大数据时代的数据分析精选(十四篇)

序言：作为思想的载体和知识的探索者，写作是一种独特的艺术，我们为您准备了不同风格的14篇大数据时代的数据分析，期待它们能激发您的灵感。

篇1

【关键词】大数据 数据分析 数据分析师

近年来，业界、学术界兴起了大数据讨论，一夜间大数据时代到来了。大数据给学术界带来了新的思潮，大数据正在颠覆着很多传统行业的模式，带来变革。有人预测，大数据必将成为商业、政府、科研、教育、医疗等各行业面临的一个挑战。在大数据时代，数据分析、数据挖掘工作面临着机遇与挑战，本文从数据分析的角度，结合国内外相关研究，试图回答大数据是什么，如何应对大数据的问题。

一、认识大数据

（一）大数据的宗旨：经过分析的数据才有价值

大数据要发挥作用必须经过分析，这是由大数据的4V特性（数据量大、数据类型多、要求处理速度快、低密度）决定的。也就是说，数据都是高维、低密度的，从单个数据中难以看出规律。因此，必须经过分析，针对高维进行降维，提炼大量低密度信息中的价值，才能发挥作用。否则，大数据背景下，反而更容易使得“活”信息混迹在大量“死”数据中被淹没。面向大数据的分析要“简单、迅速、规模化”。

（二）大数据的目标：实现基于数据的决策与资源配置

大数据最终要实现科学决策，基于信息对称的有效资源配置。随着大数据分析技术的发展，可利用数据来源从线下封闭的数据库、数据仓库扩展到开放性的O2O（Online To Offline）融合数据，可分析数据结构从原来以数值为主的结构化数据发展到涵盖文本、视频、音频等多媒体数据。从而，大数据将逐步改变我们的决策目标和社会资源配置方式。基于数据的科学决策是一贯追求的目标。然而，信息不对称是常态，因此传统决策目标是建立相对满意而非最优（决策科学家Simon提出），资源配置效率基于市场优于基于计划。大数据背景下，迅速获取分析更多辅助决策信息成为可能，因此决策目标可实现向最优的无限逼近，实现基于数据的“计划”资源配置将更有效率。

（三）大数据的角度：个性化服务+中观指数+宏观连结

目前发展大数据，主要有基于数据为客户提供个性化营销服务、预测中观行业或区域趋势指数、基于连结的宏观资源配置方案等角度。这不仅仅体现在阿里小微融资的个性化风控决策、高端品牌在线特卖品牌和定价动态决策（基于阿里巴巴网商活跃度指数和零售商品价格指数）、Discern group企业发展战略咨询报告上，还体现在阿里巴巴商务智能指数（预测经济发展态势）和基于公共气象数据的各行业资源配置优化服务上。

互联网金融是大数据发展各角度的前沿阵地。在金融领域，要实现从金融互联网向互联网金融的快速转型。传统模式下的金融企业开展网上业务，如：网上银行、网上理财，并不是真正的互联网金融。互联网金融是指通过互联网新技术为客户实现搜索或风控等服务增值，比较有代表性的是，消除供求双方结构不对称的P2P贷款，提高存取效率的保值理财产品余额宝。

（四）大数据的关键点：保证数据质量

要发展大数据分析，首先要保证数据质量。错误的输入必然导致错误的输出。没有数据质量，一切都是浮云。数据质量没有保证，是不敢用的。数据质量是一项耗时、费力的基础工作。

保证数据质量要求数据采集与清洗过程中秉持两大原则：相关性和低噪声。第一，大数据，数据并非越“大”越好，而是相关数据越“大”越好。特别是，在数据采集中，要以采集尽可能多的“相关”数据为目标，而非不加筛选越多越好。第二，大数据，首先数据获取时要保证不存在诱导倾向的干扰因素，同时进行去噪处理。

保证数据质量要建立数据的数据。针对数据质量建立数据标签，才有进步。有了对数据质量的数据，数据才能被决策者更为安全科学有效地使用。

（五）大数据竞争的核心：分析人才的竞争

大数据时代，作为一种资源，数据不再是稀缺资源。互联网、门户网站、社交网站、微博、微信等新媒体积累了大量数据，缺乏的是对这些数据的分析人员。缺乏专业的分析人才，即使守着数据的“金山”，也只能望“山”兴叹。因此，美国Turbo Financial Group采用最新的大数据分析技术聚焦被FICO遗忘的15%人群建模，阿里提出建立大数据分析的开放式平台，希望能够集结更多专家智慧，同时培养阿里分析人才，挖掘阿里数据“金矿”。

二、把握大数据

大数据对社会生活带来方方面面的影响，我们如何把握大数据时代的机遇，需要慎重对待大数据带来的挑战。总结起来，主要有三个方面：

（一）大数据时代，数据整理和清洗工作

（1）数据整理和清洗工作是数据分析的基础。大数据专家根据经验，普遍认为该工作是一项基础性工作，耗时多且简单，占到数据分析工作量的60%以上，是数据分析前提和基础。在此基上，数据分析工作需要对数据进行标识，进行深度分析，撰写专题报告，确保结果可以执行，最终落实到决策和实施。

（2）大数据时代，需要充分借助IT技术管理数据质量工作。在大数据时代，人工逐笔发现、解决数据质量问题的方式成本高、效率低，不可持续。要尽量规范化、系统化、自动化管理数据质量工作，将节省下的人力资源投入到新问题的研究中。

（二）大数据时代，数据分析的特点

（1）采用倒金字塔模式分配“思考、工作、分享”的时间比重。数据分析工作包括三部分：“思考”，分析实际问题，将实际问题转化成数学模型，提出解决方案的过程；“工作”，将解决方案程序化，得出结果的过程；“分享”，将分析的结果，转化为决策，付诸实施的过程。在时间分配上，金字塔结构或柱形结构的分布形式不是最佳结构，倒金字塔结构比较合理。即，思考的过程花得时间长些，可以减少后期工作量，少走弯路。

（2）通过数据分析进行科学决策。很多人存在误区，认为数据分析就是做报表、写报告。在大数据时代，数据分析不仅仅停留在此，需要进行深度分析，建立数据化决策的流程。要尊重数据、认识数据，但不迷信数据。在尊重数据、尊重事实的前提下，减少主观因素的干扰，快速做出数据化决策，这是一种能力。

（3）大数据时代，数据分析的要义是――简单、迅速、规模化。数据分析的结果要简洁、易懂；数据分析的时间要短，尽可能的自动化地出结果，要快速的满足客户的需求；数据分析的方法能够实现大批量规模化。优秀的数据分析师应具有全局的预见性，一有问题可以马上把该问题打成很碎、很多的问题，甚至把一个问题克隆出很多问题，从而与业务人员建立信任，降低工作量。

（4）从“死”信息中，分离出“活”的信息。大数据有数据量大的问题――产生大量的“死”数据。错误数据是指数据与实际情况不一致，异常数据是指数据正确但数据远离群体的大多数，这类数据情况的处理手段比较成熟。而大数据时代，大量数据是不活跃主体，即“死”数据。因此，需要从高维低密度数据中，提取“活”的信息，发现规律。防止由于“死”信息的存在，导致分析结果不能正确反映“活”的群体特征。

（三）大数据时代，数据分析师的培养

（1）培养核心技术人才，确保长期竞争力。美国在建立全国医疗系统时，将系统外包给了加拿大的一家公司，系统运行的第一天就出现了崩溃。美国政府为此对该模式进行了反思，概括起来有三点：①外包公司设计时只顾满足甲方的眼前利益，不会为甲方的长远利益考虑；②项目外包造成美国技术骨干人员断层，导致出现问题后自身无法解决；③采用该模式导致美国没有了核心技术。

因此，在采用项目外包模式的同时，需要掌握其核心技术。在大数据时代，从数据分析、信息管理、IT技术三个方面保持核心竞争力。需要培养和保持业务、产品设计、数据分析、数据架构等方面的骨干队伍。

（2）建立专业化的大数据分析团队。大数据分析的核心是数学建模，基础是实际业务，结果是自动化程序。在实际工作中需要正确、合理的使用数学建模的思维，构建以数学模型做为基础的数据分析，建立量化管理风险的理念。深刻认识并正确驾驭大数据分析，大数据分析的方法是处于不断发展过程中的，需要根据实际问题，结合实际数据，灵活构建模型。

参考文献：

[1]朱建平，章贵军，刘晓葳.大数据时代下数据分析理念的辨析[J].统计研究，2014，（2）.

篇2

关键词：大数据时代 数据分析 理念 辨析

中图分类号：C8 文献标识码：A 文章编号：1674-098X（2017）01（c）-0136-02

近年来，对大数据的研究和应用已经受到我国各界人士的广泛关注，国家统计局已经把信息处理技术列为关键性的创新技术工程之一。随着我国大型计算机的迅速发展，处理大规模的复杂数据的能力逐渐提升，从这些大数据中提取有效信息的能力也逐步加强，毫无疑问，我国进入大数据时代的脚步将会进一步加快，人们将会感受到大数据时代下给其带来的生活、工作上的便利。

1 大数据和大数据时代简介

1.1 大数据

大数据是指远大于一般数据的巨量资料，需要人们通过全新的处理模式才能获取其中有价值的数据信息。“大数据”这一概念最早由维克托在《大数据时代》一书中引用得来，最开始对其定义为：不通过传统的随机分析方法直接对所有数据进行分析处理，主要有大量、高速、多样和价值4个特征。

大数据可以分为大数据技术、大数据工程、大数据科学和大数据应用等领域。目前受到最多应用的是大数据技术和大数据应用。人们通过收集数据，提取有效信息就可以为企业发展或者社会活动提供最有效的实施途径。因此，可以这样说，在大数据的王国里，最成功的企业就是那些善于运用机遇的公司。

1.2 大数据时代

大数据时代是建立在信息时代的基础上，通过互联网、物联网等渠道广泛搜集海量数据资源并对其进行存储、提取和展示。在大数据时代，几乎所有人都能够享受从任一数据中获得所需要的信息，大数据时代也具有社会性、广泛性、公开性和动态性4个特征。大数据时代的发展将会引领社会众多领域和行业的变革，对人类的生产、生活方式产生深远影响。

在大数据时代下，传统的数据分析思想已经不再适用，应该做出改变。首先，应该转变抽样思想，大数据时代下的样本即总体，已经不再依靠少量样本分析事物的相关规律；其次，要转变数据精确测量的思想，大数据时代要学会接受繁冗复杂的多样性数据；最后要转变探究事物的因果关系思想，转为研究事物的相关规律。以上思想的转变，均与统计学有关，因此，下面将分析大数据对统计学带来的具体影响。

2 大数据对统计学研究工作的影响

2.1 大稻莘岣涣送臣蒲У难芯慷韵

大数据影响的领域范围非常广泛，在大数据时代，不仅能够对以结构数据为度量单位的客观主体，还可以对不能用数据衡量关系的文本、图片、音像等非结构数据进行分析，大大扩展了传统统计学的研究范畴。

2.2 大数据影响统计学的工作进程

统计学是对所搜集的数据进行整理和归纳的方法论学科。大数据时代的资料十分丰富，分析数据已经不再需要抽取样本了，因为数据总体即是样本。此时，传统的统计学抽取样本分析的工作方法已经不再适用，而是被现代化通过传感器自动采集数据的方法所取代。

3 大数据时代下数据分析理念辨析

3.1 数据分析理念

传统的数据分析是指用统计学方法将收集的数据资料进行系列分析，以便最大化地开发数据中的功能，从中提取有价值的数据，再和未经处理的数据进行对比，发挥数据的作用。大数据时代下的数据分析，由于数据量非常大，数据本身的动态特性使人们要研究的数据难度加大，因此，大数据时代的数据分析一般利用统计学的理念，采用更广泛的方法统计和分析数据，以此摆脱对数据样本的依赖，也可以避免数据的流动性给分析结果带来的不确定性。大数据时代更加注重数据的增值分析工作，研究数据的未来走向，使其中有价值的数据可以增值，将有效数据有机整合，能够及时发现问题和解决问题。

3.2 数据分析的主要程序

3.2.1 数据整理

统计数据的整理主要分为4个步骤：审核统计资料、对资料进行分组、汇总和编制统计表格或图表、保管和公布。当统计对象为数据资料庞大、类型复杂、要求处理速度快的大数据时，这些步骤就显得繁冗了，尤其是图表的绘制是没办法实现的，因此，只需要对资料进行审核和存储。大数据的审核和存储不同于传统意义上的数据审核和保存，大数据时代利用先进的现代化工具进行数据的审核和保存。

3.2.2 数据的开发

传统数据的样本量较小，目的主要着眼于解决问题，数据的时效性较强，数据的使用价值会随时间流逝而降低。而大数据的流动性很强，随着时间的推移会越来越壮大，而且具有推陈出新、价值重塑的可能，因此，在大数据时代，数据是会不断增值的，开发大数据，是一项有重要意义的工作。

3.2.3 数据的应用

其中分别对教育、运输、消费品、电力、石油与天然气、医疗护理、消费金融等进行分析和预测。根据这些行业的特点，可以总结出大数据挖掘商业价值的基本方法为：客户群体细分，为每个群体量定特别的服务；模拟现实环境，发掘新的需求的同时提高投资的回报率；降低部门联系，提高整条管理链条和产业链条的效率；降低服务成本，发现隐藏线索产品和服务的创新。从图1中可以看出，大数据的应用群体十分广泛，能否对获取的数据及时、迅速处理，对该行业的发展具有重要意义。

