FTTH对光模块的需求集中在25G以下低速率产品端。主流的FTTH技术是EPON和GPON，两者均能支持1∶64的分光比，这个限制在于光模块和传输距离。目前，“宽带中国”目标中的家庭接入网带宽高速率是100M，则采用10G光模块就能够满足100M接入速率。

全球有源光器件市占率（16Q2-17Q1）

数据来源：公开资料整理

全球无源光器件市占率（16Q2-17Q1）

数据来源：公开资料整理

根据预测，77%的流量将来自数据中心内部，2020年云端流量将增长4倍。其中，超大规模数据中心的流量将增加5倍，到2020年，这些基础设施将占总体数据中心服务器数量的47%，支持着53%的数据中心流量。

数据中心市场空间增速及预测

数据来源：公开资料整理

数据中心对光模块的要求主要包括：1、高速率，提升带宽能力；2、功耗小，减少发热；3、高密度，节省空间；4、低成本。从行业所处的发展阶段看，前三点最为重要。当前阶段，数据中心端口的升级逐渐从10G/40G的光端口向100G/400G的光端口演进。其中，从服务器到交换机的端口光模块从10G升级到40G/100G，交换机与交换机之间从40G升级到100G/400G光模块。目前全球数据中心光模块需求已经由10/40G光模块向100G光模块更迭。根据全球光器件龙头OCLARO公告数据，2016年起，Amazon、Google等北美一线云服务提供商服务器端口开始由10G向25G升级，叶、脊交换机端口由40G向100G升级，预计2018年开始部署200/400G产品。国内厂商方面，阿里云宣传2018将成为100G光模块大规模应用元年，预计2019年进行400G光模块的升级。目前400G光模块的主流接口有OSFP和QSFP-DD。OFC2018期间，多个光模块厂商展示了400G设计或者样品。其中：QSFP-DD展出厂商有中际旭创、新易盛、昂纳科技、Finisar、AOI等11家，OSFP展出厂商有中际旭创、海信宽带、Mellanox等3家，中际旭创是同时具备OSFP和QSFP-DD的核心厂商。根对于46家主流光模块厂商的市场调查，目前已有32%的受访公司表示已经少量出货400G光模块，另有14%的受访公司表示将在未来半年或一年内出货400G光模块。

全球化协作凸显，光模块制造向国内转移。由于中国具有成熟的代工体系以及人力成本的相对优势，Finisar、AAOI等国外厂商均在中国设有工厂。国内厂商方面，以中际旭创、新易盛为代表的公司扩大产能，较低的制造成本成为差异化优势之一。新易盛募投光模块生产线项目稳步推进，完成后可使产能从2016年的413万只/每年提高到643万只/每年；中际旭创通过增发股份募集资金扩大产能，完成后将新增年产光模块共计530万只的生产能力，另外投资铜陵项目预计2018下半年逐步启动生产。

蜘蛛通服——学习·分享·通信人在关注！

本文是近年来不同行业、不同领域的大数据公司的一些经典案例总结和解析。虽然涉及国内国外各行各业，但其中的深层逻辑对于我们每个人都会有所启发。

本文力图从企业运营和管理的角度，梳理出发掘大数据价值的一般规律：

一是以数据驱动的决策，主要通过提高预测概率，来提高决策成功率；二是以数据驱动的流程，主要是形成营销闭环战略，提高销售漏斗的转化率；三是以数据驱动的产品，在产品设计阶段，强调个性化；在产品运营阶段，则强调迭代式创新。

从谷歌、亚马逊、Facebook、LinkedIn，到阿里、百度、腾讯，都因其拥有大量的用户注册和运营信息，成为天然的大数据公司。

而像IBM、Oracle、EMC、惠普这类大型技术公司纷纷投身大数据，通过整合大数据的信息和应用，给其他公司提供“硬件软件 数据”的整体解决方案。我们关注的重点是大数据的价值，第一类公司首当其冲。

下面就是这些天然大数据公司的挖掘价值的典型案例。

01 亚马逊的“信息公司”

如果全球哪家公司从大数据发掘出了最大价值，截至目前，答案可能非亚马逊莫属。亚马逊也要处理海量数据，这些交易数据的直接价值更大。

作为一家“信息公司”，亚马逊不仅从每个用户的购买行为中获得信息，还将每个用户在其网站上的所有行为都记录下来：页面停留时间、用户是否查看评论、每个搜索的关键词、浏览的商品等等。这种对数据价值的高度敏感和重视，以及强大的挖掘能力，使得亚马逊早已远远超出了它的传统运营方式。

亚马逊CTO Werner Vogels在CeBIT上关于大数据的演讲，向与会者描述了亚马逊在大数据时代的商业蓝图。长期以来，亚马逊一直通过大数据分析，尝试定位客户和和获取客户反馈。

“在此过程中，你会发现数据越大，结果越好。为什么有的企业在商业上不断犯错?那是因为他们没有足够的数据对运营和决策提供支持，”Vogels说，“一旦进入大数据的世界，企业的手中将握有无限可能。”

从支撑新兴技术企业的基础设施到消费内容的移动设备，亚马逊的触角已触及到更为广阔的领域。

亚马逊推荐：亚马逊的各个业务环节都离不开“数据驱动”的身影。在亚马逊上买过东西的朋友可能对它的推荐功能都很熟悉，“买过X商品的人，也同时买过Y商品”的推荐功能看上去很简单，却非常有效，同时这些精准推荐结果的得出过程也非常复杂。

亚马逊预测：用户需求预测是通过历史数据来预测用户未来的需求。对于书、手机、家电这些东西——亚马逊内部叫硬需求的产品，你可以认为是“标品”——预测是比较准的，甚至可以预测到相关产品属性的需求。

但是对于服装这样软需求产品，亚马逊干了十多年都没有办法预测得很好，因为这类东西受到的干扰因素太多了，比如：用户的对颜色款式的喜好，穿上去合不合身，爱人朋友喜不喜欢…… 这类东西太易变，买得人多反而会卖不好，所以需要更为复杂的预测模型。

亚马逊测试：你会认为亚马逊网站上的某段页面文字只是碰巧出现的吗?其实，亚马逊会在网站上持续不断地测试新的设计方案，从而找出转化率最高的方案。整个网站的布局、字体大小、颜色、按钮以及其他所有的设计，其实都是在多次审慎测试后的最优结果。

亚马逊记录：亚马逊的移动应用让用户有一个流畅的无处不在的体验的同时，也通过收集手机上的数据深入地了解了每个用户的喜好信息;更值得一提的是Kindle Fire，内嵌的Silk浏览器可以将用户的行为数据一记录下来。

以数据为导向的方法并不仅限于以上领域，亚马逊的企业文化就是冷冰冰的数据导向型文化。对于亚马逊来说，大数据意味着大销售量。数据显示出什么是有效的、什么是无效的，新的商业投资项目必须要有数据的支撑。对数据的长期专注让亚马逊能够以更低的售价提供更好的服务。

02 谷歌的意图

如果说有一家科技公司准确定义了“大数据”概念的话，那一定是谷歌。根据搜索研究公司comScore的数据，仅2012年3月一个月的时间，谷歌处理的搜索词条数量就高达122亿条。谷歌的体量和规模，使它拥有比其他大多数企业更多的应用大数据的途径。

谷歌搜索引擎本身的设计，就旨在让它能够无缝链接成千上万的服务器。如果出现更多的处理或存储需要，抑或某台服务器崩溃，谷歌的工程师们只要再添加更多的服务器就能轻松搞定。将所有这些数据集合在一起所带来的结果是：企业不仅从最好的技术中获益，同样还可以从最好的信息中获益。下面选择谷歌公司的其中三个亮点。

