大數據應用層次

A. 如今的大數據到底發展到了什麼階段

從應來用角度來說，大自數據領域已有眾多成功的大數據應用，但就其效果和深度而言，當前大數據應用尚處於初級階段，根據大數據分析預測未來、指導實踐的深層次應用將成為發展重點。當前，在大數據應用的實踐中，描述性、預測性分析應用多，決策指導性等更深層次分析應用偏少。

從治理角度來說，大數據治理體系遠未形成，特別是隱私保護、數據安全與數據共享利用效率之間尚存在明顯矛盾，成為制約大數據發展的重要短板，各界已經意識到構建大數據治理體系的重要意義。其中，隱私、安全與共享利用之間的矛盾問題尤為凸顯。一方面，數據共享開放的需求十分迫切；另一方面，數據的無序流通與共享，又可能導致隱私保護和數據安全方面的重大風險，必須對其加以規范和限制。

從技術角度來說，數據規模高速增長，現有技術體系難以滿足大數據應用的需求，大數據理論與技術遠未成熟，未來信息技術體系將需要顛覆式創新和變革。近年來，大數據獲取、存儲、管理、處理、分析等相關的技術已有顯著進展，但是大數據技術體系尚不完善，大數據基礎理論的研究仍處於萌芽期。

B. 大數據應用到底是做什麼的

對於「大數據」，研究機構Gartner給出了這樣的定義。「大數據」是需要新處理模式才回能具答有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。維基網路的定義，大數據是指無法在可承受的時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合。
從技術上看，大數據與雲計算的關系就像一枚硬幣的正反面一樣密不可分。大數據必然無法用單台的計算機進行處理，必須採用分布式架構。它的特色在於對海量數據進行分布式數據挖掘，但它必須依託雲計算的分布式處理、分布式資料庫和雲存儲、虛擬化技術。隨著雲時代的來臨，大數據也吸引了越來越多的關注。
大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些含有意義的數據進行專業化處理。換言之，如果把大數據比作一種產業，那麼這種產業實現盈利的關鍵，在於提高對數據的「加工能力」，通過「加工」實現數據的「增值」。

C. 從應用層次的角度看,當前大數據應用的特點是什麼

從應用層次的角度看，當前大數據應用的特點是全民共享，是互聯網+。
希望對你有幫助，
請採納謝謝！

D. 大數據可以應用在哪些方面

可以應用在雲計算方面。

大數據具體的應用：

1、洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。

2、google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。

3、統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。

4、麻省理工學院利用手機定位數據和交通數據建立城市規劃。

5、梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基於SAS的系統對多達7300萬種貨品進行實時調價。

6、醫療行業早就遇到了海量數據和非結構化數據的挑戰，而近年來很多國家都在積極推進醫療信息化發展，這使得很多醫療機構有資金來做大數據分析。

7、及時解析故障、問題和缺陷的根源，每年可能為企業節省數十億美元。

8、為成千上萬的快遞車輛規劃實時交通路線，躲避擁堵。

9、分析所有SKU，以利潤最大化為目標來定價和清理庫存。

10、根據客戶的購買習慣，為其推送他可能感興趣的優惠信息。

(4)大數據應用層次擴展閱讀：

大數據的用處：

1、與雲計算的深度結合。大數據離不開雲處理，雲處理為大數據提供了彈性可拓展的基礎設備，是產生大數據的平台之一。

自2013年開始，大數據技術已開始和雲計算技術緊密結合，預計未來兩者關系將更為密切。除此之外，物聯網、移動互聯網等新興計算形態，也將一齊助力大數據革命，讓大數據營銷發揮出更大的影響力。

2、科學理論的突破。隨著大數據的快速發展，就像計算機和互聯網一樣，大數據很有可能是新一輪的技術革命。可能會改變數據世界裡的很多演算法和基礎理論，實現科學技術上的突破。