4 结语

该文主要对大数据时代下数据分析理念进行了相关的分析和研究。首先对大数据及大数据时代的概念做了简要阐述，接着分析了大数据对统计学的两点影响，最后分析了大数据时代下的数据分析理念。总而言之，在现代社会，大数据的应用已经成为时代新的特征，能否从海量数据中提取有价值的信息做出相应的预测，对于企业或者个人的发展具有重要意义。

参考文献

篇3

关键词：财经类高校；数据分析课程；课程建设

中图分类号：G64 文献标识码：A 文章编号：1673-9132（2016）34-0040-03

DOI：10.16657/ki.issn1673-9132.2016.34.020

一、引言

随着大数据时代的到来，数据分析在各行业的重要性日益凸显出来。大数据时代要求人才具有极强的“数据视野”、“数据意识”和“数据能力”，即对所处行业数据的形式种类详尽把握，对数据的作用深刻理解，对数据分析方法和分析软件熟练运用。其中“数据能力”是前两者的基础，是实现大数据所有思想和理念的根本保证，是现代经济管理人才的重要基本素养和技能。

我国的财经类院校肩负着为社会培养经济管理类高级专业人才的重任，在大数据时代，社会对于经济管理类高级人才在数据分析方面的要求极大增加，现代经济管理理论的发展趋势也体现出越来越重视数据分析的特点。这要求人才既有深厚的经济管理理论功底，又能够熟练使用数据分析工具对业务数据进行分析，并得到结论。特别是在研究生教育层面，对数据分析能力培养更加重要。

然而，目前在研究生数据分析能力的培养方面各财经类院校均存在着较多的不足。首先是覆盖面小，除各院校的统计学院（或类似学科的学院和专业）外，强调这方面能力的培养的学院和专业较少，导致研究生对数据的运用和分析能力不足；其次是形式单一，主要以课堂教学为主，完全忽视了数据分析的实践性，教学效果不好；再次是教学所用软件平台薄弱，多数使用SPSS，极少数专业学习SAS，对于在学术界和业界非常流行R语言、python等平台则少有涉及。因此，合理设计数据分析类型课程，提高经济管理类研究生在数据分析方面的理论水平与实践能力，是广大财经类高校不得不面对的迫切问题。本文讲就财经类高校数据分析类课程的特点、建设思路和建设方案，结合笔者在教学实践中的一些心得谈一谈自己的看法。

二、财经类高校数据分析课程的特征

数据分析的目的就是从数据中提取有价值的信息，进而形成知识。因此在绝大多数专业领域均有大量的数据分析需求，对人才的数据分析能力均有较高的需求。从财经类高校的专业分布看，可以把对数据分析能力的需求分成三个不同的类型。

第一类是以统计学院、信息学院（或类似学科的学院和专业）。这两类专业的教学主要突出理论性、基础性和方法性，立足于对学生的“数据视野”、“数据意识”和“数据能力”进行全面训练，使学生能够在毕业后在任意领域迅速承担起高级数据分析的任务。

第二类是经济学门类的相关学科。这类学科对于数据分析教学的要求偏重应用，即学生的“数据视野”、“数据意识”，但由于部分专业（如数量经济学）对数据分析能力要求较高，因此对于“数据能力”的培养也需要兼顾。

第三类是管理学门类的相关学科。当前的管理学实践离不开数据，对数据分析教学主要是应用层面的。要求学生具有良好的学生的“数据视野”和“数据意识”，而对于学生的“数据能力”的培养则并没有太高要求。

三、财经类高校数据分析课程建设的思路

基于上述分析，研究生数据分析课程建设应当采取分层设课的原则，基于不同的教学需求，设置不同的课程群。

对于上述第一类专业，需要在专业核心课程群的基础上，重点建设大数据相关课程。如分布式计算、非结构化数据分析、R语言、python语言等。在教学中，案例化教学和上机实操应当成为教学的主要形式，尤其软件类课程应当在机房进行，保证学生有足够时间熟悉操作并能随时与教师互动。

对于上述第二类专业，需要以一门基础课程为先导（如统计学导论），在配合若干专业课与软件课的组合，如计量经济学、时间序列分析、纵向数据分析与Eviews、SAS和R语言的配合。在教学时，理论与实操并重，在实操方面突出学生的软件使用能力训练，SPSS类型的软件不应当成为此类专业的主要数据分析平台（学生应当在学习专业课程时自主学习使用）。

对于上述第三类专业，可以考虑以一门数据分析课程为基础，配合合适的软件平台，同时在其他专业课程教学中突出各个课程的数据分析教学内容和实践环节，既可以基本达到教学目的。这类课程教学的重点在于对数据分析方法模型的理解，切忌死记硬背，同时辅以一定的案例和上机实操。在软件平台使用上，以SPSS这类拥有完善的GUI环境，所见即所得的平台为主，也可以使用R语言强大的图形能力作为演示工具，在演示的同时潜移默化地使学生了解R系统，进而为其进一步学习建立基层。

四、财经类高校数据分析课程建设方案――以R语言课程为例

在上述三类专业的数据分析课程建设中，R语言均扮演了重要角色。因此本部分将以R语言课程为例介绍建设方案。

（一）R语言的优势

R语言作为功能全面地数据分析平台，在国际学术界和业界得到了广泛的认同，是应用最普遍的数据分析软件之一。与其他统计分析平台（如SAS、SPSS、S-PLUS等）相比，R语言具有若干明显的优势：

第一，完全免费，完全开源。与SAS多达几十万元的价格相比，R语言是一个完全免费的平台，且功能同样强大。

第二，安装简便，更新迅速，功能完善。R语言的安装对于硬件的需求很低，且拥有Windows、Mac、Linux等多个平台的版本。并且R通过其大量的程序包实现了功能的扩展，用户总是能通过下载功能包获得最新的分析模块。

第三，R语言是被国际学术界广泛认可，绝大多数国际知名高校都将R作为基本的教学和科研工具。

第四，R语言既是编程语言，又是高度功能化的数据分析平台，同时具有编程语言的灵活性和功能化数据分析软件的易用性。

（二）开展研究生R语言教学的必要性

首先，作为一种编程语言，R语言的教学可以训练学生抽象思维、逻辑思维能力，同时作为一种数据分析平台，R语言可以训练学生数据分析模型的应用能力和实际操作能力，这一功能是其他非语言类软件系统无法实现的。

其次，在研究生教学中开设R语言课程，可以极大提升学生在求职就业、考博和出国深造方面的竞争力。由于R语言在国内外学术界和业界有着巨大的影响，因此熟练掌握R语言无疑会使我们的研究生更加具备竞争力。

（三）研究生R语言教学的现状及改革的迫切性

从当前的教学现状来看，R语言仅仅是少数专业才有的课程。但是基于本人这几年的教学和指导研究生的经验来看，当前我国财经类高校研究生的动手能力较弱。其根本原因之一是缺少数据分析能力的训练。若要在不过分增加研究生课程量的前提下迅速提高研究生这方面能力，R语言这种将抽象思维、逻辑思维、数据分析模型和数据分析实操紧密集合的平台是最好的选择。

（四）R语言教学的内容划分

R语言集合了计算机语言与数据分析系统的特点，既能像SPSS那样通过简单操作即得到结果，又能够项C语言那样进行新功能的开发，尤其是其强大的图形能力，更为数据分析人员提供了强大的数据可视化平台。为了能够为学生全面地讲授上述内容，需要对课时进行合理分配，辅以合理的教学模式和考核模式。下面本文将以48学时的研究生课程为例，介绍R语言课程的基本内容和结构。

1.教学内容和学时分配

第一部分，R语言简介（2学时），介绍R语言的历史、基本操作环境、相关网站、系统本身和软件包的安装方法以及参考书籍等。

第二部分，R语言的数据结构（12学时），介绍向量、因子、索引、数组和矩阵、数据框、列表等概念和相关算法。这部分是后面教学的基础，同时也是R语言区别于其他编程语言的重要方面，在教学时要突出对因子、索引（以及利用索引实现筛选等功能）、数据框等数据结构与数据分析的关系的介绍。

第三部分，R语言的编程结构（12学时），介绍成组、选择和循环三种结构。在这部分教学中，重点在不能按照传统程序设计语言的模式进行教学，要突出数据分析的特征，可以考虑使用R语言自己编制景点统计方法的代码，如最小二乘法、距离判别、快速聚类等。

第四部分，R语言的绘图功能（12学时），介绍高级绘图语句、低级绘图语句、交互绘图语句以及ggplot2软件包等。绘图是R语言的优势，允许使用者自由的定义图形，尤其是ggplot2软件包的出现，更是将R的绘图功能推上了新的高度。这部分不但是上述第一类、第二类专业研究生所需要掌握的内容，也是第三类专业研究生应当了解的内容。

第五部分，R语言的基本统计功能（10学时），经过前述四个部分的教学，学生已经对R语言具有了较为深入的了解，并应该具有独立编制代码的能力。在此基础上，可以进行本部分的教学，即对于使用R语言实现诸如回归分析、多元统计分析、时间序列分析的方法进行介绍。由于这一部分功能均有对应的软件包和函数，因此在软件操作方面非常简单，如果跳过前面几个步骤直接进行这部分的教学会使学生对R语言一知半解，缺少对R语言核心知识的理解。

2.教学及考核方式

由于R语言是一个操作性非常强的语言平台，传统的课堂教学+上机的教学模式会使得理论与实践脱节。因此建议该课程全程在机房进行，这种教学方法的优势有三个方面：

第一，教师讲解更到位。编程类课程重要的是思考过程而不是结果，因此传统的课堂上听讲，上机课练习的模式会使得思考过程与结果脱节。而在机房上课则可以使学生跟随教师的讲解随时练习和实验，使得教学效果更好。

第二，师生互动更容易。学习编程的过程就是不断试错的过程，学生需要不断地从发现错误――解决错误的过程中提高能力，而在这个过程中教师与学生的互动非常重要。

第三，课堂练习更直接。课堂练习在学习编程过程中具有非常高的重要性，传统授课模式下，无法做到当天的学习内容当天联系，是知识技能的掌握不牢，效率低下。

在考核方面，建议采取开卷上机考核的方式。由于R语言的教学具有极大的实践性，因此“会用”才是最终的目的。同时，由于R语言极强的可扩充性，因此单纯地考查学生对于R语言中一些功能代码的记忆没有任何意义，采取开卷的方式，重点考查学生解决数据分析问题的能力的上级考试才能够实现对学生R语言学习水平的测度目的。

五、结论

当今社会已进入大数据时代，任何财经类专业人才的培养脱离了数据分析类教学内容都是不能适应社会需求的。而数据分析课程的理论与实践并重的特点，要求在教学过程中既重视数据分析理论模型的讲解，又重视数据分析平台的训练。只有这样，才能使得财经类人才的培养跟上市场对于人才需求内容的转变，培养出符合市场需要的人才。

参考文献：

篇4

引言

目前人类每年产生的数据量已经从TB（1024GB=1TB）级别跃升到PB（1024TB=1PB）、EB（1024PB=1EB）乃至ZB（1024EB=1ZB）级别，随着数据量的急剧增长，大数据时代已经到来。

随着计算机处理技术和云计算的迅速发展，人们处理大规模复杂数据的能力日益增强，从大规模数据中提取有价值信息的能力日益提高。经营管理、工业生产等数据都可以直接从互联网中提取并存储到服务器中，然后进行数据挖掘和分析，对于提高企业经营管理水平，进行生产过程控制，提高生产效率发挥着巨大的作用。

数据是德国工业4.0五大特色之一。数据是信息化时代重要的生产要素，数据生产信息，信息改善决策，进而提高生产力。可以预测，未来数据积累量、数据分析能力、数据驱动业务的能力将是决定企业价值的最主要因素，是评价企业价值的核心。

一、大数据时代的数据分析

1.大数据

大数据是维克托?迈尔-舍恩伯格在2008年的著作《大数据时代》中提出的概念。维基百科给出的定义是，大数据指所涉及的资料规模巨大，无法通过目前常规软件工具，在合理时间内达到撷取、管理、处理、整理成为有用信息的数据集合。

大数据的主要特征为大量性（Volume）、多样性（Variety）、高速性（Velocity）、价值性（Value）。

（1）大量性。是指大数据的数据量巨大。在大数据时代，个人电脑、手机、平板电脑等网络工具的使用和高度发达的网络技术的普及，数据资料的来源范围在不断拓展，数据的计量单位从PB到EB到ZB，数据量增长发生了质的飞跃。

（2）多样性。是指数据类型繁多。大数据不仅包括传统的以文本资料为主的结构化数据，还包括信息化时代所有的文本、图片、音频、视频等半结构数据和非结构化数据，且以半结构化和非结构化数据为主。

（3）高速性。指大数据处理时效性高。大数据产生速度快，有价值信息存在时间短，时效性强，在海量的数据面前，处理数据的效率关乎数据是否有使用价值，因此，能迅速有效的提取大量复杂数据中的有价值信息显得非常重要。

（4）价值性。指大数据价值巨大，但价值密度低。大数据中存在反映人们生产、生活、商业等各方面极具价值的信息，但由于大数据规模巨大，数据时时刻刻都在更新变化，这些有价值的信息可能转瞬即逝。因此，如何通过强大的机器算法迅速高效地完成数据的价值“提纯”成为大数据时代亟需解决的难题。