谷歌意图：谷歌不仅存储了搜索结果中出现的网络连接，还会储存用户搜索关键词的行为，它能够精准地记录下人们进行搜索行为的时间、内容和方式，坐拥人们在谷歌网站进行搜索及经过其网络时所产生的大量机器数据。

这些数据能够让谷歌优化广告排序，并将搜索流量转化为盈利模式。谷歌不仅能追踪人们的搜索行为，而且还能够预测出搜索者下一步将要做什么。

用户所输入的每一个搜索请求，都会让谷歌知道他在寻找什么，所有人类行为都会在互联网上留下痕迹路径，谷歌占领了一个绝佳的点位来捕捉和分析该路径。

换言之，谷歌能在你意识到自己要找什么之前预测出你的意图。这种抓取、存储并对海量人机数据进行分析，然后据此进行预测的能力，就是数据驱动的产品。

谷歌分析：谷歌在搜索之外还有更多获取数据的途径。企业安装“谷歌分析”之类的产品来追踪访问者在其站点的足迹，而谷歌也可获得这些数据。网站还使用“谷歌广告联盟”，将来自谷歌广告客户网的广告展示在其站点，因此，谷歌不仅可以洞察自己网站上广告的展示效果，同样还可以对其他广告发布站点的展示效果一览无余。

谷歌趋势：既然搜索本身是网民的“意图数据库”，当然可以根据某一专题搜索量的涨跌，预测下一步的走势。谷歌趋势可以预测旅游、地产、汽车的销售。此类预测最著名的就是谷歌流感趋势，跟踪全球范围的流感等病疫传播，依据网民搜索，分析全球范围内流感等病疫的传播状况。

03 eBay的分析平台

早在2006年，eBay就成立了大数据分析平台。为了准确分析用户的购物行为，eBay定义了超过500种类型的数据，对顾客的行为进行跟踪分析。eBay分析平台高级总监Oliver Ratzesberger说：“在这个平台上，可以将结构化数据和非结构化数据结合在一起，通过分析促进eBay的业务创新和利润增长。”

eBay行为分析：在早期，eBay网页上的每一个功能的更改，通常由对该功能非常了解的产品经理决定，判断的依据主要是产品经理的个人经验。而通过对用户行为数据的分析，网页上任何功能的修改都交由用户去决定。“每当有一个不错的创意或者点子，我们都会在网站上选定一定范围的用户进行测试。通过对这些用户的行为分析，来看这个创意是否带来了预期的效果。”

eBay广告分析：更显著的变化反映在广告费上。eBay对互联网广告的投入一直很大，通过购买一些网页搜索的关键字，将潜在客户引入eBay网站。

04 塔吉特的“数据关联挖掘”

利用先进的统计方法，商家可以通过用户的购买历史记录分析来建立模型，预测未来的购买行为，进而设计促销活动和个性服务避免用户流失到其他竞争对手那边。

美国第三大零售商塔吉特，通过分析所有女性客户购买记录，可以“猜出”哪些是孕妇。其发现女性客户会在怀孕四个月左右，大量购买无香味乳液。由此挖掘出25项与怀孕高度相关的商品，制作“怀孕预测”指数。推算出预产期后，就能抢先一步，将孕妇装、婴儿床等折扣券寄给客户。

塔吉特还创建了一套购买女性行为在怀孕期间产生变化的模型，不仅如此，如果用户从它们的店铺中购买了婴儿用品，它们在接下来的几年中会根据婴儿的生长周期定期给这些顾客推送相关产品，使这些客户形成长期的忠诚度。

05 中国移动的数据化运营

通过大数据分析，中国移动能够对企业运营的全业务进行针对性的监控、预警、跟踪。大数据系统可以在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。

客户流失预警：一个客户使用最新款的诺基亚手机，每月准时缴费、平均一年致电客服3次，使用WEP和彩信业务。如果按照传统的数据分析，可能这是一位客户满意度非常高、流失概率非常低的客户。

事实上，当搜集了包括微博、社交网络等新型来源的客户数据之后，这位客户的真实情况可能是这样的：客户在国外购买的这款手机，手机中的部分功能在国内无法使用，在某个固定地点手机经常断线，彩信无法使用——他的使用体验极差，正在面临流失风险。这就是中国移动一个大数据分析的应用场景。

通过全面获取业务信息，可能颠覆常规分析思路下做出的结论，打破传统数据源的边界，注重社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户反馈信息，并从这些数据中挖掘更多的价值。

数据增值应用：对运营商来说，数据分析在政府服务市场上前景巨大。运营商也可以在交通、应对突发灾害、维稳等工作中使大数据技术发挥更大的作用。运营商处在一个数据交换中心的地位，在掌握用户行为方面具有先天的优势。

作为信息技术的又一次变革，大数据的出现正在给技术进步和社会发展带来全新的方向，而谁掌握了这一方向，谁就可能成功。对于运营商来说，在数据处理分析上，需要转型的不仅是技巧和法律问题，更需要转变思维方式，以商业化角度思考大数据营销。

06 Twitter中的兴趣和情绪

Twitter兴趣聚类：通过过滤用户归属地、发推位置和相关关键词，Twitter建立了一系列定制化的客户数据流。比如，通过过滤电影片名、位置和情绪标签，你可以知道洛杉矶、纽约和伦敦等城市最受欢迎的电影是哪些。而根据用户发布的个人行为描述，你甚至能搜索到那些在加拿大滑雪的日本游客。

从这个视角看，Twitter的兴趣图谱的效率优于Facebook的社交图谱。Twitter的用户数据所能产生的潜在价值同样令人惊叹。在社交媒体网站正在收集越来越多的数据的形势下，它们或许能找到更好的方式来利用这些数据盈利，并使其取代广告成为自身提高收入的主要方式。

这些社交网站真正的价值可能在于数据本身。相信在不久的将来，如果寻找到既能充分利用用户数据，又可合理规避对用户隐私的威胁，社交数据所蕴藏的巨大能量将会彻底被开启。

Twitter情绪分析：Twitter自己并不经营每一款数据产品，但它把数据授权给了像DataSift这样的数据服务公司，很多公司利用Twitter社交数据，做出了各种让人吃惊的应用，从社交监测到医疗应用，甚至可以去追踪流感疫情爆发，社交媒体监测平台DataSift还创造了一款金融数据产品。

华尔街“德温特资本市场”公司首席执行官保罗·霍廷每天的工作之一，就是利用电脑程序分析全球3.4亿微博账户的留言，进而判断民众情绪，再以“1”到“50”进行打分。根据打分结果，霍廷再决定如何处理手中数以百万美元计的股票。

霍廷的判断原则很简单：如果所有人似乎都高兴，那就买入;如果大家的焦虑情绪上升，那就抛售。一些媒体公司会把观众收视率数据打包到产品里，再转卖给频道制作人和内容创造者。

精确的数据一旦与社交媒体数据相结合，对未来的预测会非常准。

07 特易购的精准定向

聪明的商家通过用户的购买历史记录分析来建立模型，为他们量身预测未来的购物清单，进而设计促销活动和个性服务，让他们源源不断地为之买单。

特易购是全球利润第二大的零售商，这家英国超级市场巨人从用户行为分析中获得了巨大的利益。从其会员卡的用户购买记录中，特易购可以了解一个用户是什么“类别”的客人，如速食者、单身、有上学孩子的家庭等等。

这样的分类可以为提供很大的市场回报，比如，通过邮件或信件寄给用户的促销可以变得十分个性化，店内的促销也可以根据周围人群的喜好、消费的时段来更加有针对性，从而提高货品的流通。这样的做法为特易购获得了丰厚的回报，仅在市场宣传一项，就能帮助特易购每年节省3.5亿英镑的费用。

Tesco的优惠券：特易购每季会为顾客量身定做6张优惠券。其中4张是客户经常购买的货品，而另外2张则是根据该客户以往的消费行为数据分析，极有可能在未来会购买的产品。仅在1999年，特易购就送出了14.5万份面向不同的细分客户群的购物指南杂志和优惠券组合。

更妙的是，这样的低价无损公司整体的盈利水平。通过追踪这些短期优惠券的回�...

