效性等方面。在大数据时代，包括发电企业在内的社会经济组织在各领域的决策将更加依赖数据和分析，而非是以往的主要靠经验和直觉。财务数据作为发电企业的核心数据，反应和支撑着发电企业资金及业务的正常运转，通过对财务数据的处理和信息的充分挖掘和分析，能够有效帮助发电企业改进财务管理，提升应对各种财务风险的能力，为管理者提供决策依据，进而为企业创造价值。可以说，发电企业从各种各样类型的财务数据中快速获得有价值信息的能力，将直接决定企业在未来愈发激烈的市场竞争中的生存能力。

2大数据时电企业财务职能面临的主要变革

2.1财务管理的理念将向保障战略目标的实现变革毫不夸张的说，数据决定成败，数据将成为保障发电企业战略目标实现的决定性手段，缺乏财务数据支持的企业战略终将是空中楼阁、镜中之月。传统财务管理的理念主要立足于核算和监督，随着优秀发电企业在管理上不断追求卓越和不断通过信息技术来提升管理效能，发电企业积累和掌握数据空前庞大，而这些庞大数据的核心价值在于数据的深化应用。这就要求发电企业在财务管理的理念上进行深刻变革，通过借助大数据时代先进的管理手段和工具，深入加强财务管理的分析、控制、预测等职能的发挥，充分发挥财务在战略决策和价值创造方面的作用，使财务数据成为企业通过配置资源来保障战略目标实现的指挥棒和主要的衡量标准，使战略目标立足扎实、战略管理行为科学、战略保障坚强有力。

2.2财务决策支持的重心将向深、向宽变革随着发电企业在推进财务决策支持职能发挥方面的不断努力，财务决策支持在总体财务职能方面的比重正在逐渐上升，如国内较为优秀的国华电力提出要在未来将财务决策支持占财务职能的比重由以往的10%提升到50%。以往，财务人员主要基于财务报表的数据，通过对数据的分析为管理者提供决策支持，但财务报表的数据毕竟是有限的，反应的信息面相对狭窄，只能为管理者提供有限的信息。大数据时代，发电企业面对的数据范围越来越宽、数据精细化程度越来越高、数据之间的关系链也更为完整，这就为财务决策支持提供了海量的数据信息，使财务分析能够深入到最基础的业务单元，从而使企业效益和成本的驱动因素更为明确，驱动因素对效益和成本的影响程度也更为精确。以存货周转率为例，通过报表分析手段，只能反馈存货周转率与基期对比的偏离程度，但通过大数据手段，可以明确找到存货周转率偏低的直接驱动因素，到底是哪些存货存在偏差，偏差程度到底有多大。再如通过数据积累和分析，可以精确预测各种驱动因素的变化对发电负荷率的影响程度、对煤耗的影响程度。这样就能帮助决策者的决策行为更加科学、更加有效。

2.3财务职能发挥方式将向统筹协调变革国家会计学院秦荣生教授形象地指出，要“修身、齐家、管公司、治国、平天下”。传统财务职能仅需依靠财务部门自身便可发挥作用，做好“修身”即可。随着ERP等信息手段的应用，财务管理职能的发挥逐步与人力资源、供应链管理、生产管理等企业各类信息系统深度整合，协同发挥效力。在这种新的形势下，财务部门仅仅依靠发挥自身本位职能，是远远无法满足现代社会对财务职能发挥的要求。这就使财务职能的发挥开始朝着统筹协调企业整体资源配置进行变革，不仅要做好“修身”，更要“齐家、管公司”，通过发挥财务的统筹协调职能，帮助企业规范管理、优化资源配置、有效管控风险、提升经营绩效。

2.4财务管理手段将向精益管理变革精益管理丰田公司制胜的法宝，其核心是以最小资源投入，包括人力、设备、资金、材料、时间和空间，创造出尽可能多的价值，为顾客提供新产品和及时的服务。而大数据管理的特征集中体现在更细、更多、更快和更优四个层面，可以促进精益管理向着效率更高、效益更佳的方向迈进。在国内外经济形势处于低谷的宏观背景下，发电企业面临日益复杂和残酷的市场竞争，这样的宏观经济形势与大数据时代叠加，催生发电企业财务管理的手段必须朝着精益管理变革。如有了大数据的基础，通过精益财务分析可将大数据的信息精确加工，形成针对性强、可操作性强的管理建议；通过精益对标，发电企业不仅可以实现与同行业先进绩效的对标，也可以实现对不同行业最佳指标标准的对标；通过精益预算管控，实现企业资源的最优配置；通过集约化财务共享平台的搭建，实现财务职能的精益管理。