2.大数据时代

大数据时代是指在大量数据信息基础上所形成的新型信息时代，是建立在通过互联网、物联网等现代网络渠道广泛大量数据资源收集基础上的数据存储、价值提炼、智能处理和展示，促进数据发挥价值的信息时代。大数据时代，数据分析过程中数据的管理和应用效率得到提高，人们几乎能够从任何数据中获得可转换为推动人们生活方式变化的有价值的知识。大数据时代的发展会促进众多领域和行业进行变革，会对人们未来生活产生深刻的影响。

3.数据分析

数据分析是指用合适的统计方法及与分析对象有关的知识，定量与定性相结合，对收集到的大量数据进行分析的过程，是为了提取有用信息和形成结论而对大量数据进行详细研究和概括总结的过程。数据分析的目的是把隐藏在一大批看似杂乱无章的数据背后的信息挖掘和提炼出来，进而总结出研究对象的内在规律。

数据分析在企业经营管理中具有重要意义。企业通过统计调查、整理获得的统计资料能够对客观对象的数据特征取得一定的认识，但只是停留在表面的初步认识。通过数据分析，挖掘数据背后隐藏的信息，总结隐藏在其中的内在规律，掌握事物的本质及内在的发展规律，将其应用到实际的经营管理中，可以帮助管理者进行合理的决策管理，并且及时调整企业的运营发展策略，使企业的各项管理工作不断改善和提高。

目前常用的数据分析方法有：

老七种工具，即排列图、因果图、分层法、调查表、散步图、直方图、控制图；

新七种工具，即关联图、系统图、矩阵图、KJ法、计划评审技术、PDPC法、矩阵数据图。

4.大数据时代的数据分析

从大数据中挖掘隐藏的有价值信息的关键在于对数据进行正确的数据分析，数据分析是大数据处理流程的核心。大数据的价值产生于分析过程，从规模巨大的数据中挖掘有价值信息所进行的分析过程就是大数据分析。

大数据分析和传统数据分析最重要的区别在于数据量。数据量的急剧增长及大数据的特征，决定了数据的存储、查询以及分析的难度增加，对数据处理技术的要求迅速提高。大数据分析建立在海量原始数据基础上，不需要预先设定研究目的和方法，而要从大量数据中通过数据挖掘技术找到数据之间的关系并建立模型，寻找导致现实情况的根源因素，甚至形成理论和新的认知，在此基础上对未来进行预测和优化，以实现社会运行中各个领域的持续改善与创新。

传统的数据分析是“向后分析”，分析的是已经发生的情况。而在大数据时代，数据分析是“向前分析”，具有预测性。传统的数据分析主要针对结构化数据，具备一整套行之有效且?V泛使用的分析体系：利用数据库存储结构化数据构建数据仓库构建数据立方体进行分析。对于从大数据中提炼更深层次更有价值的信息的需要促使数据挖掘技术的产生，并发明了聚类、关联分析、分类、回归分析、估计、预测、描述和可视化等一系列行之有效的方法。同时大数据的到来使得在线数据分析成为可能，如Web页挖掘、OLAP等。数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识，用于指导以后的行动。

二、大数据分析在企业经营管理中的意义

在企业的经营管理过程中，数据是关键且核心的因素，在关键环节进行科学的数据分析，对于提升企业的经营管理能力具有十分重要的意义与作用。

首先，对企业情况进行完整客观的反映。在收集企业全面数据报表、调查资料的基础上，利用数据分析工具进行严谨的分析，形成科学规范的数据分析报告，能发现数据背后的信息，便于理解、阅读和利用，为企业发展决策提供参考。

其次，对企业运营情况进行有效监督。监督是数据分析在企业经营管理中的一项十分重要的功能。对企业经营管理过程中所产生的数据进行监督具有十分重要的作用。在对企业数据、资料进行收集整理的过程中，能够相对较为全面、如实地知晓行业动态及本企业运行发展状况，能够对企业的相关活动产生的效果进行了解，比如企业方针政策实行与否、经营计划落实情况、经济指标完成情况等，从而进行行业对比和横向、纵向对比分析，以帮助企业良性发展。

第三，参与科学化决策。对收集整理到的数据资料有针对性的进行深层次地研究、分析，挖掘出数据资料潜在的实质涵义，促使企业管理者及相关部门能够更为完整客观地了解企业发展现状及发展方向，从而能够更有针对性地进行企业决策，计划制定，起到数据分析在企业经营管理中的参与科学化决策的作用。数据驱动型决策是大数据时代决策的特点：尽可能全面、完整综合地收集数据，在此基础上使用恰当的统计方法进行建模和分析，挖掘出数据背后的关系，预测事件发生的概率。企业利用大数据和数据分析进行决策时，首先要提高对数据的重视程度，转变思维模式，在遇到重大决策时，先进行数据收集、分析，再进行决策。其次，要重视普通员工日常积累的数据。员工在完成日常工作的同时，积累了大量最基础数据资料，企业将所有日常的数据加以整合分析，可以在决策时起到关键重要的作用。再次是建立数据辅助决策的流程和模板，建立基于决策任务的决策知识的收集、创造、共享、传递和激励机制。

三、大数据分析在工业生产过程中的应用探讨

随着信息化的推进，数据已经成为一种重要的资源。未来大数据和数据分析将在工业生产全过程中进行应用，将大力提升企业内部运营管理效率，提升企业竞争力，同?r提升制造过程中的智能化。

信息技术随着信息化与工业化的深度融合，已经渗透到了工业企业产业链的各个环节，ERP、MES等技术在工业企业中得到广泛应用。工业企业中生产线高速运转，工业设备产生大量数据，工业领域所拥有的数据日益丰富。基于大数据分析平台，对这些数据进行分析，总结经验、发现规律、预测趋势、辅助决策，充分释放和利用海量数据资源中蕴藏的巨大价值，优化公司运营结构，精准决策，降低成本，提高效率。

大数据和数据分析的应用将给工业企业带来创新和变革的新时代。信息化和工业化的深入融合，给工业领域带来深刻的变革，通过互联网、物联网等带来的低成本感知、高速移动链接、分布式计算和高级分析，给工业发展带来了更快的速度、更高的效率和更高的洞察力。大数据分析在工业领域的应用主要包括产品创新、生产流程优化、产品质量管理、生产计划制定、产品定价、产品生命周期管理、库存管理、供应商管理等各个方面。

1.产品创新。客户与工业企业之间的交易产生大量的行为动态数据，同时对产品的使用情况跟踪记录，产生产品使用动态数据，对这些数据进行挖掘和分析，将分析结果使用到产品改进设计、创新等活动中，相当于让客户参与到产品的需求分析和产品设计等创新活动中，对产品创新具有不可估量的贡献。

2.生产流程优化。现代化的工业制造生产线安装有数以千计的小型传感器，在生产的全过程中可以探测温度、压力、振动和噪声等。整个生产流程将产生大量数据，对这些数据从不同角度进行挖掘分析、比如设备诊断、能耗分析、工艺分析等。在此基础上，对生产过程建立虚拟模型，仿真并优化改进生产流程，提高设备使用率、降低能耗、减少质量事故发生几率，优化工艺等，从而提高生产效率。

3.进行质量分析，提高质量管理水平。高度自动化的设备在加工产品的同时记录了庞大的检测结果。利用检测结果进行质量分析，可以提高质量管理水平。在产品的整个寿命周期，包括从市场调研到售后服务等的各个过程中适当运用数据分析过程，可以提高质量管理的有效性。例如QC工具在工业企业的应用。QC指质量控制。针对工业生产全过程特定的工作失误或品质不良运用QC工具展开分析讨论，并将结果可视化显示在大家容易看到的地方，提醒大家，防止再次发生同样的问题，同时谁有新的建议可以随时提出，大家一起讨论修订。

六西格玛也是目前企业质量管理中运用比较广泛的工具，它是一种用于改善企业质量流程管理的技术，它以“零缺陷”的完美追求，带动质量成本的大幅度降低。质量分析工具在广泛使用，可以提高产品质量，从而最终实现财务成本的降低，同时实现企业竞争力的突破。

4.产品故障诊断与预测。无处不在的传感器、互联网技术的利用，使得产品故障诊断实时进行，提高了产品故障诊断的及时性。利用数据挖掘与分析技术，对记录的数据进行建模与仿真，可以对产品故障实行动态预测。

5.生产计划的科学制定。生产环节的大数据具有很大的利用价值，对其进行挖掘与分析，对计划制定具有指导意义。通过对计划与完成的对比分析，发现计划与实际完成的偏差，在考虑产能约束、人员技能、物料供应、工装模具等生产资源的基础上，通过智能的优化算法，建立计划制定模型，从而制定更加科学合理的生产计划。

6.进行科学合理的产品定价。产品定价的合理性需要有详细的基础数据和试验数据作为支撑。一方面能够获取更加详细的微观数据信息，使产品成品的分析更加科学精确。另一方面可以研究客户对产品定价的敏感度。通过这些数据分析，为产品定价提供决策参考。

7.实现产品生命周期管理。随着物联网的发展，条形码、二维码、RFID等能够唯一标示产品，传感器、可穿戴设备、智能感知、视频采集、增强现实等技术能将产品生命周期的信息进行实时采集和分析，这些数据能够帮助企业在供应链的各个环节跟踪产品，收集产品使用信息，从而实现产品生命周期的管理。这些数据还可以用于售后服务，提高售后服务质量，从而提高产品竞争力。

8.库存管理。信息化高度发达，可以获取工业企业各方面的信息。库存信息将完全展现在管理者面前，通过数据分析和挖掘，可以准确知道产品原材料和产成品库存量。根据原材料库存量和生产计划确定原材料需求量，在此基础上进行采购，可以保证产品生产需求，有最大限度地减少了资源浪费。

9.完善供应商管理，实现准时化采购。在对原材料大量数据挖掘和分析的基础上，可以选择最合适的供应商，保证原材料质量和准时供应，产品质量得到有效控制，同时降低库存成本，增加了制造的敏捷性与柔性。

篇5

【关键词】大数据；大数据营销；京东

一、数据分析时代演变历程

（一）数据1.0时代

数据分析出现在新的计算技术实现以后，分析1.0时代又称为商业智能时代。它通过客观分析和深入理解商业现象，取缔在决策中仅凭直觉和过时的市场调研报告，帮助管理者理性化和最大化依据事实作出决策。首次在计算机的帮助下将生产、客户交互、市场等数据录入数据库并且整合分析。但是由于发展的局限性对数据的使用更多的是准备数据，很少时间用在分析数据上。

（二）数据2.0时代

2.0时代开始于2005年，与分析1.0要求的公司能力不同，新时达要求数量分析师具备超强的分析数据能力，数据也不是只来源于公司内部，更多的来自公司外部、互联网、传感器和各种公开的数据。比如领英公司，充分运用数据分析抢占先机，开发出令人印象深刻的数据服务。

（三）数据3.0时代

又称为富化数据的产品时代。分析3.0时代来临的标准是各行业大公司纷纷介入。公司可以很好的分析数据，指导合适的商业决策。但是必须承认，随着数据的越来越大，更新速度越来越快，在带来发展机遇的同时，也带来诸多挑战。如何商业化地利用这次变革是亟待面对的课题。

二、大数据营销的本质

随着顾客主导逻辑时代的到来以及互联网电商等多渠道购物方式的出现，顾客角色和需求发生了转变，世界正在被感知化、互联化和智能化。大数据时代的到来，个人的行为不仅能够被量化搜集、预测，而且顾客的个人观点很可能改变商业世界和社会的运行。由此，一个个性化顾客主导商业需求的时代已然到来，大数据冲击下，市场营销引领的企业变革初见端倪。

（一）大数据时代消费者成为市场营销的主宰者

传统的市场营销过程是通过市场调研，采集目前市场的信息帮助企业研发、生产、营销和推广。但是在大数据以及社会化媒体盛行的今天，这种营销模式便黯然失色。今天的消费者已然成为了市场营销的主宰者，他们会主动搜寻商品信息，货比三家，严格筛选。他们由之前的注重使用价值到更加注重消费整个过程中的体验价值和情境价值。甚至企业品牌形象的塑造也不再是企业单一宣传，虚拟社区以及购物网站等的口碑开始影响消费者的购买行为。更有甚者，消费者通过在社交媒体等渠道表达个人的需求已经成为影响企业产品设计、研发、生产和销售的重要因素。

（二）大数据时代企业精准营销成为可能

在大数据时代下，技术的发展大大超过了企业的想象。搜集非结构化的信息已经成为一种可能，大数据不单单仅能了解细分市场的可能，更通过真正个性化洞察精确到每个顾客。通过数据的挖掘和深入分析，企业可以掌握有价值的信息帮助企业发现顾客思维模式、消费行为模式。尤其在今天顾客为了彰显个性，有着独特的消费倾向。相对于忠诚于某个品牌，顾客更忠诚与给自己的定位。如果企业的品牌不能最大化地实现客户价值，那么即使是再惠顾也难以保证顾客的持续性。并且，企业不能奢望对顾客进行归类，因为每个顾客的需求都有差别。正是如此，大数据分析才能更好地把握顾客的消费行为和偏好，为企业精准营销出谋划策。

（三）大数据时代企业营销理念———“充分以顾客为中心创造价值”

传统的营销和战略的观点认为，大规模生产意味着标准化生产方式，无个性化可言。定制化生产意味着个性化生产，但是只是小规模定制。说到底，大规模生产与定制化无法结合。但是在今天，大数据分析的营销和销售解决的是大规模生产和顾客个性化需求之间的矛盾。使大企业拥有传统小便利店的一对一顾客关系管理，以即时工具和个性化推荐使得大企业实现与顾客的实时沟通等。