需求结构图

1.数据展示的定位：

1)对内解决降本、增效。

2)对外解决宣导、标准、趋势。

2.数据展示使用对象:

1)外部：中国物流与采购联合会、政府、银行、产业基金组织、合作伙伴等。

2)内部：集团领导、财务、业务人员、操作人员。

3.数据展示框架设计要求：

1)样式设计，要求风格统一。建议由专业设计人员进行设计,包括色系、展示样式。

2)风格可配，风格可以根据行业特点进行配置，如冷链、精矿等不同行业可以过不同色系进行展示。

3)扩展性好，增加新的业务时，展示内容可进行灵活扩展。

4)消息预警，显示预警消息，主动推送预警相关责任人。

5)复盘功能，可以回放预警点的数据状态。（建议在触发报警时做数据镜像）

6)关键数据，醒目显示，并且可以展示数据明细或计算方式。

7)互动体验，可以显示音效、视频信息。

8)布局分层，Level1整屏展示,Level2分屏展示、Level3展示明细表单、公式、作业状态等。

4.数据展示明细：

1)国物采数据展示

展示内容：国家行情指数、对应的集团行情指数、集团数据（贸易额、交易量、资源数量等）。

设计思路：结合国物采行业指数与集团数据进行对比，并且进行偏差分析对国物采、集团提供指导性建议。

数据源：国物采接口数据、供应链系统。

2)业务线数据展示

展示内容：通过现有业务线为展示主体，呈现现有业务模式个环节与传统操作环节具体降本、增效的数据，如采购环节比传统方式节省成本3%，并且可以显示降本、增效数据来源明细、计算公式。

设计思路：以现有业务线为展示主体，核心体现降本、增效量化数据。（可以参考舜德现有业务线展示页。）

数据源 ：供应链系统、传统方式数据样本。

3)财务数据展示

展示内容：从公司营运能力、盈利能力、发展能力、偿债能力几方面展示，需要有预警提示。

设计思路：参考现有金蝶EAS中的财务数据进行分析。参考：

https://baike.baidu/item/财务指标分析/6117792?fr=aladdin

数据源：金蝶EAS系统

4)金融风控模型

展示内容：输入信息关注的内容包括银行数据（资产、征信）、经营情况、货品情况（动态、库存）、移动互联（客户门户/微博状态更新、手机通讯流水）;输出客户信用评估信息。

设计思路：通过输入、输出的方式呈现针对客户金融风控模型。（结合链融风控模型，与李总讨论）

数据源：银行、客户、移动通讯、互联网、供应链系统。

5)业务跟踪展示

展示内容：通过地图的方式展示业务覆盖的范围，可以跟踪在途的货物运输信息包括船舶、航空、公路、铁路业务量，并且可以对业务量进行明细展示。

设计思路：在现有在途跟踪展示数据上进行扩展。

数据源：供应链系统、外部接口数据。

6)公司经营展示

展示内容：展示公司基本状况、经营状况、贸易领域占比。

设计思路：结合舜德现有数据统计展示界面进行扩展，增加图形展示。

数据源：需求方提供

写需求分析之前，要先了解需求分析的定义和目的。看看百科是怎么说的：需求分析也称为软件需求分析、系统需求分析或需求分析工程等，是开发人员经过深入细致的调研和分析，准确理解用户和项目的功能、性能、可靠性等具体要求，将用户非形式的需求表述转化为完整的需求定义，从而确定系统必须做什么的过程。

需求分析，可以理解为对用户/客户的需求的分析。也即是开发人员，要弄懂用户想要的是什么，重点在用户的需求。

需求分析文档名的命名格式，可以参考如下格式：需求分析说明书_某系统_版本号_日期

如：需求分析说明书_某网上商城服务系统_V5.0_20180119。

软件工程的需求文档，通常使用word来编写。

文章下面内容等，将从一个真实需求分析说明书着手解析。并非所有需求文档均需按此结构和内容。

需求分析文档主要应包含以下模块，对每个模块，主要需要编写的内容也将给出。

正文前：修订记录，目录，引言和引用文件

首先在这些之前，你还需要弄一个封面，封面内容是这个文档的名称，加上如日期，公司名称这些信息。

修订记录

列一个含版本号、修订人、修订时间、修订内容记录的表格，每一次进行较大更新时，都应进行记录。

目录

目录自动生成即可。每次更新内容，记得更新目录就可以了。

引言

引言中包含了“标识”、“数据库概述”、“文档概述”。

标识即是通过标识号，说明这个文档的属性。如图

数据库概述需要包含数据库的运行环境，如ORACLE11g。以及涉及到的数据管理问题，同时可以对数据库设备等做一个简单的要求描述。

文档概述顾名思义，对文档进行简单说明。参考如下：

“本需求分析说明书是通过规范文档的方式与客户方界定系统的开发范围，同时作为开发人员和测试人员进行系统分析、设计、开发和测试的依据。

本文对业务需求进行描述，在理解业务的基础上编写需求全景分析描述，提供活动图、业务用例图、及用例过程描述，用于系统建设前期达成统一的建设目标和实现方式”

引用文件

文档中涉及引用到的文件，都可以写在这里。而一般而言，你们的投标文件、总体技术方案、实施方案等自然是这里必备的内容。

业务概述

业务概述从目标、业务内容、运行环境、关键点、用户特点、技术约束几个方面来写。

目标

目标往往就是投标文件或是招标文件的建设目标，也就是这个项目需要完成的事情，需要达到什么效果。

业务内容

业务内容主要是对目标的一种详细化，简述目标中的子系统，每个系统包含的大体内容。如建设统一用户管理平台。

运行环境

运行环境可以根据内外网等不同进行划分。表达形式上可以参考下图。

关键点

关键点可以从业务关键点和技术关键点进行切入。如需要满足一定量的高并发、某些业务需要特定的流程等，都可以列条文字表达。这只需要对关键点进行简单罗列和说明即可，不需要写实现方式之类的东西。

