2017年，大数据产业依旧保持高速增长态势，并从单一的技术概念逐渐转化为新要素、新战略、新思维。鉴别真假内行的时候来了，你真的明白这些科技热词的意思吗？数据君挑选了30个和大数据相关的网络热词，或许无实际用处仅有助谈资。

AI人工智能 Artificial Intelligence

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。

区块链

狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一 种链式数据结构， 并以密码学方式保证的不可篡改和不可伪造的分布式账本。广义来讲，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算范式。

图灵测试 The Turing test

图灵测试（The Turing test）由艾伦·麦席森·图灵发明，指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。

进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。图灵测试一词来源于计算机科学和密码学的先驱阿兰·麦席森·图灵写于1950年的一篇论文《计算机器与智能》，其中30%是图灵对2000年时的机器思考能力的一个预测，目前我们已远远落后于这个预测。

回归分析 regression analysis

回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。

MapReduce

MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。 当前的软件实现是指定一个Map（映射）函数，用来把一组键值对映射成一组新的键值对，指定并发的Reduce（归约）函数，用来保证所有映射的键值对中的每一个共享相同的键组。

贪心算法

贪心算法（又称贪婪算法）是指，在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的是在某种意义上的局部最优解。

贪心算法不是对所有问题都能得到整体最优解，关键是贪心策略的选择，选择的贪心策略必须具备无后效性，即某个状态以前的过程不会影响以后的状态，只与当前状态有关。

贪心算法的基本思路是从问题的某一个初始解出发一步一步地进行，根据某个优化测度，每一步都要确保能获得局部最优解。每一步只考虑一个数据，他的选取应该满足局部优化的条件。若下一个数据和部分最优解连在一起不再是可行解时，就不把该数据添加到部分解中，直到把所有数据枚举完，或者不能再添加算法停止[3] 。

数据挖掘

数据挖掘（英语：Data mining），又译为资料探勘、数据采矿。它是数据库知识发现（英语：Knowledge-Discovery in Databases，简称：KDD)中的一个步骤。数据挖掘一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。

数据可视化

数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为，一种以某种概要形式抽提出来的信息，包括相应信息单位的各种属性和变量。

它是一个处于不断演变之中的概念，其边界在不断地扩大。主要指的是技术上较为高级的技术方法，而这些技术方法允许利用图形、图像处理、计算机视觉以及用户界面，通过表达、建模以及对立体、表面、属性以及动画的显示，对数据加以可视化解释。与立体建模之类的特殊技术方法相比，数据可视化所涵盖的技术方法要广泛得多。

分布式计算 Distributed computing

在计算机科学中，分布式计算（英语：Distributed computing，又译为分散式计算）这个研究领域，主要研究分散系统（Distributed system）如何进行计算。分散系统是一组电子计算机（computer），通过计算机网络相互链接与通信后形成的系统。把需要进行大量计算的工程数据分区成小块，由多台计算机分别计算，在上传运算结果后，将结果统一合并得出数据结论的科学。

分布式架构

分布式架构是 分布式计算技术的应用和工具，目前成熟的技术包括J2EE, CORBA和.NET(DCOM)，这些技术牵扯的内容非常广，相关的书籍也非常多，本文不介绍这些技术的内容，也没有涉及这些技术的细节，只是从各种分布式系统平台产生的背景和在软件开发中应用的情况来探讨它们的主要异同。

Hadoop

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。

用户可以在不了解分布式底层细节的情况下，开发分布式程序。充分利用集群的威力进行高速运算和存储。

Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。HDFS有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）来访问应用程序的数据，适合那些有着超大数据集（large data set）的应用程序。HDFS放宽了（relax）POSIX的要求，可以以流的形式访问（streaming access）文件系统中的数据。

Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

BI 商业智能

BI（Business Intelligence）即商务智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。

商业智能的概念最早在1996年提出。当时将商业智能定义为一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。而这些数据可能来自企业的CRM、SCM等业务系统。

商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。

把商业智能看成一种解决方案应该比较恰当。商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供数据支持。商业智能产品及解决方案大致可分为数据仓库产品、数据抽取产品、OLAP产品、展示产品、和集成以上几种产品的针对某个应用的整体解决方案等。

非关系型数据库 NoSQL

非关系型数据库，又被称为NoSQL（Not Only SQL )，意为不仅仅是SQL（ Stmuctured QueryLanguage，结构化查询语言)，据维基百科介绍，NoSQL最早出现于1998 年，是由Carlo Storzzi最早开发的个轻量、开源、不兼容SQL 功能的关系型数据库，2009 年，在一次分布式开源数据库的讨论会上，再次提出了NOSQL 的概念，此时NOSQL主要是指I非关系型、分布式、不提供ACID (数据库事务处理的四个本要素)的数据库设计模式。同年，在业特兰大举行的“NO:SQL(east)”讨论会上，对NOSQL 最普遍的定义是“非关联型的”，强调Key-Value 存储和文档数据库的优点，而不是单纯地反对RDBMS，至此，NoSQL 开始正式出现在世人面前。

结构化数据

结构化数据，简单来说就是数据库。结合到典型场景中更容易理解，比如企业ERP、财务系统；医疗HIS数据库；教育一卡通；政府行政审批；其他核心数据库等。

基本包括高速存储应用需求、数据备份需求、数据共享需求以及数据容灾需求。

半结构化数据

和普通纯文本相比，半结构化数据具有一定的结构性，但和具有严格理论模型的关系数据库的数据相比。OEM(Object exchange Model)是一种典型的半结构化数据模型。

在做一个信息系统设计时肯定会涉及到数据的存储，一般我们都会将系统信息保存在某个指定的关系数据库中。我们会将数据按业务分类，并设计相应的表，然后将对应的信息保存到相应的表中。比如我们做一个业务系统，要保存员工基本信息：工号、姓名、性别、出生日期等等；我们就会建立一个对应的staff表。

非结构化数据

非结构化数据库是指其字段长度可变，并且每个字段的记录又可以由可重复或不可重复的子字段构成的数据库，用它不仅可以处理结构化数据（如数字、符号等信息）而且更适合处理非结构化数据（全文文本、图象、声音、影视、超媒体等信息）。

数据清洗

数据清洗从名字上也看的出就是把“脏”的“洗掉”，指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。因为数据仓库中的数据是面向某一主题的数据的集合，这些数据从多个业务系统中抽取而来而且包含历史数据，这样就避免不了有的数据是错误数据、有的数据相互之间有冲突，这些错误的或有冲突的数据显然是我们不想要的，称为“脏数据”。我们要按照一定的规则把“脏数据”“洗掉”，这就是数据清洗。而数据清洗的任务是过滤那些不符合要求的数据，将过滤的结果交给业务主管部门，确认是否过滤掉还是由业务单位修正之后再进行抽取。不符合要求的数据主要是有不完整的数据、错误的数据、重复的数据三大类。数据清洗是与问卷审核不同，录入后的数据清理一般是由计算机而不是人工完成。

算法 Algorithm

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。

深度学习 Deep Learning

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个�...