參考資料：

網路--大數據

E. 大數據分析的三個階段是什麼

數據分析的職位是由DJ Patil和Jeff Hammerbacher制定的，他們試圖稱呼數據組的同事們，而又不想因為稱呼而限制他們的能力。（because
of improper job title like business analyst or research scientist Building Data
Science Teams）
隨著大數據在驅動企業成功中越來越有決定性作用，數據分析也變得越來越受歡迎。然而，一些領導者對數據分析扮演的角色和它所起的作用仍然不是很了
解，就像很多時候領導者不知道怎麼從大數據中抽取有用的信息，雖然很清楚的知道這些大數據是很可信的。他們的腳步落後了——他們的眼光在大數據的利用上其
實是模糊的。

大數據的性質是有他的三個特點（數據量大、種類多、處理速度快）決定的，數據分析的角色和作用理所當然是由大數據的性質決定的。當數據分析作用於大數據時，大數據必須身兼數職。意思就是數據分析在一個組織中扮演著多種角色和擔負著多重責任。

多種知識的掌握

為了解決數據量大的問題，大數據平台（例如：Apache Hadoop、LexisNexis
HPPC）要求數據是被整理過的。數據分析員應該具有大數據平台應用的全方位知識，這樣才能熟練的應用數據平台處理大數據。數據分析元應當具有以下知識：

1、了解大數據平台的框架，例如：DFS和MapRece，他們的編程框架提供強大的應用程序設計。這就意味著數據分析員還要有軟體構築和設計的能力。

2、精通大數據平台支持的編程語言，例如：Java, Python, C++, or ECL, 等等。

3、具有熟練的資料庫知識，特別是用到SQL語言的資料庫，像：HBase, CouchDB,
等等。因為大數據平台經常需要資料庫來存儲和轉換數據。

4、具有數學/統計學、機器學習、數據挖掘領域的專業知識。

一個企業的成功不是由數據量決定的，而是由能否成功的從大數據中發現和抽取有用的知識模式和關系決定的，然後用這些有價值的信息創造出有價值的產
品。統計學、機器學習和數據挖掘可以很好的用於理解數據和發掘數據的價值。自然，為了成功數據分析者必須具備這些領域的專門知識。會使用一些數據挖掘工具
或者平台（例如：R, Excel, SPSS and SAS）是最好的，可以《Top Analytics and big data software
tools》這本書。

5、熟練應用自然語言處理的軟體或工具。大數據的內容大都來自於文本文件、新聞、社交媒體和報告、建議書等等。因此了解和掌握至少一種自然語言處理軟體或工具對於做一個成功的分析者起著決定性的作用。

6、應用至少一種數據可視化工具。為了更有效的演示數據存在的模式和關系，能應用好數據可視化工具無疑是對數據分析員的一個加分。這里有20款數據可視化工具的鏈接。

創新——好奇

隨著數據變化速度的加快，經常也會有新的發現和問題出現，數據分析員應該對那些變化敏感、對新發現好奇，並且找出應對新問題的方法。他/她也要熱情的及時相互溝通，從新問題中探索新產品的思路和解決方案，成為產品創新的駕馭者。

商業技能

首先，數據分析員多元化的性質決定了數據分析員要好很強的溝通能力，在企業里數據分析員必須和不同的人溝通，其中包括：溝通和理解業務需求、應用程
序的要求、把數據的模式和關系翻譯給市場部、產品開發組和公司高管看。對於企業來說有效的溝通是及時採取行動應對大數據新發現的關鍵。數據分析員應該是能
聯系所有，很好的溝通者。

第二、數據分析員要具有良好的規劃和組織能力。這樣他/她才能巧妙地處理多個任務、樹立正確的優先順序、保證按時完成任務。

第三，數據分析員應該具有說服力、激情、和演講能力。才能引導人們基於數據的發現做出正確的決定，讓人們相信新發現的價值。數據分析員在某種意義上說是領導者，驅動產品創新。