用户特点

一般来说，用户为pc端，app端等。也有可能有的为自然人，有的人企业/团队，根据自己项目的特点，进行罗列，简单说明他们的区别。

技术约束

技术约束可以挑选使用的技术中会对系统进行一定要求的技术来写。一般可以写该技术的概述、基础服务、架构特性和平台约束、

前两点，根据自己使用技术内容，可以简单完成。后面的架构特性，则是一个从软件层面，一个从硬件层面来阐述。

下图为SSH下的软件架构可放的图。

硬件方面，可以列出的物理设备的清单。如数据库服务器的配置要求，台数、应用服务器的此类要求等。

功能需求

功能需求是这个文档的主要内容部分，应占文档篇幅的60%以上。毕竟我们需求分析，主要还是要分析用户的需求的。

在该大菜单下，需要对之前的建设目标进行分模块的编写。一般而言，除了列举目标中的建设子系统外，还需要加一个“应急系统”和“特殊说明”尾好。

对于每一种的图的内容，可以直接根据它的名字，在Visio中新建时，找到对应的图进行创建，参考网上搜索的样例进行创作。

下图为角色用例实现图（仅供参考）：

其他需求

其他需求这里虽然是列举为一点，但是还是要一个列一个大的菜单。可以含“接口及数据需求”、“计算机资源需求”、“数据需求”和“操作需求”。

接口及数据需求

这里根据实际情况，列举需要接口和数据要求即可。最好是两个分开。

计算机资源需求

这里分计算机硬件需求和计算机软件需求。下图为参考目录结构。

数据需求

数据需求则可以从数据量级、特殊数据的输入输出和数据预处理进行。这里需要根据自己项目情况，进行罗列和梳理。

操作需求

这里的操作需求可以是普通用户的，也可以是系统操作。如服务器维护，数据库维护等，都可以算是一种操作需求。

故障处理、算法说明等

这里的等，可以是下列内容：合格性规定、需求可最总行、尚未解决问题、注解和附录等内容。

这里的内容一般为可选内容，不过像附录和注解这些，一般都是要有的。而算法等如果有则写，没有也可以不写。

（如果觉得对你有帮助，希望可以支持一下哦，如需转载，请注明出处，作者：百家号：深海程序员）

需求分析是通过需求收集获取的用户需求，选择一种业务导向的线索将零散的需求串联起来，进行业务分析、消除矛盾，并在业务分析基础上结合系统现状进行系统分析并最终形成方案和系统需求说明书的过程。

需求分析总体分为8个步骤，按照顺序依次为：需求识别、业务流程/统计查询/接口分析、数据实体分析、角色及使用场景分析、系统功能分析、数据割接分析、用户体验分析、非功能需求分析。

一、需求识别

需求人员在此步骤应该分析需求类别、需求复杂度和需求价值用来确定需求实施的优先级。

1.需求类别确认：需求类别包含流程类需求、统计分析类需求、接口类需求，一个需求可能为某一类型需求，也可能包含多类需求。确认需求类别后应对每类需求的数量进行初步分析（比如流程类需求包含几个流程、统计分析类需求包含几个报表、接口类需求包含几个接口）；

2.需求复杂度分析：一般需求受理工作量在1-5人天的需求复杂度低，工作量在5-15人天的需求复杂度中，工作量在15人天以上需求复杂度高。（工作量表示需求受理全过程需求人员需要付出的工作量）。

3.价值分析：需求人员收到需求后应根据收集需求内容初步分析需求痛点/目标、需求复杂度、业务重要程度确定需求价值，需求价值分析可参考如下模型：

二、业务流程/统计查询/接口分析

针对流程类需求必须进行业务流程分析，统计查询和接口类需求可不进行详细的流程分析。

1.业务流程分为组织级、部门级和岗位级，部门级流程关注脉络需要分析涉及哪些具体岗位、执行活动、每个活动之间的关联关系，它是需求分析的主线条，也是流程分析的主要产物；组织级流程关注宏观一般不会直接绘制，是对部门级流程的概括和抽象，岗位级流程关注每个业务活动的执行步骤属需求细节范畴，在流程分析阶段不要过度进入细节。

2.需求识别阶段确认的流程均为部门级流程，需求人员在进行流程分析应遵循如下方法：

1)业务流程确认：一个流程为一个业务事件一般是外部角色发起或系统内部主动发起（比如时间事件或状态事件），发起后会触发一系列业务活动；

2)角色及业务活动确认：流程图中的每个泳道都必须对应到角色，每个角色对应多个业务活动，需求人员在确认业务活动时一定要保证活动的粒度，一个业务活动一定是由一个角色完成且每个业务活动都是有价值的活动（比如项目输入项目名称是一个执行步骤，这个动作没有价值，项目经理查询项目信息就是一个业务活动），在需求描述时针对线下活动或新增活动应该应标识区分；

3)业务活动间关系及数据确认：确定所有业务活动的前后置关系，并明确流程间的传递的数据实体。

4)流程整体瓶颈分析：一般若某个角色业务活动工作量较大或流程涉及高级领导一般都会造成瓶颈，这种情况需求人员应想办法分散工作量提出流程优化建议。

3.针对统计查询类需求及接口类需求按照上述业务活动确定原则分析、确定角色并明确每个角色所执行的业务活动即可。

三、数据实体分析

针对流程类需求需要分析各业务活动传递的数据实体，统计分析类需求需要分析统计查询条件和查询展现两类数据实体、接口类需求需要分析接口传递数据实体，具体分析包含如下内容：

1.明确数据实体：确认需要分析的所有数据实体，明确哪些为系统原有实体、哪些为新增实体、哪些为改造实体；

2.明确所有数据实体间关系：实体间关系包含（1对1、1对多、多对多），另外需要分析数据实体变更是否需要保留版本，实体删除（逻辑删除、物理删除）是否影响其它数据实体；

3.明确数据实体字段：针对新增数据或改造数据实体需要明确新增字段的名称、字段类型、是否必填、字段取值方式（人工输入、系统自动继承自其它数据实体、系统自动计算需要明确计算公式）；

4.数据权限分析：需要分析不同角色在数据权限方面的差异，若涉及纵向多级用户，要说明对于集团/省/地市用户的数据隔离。

四、角色及使用场景分析

一般来说每个业务活动是对用户使用场景的抽象，每个业务活动可能包含多个场景，分析使用场景时应按照业务活动为主线逐个进行分析，每个业务活动分析时应包含如下内容：

1.明确活动执行角色；

2.明确活动执行的前置条件和后置条件；

3.明确不同场景：一个业务活动可能包含正常的使用场景、备选使用场景和异常使用场景；

4.明确每个场景的执行步骤：描述执行步骤时应使用简单的语法，主语明确语义易于理解，每个步骤不应该在任何一方（执行角色、系统）停留两部以上，重点描述如何交互。

5.业务规则和约束：明确在每个业务活动下应遵循的业务规则和约束，这里一般是与业务流程相关的行为规则（比如项目周期时长超过90天必须提交二级领导审批）或与数据实体相关的数据规则（需求交接单拒收时候必须填写拒收原因，且拒收原因不能超过500字）。

五、系统功能分析

系统功能分析是结合系统现状和上述分析进一步明确实现相应用户场景的系统功能，主要还包含内容如下：

1.功能列表：分析得出实现上述业务活动对应的功能/接口列表，并明确新增功能、改造功能；

2.功能/接口关联影响分析：实现某个业务活动需要新增或改造的功能对其它关联功能/接口的影响分析（比如改造请购池受理功能可能会影响采购项目创建功能，采购项目创建功能修改一个字段取值范围会影响项目统计分析和同步ES系统接口）

3.系统交互原型分析：需求人员应遵循界面规范并与研发沟通确定系统交互原型，用户原型的目的是为了帮助研发或用户更好的理解需求场景而非真正系统实现后高保真原型，在交互原型中应包含如下内容：

1)原型界面的名称、入口，原型间关联关系和使用角色

2)页面内容、格式及排序方法

3)操作要点：比如交互的信息提示、界面规则和约束（比如界面以不同颜色显示不同的校验结果）。

4.算法分析：在系统功能交互时涉及比较复杂的算法，需要单独对算法进行分析。

六、数据割接分析

很多功能/流程改造都会涉及数据割接，需求人员应在需求分析阶段明确割接规则并与研发沟通明确割接方案，常见的割接场景如下：

1.流程环节变更（比如取消审批流程）；

2.数据实体新增字段。

七、用户体验分析

主要针对业务流程分析、用户使用场景分析、系统交互原型分析时充分考虑用户体验，进行用户体验分析时可遵循如下用户体验要素模型：

1、战略层：这个层次在需求识别分析阶段基本已完成；

2、范围层：主要针对业务流程分析阶段、角色及使用场景分析阶段及系统功能分析阶段增加用户体验分析，比如流程环节是否存在瓶颈环节、整体流程效率是否高、使用场景的执行步骤是否繁杂、制定的业务规则是否会增加工作量或导致难以实施等；

