大数据市场调研报告

大数据市场调研报告（精选8篇）

1.大数据市场调研报告 篇一

1月30日，国务院国务院印发了《关于促进云计算创新发展培育信息产业新业态的意见》。《意见》中将加强大数据开发与利用列为推动云计算产业发展的主要任务之一，充分发挥云计算对数据资源的集聚作用，实现数据资源的融合共享，推动大数据挖掘、分析、应用和服务。在公共安全、疾病防治、灾害预防、就业和社会保障、交通物流、教育科研、电子商务等领域，开展基于云计算的大数据应用示范，支持政府机构和企业创新大数据服务模式。充分发挥云计算、大数据在智慧城市建设中的服务支撑作用，加强推广应用，挖掘市场潜力，服务城市经济社会发展。

拉斯维加斯的Switch通信公司拟投资10亿美元建立一个27.9万平方米规模的数据中心“SuperNap”。在Switch计划中，整个工程将耗时5到时间完成，但是数据中心的第一期将在第二个季度完成。

英国近百个数据中心获减税 为了提高能源的利用效率，英国政府已经开始对近百个数据中心进行几乎全免的税务减免。这些运行商的参与者包括：Digital Realty、 Equinix、TelecityGroup和IBM等。 这份名为气候变化协议的豁免主要针对的是密集型产业，让政府来帮助企业提高竞争力和避免被外国收购。目前如果后者能够承诺改进能源的使用效率，该行业的征税将削减90%。

Telx公司完成两个数据中心的扩建项目

美国云托管提供商Telx公司已完成曼哈顿和纽约两个数据中心的扩建项目，这也是这两个数据中心历史性的扩张。Telx公司创始人亨特纽比最近推出了一个数据中心合并计划，目前正在计划与Amerimar公司进行合作。Amerimar公司目前拥有四个数据中心，其中一个在纽约，公司也正在寻求在休斯敦新建数据中心。

IBM宣布在全球新增12个云端数据中心

据国外媒体报道，近日，IBM宣布将在全球新增12个云端数据中心，以此支持越来越多的想要将信息数据移到云端的企业用户。据悉，IBM在全球范文内的云端数据中心，若加上此次计划新增的12个，总数将达到40个。

此次新增的12个云端数据中心包括IBM在德国法兰克福、墨西哥市，及日本东京新建的三座IBM自由云端数据中心，而其他9座则是通过和数据中心从业者Equinix的策略合作，以增加在澳洲、法国、日本、新加坡、荷兰以及美国的数据中心。

2.大数据市场调研报告 篇二

关键词：大数据,市场调查,社会学方法

数据被称为“未来的新石油”, 其战略意义已经在全世界范围内得到认可, 在营销和广告领域, 出现了许多依托网络的大数据展望, 勾画出“利用网络数据全面立体地呈现用户群体”的蓝图, 并开始了利用社会化媒体平台对消费者进行分析的尝试。看起来大数据研究方法给传统市场调查行业带来了巨大挑战, 事实上大数据与传统市场调查并非互斥, 而是可以互补融合的。市场调查的基石与目的——发掘营销中的因果关系并没有改变, 而大数据技术的诞生则为市场调查补充了新的量化方法与研究模式。

市场调查

法国哲学家奥古斯特·孔德在19世纪30至40年代首次提出将自然科学的研究经验移植到社会学研究领域, 其基本观念是:社会科学与自然科学存在相似性, 两者的研究对象都是纯客观的, 且两者的现象背后都存在着必然的因果规律。

迪尔凯姆在其著作《社会学方法的规则》中提出了实证主义社会学的方法论, 他定义了社会学的研究对象, 并真正将实证科学的方法 (统计学和数学) 引入社会现象的分析, 开始了具体的社会实证研究, 使定量研究的方法在社会学领域逐步盛行。

韦伯认为, 社会规律与自然规律存在本质的不同, 不应以自然科学的客观规范来研究社会个人的主观行为, 研究的是给出“因果性解释”。对于社会科学而言, 通过实证研究, 使用定量或者定性的方法, 探求因果关系一直是核心问题。

市场调查基于市场营销实践需求而诞生, 吸取社会科学方法中的营养, 是“一种通过信息将消费者、顾客和公众与营销者连接起来的职能。这些信息用于识别和确定营销机会和问题, 产生、提炼和评估营销活动, 监督营销绩效, 改进人们对营销过程的理解。市场调查规定了解决这些问题所需的信息, 设计收集信息的方法, 管理并实施信息收集过程, 分析结果, 最后要沟通所得的结论及其意义。”①市场调查学沿袭了“探求因果关系”的社会学方法论本质, 并在实证主义方法论的基础上也适当融入了人文主义的研究方法, 在20世纪初作为独立学科发展起来。

有记载的最早一次大规模调查要追溯到1824年8月, 美国一家报纸为预测总统大选结果而进行了民意调查;在1879年美国出现了广告代理商为农业机械制造商进行当地农产品生产状况的调查。市场调查作为一门独立学科发展起来, 是在20世纪初。上世纪40年代初期定性研究在市场调查领域中得到广泛应用;40年代末期, 随机抽样技术的广泛运用, 也为市场调查发展起到了巨大的推动作用。上世纪50年代, 市场调查被营销者广泛运用于研究消费动机、消费行为等各类营销实践操作中, 市场调查融合了实证主义和人文主义的方法论, 这两者的研究逻辑都在市场调查的操作方法中有所体现。

大数据和市场调查

目前主流的观点将大数据的特点归纳为4V:Vol⁃ume, 大量, 即数据量巨大, 通常以拍字节为单位;Va⁃riety, 多样, 即数据的种类与来源不断扩充;Velocity, 高速, 各方向的数据流均实时在线, 可快速处理数据;Value, 价值, 即商业价值高, 但价值密度低。

舍恩伯格认为, 世界即是由数据构成的, 一切事物皆可“量化”并由编码或数据来表示;他认为“社会需要放弃它对因果关系的渴求, 仅需要关注相关关系……也就是说只需要知道是什么, 不需要知道为什么。”换言之, 大数据的方法论正是在复杂网络中寻找出A所影响到的相关事物, 而对于这些事物是否由A所引发的则不在考量范围内。

大数据通过对数量巨大的数据做统计性的搜索、比较、聚类、分类等分析, 找到数据之间的关联。数据的相关性 (亦称关联性) , 可能是简单的正向相关, 可能会通过进一步的研究认定是因果关系, 甚至可能通过相关性发现甚至之前都不存在的新关系。从研究路径看, 大数据偏向于归纳逻辑。相关分析在市场调查中并不是一个新鲜的名词, 但与传统市场调查中采用的“假设——验证”的实证主义研究路径和演绎式逻辑不同, 大数据不需要任何预设和模型, 期望在大量无序个体的集合中呈现出有序的趋势, 对其进行归纳。

大数据为市场调查带来了诸多可能性。首先, 大数据条件下可以直接跨越样本数量障碍, 对数据整体进行分析;其次, 不介入调研对象的日常行为, 呈现出调研对象真实客观的行为轨迹;再次, 数据沉积为长期过程, 可以进行历时研究;最后, 大数据的即时性有利于监测和解决瞬息万变的市场问题。事实上, 大数据的目前发展和使用还存在很多不确定性。例如数据量过大, 合适的运算方法和硬件条件还不够完善;不同平台之间的数据无法做到打通;如何做到利用大数据分析消费者行为同时保护消费者的隐私不被侵犯等②。