三、基于数据营销案例研究

———京东京东是最大的自营式电商企业。其中的京东商城，涵盖服装、化妆品、日用品、生鲜、电脑数码等多个品类。在整个手机零售商行业里，京东无论是在销售额还是销售量都占到市场份额一半的规模。之所以占据这样的优势地位，得益于大数据的应用，即京东的JDPhone的计划。JDPhone计划是依据京东的大数据和综合服务的能力，以用户为中心整合产业链的优质资源并联合厂商打造用户期待的产品和服务体验。京东在销售的过程中，通过对大数据的分析，内部研究出一种称为产品画像的模型。这个模型通过综合在京东网站购物消费者的信息，例如：年龄、性别、喜好等类别的信息，然后进行深入分析。根据分析结果结合不同的消费者便有诸如线上的程序化购买、精准的点击等营销手段，有效的帮助京东实现精准的营销推送。不仅如此，通过对于后续用户购物完成的售后数据分析，精确的分析商品的不足之处或者消费者的直接需求。数据3.0时代的一个特征便是企业不在单纯的在企业内部分析数据，而是共享实现价值共创。所以，京东把这些数据用于与上游供应商进行定期的交流，间接促进生产厂商与消费者沟通，了解市场的需求，指导下一次产品的市场定位。总的来说，这个计划是通过京东销售和售后环节的大数据分析，一方面指导自身精准营销，另一方面，影响供应商产品定位和企业规划，最终为消费者提供满足他们需求的个性化产品。

四、大数据营销的策略分析

（一）数据分析要树立以人为本的思维

“以人为本”体现在两个方面，一方面是数据分析以客户为本，切实分析客户的需求，用数据分析指导下一次的产品设计、生产和市场营销。另一方面，以人为本体现在对用户数据的保密性和合理化应用。切实维护好大数据和互联网背景下隐私保护的问题，使得信息技术良性发展。

（二）正确处理海量数据与核心数据的矛盾

大数据具有数据量大、类型繁多、价值密度低和速度快时效高的特点。所以在众多海量的数据中，只有反映消费者行为和市场需求的信息才是企业所需要的。不必要的数据分析只会影响企业做出时代Time2017年第04期中旬刊（总第657期）正确的决策。鉴于此，首先企业需要明确核心数据的标准；其次企业要及时进行核心数据的归档；最后要有专业的数据分析专业队数据进行分析，得出科学合理的结果以指导实践。

（三）整合价值链以共享数据的方式实现价值创造

篇6

关键词：大数据;财务数据;财务分析

中图分类号：F235 文献识别码：A 文章编号：1001-828X（2016）027-000-01

一、大数据时代下，财务分析发展的重要性

研究发现，财务分析的理论与实务已经有一个世纪的发展，一般认为财务报表分析是财务分析的初始形式。随着社会实践活动的不断丰富和发展，财务分析早已不纪的历史局限于早期的信贷分析和投资分析。目前的财务分析主要包括经营分析、投资分析、全面系统的筹资分析，同时财务分析在资本市场、企业股价、绩效评价等领域也得到了广泛的应用。

大数据（big data），是指无法在一定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，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来适应海量、高增长率和多样化的信息资产。大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）第一，Volume（大量）。大数据时代的数据量十分庞大，从TB级别跃升到PB级别。第二，Velocity（高速）。，和传统的收集整理数据相比，大数据的处理技术有着本质的不同，处理速度要快得多。第三，Variety（多样）。数据有着不同种类的存在形式，如：视频、图片、网络文献等等。第四，Value（价值）与传统的数据处理方式相比，大数据的数据采集量达到了一定的规模，故大数据具有数据采集及时，数据较全面，数据具有连续性、易存性等特点。进而可以从更多方面、更全面、真实的反应实际情况。

二、大数据环境下财务分析的发趋势

会计报表按编制时间可分为月报表、季报表、半年报表和年报表。都是在生产经营业务发生后，是会计核算的最终产品，故影响企业的财务信息分析的时效性，进而对企业生产经营产生了不利的影响。随着目前我国信息化进程不断加速以及互联网业务的不断发展，实时财务报告的重要性被越来越多的企业和数据使用者重视，而大数据技术发展为实时财务报告的实现提供了可靠的依据。实时财务报告是信息化条件下会计技术和方法发展的必然产物，是信息技术与大数据技术较好交叉融合的最好表现，某些行业，如证券、保险、银行等，这些对业务数据和风险控制“实时性”要求很高的行业，对实施实时财务报告的需求日益增加。

在大数据时代的背景下，实时财务报告的实现，首先可以通过建立企业的中心数据库来实现，这需要企业将自己的会计信息系统和管理信息系统的通过内部局域网收集实时数据;然后是将企业局域网内的数据资料与互联网相连，实时财务报告系统中所用到数据，就集合了企业内部局域网和互联网的数据。财务人员处理完会计信息之后，使之网页化，提供实时的财务数据信息。

财务人员可以借助大数据时代的背景优势，充分利用大数据的特别，全面整体的分析财务数据，帮助企业预测和防范经营过程中可能遇到的风险。这就要求财务人员在工作中充分发挥前瞻性和战略性的作用，不断学习新技术，收集和整理数据信息，在数据的分析过程中预测重要的趋势，并对企业的管理者提出自己专业的意见。

传统的财务分析是对数据的精确分析，这种数据分析方式相对来说更适合数据量较小的分析。和大数据相比，数据的完整性和时效性不强。无法帮助财务报表的使用这个全面的了解财务状况的全貌。“精确”将不仅仅是财务工作的全部，全面系统的分析将在未来的财务分析工作中处于越来越重要的地位。

大数据时代的超级数据量和数据的多样存在形式，已经超越了传统数据的管理范围和能力。需要更新数据的查找、存储、分析、处理等方面的方法。随之一批新的数据管理技术和数据管理工具将不断的涌现，在提高人们工作效率的同时，减少了工作量。

如今，随着移动互联网的发展、新兴网络业务的发展，以及云计算、云存储的出现，世界经济和社会的发展都产生了巨大的变化，为人们的生活和工作方式提供了全新的思路和防范。在大数据时代的背景下，数据分析也充分利用了大数据的特点，不断改进数据分析的技术和方法，使之与新的数据分析思维相吻合，使财务分析与时俱进的发展。

三、结语

随着我国的经济不断发展，互联网云技术业务的拓展，大数据时代下的财务分析发展也将迎来全新的变革，同时对财务工作者来说也是全新的机遇和挑战，在这种情况下要抓住机遇，创新思维，学习新技术，开拓新方法，合理把握大数据的特征，让财务报告分析在企业中发挥出最大的价值，为企业和社会的发展提供充足动力。

参考文献：

[1]胡萍.财务分析在企业管理中的应用研究[J].财经界（学术版），2012（06）.

[2]梁建军.财务分析在企业管理中的应用探讨[J].现代经济信息，2013（20）.

[3]赵晓丽.财务分析在企业管理中的应用研究[J].中国乡镇企业会计，2014（08）.

[4]张铭.大数据，撬动财务变革[J].新理财，2014（07）.

篇7

一、大数据在企业管理中的应用分析

（一）对产品进行创新，迎合并满足消费者的需求

在这种大数据时代的发展形势下，企业可实现对客户在产品需求上的信息内容的确切把握。其主要方式是通过当前发达的社交媒体平台来知悉了解客户在对产品使用之后所反馈到平台上的评价和感受，这种方式在真实性和便捷性方面更优越于传统问卷调查的形式。当企业通过平台获得这些消息反馈之后可立即对存在的问题进行改善和解决。另外，随着大数据时代在企业中的应用，企业中领导决策的作用和强度开始受到这种信息化时代的弱化，逐渐让传统的企业管理中决策者的绝对权利开始出现分化，而转变为公众作为决策主体，通过社会媒体平台获取公众意见，并形成大数据分析，从而使得企业的管理决策权更加公平和科学准确。而且在大数据时代下，企业能够第一时间对客户群体的数据和信息进行知悉，对客户的基因信息等进行快捷的接收了解，为企业提供针对客户的个性化建议，从而形成企业与客户之间密切的关联性，让客户买到满意产品的同时，也促进了企业经济效益的不断创收。

（二）对企业内部数据的挖掘并把握行业数据信息

企业信息化的发展应用实现了对扩大数据的有效利用。通过企业信息化系统的建立，让各类数据准确而可靠，同时能在最短时间内获得有效的信息数据资料。所以在大数据时代的应用下，企业可通过这种信息化的建立来对企业中的各类数据进行分析和共享，不断对企业的产品和服务进行跟踪关注，从而提升企业在产品和服务上的竞争水平，提高企业的整体发展水平。另外，企业可以通过大数据对客户的需求进行及时的知悉，而且即使在客户使用产品中还没有切实体现到产品价值的同时就能通过大数据来对其潜在的应用进行预测，从而实现对企业产品销售的市场动态的跟踪和应用，让企业产品能够更加具有市场竞争优势地在市场中立足。企业还能利用大数据来对同行业的产品价格进行曲线变化的分析和监测，从而优化自己产品的价格优势。

二、大数据时代给企业带来的风险和挑战

（一）对数据的实时分析

在经济全球化的发展趋势下，企业都在市场经济的发展中取得快速发展的机会，但在这个过程中，同时由于大数据时代的印象，要求以快速高效的方式来对数据进行实时有效的分析，从而实现对企业整体运营效益的把握，并随时根据市场的变化发展来调整企业运营管理的模式。企业的数据无限量在快速增长，这些数据的不断变化有待企业进行更加深入、全面地分析与挖掘。

（二）海量数据的安全保障

企业利用大数据的支持，实现了对企业大量运营发展的公司内部信息以及客户信息的信息化管理，这就需要在大数据的不断发展中，确保企业这些信息能够保证个人隐私、恢复、商业秘密和数据备份等的安全问题，这是当前大数据时代对企业的一种挑战和风险问题。

（三）数据驱动的决策制定

在大数据时代的影响下，其在很大程度上决定着企业决策的把握，通过对数据进行分析、决策，减少了过去通过传统的经验和领导主观上的直觉的决策风险，使得企业决策更加科学合理。很多企业在自身的运营发展过程中，对内部运营的结构和形势主要停留在大框架的信息汇总的掌握，并没有从整体上纵观整个行业与自身企业之间的深层次分析。如果有心的企业领导能够利用大数据来更加科学、全面、客观地对企业的整体运营进行分析和决策，那么就能从很大程度上来对企业运营风险进行有效的把控和降低。但当前通过大数据来对企业进行相关决策还存在一定的难度，因此，如何利用大数据来进行决策是企业面临的重大难题。

（四）整合多种类型的数据

在大数据时代，企业所收集的数据一方面包括了传统渠道所具有的基本结构框架信息；另一方面还包括信息化的社交媒体、电商业务以及互联网应用下的各种非固定结构的数据内容。在当前大部分企业的大数据应用下，企业的数据处理办法还仅仅用于结构化的数据处理，但随着数据化的时代来临，却不能对一些非结构化的数据进行处理。大量的半结构化数据、非结构化数据的处理对企业来说仍是巨大的挑战。

三、大数据时代的企业管理模式的创新策略

（一）企业首席数据官的培养

在大数据时代，信息时代最具核心利用价值的是数据技术人员。而且这个时代要求技术人员具备多种综合信息化数据处理的能力，包括具有市场营销知识、信息技术知识、运营管理知识等综合素质。在这种技术需求下，就产生了首席数据官，并将其岗位定在IT部门，并随着大数据时代的不断发展，这个技术岗位也开始被社会和企业接受。通过发挥这个部门职位的作用，来推进企业与社会的对话，实现对信息系统化的建立和挖掘。首席数据官主要是把企业的运营数据作为核心资产进行负责管理，根据来自网络流量、传感器、社会网络评论等多方面的数据来为公司的产品发展和企业决策做出分析和参考，并从数据的角度分析企业所面临的挑战从而帮助管理者。另外，随着未来信息化建设的不断构建和推广应用，企业要重视丢首席数据官的培养，并从多方渠道吸纳技术人才，为企业未来的发展奠定坚实的数据管理者。

（二）加强基于大数据时代的企业运营与决策管理工作

大数据时代，企业除了具备传统的数据平台之外，还需要建立信息化的非结构数据平台，包括社交媒体、文本、微博、影像等所建立起来的数据平台，从而更加全面地对企业运营和发展决策做出更加客观而科学的探索和挖掘，尤其是在企业产品营销、产品价值应用评价、声誉度分析等方面的数据化构建。企业应通过监控、数据监测来对产品与服务做好跟踪和分析，以此来引导企业不断创新改革和适应市场的发展需求。企业可融合不同类型数据，互相配合进行分析，改变传统企业管理模式的不足，将企业业务拓展出更加创新新颖的阶段。企业应善于通过大数据时代的应用便捷来做好对公司非结构化的数据分析以及关系实体的识别，通过这些内容不断提高企业在产品服务上的质量反馈和评价、品牌打造以及行业市场发展趋势等。另外，可把在社交网络、交互数据以及互联网媒体上的客户数据集中汇总起来，并结合传统数据，给客户提供更加全面的观点和评价，对客户的需求有着更加立体的了解，从而实现企业更加现代化的数据管理。

