大数据能火多久完全决定于他的应用方向能火多久，或者可以说是大数据的取代者何时能火！

一、大数据的应用方向和未来趋势。1、应用方向：营销、金融、工业、医疗、教育、交通、智慧生活、执法、体育、政府、旅游等等，大数据是真正的覆盖全行业，也就是未来所有的行业都需要大数据的支撑。2、未来趋势：传感器——数据服务——人工智能——社会关系——人类文明。从大数据的应用方向和未来发展趋势可以看出来，在未来10年或20年社会及企业发展过程中，大数据是我们无法离开的技术。云服务、人工智能越来越火，没有大数据谈何云服务，没有大数据谈何人工智能？由此看出大数据能火多久的主要决定因素就是有没有他的取代者出现。

二、大数据的取代者什么时候能火？

就目前科技飞速发展的现状来看，大数据技术会不会出现取代者，相信没有人敢特别肯定的说没有，但也没有人敢肯定的说有，这就如同10几年前的手机，在当时没有人能够想象到手机有一天会成为一部“无所不能”的机器。但是就目前来看，大数据还没有取代者！

所以从目前看来，在今后的10年20年内，大数据依旧能够保持火的态势！

你觉得大数据还能火多久？欢迎评论区留言哦

其实每个人身上都携带着异常的癌性细胞，但大多数异常细胞都会被人体的免疫系统所消灭。假如你长期保持着吸烟、嗜酒、熬夜、超重且不忌口不运动，饮食上喜欢热烫辣，保持咸鱼咸肉熏肉等地方饮食偏好，那么将给癌细胞生长提供非常适宜的滋润土壤。一旦癌细胞在某个身体部位“安营扎寨”，不良生活习惯会继续助长癌细胞的成长发育，以至于逃脱身体免疫系统对它的控制，最终癌细胞在身体内肆意“游走”，扩大地盘继续在身体内搞“破坏”。

根据我国肿瘤中心登记数据显示，0到39岁的这个阶段，癌症的发病率都是偏低的；而过了40岁之后，癌症发病率会明显上升；到了80岁以后就是发病的最高峰。

虽然说癌症往往偏爱于40岁以后的人，但这并不代表癌症只会在这个年龄阶段才发生。癌症的出现并不是偶然，它与人们日积月累的不良生活习惯有着很大的关系，长期以往的“作死”经历，才会导致最终这个“不幸”的结果。

另外，生气抑郁不良情绪致癌也是有科学依据的。人体免疫系统受神经和内分泌的双重调控，长期的精神紧张、抑郁、恐惧等消极情绪作用于中枢神经系统，引起植经功能和内分泌功能失调，使机体免疫功能受到抑制。由于机体内平衡被打破使细胞失去正常状态和功能，就会不断变异产生癌细胞。远离癌症，需要你及时调整心情，定期清理情绪垃圾。

免疫细胞激活治疗的新型抗癌药依维卡适用于晚期实体肿瘤患者，它不区分基因突变类别，无需做基因检测。依维卡获得美国FDA治疗肝癌、胰腺癌孤儿药资质，取得柬埔寨卫生监管部门生产销售许可，在新加坡开展临床试验。

目前，依维卡作为晚期癌症三线治疗药物，用于手术后复发，放疗、化疗不耐受，靶向药物治疗耐药等无可替代治疗方案的晚期癌症患者。临床数据显示，依维卡能够有效缓解晚期癌症各种身体不适，提高患者生活质量，提高机体免疫力杀伤癌细胞，最大限度延长晚期癌症患者的生存周期，延续亲情与陪伴。

然而，癌细胞突变的过程需要很长时间，5年、10年、30年都有可能。而且，很多癌症发病之前身体会出现相应的“征兆信号”，例如“肝硬化”就是“肝癌”的信号，“慢性萎缩性胃炎”就是“胃癌”的信号，这段时间即是“逆转”癌症的唯一一次机会。发现可疑信号，应当紧紧抓住机会对生活和饮食习惯积极转变，不给癌症发生病变一丝机会。