事实上, 市场调查与大数据这两种方法论之间并非互斥或取而代之的关系, 而是辩证的, 适用于不同场景以应对不同需求, 同时又存在着互补与借鉴的整合趋势——将人们所说的与所做的结合起来, 才能更好地理解人们所想的, 从而根据不同的原因, 在消费者未来行为的可能路径中提供他们最需要的信息。沃顿商学院营销学教授芭芭拉·卡恩 (Barbara E.Kahn) 认为大数据可以帮助市场调研者更好地检测和发现消费者的消费行为和原因。她指出, 最终的目标是要利用大数据跟踪消费者的整个消费轨迹——从最初的消费冲动、权衡阶段, 到最终的购买阶段, 再通过市场调查发现消费者之所以没有购买的原因是什么、是在哪个环节出现了问题、而营销人员又可以如何解决③。

市场调查与大数据方法论之间存在明显的差异, 甚至乍看之下互相对立, 但通过数据分析思维的角度交叉比较两者的特点后, 两者之间更多存在的是并行与互补的辩证关系。

大数据对市场调查未来影响。

1.“全样本”与“价值中立”。

市场研究多年来的统计测量都建立在抽样选取的基础上, 而大数据使得直接提取母本成为了可能。这在现实层面对于减少研究周期、人力与经费有着巨大作用;在科学层面也保证了数据的多样性、代表性、完整性和客观性。

大数据可以帮助市场调查克服大规模抽样调查的缺陷, 与市场调查模式中的数据采集环节相对应的, 是大数据模式中对全样本数据库的筛选环节。大数据通过用户计算机cookies、IP地址、浏览路径、地理位置等维度, 真实客观地记录用户的行为与文本生成内容, 并根据指令搜索筛选出符合要求的数据以供后续研究, 这为数据采集带来了重大突破。当然, 大数据的“全样本”与“客观性”目前仍是一种理想状态, 首先, 即使大数据模式中的筛选环节包含了数据清洗、不完全数据填补、数据纠偏和矫正, 也无法完全保证样本中不存在假数据、脏数据或重复数据。其次, 尽管理论上所指的大数据应该是全体数据, 但在现实社会受诸多方限制, 除了诸如BAT之类的互联网巨头及国家机关或许掌握了全体数据, 绝大多数的第三方所拥有的都仅是局部数据。大规模局部数据并不等于大数据, 其研究价值甚至远不如样本规模小得多的抽样数据。当务之急是打通各个数据方的平台渠道, 通过整合产生多个案、多变量的有价值的大数据。

2.数据计算技术要求迅速提升。

在传统市场调查模式下, 数据的计算量较小且计算难度较低, 该环节主要借助统计软件即可完成。大数据模式下, 数据规模、维度和分析方法的变化对计算的要求大大加强。除了常规的统计分析方法, 还需要研究大数据的实时分析、数据流算法等, 专业性更强, 与下一环节数据分析的结合也更密切。“许多新的计算理论成为主角, 比如对网络非结构化文本数据使用自然语言处理, 大数据挖掘的机器学习处理 (大部分是高纬度向量计算) , 而社交网络计算更多是图计算。这些新的计算理论和方法, 极大扩展了大数据分析洞察的能力, 但也对相关人员的专业能力提出了很高的要求”④。

3、数据分析和数据可视化。

相较市场调查模式的传统实证分析方法论, 大数据模式下的数据分析有其独到的思维, 它更关注个体标签与用户画像, 并重视对未来发展做出预测与期望。在技术发展的条件下, 大数据的分析结果更加即时化, 立体化, 呈现方式更加丰富生动。相较于线性系统 (表格、图表) 展示的市场调查而言, 大数据的结论不再那么关注原因分析与建议, 而是基于个体特征的群体体征进行标签化的描述。

结论

1.研究“人”的最好时代

大数据时代的市场营销将是以“消费者洞察”为主导的。大数据在量化分析与相关趋势预测方面的强势, 将成为市场调查研究消费者心理的最有力的后盾。市场调查将成为大数据的一部分, 其相对成熟、系统的方法论也将在数据分析环节作为对大数据方法论的补充, 从而完成定性与定量的合体。

在搜索、电商、社交等垂直化领域, 部分数据公司可以基本覆盖到“全体样本”, 但在水平化领域仍以“局部样本”为主, 因此市场调查中抽样的思想仍然需要。而目前能够实现“全体样本”的纵向领域与消费品行业密切重合。未来的市场调查将会基于消费者行为类大数据, 更多聚焦对“人”的深度研究。数据技术人员将会与市场调查人员密切合作, 前者通过大数据相关性分析法对消费者未来行为路径提出多种可能预测, 后者则对消费者心理进行深入挖掘, 通过观察、实验、焦点小组访谈等定性定量研究方法, 判断出导致个体行为差异的不同原因, 进一步完善大数据的分析缺陷, 从而提高对消费者未来行为预测的精准性。

2.计算广告学的崛起和发展

大数据与市场调查的整合不仅将在实践中发挥巨大威力, 更将缔造新的理论体系与交叉学科。2009年2月, 以哈佛大学大卫·拉泽尔 (David Lazer) 为首的15位美国知名大学教授就联名在美国提出“计算社会科学” (computational social science) 新领域。同社会学一样, 出现了“计算广告学”领域, 该领域研究的发展, 将传统无法定向投放、无法度量的广告变得可度量效果⑤。随着能够收集和分析大规模的人类行为数据并从中发现个人和群体行为的模式, 能够构建出更好的大数据分析产品, 帮助实现市场调查的精准效果。

大数据能够描绘出每一类潜在用户的画像与其行为路径;而市场调查则会充分利用这数据, 深入地找出影响每一类用户路径的关键原因, 从而“对症下药”, 将其转化为真正的消费者。事实上从行业角度来看, 如今随着大数据的发展, 企业对市场调查的需求同时也呈现出一个平行的上升趋势——企业需要借助市场调查通过对“小数据”的分析来解答由“大数据”发现的疑问。

传统市场调查有着较为完整的方法论, 运用了包括相关分析在内的定性、定量研究方法。市场调查的最终目标是要发现消费者需求, 识别和确定营销机会和问题, 传统市场调查的方法与大数据样本和分析相结合, 会引发定性分析和定量分析的巨大的优势。

3.大数据时代的市场博弈 篇三

读者观点：在这个信息庞杂、数据处理技术十分先进的时代，只要你有全新的理念，就能从一大堆数据中得出各种各样的商业推理，挖掘到丰沛的商机。

工业4.0扑面而来。这是继以蒸汽机、大规模流水线生产和电气自动化为标志的前三次工业革命之后的第四次工业革命。其特点是通过充分利用嵌入式控制系统，即物理信息融合系统（其中“大数据”扮演主角），实现制造业向智能化转型。

大数据（Big Data）或称海量信息，指的是规模巨大的信息量通过主流软件工具，在合理时间内可撷取、管理、处理，并整合成帮助企业经营决策、提高核心竞争力的资讯。

移动互联网风生水起，让数据变得丰富多样，质感鲜明，显示出它的移动性、碎片化和私密性。数据能够转化为市场价值，这是大数据服务的核心魅力，大数据里面有商机。在这个信息庞杂、数据处理技术十分先进的时代，只要你有全新的理念，就能从一大堆数据中得出各种各样的商业推理，挖掘到丰沛的商机。时至今日，大数据已成商业竞争的“定海神针”。

制造业同样处于一个数据爆炸的时代，制造业企业需要管理的数据种类浩繁，涉及到大量结构化数据，比如产品数据、运营数据、价值链数据、市场数据、竞争对手数据等。

随着大规模定制和网络协同的发展，制造业企业还需要实时从网上接受众多消费者的“私人定制”，并通过网络协同配置各方数据资源，组织生产。

而大数据又是工业互联网的命脉，大数据可能带来的巨大价值正在被传统产业尤其是制造业认可，通过技术创新与发展，以及数据的全面感知、收集、分析、共享，呈现出正确认知制造业价值链的全新视角，并催生出新一代智能工厂。