首席金融官

如今，金融业面临众多前所未有的跨界竞争对手，市场格局、业务流程将发生巨大改变，企业更替兴衰；未来的金融业，业务就是IT，IT 就是业务；金融业将开展新一轮围绕大数据、移动化、云的IT 建设投资。本节主要介绍金融行业大数据的应用案例，希望对读者有一定的启发和学习价值。

【案例一】淘宝网掘金大数据金融市场

随着国内网购市场的迅速发展，淘宝网等众多网购网站的市场争夺战也进入白热化状态，网络购物网站也开始推出越来越多的特色产品和服务。

1．余额宝

以余额宝为代表的互联网金融产品在2013 年刮起一股旋风，截至目前，规模超1000亿元，用户近3000 万，如图所示。相比普通的货币基金，余额宝鲜明的特色当属大数据。以基金的申购、赎回预测为例，基于淘宝和支付宝的数据平台，可以及时把握申购、赎回变动信息。另外，利用历史数据的积累可把握客户的行为规律。

2．淘宝信用贷款

淘宝网在聚划算平台推出了一个奇怪的团购“商品”——淘宝信用贷款。开团不到10 分钟，500 位淘宝卖家就让这一团购“爆团”。他们有望分享总额约3000 万元的淘宝信用贷款，并能享受贷款利息7.5 折的优惠。据悉，目前已经有近两万名淘宝卖家申请过淘宝信用贷款，贷款总额超过14 亿元。

淘宝信用贷款是阿里金融旗下专门针对淘宝卖家进行金融支持的贷款产品。淘宝平台通过以卖家在淘宝网上的网络行为数据做一个综合的授信评分，卖家纯凭信用拿贷款，无需抵押物，无需担保人。由于其非常吻合中小卖家的资金需求，且重视信用无担保、抵押的门槛，更加上其申请流程非常便捷，仅需要线上申请，几分钟内就能获贷，被不少卖家戏称为“史上最轻松的贷款”，也成为淘宝网上众多卖家进行资金周转的重要手段。

3．阿里小贷

淘宝网的“阿里小贷”更是得益于大数据，它依托阿里巴巴（B2B）、淘宝、支付宝等平台数据，不仅可有效识别和分散风险，提供更有针对性、多样化的服务，而且批量化、流水化的作业使得交易成本大幅下降。

每天，海量的交易和数据在阿里的平台上跑着，阿里通过对商户最近100 天的数据分析，就能知道哪些商户可能存在资金问题，此时的阿里贷款平台就有可能出马，同潜在的贷款对象进行沟通。

案例解析：通常来说，数据比文字更真实，更能反映一个公司的正常运营情况。通过海量的分析得出企业的经营情况，这就是大数据的应用。在本案例中，正像淘宝信用贷款所体现的那样，这种新型微贷技术不依赖抵押、担保，而是看重企业的信用，同时通过数据的运算来评核企业的信用，这不仅降低了申请贷款的门槛，也极大简化了申请贷款的流程，使其有了完全在互联网上作业的可能性。

大数据的价值已经得到互联网公司以及金融机构的认可，笔者认为：“谁掌握的‘拼图’图块多，谁就能快速拼出客户的图谱，成为真正的王者。”然而，目前来看，谁都不愿意轻易地交出自己手上的“拼图”，于是，互联网公司、银行、支付机构等各个海量数据的拥有者展开了激烈的金融数据争夺战。

【案例二】IBM 用大数据预测股价走势

不久前，IBM 使用大数据信息技术成功开发了“经济指标预测系统”。借助该预测系统，可通过统计分析新闻中出现的单词等信息来预测股价等走势。

IBM 的“经济指标预测系统”首先从互联网上的新闻中搜索与“新订单”等与经济指标有关的单词，然后结合其他相关经济数据的历史数据分析与股价的关系，从而得出预测结果。

在“经济指标预测系统”的开发过程中，IBM 还进行了一系列的验证工作。IBM 以美国“ISM 制造业采购经理人指数”为对象进行了验证试验，该指数以制造业中的大约20 个行业、300 多家公司的采购负责人为对象，调查新订单和雇员等情况之后计算得出。实验前，首先假设“受访者受到了新闻报道的影响”，然后分别计算出约30 万条财经类新闻中出现的“新订单”、“生产”以及“雇员”等5 个关键词的数量。追踪这些关键词在这段时期内的搜索数据变化情况，并将数据和道指的走势进行对比，从而预测该指数的未来动态。

IBM 研究称，一般而言，当“股票”、“营收”等金融词汇的搜索量下降时，道指随后将上涨，而当这些金融词汇的搜索量上升时，道指在随后的几周内将下跌。

据悉，IBM 的试验仅用了6 小时，就计算出了分析师需要花费数日才能得出的预测值，而且预测精度几乎一样。

案例解析：从本案例可以看出，大数据不再仅仅局限在媒体与厂商之间的讨论，它犹如一场数据旋风开始席卷全球，从各行各业的IT 主管到政府部门都开始重视大数据及其价值。

目前，不少信息系统企业都在使用大数据信息技术开发预测系统。例如，2011 年，英国对冲基金Derwent Capital Markets 建立了规模为4000 万美金的对冲基金，该基金是首家基于社交网络的对冲基金，该基金通过从Twitter 的数据内容来感知市场情绪，从而进行投资。无独有偶，美国加州大学河滨分校也公布了一项通过对Twitter 消息进行分析从而预测股票涨跌的研究报告。

笔者认为：“企业数据就是新时代还未开采的石油，具有非常之高的价值。”国外一些金融机构已经开始做一些前瞻性的研究了，这种做法是非常值得国内金融机构学习和借鉴的。例如，国内大部分证券公司仍然没有摆脱交易性数据为主的特点，但很多有前瞻意识的证券公司已经开始做一些转型了，对微博、互联网等外部数据进行一些分析与预测。

【案例三】汇丰银行采用SAS 管理风险

近日，汇丰银行选择SAS 防欺诈管理解决方案构建其全球业务网络的防欺诈管理系统。据悉，这一解决方案是一种实时欺诈防范侦测系统。

SAS 被誉为“全球500 强背后的管理大师”，是全球领先的商业分析软件与服务供应商。SAS 通过三部分服务（包括软件及解决方案服务、咨询服务、培训及技术支持服务）帮助客户洞察商机，成就变革，改善业绩。

凭借丰富的行业专业知识，SAS 的行业解决方案在各领域为行业解析蕴藏于信息之中的独特的商业问题。例如金融服务领域的信用风险管理问题、生命科学领域加快药物上市速度和识别零售领域的交叉销售机会等问题。SAS 还提供跨职能解决方案，不分行业地帮助企业克服其面临的挑战。例如增加客户关系价值、测量和管理风险、检测欺诈和优化IT 网络等。

汇丰银行与SAS 在防范信用卡和借记卡欺诈的基础上，共同扩展了SAS 防欺诈管理解决方案的功能，为多种业务线和渠道提供完善的欺诈防范系统。这些增强功能有助于全面监控客户、账户和渠道业务活动，进一步提高分行交易、银行转账和在线付款欺诈以及内部欺诈的防范能力。通过监控客户行为，汇丰银行可以优化并更加有效地利用侦测资源。

