【IT168 资讯】大数据是一个通用术语，用来指当前业务领域中存在的各种数据。从医疗机构的数字数据和记录到政府机构的大量文件，人们把这些文件存档供将来参考，技术为我们提供了一个面向服务的架构来分析这些信息。大数据是永远不可能被归档到在个描述或定义下。关于信息技术的神器之处在于，它始终在不断发展，并且可供愿意接受信息技术的公司使用。另一方面，云计算的发展使得商业企业更容易获得可负担得起的软件包。云计算的使用大大降低了存储公司信息的成本，这也带来了小型企业可以利用的多个应用程序。

　　自互联网诞生以来，随着云计算的不断发展，互联网上广泛的信息爆炸式增长。标准用户和数字营销人员现在可以每天使用社交媒体营销平台来生成大量关于消费者的信息。有时，对于机构和企业来说，管理每天生成和存储的数据量就是一项相当艰巨的任务。例如，每天创建2.5万亿字节的数据，这可能会给云计算带来存储和排序挑战。

　　这正是大数据用来管理海量数据如何通过云计算存储的地方。总而言之，这两种技术形式提供的解决方案既适应业务分析、也适用于大数据。在这篇文章中，将重点介绍如何使用大数据和云计算来管理政府机构和商业机构日常生成的大量数据。

　　可购性

　　对于那些预算计划比较紧张，但又需要更新技术的企业或机构来说，云技术可能是解决燃眉之需的一大利器。用于管理大数据的成本资源，即使是小公司，也在预算之内，而且在市场上也很容易找到合适的产品。在云计算出现之前，商业机构和政府机构花费大笔资金建立信息技术部门来管理数据，甚至花更多的时间来更新这些IT系统。今天，由于技术的进步，企业可以把他们的大数据托管在异地的服务器上，或者按需支付。

　　敏捷性

　　传统的数据存储和管理方法正变得越来越难以管理，因为数据存储和管理非常慢，需要公司花费大量时间从中检索信息。有时，安装和运行服务器可能需要几周甚至几个月的时间。云计算的出现有可能为企业或机构提供所需的全部存储需求。一个基于云计算的公司数据库可以在几分钟内完成安装，并将数据存储在数千个虚拟服务器中，在这些服务器中，只有一台计算机或移动设备和互联网连接的人可以很轻松访问它。

　　数据处理

　　海量数据的爆炸式增长带来了管理数据的挑战。例如，社交媒体会产生大量的数据，这对于在推文、帖子、博客或照片等类别中进行处理来说是具有挑战性的。对于大数据，有一些分析平台，比如Apache Hadoop，可以在将非结构化数据存储到云中之前处理这些数据。

　　从2013开始制作大数据版图的Matt Turck刚刚发布了最新的2017年大数据版图，我们一起来看看在这个领域有哪些最新趋势和玩家的分布情况。

2017年大数据版图

　　作为对比我们先看看2016年版本：

　　2017年版本：

　　整合要来了吗？

　　从上图可看出，这张图已经变得越来越拥挤，那么一个显然的问题来了：行业是否濒临大规模整合的边缘了呢？

　　似乎还没有。至少目前如此。

　　首先VC仍然继续乐于给新老公司提供资金扶持。2017年的第一季度成长阶段的大数据初创企业拿到了不少的可观融资，其中包括：Looker（8100万美元D轮），InsideSales （5000万美元F轮），DataRobot （5400万美元C轮），Confluent （5000万美元C轮），Collibra （5000万美元C轮），Uptake （4000万美元C轮），WorkFusion （35M00万美元D轮） and MapD （3500万美元B轮）等。去年12月DataBricks也拿到了6000万美元的C轮。

　　2016年，大数据初创企业的总融资达到了148亿美元，占到了全球技术风险投资的10%。

　　其次，自去年的大数据版图推出以来，本领域的并购活动一直在稳步推进，但不是特别显著，其中部分原因也许是未上市公司的估值仍然高企。入选2016大数据版图的公司当中共有41家被收购（完整清单参见附注），这个节奏跟上一年是一致的。