——蔡恩泽 （南京）

晶苏传媒首席分析师

4.大数据调研报告 篇四

发表于2012-02-06 13:26| 2517次阅读| 来源CSDN| 0 条评论| 作者李智

数据中心浪潮数据挖掘数据分析大数据

摘要：大数据时代的数据格式特性 首先让我们先来了解一下大数据时代的数据格式特性。从IT角度来看，信息结构类型大致经历了三次浪潮。必须注意这一点，新的浪潮并没取代旧浪潮，它们仍在不断发展，三种数据结构类型一直存在，只是其中一种结构类型往往主导于其他结构： 结构化信息这种信息可以在关...根据IDC的调查报告预测到2020年全球电子设备存储的数据将暴增30倍，达到35ZB（相当于10亿块1TB的硬盘的容量）。大数据浪潮的到来也为企业带来了新一轮的挑战。对于有准备的企业来说这无疑是一座信息金矿，能够合理的将大数据转换为有价值信息成为未来企业的必备技能。恰逢此时，CSDN专门针对企业相关人员进行了大规模问卷调研，并在数千份的调查报告中总结出现今企业大数据业务的现状。在此我们也将调研结果展示与此以供大家参考。

大数据时代的数据格式特性 首先让我们先来了解一下大数据时代的数据格式特性。从IT角度来看，信息结构类型大致经历了三次浪潮。必须注意这一点，新的浪潮并没取代旧浪潮，它们仍在不断发展，三种数据结构类型一直存在，只是其中一种结构类型往往主导于其他结构：

结构化信息——这种信息可以在关系数据库中找到，多年来一直主导着IT应用。这是关键任务OLTP系统业务所依赖的信息，另外，还可对结构数据库信息进行排序和查询； 半结构化信息——这是IT的第二次浪潮，包括电子邮件，文字处理文件以及大量保存和发布在网络上的信息。半结构化信息是以内容为基础，可以用于搜索，这也是谷歌存在的理由； 非结构化信息——该信息在本质形式上可认为主要是位映射数据。数据必须处于一种可感知的形式中（诸如可在音频、视频和多媒体文件中被听或被看）。许多大数据都是非结构化的，其庞大规模和复杂性需要高级分析工具来创建或利用一种更易于人们感知和交互的结构。

企业内部大数据处理基础设施普遍落后

从调查结果可以看出，接近50%的企业服务器数量在100台以内，而拥有100至500台占据了22%的比例。500至2000台服务器则占据剩下28.4%的比例。可以看出面对大数据现今大部分企业还没有完善其硬件基础架构设施。以现阶段企业内大数据处理基础设施的情况来看50%的企业面临大数据处理的问题（中小企业在面对大数据的解决之道应遵循采集、导入/处理、查询、挖掘的流程）。

但这只是暂时状况，“廉价”服务器设施会随着企业业务的发展逐渐被淘汰出历史的舞台，在未来企业基础架构体系的硬件选用上，多核多路处理器以及SSD等设备会成为企业的首选。Facebook的Open Compute Project就在业界树立了榜样，Open Compute Project利用开源社区的理念改善服务器硬件以及机架的设计。其数据中心PUE值也是领先与业内的其他对手。

而在具有大数据处理需求的企业中52.2%的日数据生成量在100GB以下，日数据生成量100GB到50TB占据了43.5%，而令人惊讶的是，日数据生成量50TB以上也有4.4%的份额。数据量持续的增长，公司将被迫增加基础设施的部署。专利费用将一直增加，而开源技术，则省了这笔一直持续的专利费。对于急需改变自己传统IT架构的企业而言，传统的结构化数据与非结构化数据的融合，成了所有人关心的问题。

企业面对大数据处理的挑战与问题

现今大数据呈现出“4V + 1C”的特点。既Variety：一般包括结构化、半结构化和非结构化等多类数据，而且它们处理和分析方式有区别；Volume：通过各种设备产生了大量的数据，PB级别是常态；Velocity：要求快速处理，存在时效性；Vitality：分析和处理模型必须快速变化，因为需求在变；Complexity：处理和分析的难度非常大。

从图中我们可以看出资源利用率低、扩展性差以及应用部署过于复杂是现今企业数据系统架构面临的主要问题。其实大数据的基础架构首要需要考虑就是前瞻性，随着数据的不断增长，用户需要从硬体、软件层面思考需要怎样的架构去实现。而具备资源高利用率、高扩展性并对文件存储友好的文件系统必将是未来的发展趋势。

应用部署过于复杂也催生了大数据处理系统管理员这一新兴职业，其主要负责日常Hadoop集群正常运行。例如直接或间接的管理硬件，当需要添加硬件时需保证集群仍能够稳定运行。同时还要负责系统监控和配置，保证Hadoop与其他系统的有机结合。

而多格式数据、读写速度（读写速度是指数据从端点移动到处理器和存储的速度）以及海量数据是企业面临大数据处理急需解决的技术挑战。众所周知随着大容量数据（TB级、PB级甚至EB级）的出现，业务数据对IT系统带来了更大的挑战，数据的存储和安全以及在未来访问和使用这些数据已成为难点。同时大数据不只是关于数据量而已。大数据包括了越来越多不同格式的数据，这些不同格式的数据也需要不同的处理方法。充分利用有用的数据，废弃虚伪无用的数据，是数据挖掘技术的最重要的应用。

企业内部数据分析与挖掘工具应用现状

云时代企业数据挖掘面临如下三点挑战。挖掘效率：进入云计算时代后，BI的思路发生了转换。以前是基于封闭的企业数据进行挖掘，而面对引入互联网应用后海量的异构数据时，目前并行挖掘算法的效率很低；多源数据：引入云计算后，企业数据的位置有可能在提供公有云服务的平台上，也可能在企业自建的私有云上，如何面对不同的数据源进行挖掘也是一个挑战；异构数据：Web数据的最大特点就是半结构化，如文档、报表、网页、声音、图像、视频等，而云计算带来了大量的基于互联网模式提供的SaaS应用，如何梳理有效数据是一个挑战。抛去价格因素之外可以看出反应速度慢、操作不方便、数据不准确、分析不准确这四项是企业数据分析与数据挖掘面临的主要问题。商业化解决方案固然成熟，但成本也是显而易见的。而具备在开源平台之上处理分析大数据能力的数据科学家则成为另外的一种选择。数据科学家具备专业领域知识并具备研究利用相应算法分析对应问题的能力，可帮助创建推动业务发展的相应的大数据产品和大数据解决方案。

5.大数据市场调研报告 篇五

目前国内汽车金融正方兴未艾，俨然成为金融领域的新风口，汽车金融市场规模2020年预计突破2万亿。汽车金融机遇与风险并存，在P2P行业合规整改的大环境下，车贷资产成为诸多平台新业务支撑，资产争夺势必愈演愈烈。由于汽车金融平台自身风控意识和能力普遍薄弱，导致行业间欺诈乱象频出，因此拥有良好品牌以及风控实力的平台将占据绝大多数市场份额。

《中国汽车互联网金融发展报告2017》白皮书指出中国汽车互联网金融的市场空间将爆发出巨大潜力，预计2017年P2P车贷规模达到3500亿元以上。随着更多互联网巨头进入，行业将进入深水区，未来大数据将助力汽车互联网金融匹配个性化的金融体验。

在互联网时代，大数据对汽车金融服务的渗透越来越深入。作为浙江省大数据科技协会理事会成员，仁润股份扎根大数据领域，致力于互联网金融风控领域研究，运用大数据驱动的贷前、贷中、贷后风控管理解决互联网金融骗贷、恶意拖欠等难题。