汇丰银行利用SAS 系统，通过收集和分析大数据解决复杂问题，并获得非常精确的洞察，以加快信息获取速度和超越竞争对手。因此，汇丰银行还将继续采用SAS 告警管理、例程和队列优先级软件，提高运营效率，以便迅速启动紧急告警。

案例解析：在当今这个海量数据的时代，如何找到大数据中蕴含的前所未有的商业价值？笔者认为高性能分析就是那把“钥匙”。在本案例中，SAS 高性能分析可以帮助用户：将相关的大数据转变为真正的商业价值，采用世界顶级的分析技术来生成精确的洞察，快速获得答案来改变企业的运营模式，以及部署一个适合未来扩展的分析架构。

总之，高性能分析环境让用户可以充分利用IT 投资，同时克服原有架构的约束，从大数据资产中产生高价值的洞察。

【案例四】Kabbage 用大数据开辟新路径

Kabbage 是一家为网店店主提供营运资金贷款服务的创业公司，总部位于美国亚特兰大，截至目前已经成功融资六千多万美元。Kabbage 的主要目标客户是eBay、亚马逊、雅虎、Etsy、Shopify、Magento、PayPal 上的美国网商。

Kabbage 与“阿里小贷”的经营模式类似，通过查看网店店主的销售和信用记录、顾客流量、评论以及商品价格和存货等信息，来最终确定是否为他们提供贷款以及贷多少金额，贷款金额上限为4 万美元。店主可以主动在自己的Kabbage 账户中添加新的信息，以增加获得贷款的概率。Kabbage 通过支付工具PayPal 的支付API 来为网店店主提供资金贷款，这种贷款资金到账的速度相当快，最快十分钟就可以搞定。

Kabbage 用于贷款判断的支撑数据的来源除了网上搜索和查看外，还来自于网上商家的自主提供，且提供的数据多少直接影响着最终的贷款情况。同时，Kabbage 也通过与物流公司UPS、财务管理软件公司Intuit 合作，扩充数据来源渠道。

目前，使用Kabbage 贷款服务的网店店主已达近万家，Kabbage 的服务范围目前仅限于美国境内，不过公司打算利用这轮融资将服务拓展至其他国家。

案例解析：基于大数据的商业模式创新过程有两个核心环节：一是数据获取；二是数据的分析利用。在本案例中，Kabbage 与阿里金融的区别在于数据获取方面，前者是从多元化的渠道收集数据，后者则是借助旗下平台的数据积累，其中网上商家可自主提供数据且其数据的多少直接决定着最终的贷款额度与成本，这充分体现出大数据的资产价值，就如同传统的抵押物一样可以换取资金。

笔者觉得，虽说大数据是一座极具价值的“金矿”，但如果不能科学地加以利用，那么大数据就变成了一堆堆毫无用处的“石头”，Kabbage 就是借助大数据技术，并结合金融行业的特点，有效地控制了风险，实现了完美融合和创新。 本文来自

金融是服务于实体经济的，随着大数据时代的到来，传统的实体经济形态正在向融合经济形态转变，同时虚拟经济也快速兴起，金融的服务对象必将随之发生变化，这种转变为金融业带来了巨大的机遇和挑战，如图 所示。

融合经济产生新的金融需求

虚拟经济（Fictitious Economy）是经济虚拟化（西方称之为“金融深化”）的必然产物，是指基于计算机和互联网产生的一种经济形态，其产品和服务都具有虚拟化的特点，具体包括软件、网络游戏、社交网络、搜索引擎、门户网站等细分市场领域。实体经济是指物质的、精神的产品和服务的生产、流通等经济活动。随着新兴信息技术的快速发展，实体经济与虚拟经济正在加速融合，从而衍生了未来的主体经济形态，即融合经济，电子商务、O2O 模式都是融合经济发展进程的一个产物。

【案例五】大数据时代信用卡该怎么玩

中信银行信用卡中心是国内银行业为数不多的几家分行级信用卡专营机构之一，也是国内最具竞争力的股份制商业银行信用卡中心之一。近年来，中信银行信用卡中心的发卡量迅速增长。

2013 年11 月，在中信银行与腾讯联合发布“中信银行QQ 彩贝联名信用卡”仪式上，中信银行信用卡中心总裁陈劲表示，该行信用卡发卡量已突破2000 万张，未来将充分利用互联网基因和大数据技术挖掘客户需求。

过去，中信银行信用卡中心无论在数据存储、系统维护等方面，还是在有效地利用客户数据方面，都面临巨大的压力。同时，为了应对激烈的市场竞争，中信银行信用卡中心迫切需要一个可扩展、高性能的数据仓库解决方案，支持其数据分析战略，提升业务的敏捷性。

2010 年4 月，中信银行信用卡中心实施了EMC Greenplum 数据仓库解决方案。Greenplum 数据仓库解决方案为中信银行信用卡中心提供了统一的客户视图，借助客户统一视图，中信银行信用卡中心可以更清楚地了解其客户价值体系，从而能够为客户提供更有针对性和相关性的营销活动。

基于数据仓库，中信银行信用卡中心现在可以从交易、服务、风险、权益等多个层面分析数据。通过提供全面的客户数据，营销团队可以对客户按照低、中、高价值来进行分类，根据银行整体经营策略积极地提供相应的个性化服务。

基于Greenplum 解决方案在系统维护方面的便捷简单，中信银行信用卡中心每年减少了大约500 万元的数据库维护成本，这有助于减少解决方案的总拥有成本。

案例解析：在本案例中，Greenplum 解决方案采用了“无共享”的开放平台MPP架构，此架构是为BI 和海量数据分析处理而设计，相比普通的数据库系统，该系统提供了更高的可扩展性。与其他产品相比，Greenplum 解决方案可以给中信银行信用卡中心提供最高级别的性能。同时，该解决方案与银行所使用的硬件、应用程序和数据源实现了有效集成。此外，Greenplum 解决方案通过把数据集中在一个统一的平台，极大地减少了系统维护的工作量。

笔者认为，大数据对信用卡产品的营销具有很大的促进作用。例如，在大数据的环境下，银行可以利用先进的互联网、云计算等新兴技术，对消费者的刷卡行为进行数据化的分类、统计，通过整理数据获取消费者的消费习惯、消费能力、消费偏好等非常重要的数据信息。通过客户数据、财务数据来区隔客户，通过消费区域定位、内容定向，知晓他们的消费习惯，然后进行深入地数据分析挖掘和展开精准营销。

数据会说话吗?在大数据时代，数据不光会说话，还会驱动企业决策，让企业往正确的方向发展。

信息化技术的飞速发展，造就了大量信息的爆发性增长，海量信息被IT系统所传输、使用、保留和存储，成为海量的数据，大数据时代已经来临。在大数据时代，数据不仅仅是信息的简单记录和保存，更是蕴藏着巨大商业价值的“宝藏”，数据已经成为了企业的重要战略资产，数据分析则对企业的商业发展起着举足轻重的作用，成为企业重点关注的领域。