3、结构层：主要针对系统原型交互设计增加用户体验分析，交互设计原则如下：

1)简化原则：删除不必要的功能直到不能再减少为止；

2)组织原则：按照有意义的标准确定功能，信息展示按照业务含义进行分组；

3)隐藏原则：隐藏非关键信息，凸显关键信息，避免分散用户注意力，但隐藏信息可通过某种线索找到；

4)习惯原则：设计功能尽量贴近用户的操作习惯，避免用户思考；

5)帮助原则：为用户提供适量的帮助和引导；

6)响应原则：每次用户进行操作后，都需要给用户一个响应反馈；

7)容错原则：必须允许用户犯错，给予用户后悔的机会；

8)转移原则：对复杂性操作进行转移，用户擅长做的转移给用户，计算机擅长做的转移给计算机。

4、框架层：主要针对系统原型界面设计增加用户体验的分析，主要由界面规范和系统技术架构决定。

5、视觉层：主要由界面规范决定。

八、非功能需求分析

包含需求的可行性分析、健壮性分析、可扩展性分析、执行效率分析，可行性分析从以下几个方面进行：

1、技术可行性：针对数据割接方案、系统交互实现方式与研发确认是否可行，需求人员在与研发沟通过程中需要不断积累哪些功能实现在技术层面很难支撑；

2、时间可行性：根据用户的上线时间要求分析是否可满足要求；

3、合法合规可行性：分析用户需求是否满足国家法规或公司法规要求；

4、数据安全性分析：用户需求是否满足信息系统安全要求。

盘点近几年的IT领域热门词汇:大数据、云计算、虚拟化、云存储、云服务等，几乎贯穿到所有信息技术领域的产品推广、解决方案和系统规划中。

面对大数据安全，安防行业的重视程度有何影响？

在网络安全法的要求下，如果安防产品存在明显的安全漏洞，造成使用者或消费者财产损失或其他损害的，应由厂家承担相应的经济赔偿责任，同时生产厂商应及时为用户提供免费的修补安防产品安全漏洞的技术服务。

这就对安防厂商的资质提出了更高的要求，不具备强大技术实力的厂商显然会逐渐被市场所淘汰。在这种情况下，诸如海康威视、蓝色星际、大华等具有强大安防技术实力的厂商无疑将迎来更多竞争机会。

在大数据的思想下，不追求个体数据的精确性，而是在海量数据中挖掘出规律性本质。 在这里，所有的基于结构化数据的检索与数据挖掘计算的服务得以实现。 同时，为实现更多的智能化业务，在数据应用服务层，也提供基于流式数据处理的视频智能分析服务。

面对安防大数据，视频监控业务将面临海量非结构化数据存储、数据共享、数据安全及数据利用四大难题。基于数据应用服务的计算结果，在数据可视化层进行呈现。

例如指挥中心的大屏显示，或者是基于电子地图的实时轨迹显示，或是基于交通流量统计的多种形式的信息发布等。 而贯穿整个系统架构的基础则是IP全交换技术。 摆脱了传统流媒体转发的技术，IP全交换技术可以大幅提高数据在网络中交互的效率。

大数据对安防重要性不言而喻

在AI时代，谁获取了场景化海量数据，谁就掌握了进入该领域通行证。从行业发展来看，无论是传统安防企业还是新晋AI算法企业，通过与各地公安业务部门成立联合实验室，向垂直应用领域提供技术，各地公安业务部门提供大数据支撑，双方共同开发垂直行业应用，并复制到其他领域，进而实现双赢。

宇视科技产品线总工程师朱兵表示，“从技术发的脉络来看，视频是最重要、最丰富、最有价值的数据源，当我们对视频监控的诉求从看得更久、看得更远、看得更清楚转化为如何管理、组织和使用这些信息， IT与安防深入融合，使安防行业变革彻底深入到业务模式上探究。”

他分析称，从市场发展大势来看，十年平安城市项目建设，产生了海量视频数据。但是，大数据技术战略意义不在于掌握庞大数据信息，而在于对这些含有意义数据进行专业化处理。换言之，在于如何让数据会“说话”。如何将海量的数据变成落地民生，进行商业趋势、判定研究质量、避免疾病扩散、打击犯罪或测定实时交通路况是顺应智慧城市、民用安防以及消费类视频市场的趋势所在。

安防大数据价值不仅仅在安防行业领域，其对安防边界扩宽起到非常大作用，在智能家居、楼宇、超市、地铁、人流疏导等区域所起作用也越来越大，通过成熟的智能算法和分析技术，厂商可以在视频数据中获得用户行为数据，并与第三方合作公司一起开发大数据相关业务，为用户提供精准服务，让安防产业触角向其他行业延伸，打造产业新增长点。

安防大数据面临问题

安防大数据涉及的类型比较多，主要包含结构化、半结构化和非结构化的数据信息。其中结构化数据主要包括报警记录、系统日志、运维数据、摘要分析结构化描述记录以及各种相关的信息数据库，如人口库、六合一系统信息等；半结构化数据如人脸建模数据、指纹记录等；而非结构化数据主要包括视频录像和图片记录，如监控、报警、视频摘要等录像信息和卡口、人脸等图片信息。

区别于其他行业大数据特点，安防大数据以非结构化的视频和图片为主，如何对非结构化的数据进行分析、提取、挖掘及处理，对安防行业提出了更多挑战。

此外，存储成本高和快速检索困难也是安防大数据面临的问题。

①存储成本高。视频图像特别是高清视频占存储空间大，监控视频数据通常只存储一个月，关键信息无法得到长时间保存，而且保存时间越长，成本就越高。

②快速检索困难。监控图像资源中包含大量冗余的数据信息，让用户从这些数据中自行寻找线索，不亚于大海捞针。人工的数据回溯，不仅占用了大量的人力、物力和时间，同时由于个人能力的差异也会导致针对视频的认知偏差。例如道路监控仅针对卡口实现了主干道的车辆识别，覆盖面有限，其他活动目标及特征无法获取,大多依靠人工进行收集和处理，难以结合多种时空交叉数据进行快速检索和研判比对。

结语：高清化、网络化和智能化的安防行业在新的纪元中，虽然会面临这样那样的问题，但是我相信随着云计算和大数据应用技术的成熟和完善，行业势必会更快速的发展，更加有力的推动社会的进步和发展。

作为从事互联网工作的一员，不防会遇到一些客户过来咨询项目的事。在众多客户当中，一些客户说，我有这么个创意的想法，开发需要多少钱？等等诸如此类的问题。飞创数据的小编认为拥有创意的想法，还需要明确的商业模式，竞争环境分析，规划和验证等。

可以说一个项目的完成需要投入很多的心思，其过程其实并非容易，有时甚至会让人感到沮丧万分。但是，这只是万里长征的第一步。以下来说说需求分析是怎么做的。如何确认项目的功能需求，从而确定开发周期才能确定项目的费用等。

需求分析是怎样做的？

需求分析是软件开发的一个重要过程。 一般，把需求类型分成三个类型：

1、业务需求（business requirement）反映了组织机构或客户对系统、产品高层次的目的要求，它们在项目视图与范围文档中予以说明。

2、用户需求(user requirement) 文档描述了用户使用产品必须要完成的任务，这在使用实例文档或方案脚本说明中予以说明。

3、功能需求(functional requirement)定义了开发人员必须实现的软件功能，使得用户能完成他们的任务，从而满足了业务需求。

首先，业务需求和用户需求是软件需求分析的基础，也是软件开发的前提。系统分析员通过对业务需求和用户需求的分解，将其转换成可以形式化描述的软件功能需求。飞创数据的小编认为开发软件系统最为困难的部分，就是准确说明开发什么。这就需要在开发过程中不断地与用户进行交流与探讨,使系统更加详尽,准确到位。这就需要确定用户是否需要这样的产品类型以及获取每个用户类的需求。