万亿汽车金融市场迎考验，仁润汽车贷款管理系统为平台安全运作保驾护航。系统通过大数据、云服务在反欺诈、身份识别、贷前贷后追踪、用户画像等层面给汽车金融机构带来实质性保障，改善用户体验、实现资产精准投放的同时，更完善风控体系，提升风控效能。

贷前，仁润汽车贷款管理系统对借款人进行征信评估，提供人脸识别、身份证识别、身份证认证、黑名单查询、短信认证等数据接口服务，快速判断借款人信用情况。此外，对借款人的抵押物进行信用查询，一键输入车架号信息，车辆估价、违章、维修记录等信息一目了然。目前仁润已推出“仁润云风控”服务和人查宝、车信用app征服工具服务，移动端操作，方便快捷。

贷中，系统集成车辆GPS定位追踪系统，只要在系统内输入安装在抵押车辆上的GPS系统的设备号，就可以不出门直接在系统内一键对抵押车辆进行定位追踪，动态显示车辆的地理位置，运行状况和时间信息等。此外，合同电子化、签约视频监控更进一步增强汽车金融系统风控管理能力。

贷后，系统拥有成熟的贷后管理、处置体系，对逾期未还者进行多渠道催收，从最开始的提前7天预警，到系统短信直发，再到直接系统点击电话拨打，皆能以日志的形式将催收跟踪情况进行详细记录，支持微信助手实时提醒。

6.大数据时代读书报告 篇六

下面来重点介绍《大数据时代》这本书的主要内容。

《大数据时代》开篇就讲了google通过人们在搜索引擎上搜索关键字留下的数据提前成功的预测了2009年美国的h1n1的爆发地与传播方向以及可能的潜在患者的事情。google的预测比政府提前将近一个月，相比之下政府只能够在流感爆发一两个周之后才可以弄到相关的数据。同时google的预测与政府数据的相关性高达97％，这也就意味着google预测数据的置信区间为3％，这个数字远远小于传统统计学上的常规置信区间5％!而这个数字就是大数据时代预测结果的相对准确性与事件的可预测性的最好证明!通过这一事以及其他的案例，维克托提出了在大数据时代“样本＝总体”的思想。我们都知道当样本无限趋近于总体的时候，通过计算得到的描述性数据将无限的趋近于事件本身的性质。而之前采取的“样本＜总体”的做法很大程度上无法做到更进一步的描述事物，因为之前的时代数据的获取与存储处理本身有很大的难度只导致人们采取抽样的方式来测量事物。而互联网终端与计算机的出现使数据的获取、存储与处理难度大大降低，因而相对准确性更高的“样本＝总体”的测算方式将成为大数据时代的主流，同时大数据时代本身也是建立在大批量数据的存储与处理的基础之上的。

接下来，维克多又通过了ibm追求高精确性的电脑翻译计划的失败与google只是将所有出现过的相应的文字语句扫描并储存在词库中，所以无论需要翻译什么，只要有联系google词库就会出现翻译，虽然有的时候的翻译很无厘头，但是大多数时候还是正确的，所以google的电脑翻译的计划的成功，表明大数据时代对准确性的追求并不是特别明显，但是相反大数据时代是建立在大数据的基础住上的，所以大数据时代追求的是全方位覆盖的数字测度而不管其准确性到底有多高，因为大量的数据会湮埋少数有问题的数据所带来的影响。同时大量的数据也会无限的逼近事物的原貌。

之后，维克托又预测了一个在大数据时代催生的重要职业——数据科学家，这是一群数学家、统计学与编程家的综合体，这一群人将能够从获取的数据中得到任何他们想要的结果。换言之，只要数据充足我们的一切外在的与内在的我们不想让他人知道的东西都见会在这一群家伙的面前展现得淋漓尽致。所以为了避免个人隐私在大数据时代被这一群人利用，维克托建议将这一群人分为两部分，一部分使用数据为商业部门服务，而另一群人则负责审查这一些人是否合法的获得与应用数据，是否侵犯了个人隐私。无论如何，大数据时代将会到来，不管我们接受还是不接受!而且这两年，大数据这个词突然变得很火，不仅出现在阿里巴巴、谷歌等互联网公司的战略规划中，同时在我国国务院和其他国家的政府报告中多次提及，无疑成为当今互联网世界中的新宠儿。我对大数据一直好奇已久，阅读了很多资料仍不得其解，直到读完《大数据时代》才有了粗略的认识。

我侧重于从第一部分中的这三个观点谈谈自己的看法，这三个观点可以说是哲学上说的世界观，这三个观点可以说是哲学上说的世界观，因为世界观决定方法论，所以这三个观点对传统看法的颠覆，就会导致各种变革的发生。首先是第一个，作者认为在抽样研究时期，由于研究条件的欠缺，只能以少量的数据获取最大的信息，而在大数据时代，我们可以获得海量的数据，抽样自然就失去它的意义了。放弃了随机分析法这种捷径，采用所有的数据。作者用大数据与乔布斯的癌症治疗例子说明了使用全部数据而非样本的意义，列举了日本“相扑”等来证明使用全体数据的重要性。这个观点足以这个观点足以引起统计学乃至社会文明的变革，因为统计抽样和几何学定理、万有引力一样被看做文明得以建立牢固的基石。我对这个观点还是比较认同的，如果真能收集到整体的数据而且分析数据的工具也足够先进，自然是全体数据研究得出的结果更令人信服。但是这个观点也过于绝对，就算是在大数据时代要想收集到全体数据还是不太可能实现的，因为收集全体数据要付出的代价有时会很大。比如说，你要检测食品中致癌物质是否超标，你不可能每一件食品你都检测一遍吧。

第二，要效率不要绝对的精确。作者说，执迷于精确性是信息缺乏时代和模拟时代的产物，只有5%的数据是结构化且能适用于传统数据库的。如果不接受混乱，剩下95%的非结构化数据都无法被利用。作者是基于数据不可能百分之百正确的考虑而做出这样的判断的，如果采用小数据一个数据的错误就会导致结果的误差很大，但是如果数据足够多、数据足够杂那得出的结果就越靠近正确答案。大数据时代要求我们重新审视精确性的优劣，甚至还说到大数据不仅让我们不再期待精确性，也让我们无法实现精确性。谷歌翻译的成功很好地证明了这一点，谷歌的翻译系统不像candide那样精确地翻译每一句话，它谷歌翻译之所以优于ibm的

candide系统并不是因为它拥有更好的算法机制，和微软的班科和布里尔一样，谷歌翻译增加了各种各样的数据，并且接受了有错误的数据。第三个观点，不是因果性，而是相关性，这是这本书中争议最大的一个观点，不仅是读者，就算是本书的译者也在序言中明确地说到他不认同“相关关系比因果关系更重要”的观点。作者觉得相关关系对于预测一些事情已经足够了，不用花大力气去研究他们的因果关系。作者用林登的亚马逊推荐系统的成功，证实了大数据在分析相关性方面的优势以及在销售中获得的成功。沃尔玛也是充分利用并挖掘各类数据信息的代表，从啤酒和尿布的案例，以及作者举的有 关蛋挞和飓风天气的案例，都说明了掌握了相关关系对于他们策略的帮助。一句话，知道是什么就够了，不用知道为什么。很明显作者所举的例子都是属于商业领域的，但是对于其他领域来说这个观点就值得商榷了。比如说，在科学研究领域，你需要知其然也需要知道其所以然，找到事件发生的原理。用文中的一个例子说明，乔布斯测出整个基因图谱来治疗癌症，但是你治疗癌症你必须知道癌症发病的原理，知道哪一段基因导致了这种疾病，不可能只是说收集各种数据，然后利用其相关性来判断哪里出现了问题