数据分析困局

据Gartner相关数据表明，2014年全球花费810亿美元在业务分析和相关服务上;而根据IDC 发布最新研究结果，预测到2018年全球大数据技术和服务市场的复合年增长率将达到26.4%，规模达到415 亿美元，是整个IT市场增幅的6倍。这些都从不同的侧面反映了数据分析对于企业的重要性。

全球大数据技术和服务市场符合年增长率

然而，对于大多数企业来说，并不具备从海量数据中进行数据分析的能力，也没有专业的数据分析人员，企业只是使用简单的如Excel之类表格工具来对数据进行简单的分析，但是由于Excel并不是专门针对数据分析而设计，因此，很多企业都陷入到与Excel表格纠缠的困局之中，更不要提什么从海量数据中找到具有商业价值的有用信息了。

但是，要求大多数企业都部署专业的商业智能软件进行数据分析，未免有些强人所难。因为，一方面企业改造和部署用于商业智能需要的平台太过复杂，购买成本和维护成本都过高;另一方面，企业的IT技术人员需要学习庞大的数据库、编程语言、数据挖掘等相关技术，所需人力成本和时间成本使得大多数企业都无法承受，企业陷入了一个进退两难的境地。

自助式数据分析破解困局

纽带线CRM数据分析工具(NA)的出现，将企业从进退两难的窘境中拯救了出来，它是一个简单的“自助式”可视化数据分析工具，说它简单，是因为只要通过简单的鼠标拖放，就可以轻松的得到精美的数据分析可视化结果，所谓“自助式”，是因为无需专业的数据分析专业技术人员，普通的员工也可以通过简单的学习，迅速成为数据分析的“准专家”，轻松的将已有数据进行可视化，交互展示与分析。

NA如此的简单易用和功能强大，主要得益于以下几个方面：

独创的VizQL技术

VizQL是一种可视化查询语言，可将拖放动作转化为数据查询，然后以可视化的形式表达数据。通过概括查询和分析的潜在复杂性，VizQL显著提高了人们查看和理解数据的能力。 由此实现的直观用户体验让人们的问题随想随答。VizQL 是数据分析和可视化领域的重大进步。与传统方法相比，VizQL可以更深入地理解数据，更快速地展开工作，最高可以快到100倍。

强大的实时查询引擎

借助企业纽带线CRM数据分析工具实时查询引擎这一开创性技术，人们可以在本地查询数据库、多维数据集、数据仓库、云数据源甚至 Hadoop，无需进行任何编程或高级开发。 通过简单易用的点击式界面，人们可以轻松查询各种不同的数据源。无论数据大小如何，单击几次鼠标即可连接。 即时访问其他数据源。数据连接与合并简单易懂，即使数据库新手也能轻松掌握。

突破的内存数据引擎

作为突破性的内存中分析数据库，该引擎能够克服现有数据库和数据竖井的局限性。该引擎可在普通计算机上运行，充分利用从磁盘到一级缓存的完整内存分层结构。它改变了大数据与快速分析之间的曲线，让每个人都能自主完成数据分析。

此外，NA给用户提供了一个简洁易用的使用界面，使得处理规模巨大的，多维的数据时，也可以即时从不同角度和设置下看到数据所呈现的规律，其自动生成和展现的图表，也丝毫不逊色于互联网美工的编辑水平。

这些因素综合在一起，成为NA广泛的用基础和高续订率的保证。有越来越多的用户正在使用NA来快速查看和理解数据，以便在企业内部更大程度地驱动创新、激发敏锐思考，在互联网+的时代中，企业正通过日益数字化的手段释放服务客户和社会的潜能，它们将时时关注数据，以便更快地做出决策。

助力各行业商业洞察

目前，NA已经在很多行业得到了广泛的应用，获得了用户的一致好评。而拜耳中国就是其中之一。拜耳是一家在医药保健、作物营养领域拥有核心竞争力的全球性企业。拜耳中国商业智能及业务分析总监王威表示，同其他行业不同，如今，医疗保健行业对数据的关注达到前所未有的高度。无论是大幅削减医疗保健支出、识破欺诈，还是协调多家医疗机构提供的治疗、医疗保健数据更好的使用方法已成为消除各种医疗保健问题的绝佳方法。

但现实情况是，光是数据的量就会让人无所适从，也就谈不上有什么用处了。从完全不同的 CIM系统中找出医生的编码，高危病人病历的记录，以及药品的销售和疗效情况，是一件相当困难的事情。但这些数据却以一种无法阻挡的势头持续流入。

要对这些海量的数据进行分析处理，显然没有合适的工具无法做到，王威表示，为了应对这些海量数据的分析，王威所在的部门曾经使用过Cognos、BO、Excel、VBA等四种工具，但由于这些工具非常复杂，灵活性不佳，因此开发周期长，费用昂贵，通常要耗费3到9个月才能完成一个项目的数据分析工作，而且数据的可视化也不佳。而使用NA，只用了不到两个月时间，就将200万数据整理了出来，过去二十天才能完成的销售统计，现在半天就可完成。一、两个月才能回来的反馈，现在半天就可完成。而以前需要七、八个人完成的工作，现在一、两个人就能轻松完成。

NA给拜尔中国带来的改变，不仅仅是数据分析上的效率提升，更重要的是它引领了管理方式的变革，它提供给管理者的数据可视化，使得管理者和其他管理、销售人员能够更清晰的更准确的找到企业业务流程的不足之处，管理方式和方法的不尽如人意的地方，从而从内部推动整个企业管理方式、方法的变革以及业务流程的改善。这就是大数据的核心价值，也是NA真正的价值之所在。

很多行业特别是具有规模的公司，热衷于在某个时间节点发布大数据分析报告。一方面凸显它们的数据能力，一方面占领行业标杆地位。例如我们可以看到类似于企鹅发布的互联网用户行为数据报告，支付宝发布的中国人消费行为报告等等。

那么，这些大数据报告到底是企业的自吹自擂还是具有实际的价值呢？之所以这几年大数据分析报告被各家重视，究其根本原因，就是大数据技术的兴起。由于有了数据的积累，使得我们可以从大量非格式化数据中分析出潜在的需求。这对很多行业来说都有着巨大的影响。

什么才是有价值的数据报告？

要讨论这个问题，我们先了解一下企业或行业发布大数据的：

1. 场景是什么？

   政务报告，不管是企业还是政府机构到了某个时间节点，总会需要做出对应的报告。那么，报告的内容如果用数据来支撑，就显得更加有力。这个场景中，对于数据图表的专业性要求可能相对更高些，而且报告需要正规化。

   宣传需要，对外界进行宣传，同样需要利用数据支撑可信度。这个时候，报告的分享意义非常大。所以，对应的数据应该是让人更加感兴趣，让人产生分享动力，但数据是否准确，是否专业相对来说就不太重要。像支付宝在元旦期间发出的，个人年度消费报告，呈现方式非常简单一张图，上面写出你一年的交易总额和排名（排名真的准吗？不重要），重要的在于分享的动力，你消费额度很高，甚至超过几万元，分享出去炫耀一下，如果某个人的数据很低，他还会分享吗？当然几率很小，但支付宝有这个实力，所以他这么设计。