（三）建立生态化的企业网络系统

企业可以把生态产业链进行资源化、产业化、创新化的转变，并对企业生产运营中的供应商、客户和合作商进行重新整合，同时对企业内部的员工与领导层的关系也在管理模式上进行重新构建，然后协同创新价值链，将产品通过创新革新，提供更加新型的产品和服务，用大数据的功能革新企业管理模式，对整个企业运营管理模式进行了更加深度和现代化的改革创新。这种改革创新是在大数据时代不断在市场经济中的活跃应用所推动形成的一种必然发展趋势，要求企业必须为了适应社会发展所呈现出的信息化格局，来将目光从产品本身开始过渡转变到产品服务上，并上升到产品所创造的价值和企业发展在整个行业中的竞争力水平的层面，不断发展与产业链合作和其他元素。构建这种新型的管理模式必须善于对社交媒体和互联网进行综合有效的利用，才能适应大数据时代所发挥的作用，并对竞争协同进化的企业集团进行有限公司生产的研究，不断形成一种企业网络生态系统的可持续发展状态。

（四）树立以社会公众为决策主体的发展观

传统管理模式中，企业的整体运营把控主要是在中高层管理者的手中，他们决定着公司运营发展的一切事物的方向和发展目标。但大数据时代的来临，让社交网络和社会化媒体逐渐取代了这种传统管理者决策权的绝对性，让决策更加科学而正确。因此企业应逐步建立通过社会公众作为企业决策主体的观念，并不断将企业领导高层的视野拓展到广泛的社会公众，通过社交网络、移动互联网等平台的收集社会公众的建议和意见。

篇8

关键词：大数据时代；高校财务管理；基础数据分析

大数据时代下，高校财务管理在数据分析上获得了有效的支持。从目前高校财务管理实际来看，基础数据的分析是关键。但是受到高校财务数据多，财务管理流程复杂等因素的限制，高校在财务管理中无法对基础数据进行快速有效的分析，导致了高校财务管理工作在实效性上有所欠缺，不利于高校财务管理工作的开展。大数据技术的出现，给了高校财务管理工作以新的手段支持，不但解决了高校财务管理中基础数据分析的困难，还提高了财务基础数据分析质量，对高校财务管理工作具有重要意义。

一、大数据时代下高校财务管理，应建立基础数据库

大数据时代的特点是能够对数据进行集中的处理和分析，在进行数据分析处理之前，通常会建立完善的数据库，实现数据的有效收集。基于高校财务管理的特点，以及高校财务管理中基础数据繁杂的现状，大数据时代下高校财务管理只有建立基础数据库，才能满足后续分析需要。为此，高校财务管理应从三方面入手：

首先，高校财务管理应做好基础数据的收集。由于高校财务管理中涉及到得数据较多，做好基础数据的收集不但可以为下一步的数据分析提供有力支持，同时也是建立数据库不可缺少的手段之一。

其次，高校财务管理应建立基础数据库。做好了基础数据收集之后，应根据基础数据的完善程度，建立相应的是基础数据库，重点做好基础数据的管理工作。 再次，高校财务管理应将基础数据纳入到数据库管理中。为了保证高校财务管理基础数据库能够有效运转，应将财务管理过程中的所有基础数据都纳入到数据库管理中。

二、大数据时代下高校财务管理，应对基础数据进行统计分类

大数据时代下，大数据技术的优势在于可以通过对复杂数据的分析，找出数据的特征，并将数据背后所反映出的内在规律予以展示，为数据分析与管理提供有力的支持。基于这一认识，高校财务管理在大数据时代，不但要学会有效利用大数据分析手段，还要在基础数据管理中，全面应用大数据分析技术。

结合高校财务管理实际以及大数据分析的现实要求，对基础数据进行统计分类是重要措施。通过对基础数据进行统计分类，不但可以提高基础数据管理质量，同时还能解决基础数据的归类问题。所以，做好基础数据的统计分类，并按照财务管理信息类别对基础数据进行统计分类是十分必要的。

同时，对基础数据进行分类之后，要对每一类数据进行必要的统计，总结基础数据特点，把握基础数据处理原则，确保基础数据的统计在准确性上能够达到预期目标，提高基础数据的处理质量。从这一点来看，大数据数代对数据的处理速度更快，处理难度也越来越低，只有做好数据的分类统计，才能为大数据技术的应用奠定良好的基础。

三、大数据时代下高校财务管理，应分析基础数据的整体特点

对于高校财务管理而言，考虑到财务管理工作的专业性和特殊性，对数据处理的准确性和处理速度有着严格的要求，做好数据处理不但有利于提高数据分析质量，还可以为高校财务管理工作提供有价值的参考依据，使高校财务管理工作能够找准数据流向特点，为下一步的数据分析提供有力的保障。

除此之外，对基础数据的整体特点进行分析，是高校财务管理的重要内容，考虑到数据复杂性等特点，传统数据分析手段已经难以满足实际需要。大数据技术出现之后，利用大数据的分析优势和归类优势，可以对高校财务管理中涉及的基础数据进行必要的统计分析，从中找出数据流的特点，为高校财务管理工作提供一定的管理依据。

所以，大数据数代下高校财务管理工作，应对基础数据的整体特点进行分析，做到总结基础数据规律，并根据基础数据的规律判断出基础数据信息流背后所包含的特点。因此，正确应用大数据手段进行必要的数据分析，是解决高校财务管理工作问题的重要手段。

篇9

如果说有哪一个企业准确地定义了大数据，当属谷歌公司。谷歌为了存储海量搜索数据而设计的专用文件系统GFS（Google File System），为大数据的收集和分析提供了可能。谷歌对搜索词条的处理，能够精准地记录下人们进行搜索行为的时间、内容和方式，追踪和存储人们的搜索行为的同时还能够预测出搜索者下一步将要做什么。对海量数据的抓取、存储和分析，然后据此进行预测的能力，就是所谓的“大数据”。

颠覆还是灭亡：数据分析决定企业未来

大数据时代的到来，就像是工业革命的浪潮一样，注定会给社会带来一次革命。无论对社会、企业还是个人来说，都将会是一次世界观的改变。企业在这样的环境下，如果不能利用数据分析主动出击，注定会被淹没在历史的潮流中。任何人和组织都可以衡量出利用大数据能获得的巨大商业价值和竞争优势，同时也意味着一些不会数据分析的企业和组织会在竞争中处于劣势地位，并逐渐走向灭亡。

如果不能合理利用数据的价值，企业将会付出惨痛的代价。搜索巨头公司谷歌在2007―2010年间计划在本地搜索列表中加入GOOG-411语音识别服务，但是谷歌并没有自己的语音识别技术，于是与Nuance公司达成合作协议购买许可。由于缺乏对数据资源的保护意识，Nuance公司没有在合同中规定由谁来保管语音翻译记录，导致记录全部由谷歌自己保存。谷歌根据这些记录创建了一个新的语音识别系统，占尽优势。

在大数据时代，数据的原有角色发生了变化，大数据之于企业，不再是商业活动的附属品，而是重要的企业资源，收集、分析、利用……每一个环节都成为企业全新商业能力的体现，并决定着企业的未来发展。

大数据来袭，企业只有一个选择，那就是颠覆以往的思维方式和管理模式，接受并尽可能多地掌握数据资源，利用数据分析，这样企业的未来才能有所保证。

大数据创造出的商业价值

在技术和需求的双重推动下，越来越多企业和个人意识到数据是巨大的经济资产，像货币或黄金一样，它将带来全新的创业方向、商业模式和投资机会。

在大数据时代，大数据渗透到各个行业，数据的价值远远超出你的想象，千万不要随便抛弃。一些耳熟能详的大企业，IBM、亚马逊、Facebook、Twitter、苹果等，对大数据的价值链与角色定位给予了足够的重视，它们能够更快地处理数据，形成自己独特的洞见，更深入地挖掘和利用数据形成自己的差异性竞争力，这使他们能够远远超越竞争对手。

2012年是电商的一年，亚马逊、阿里巴巴等电商凭借自身的先进技术和对数据资源的积累与掌控也必将成为新时代的引领者，其他的公司也都会从中获利。

2012年7月10日，天猫、阿里云与万网联合推出“聚石塔”平台，目前已有超过两万的商家入驻“聚石塔”。该平台是基于“云计算”的大数据分析平台，为天猫和淘宝平台的电商及电商服务商提供数据云等服务，比如买家的访问量、访问频率、偏好商品、品牌偏好、跨店铺点击等数据并依此做出浅层分析，而未来会更加丰富和多样，不仅可以看到销量的高低，甚至还可以看出高低的原因。“聚石塔”为开发者与卖家都带来了巨大的商业价值。

2012年双十一购物节，“聚石塔”的运作着实为电商们助力不少。提前几个月的预热，将数据汇总到大平台上，将浏览过网页，有购买意向，已经收藏或者下单的消费者数据汇总，根据有效订单分析出应该生产多少产品，如何调配物流等信息，大力度促销时订单能以最快的速度处理，极大地节省了商家处理订单的时间，并根据不同状况迅速作出反应，由此缔造出淘宝日交易额191亿元的传奇。

大数据时代全新商业模式的诞生

大数据时代，一切皆可“量化”。当文字、方位、沟通都变成了数据，世间万物都可以数据化。大数据会引领我们的思维、商业、管理产生巨大变革。企业和消费者都可以用前所未有的方式来体验新的环境。大数据必然会成为公司新的利润增长点，而数据分析所带来的利润，是不可想象的。

如同“大数据时代预言家”维克托・迈尔-舍恩伯格形容的那样：“数据的真实价值就像是漂浮在海洋中的冰山，第一眼只能看到冰山的一角，但是绝大部分隐藏在表面之下。”拥有数据的企业拥有着无法估量的财富。同时，他也提出了大数据价值链的三大构成：数据本身、技能与思维。根据所提供价值的不同来源，会出现三类大数据公司：基于数据本身的公司，它们拥有大数据或者可以收集大量数据；基于技能的公司，它们掌握专业技能但不一定能提出数据的创新用途；基于思维的公司，数据和技能并不是成功的关键，而让它们脱颖而出的是它们的创新思维，怎样挖掘数据新价值的想法。谷歌与亚马逊，正是数据、技能、思维三者同时具备的公司。

亚马逊的Kindle电子书阅读器里面记录了一些内容，比如读者反复标记过和强调的地方，如果这些数据被作者和出版社了解，就有可能实现它的潜在价值，提高作品的质量和销量，尤其可以分析判断和预测出哪些主题的书籍更有可能成为畅销书。这些将来也可能成为企业间的新的合作方式。

不远的将来具有数据挖掘能力的公司将备受资本青睐。以广告业为代表，营销模式也会从传统的面向群体的营销转向个性化营销，从流量购买转向人群购买。

追求个性化的营销变革

大数据给营销带来新的变革，这种变革会波及产品和营销等多方面。从生产设计到品牌促销，都能更好地满足消费者个性化的需求。

“当传统营销还常常谈及细分市场时，数字时代已经没有细分市场的概念了，每个人都是一个处理单元，每个人接收到的信息都可以是个性化的。”而这一切都有赖于数据分析。数据分析让企业更好地掌握市场以及消费者的各种动态信息，以便进行更精准的市场细分和目标定位，为每一个消费者提供个性化的产品乃至全方位立体化的优质服务。

在大数据时代，企业可以提供个性化的产品定制，通过消费者反馈来帮助企业改进产品。企业获得的数据量越大，越是能够针对个人消费者提供个性化服务。在同质化的背景之下，建立差异化的品牌提供个性化的服务成为企业能够脱颖而出的关键，而数据分析能帮助企业更好地实现这一点。

定价可以差异化。大数据技术手段已经能够帮助商家实现自动定价系统，企业可以根据数据平台及时收集价格数据，变化和调整价格。甚至可以根据不同购买能力的消费者，量身定价，推荐商品，将折扣信息一对一地反馈给消费者。

渠道变得多样化。随着微博和SNS等社交网络平台的广泛运用，整个销售渠道都进行了改进，包括实体店、电视购物、邮购、电子商务、手机商务等。同时在交付手段和支付方式上也实现多样化。消费者可以根据自己的需要选择不同的方式进行交付和支付。

互动成为促销的重要成分，商家也会更加重视用户体验和反馈。广告会更有针对性，在每一个客户终端，都会自动为消费者弹出适合其心理的广告。数据分析可以创造更精准与美妙的用户体验。

亚马逊销售额的三分之一都来自于它的个性化推荐系统。当用户浏览网页的时候，每一次点击都会被记录下来，浏览历史和基本资料分析出消费者的购买偏好，更加精准地为每一位用户推荐他最可能购买的商品。无形中为亚马逊增加许多潜在的利润。

数据分析，企业的GPS

数据分析与预报平台就像是GPS，将消费者活动的全景收纳进来。类似谷歌搜索、腾讯微博等网络社区、社交网站的消息使人们的行为和情绪变化的细节变得可测量。

篇10

[关键词]大数据 大数据思维 铁路创新发展

中图分类号：TM76；TM63 文献标识码：B 文章编号：1009-914X（2016）25-0373-03

1 引言

半个世纪以来，随着人类对自然和社会认识的进一步加深及人类活动的进一步扩展，科学研究、互联网应用、电子商务、移动通信等诸多应用领域产生了多种多样的数量巨大的数据。这不仅使得世界充斥着比以往更多的信息，而且其增长速度也在加快。信息总量的变化最终导致了质变，最先经历信息爆炸的学科，如天文学和基因学，创造出了“大数据”这个概念。时至今日，这个概念几乎已应用到了所有人类致力发展的领域中。大数据（BIG DATA）的出现对传统的数据存储、数据处理和数据挖掘提出了新的挑战，同时也深刻地影响着人类的生活、工作和思维。