作者在书中把大数据说的很厉害，在最后一部分分析大数据带来无数好处的同时带来的不良影响以及如何面对这些影响。用麦克纳马拉的例子来说明对数据过度依赖所带来的后果。也用《少数派的报告》这部电影来说明如果痴迷于数据会导致我们将生活在一个没有独立选择和自由意志的社会，如果一切变为现实，我们将被禁锢在大数据的可能性之中。所以书中提出了几种解决方法，一种是使用数据时征询数据所有个人的知晓和授权。第二个技术途径就是匿名化。毫无疑问，大数据将会给社会管理带来巨大的变革。

大数据给人类社会的方方面面带来了巨大的变革，这是社会发展的潮流，不可逆转，我们只有顺应这种潮流，在思想上和技能上做好准备才能成为时代的弄潮儿。对于一家公司或一个国家，要从根本上改变思维和观念，尽早适应这种潮流。

最后，附上一段来自原著的结语：

大数据并不是一个充斥着算法和机器的冰冷世界，人类的作用依然无法被完全替代。大数据为我们提供的不是最终答案，只是参考答案，帮助是暂时的，而更好的方法和答案还在不久的未来。篇二：《大数据时代》读书报告

读书报告

——读《大数据时代》

坦白地说，这是我第一本看了睡不着的书，我还记得第一次阅读时的兴奋和激动，就像一场头脑风暴。书里的事例是那么的鲜活与生动，完全颠覆我的思维方式，打破了我大脑中解决问题原有的枷锁。这本书让我明白了太多~~~ 它让我明白生活必须要主动。有些人碰到了不公就自认倒霉，能干一点的可能还会去讨个说法，但并没有解决实际问题，这一次可能挽回了那么一点点的损失，但下次遇到了仍是如此，无限循环。当你绞尽脑汁为了节约成本而提前一个月去购买一张你自以为廉价的飞机票，回头却发现，比那些只提前一天购买的人所付的钱还要高出很多时，不知你会怎么想？是被动的接受还是想方法让现实变得更美好？ 它让我更好地去理解现实生活的很多情况。现在才理解，为什么网络上有这么多验证码的存在，为什么社交网要用实名制注册，为什么有这么多的“我猜你喜欢”~~~ 虽然我很喜欢那些“黑匣子”，会让我感觉很神奇，但当我真正理解的他的原理时，其实更让我兴奋不已。原来谷歌翻译背后是这样操作的，原来那些每天时不时闯进我们眼球的广告并非偶然，原来预测流感不需要疾控中心而是网络词条，原来电影在开播前就已经知道了收视率和票房~~~ 当然以上这些相当抓人眼球，但这只是大数据的表面，其真正的价值远不仅如此。人类总是以为自己很强大，能控制一切，当然最好还能预测未来。其实大数据真的可以做到，虽然不可能很精确。在我看来这样更好，大致结果可以意料，这就够了，如果发现结果不尽如人意，我们可以提前控制。当然还会有我们意想不到的情况发生，这样会让未来更充满想象，更加充满期待。

它让我懂得不能墨守成规，也不能自以为是。大数据环境是那些微型企业发展的福地，它是行业竞争重新洗牌的动力源泉。在大数据面前，小公司不需要妄自菲薄，大的商业帝国也只有打气十二分的精神才可能让自己立于不败之地。

他让我知道没有做不得，只有想不到。现在的赚取资本的方式已经不再是单靠苦力就可以解决问题的时代了，看见朋友圈里的那些做代购的，都在自我催眠“不要看我们现在是微商~~~微商将来前途无量~~~·”我一直都抱着看看不说话的心态，难免也会哂笑，真的不知道他们和菜场卖菜的有什么本质区别~~~现在是一个依靠知识科技来富国强兵的时代了，真正的优势来源于你提前想到了别人还没去想的，提早完成了别人还没有筹备的计划。

他让我学会世界上没有光杆司令，我们必须学会合作。一个人的能力是有限的，一个人的时间也是有限的，同样公司，国家都是一样的。我们知道谷歌，亚马逊，facebook以及中国的阿里巴巴，百度，新浪这些企业都很强大，可是他们仍然在不断收购合并整合其他一些小的公司，为的是引用他们的科技技术来强大自己的事业版图。

它还教会我在机会面前必须要眼疾手快。在你还在犹豫不决或是自我陶醉的时候，你的对手已经用一个非常低廉的价格得到了他想要翻身的王牌，当你发现时，要么花大血本去换取一张相似的王牌，要与他赤身搏斗。大部分情况下那些聪明的人往往会选择前者，因为他们知道宁可为自己现在的失误埋单也不会让自己靠近万丈深渊。因为若丧失了主动权，那么很有可能导致的结果就是，那个原来看起来微不足道的“小木桩”却扳倒了你这体积庞大的“大象”。

说了这么多大数据给我的启示，其实就是想突出大数据背后的那种神奇的力量。在近代我们似乎与每一样新的科技都失之交臂，但是这一次我们似乎还有机会和时代同步伐，甚至如果我们足够重视，可能还会走在时代的前沿。虽然我们现在谁都没有把握中国到底会利用大数据到什么程度，但已经有好多像周涛一样的有志之士看好中国在利用大数据上的实力，并且付诸了他们的努力。他们一直都坚信以前的落后仅仅是时间上的后知后觉，他们在这一次想

要做到与世界同步，和欧美同步发行此书，在最早一刻就向大家推广大数据这一新名词，向大家灌输着大数据的思维。对此，我也很庆幸，在恰当的时间点与大数据的偶遇。

当然，世界上没有十全十美的东西，再好的发明总是有它的缺陷，大数据也不会例外。舍恩伯格这个对大数据最有权威发言权的人，既然有能力将大数据的好处讲得淋漓尽致，毫无疑问自然也是最清楚大数据危险的人。我很尊敬他的严谨和坦诚，他在细致入微地解释大数据革命性优势的同时，毫无修饰地点明了大数据的劣根性。他很准确地说明了如果我们滥用或误用数据，我们将会受到毁灭性的打击，后果将会如何不堪设想，并且这篇幅一点都不敷衍。作者非常专业，他并没有像某些专家一样，一味地鼓吹自己的“一家之言”。而是在我们头脑发热，一哄而上之前，就给我们非常而且深刻的警醒。这也正是大数据思维的其中之一：馈前控制。

读完这本书以后，我有的确一点蠢蠢欲动，因为它让我觉得大数据并没有像想象的那么遥不可及。书中说，会好好利用大数据的有三种人：第一种是拥有庞大数据库的政府或者商业机构，他们之前只是不知道那些尘封已久的数据还可以创造巨大的价值。第二种是利用技术手段，让数据发挥它独特功能，从而帮他们解决实际问题的数据分析学家，统计师，精算师和其他一些有关于处理数据的相关人员，他们非常了解数据的状态，结构和特征。的确这两类人实力雄厚，前者拥有数据本身，而后者拥有技术。但他们有着同样的短板，那就是他们没有更为创新，灵动的视野，他们很难或者说没有更多的时间去发现那些数据的真正力量。因为他们有太多的思维定式，但种种利用大数据的成功事例表明，每次数据创造的奇迹总在那么的偶然和不经意之间。而这正是我们第三种人的长处，我们没有思维定式，更有闲暇的时间来感受生活，激发灵感。篇三：大数据时代读书笔记