   事件需要，某个事件发生后，需要及时的统计数据。比如一次大型会议，签到人数，中途退场人数等等。

   风险评估，大数据之所以被炒作起来，就是其强大的分析能力。比如日常生活中通过交通大数据可以分析当前某条交通路线最容易发生事故，通过金融大数据，我们可以加强借贷风控的准确性等。在企业管理中面对重大的战略决策中，可以利用大数据报告进行评估，辅助决策降低风险。

   数据佐证，很多时候，我们需要利用强大的数据，来证明自己的判断。

2. 对象是谁？

   领导／行业／大众，不同的对象对数据报告的需求是不同的，如果你的大数据报告是面向大众的。那么，大众可能更关心结论或是否与自己有关，还有就是通熟易懂。如果你做出个专业性强的数据报告，估计大部分人可能看不懂。对于行业人员，由于专业性较强，所以你的数据报告一定要准确且专业，这样才具备信服力。如果你的对象是领导，那么好，你的数据报告不仅仅要能揭露问题还应该具备解决问题的建议，而数据要为此做支撑。

3. 目的是什么？

   实力证明，如果你能够做出真实的大数据报告，至少代表着你拥有产生或收集大数据的能力，在互联网产品中，也说明你拥有大量的用户。或者你拥有强大资源。这一切无疑都是能力的象征。

   结论证明，有的时候，我们发布数据报告，是为了证明我们的一个结论。这个时候，整个数据报告就具备一定的倾向性（容易产生数据陷阱）。

   预判趋势，通过历史数据走势结合多维度数据，我们可以预判趋势。像我们在体育比赛前预判比赛结果一样。

我们提高大数据报告的价值，首先要确保数据来源的可靠性，然后根据数据报告的场景和对象选择合适的展示方式，最后数据报告的数据应该有力的支撑分析结果。这样一份大数据报告，可能会更有效。

大数据报告的价值是什么？

数据本身没有价值，通过数据分析出的结果才有价值。

比如，你看到银行卡上的数据为1万元。这个数据并没有价值，但是，通过大数据进行准确的分析，告诉你购买xx理财产品风险系数最低，收益最高。那么这个结论，对于你来说才有价值。

大数据报告也同样如此。很多行业发布的大数据报告，具备两个主要特点，让用户感受到数据的价值。第一，真实的产生了指导性作用。比如：根据用户画像报告，你准确的找到了销售目标，带来了更多的收益。第二，数据报告具备更好的传播性和宣传性，为你竖立了可信的品牌价值间接的扩大盈利。

而更多的行业大数据报告，其实根本没有价值，你看完了，觉得数据真漂亮，图表真好看，但是仔细琢磨，这数据没什么用处。

大数据报告是认识世界的重要手段，是由感性认识上升到理性认识的必经之路。通过数据产生的总结报告，使零星的，肤浅的，表面的感性认识上升到全面的，系统的，本质的理性认识上来。通过大数据报告寻找出工作和事物发展的规律，从而掌握并运用这些规律。

由此，我们可以看出，大数据报告的价值，在于他支撑的结论

小心数据陷阱

数据做为很多决策时的重要依据。

比如，投资者选择投资一个项目，需要看到该项目的运营数据。以此来衡量和判断项目的好与坏。

那么，很多的项目运营者就利用数据的优势大力营造高日活，上升走势图。这里面就存在着很多数据陷阱。

所谓的数据陷阱，就是利用真实的数据制造表象看起来漂亮的趋势。这并不是骗人，而是一种感官上的设计，是数据运营者的一种呈现方式。但要用在正确的地方，否者就只是欺骗了。

另一方面，做为数据参考方，如何避免数据陷阱呢？

下面列举一些常见的数据陷阱

1.趋势陷阱

下面是一家APP运营的者的数据报告：

1到12月份的APP下载量趋势图

这个图，可以明显的看出，下载量趋势上升明显。

但实际应该这样做数据，才能显示真实情况

可以明显看出，这APP下载量并不大，并且波动较大，特别是5、10月份下载量非常的少。但是两个表的数据都是真实的。

第一张图表是下载量的总和，趋势必然呈现上升。

第二张图表是每月的增长量，所以才能表现真实情况。

2.分布与数量

购物类网站或应用经常会做用户画像，例如下面：

女性用户占比远超过男性，并且女性是购买主要受众人群。那么是否代表这个平台有强大的购买力呢？当然不是。因为，这里面也有个数据陷阱，就是忽略了用户基数。也许，这个平台总用户只有100人呢？谈什么购买力？所以，分布比例与数量要明确区分。

再举一个例子，看到过一个数据，XXX平台今日交易额较上月同期上涨340%。哇塞，乍看去，好像牛X的样子。但仔细想想，也许是个初创平台，上个月根本没有交易额。

3.部分截取

看下图的上升趋势，这个应用一定蒸蒸日上，蓬勃发展啦！

但实际情却相反，整体呈现下降趋势。并不乐观

简单举几个例子，希望不会被骂。

一提到数学，高等数学，线性代数，概率论与数理统计，数值分析，空间解析几何这些数学课程，头疼呀。作为文科生，遇见这些课程时，通常都是各种寻求帮助，班上有位宅男数学很厉害，各种被女生‘围观’，这数学为什么这么难，学了有啥用呀。

有用的，当做数据分析的时候，使用到SPSS，在线SPSS分析的时候就知道用处了，在写论文的时候会用到SPSS数据分析，工作的时候也会用到SPSS数据分析。此时才知道原来数学很重要。我的数学不好肿么办？听我一 一道来。

1. 数据类型

学过数学的童鞋都知道，数学里面分了两类数据，离散和连续数据，听上去文绉绉的，不懂。那我问男人和女人知道不，知道，对了这种就是离散数据。身高体重知道不，知道，这种就是连续数据。离散数据可以理解为分类，类别，数个数；而连续数据理解为算平均值，度量，比如平均身高，平均年龄，但不能说成是平均性别。离散和连续数据是数学上文绉绉的称呼。如果我们是做数据分析，通常又换成另外一种称呼，定类和定量数据。定类就是离散数据，定量就是连续数据。这点get到后，数据分析方法啥都不在话下，让智能化软件SPSSAU【备注：在线网页版SPSS】这些去解决就好，默认出来智能化文字分析结果。

2. X和Y

除了数据类型外，数学上老是有一些符号，比如X，Y，Z， α， β，γ，还有好多拉丁符号，看着都头疼，而且更糟糕的是发音还那么奇怪。这些都是数学用词，如果是数据分析，只需要知道X和Y就可以。为什么这么简单呢？数据分析通常是用于业务场景，让所有人都会所有人都能懂的。而数学符号是专业性名词，一小部分学习数学专业的人群才懂。

而X，Y基本所有人都懂，平面二维式思维，如果加上Y就变成空间三维思维。这种会变得复杂难懂，而数据分析出来结果是让人理解让人懂的，越简单易懂越有意义越有用的结论越受欢迎。因此从数据分析角度来看，只需要懂X，Y这两个符号就OK。别小看X，Y这两个符号，加上上述的数据类型，它们可以产生非常多的组合，也称作分析方法。