　　另一方面，2017年刚开始就发生了一些大型的并购事件，其中包括Mobileye（被英特尔以153亿美元收购），AppDynamics（被思科以37亿美元收购），以及Nimble Storage（被HPE以12亿美元收购）。

　　去年还有一个显著的现象，那就是大型技术公司纷纷收购AI初创企业，尤其是那些解决水平问题、有着很好团队的AI初创企业。其中包括Turi（苹果）、Magic Pony（Twitter）、Viv Labs（三星）、MetaMind（Salesforce）、Geometric Intelligence（Uber）、API.ai（Google）以及Wise.io（GE）。当然，这种现象未必能持续太久，因为对AI的需求太旺盛了，人才实在是不够用了。

　　第三，一些较大的大数据初创企业羽翼渐丰，正在成为独立的上市公司。Snap无疑引领了技术公司IPO的复兴，但是目前为止是大数据公司借了这股东风。

　　2016年只有Talend一家大数据公司上市，但2017年大数据公司已经呈现出爆发之势。其中Mulesoft和Alteryx已经上市并且表现不错，而Cloudera也即将上市，其最新估值（41亿美元）与收入（2.61亿美元）之间的差异将延至“独角兽”估值现象的成色。另外，MapR以及定位智能公司Yext也已经在排队等待了。

　　下一个会是谁呢？也许是Palantir这个超级独角兽。这家多年以来保持神秘的公司已经公开表达了上市的兴趣。其最新估值达到了200亿美元，如果上市的话必将引起轰动。

　　云大战

　　虽然大规模并购尚未出现，但业界的另一股趋势值得注意，这就是“功能性整合”，这种现象在云端尤其显著。一些关键的玩家正在通过自研产品和开源计算引擎的实现逐步构建“大数据+AI”的基础构件，面向众多客户群提供其所期盼的“一站式”的服务。

　　AWS在产品发布的速度和幅度方面继续给人留下深刻印象。目前AWS几乎提供了大数据和AI方面的所有服务，包括分析框架、实时分析、数据库（NoSQL、图谱等）、商业智能以及日益丰富的AI能力，尤其是深度学习方面的能力。按照这种速度发展下去，AWS产品几乎就要把大数据版图的所有的基础设施和分析细分领域都占据了。

　　加入云大战稍晚的Google一直在积极开发广泛的大数据产品（BigQuery、DataFlow、Dataproc、Datalab以及Dataprep等），并且把AI视为跨越式发展的杀手锏。在AI方面Google去年做了很多事情，包括推出了新的翻译引擎，聘请了李飞飞和李佳领导新成立的Cloud AI and Machine Learning部门，推出了视频识别的机器学习API，并且收购了数据科学家社区Kaggle。

　　其他大型的IT供应商，比如微软、IBM、SAP、Oracle以及Salesforce等也在努力推出大数据产品（包括云端和本地）。除了技术自研和进行收购以外，这些玩家还越来越重视通过合作来打造生态链，其合作的重点是手上有数据的公司以及有“头脑（AI）”的公司。IBM与Salesforce的合作以及SAP与Google的合作就是值得注意的案例。

　　用企业IT的行业标准来看，云供应商还比较小，但是其不断膨胀的野心（其中包括从企业栈底层的IaaS向应用发展的企图）与企业数据逐渐向云端迁移的趋势结合，将打开庞大的企业技术市场大门，与传统IT供应商展开激战，而大数据和AI将是核心战场。

　　2017数据生态体系概览

　　基础设施

　　去年的许多趋势今年仍将延续，比如流处理技术，这方面Spark目前是主宰，不过像Flink这样的有趣竞争者正在出现。此外，还有以下一些趋势：

　　SQL正式回归

　　在给NoSQL当了10年副手之后，曾经的霸主SQL数据库正式吹响了回归的号角。Google最近发布了Spanner数据库的云端版。Spanner和CockroachDB（Spanner的开源版）都提供了可行的、强一致性的、可伸缩的SQL数据库。Amaozn推出了Athena，跟Snowflake等产品类似，这是一款SQL数据引擎，可直接查询S3下的数据。Google BigQuery、SparkSQL以及Presto等在企业逐渐获得采用——这些都是SQL产品。