大数据时代——读书笔记

一、引论

1.大数据时代的三个转变： 1.可以分析更多的数据，处理和某个现象相关的所有数据，而不是随机采样 2.不热衷于精确度

3.不热衷与寻找因果关系 2.习惯：用来决策的信息必须是少量而精确的。实际：数据量变大，数据处理速度变快，数据不在精确

3.危险：不是隐私的泄露而是未来行动的预判

二、大数据时代的思维变革 1.原因：没有意识到处理大规模数据的能力，假设信息匮乏，发展一些使用少量信息的技

术（随机采样）

1.1086年 末日审判书 英国对人的记载 2.约翰·格朗特：统计学，采样分析精确性随着采样随机性上升而大幅上升，与样本数

量关系不大

3.1890年，穿孔卡片制表机，人口普查 4.随机采样有固有的缺陷 1.采样过程中存在偏差 2.采样不适合考察子类别

3.只能得出实现设计好的问题的结果 4.忽视了细节考察

2.全数据模式：样本=总体 1.通过异常量判断信用卡诈骗 2.大数据分析：不用随机抽样，而是采用所有数据。不是绝对意义而是相对意义。

（xroom信用卡诈骗，日本相扑比赛）3.多样性的价值（社区外联系很多》社区内联系很多）3.混杂性而非精确性 1.葡萄树温度测量：数据变多，虽然可能有错误数据，但总体而言会更加精确。2.包容错误有更大好处

3.word语法检查：语料库》算法发展 4.google翻译：让计算机自己估算对应关系，寻找成千上万对译

结论：大数据的简单算法好过小数据的复杂算法 5.大数据让我们不执著于也无法执着于精确 6.mit的通货紧缩软件：即时的大数据 7.标签：不精确

8.想要获得大规模数据的好处，混乱是一种标准途经 9.新的数据库：大部分数据是非结构化的，无法被利用 10.hadoop：与mapreduce系统相对的开源式分布系统，输出结果不精确，但是非常快 结论：相比于依赖小数据和精确性的时代，大数据因为更强调数据的完整性和混杂性，帮助我们进一步接近事情的真相。“部分”和”确切“的吸引力是可以理解的。但是当我们的视野局限在我们可以分析和确定的数据上时，我们对世界的整体影响就会产生偏差和错误。不仅失去了尽力收集一切数据和活力，也失去了从不同角度观察时间的权利。

三、不是因果是相关 1.知道是什么就够了，不需要知道为什么。1.亚马逊放弃书评组，使用大数据预测人们的未来购书需求 2.2.在小数据世界，相关关系有用，但是大数据背景，相关关系大放异彩。通过找关联 物，相关关系可以帮助我们捕捉现在和预测未来 1.a和b经常一起发生，那么a发生时可以预测b发生 2.例子：沃尔玛把飓风用具和蛋挞放在一起 3.过时的寻找关联物的方法 a)原因：数据少且收集花时间 b)在建立，应用假想和选择关联物时容易犯错误 c)结论：我们不需要人工选择关联物 3.大数据的相关分析法更准确，更快 1.例子：fico我们知道你明天会做什么 2.伊百丽：根据个人信用卡交易记录预测个人收入，防止逃税 3.aviva：根据生活方式数据预测疾病 4.美国零售商target：通过购买习惯预测是否怀孕 4.通过找出新种类数据的相互联系解决日常需要：找到关联物并监控，我们可以预知未来

1.例子：ups与汽车修理预测 2.新生儿健康监测：肉眼看不到，但是计算机能看到 5.当收集分析和储存数据的成本较高时，应当适当丢弃一些数据 6.数据的非线性关系 1.幸福的非线性关系 7.快速思维模式使人们偏向于用因果关系看待周围的一切，因此经常对世界产生错误认识。这也使大脑为了避免辛苦思考而产生的捷径。大数据会经常被用来证明我们习惯的思维方式是错误的。8.证明因果关系的实验开销大，难于操作；相关关系很有用，不仅是因为能为我们提供新的视角，而且提供的视角都很清晰。一旦我们考虑因果关系，这些视角会被蒙蔽。9.大数据并非是理论消亡的时代。

四、一切皆可量化 1.莫里的信息交换计划：总结所有船只的航海日志已获得好的航线，为第一根大西洋电缆奠定基础

2.坐姿研究与汽车防盗系统 3.数据化

1.把现象转变成可指标分析的量化形式的过程 2.计量和记录促成了数据： 1.阿拉伯数字 2.计数板 3.复式记账法

3.数字化与数据化的区别

1.例子：google的数字图书馆：开始使用扫描-》数字化，进而光学识别-》数

据化。google借此改进自己的翻译 2.文化组学：定量分析揭示人类行为 4.文字变成数据：人可以阅读，机器可以分析 5.方位变成数据：需要一套标准的标记系统和收集，记录数据的工具。1． 始于古希腊

2.1884年，国际子午线会议 3.1978年，全球定位系统 4.英国汽车保险

5． ups的最佳行车路线：减少左转 6.收集用户地理位置数据，以便进行忠诚度计划。或者可以预测交通情况 6.现实挖掘

1.处理大量手机数据，发现并预测人类的行为。2.例子：预测流感隔离区域 3.例子：通过非洲预付费用户的位置信息和他们账户的资金，发现贫民窟是

经济繁荣的跳板 7.沟通变成数据

1.facebook：社交关系数据化

号。新推特频率可以预测电影票房

可能性呈现正相关 8.万物数据化

1.触觉地板：适时开关灯，确定身份，某人摔倒之后是否站起来 2.人体传感器：监控健康状态 4.结论：世界的本质是信息和数据，大数据提供新视角。

五、大数据的潜在价值 1.例子：captcha（验证码，全自动区分人类和电脑的图灵测试）与数据再利用。作者使用了新的验证码recaptcha，人们从计算机光学字符识别程序无法识别的文本扫面项目中读入单词并输出，知道他们都输出正确后才确定（用来破译数字化文本中不清楚的单词）2.大数据时代，所有的数据都是有价值的。现在，我们能够以较低成本获取并存储数据。数据的真实价值就像漂浮在海洋中的冰山，绝大部分隐藏在表面之下。3． 不同于物质性的东西，数据的价值不会随它的使用而减少，而且可不断被处理。意味着数据的最终价值远远大于它的最初价值。在基本用途完成后，数据的价值仍然存在，数据的价值是其所有可能用途的总和。4.例子：ibm与电力汽车动力系统的优化预测：大数据预测模型，甚至考虑天气预报 5.数据再利用：

1． 搜索关键词，搜索结果预测夏天流行色 2.google保存语音翻译记录，开发自己的语音识别技术 3.移动运营商长期使用大数据微调网络性能 4.有些公司可能会收集到大量的数据，但是他们并不急需使用，也不擅长使用数据，但是别的公司可以借此探寻数据的潜在价值 8.重组数据 1.例子：丹麦癌症协会与手机致癌调查：使用所有的手机用户信息和所有的中枢神经系统肿瘤信息。

随着大数据的出现，数据的总和比部分更有价值，当我们将多个数据集的总和重组在一起，重组总和本身的价值也比单个总和更大 9.可拓展数据 1.google街景和gps采集，不仅将其用于基本用途，而且进行了大量的二次利用。例如，对google自动驾驶汽车的运作 10．数据的折旧值

1.随着时间的推移，大多数数据都会失去一部分基础用途，不应用此破坏新数据 2.挑战：如何得知某些数据不再有价值 3.并非所有数据都会贬值。例子：google希望得到每年的同比数据