工作中，每个人都有“不在状态”或者“效率不高”的时候。事实上，一天中哪个时间段工作效率最高；一周内哪几天最适合创作；一年中哪几个月工作情绪最高涨等都是有据可寻的。Redbooth通过分析匿名用户创造的180万个项目和2800万个任务，通过大数据告诉我们何时工作效率最高。

Redbooth与Priceonomics共同研究匿名用户的数据，通过分析他们完成工作任务的情况，发现以下4条规律：

一天之内，我们在上午11点左右完成了9.7%的任务，午饭之后，工作效率开始下降，下午4点之后，效率完全下降；

每周周一我们完成工作任务数量最多，之后完成工作量呈递减，工作日中，周五工作效率最低， 只完成了工作任务总量的16.7%；

从月份上来看，每年10月份的效率最高，这个月完成全年工作任务的9.5%；效率最低的月份是每年的7月份，我们完成全年任务的7.2%；

秋天是我们工作效率最高的季节，冬季则是我们工作效率最低的季节，冬季完成的工作任务占全年的22.8%。

一天中哪个时间段工作效率最高？

上面这张图标可以清楚地看到一天当中一个人工作效率变化状况。

我们可以看到大多数人在早上7点的时候还没有开始工作，下午5点之后工作的效率迅速下降。最重要的是，大部分项目团队在白天完成工作，只有一小部分人会工作到夜晚。

上午11点左右，人的工作效率最高，完成了一天之内9.7%的工作任务。11点刚好是在午饭开始之前。在上午11点和下午1点之间，工作的效率大幅回落，这种回落出现的原因主要是吃午饭。下午1点之后，工人的工作效率再也没能回到上午11点最有时的高峰。

一周之内哪一天工作效率是最高的？

我们把视野再放宽一点，看看一周之内人们哪几天工作效率比较高？我们以天为单位，每周大多数工作任务是在每周最初的几天完成的。

一周之内，人们周一的工作效率最高，这一天能完成一周20.4%的工作任务，其次是周二，这一天能完成20.2% 的工作任务。之后每天人的工作效率都在下降，这种下降趋势一直持续到周末。

到了周五，人们只完成了每周工作内容的16.7%，周五完成的工作要比周一低近20%。在周末，许多人不工作，周六、周日只完成每周工作总量的4.7%。

鉴于工作效率在每周的后几天处于下降的状态，我们猜测每周一大家都在赶工作进度。许多研究表明，81%的工人都会患有“周六抑郁症（Sunday Blues）”：就是感觉周六即将到来，周五工作就会出现懈怠和效率下降的情况。可能就是这种懈怠，迫使我们在每周的前面几天更加努力工作提高了工作效率。

一年之内哪几个月工作效率最高？

我们的工作效率不仅每周会有所不同，在特定的时间内都会有所差别。

实际上，每个月我们完成的工作数量也会有很大的差别。在工作周的时候，我们可能会尽早把工作任务完成。但是从全年来看，这种情况并不是这样的。

如上图所示，人们在一年之内的后几个月完成的工作任务是最多的。比如9月份（8.8%）、10月份（9.5%）、11月份（9%）。在一月份我们只完成了一年工作任务的7.2%，与10月份相比低了25%左右。

出现上述情况的主要原因可能是，每年年初公司都用来确定目标，而不是完成这些目标，随着年末的临近，年初的目标需要完成了，于是工作的进度就开始加快，效率也开始提高。

再以季度为单位来看，这种情况与按月算差不多。

哪个季度我们完成的工作任务最多？

如上图所示，秋季的时候我们完成的工作任务最多，因为11月份和12月份假期比较多，所以要赶在假期之前完成工作目标。

当然，每个人的工作内容、效率都不相同，所以上述规律只是大概，并不完全适用于每一个人。

但有一些规律是可以适用于我们每个人。例如，每天11点左右工作效率最高；每周前几天工作效率最高；从一年的周期看，10月份的工作效率最高。

五年前，一夜之间，“大数据”一词开始红遍大江南北，再碰到别人问我时，我终于可以用一个网红词来轻松回答：“做大数据的！”