有了X，Y，我们可以研究X和Y之间的关系情况，比如X对于Y的影响关系，X对于Y的差异关系等。下面一一讲述。

3. X和Y的组合方法

再讲组合之前，先单独讲下不区分X和Y的分析方法，如下表格：

当不需要区分不区分X和Y时，比如我只研究性别1个数据，或者只研究身高，体重情况如何等。并不需要研究关联关系，所以并不涉及X和Y的关联关系。这种都可统称为数据基本描述统计，当然数据类型不一样时，方法不同。比如性别为定类数据，这时用频数分析；身高体重是定量数据，这时用描述分析。数据的基本描述统计是最基础的数据分析方法，而且通常都需要做这类分析方法，因为了解了基本情况是非常必要的。

接下来将下X和Y之间的关联关系时，会使用到的数据研究方法；如下表格：

从上表可以看到，通常会涉及到差异关系，相关关系和影响关系共三类。比如不同性别的兴趣爱好是否有差异，性别为定类数据，兴趣爱好也是定类数据；此时就应该使用交叉卡方分析方法。比如研究性别人群体重是否有差异，性别为定类数据，体重为定量数据，此时就需要使用T检验；除此之外，如果想研究不同专业（理科、工科、文科）的体重差异时，此时应该使用方差分析。当X是定类数据，Y是定量数据，研究X对于Y的差异时，可以使用T检验和方差分析；区分在哪里呢？如果X的类别个数（比如男和女）只有2个时，通常使用T检验；如果X的类别个数超过2个（比如理科、工科和文科）时，只能使用方差分析。差异关系就只能有3种，接下来继续相关关系。

相关关系是研究X和Y的关系情况，比如身高和体重之间有没有关系；X和Y均是定量数据；此时应该使用相关关系，再具体一点应该叫Pearson相关关系（相关关系的数学公式是Pearson这人发明的）。

最后一类是影响关系；X对于Y的影响；影响关系的分析方法区分，完全是根据Y的类别而定；比如Y是定量数据，我们则应该使用线性回归分析；如果Y为定类数据，此时我们应该使用Logit回归分析，而具体再细分，Logit回归可以有：二元Logit回归，多分类Logit回归，区分在于Y，举例如下表：

如果X影响Y时，Y只分为两类，购买和不购买，愿意和不愿意，是和否等，这时候就需要使用二元Logit回归分析；如果Y分为n类(n>2)时，则需要使用多分类Logit回归。

数据类型,X和Y；这两点搞明白后，绝大多数的数据研究方法都可以搞定，而这也是当前数学研究的核心思想。也是分析软件的设计理念，网页在线版本的SPSS即SPSSAU软件平台，它的设计核心理念就是这样，只需要会区分数据类型，知道X和Y；就可以自己进行数据分析，其它的全部都可以直接由SPSSAU生成智能化文字结果；当然，分析方法还有很多的，比如因子分析，聚类分析等，这些方法不是研究X和Y的关联性，而是别有用处。

4. 其它研究方法

除开X与Y的关联关系研究，其实还有一些其它的研究方法；比如对于很多个X同时进行分析应该使用什么方法呢？此时可能会结合分析用处而对应不同的方法；常见有因子分析和聚类分析两种，如下表：

如果说了30句话，现在想把30句话概括浓缩成5个关键词，这种就叫浓缩；此时需要使用因子分析；如果有300个人想进行分类，分成3类人群，此时可使用聚类分析（常见是K-means聚类方法）。

除了浓缩和聚类，事实还有非常多其它的研究方法，比如信度研究，多因素方差，非参数检验，正态性检验，配对T检验等等。后续慢慢再谈,更多知识也可使用网页版SPSS即SPSSAU【备注：在线网页版SPSS】进行学习，里面智能化分析结果一目了然，‘拖拽点一下’完成分析得到智能化结果，更多研究方法的详述也可直接查到。

物联网真正的价值不在于数据，而是经过全方位分析的数据。法新社

据Smart Industry报导，通用(General Electric)预测未来5年连网装置的数量将超过全球人口，我们可望从物联网(IoT)搜集大量数据，但Clockwork Solutions的专家不讳言指出，物联网真正的价值不在于数据，而是经过全方位分析的数据。

Clockwork Solutions工业方案副总裁Serg Posadas认为，物联网有赖分析平台来创造数据的价值，借助历史和实时数据来提出预测和洞见，协助企业做出明智的决策和行动。然而，企业内不同部门和员工使用数据的方式不一，对于数据用途的认知也不同，所以数据分析的议题极度复杂，并没有所谓一体适用的建模平台和分析技术，就连高度专业模型也要进行客制化，先厘清现有数据的性质，找出适合企业需求的平台和分析工具。

Clockwork Solutions服务部门负责人Brad Young也认为，数据和数据点本身并没有用处，但结合数据分析后就会很强大。数据要化为可行的洞见，必须先经过分析，才会发现模式、趋势和关联性，让企业领袖借此做出明智的决策。

既然数据有新有旧，究竟该如何集成实时和历史数据呢？Brad认为，结合历史数据和新数据有助于理解系统的变化。Serg则认为，回顾历史数据可提高应变能力，毕竟精密机器学系算法就是在观察历史，但历史数据并非万灵丹，只要不在历史数据范围内，它就不可能做出预测，所以光是回溯历史数据并不足以建立充分应变能力，就像只看着后照镜开车。

换言之，企业要寻求数据科学团队的意见，否则贸然回溯历史数据反而会有问题，数据分析团队须审慎评估数据来源和建模技术，以更全方位的方法来取得准确分析结果。

作者：谢明珊 来源：digitimes

关于我们：网站内容更精彩！

物联之家（iothome）物联网科技新媒体。我们关注物联网领域的价值发现和趋势，关注该领域的大小公司和大小人物，这里有跟物联网相关的深度观点、测评和剖析。物联网改变世界，我们将参与和忠实的记录改变的过程，见证物联网带给人类的丰硕成果。

关于社会统计学与数理统计的区别

一、从历史发展方面看它们之间的区别　　社会统计学自古以来就有，它的历史有3000多年，大到国家财政分配，小到百姓生活方面的各种统计，无所不在。它是一项广泛的社会实践活动形式，“统而计之”就是人们对统计的初步认识。它属于社会科学。数理统计学仅仅是在100年前伴随着概率论的发展而发展起来的。19世纪中叶以前已出现了若干重要的工作，如C.F.高斯和A.M.勒让德关于观测数据误差分析和最小二乘法的研究。到19世纪末期，经过包括K.皮尔森在内的一些学者的努力，这门学科已开始形成。但数理统计学发展成一门成熟的学科，则是20世纪上半叶的事，它在很大程度上要归功于K.Pearson、R.A. Fisher等学者的工作。特别是Fisher的贡献，对这门学科的建立起了决定性的作用。1946年H.克拉默发表的《统计学数学方法》是第一部严谨且比较系统的数理统计著作，它是数理统计学进入成熟阶段的标志。由于数理统计其本质是带着概率意义下的结论。比如：区间估计，假设检验，方差分析等。因此数理统计属于概率论的应用属于自然科学。统计学发展史说明：先有社会统计学后有数理统计学，先有变量后有随机变量；社会统计学以变量为基础，数理统计学以随机变量为基础，变量与随机变量是在一定的条件下可以相互转化的数学概念。　　