所有這些大數據的性質決定了數據分析員該具備的技巧和他們在企業中扮演的角色。

F. 什麼是大數據，大數據為什麼重要，如何應用大數據

「大數據」簡單理解為：

"大數據"是一個體量特別大，數據類別特別大的數據集，並且這樣的數據集無法用傳統資料庫工具對其內容進行抓取、管理和處理。大數據是一個抽象的概念，對當前無論是企業還是政府、高校等單位面臨的數據無法存儲、無法計算的狀態。大數據，在於海量，單機無法快速處理，需要通過垂直擴展，即大內存高效能，水平擴展，即大磁碟大集群等來進行處理。

大數據為什麼重要：

獲取大數據後，用這些數據做：數據採集、數據存儲、數據清洗、數據分析、數據可視化

大數據技術對這些含有意義的數據進行專業化處理，對企業而言，大數據可提高工作效率，降低企業成本，精準營銷帶來更多客戶。對政府而言，可以利用大數進行統籌分析、提高管理效率、管理抓獲犯罪分子等。對個人而言，可以利用大數據更了解自己等。

如何應用大數據：

大數據的應用對象可以簡單的分為給人類提供輔助服務，以及為智能體提供決策服務。

大數據不僅包括企業內部應用系統的數據分析，還包括與行業、產業的深度融合。具體場景包括：互聯網行業、政府行業、金融行業、傳統企業中的地產、醫療、能源、製造、電信行業等等。通俗地講「大數據就像互聯網+，可以應用在各行各業"，如電信、金融、教育、醫療、軍事、電子商務甚至政府決策等。

G. 大數據核心是在應用層面 真實有效最重要

大數據核心是在應用層面 真實有效最重要

2015年11月20日在廣州車展(微博)現場，騰訊汽車舉行大數據研究院戰略發布儀式，正式啟動「羅盤計劃」。在發布儀式現場，北京金馬甲產權網路交易有限公司副總裁龔馮兵現場參與互動討論。

龔馮兵：金馬甲從2009年誕生之日開始到現在已經六個年頭了，在這六年裡，金馬甲平台在各地公車的處置上，積累了幾十萬條數據。我們從二手車交易來看，本地化屬性很強烈。基本上做二手車都在周邊800到1000公里范圍之內，這就是二手車生態的特點。

從數據的角度說，不管是對於處置公車還是二手車，首先做公有車處置核心的是汽車價值評估。基於這個市場來說，之前在近幾期的針對同一車款、同一年份等等，二手車的成交價格、車況什麼樣，車價格什麼樣，對於新進入市場做評估的時候，這種數據就會有具體的應用。

同時對於經銷商來說，周邊最近看什麼品牌的車，或者什麼樣的二手車銷量和處置情況狀態，這對於經銷商來說也是有利用價值的數據。因為大數據來說，我們之前也都或多或少像J.D.Power所說的，從很早的時間就做大數據，但是沒有像現在是當做特別新的概念來提。可能很多人都會在大街上碰到調查問卷，這些都是大數據最原始的搜集和積累應用的方面，只不過這些年隨著互聯網技術、新技術的增加，讓數據的採集和數據的獲取方面得到了極大的效率，在數據獲取的效率方面得到了極大提升。同時，利用新技術對於數據的處理分析能力也獲得了巨大的提升。

在二手車處置方面，大數據最核心的是在應用層面，什麼樣的人來用數據，身份不一樣，那對於數據的要求是不一樣的。可能針對於汽車行業，我個人認為可能有三個。一個是主機廠，一個是汽車的經銷商，包括各類新車的經銷商、二手車經銷商，還有最廣大的是用戶。針對於各個層面在汽車領域裡面的身份，對於數據的需求是不同的。我們作為交易平台來說的話，現在正在做的工作，就是針對於不同的身份來提供相應感興趣的，或者針對與他適應性非常強的數據。

問：請問龔馮兵總，現在在廣州、深圳、天津、杭州實施的禁牌的系統，其實裡面也有很多的數據。您能否介紹一下這種數據？其實更偏向於更精準一點。從這種數據來看的話，平台運營情況怎麼樣，以及各個城市之間有差異？互聯網數據和這個平台進行結合的話，請您談一下看法？