然而，飞创数据的小编觉得客户也经常是矛盾的。事实上，很少有客户能够明确的知道怎样的一个系统对自己是最有益处的，他们往往在集中方案之间徘徊，于是经常产生需求的变动。软件开发商经常陷入客户自己的矛盾之中。 飞创数据的小编认为 客户的负面影响可能对于能够在预算内按时完成项目产生很大的影响。尽管客户需要对需求的质量负责任，但是，当一个软件项目因为客户事先没有预料到的情况而导致失败的时候，即使客户不会追究开发方的责任，就软件项目本身而言，也已经是失败的。

最后，飞创数据的小编认为良好的需求分析是软件成功的基础。以上是飞创数据的小编对需求分析工作实践的一次总结以及综合性的思考，是对需求分析本身所做的一次分析。在此基础上，飞创数据的小编建议软件开发商还可以提出逆向沟通的设想，即项目经理主动进行沟通，提出引导性建议。当软件融合了客户和软件开发商双方的智慧，其项目的实施与质量将会进一步得以提升。

大牛回顾了第二课的内容：“在需求分析中用到三种类型的模型，分别是数学模型、描述模型和图形模型。需求分析中诸如数据分析、统计、计算一般用数学模型建模，图形模型较多用于业务流程建模，描述模型一般用于功能列表、输入列表、输出列表、事件等列表的建模”。

小白：“在需求分析中，有没有标准化的、成熟的模型可以使用呢？”。

大牛：“当然有，不过软件建模不是从来就有的，而是随着软件工程的发展不断成熟和完善起来。在需求分析阶段，系统分析员经常使用逻辑模型来建立需求模型”。

小白：“什么是逻辑模型？”。

大牛：“逻辑模型只是定义了系统需求，并没有局限于某一具体技术，逻辑模型的具体细节后面会讲到，本课主要是对需求分析阶段用到的逻辑模型做个简单介绍”。

大牛在黑板上写下了本节课的学习内容。

● 需求分析阶段常用的逻辑模型

大牛：“有很多种类的逻辑模型用来定义系统需求，这是一些经常使用的模型”。

大牛边说边在黑板上写下了常用的逻辑模型。

■ 事件列表

■ 数据字典

■ 数据流图（DFD）

■ 实体关系图（ERD）

■ 流程图

■ 类图

■ 用例图

■ 时序图

■ 协作图

■ 状态图

小白：“太多模型了，需求分析中都要用到吗？能不能简单介绍一下每个逻辑模型的用途？”

大牛：“在需求分析中，上面所列的模型不一定都要用到，可以根据项目规模和项目要求选取合适的逻辑模型来建模，一般建模都是从事件列表开始建模的”。

小白：“事件列表是不是记录系统发生的事件呢？”

大牛：“对，所有系统的开发方法都是以事件概念开始建模的，事件发生在某一特定的事件和地点，可描述并且系统应该记录下来”。

小白：“记录系统发生的事件对需求分析有什么作用呢？”。

大牛：“例如，我们对Windows操作系统都很熟悉，Windows操作系统本身就是由事件驱动的。你点击一个程序图标、滑动鼠标、按下鼠标左键等操作都是在触发一个事件，操作系统接收到事件，并对事件进行相应的处理”。

大牛：“Windows操作系统的所有处理过程都是由事件来驱动或触发的，当你定义系统需求时把所有事件罗列出来并加以分析是非常重要的”。

小白：“哦，明白了，所有的系统需求分析都是先从事件分析开始的，事件模型就是记录事件分析的结果”。

小白：“数据字典呢？这个概念有点抽象”。

大牛：“数据字典是用来描述模型数据的，是对模型涉及到数据进行定义和描述。举个例子，电话在线订餐系统的事件模型中可能会记录用户拨进电话这个事件，这个事件需要记录拨进的电话号码、区号、时间等数据项，你可能需要描述这些数据项的长度、数据类型、用途或预先定义的默认值，给系统设计师提供参考数据，这些描述数据称为数据字典”。

小白：“哦，数据字典就是模型中用到的一些数据，需要另外的数据来定义和描述”。

大牛：“不错，理解很快。我们再来看数据流图”。

随即大牛将一张图片投影到屏幕上。

大牛：“你看这张图，这就是数据流图，数据流图描述了数据从输入到输出的整个过程，数据流图以数据为中心，展示数据的流向和数据的处理节点，通过数据流图可以清晰地看出从接听电话开始到取餐结束，完整订餐信息流的处理及变换”。

小白：“真是一张图胜过千言万语啊，电话的订餐过程一目了然。不过，怎么判定数据流？怎么区分数据流和数据的处理过程呢？”

大牛笑了笑：“别急，现在只是让你了解一下需求建模的常用模型，后面的课会详细讲述如何建模”。

小白：“哦，好”。

大牛：“我们再来看实体关系图”

随后大牛将一张图片投影到屏幕上。

大牛：“你看这张图，这就是实体关系图。实体关系图反映了系统实体及实体间的关系。例如：在电话订餐系统中，涉及到的实体有客户、接电话人员（客服）、备餐人员、订餐单据。图给出了这些实体间的关系，图中N:N的意思是一个客服可以对应多个客户，一个客户也可以对应多个客服”。

小白：“这么说，实体就是系统涉及到人和事”。

大牛：“基本可以这么说，实体一般都有存储数据的需求，如果事物没有存储数据的需求，就不能当作实体看待”。

小白：“明白….”。

大牛：“接着是流程图，流程图很简单，基本都见过，这里就不说了，再看下面的几个模型”。

大牛：“类图、用例图、时序图、协作图、状态图都是UML建模语言提供的模型，类图用于在需求分析中为识别的实体建模；用例图用于系统功能建模；时序图用于实体间交互行为发生的时间顺序建模；协作图也是描述实体间的交互行为，与时序图不同的是，协作图更强调实体之间的相互关系及协作而忽略时间的约束；状态图用于描述实体状态的变化及事件发生时实体的变化情况”。

小白苦笑了一下：“脑子有点打浆糊了，刚才说的类图、用例图、时序图、协作图、状态图都没太听清楚”。

大牛：“现在不清楚没关系，后面我们都要详细讲述”。

小白：“哦，那太好了”。

大牛：“这节课主要是讲述了需求建模常用的模型，对常用的模型先大概了解一下，后面会详细讲述。下节课的内容，我们会探讨事件的概念，因为任何系统需求分析都是从事件开始的”。

后web2.0时代，互联网、物联网每天都在生产大量数据，人们对于这些庞大数据资源的价值渴求，使得“大数据”的概念得以问世。如果说“数据”是支撑未来核心技术的基础“原材料”，那么“大数据”正在演变成一种战略资源，当“用户需求导向”成为企业共识，大数据的收集、挖掘和分析开始支撑企业的业务运转、营销策略乃至战略方向，数据成为企业愈加珍视的宝贵资产。

目前，建设有大数据平台的企业不在少数，对比传统数据库，大数据平台数据大量集中，且蕴含更高价值，其安全建设要求明显更高。然而，由于大数据平台使用非结构化数据库类型，以及不同于以往应用与数据库，对应相对简单的传统网络结构，大数据平台安全建设为平台开发和运维者提出了难题。