　　数据可视化

　　与公有云采用相关的一个有趣的趋势是数据可视化。旧的ETL处理需要转移大量的数据（而且往往要建立冗余数据集）并且建立数据仓库，而数据可视化可以在数据保持不动的情况对其进行分析，提高了速度和敏捷性。许多下一代的分析供应商现在都可以同时提供数据可视化和数据准备服务，并让客户可访问存储在云端的数据。

　　数据治理与安全

　　随着大数据在企业侧走向成熟，以及数据的多样性和体量的不断发展，像数据治理这样的主题也变得日益重要。许多公司已经选择了“数据湖”作为把所有数据收集起来的手段。但除非你知道里面有什么东西，并且能够访问到合适的数据进行分析，否则的话数据湖再大也没有意义。但是想让用户方便地找到想要的东西同时管理好权限并不容易。除了数据湖以外，治理的另一个集中的主题是以安全的、可审计的方式为任何人提供对可靠数据的便捷访问。Informatica、 Collibra、Alation等大小供应商提供了数据目录、参考数据管理、数据字典以及数据帮助台等服务。

　　分析

　　数据科学家会不会濒临灭绝？

　　仅仅几年前数据科学家还被誉为是“二十一世纪最性感的职业”。而且“数据科学家”在Glassdoor的“美国最佳职位”排行榜中仍然高居榜首。

　　但这个几年前才出现的职业现在似乎有被围困的感觉。这部分是因为必要性——尽管学校和程序在批量制造出新的数据科学家军团，但周围却见不到多少，尤其是在招聘到顶级人才方面遭遇更大困难的财富1000强公司。在一些组织，数据科学部门正在从使能者演变为瓶颈。

　　与此同时，AI的大众化以及自服务工具的蔓延使得数据科学技能有限的数据工程师，或者甚至是数据分析师执行一些基本功能变得更加容易了，而这些功能直到最近仍然是数据科学家的领地。在自动化工具的帮助下，企业的大量大数据工作，尤其是那些简单枯燥的工作，将由数据工程师和数据分析师进行处理，而不是有着深厚技术技能的数据科学家。

　　换言之，除非数据科学最终不是由机器来完全处理的。但一些初创企业开始旗帜鲜明地打出了“数据科学自动化”的口号——其中最显著的包括刚刚获得5400万美元融资的DataRobot，Salesforce Einstein也宣称自己可以自动生成模型。

　　不奇怪的是，这些趋势在数据科学社区不受欢迎并引起了争议（当然了，谁会欢迎抢自己饭碗的事情）。然而，数据科学家目前大概还不需要太过恐惧。在氪遇见的未来里，自服务工具和自动化模型选择将会“增强”数据科学家而不是消灭他们，其作用将是解放他们，让他们把焦点放在需要判断、创造力以及社会化技能或者垂直行业知识的任务上面。

　　让一切一起协作：数据工作台的崛起

　　在大多数大型企业里，大数据的采用都是从少数独立项目（这里做一点Hadoop集群，那里用一用分析工具）以及一些新的职位（数据科学家、首席数据官）开始的。

　　但现在异质性已经开始发展，各种各样的工具在整个企业范围内得到了使用。在大公司的组织范围内，集中化的“数据科学部门”正在让位于更加去中心化的组织，这个由数据科学家、数据工程师以及数据分析师组成的群体，正日益嵌入到不同的业务部门里面。因此，对于平台来说需求已经很明显了，那就是要让一切都能协作到一起来，因为大数据的成功正是建立在设立一条由技术、人以及流程组成的装配线基础之上的。

　　因此，一个全新的协作平台类型正在加快出现，引领着所谓的DataOps（与DevOps对应）领域的发展。这方面值得关注的初创企业包括Dataiku 、Knime以及Domino Data Lab等。Cloudera最近刚刚基于收购的Sense发布了一款工作台产品。该领域的开源运动也很强劲，比方说Jupyter和Anaconda就是例子。

　　应用

　　AI驱动的垂直应用

　　AI驱动的垂直应用出现已经有好几年历史了，但这股潮流已经从涓涓细流变成了怒涛激流。突然之间似乎每个人都在开发AI应用，不管是新的初创企业，还是后期阶段的创业公司都押注到AI身上，希望能给自己带来新的突飞猛进式的发展。