二、从数学思路上看它们之间的区别　　从两门统计学的数学思路来看，社会统计学主要来源于社会学、经济学、数学（主要是初等数学），这个学科所涉及的内容与实际统计工作存在着密切的联系。当统计工作发生大的变动之后，统计学也随之做出相应的反应。由于它主要是为国家的宏观管理服务的，有着鲜明的服务对象，因此在国家统计部门、宏观经济管理部门发挥着直接的作用。本文由毕业论文网http://lw54收集整理另外，这个学科中的一些名词也不属于数学名词。如：人口统计，寿命表。随着学科的不断交融和细化，相关于每个学科的统计学随之诞生，如生物统计、地质统计、地震统计、医学统计、卫生统计等等。而数理统计学的理论基础是概率论，它与数学，特别是高等数学存在着密切的联系。它本身是一门数学学科，重在应用方法的数理基础的研究。由于它有不少方法来源于生物、农业试验。因而被自然科学界普遍地认为是一种科学方法。从原则上来说它可以用于研究任何随机现象的变化。除了它的通用性之外，它还具有很强的派生性，现在许多被人们泛使用的数理方法都与数理统计学有着不可分割的联系。　

　总之，社会统计学更侧重于对解决社会、经济等现实问题数量分析方法的研究与应用，而方法本身的数理基础的科学性研究，则由相应的理论统计学去研究，事实上，推断统计方法的数理基础的科学性研究，正是数理统计的研究范畴之一。　　三、从应用的角度和范围上看它们之间的区别　　在研究角度上，二者的区别表现为，社会统计学主要包括社会核算和社会定量分析两部分。前者主要包括统计分类理论、统计资料搜集与整理理论、统计指标理论和核算表式理论，其核心内容是宏观经济核算表，此外还有正在开发或有待开发的环境、科技等核算领域。后者是对社会经济总量、结构、动态、趋势等方面进行分析。从整体看，统计学基本上是围绕观测指标展开的，指标设定、指标测量、指标分析是其主要内容。而数理统计学一般包括描述统计和推断统计两大部分。数理统计基本上是围绕模型展开的，模型假设、模型论证、模型运用是其主要内容。两门统计学在研究角度上虽有联系，但其区别是明显的。　

　在研究范围上，数理统计侧重于对样本数据的定量分析；而统计学不仅重视样本数据的定量分析，而且重视对所获得的总体全部数据的定量分析，同时，重视数据收集方法、数据整理方法的研究。某某统计学往往仅限于它所在的学科的具体应用。而数理统计给出的公式却可以应用在其他的众多科学领域中。如：在农业中，对田间试验进行适当的设计和统计分析；在工业生产的试制新产品和改进老产品、改革工艺流程、使用代用原材料和寻求适当的配方等问题中起着广泛的作用；在医学中，可以用来发现和验证导致疾病的种种因素，确定一种药物对治疗某种疾病是否有用，用处多大，以及比较几种药物或治疗方法的效力等；在自然科学和技术科学中，可以用于地震、气象和水文方面的预报、地质资源的评价等。数理统计的原理是小概率事件，其论证过程是反证法。这也是它与社会统计学的重大区别。　　四、从词汇上和图书分类上看它们之间的区别　　社会统计学起源于国家财政National Finance，数理统计学的英文为Mathematical statistics。社会统计学的图书分类为F，数理统计学为O。　　从上述数理统计与社会统计学的比较，可以清楚地看到，随着现代统计学的发展及其在社会政治经济生活中发挥作用越来越大的趋势，数理统计研究问题的理念及其方法已对统计学的发展产生重要的革命性影响，但是，数理统计与社会统计学毕竟是两门差异较大的学科，不可能简单地加以“统一”。 尽管在社会统计学与数理统计学之间存在着很大区别，两门学科关于统计学理论问题的观点有着明显的历史和认识上的局限性，这些却并不能否定两大学派的历史功绩和未来发展。通过比较分析两大学科，全面正确地认识统计学的发展，更有利于两门学科之间的沟通、交流和借鉴，促进整个统计学的发展。 　　

音乐作伴，轻松阅读！【文末有数据分析系列文章集】

今天飞机回程途中，遇到位北海道银行来中国出差的女生；途中聊起了各自的职业；一直聊到北京，全程让我很苦恼的是数据分析、数据分析师这些玩意如何很容易的介绍给她；

比如说她，是银行的一名普通职员，每天的任务是结算、结汇，从早到晚都在跟数据打交道；因为只用整理好的数据，所以自然不在乎也不注意，数据是如何来的；整个总结下来是，用数据的人不知道数据哪里来的，做数据的人不知道数据有什么用处；回忆了下，这还真是一个普遍的现象；

这个问题造成的后果就是，开数据会经常打架，A业务线给出的数据说xx 指标提升了，B业务给出的刚好是另外一种结论，指标在下降；等讨论完毕数据口径，会议结束，大家都感到无力。各人不禁感叹，这个会又白开了；脑袋一拍，目标就来，各种活动方案的目标基本是上拍脑袋，直接10-20倍，各自又忙活一阵子；数据快到我碗里来，昨天要的数据需求好了吗？明天老板开会，给几个数据吧；某某DLU指标掉了，看是不是数据有问题；今天push，明天Push，push ctr嗷嗷的高，同一拨用户群嗷嗷的高，用户投诉还不断；

既然业务上有这么多的问题，数据分析师是具体的解决什么样的问题呢？

Sample：

1.回答发生了什么？频率是多少？为什么会发生？

2.具体的业务问题是什么？

3.现在应该采取什么样的行动？

4.未来的趋势是什么？是否错过了机会？哪些问题（路子）是错误的、正确的，把错误的去掉，只留下正确的；

数据只有结合了业务才是有价值的，数据体现可以用四个字词概括，看数据、用数据、依赖数据、数据变现。稍微详细解释如下：

看数据，能然让业务准确、及时、完整的看到数据， 落地是在报表、取数等；

用数据，业务上通过数据做出决策 ，落地是异常监控/专题分析；

依赖数据，数据嵌入到业务的日常流程中，通过数据挖掘高价值信息推进业务，落地点在数据产品，数据挖掘产品；

数据变现，利用数据来赚钱了，落地点可在外部数据平台，数据产品上；

在这整个环节中”数据分析师“是做什么呢？我们从分析师的日常工作来分析看，临时需求、报表、数据分析与模型、数据产品，数据挖掘这几个角度来聊一下；

临时需求不必说了，就是解决业务的一次性，临时的数据需求；报表呢，是根据业务的需要，对于常规且定期查看与分析的数据，形成report；

数据分析与模型，与业务一起沟通，分析业务上的各种问题，提供一些业务上的建议与取舍，根据业务需要搞一些挖掘模型等；

数据产品，是通过可视化的方式解决一些结构化（固化）业务问题；把数据分析模型、分析思路与数据结合、面向定向业务提供分析产品；

数据挖掘，数据直接作用到业务上，比如作弊用户、标签推荐、用户行为的定向引导；

以上列举的这几类，前两类是实现看数据的，后三类是挖掘数据价值的；

数据分析师在工作时，在寻求答案的过程中，有一个很重要的衔接点，就是思考。

很多时候，分析师会受到固有问题的影响，如果不去变通，不懂得如何去提炼核心的话，就会产生思考的盲点，就注定问不出一些非常关键的问题；有时答案不重要，思考的角度才是很重要；比如在搞临时需求时，不要把临时需求当成一个取数的工作，学会梳理，学会管理；通过思考，可以发现很多业务上的问题； 了解业务，熟悉业务流程，总结与沉淀自己对业务的理解，知道行业的发展，才能提高自己；