2 什么是大数据

2.1 大数据的概念

说起大数据，从字面意思来讲就是巨量数据集合，到底有多大？可能很多人并没有很具体的概念。一组名为“互联网上一天”的数据告诉我们，一天之中，互联网产生的全部内容可以刻满1.68亿张DVD；发出的邮件有2940亿封之多（相当于美国两年的纸质信件数量）；发出的社区帖子达200万个（相当于《时代》杂志770年的文字量）；卖出的手机为37.8万台，高于全球每天出生的婴儿数量37.1万。国际数据公司（IDC）的研究结果表明，2008年全球产生的数据量为0.49ZB，2009年的数据量为0.8ZB，2010年增长为1.2ZB，2011年的数量更是高达1.82ZB，相当于全球每人产生200GB以上的数据。而到2012年为止，人类生产的所有印刷材料的数据量是200PB，全人类历史上说过的所有话的数据量大约是5EB。IBM的研究称，整个人类文明所获得的全部数据中，有90%是过去两年内产生的。

然而大数据并非一个确切的概念。对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“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来适应海量、高增长率和多样化的信息资产。而麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模（Volume）、快速的数据流转（Velocity）、多样的数据类型（Variety）和价值密度低（Value）四大特征，即4V特征。在维克托・迈尔-舍恩伯格及肯尼斯・库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。业界学者杨善林认为在海量数据的量化基础上，同时具备大分析（Big Analytics）、大带宽（Big Bandwidth）、大内容（Big Content）等三大要素的巨大数据集。谢国忠则认为大数据的本质是利用企业内部信息，将庞大的信息进行有效整合，并结合新的数据类型为企业创造价值。

2.2 大数据的特点

大数据有有它自己的特征。目前工业界普遍认为大数据具有 4V+1C 的特征：

（1）数据量大（Volume）。存储的数据量巨大，拍字节级别是常态，因而对其分析的计算量也大。

（2）多样（Variety）。数据的来源及格式多样，数据格式除了传统的格式化数据外，还包括半结构化或非结构化数据，比如用户上传的音频和视频内容，而随着人类的活动的进一步拓宽，数据的来源更加多样。

（3）快速（Velocity）。数据增长速度快，同时要求对数据的处理速度也要快，以便能够从数据中及时地提取知识，发现价值。

（4）价值密度低（Value）。需要对大量的数据处理挖掘其潜在的价值，因而，大数据对我们提出的明确要求是设计一种在成本可接受的条件下，通过快速采集、发现和分析从大量、多种类别的数据中提取价值的体系架构。

（5）复杂度（Complexity）。对数据的处理和分析难度大。

IBM在此基础上又提出了5V特征，即在4V的基础上增加了真实性（Veracity）。

3 什么是大数据思维

要想大数据为人所用， 必须改变原有对数据的认识，将大数据与创意结合，并能充分利用数据分析技术，为企业和国家决策提供依据。大数据研究专家维克托・迈尔-舍恩伯格指出，大数据时代，人们对待数据的思维方式会发生如下三个变化：第一，人们处理的数据从样本数据变成全部数据；第二，由于是全样本数据，人们不得不接受数据的混杂性，而放弃对精确性的追求；第三，人类通过对大数据的处理，放弃对因果关系的渴求，转而关注相关关系。事实上，大数据时代带给人们的思维方式的深刻转变远不止上述三个方面。我认为，大数据思维最关键的转变在于从自然思维转向智能思维，使得大数据像具有生命力一样，获得类似于“人脑”的智能，甚至智慧。

大数据思维是一种总体思维。过去，人们对搜集数据、处理数据形成了一个思维定势，那就是我们不可能搜集到相当多数量的数据，我们只能在力所能及的条件下选择一小部分去分析和处理，为了让数据处理变得更简单，对数据的选择就尽可能到最少，也由于当时信息处理水平的限制，导致所选的数据不具备代表性，盲目因素太多。当我们进行抽样调查来分析数据的时候，往往会以调查问卷的形式选择一部分样本进行分析，这为人们提供了不少的便捷，但相应的缺点也是一览无余，这种样本分析法不管你有多深入的去挖掘，它都只能代表总体数据中的一小部分，不能代表全部数据，也许样本调查的准确性会达到90%以上，但是依然会遗漏一些很有价值的数据，就会导致数据的失真。但是随着大数据时代的到来，我们可能还没有意识到我们已经具备处理和分析大数据的能力，我们的思维正在一点点的改变，首先，我们不能一直依靠对小部分数据样本进行分析，而是转向为分析全部数据。

大数据思维是一种容错思维。在小数据时代，由于收集的样本信息量比较少，所以必须确保记录下来的数据尽量结构化、精确化，否则，分析得出的结论在推及总体上就会“南辕北辙”，因此，就必须十分注重精确思维。然而，在大数据时代，得益于大数据技术的突破，大量的非结构化、异构化的数据能够得到储存和分析，这一方面提升了我们从数据中获取知识和洞见的能力，另一方面也对传统的精确思维造成了挑战。维克托・迈尔-舍恩伯格指出，“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利用，只有接受不精确性，我们才能打开一扇从未涉足的世界的窗户”。也就是说，在大数据时代，思维方式要从精确思维转向容错思维，当拥有海量即时数据时，绝对的精准不再是追求的主要目标，适当忽略微观层面上的精确度，容许一定程度的错误与混杂，反而可以在宏观层面拥有更好的知识和洞察力。

大数据思维是一种相关思维。在小数据世界中，人们往往执着于现象背后的因果关系，试图通过有限样本数据来剖析其中的内在机理。小数据的另一个缺陷就是有限的样本数据无法反映出事物之间的普遍性的相关关系。而在大数据时代，人们可以通过大数据技术挖掘出事物之间隐蔽的相关关系，获得更多的认知与洞见，运用这些认知与洞见就可以帮助我们捕捉现在和预测未来，而建立在相关关系分析基础上的预测正是大数据的核心议题。通过关注线性的相关关系，以及复杂的非线性相关关系，可以帮助人们看到很多以前不曾注意的联系，还可以掌握以前无法理解的复杂技术和社会动态，相关关系甚至可以超越因果关系，成为我们了解这个世界的更好视角。维克托・迈尔-舍恩伯格指出，大数据的出现让人们放弃了对因果关系的渴求，转而关注相关关系，人们只需知道“是什么”，而不用知道“为什么”。我们不必非得知道事物或现象背后的复杂深层原因，而只需要通过大数据分析获知“是什么”就意义非凡，这会给我们提供非常新颖且有价值的观点、信息和知识。也就是说，在大数据时代，思维方式要从因果思维转向相关思维，努力颠覆千百年来人类形成的传统思维模式和固有偏见，才能更好地分享大数据带来的深刻洞见。

大数据思维是一种智能思维。大数据使得人可以被量化，但却让计算机更具智能。工业革命使得需要人完成的工作只用机器就可以完成了，但大数据却可以使得机器有了分析问题的能力。卫星定位系统积累的大量数据，可以制作电子地图和导航，还可以通过分析数据开发出无人驾驶汽车，让机器变得拥有智慧。如何让计算机拥有智慧，除了要拥有大数据外，必须变革思维，创新分析思路与过程，不断探索新的方法，让堆积如山的数据不断创造新的价值。例如手机上常用的地图软件，可以搜索很多路况同步数据，为用户提供出行信息。这只是大数据最基础的应用，继续延伸， 是否可以根据上下班时段的交通流量估算失业率；是否可以通过对主要商圈的监控估算消费情况；是否可以将废弃的数据重新创造价值；是否可以利用用户在拼写过程中的拼写错误让拼写检查软件更优化；是否可以通过分析各实体和产业之间的关联关系，预测各行业发展趋势，找出关键影响因素；是否可以分析顾客的偏好，量体裁衣式的为顾客提供更好的服务； 是否可以运用大数据模拟现实情境，发掘出新的需求和更好的回报；是否可以创新大数据的使用模式，将大数据深加工，用户可以很方便地结合自身情况选择适合自己的产品。

4 建立大数据思维促进中国铁路创新

4.1 以数据为核心

大数据时代，计算模式也发生了转变，从“流程”核心转变为“数据”核心。Hadoop体系的分布式计算框架已经是“数据”为核心的范式。非结构化数据及分析需求，将改变IT系统的升级方式：从简单增量到架构变化。例如：IBM将使用以数据为中心的设计，目的是降低在超级计算机之间进行大量数据交换的必要性。大数据下，云计算找到了破茧重生的机会，在存储和计算上都体现了数据为核心的理念。大数据和云计算的关系：大数据与云计算是一个问题的两面，一个是问题，一个是解决问题的方法。而大数据比云计算更为落地，可有效利用已大量建设的云计算资源，最后加以利用。中国铁路信息化历经50余年的发展，取得广泛的应用，拥有海量的资源，大数据将成为推动中国铁路创新发展的新引擎。随着中国铁路信息化的到来，中国铁路发展的战略需求也发生了改变，数据的处理分析成为了一个关注重点，软件也将从编程为主转变为以数据为中心。如何高效地从海量数据中分析、挖掘所需的信息和规律，结合已有经验和数学模型等生成更高层次的决策支持信息，获得各类分析、评价数据，为设备管理、网络状态评估等提供决策支持，为铁路工作人员提供有用信息，成为铁路未来发展的趋势。

4.2 全样本考虑

统计学里头最基本的一个概念就是，全部样本才能找出规律。为什么能够找出行为规律？一个更深层的概念是人和人是一样的，如果是一个人特例出来，可能很有个性，但当人口样本数量足够大时，就会发现其实每个人都是一模一样的。在大数据时代，无论是商家还是信息的搜集者，会比我们自己更知道你可能会想干什么。现在的数据还没有被真正挖掘，如果真正挖掘的话，通过信用卡消费的记录，可以成功预测未来5年内的情况。大数据的核心就是预测，大数据能够预测体现在很多方面。大数据不是要教机器像人一样思考，相反，它是把数学算法运用到海量的数据上来预测事情发生的可能性。正因为在大数据规律面前，每个人的行为都跟别人一样，没有本质变化。例如：大数据助微软准确预测世界怀。微软大数据团队在2014年巴西世界足球赛前设计了世界怀模型，该预测模型正确预测了赛事最后几轮每场比赛的结果，包括预测德国队将最终获胜。预测成功归功于微软在世界杯进行过程中获取的大量数据，到淘汰赛阶段，数据如滚雪球般增多，常握了有关球员和球队的足够信息，以适当校准模型并调整对接下来比赛的预测。世界杯预测模型的方法与设计其它事件的模型相同，诀窍就是在预测中去除主观性，让数据说话。利用大数据技术可以从铁路的客票系统、货票系统、货运电子商务平台、运输信息集成平台等信息系统采集海量的原始信息，这些信息可以为市场分析和预测提供有力的支撑。与传统方法侧重于对调查抽样统计数据的分析不同，基于大数据技术的市场分析和预测技术既能够利用上述海量数据，分析客、货运量完整全面的变化过程，深入挖掘运量变化的规律性，进而预测市场的未来走势；还能够利用GPS、传感器等物联网手段采集获取精细的运输数据，并且通过互联网接入的政治、经济、其他交通方式、气候等影响因素数据，将旅客和货物流量流向的精细化分析与影响因素关联性分析相结合，挖掘各影响因素对铁路运量变化影响的方向和时滞，量化各因素对运量变化的影响。在对典型设备故障诊断与状态预测方面，可以综合利用GSM-R接口监测数据、网络管理信息、场强和服务质量动态检测数据、无线干扰检测监测数据等数据源，采用数据挖掘技术，研究监测检测数据综合分析方法、多源数据关联分析方法和适用于通信业务数的故障诊断分析方法，建立典型故障诊断模型、GSM-R网络QoS测试综合评价模型、CTCS-3列控系统降级故障表示模型等，对列车控制的车载系统、地面控制系统、无线通信网络交互作用进行可靠性评估和故障综合诊断，为列车控制系统降级原因分析、GSM-R网络维护、网络优化等提供支持。

4.3 用信息找人

互联网和大数据的发展，是一个从人找信息，到信息找人的过程。先是人找信息，人找人，信息找信息，现在是信息找人的这样一个时代。信息找人的时代，就是说一方面我们回到了一种最初的，广播模式是信息找人，我们听收音机，我们看电视，它是信息推给我们的，但是有一个缺陷，不知道我们是谁，后来互联网反其道而行，提供搜索引擎技术，让我知道如何找到我所需要的信息，所以搜索引擎是一个很关键的技术。例如：从搜索引擎――向推荐引擎转变。今天，后搜索引擎时代已经正式来到，什么叫做后搜索引擎时代呢？使用搜索引擎的频率会大大降低，使用的时长也会大大的缩短，为什么使用搜索引擎的频率在下降？时长在下降？原因是推荐引擎的诞生。就是说从人找信息到信息找人越来越成为了一个趋势，推荐引擎就是说它很懂我，知道我要知道的东西。例如，我们结合12306网站数据及实名制购票资料，对出行旅客的个人信息、出行线路、出行时间周期进行的统计分析，同时借助互联网大数据预报人员迁徙情况，最后完全勾勒出旅客的需求，使铁路可以充分了解每一位旅客，实时的知道他们旅行目的地，以及出发时间及需要的服务层次，有针对性地推送一些旅游服务、餐饮、住宿、景观等方面的产品，使得营销工作更加精准，营销效率也更高。