（感谢移动互联网的发展，感谢各大IT厂商的炒作，感谢国家的重视和规划，感谢所有TV和AV）

但就在上个周末，跟老妈电话聊家常时，她突然很好学地问了我一个很有深度的问题: “我知道你是做大数据的，但你们大数据到底都在做些什么？”

我一时词穷，不知道该从何说起。而类似的问题在知乎上也经常被一些即将面临就业、被“大数据”三个字圈粉、希望成为数据人的莘莘学子们所追问，因为人懒，基本上都没有好好回答过。

于是，为了给普及“大数据”贡献点绵薄之力，为了让边缘人士们对大数据多一点基本理解，也是为了能回答老妈的问题，我决定写篇文章（省点电话费）来介绍一下大数据以及数据人的日常工作。

大数据虽然已经是大家耳熟能详的热词，但数据领域里的许多术语和概念仍然会让人不明就里，所以我准备从“做饭”这个普通人应该都有基本了解，老妈更是熟稔于心的领域来切入。

【主菜】

正所谓“巧妇难为无米之炊”，做饭首先得有食材，大数据也一样，没有数据说什么都是扯淡，所以数据就是数据人的食材（只要有数据，我不用吃饭）。

做饭通常都要包括“买菜~洗菜~配菜~炒菜”这几个必需环节，无论你是开饭店还是家里一日三餐，做饭的规模大小会有不同，但流程却是一样的。而这几个环节其实正好对应了数据人的日常工作内容：

买菜（数据采集）~洗菜（数据清洗）~配菜（数据建模）~炒菜（数据加工）

1、买菜（数据采集）

买菜，出门首先要考虑去哪里买，到地之后溜达溜达看看买什么食材，看中一个之后讨价、还价、交钱，肉、蛋、青菜，各种要买的食材都得按这个流程来一遍，买齐之后就走人回家了。

对于数据人来说，我们把这个买菜的过程叫做数据采集。

菜市场就是我们通常所说的数据源。

买菜的选择很多：超市（种类较少，质量上乘），农贸市场（种类较多，菜品一般），露天早市（啥都可能有，运气好还能吃到野味）。

数据源其实也一样，数据库（超市）中存储了结构化的业务数据、交易数据，传感器（农贸市场）产生大量半结构化日志数据、机器数据，网络上（早市）充斥着各种参差不齐的非结构化数据。

到了菜市场我们得选菜，所有的食材我都想吃，但钱永远是不够的，所以我只能有选择性的买，这个过程叫数据调研，哪些数据是有用的，哪些数据用得起，得有个筛选。

溜达了一圈，确定要买猪肉、鸡蛋和黄瓜，得跟卖家挑肥拣瘦、讨价还价、敲定斤两，这个过程叫数据接口规范。

费劲口舌，劳心劳力把菜买齐之后提菜回家，这个过程叫数据传输。

根据买菜方式、习惯的的不一样，数据采集还可以细分出很多类型：

肉类保质期长，一次买一周的量，可以叫全量采集。青菜讲究新鲜，每次只买当天的菜，可以叫增量采集。每天早上都得去买菜的，可以叫批量采集。卖家每次上了新菜都主动给你往家送的（土豪专用），可以叫流式采集。

2、洗菜（数据清洗）

洗菜就很好理解了，无论哪里来的食材，都多少存在卫生或者质量问题，买回来后都得洗干净、摘清楚才能吃，不然小则影响口感，大则损害健康。

数据也是一样，拿回来之后得检查一下，数据内容有没有缺斤少两，数据值里有没有烂菜叶，不然后面的报表、分析出来的结果就全是错误结论了，我们把这个检查、纠正数据本身错误的过程叫做数据清洗。

由于数字世界里各种数据源的多样性、复杂度远远高于现实生活里的菜市场，数据清洗流程需要面对和处理的问题也就远远多于洗菜，为了解决和防范数据产生、使用过程中出现的各方面问题，数据领域细分出了一个专门的研究方向叫数据治理，比如：