结论：组织机构应收集尽可能多的使用数据并保存尽可能长的时间。同时也应该与第三方分享数据

11.数据废气：用户在线交互的副产品，包括浏览哪些页面，停留多久，输入信息等 1.数据再利用的方式很隐蔽 2.例子：google的拼写检查：搜集每天处理的查询中数据搜索框的错误拼写 3.例子：google的过滤噪音技术：如果用户点击搜索结果靠后的链接，说明这个结果更加有相关性，google会把这个页面的排名相应提升。4.当用户指出了各种自动化程序的错误，实际上是训练了系统 5.例子：巴诺与数据快照，电子书阅读器捕捉人们阅读书籍的习惯 6.例子：coursera通过捕捉学生犯的错误来提示未来犯错误者

结论：数据废气可以成为公司的巨大竞争优势，和对手的强大进入堡垒 12.开放数据 1.最大的数据收集者：政府，可以强迫人们提供信息，但是信息利用效率低下。最好允许私人运营部门和社会大众访问

2.例子：flyontime网站，通过开放的数据分析航班延误可能性。3.给数据估值：从数据持有人在价值提取上所采取的不同策略入手，将数据授权给第三方

三、角色定位：数据，技术与思维 2.思维转变的重要性 3.三种大数据公司

1.基于数据本身的公司：twitter 大数据最值钱的是他本身，所以应该优先考虑数据拥有者

例子：机票预订系统ita不直接使用数据：担心暴露利润

例子：mastercard通过大数据预测客户的消费习惯 2.基于技能的公司：咨询公司，技术供应商或者分析公司：teradata 例子：埃森哲公司利用大数据检测汽车零件并节省费用

例子：微软分析公司利用大数据降低病人的再入院率 3.基于思维的公司：创新思维

例子：flightcaster飞机晚点预测

例子：prismatic分析新闻并排序 4.大数据先驱者一般有跨学科的知识 5.例子：google和amazon三者兼备 6.全新的数据中间商：从各个地方搜集数据，提取有用的信息进行利用，并不威胁数据拥有者的利益

1.社会需要定向广告

例子：inrix：分析各种汽车制造者的数据和用户的数据，提供卫星导航服务

汽车制造商们本身数据量不够，自身也没有技术利用大数据，也并不介意数据会被中间商利用。同时可以提供失业率等相关数据

例子：quantcast：收集用户访问信息来测评用户年龄等，之后发定向广告

例子：hcci收集医疗保单，分析美国医疗费用上涨是否合理

结论：

1.数据价值的转移：从技术到数据本身和大数据思维 2.传统商业模式颠覆：交易数据而不是交易技术 3.传统专家的光芒会被统计和数据学家取代，因为后者只关心数据 1.例子：谷歌翻译团队的工程师都不会说出翻译的语言 2.真正的专家不会消亡，但是主导地位会改变 3.专业技能只适用于小数据时代，因为那是需要依靠直觉和经验指导，但是

遭遇海量数据时，可以通过数据挖掘得到更多 4.数据和统计学知识将成为现代工厂的基础，人类的价值体现在交流上，以进行广泛而深刻的传播

1.例子：交互式游戏，会根据用户来改良，以数据为基础运作 5.大数据决定企业核心竞争力 1.数据规模决定价值

2.例子：劳斯莱斯通过大数据监测引擎，预测可能出问题的引擎 3.例子：苹果进军手机 4.大数据为小公司带来了机遇：能享受非固有资产规模的好处，低成本传播创新结果，只需要创新思维

5.大数据拥有者会想办法增加数据存储量 6.消费者成为数据拥有者并与中间商交易 7.大数据对中等规模的公司帮助不大：既没有灵活性也没有规模效应 6.大数据撼动国家竞争力：西方世界优势减少

四、大数据时代的管理

1.大数据会带来很多危险，因为其核心思想是用规模剧增来改变现状。2.滥用大数据的力量会伤害人身安全 3.大数据的二次利用颠覆了隐私保护法：无法征得个人同意 4.如果所有人的信息在数据库里，有意识地避免就是此地无银三百两 5.匿名化：交叉检验会检验出来 6.大数据预测：罪责判定基于对个人未来行为的预测。大数据可能会否定人的自由意志 7.数据有其局限性，数据的质量可能会很差，有误导性。8.卓越的才华并不依赖数据：apple乔布斯的才能

五、掌握大数据 1.个人隐私保护：从个人许可到让数据使用者承担责任，因为将责任从民众转移到数据使用者很有意义因为数据使用者比其他人更明白他们想怎么样使用数据，也因为他们是最大利益获得者：监管机制可以决定不同种类的个人数据必须删除的时间 2.信息模糊处理

3.个人应该为他们的行动而非倾向负责 4.打破大数据的黑盒子：大数据算法师：评估数据源，分析数据工具，解读运算结果 1.外部算法师：审计大数据的准确程度和有效性篇四：读书笔记-《大数据时代》

读《大数据时代》 初次见到维克多·迈尔-舍恩伯格教授是在《对话》栏目中，当时谈及当今各种科技信息的变化，然后在主持人的各种提问下，我逐渐了解到“大数据”这个名词，他也是现在对于大数据最有发言权的预言家。一位睿智的人总是能够给人留下很深的印象。然后在中央财经频道的特别节目《指尖上的商机》系列节目中，也谈及到大数据对于当今时代的影响和蕴藏的巨大商机。

读一本好书就像与智者交谈。今天我翻读《大数据时代》，细细品读这位智者给我们的礼物。我们首先应该明白一个概念“大数据”，他不是单单的说数据很大，或者数据很多的意思，真正的意思是：不用随机分析法这样的捷径，而采用所有数据的方法。它告诉我们一种超越现在的对于数据的一种分析方法，这个方法建立在尽可能多的数据上。下面让我们合上此书，让他从我们的思想深处开始发声吧。

首先，大数据时代是建立的基础就是有一个很庞大的数据库，我们分析的对象不是抽取样本，而是用全部的数据作为样本，“样本=总体”。这样我们能够把要调查的对象精确到每一个个体，我们能够对每一个个体提供个性化分析和服务。我们会摆脱抽样样本的误差和失误，同样我们能够细化我们研究的对象和分析的数据。我们分析的适合一个大的整体，也适合每一个个体。这是大数据分析的基础。

第二，大数据是由很多不同的纷繁复杂的数据汇总在一起的，我们必须接受他们的复杂性和不精确性，我们的研究方向除了寻找因果关系之外，增加了一种相关关系的研究。我们通过数据之间的关系，分析得到我们想要得到的结论或者是模型。在这里我们应该重点看一下，相关关系是我们打开的另一扇窗，而不能关闭因果关系的现在开着的窗户。我们开始重视相关关系，但是不能放弃对于因果关系的研究。作者也在文中阐释我们的生活还是需要因果关系的，甚至我们需要大数据算法师，我们需要了解“黑匣子”中的神秘。这是大数据时代我们应该正确认识的。

第三，大数据的原始来源是用不同的方法收集，为了有尽可能多的数据，我们现在有了电脑，搜索引擎，智能手机，可穿戴设备，社交平台，还有无数的传感器等等，我们可以把文字，位置，动作，喜好等所有的世界进行量化，他都可以用数字表示，这就是我们所有的纷繁复杂的原始数据，他们是一座钻石矿，由于无数种的相关组合可以不断地挖掘出我们所需要的信息。这是我们不断利用大数据的基础。我们需要不断更新的数据。

第四，未来在过去的尘埃中。我们分析大数据最大的作用就是预测未来，知道下一步你会做什么，知道下一个最危险的事物或人。我们用什么方法预测未来。这是一个商业，政府，甚至世界的时代，我们分析的方法就是动用自己敏锐的思维发现相关性，然后动用我们的数据分析工具对其进行相关性分析，最后我们用统计学研究出一个模型。通过模型我们能够预测未来。大数据分析的关键就在于数据，思维和技术。现在我们有快速分析的工具，正在不断收集数据，那么最重要的就是人类的思维，一个能够分析相关性，能够创新使用数据的思维。在大数据时代我们需要把统计学，软件工程师和创新思维结合在一起的人才。