5 大数据思维带来的挑战

大数据的发展速度有目共睹，想要在竞争社会中走的更远，人人都需要建立大数据思维。那么在建立大数据思维中，有哪些挑战呢？

第一，大数据应用和商业回报间的矛盾。未来的大数据应用一定是可定制的、可在云上打包的服务，即将业务、数据、分析能力多面定制，一起打包。企业需要可快速部署和有明确投资回报率的应用，这涉及到数据的质量和丰富度及业务人员对数据的依赖度。这需要企业内各个部门的有效协作，并规避无法确定的风险，比如分析结果的不确定性，业务场景的复杂性，人员的能力缺失等。传统手段，比如通过社交媒体、邮件、网络文本等获得的数据量非常庞大，但解破这些数据的关系和价值却给企业带来巨大挑战。企业希望成为数据的主人，但在辨析数据的有效性、能带来哪些商业回报，以及如何帮助决策等方面却缺乏有效工具。

第二，海量数据与核心数据间的矛盾。要做大数据，首先要了解自己的企业，或者企业所在的行业的核心是什么。我们发现，有很多企业在竞争过程中，最终不是被现有竞争对手打败，而是被很多潜在未知的竞争对手打败的。举例来说，大部分人都认为亚马逊是做电商的，但其实亚马逊现在最主要的收入来自云服务，也就意味着亚马逊的核心数据（价值）是云服务。只有在此基础上，亚马逊建立的大数据才是有效的、服务于战略的。

第三，内部数据与数据间的矛盾。企业所获取的数据，很大一部分是内部数据，这让企业面对另一个挑战，如何让内部数据与相关数据产生联系并使之成长。只有让内外部数据的交融在用户场景中，才能为业务用户描绘更精准的业务发展空间。

第四，规律发现和规律失效间的矛盾。调研显示，从大数据应用总结出的规律来看，建立失效预警是特别必要的。当企业通过大数据分析发现一个规律，并在现实中应用时，必须要设立一些预警指标。当指标达到一定程度，既表明之前发现的规律已经失效，必须发现新的规律、建立新相关指标，这称为数据价值的有效性。没有根据实际应用场景的变化而及时更新的数据，挖掘得再多都是无谓的浪费，熟练应用失效预警，企业才能培养起团队对数据真实有效的敏感性。

6 结语

大数据思维把人们从旧的发展观、价值观中解放出来，复杂技术的涌现和科技进步促使人们开始从大数据思维视角重新审视世界，从而获取正确理解世界的角度性工具。大数据思维是客观存在，大数据思维是新的思维观。用大数据思维方式思考问题，解决问题是当下企业潮流。中国铁路正处于加快转变发展方式的新形势下，为了适应市场化经营要求，构建铁路运输企业的核心竞争力，提升铁路的持续发展能力和盈利能力，应用大数据思维去推动铁路创新发展具有极其重要的现实意义。

参考文献：

[1]李国杰，程学旗.大数据研究：未来科技及经济社会发展的重大战略领域――大数据的研究现状与科学思考[J].中国科学院院刊.2012（06）

[2]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）

[3]王卫东，徐贵红，刘金朝，张文轩，邢小琴.铁路基础设施大数据的应用与发展[J].2015（05）

[4]维克托・舍恩伯格，肯尼斯・库克耶.大数据时代[M].杭州：浙江人民出版社，2013.

[5]王元卓，靳小龙，程学旗.网络大数据：现状与展望[J].计算机学报. 2013（06）

[6]刘婷，徐寰春.浅析大数据时代背景下智慧城市规划[J].智能城市.2016（09）

[7]李艺杰.浅谈大数据时代数据信息现状及发展[J].中国新技术新产品. 2014（15）

[8]冯永强，张良，冯怡，朱尚杰.大数据应用的现状与展望[J].信息化建设. 2015（12）

[9]张保国.浅议大数据在公交经营管理中的应用[J].城市公共交通.2016（03）

[10]方巍，郑玉，徐江.大数据：概念、技术及应用研究综述[J].南京信息工程大学学报（自然科学版）.2014（05）

[11]邬贺铨.大数据时代的机遇与挑战[J].求是.2013（04）

[12]王浩，张怡.大数据时代下人类思维方式变革的趋势[J]. 新西部（理论版）. 2015（02）

[13]张康之，张桐.大数据中的思维与社会变革要求[J]. 理论探索. 2015（05）

篇11

为什么“粉丝经济”概念在电商平台开花结果、取得成功？阿里副总裁靖捷接受记者采访时给出了明确的答案：阿里利用旗下的零售平台、媒体矩阵、供应链平台及云计算、大数据等资源，为品牌了解消费者行为与市场趋势提供支持。更通俗地说，阿里帮助品牌让粉丝们从“看看就罢了”到“看看就爱上、就买到、就用上”，将明星、IP等对粉丝的吸引力转化成购买力。

粉丝本身是个热闹的话题，但如果不能运营和管理，对品牌而言是无意义的。粉丝，无非是想买的和已经买了的人；粉丝经济的本质，是品牌和消费者之间的关系。对于品牌来说，运用粉丝经济进行营销，是把潜在消费者转换成真实消费者的过程。

全矩阵打通精准消费者画像

在阿里矩阵中，品牌有各种可能去和消费者建立联系。“今年3月，我们在做一件事情，就是做一个“UNIFIED ID”，这个统一账号是将所有的账号打通了。”靖捷告诉记者。一见钟情只是最美好的想象，但不是常态。“感兴趣”之后，如何让这些兴趣进行关联？包括淘宝、天猫、优酷土豆、微博、UC、高德、虾米等在内的阿里矩阵，就是将所有品牌与粉丝进行链接，将真正的目标人群关联在粉丝趴。

过去，品牌仅知道有这样一个潜在人群对自己的明星、IP或产品感兴趣，但并不真正知道谁在购买自己的产品。数字化互动营销获得的通常仅是用户的手机号码——一个消费者可以有2个甚至更多个手机号，却只有一个支付宝(淘宝、天猫)账户。全线打通的账号体系，通过大数据帮助品牌触达阿里矩阵6.3亿消费者，与消费者展开深度互动。强账号体系带来的，是最为真实的用户画像，对于粉丝的购买行为、浏览行为、出行行为、社交行为等能有精准的画像，这就可以帮助品牌根据消费者的真实行为来不断加深共鸣。找到用户画像之后，阿里将通过一系列的工具来帮助品牌实现内容的产生和，与消费者建立链接。

边看边买直播打破时空区隔

直播就是系列工具之一，原本消费者通过电视或杂志看到的明星内容与自身是无关联的，是时间和空间割裂的，但通过天猫直播这种方式，消费者和品牌以及品牌的明星在同一个时间和空间，能够产生共鸣与互动。

同时，通过边看边买等形式，天猫直播也让品牌原有资产，或明星、IP投入带来更好的转化率和投入产出比。美宝莲携代言人Angelababy首次直播会与粉丝互动，创造2小时卖出1万支唇膏新品的纪录。此后，美妆品牌从中学习成功经验，在戛纳电影节营销中也取得了斐然的成绩。

未来，打破时空区隔的将不只是直播，品牌越来越重视将原本仅在线下店铺渠道才能获取的产品和体验，逐步像线上转移，“搬入”品牌官方旗舰店，包括专业高效的客服、个性化的“天猫定制”，以及一票难求、一物难求的稀缺商品，一些品牌已经取得了成功的初探。

整合碎片化流量与关注度

1.0时代的数字化营销，传播和销售是完全割裂开来的“两个世界”，从“兴趣”到“购买”的临门一脚很难实现，链路无法闭合。而如今，天猫密令、二维码等各种工具，让所有品牌对外的传播都可获得有效整合，可以将与粉丝所产生的碎片化关联落实在天猫的粉丝趴，或者品牌官方旗舰店中，进行更为全面的整合营销传播。士力架以微博为主阵地，基于阿里大数据分析进行粉丝定向营销，多数粉丝打开天猫或淘宝App主动搜索并进入旗舰店直接购买产品，取得了高于明星店铺平均水平约20倍的投资回报率。

这将把所有品牌与粉丝的销售渠道打通，“原本你在网上看到一个产品，你可能会去搜索、比较，但不一定会去购买；但现在，阿里通过全渠道的整合，可以迅速为粉丝推荐最符合其需求的信息。”靖捷说，“比如在天猫上迅速指引消费者去最近的门店去查看、去体验，并在线上更快的实现购买。”

篇12

一、何谓大数据

“大数据”这个术语最早期的引用可追溯到apache org的开源项目Notch。当时，大数据用来描述为更新网络搜索索引需要同时进行批量处理或分析的大量数据集。随着谷歌Map Reduce和Google File System （GFS）的，大数据不再仅用来描述大量的数据，还涵盖了处理数据的速度[1]。

大数据（big data），或称巨量资料，指的是所涉及的资料量规模巨大到无法通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。（在维克托?迈尔-舍恩伯格及肯尼斯?库克耶编写的《大数据时代》中[大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据的方法）大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）[2]。

二、大数据时代下石油化工企业信息化现状

1.认识不足

大数据时代是一个较为新鲜的事物，因而来说，较多的企业还不能够有效的把握大数据时代的特性，以顺应大数据时代的发展。就现代企业信息化现状而言，较多的企业都存在对于大数据时代特点的忽视，缺乏对于信息化技术以及策略的开发，对于信息数据的处理仍然停留在传统的基础阶段，只是简单的对于企业内部办公以及财务数据进行统计分析；这对于现代企业的市场竞争以及自身的发展而言是极为不利的。大数据时代强调的是对于整体性数据的收集、统计以及分析，而现在较多的企业都只是对于部分数据分析处理，因而来说只有提升认识才能进一步的改善企业信息化现状。

2.投入不足

对于大数据时代而言，企业如果想要从分化的把握数据以及透过数据获取价值性的信息，必须通过科学的技术以及充分的人力作为保障，而对于我国企业的现状获知得出，很多的企业都缺乏足够的投入，无论是技术手段还是人力资源的配备，企业的重心投入已经停留在传统的部门，对于信息化部分的投入缺乏力度。此中所说的投入不足主要展现为高级技术人才的缺乏以及技术研发以及购买资金的投入，这对于我国企业的未来发展是极为不利的。

3.缺乏系统规划

关于大数据时代下的企业信息化建设，众多企业都存在一个较大的误区，企业信息化建设以及运作并不是一个单独的个体，而是一个系统化的整体，其不仅需要科学化的制度以及技术作为基础，同时还需要集合企业的数据以及战略等多方面因素结合，进而成为一个贯穿企业整体结构的系统化工程。就我国企业的信息化建设规划上，笔者看到的更多的是信息化建设过程中，企业管理者并没有进行全局的把握以及规划，往往是独立进行，这样信息化系统不仅不能获取较为具有价值的信息，同时还容易在今后的企业发展中由于价值的不明确体现而受到忽视。

4.相关制度不健全

对于我国大多数的企业而言，都已经开始着手对于企业内部的信息化建设，但与国外企业相比，我国企业的信息化建设程度便展现出巨大的劣势。其主要原因在于，首先就政府层面上来说，政府缺乏有效的政策进行引导，不仅引导不足，现阶段我国政府对于企业的信息化建设保障政策也极为缺乏。其次对于企业内部的层面而言，企业信息化建设过程中必须依照严格的制度化准则作为杠杆进行，据笔者的了解，很多企业在进行信息化建设的过程中往往将制度化的建设放置与最后，这是不对的，应当与信息化的建设并行，确保信息化建设的目标实现[3]。

三、企业信息化构建原则

在企业进行信息化构建的过程中，坚持怎样的构建原则也就决定了未来说建立的信息化系统所能产生的效能。因而来说，对于信息化系统的构建而言，科学化的构建原则是尤为必要的。笔者认为，在对于企业信息化构建的过程中，应当主要坚持以下方面的原则进行：

1.以人为本原则

现代社会任何企业在竞争的过程中，其主要决定性资源都是人，企业信息化构建在未来推出的过程中，需要以人为主体进行操控，因而来说坚持以人为本的原则对于信息化系统的构建，能够最大限度的提升信息化系统的科学性以及可操作性，同时也能够最大限度调动信息化系统在推出的过程中员工使用以及学习的积极性。

2.协调性原则

熟悉石油化工企业的都会知道，石油化工企业其产业链较大，因而来说，在对于石油化工企业进行信息化系统构建的过程中，一定要坚持协调性的原则进行构建，其中不仅需要协调部门之间的信息化板块建设，同时还需要对于产业链上下游系统的协调性建设。强化企业内部信息化系统的协调性是为了保障，企业信息化系统在推出的过程中，能够更好的推动各个环节之间的衔接，发挥最大效应。

3.需求为先原则

任何企业在经营的过程中都不能孤立的存在，其都需要依赖上下游企业的支持，同时其也必须以市场需求为导向而进行。因而来说对于石油化工企业来说，在进行企业信息化构建的过程中，满足以需求为先的原则进行构建，能够有效的保障在未来的发展过程中，信息化系统能够与市场需求的变化形成良好的切合点。

四、大数据时代石油化工企业信息化构建策略

1.强化重视度提升

思想对于行为具有指导性，思想的转变才能进而影响人主观行为的转变，因而来说，只有强化思想的转变，提升对于信息化系统建设的重视度，才能在大数据的时代之下，构建自身的核心竞争力，强化对外竞争。强化对于重视度的提升，不仅展现为领导层的重视度提升，其需要全方面的员工意识形态上的重视度提升。全方位的意识形态转变，重视度提升，为石油化工企业在今后的信息化构建过程中提供了强有力的保障。