2.5财务人员的职能定位将向价值创造变革在大数据时代，财务人员所面对的数据规模日趋庞大、数据类型日益复杂，而企业管理者对高价值财务信息时效性的要求越来越高。这就要求大数据时代的财务人员，除了必须具备扎实的财务处理能力以外，还必须进行职能定位的变革，通过熟练运用大数据带来的信息为企业创造价值能力。对于财务总监来说，大数据的运用将使其由目前的企业理财幕僚变革为战略制定者，由价值管理者变革为价值创造者；对于财务人员来说，对财务数据的处理能力将成为其价值体现、绩效衡量的主要标准。

2.6财务风险管理将向实时管控变革以往财务风险管控的基本模式为事前评估，事中控制，事后分析，往往依赖财务人员的经验和判断，管控效果难以保证。而现在，大数据为财务风险管控提供了非常宝贵的管理载体和平台，通过大数据的收集、分析和整理，完全可以做到在财务信息系统预定义各种风险控制规则，触发规则定义的预警条件，即可将预警信息传达到发电企业总部。如发电企业可以明确界定职工福利费的列支范围并设置预警条件，当财务系统录入不符合规定列支范围的福利支出时，系统将自动预警并暂停交易，待发电企业总部核查后再行处理。

3发电企业如何迎接大数据的机遇和挑战

大数据以其固有的特征影响着时代的变迁，也将为发电企业财务管理职能带来巨大的变革，这种变革对发电企业来讲，不仅意味着机遇，也将是一种挑战。发电企业要积极行动起来，在迎接大数据带来的重要机遇的同时有效应对其带来的挑战。主要是要做到：

3.1明确设定财务大数据管理的目标发电企业面对大数据管理的趋势，首先要设定清晰而又明确的财务大数据管理目标，就是要通过财务大数据管理和应用，为企业财务管理职能的平台跨越奠定基础，从而形成高附加值的企业战略保障能力，促进企业价值最大化。

3.2建立健全财务大数据管理和应用能力大数据管理能力的关键衡量因素体现在高质量的数据、先进的工具、精通数据的员工以及支持分析决策的流程和机制。发电企业对此要有深刻的认识和理解，并在企业运营和管理过程中建立相对应的管理机制，通过优化财务数据管理流程、提升财务人员运用大数据能力、建立健全决策支持模型等手段，来不断提升企业财务大数据管理和应用能力。

3.3不断优化财务管控架构财务管控架构是财务大数据管理的前提和基础。发电企业要通过财务共享平台建设，在横向职能架构上加强与企业营销、生产、运营和管理平台的横向集成，在纵向职能架构上实现集团层面与下属单位的财务管理职能一体化，保障财务大数据管理的宽度和深度。

3.4加强信息安全管理保障数据安全财务大数据在为企业带来极大便利和良好效益的同时，也将面临着数据安全等方面的风险。这就要求发电企业通过在制度层面、管理层面、契约层面和技术层面加强管理，保障企业自身的财务信息安全。

4发电企业如何应对大数据带来的风险

凡事有利必有弊。发电企业在充分受益大数据带来的各种便利时，也要高度重视并有效管控大数据带来的各种风险，特别是核心财务数据的管理和应用值得高度重视。

4.1财务数据管理风险如前所述，大数据时代，数据产生的增值效益日益突出，由此为数据管理提出来更高的要求。发电企业财务数据管理风险主要表现在因数据管理不到位造成的各种不良后果，表现在：财务系统因病毒、网络攻击、火灾及自然灾害等情况造成的无法正常使用；因管理不善造成的财务数据丢失、数据遭篡改，造成数据不能正常使用。这就要求发电企业在财务数据管理方面，一是要加强制度建设，建立异地备份等管理机制，特别是要考虑当前发电企业集团化运转条件下信息系统一体化的数据安全问题；二是要加强信息安全管理，通过可靠的杀毒系统、系统防火墙建立可靠的信息安全屏障；三是要明确数据管理人员的职责，建立数据管理牵制机制。

4.2财务数据质量风险由于数据的爆发性增长，在大数据时代财务数据的质量直接关系着，甚至是决定了数据应用的效率和效果。发电企业财务数据质量风险主要表现在由于财务数据不准确造成错误的分析结果，误导管理层；因财务数据不完整造成决策支持效果不佳。这就要求发电企业在数据采集、处理和应用的过程中必须确保财务数据的质量。而在衡量数据的质量时，要充分考虑数据的准确性、完整性、一致性、可信性、可解释性等一系列的衡量标准。