　　当然，水变大了难免鱼龙混杂，这里当然有一些真正令人兴奋的初创企业，但也有不少是挂羊头卖狗肉来蹭热点的。只是用了点机器学习的公司算不上AI公司。

【云服务器】小鸟云服务器，纯SSD架构，行业领先的硬件计算能力，只需几分钟，便可轻松云端获取和启用，实现您的计算需求。可弹性扩展资源用量的同时，还能为您节约计算成本，简化IT运维工作，让您更专注于核心业务的创新。

云计算、大数据和物联网代表了IT领域最新的技术发展趋势，三者既有区别又有联系。云计算最初主要包括了两类含义：一类是以谷歌的GFS和MapReduce为代表的大规模分布式并行计算技术;另一类是以亚马逊的虚拟机和对象存储为代表的“按需租用”的商业模式。

云计算、大数据和物联网

随着大数据概念的提出，云计算中的分布式计算技术开始更多地被列入大数据技术，而人们提到云计算时，更多指的是底层基础IT资源的整合优化以及以服务的方式提供IT资源的商业模(如Iaas、PaaS、SaaS)。

从云计算和大数据概念的诞生到现在，二者之间的关系非常微妙，既密不可分，又千差万别。因此，我们不能把云计算和大数据割裂开来作为截然不同的两类技术来看待。此外，物联网也是和云计算、大数据相伴相生的技术。

云计算、大数据和物联网三者已经彼此渗透、相互融合，在很多应用场合都可以同时看到三者的身影，在未来，三者会继续相互促进、相互影响，更好地服务于社会生产和生活的各个领域。

下面总结一下三者的联系与区别：

1. 大数据、云计算和物联网的区别

大数据侧重于海量数据的存储、处理与分析，从海量数据中发现价值，服务于生产和生活;云计算本质上旨在整合和优化各种IT资源，并通过网络以服务的方式廉价提供给用户;物联网的发展目标是实现物物相连，应用创新是物联网发展的核心。

2. 大数据、云计算和物联网的联系

从整体上看，大数据、云计算和物联网这三者是相辅相成的。大数据根植于云计算，大数据分析的很多技术都来自于云计算，云计算的分布式和数据存储和管理系统(包括分布式文件系统和分布式数据库系统)提供了海量数据的存储和管理能力，分布式并行处理框架MapReduce提供了海量数据分析能力，没有这些云计算技术作为支撑，大数据分析就无从谈起。反之，大数据为云计算提供了“用武之地”，没有大数据这个“练兵场”，云计算技术再先进，也不能发挥它的应用价值。

物联网的传感器源源不断产生的大量数据，构成了大数据的重要来源，没有物联网的飞速发展，就不会带来数据产生方式的变革，即由人工产生阶段向自动产生阶段，大数据时代也不会这么快就到来。同时，物联网需要借助于云计算和大数据技术、实现物联网大数据的存储、分析和处理。

云计算、大数据和物联网，三者会继续相互促进、相互影响，更好地服务于社会生产和生活的各个领域。

基于互联网，来为人们提供更便捷、快速服务，这就是物联网。物联网以数据为中心，通过采集数据，经过处理，来总结物联网的各类数据、以及特性，以此获取更好的选择不同物联网技术来实施。

物联网的物物相连有两层意思：一、物联网的核心与基础仍然是互联网，是在互联网基础上的延伸、扩展的网络；二、用户端延伸和扩展到了任何物品与物品之间，进行信息交换和通信。物联网是互联网的延伸，实现信息化、远程管理控制和智能化的网络。它包括互联网及互联网上所有的资源，兼容互联网所有的应用，但物联网中所有的元素(设备、资源及通信等)都是个性化的和私有化的。物联网是互联网的应用拓展，与其说物联网是网络实体，不如说是业务和应用。