第五，我们能够知道每一个人的位置，喜好，关注什么，即将干什么等等，对于每个人来说都是一个很可怕的事情，如果我们赤裸裸的暴露在阳光之下，或者我们正在暴露中，我们的隐私应该受到保护，这也是大数据时代一个亟待解决的问题，尽管我们匿名分析信息，到最后我们还是能够精确到个人，我们需要有人负责，这是安全问题，自由和科技或商业的发展产生矛盾，我们应该何去何从？我们担忧的，相信会有人来解决。这涉及到我们每个人的利益。

7.国际巨头入华搅活国内大数据市场 篇七

有数据显示, 大数据在未来将带来500亿美元以上的市场。在中国, 市场的飞速扩张与发展正受到互联网厂商、运营商、企业客户等产业链上下的关注。

如果说前几年的大数据应用还是少数企业的“尝鲜”, 那么进入2015年后, 面向企业的大数据应用在技术、市场经过酝酿后, 或将开始显著增长。特别是在国内, 一些国际新兴的大数据巨头供应商已将目光投向中国。

加快中国大数据应用步伐

目前供应商主要面向企业用户提供大数据一站式部署方案, 覆盖数据中心和服务器等硬件、数据存储和数据库等基础软件、大数据分析应用软件以及技术运维支持等方面内容。其中, 大数据基础软件和应用软件是大数据解决方案中的重点内容。当前, 企业提供的大数据解决方案大多基于Hadoop开源项目, 例如IBM基于Hadoop开发的大数据分析产品Big Insights、甲骨文融合了Hadoop开源技术的大数据一体机、Cloudera的Hadoop商业版等。

传统的IT厂商和新兴的大数据创业公司是大数据供应商的主力, 但在国内, 有专家指出虽然也有一批本土IT厂商推出大数据解决方案, 但总体上实力较弱, 产品在一些关键行业还未形成影响力, 新兴大数据解决方案初创企业也凤毛麟角。

就在年关口, 国际厂商Cloudera12月正式进军中国市场。

据悉, Cloudera对中国市场的进入, 离不开英特尔这个关键因素。在2014年3月, 英特尔宣布向Cloudera投资7.4亿美元, 成为Cloudera最大战略股东, 并且两者合作被业界视作实现了硬件平台与软件平台的优势互补。同时, 此前英特尔在中国大数据市场的实践已有目共睹, 典型案例便是协助中国联通搭建了全国最大的Hbase集群。

继承英特尔资源打造“本地公司”

“这不是一家简单的美国公司, 而是由本地中国领导团队和技术团队统一组成的本地公司, Cloudera大中国区在北京、上海、广州设有分支机构, 目的是为了更好服务中国本地客户和合作伙伴。”Cloudera创始人兼CEO Mike Olson表示。

在Mike Olson看来, 拥有13亿人口的中国, 势必在大数据方面拥有很多机会, 而这些机会在全球任何其他地方很难看到, 例如平安城市和智慧城市等项目。Cloudera在中国的发展, 一是对于一些共性问题, 如金融部门反欺诈、反洗钱等, 可以把国外成功经验带到中国;二是对于中国客户的特性问题, 将与中国团队、合作伙伴、用户一起攻克。

据悉, 目前Cloudera在中国有22人的稳定队伍, 同时团队主要与英特尔合作, 英特尔把关于Hadoop产品支持、营销团队均转移到Cloudera。“虽然是一个新的Cloudera团队在中国落地, 但这个团队过去3年在大数据、Hadoop领域里积累了足够经验, 和英特尔服务的是同一组客户, 在中国有成功的案例、成功的实施和成功的解决方案。”Cloudera全球副总裁大中国区总经理凌琦表示。

目前Cloudera中国团队的主要业务与全球Cloudera一脉相承, 核心业务是软件研发以及营销, 同时提供专业服务和认证培训。

Cloudera与英特尔的合作除了体现在技术支持团队方面外, 据Mike Olson介绍, 合作还体现在战略合作层面, 将利用共同的产品路线图推动行业发展, 并且在合作伙伴及渠道方面, 英特尔已在全国拥有众多合作伙伴, 双方将共享客户信息及客户支持方面的需求。“英特尔和Cloudera的战略联盟, 将保证各自领域的优势会得到充分的发挥和体现。”

实际上, 在过去3年多时间, 英特尔在中国已有覆盖电信、智能交通、医疗的成功案例, 随着全新的合作关系的达成, 现有业务和平台的迁移也成为部分英特尔客户所关心的问题。

据英特尔大数据技术中心经理王晓栋表示, 为保障客户工作负载顺利迁移, 双方已共同承诺提供中国客户便利地从Intel分发版向新的Cloudera分发版迁移的计划。同时在最新Cloudera 5.3版里将完成Intel分发版合并进入Cloudera分发版的工作。

Hadoop商用版日益受青睐

Cloudera在Hadoop生态领域有着重要位置, 有数据显示目前Cloudera免费版在国内市场已经占据了80%的份额, 并且越多的用户开始转向收费的商业版本。

凌琦认为, 随着大数据应用逐渐走向成熟, 越来越多的Hadoop应用将会逐渐从核心系统外的轻型应用转变至关键性业务, 而这时企业需要有专业的服务和更加稳定的平台。同时, 随着用户群体的增加, 用户系统集群规模和复杂度的增加, 越来越多的客户将倾向于选择商业版本, 并选择专业服务。“我们将从两个方向发力, 一个是怎么利用大数据使企业运作的成本更低, 第二是通过大数据挖掘价值, 使企业的发展更快。”

Mike Olson强调在大数据商业化发展过程中离不开产业链上下的合作。当然, 目前Cloudera已经有了英特尔这个强有力的合作伙伴, 并在全球拥有超过1300家合作伙伴。除此之外, 凌琦表示Cloudera在中国将继续和OEM伙伴、系统集成商、国内软件厂商等合作伙伴共同成长。

8.甲骨文抢占大数据市场 篇八

在大数据市场，甲骨文沿袭了其一贯的软硬一体的思路：以大数据机作为获取大数据的源头，再配合其数据库云服务器Exadata、商务智能云服务器Exalytics以及其他相关软件（如NoSQL数据库、R分析等）组成了一个“豪华阵容”来全面满足用户的大数据需求。 “Oracle大数据机、Exalogic中间件云服务器、Exadata以及Exalytics一起组成了甲骨文的高度集成化端到端的大数据解决方案，可满足企业对大数据的处理需求。” 甲骨文公司副总裁兼大中华区技术总经理喻思成表示。

据悉，Oracle大数据机是一款软硬一体、集成设计的系统。该数据机采用18台Oracle Sun服务器的全机架式配置，总共拥有864 GB主内存、216核CPU、648 TB原始磁盘存储空间。 Oracle大数据机还集成了Cloudera公司的Distribution Including Apache Hadoop（CDH）和Cloudera Manager软件，同时还集成了很多Oracle的特色软件，包括：

Oracle NoSQL数据库：Oracle NoSQL数据库专门为管理海量数据而设计，可以帮助企业存取非结构化数据，并可横向扩展至数百个高可用性节点。

分析沙盒：通过分析沙盒，企业可获得分析工作区，控制对资源和数据的访问，而且完全不影响生产系统。

针对Hadoop 架构的系统：Oracle大数据机中的开源Apache Hadoop、Oracle数据集成Hadoop应用适配器、Oracle Hadoop装载器、Oracle Direct Connector，可以帮助企业充分应对大数据带来的挑战。