4.3财务数据应用风险传统数据管理的重心侧重于数据收集，而在大数据时代，数据应用成为整个数据管理的核心环节，数据应用者比数据所有者和拥有者更加清楚数据的价值所在。发电企业数据应用风险主要表现在由于对于高质量数据的不当应用，如使用了错误的财务分析模型，甚至是人为滥用造成偏离数据应用目标的情况；财务数据在应用过程中因数据管理不到位或人为因素造成企业商业机密泄露。这就要求发电企业高度重视大数据的应用管理，首先是要明确数据应用管理的目标，并建立高效的数据应用管理机制，以确保数据的应用效果；其次是要通过明确数据应用者的管理职责，加强数据应用过程中的核心信息管理，确保企业核心商业机密的安全性。

4.4财务数据过期风险传统数据管理强调“存在性”，即只要能获取数据即可满足企业的要求，财务数据的分析和应用的基准数据更多的是以往年度。而在大数据时代，发电企业对数据时效性的要求空前提高。发电企业财务数据过期风险，主要表现在对于数据的时效性管理不到位，财务数据反馈不及时造成决策不及时，贻误商业机会等情况。这就要求发电企业要从战略导向出发，高度重视数据应用的时效性管理，一方面在财务数据获取环节要充分考虑时间的及时性和可靠性，另一方面要在数据应用环节注意对数据的甄选，确保财务数据必须更多地立足当前，面向未来，只有这样，才能帮助企业在瞬息万变的市场环境中充分发挥作用。

5结束语

大数据时代的主要特征范文第8篇

摘要：

从传统统计数据与大数据之间的演变历史、数据特征等方面展开讨论，厘清两者之间存在的千丝万缕但又千差万别的联系，提出传统统计数据是大数据的简单形式和初期阶段，大数据是传统统计数据的复杂演化形态的论断，指出两者在数据分析思维方式上存在巨大差异，并对数据质量管理内涵、全周期数据质量保证等问题提出不同的解决思路和方案。

关键词：

传统统计数据；大数据；数据分析；数据质量

0引言

传统统计数据的内涵在于揭示数字背后信息与现实世界的关系。大数据是指巨量数据，是无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合。从传统统计数据到大数据的持续演变导致在理论层面大数据内涵复杂，并与传统统计数据在信息界限上概念模糊。从传统统计数据到大数据不仅是量的积累，更是质的飞跃。厘清传统统计数据与大数据之间的内涵辩证关系，是有效利用数据的基础和关键。

1传统统计数据向大数据演变的动力

信息技术的进步为传统统计数据向大数据演变提供了物质和技术基础。随着互联网的日益发展，每一次网络存储技术的进步都使信息的生产、存储、传输成本大幅度降低，而流通的范围、深度、速度则显著提升。JimGray的新摩尔定理认为，每18个月全球新增信息量是计算机有史以来全部信息量的总和，新摩尔定律以信息量的维度确定了数据化演变信息的节奏。这种趋势导致的基本形态就是数据信息空前丰富，大数据成为了研究和利用热点。信息需求多样化与个性化是传统统计数据向大数据演变的基本动力。数据最终是为信息需求服务的，用户信息价值最大化才是数据应用的关键所在。在数据化趋势下，随着人们认知实践与需求状态的变化，数据一方面从满足基本特定信息需求到利用复杂的数据属性解析出多样化信息需求转变，另一方面从被动满足简单需求到主动发掘复杂有效需求，并探知用户个性化信息需求转变。这两方面成为传统统计数据项大数据内涵演变的基本动力。相应地，数据内涵也从朴素的信息真实业务逻辑向满足复杂需求的数据化逻辑迁移。随着信息技术的发展和用户需求的变化，信息效率价值的实时化及数据泛滥造成数据噪声增强和有效信息稀缺现象，大数据应运而生。传统统计数据是大数据的简单形式和初期阶段，大数据是传统统计数据的复杂演化形态。

2传统统计数据与大数据的数据特征差异

数据量增多是人们区别传统统计数据与大数据的第一个认识。传统统计数据数据量小，以MB、GB、TB等为存储单位。大数据数据量大，一般以PB、EB、ZB等为存储单位。但这两者之间特征区别并不仅仅是体量，还包括数据类型、研究对象的范围、信息视角等方面。