龔馮兵：實際上從這四地號牌每個月的競價情況來看，就像剛才咱們所介紹的一樣，本地的特性是特別明顯的。不管是從參與人數，從每個地號牌成交的均價來說，地區之間都有差異化。從整體來說，像我們四地基本上每個月的競牌的獲得者總體來說在2萬個用戶。因為還有一部分是搖號的，光是通過競價方式獲得車牌的就是2萬用戶左右。每個月關注的在10萬左右，也就是有意向競牌的統計下來有10萬左右。關注的基本上就更多了，在四個城市裡面有兩三百萬的規模。

本身競牌的核心就是一個數據最核心的，這個月可能獲得了競牌會在未來的一個月到兩個月會實施購車計劃。在這個過程當中，實際上這個數據對於各個品牌的主機廠來說，或者是對於想要在未來獲得購買汽車，以及對獲得車牌的廣大消費者來說，都是有非常好的意義。

我們在通過之前每期的車牌競價數據的積累，也是在不斷地分析、研究，包括數據的車牌價格的走向。也挺有意思的，不像8、9月份價牌會高，10月到11月價格又回落。而是價格有高有低，我們也是通過數據的分析形成價格波峰波谷的規律。同時希望通過數據分析，對於主機廠和對於四地的消費者來說，也能夠給予一定的參考和支撐的作用。

第一個層面，在頂層上現在大家都在說大數據，國家在大數據相關立法方面應該拿出具體的措施來。讓大家在一個合規合法的情況下去獲取數據，去分析數據，去運用數據，讓它在法制的大環境下產生更大的經濟效益。

第二個層面，像各位嘉賓都是在做大數據生產和經營方面的事情。對於消費者來說，我們能夠給各類的消費者提供真實有效的，特別是有效和真實的數據，是我們大數據從業者所要牢固樹立的核心出發點。

第三個層面，從金馬甲本身來說，希望在今後包括跟騰訊汽車，羅盤計劃我們也進入了，跟張教授和從業者一起共同努力，給汽車行業的經營者和消費者提供更為高效和優質的服務。

張教授剛才提到了騰訊推出具體的產品，實際上金馬甲跟騰訊現在正在做的四地號牌的產品。我們利用騰訊的微信，做了一個微信的四地號牌的產品，通過這個產品可以給四地號牌消費者非常好的服務，包括歷史成交的數據，包括下一步的價格分析等等。我們想通過與跟騰訊汽車合作的產品，來為消費者進行精準的服務。

以上是小編為大家分享的關於大數據核心是在應用層面 真實有效最重要的相關內容，更多信息可以關注環球青藤分享更多干貨

H. 大數據技術包括哪些

大數據技術包括數據收集、數據存取、基礎架構、數據處理、統計分析、數據挖掘、模型預測、結果呈現。

1、數據收集：在大數據的生命周期中，數據採集處於第一個環節。根據MapRece產生數據的應用系統分類，大數據的採集主要有4種來源：管理信息系統、Web信息系統、物理信息系統、科學實驗系統。

2、數據存取：大數據的存去採用不同的技術路線，大致可以分為3類。第1類主要面對的是大規模的結構化數據。第2類主要面對的是半結構化和非結構化數據。第3類面對的是結構化和非結構化混合的大數據，

3、基礎架構：雲存儲、分布式文件存儲等。

4、數據處理：對於採集到的不同的數據集，可能存在不同的結構和模式，如文件、XML 樹、關系表等，表現為數據的異構性。對多個異構的數據集，需要做進一步集成處理或整合處理，將來自不同數據集的數據收集、整理、清洗、轉換後，生成到一個新的數據集，為後續查詢和分析處理提供統一的數據視圖。

5、統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析(最優尺度分析)、bootstrap技術等等。

6、數據挖掘：目前，還需要改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等面向領域的大數據挖掘技術。

7、模型預測：預測模型、機器學習、建模模擬。

8、結果呈現：雲計算、標簽雲、關系圖等。