云计算，大数据与物联网有着密不可分的关系，物联网像是互联网的感觉和运动神经系统。云计算是互联网的核心硬件层和核心软件层的集合，也是互联网中枢神经系统萌芽。大数据是互联网的信息层，是互联网智慧和意识产生的基础。包括物联网，传统互联网，移动互联网在源源不断的向互联网大数据层汇聚数据和接受数据。云计算与物联网推动大数据发展。

云计算相当于人的大脑，是物联网的神经中枢。云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源。目前物联网的服务器部署在云端，通过云计算提供应用层的各项服务。

大数据是一种规模大到在获取、管理、分析方面大大超出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、快速的数据流转、多样的数据类型和价值密度低四大特征。

大数据分析常与云计算联系在一起，大数据的大，意义并不在于数据的庞大，而是对数据进行专业化处理，变成有意义的数据。从技术看，大数据与云计算就像硬币的正反面。大数据必然无法用单台计算机进行处理，必须采用分布式云结构，特色在于对海量数据进行分布式数据挖掘，但必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术、数据挖掘电网、可扩展存储系统等。如果将大数据比作一个产业，那么这种产业实现盈利的关键在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

大数据的特征：4个“V”——volume、variety、velocity、value,分别对应数据体量大；数据类型繁多，包括提到的网络日志、视频、图片、地理位置信息等；处理速度快，可从各种类型的数据中快速获得高价值的信息;价值密度高，只要合理利用数据并对其进行正确、准确的分析，将会带来很高的价值回报。

物联网的传感器与云计算的大数据相结合，一个提供感应，一个提供反应，在大数据的提供下进行便利的生活，办公。随着物联网的不断发展，运营商推进物联网与云计算的融合，为实现通信业的快速转型和升级做到以物联网、云计算创新应用为载体，对人们的衣食住行和公共安全领域进行智能防护，遵循科学发展观，顺应自然发展规律，开发使用低碳环保新能源，使得现代水利、电力和商业等与公众相关的产业变得智能，满足人们的需求。

在互联网技术大潮中，云计算、大数据、人工智能、5G严守科技界热词榜单。多年前，这些热词还是很多企业的包装色，但是如今商业巨头们已经具体的将其落实在生活中去，并在我们生活、工作中发挥巨大作用。

在2018年，政府、企业不断关注云计算的落地应用，云计算在未来的重要性不可忽视；大数据基本成为各大互联网公司的口头禅；人工智能不仅吸引大批资本关注，更是有制造业拥趸，成为下一个科技赛道；5G俨然成为各大通信巨头的年度词。但是对这些科技热词，我们真的了解吗？

云计算

从云计算出现在科技新闻中，至今云计算火了快十年了。经过多年的市场培育和技术积累，云计算在我们生活中应用广泛，例如我们个人使用的百度云盘、腾讯云盘，企业中广泛应用的云际视界云视频会议，这些都是基于云计算技术。

云计算技术是啥呢？按照市场普遍认可的定义（NIST）：云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问， 进入可配置的计算资源共享池（资源包括网络，服务器，存储，应用软件，服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。

云计算价值：当前，云计算更多应用在企业IT中，众多企业IT建设和设计都要围绕云计算展开，依仗网络进行分布式计算，配合软件定义，用软件来接管被硬件一统天下的IT系统，相比传统IT系统，云计算更节约费用，更为环保。云际视界等云视频服务平台，为企业搭建一整套的云服务平台，涉及IaaS、PaaS、SaaS三种服务模式，这不仅为企业节省了维护成本、办公场地，还在资源利用上实现优化。

大数据

大数据就是相当于海量知识汇集分类，产生引导。在电商快速崛起的时代中，大数据在营销、市场管理上被人们熟知，但是大数据真正的价值不仅于此，在公安系统、企业安防等层面，大数据对公共安全的意义重大。

具体来说，企业部门对数据的收集分析，做出有效地市场判断，带来自身企业价值的增长，同时也利于相关服务企业不断的完善服务，甚至是从数据中发掘客户需求，从而开辟新业务。

对于政府部门来说，大数据在公共安全方面的应用具备巨大价值，首先在公安部门的犯罪数据中，具备大量的数据基础，在此基础上，对公共安全防范，社会培训等价值不浅。海量数据中发掘特有规律，这就是大数据真正的核心价值。