2.1传统统计数据与大数据的数据类型对比

传统统计数据是一种结构化的标准数据。其数据类型单一，主要以结构化、体量小、标准化、价值密度高及周期化数值为特征，数据产生和变化的速度慢。其数据特点是朴素真实、简单有限、准确性高及被动有用性。大数据统计范畴扩大、数据类型复杂，其中包括：a）非结构化非标准数据，如动态实时时序数据。b）半结构化数据和非结构化数据，如文本、图像、视频等。c）现有的结构化数据，如传统统计数据。其数据模型具有复杂多维的特征，统计结果多是非精确多种相关性趋势数据。大数据具有4个V基本特征，即Volume（体量浩大）、Variety（模态繁多）、Velocity（生成快速）和Value（价值巨大但密度很低），且具有来源多样、实时、多元的信息化特点。这些特点导致数据在产生、获取、存储、传输和计算过程中，因体量大、快速多变易产生冲突和不一致，人工很难检测和修复。

2.2传统统计数据与大数据的研究对象范围不同

传统统计数据的研究对象是宏观视角下有限的随机样本数据。随着信息化的发展，实践中产生大量冗余沉淀数据，这一时期经过清洗的全样本数据是数据挖掘的研究对象。而大数据面对的则是原生态全样本数据，也就是所谓的总体数据。从随机样本数据到经过清洗的全样本数据再到原生态总体数据，数据内涵总体信息视角从宏观向中观和微观扩散。研究对象范围向宽度和深度两个方向不断扩展，不断深入系统微观的多维度个体感知，信息能力和价值也不断提升。这种转变来自技术和需求的驱动，新型数据处理技术及需求获取能力成为演变的关键因素。

3大数据相对传统统计数据分析方式的变革

数据中蕴含的宝贵价值成为人们存储和处理数据的驱动力，数据分析是实现数据价值的必要途径。由于传统统计数据与大数据在体量、结构、内涵等方面有着本质的区别，所遵循的数据分析理论基础、分析思路、相关技术也不同。

3.1传统统计数据与大数据数据分析的理论基础

对传统统计数据进行数据分析的理论基础是分布理论，以概率为保证，即根据样本去推断总体特征，其逻辑关系是“分布理论—概率保证—总体推断”，分析过程是“假设—验证”基础上的“定性—定量—再定性”。对大数据进行数据分析是以全体数据为基础，以数据信息相关为保证，其逻辑关系是“实际分布—总体特征—概率判断”，可以不受任何假设的限制去寻找关系、发现规律，分析过程是“定量—定性”及“发现—总结”重要数量特征和关系基础上的定量回应。

3.2传统统计数据与大数据数据的分析思路

传统统计数据价值的实现路径为“数据到信息再到知识和智慧”。传统统计数据分析着力于经典严密封闭系统的精确性和因果关系的探索，找到事物属性之间的因果关系，比较容易实现。对于开放复杂的巨系统，传统的因果分析难以奏效，因为系统中各个组成部分之间相互有影响，可能互为因果，因果关系隐藏在整个系统中。因果关系本质上是一种相互纠缠的相关性。大数据数据分析无法检验逻辑上的因果关系，不能致力于寻找真正的原因。Mayer-Sch觟nberger在《大数据时代》一书中指出了大数据时代处理数据理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。因此，大数据分析逻辑体现为走“数据直接到价值”的捷径。大数据数据分析关注事物相关性认知分析，所谓相关性是指两个或两个以上变量的取值之间存在某种规律性，即对数量巨大的数据进行统计性的搜索、比较、聚类、分类等分析归纳。相关分析的目的是找出数据集里隐藏的相互关系网（关联网），一般用支持度、可信度、兴趣度等参数反映相关性。

3.3传统统计数据与大数据的数据分析处理技术

进行数据分析需要相应的数据分析处理技术以及技术人员的全力参与。数据分析领域面临的主要矛盾是快速增长的数据信息需求与有限统计资源和滞后数据处理能力的矛盾。信息技术应用成本的低廉化和性能效率的聚变成为数据需求和质量要求快速增长的基本动力。传统统计数据的分析和处理遵循一般的关系数据库的数据分析和处理技术，技术人员经过一定的训练即可胜任。对大数据进行分析和处理需考虑以下技术因素：a）数据清洗。大数据价值密度低、冗余数据增多、垃圾数据泛滥，大数据清洗需要专业和细致。数据不能清洗过细，否则会增加数据清洗复杂度，甚至有可能过滤掉有用信息。数据也不能清洗过粗，要保证数据筛选的效果。b）以MapReduce（一种编程模型）和Hadoop（Apache基金会所开发的分布式系统基础架构）为代表的非关系型数据库的非关系型数据分析技术，因其具有良好的横向扩展性，在大数据分析处理中得到广泛应用。c）要深入分析数据，数据分析人员既要熟悉数据分析技术和工具，又要具备相关领域的专业知识。