END

关联阅读

原创系列文章：

1：从0开始搭建自己的数据运营指标体系（概括篇）

2 ：从0开始搭建自己的数据运营指标体系（定位篇）

3 ：从0开始搭建自己的数据运营体系（业务理解篇）

4 ：数据指标的构建流程与逻辑

5 ：系列 ：从数据指标到数据运营指标体系

6:实战 ：为自己的公号搭建一个数据运营指标体系

数据运营 关联文章阅读：

运营入门，从0到1搭建数据分析知识体系

推荐 ：数据分析师与运营协作的9个好习惯

干货 ：手把手教你搭建数据化用户运营体系

推荐 ：最用心的运营数据指标解读

干货 : 如何构建数据运营指标体系

从零开始，构建数据化运营体系

干货 ：解读产品、运营和数据三个基友关系

干货 ：从0到1搭建数据运营体系

数据分析、数据产品 关联文章阅读：

干货 ：数据分析团队的搭建和思考

数据分析师必需具备的10种分析思维。

如何构建大数据层级体系，看这一文章就够了

干货 ： 聚焦于用户行为分析的数据产品

80%的运营注定了打杂？因为你没有搭建出一套有效的用户运营体系

从底层到应用，那些数据人的必备技能

读懂用户运营体系：用户分层和分群

做运营必须掌握的数据分析思维，你还敢说不会做数据分析

商务合作｜约稿 请加qq： 365242293

更多相关知识请回复：“ 月光宝盒 ”；

数据分析（ID : ecshujufenxi ）互联网科技与数据圈自己的微信，也是WeMedia自媒体联盟成员之一，WeMedia联盟覆盖5000万人群。

随着云时代的降临，大数据以一种爆炸般的速度迅速席卷了全球，几乎所有行业都由于这一巨变有了或多或少的变化。如今，“大数据”已成为增长最快的技术之一，开始渗透到各个领域。

如果企业不知道如何使用大数据来使他们的业务和员工受益，那么该公司就会面临巨大的数据压力。如今，大量的软件企业开始研究大数据技术，并取得了不错的成果。这里要介绍的就是一款新型的敏捷型BI产品——DataFocus。

1.掌握数据能力

大数据席卷全球，并带来了惊人的利益，这一力量无需多说。DataFocus系统可以将企业中那些被认为可能没有较大用处的数据加以利用，从中提取出有意义的信息，从而降低运营成本。

2.决策指导更智能更快速更精准

在这个竞争激烈的时代，采取更精准有效的营销策略，表现优于竞争对手，做出良好和智慧的决策的能力极其重要。这些决定应该尽可能又快又明智，使公司能够积极的主动出击。DataFocus系统就可以利用可视化数据大屏给决策者提供快速灵活的数据参考，辅助其做出精准的决策。

将大数据分析纳入流程的做法有助于企业管理者制定更加系统性、科学性的决策，并在需要时采取替代方法。

3.以用户为中心是营销关键

所谓客户是上帝，客户的需求是各个公司营销的重中之重，因此企业的营销方案必然会以客户行为为中心。现今，随着淘宝、天猫、京东的飞速成长，客户有机会随时随地进行购物，这就需要企业做出比之前更加敏捷的反应。这对于传统零售行业来说可谓一个巨大的挑战。

若是利用DataFocus系统，就可以帮助优化这种困境。当企业将数据导入系统中，制作出固定的看板，就可以每天实时监控数据走向以及客户的动向变化，及时调整营销人员的策略。同时，利用过去和实时数据对客户的品味和喜好进行评估，这样可以使公司采取更快捷的应对措施。

4.减轻企业数据压力

随着公司的发展，公司规模逐渐扩大，但同时增长的还有庞大的数据量，这些数据大山不能丢弃，却也可能杂乱无章。若要进行处理，需聘请专门的人员进行处理和分析，会耗费较大的人力物力。

DataFocus系统操作简单，容易上手，即使是非专业的业务人员也可以对企业数据进行处理，无需再高薪聘请专业的数据分析人员，为企业节省一笔开支。

经过这番分析，有件事情是值得肯定的：这是一个高度数字化和技术驱动时代的开端，并伴随着强大的实时大数据分析能力。大数据越来越多地以创新的方式存在，并在以前无法想象的领域中使用，成为企业业务发展的强大推动者。

先给大家讲一个数据分析的小故事，发生于四百年前。

在中世纪，科学界最大的争论在于，到底是地球围绕太阳旋转，还是太阳围绕地球旋转。那时候有一位伟大的天文学家叫第谷·布拉赫，为了解决这个人类科学最初的大争论，开始了寻求数据支持的伟大征程。当时丹麦国王专门为他建了一个天文台，配备了齐全的观测仪器。从那时之后的20年里，第谷每天晚上风雨无阻地观测行星运动的轨迹，把每个行星每天晚上的位置，精确地记录下来，是天文史上第一个真正地开始收集大数据的天文学家，但是他没有足够的智慧从中发现行星运行的规律。 后来，第谷的学生开普勒拿到大量的数据之后，摒弃了每一天的视角，他从每一年的视角来看：地球每365天就会回到原点，而其他的行星还在自己的轨道上运动。他把行星运动的轨道画出来了，得出了所有行星围绕太阳运动的结论。在此基础上，开普勒提出了著名的行星运动三大定律，成就了近代天文学的开端。

这个故事告诉我们：

1、数据是数据分析的基础。如果没有第谷20年如一日的观测记录，开普勒不可能取得如今的成就；而如果没有开普勒，第谷的所有观测数据，都将成为一堆毫无用处的废纸。

2、要客观的分析数据，具备数据分析的视角和思维。第谷一直以“地心说”的思想观察数据变化，开普勒接受了哥白尼的“日心说”思想，在新的角度上结合观测数据才发现行星运动的定律。

3、要学会合理利用数据。开普勒通过每年的观测数据，才发现了行星运动规律，当我们面对海量数据的时候，最需要的是独具慧眼，在繁杂的数据中找到我们需要的数据，才能真正的将数据运用起来。