人工智能

对于人工智能，大家接触最多的是特斯拉的无人驾驶、科大讯飞的语音识别等新技术在市场中的应用。而人工智能与大数据、云计算和5G关系紧密，由于巨大数据的产生，使得我们关注数据做一些过去只有人能够做的事情。

配合云计算带来的计算资源和计算能力，人工智能依托数据基础，对周遭环境做出一定的程序反应，实现人工智能的落地。

5G不仅仅是手机通信

5G这几天很火，因为众多手机通信厂商都相继宣布他们在5G领域取得的成绩，在通信领域引起一场技术营销风。但是5G网络真正的核心价值，是让用户始终处于高速联网状态下实现信息高速交互。对物联网、自动驾驶、企业通讯等产生时代性推动变革。

5G网络最直观的价值体现在其网络传播速度的快与承载力。5G网络传播速度是4G网络的数倍，它的基本要求并不同于无线网络，根据相关信息显示，5G网速是4G网速的100倍，承载的网络内容也实现了质变提升。

5G网络的主要目标是让终端用户始终处于联网状态，能让信息通过5G在线快速传播和交互，在自动驾驶、物联网、企业通讯办公应用中，具备极大的利用价值。

云计算和大数据哪个发展前景好？

说实在话，二者之间都是未来的发展趋势，没有说那种好或者不好，根据你的兴趣，你未来的发展方向，来判断你想走那条路!

大数据相当于海量数据的“数据库”，而且通观大数据领域的发展也能看出，当前的大数据处理一直在向着近似于传统数据库体验的方向发展，Hadoop的产生使我们能够用普通机器建立稳定的处理TB级数据的集群，把传统而昂贵的并行计算等概念一下就拉到了我们的面前，但是其不适合数据分析人员使用(因为MapReduce开发复杂)，所以PigLatin和Hive出现了(分别是Yahoo!和facebook发起的项目，说到这补充一下，在大数据领域Google、facebook、twitter等前沿的互联网公司作出了很积极和强大的贡献)，为我们带来了类SQL的操作，到这里操作方式像SQL了，但是处理效率很慢，绝对和传统的数据库的处理效率有天壤之别，所以人们又在想怎样在大数据处理上不只是操作方式类SQL，而处理速度也能“类SQL”，Google为我们带来了Dremel/PowerDrill等技术，Cloudera(Hadoop商业化最强的公司，Hadoop之父cutting就在这里负责技术领导)的Impala也出现了。

整体来看，未来的趋势是，云计算作为计算资源的底层，支撑着上层的大数据处理，而大数据的发展趋势是，实时交互式的查询效率和分析能力，借用Google一篇技术论文中的话，“动一下鼠标就可以在秒级操作PB级别的数据”难道不让人兴奋吗?

在谈大数据的时候，首先谈到的就是大数据的4V特性，即类型复杂，海量，快速和价值。IBM原来谈大数据的时候谈3V，没有价值这个V。而实际我们来看4V更加恰当，价值才是大数据问题解决的最终目标，其它3V都是为价值目标服务。在有了4V的概念后，就很容易简化的来理解大数据的核心，即大数据的总体架构包括三层，数据存储，数据处理和数据分析。类型复杂和海量由数据存储层解决，快速和时效性要求由数据处理层解决，价值由数据分析层解决。

数据先要通过存储层存储下来，然后根据数据需求和目标来建立相应的数据模型和数据分析指标体系对数据进行分析产生价值。而中间的时效性又通过中间数据处理层提供的强大的并行计算和分布式计算能力来完成。三层相互配合，让大数据最终产生价值。

传统的BI分析通过大量的ETL数据抽取和集中化，形成一个完整的数据仓库，而基于大数据的BI分析，可能并没有一个集中化的数据仓库，或者将数据仓库本身也是分布式的了，BI分析的基本方法和思路并没有变化，但是落地到执行的数据存储和数据处理方法却发生了大变化。

谈了这么多，核心还是想说明大数据两大核心为云技术和BI，离开云技术大数据没有根基和落地可能，离开BI和价值，大数据又变化为舍本逐末，丢弃关键目标。简单总结就是大数据目标驱动是BI，大数据实施落地式云技术。