日前，安华金和面向各行业IT运维和开发人群开展了一次大数据安全市场现状和需求调研。希望借此方式了解用户的大数据使用和运维安全现状，发现各行业用户在数据库运维工作中的安全需求，并梳理出整套适用于大数据平台特性的数据安全方案，帮助用户开展安全建设。安华金和从多方通道获取的近400份问卷中抽取170份有效样本进行统计分析，总结归纳出此份《大数据安全市场现状和需求分析》，摘取报告重点分析结论，分享给关注大数据安全的人士。

参与人员概况

抽取调研样本来自不同行业的部门或企业，包括：政府、制造、医疗、金融、通信、教育、能源、交通、保险行业等。调查对象主要为技术人员，直接从事IT运维或技术开发工作，或者为用户提供运维服务、解决方案及相关产品咨询，其中以技术经理、运维工程师、技术开发者占大多数，他们在单位中会指导或直接参与大数据平台的建设和运维，肩负大数据安全建设的责任，这为此份调研报告的客观性、专业度提供了基本的保障。

调查结果

大数据技术应用现状

本次调研中，半数受访者表示已经将大数据技术应用于单位部分业务中，或者明确列在应用计划内，处于技术选型阶段，另外半数受访者虽然没有真正启动大数据应用项目，但同样关注并处于技术调研阶段。同时，在已经投入大数据应用的受访者中，45%的受访者表示将大数据技术应用在了单位核心的数据分析或业务系统中，意味着单位核心业务数据写入大数据平台，这部分数据与平台分析结果具有非常高的商业价值，需要更高敏感度。

可以肯定的是，大数据技术已经受到各行业用户的广泛关注，当市场中近半数群体已经有所动作，一旦行业标杆案例成熟落地，另半数用户的方案复制和普及将很快开展起来。

大数据产品的使用情况

对于很多需要提供24小时不间断服务的网站来说，对数据库系统进行升级和扩展是非常痛苦的事情，往往需要停机维护和数据迁移，除了这些，大数据平台对传统的关系型数据库提出了更多的挑战，包括：高性能的事务管理性要求、读写实时性要求、高可用性要求。因此，在大数据平台的建设中，关系型数据库的很多特性失去了用武之地，非关系型数据库（NoSQL）成为大数据平台的标配。

在本次调研中，我们列出了目前相对常见的几类非关系型数据库产品，希望对几款产品的市场接受度加以了解：

32%的受访者应用了MangoDB数据库，使用最为广泛：Mongo最大的特点是支持的查询语言非常强大，语法类似于面向对象的查询语言，可以实现类似关系数据库单表查询的大部分功能，而且还支持对数据建立索引。MongoDB主要解决的是海量数据的访问效率问题，当数据量达到50GB以上的时候，Mongo的数据库访问速度是MySQL的10倍以上，这也是MongoDB广受青睐的主要原因。

其次为Hbase、Hive、Redis等几类，均在22%左右：Hive与HBase都是基于Hadoop平台的数据仓库工具，其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

Spark紧随其后，占比17%：Spark 是一种与 Hadoop 相似的开源集群计算环境，拥有Hadoop MapReduce所具有的优点；但不同于MapReduce的是——Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。

此外，在其他选项的答案中也出现了DB2、阿里大数据云等产品。

大数据平台中有哪些数据？

我们谈安全建设的时候，首先要搞清楚保护对象，不同业务类型、不同敏感级别的数据，需要根据其本身的敏感级别以及被访问和使用的情况，选择恰当的保护手段。因此，我们需要了解用户群体到底把哪些数据放到了大数据平台中存储和使用。

调研结果显示，50%的受访者会将“生产数据”放入大数据平台中，也就是单位主营业务系统实时产生的重要数据。这些数据从生产环境直接写入大数据平台，具有很强的实时性和敏感度。

41%的受访者选择“用户资料”，也是企业赖以生存的商业数据；此外，访问日志和交易信息分别有34%和24%的受访者选择。

更有14-15%的受访者表示会将第三方数据和财务数据放在大数据平台中，这里面第三方数据的出现，是指业务中的数据多方共享，测试、开发、分析场景中的数据分发等情况。此外，也有少数受访者提到了企业征信数据。

用户们的安全顾虑

大数据平台中汇集了一个单位方方面面的数据，并向各类对内或对外的业务系统开放接口，这意味着传统环境下的数据安全威胁在大数据应用场景下发生了更复杂的叠加和自由组合。那么用户们对大数据平台的安全顾虑更偏重哪方面呢？

59%的受访者选择漏洞攻击，56%的受访者选择“数据共享安全”，相较传统环境，共享场景下的安全问题在大数据技术的应用中显得更为突出，已经能与传统安全威胁中的“漏洞攻击”打个平手。不难理解，大数据平台除了提供存储和查询的功能，更重要的价值在于数据分析和价值挖掘，这决定了大数据平台需要向多部门甚至多家单位开放，比如政务大数据平台会向该地区各政府单位提供数据接口。

46%的受访者选择“企业机密泄露”，看来用户在安全问题引发的后果中，更担心机密数据泄露，这关乎企业的命脉。

38%的受访者选择“权限控制弱”，这与大数据平台所涉及的人员规模和角色复杂程度有关，目前只有具备一定技术水平的单位具备大数据平台建设能力，但同样需要引入第三方开发、测试人员，在后期的数据维护和挖掘中，需要引入第三方服务公司，这些不同访问角色的权限划分和管控愈加重要。

28%的受访者选择“无审计信息”，可见用户对于大数据平台的审计记录比较关注，这将提供一切安全事件的追责依据。

值得注意的是，只有13%的受访者选择“违反国家法规”，这不同于以往“安全需求多出自政策要求”的传统观念，保障数据安全的刚需成为越来越多用户考虑的重点。

哪些大数据安全产品最受青睐？

传统的安全建设思路对于大数据安全同样适用，但真正落地到技术手段的实现和方案的整合中，非关系型数据库的技术结构比传统关系型数据库难度更大。另外，由于大数据平台的数据访问来源、对象以及过程都要复杂的多，安全策略的制定和实现难度也会更高，那么在数据安全产品的选择上，用户更倾向哪几类呢？

大数据运维管控产品受到59%的受访者青睐，这侧面体现了用户对运维侧的行为管控最为重视，事实上，相比应用侧的数据读写，运维侧的开发、测试、分析人员会拥有更高的数据操作权限，也意味着更高的管控难度。

其次，大数据防火墙产品为41%，由于防火墙多用于应用侧的对外安全防护，也正应了用户对漏洞攻击等外部入侵的安全防护需求。

32%的受访者选择大数据审计，该数字低于运维管控和防火墙产品，这与传统环境下的安全需求差异明显，看来用户更看重能够提供事中管控的安全手段，审计产品的旁路监控和事后追查能力也重要，但看起来没那么迫切。

“大数据风险扫描”、“敏感数据梳理”的选择者各有27%和28%。安全风险扫描能够帮助用户发现安全隐患，如安全漏洞、弱安全配置、弱口令等，有些问题可以人工修复，提高平台安全基线，也能够指导安全方案的规划。敏感数据梳理是整体数据安全建设的基础，但这项技术在规模庞大且数据类型繁杂的大数据平台中落地，会面临不小的挑战。“大数据脱敏”有20%的青睐者，这项技术适用于数据分发和共享场景下的安全需求，但这个数字没有想象中高，也许用户是出于性能考虑？有待观察。