4传统统计数据与大数据的数据质量内涵

高质量数据是进行数据分析的前提和基础，是数据发挥效能的保证。传统统计数据数据质量以有限信息逻辑的因果性、确定性、清晰且高度的结构化为主要特征，主要关注数据自身本源的质量问题，例如准确性、完整性和客观性。质量标准至少应该包括指标解释（含义、范围、口径）、数据特征、调查方法、统计误差、获取时间、频率及渠道等方面的内容。大数据以既定边界内总体数据系统相关性的随机、自身的不确定性以及总体的非结构化为特征。由于数据质量问题在大数据环境下会被不断放大，因此，大数据主要关注数据可信与溯源等非数据本源性质量问题，即数据资源产生后在传输、存储和应用过程中产生的突显问题。下面重点从流程和管理两方面分析传统统计数据和大数据所面临的数据质量的挑战及应对措施。

4.1从流程视角看数据质量保证

从流程的角度（即从数据生命周期角度）来看，可以将数据生产过程分为数据采集、数据存储和数据使用三个阶段，三个阶段对传统统计数据和大数据的质量保证提出了不同的要求。

1）数据采集过程中数据质量保证问题

数据采集阶段是整个数据生命周期的开始，这个阶段的数据质量对后续阶段的数据质量有着直接的、决定性的影响。传统统计数据数据量小，通过编写简单的匹配程序，甚至是人工查找即可实现多数据源中不一致数据的检测和定位。大数据由于数据来源复杂，数据之间存在着冲突、不一致或相互矛盾的现象。因此，需要在数据获取阶段保证数据定义的一致性及元数据定义的统一性，以保证数据质量。

2）数据存储过程中数据质量保证问题

数据存储是实现高水平数据质量的基本保障，如果数据不能被一致、完整、有效的存储，数据质量将无从谈起。传统统计数据以结构化数据为主，主要采用传统的结构化数据存储架构（如关系型数据库）进行数据的存储。大数据数据结构多样、数量庞大、数据结构复杂、变化速度快，需要使用专门的数据库技术和专用的数据存储设备进行大数据存储，以保证数据存储的有效性，方便对数据进行快速读取。数据库一般采用分布式文件系统和分布式并行数据库（如HDFS〔分布式文件系统〕、BigTable〔Google设计的分布式数据存储系统〕等），在数据存储过程中，数据格式的转换非常关键和复杂，要根据大数据结构的要求和特点合理设计数据存储和使用规则。

3）数据使用过程中数据质量保证问题

数据价值的发挥在于对数据的有效分析和应用。传统统计数据的使用需要遵从关系型数据的完整性约束和数据一致性保证技术要求。由于大数据使用人员众多，数据规模庞大、变化速度快，对数据的处理速度要求较高，很多时候需要同步、不断地对数据进行提取、分析、更新和使用，因此需要保证数据使用的一致性。

4.2从管理视角看数据质量保证

传统统计数据一般由业务部门负责掌管数据，IT部门负责信息技术的应用，这种分离式的运营管理方式容易造成业务人员不了解分析不同数据所需的不同IT工具，而IT人员在运用IT技术分析数据时不了解数据本身的内涵，甚至会做出错误的数据解释，影响了企业决策的准确性和有效性。为了更好地利用大数据，保证大数据的质量，企业高层管理者应给与重视和支持，需在高层配备专业数据管理人员。在大数据生产过程的任何一个环节，企业都应该配备相应的专业数据管理人员，如由专门人员负责记录定义并记录元数据，收集原始数据，建模、提取并利用隐藏在大数据中的信息。

5结束语

传统统计数据和大数据是数据科学发展过程中由于技术的发展和客户需求的多样化、个性化而必然出现的数据阶段。由于两者之间关系不清，界限模糊，采集、分析、处理等技术多样，难度大，因此，从业者难免存在模糊认识和畏难情绪。本文从两者的演变历史、数据特征、数据分析和质量管理等方面对两者的异同进行辨析，指出传统统计数据是大数据的简单形式和初期阶段，大数据是传统统计数据的复杂演化形态，大数据从广义上来讲包含了传统统计数据。试图通过对两者的辨析为从业者提供一个辩证和清晰的思路。数据的分析应用无止境，任重而道远。

参考文献：

1刘军华．大数据视野下统计数据质量演变的信息回归、分布与趋势［J］．统计与信息论坛，2015（9）：7-11．

2祝君仪．大数据时代背景下统计数据质量的评估方法及适用性分析［J］．中国市场，2015（29）：41-42．

3李国杰．对大数据的再认识［J］．大数据，2015（1）：1-9．

4程学旗，靳小龙，等．大数据系统和分析技术综述［J］．软件学报，2014（9）：1889-1908．

大数据时代的主要特征