随着科学技术的迅速发展，人类开始进入大数据时代，云计算、大数据、移动互联网已成为时代三大主题，正在推动着新经济时代的发展。在科学领域、经济领域及社会生活的方方面面，呈现出海量数据特征，在海量数据中蕴含着人类各种行为、心理信息。

对此有网友表示称，常说的"大数据"和"云计算"应该当成动词。即"大数据"指大数据分析或大数据处理。"大数据"对应"小数据算法"，"云计算"对应"单个计算机的计算"。比如"1+1等于几"这个问题，我们可以通过小数据算法（口算），用单个计算机的计算（甚至计算器）完成计算。再想象一个复杂的问题，需要跨时间、跨空间计算的问题，比如"去年中国各行各业的生产总值，加上美国今年各行各业的生产总值是多少？"这个问题我们就需要通过大数据的分析或处理方法，用云计算完成。

进一步说，要通过分析或处理各地各时段存储的各种数据资源，用互联网上（云）大量的计算机进行计算（计算）得出结果。这就是大数据、云计算。你可以通俗的理解为：大数据（分析或处理）是前台，云计算是后台。

或者理解为：大数据（分析或处理）是软件方法，云计算是硬件设备资源。或者可以再直观的理解为：大数据就是人直接操作的界面（网页、软件或App），云计算就是这些网站、软件或App供应商提供的服务。

云计算是什么？云计算与大数据要学啥？云计算的虚拟空间无限大，物联网和互联网产生的大量数据，要找一个地方集中存储和处理，就要用云来存储。比如我们平时手机或电脑存储空间不够的情况下，会把一些图片及视频存在云盘，云端。

云计算，简单说就是把你自己电脑里的或者公司服务器上的硬盘、CPU都放到网上，统一动态调用，现在最有名的云计算服务商是亚马逊的AWS。以前你要玩最新的大型3D游戏或者做了个大型3D动画需要渲染，首先想到的都是重新买一台更高配置电脑或者换个显卡等；

有了云计算之后，你只需要一台显示器，连到服务商的云计算平台上，如果想玩两天新游戏，就单独购买这两天的高配CPU和显卡，只付两天的钱，玩腻了就恢复成普通的配置；如果你今晚要做大量渲染，就买今晚几个小时的高配，第二天早上拿到成片，就可以恢复原来的配置。所有这些计算和渲染工作都在云计算服务商的数据中心统一完成，你只需要按小时甚至按分钟计费，不用再自己买电脑和服务器了。做云计算的服务商都会自建数据中心。

大数据，简单说，就是把所有的数据放到一起分析，找到关联，实现预测。这里的所有数据对应的是之前的抽样调研取得的部分数据。比如传统的市场调研方法，就是去大街上或者网上发问卷，能得到成百上千份结果就很不错了，或者邀请几个典型用户到会议室访谈一下；大数据的做法是把收集所有人的数据进行分析，把每个人都当做独立个体进行分析，而不是找群体特征。大数据的结果就是更精准，更细致，更个性化。

再比如我们经常会看一些现代谍战片，侦察部如何找到罪犯？就是通过全城监控录像，在海量数据中搜索一个人的面孔，犯罪分子只要出现在监控中都会保留一条数据及位置，从而更好地实施下一步方案，大大提高破案效率。这也是企业为什么在极力追捧云计算大数据技术。再比如京东、淘宝、今日头条、新浪、百度、网易、等购物网站，就是采用这种技术。今天看过或搜过的，下次再打开就会主动推送什么类型的文章。

简单的说大数据就是超级存储的意思，海量数据上传到云平台后，大数据就会对数据进行深入分析和挖掘。在在各行各业均存在大数据。比如天气预报，气象中心会通过卫星发送回气象局无数条关于空气温度、湿度、密度、空气微粒等的数据，运用大数据技术，从而分析判断出这些数据。得出天气状况、空气质量、温度及风量。再比如将几千辆车的数据位置信息综合起来分析出某条路的拥堵状况。大数据必须有云作为它的基础架构，才可以推广并体现出强大的实用价值。云计算和大数据是相辅相成的。