贾文丽

人们的消费日趋个性化，越来越把注意力和金钱的支出方向转移到能够为其提供精神价值的经济形态。文化|旅游|创意|体验

随着第一批00后步入成年，属于他们的新世界也即将开启。腾讯社交洞察等联合发布的《00后研究报告》、驴妈妈旅游网发布《2018毕业旅行消费趋势报告》、携程公布的“青春旅行报告”等旅游平台统计报告，揭示了身为“独生二代”、“与互联网共同成长一代”的00后们独特的旅游需求。

非常道创意评论：2018年是00后的成年元年，整个世界不得不关注逐渐走进社会深处的他们。他们年轻，得为他们打开未知的世界；他们精力充沛，得为他们设计参与式体验产品；他们崇尚自由，得为他们留足自主空间……

零零后特征分析

成长环境决定了00后的价值取向及行为习惯。根据今年腾讯社交洞察、腾讯社交广告联合腾讯CDC发布的《00后研究报告》结果显示，相比于90后，00后的成长环境中物质条件更加优越，家庭资源更为丰厚，家校管教更加民主，网络社交更为便捷，兴趣爱好也更加广泛且投入。

00后表现出更主动地自我认知和自我发展、更积极地探索和表达、更包容并渴望同辈归属、更现实理性地行动等诸多特点。

旅游行为分析

目前，00后绝大部分为学生群体，因此节假日周期性旅游是00后旅游出行的主要特征。根据去哪儿网统计，00后出游月份明显集中在1月、2月和7月、8月的寒暑假。

近两年，携程、途牛、去哪儿、驴妈妈等旅游平台及腾讯等网络公司都统计了00后最热门的国内外旅游城市榜单，虽然榜单排名有所差异，但却也有共同规律：00后等年轻游客夏季最爱“海岛游”，暑期同时也是这帮学生族参加各种“研学旅游”的高峰，近年来00后暑期出境研学游比例持续增高，而无论海内外，红色旅游在年轻群体中的热度也日益上升；而冬季的“温泉游”、“冰雪游”人气高居不下。

如果说90后的中学时代是PC网络时代，那么如今00后的中学时代便是完完全全的移动互联网时代。从小在便捷高效的移动互联网影响下长大的他们在出游过程中网络有更加明显的依赖性，无论是目的地筛选、信息查询、票务及酒店预定，亦或是美食购物、分享交流等，几乎都离不开移动互联网。根据腾讯2017年的出游消费人群统计，00后在旅途中对于社交、视频、新闻类APP的关注度最高。

由此，00后包括部分90后游客旅游行为表现出周边游、碎片化特征，他们更崇尚自由、个性化的行程。他们中的大部分游客在出游中更倾向于到目的地用手机查攻略、看点评、做选择，不像80后那样习惯做完整的出游计划。00后更多地会在结束一个目的地游玩的后就近（地点和时间上）搜索周边有趣景点，临时制定或修改行程，行为活动呈现碎片化及不规律性。

同时，网络社交平台的流行也深深影响了00后的旅游行为，近年来，重庆洪崖洞、西安永兴坊等一批“网红景点”迅速蹿红，让人们不得不重视社交平台的传播力量。00后良好的适应能力使得他们更愿意像个当地人一样吃喝玩乐，并随行记录，分享到社交圈中。

携程五月公布的近一年 “青春旅行报告”中指出，00后最乐意参与的旅游体验方式中，逛集市排名第一，有56%的人选择；走街串巷（City Walk）排名第二，选择度达46%；其他依次还有学做当地菜、参加民俗节日、与当地人闲聊、参加当地夜生活。

此外，旅途聚会是00后在旅途中热衷的一大活动。“青春旅行报告”中显示携程线上“微领队”结伴功能总收到8万多结伴贴，90后、00后占比超过一半，发帖需求多为约饭、约唱K等年轻化体验。这与00后“独二代”的身份息息相关，从小家庭中兄弟姐妹的缺失让他们更渴望获得外界同龄伙伴的认同和陪伴。

《00后研究报告》统计数据显示超过60%的00后会有意识的在社交平台针对不同人群发布特定内容，塑造自己想要的公众形象，所以旅行中如何拥有完美的纪念照片或是视频已经成为00后旅游用户的一堂必修课。

良好的家校环境及发达的网络使00后有更多的机会表达自己的想法、挖掘自身的兴趣，并有能力在自己擅长、喜爱的领域投入时间精力和物力财力。个性化的发展使得他们更加关注个性化、有内涵的事与物。

《00后研究报告》接受调查的00后中，60%表示会了解品牌背后的理念与故事，不只是要更别人的消费不一样。

今年6月，驴妈妈旅游网发布《2018毕业旅行消费趋势报告》，报告中国内最受欢迎（前五）目的地为云南、四川、北京、上海和三亚。根据各年龄段毕业生的旅行消费行为，总结出它们共同特点——既有旖旎美丽的自然风光，又有文艺浪漫的人文情怀。

消费观念随着经济基础一同升级，与90后喜欢“穷游”不同，00后更注重出游的品质体验。在《2018毕业旅行消费趋势报告》中，超5成毕业生旅行预算超过4000元，至于旅行预算的资金来源，有78%的毕业生表示是家庭支持，还有22%的毕业生表示是自己平时打工所得。在毕业旅行预算增加的情况下，出行住宿也由价格需求转向品质需求。青旅、经济型连锁酒店不再是住宿首选。40%的毕业学生偏向于精品酒店或特色民宿；26%的学生选择入住高星酒店，合计占比近7成。

虽然总体消费水平提高，但并不意味着00后花钱大手大脚，绝大部分00后的自我认知很高，能够理性认识自己能够消费什么，携程的“青春旅行报告”指出：“超值、划算”仍是年轻旅客搜索的关键词。

00后的家长大多数为80后，对比各大平台的80后出游规律，不难发现，家庭亲子游所占比例最高，超过50%。暨在近一年时间里，00后在旅行时，有一半左右属于和父母一同出游。

总结与启示

学生族寒暑假周期循环——海岛游、研学游、温泉游、冰雪游最受欢迎。

移动互联网与社交媒体普及——周边游、碎片化特征明显，网红景点与旅途聚会大受追捧，拍照分享塑造个人形象。

自我认知与个性化发展——兴趣领域的细分，故事内涵的关注及理性消费。

物质生活优越——旅游品质的追求。

未成年学生阶段——家庭亲子形式出游。

根据以上00后特征及旅游需求，关于旅游产品设计有几点启发：

寒暑假是00后乃至未来的“10后”等所有受教育阶段人群的集中出游时段，市场庞大，海岛、温泉等热门旅游目的地应结合自身特色，顺应市场，提升旅游项目品质，实现区域内差异化发展。

而对于非热门旅游目的地，可依托周边热门景点，准确定位，功能互补、组合发展，利用新兴社交媒体进行扩大宣传，达到客流共享的目的。

旅游产品的开发设计应加大文化特色的挖掘和演绎，从观光向深度体验过渡。旅游项目可针对不同受众群体进行类型划分，做深做精，充分带动目标客群的感官体验；

不同类型项目之间相互补充，主题上独立统一，空间上聚合共生，功能上差异互补，最大程度满足不同游客需求。

针对学生市场及家庭亲子市场，住宿、游乐、餐饮、交通等具体旅游产品的设计应符合相应的人体尺度及行为习惯，在科学设计的同时不忘趣味性，积极创新、寓教于乐。

▽免责声明▽

文章部分内容来源：和美智业机构，图片来源：腾讯、携程、驴妈妈。版权归原作者所有,我们对作者深表敬意，若有侵权请联系署名或删除。

相关内容

新生代新消费｜ 中国高消费千禧一代的旅游特征分析

“二次元”旅游攻略：90后驱动的新兴旅游市场