2.加大投入力度

石油化工行业是一个高科技密集型行业，信息化实施的程度和实施的成效，在很大程度上影响着石油化工行业的竞争能力。石油化工行业上中下游的各个业务领域投资巨大、人员众多，各产业价值链的关联度较高，某一业务的发展会对其他环节业务造成重大影响，所以，大型石油企业更需要实现上中下游产业的一体化协同发展。因而来说，石油化工企业为了有效的迎合大数据时代的需求，以提升自身的对外竞争力，其不仅需要强化自身在进行信息化系统构建过程中的资金投入，同时还需要一定的科技投入，这样才能够保障未来石油化工企业的信息化系统具有较高的实用性以及价值。

3.科学规划信息化系统

专家认为，未来石油化工企业将以集中集成、智能应用为原则，运用物联网、云计算等信息技术，以生产运行智能化、资产管理智能化和企业管理信息化为切入点，开展数据中心和智能工厂建设，实现资源“高利用、低排放、减量化、低污染”，进一步构建资源节约、环境友好的生产方式，增强公司可持续发展能力，提高生态文明。科学规划信息化系统建设，能够保障系统之内的各个环节都有实际的意义，同时其在实际的使用过程中能够相互进行补充以及保障，提升资源的最大化利用度。

篇13

传统经济也可以是高科技的

近几十年来的信息技术变革，其本质是信息化，从技术效果上看是一个生产“数据”的过程，十多年前还被零零碎碎手书的数据，已被各种新工具不断采集和存储，各行各业或多或少都拥有着自己的数据资源。从自身累积的历史数据中使用合适的分析方法，找到原本凭借行业内职业经验与直觉找不到的“规律”，解决自身实际问题，这就是数据创新。有时，这种创新带来的改变是“琐碎”的，但却优化了商业模式、提升了用户体验，甚至完善了企业经营模式与文化。

这里特别需要指出的是，不放过任何盈利机会的零售业，早已是数据创新的主战场。当前，商业流通结算行业的定价、销售和支付正在发生变革。大数据驱动下的商品定价变革将是根本性的，是原有商品定价模式的一种逆反，非商家定价，而是由消费者定价。在销售模式上，电子商务能否成为一种真正的销售变革，这完全取决于C2B模式。未来商业流通领域的价值链原动力是消费者驱动，而非现有的制造驱动或设计驱动，大致有两种：一是聚合需求形式，如反向团购；二是要约合作形式，如逆向拍卖等。从技术层面上说，都是基于交易数据创新的，需要更快捷地划分、分析和锁定消费者，转而将这些小众的微量需求来改进商品、促成销售，将已有的定制开发逐渐从“大规模”转成“个性化、多品种、小批量和快速反应”.在支付形式上，一种是将管理支付转为管理数据；另一种是将支付货币转为支付信用。

大数据时代，传统经济想要有高科技含量，最关键的是不要做数据的“看守人”.目前被打车软件“搅翻”的出租车行业，同样能利用数据创新改变现状，这是因为：出租车行业拥有的数据大多是轨迹线交通数据，这是一种能直接或间接反映驾驶者的主观意愿和车辆行驶过程中的环境限制等情况的数据，具有运行时间长、在城市整体交通流量中占有量大的特点。分析和挖掘出租车这种城市典型移动对象的历史轨迹数据中，找到本地区驾驶员偏好、乘客出行习惯或交通拥堵热点，有助于直接了解人们的各种社会活动、间接把握城市动态性。因而，依据轨迹线交通数据创新能改变当前导航市场的“红海”格局，使用实时交通路线推荐替代基于地图数据的最短路径推荐。

两种业态是一种竞合关系

什么是数据产业？从信息化过程中累积的数据资源中提取有用信息，即数据创新，将这些数据创新赋予商业模式，就是产业化，因而数据产业是信息产业的逆反、衍生与升级。应当看到，这种由大数据创新所驱动的产业化过程，是具有“提升其他产业利润”特征的，除了能探索新的价值发现、创造与获取方式以谋求本身发展外，还能帮助传统产业突破瓶颈、升级转型，是一种竞合关系，而非一般观点“新兴科技催生的经济业态与原有经济业态存在竞争关系”.

所以，数据产业培育围绕传统经济升级转型，依附传统行业企业共生发展，实为上策。需要指出的是，为加速数据产业企业集聚形成产业集群、凸显极化效应，设计数据产业发展模式同样应考虑建立数据产业基地，但不能照搬传统的“政府引导、市场选择和企业主导”方式，而应是某种“新型”样式，至少具有以下五方面特征：

一是产业显现凝聚力，围绕某一领域或行业数据资源，实现资源、科技共享，数据产品生产专业分工明确，基地内企业做到竞合协同，具有整体创新绩效。二是资本、科技双重驱使，由专业数据产业基金引导政府相关部门、多个大学与科研院所参与基地建设。三是“智慧”精准管理，在管理上将依靠数据创新实现精准化，充分体现“智慧”.四是多元化生态型，其实质是一种内嵌数据创新核心应用的城市CBD，具有充足的商业配套、齐备的文化设施和宜居的生态社区，能进行便利的商业活动、生产工作和生活娱乐。五是人才高地，能将各种人才结合在一起，调动其积极性、创造性。

数据产业的竞争关乎国力

数据产业竞争涵盖了政治、经济、军事、文化等多个领域，从宏观到微观，从虚拟到实体，涉及航空、航天、海洋、电力、教育等生活的方方面面。

根据对数据产业内涵和外延的不同理解，其概念有广义和狭义之分。

从狭义上来说，数据产业从技术效果上看主要是数据准备、数据挖掘和可视化，即对数据资源进行合理开发、对数据资产进行有效管理，直接商品化数据产品，涵盖数字出版与文化业、电子图书馆和情报业、多媒体业、数字内容业、领域数据资源开发业、行业数据资源服务业等，当前已有的数据创新有网络创作、数据营销、推送服务、商品比价和疾病预控等。从广义上来说，数据产业包括涉及狭义意义上的上下游关联行业，依次具体是：数据采集、数据存储、数据管理、数据处理、数据挖掘、数据分析、数据展示，以及数据产品评价和交易。

篇14

【关键词】商业银行 大数据 SWOT分析 战略探讨

2012年以来，“大数据”成为了新的关键词。2012年12月，英国作家维克托·迈尔-舍恩伯格和肯尼斯·库克耶所著的《大数据时代》向读者揭示了大数据时代的到来，在这个信息爆炸、数据为王的新时代，传统的商业模式正在被颠覆，商业银行将面对各种各样新的挑战。在大数据时代，商业银行有必要针对“大数据”制定新的发展战略，以应对未来大数据时代带来的各种变革。

一、大数据时代概述

较早提出“大数据（Big Data）时代”的是全球知名咨询公司麦肯锡，麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。”然而，对于“大数据”一词，IT界并没有准确的定义。美国研究机构Gartner给出了这样的解释：“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。

国际数据公司（IDC）的研究结果表明，2011年全球产生的数据量高达1.82ZB（（ 1ZB=1024EB；1EB=1024PB；1PB=1024TB；1TB=1024GB；1GB=1024MB），相当于全球每人产生200GB以上的数据。对于商业银行，客户数据和交易数据已经成为其核心资产之一，随着业务的发展，客户数据将由简单的个人资料转变成全面的个人资产结构、个人消费结构等信息，而这种信息将对银行的数据积累和处理能力带来极大的挑战。因此，未来的商业银行之间的竞争也可以看作是银行间大数据战略的比拼。

二、商业银行大数据时代的SWOT分析

（一）优势分析

1.商业银行拥有广大的客户群体

商业银行在多年发展中，积累了大量的客户数据，包括客户个人资料、客户存贷款信息等。大数据时代下，商业银行的客户资料将成为商业银行的重要信息资产之一，通过云计算等技术手段，将加快客户信息的验证和调用速度，提高业务办理效率。

2.商业银行资本雄厚，有能力建立大数据库

商业银行具有雄厚的资本，盈利能力较强，为其建立大数据服务器提供资金保障。由于建立数据库、云计算服务器等设备需要大量的资金支持，一般中小企业难以承受，商业银行凭借其较强的资本实力可以轻易构架起数据设备，以应对未来数以ZB计的数据量。

3.商业银行拥有专业的客户服务人才

商业银行发展过程中，培养了许多专业的客户服务人才。这些客户服务人才在大数据时代下，可以利用更加详细的客户信息，更加丰富的客户行为，从各个角度分析客户需求，为客户提供全面的金融服务方案。

（二）劣势分析

1.客户信息不全面

（1）缺乏个人客户基本信息

商业银行虽然拥有大量的客户信息，但是对于单个客户的资料仅限于身份证信息和银行卡流水信息，对于客户其他方面的信息知之甚少。如客户的家庭情况、生活习惯、性格特征、兴趣爱好等。这些信息在大数据时代显得尤为重要，依据这些信息，客户经理可以为客户量体裁衣，提供满足客户各种需求的服务。

（2）缺少小微企业客户信息

小微企业不仅数量众多，金融需求总量也十分巨大。尽管商业银行一直在开拓小微企业金融业务，但非常缺乏小微企业的相关数据，一方面小微企业不愿透漏更多的信息，另一方面，为小微企业搭建贸易平台的电商企业掌握着众多的小微企业信息，而这些信息作为其核心资产，银行很难获得。

（3）缺少产业链客户的信息

很多商业银行的产业链金融业务由于涉及信息较多，收集和维护产业链相关企业数据较为不易。大数据时代下，银行可以观察核心企业的资金流水和交易记录，找到核心企业的供销商，更加高效便捷的发展产业链金融。

2.缺乏专业的数据分析人才

尽管银行拥有丰富的金融专业人才，但其数据分析人员较为匮乏。数据分析人才是指能够针对客户信息（如客户消费习惯、客户社交特点）等数据做出分析的人才。大数据时代下，需要金融专业人才和数据分析人才相互配合，才能为客户指定更加具体的、深入的金融服务方案。

（三）机会分析

1.先入为主的机会

刚刚进入大数据时代，各种软硬件设施还未健全，商业银行应当把握住这个机会，率先构架大数据战略体系，赢得先机。

2.降低成本、提高效率

短期来看，商业银行需要一定资金投入来架构大数据服务器，但长期看来，商业银行可以利用云计算实现公有云共享客户信息（云计算公认的一种分类方法，包括公有云、私有云、混合云。公有云通常指第三方提供商为用户提供的能够使用的云，公有云一般可通过Internet使用，可能是免费或成本低廉的。私有云是为一个客户单独使用而构建的，因而提供对数据、安全性和服务质量的最有效控制。混合云可视为两种云的结合），节约了时间成本和人力成本。另一方面，这些数据可以实现高效的交换和运转，将提高商业银行的办公效率。

（四）威胁分析

1.网商的竞争

马云曾说，“如果银行不改变阿里，阿里将改变银行”，互联网金融正在颠覆着传统的商业银行。2012年11月11日，天猫加淘宝销售额达到191亿元，超过1亿笔订单完成支付。其中，支付宝交易笔数占到所有交易的45.8%，支付宝提前充值带来的余额支付占31%，而传统网银支付，所有银行渠道相加只占到23.2%。面对来自互联网金融（如阿里金融、人人贷等）、移动互联网金融（如拉卡拉、手机钱包等）的竞争，商业银行将更加重视大数据战略。

此外，网商还拥有众多未获得营业执照的网店经营者，他们具有活跃的交易记录和巨大的金融需求，但商业银行很难开发到这些客户。

2.大数据存在的风险

未来，银行在架构存储数据终端时，将会广泛使用云计算技术，这种技术将实现共享数据资源的同时，也伴随着一定的风险。因为，云计算将数据存入云端，云端往往是由第三方服务器实现存取的，如果第三方将数据泄露，将会对银行交易记录、客户信息造成极大威胁。

三、商业银行大数据时代的战略选择探讨

表1 商业银行大数据时代的SWOT分析

优势（S）：

1.广大的客户群体

2.雄厚的资本

3.专业的客服人才 劣势（W）：

1.客户信息不全面

2.缺乏专业的数据分析人才

机会（O）：

1.抢占市场先机

2.降低成本、提高效率 利用资本优势、人才优势建立大数据库；构架云计算服务器；提高运行效率 完善客户信息，各银行间建立公有云共享信息；培养数据分析人才

威胁（T）：

1.网商的竞争

2.大数据存在风险 与网商合作，共享客户信息，分享利润；建立大数据的风险防范制度和体系；建立私有云 进一步调查研究大数据时代的各种风险，谨慎介入

如表1所示，结合商业银行大数据时代的优势、劣势、机会及威胁，得出了以上几种战略选择。建议商业银行围绕（WO）和（ST）制定战略。首先，从目前形势来看，虽然大数据时代刚刚到来，但银行在获得客户数据的进度上已经落后于电商企业。客户数据是电商企业的核心资产，银行不易获得，需要银行与电商企业合作的方式扩充客户资源。其次，银行间可以利用云计算技术建立公有云共享一部分客户信息（如客户基础资料、客户信用评级信息），建立私有云保护自己的核心客户资料和隐私记录，以及建立混合云开展银行和电商企业的合作。最后，商业银行需要培养大量的数据分析人才，将结构化和非结构化的数据加以分析，通过丰富客户体验，更好地满足客户的各种金融需求。

参考文献

[1]李开复.云计算[J].中国教育网络，2008（06）.

[2]张建文，汪鑫.云计算技术在银行中的应用初探[J].华南金融电脑，2009（06）.

[3]阿里研究中心.大数据时代[Z].2012（03）.

[4]方方.“大数据”趋势下商业银行应对策略研究[J].新金融，2012（12）.