为了了解各个菜市场的情况，我们需要记录每个菜市场、每个卖家的猪肉、鸡蛋、黄瓜等各种食材的大小、颜色、价格等特点，这个叫元数据管理。记录完之后发现每家的特点都不一样，完全没有可比性，于是我们决定对猪肉、鸡蛋、黄瓜的大小、颜色、价格进行统一规定、统一定价，这个叫数据标准管理。定完标准之后，我们得定期对各个菜市场进行检查，看看他们有没有按标准办事，这个叫数据质量管理。

3、配菜（数据建模）

配菜指的是根据要炒什么菜，将需要的各种食材事先搭配好放在一起，比如说我们要炒木须肉，那就把猪肉、鸡蛋、黄瓜都洗净、切好放在一个碗里，这样在炒菜的时候可以手到擒来，无需到处找食材，能够很好的提升炒菜的效率。

一般家庭做饭可能不会严格这么做，但对于餐饮行业来说，这是必备环节，想想买回来一车的食材，洗净、切好之后，如果没有一定的摆放规律，不能充分保证大厨炒菜时的效率，客户半天吃不到菜，那这个饭店的翻台率和回头率绝对高不了，还是趁早关门大吉。（老妈是个统筹规划能力很强的精细人，无论是宴请宾客还是一日三餐，都会在炒菜之前把各个菜所需要的食材进行事先搭配，所以让我得以了解。）

而在数据工程里，也同样有个专业性很强甚至被神话的配菜流程，这就是传说中的数据建模。数据建模就是建立数据存放模型，把各个数据源过来的各种数据根据一定的业务规则或者应用需求对数据重新进行规划、设计和整理。

配菜这个流程也许在做饭过程中不起眼，有时候可有可无，但是在数据工程里，数据建模却是个非常关键的环节，所以多说两句。

数据的种类之多、复杂度之高远远超过食材，比如一个银行，内部和业务、流程、管理相关的IT系统一般都超过100个，这也就是100多个菜市场，而每个菜市场能够提供的食材少则数百个，多则成千上万个，这都放在一起就是几十万个食材，再加上外部更加复杂的其他数据源，这么多不同类型、不同标准的食材放在一起，怎么才能让后面的炒菜更加高效和科学，其复杂度和可研究性也的确远远高于真正的配菜。

正因为如此，在数据发展史上出现了不少专业的建模（配菜）方法论：

比如说按食材种类进行摆放的（猪肉放一堆，鸡蛋放一堆，黄瓜放一堆），我们叫范式建模，你要是开个火锅店或者准备吃火锅，那肯定是采用范式建模来配菜了比如按菜品种类进行摆放的（炒木须肉的放一堆，炒宫保鸡丁的放一堆），我们叫维度建模，你要是吃个家常炒菜，那采用维度建模方法来配菜就更合理了

各种方法论都有其产生背景、适用场景和支持者，为了不引起战争，这里就不做深入讨论了。

在这些方法论基础上，经过不断的实践和研究，一些领先的数据厂商推出了标准的行业数据模型，什么叫行业数据模型呢，因为每个行业的业务特点不一样，比如说银行业、电信业、零售业的业务模式就有很大差异，数据也是不一样的，所以不同行业的数据怎么摆放，数据模型怎么设计，有着很强的行业独特性，所以每个行业都需要自己特定的数据模型，这叫术业有专攻。

上面这段话没看懂？没事。简单来说，行业数据模型就是“饭店筹备攻略”。

比如说你觉得川菜很赚钱，想开个川菜馆，但你只是个标准吃货，只吃过猪肉没看过猪跑，怎么办？没事，我这有本“川菜开店筹备攻略”，里面什么都有：

首先，攻略里会告诉你川菜里有哪些知名、流行、畅销的菜品（比如水煮肉、毛血旺等等），定期更新，图文并茂，这样菜单有了。其次，每个菜品应该用什么样的食材，分别的配比是什么样的，攻略里已经终结出来了，而且是来自各大名厨的经验和终结，于是菜谱也有了。再次，每种食材在后厨的摆放位置是什么样的，这么摆放能够在厨房的有限空间里最大化的提高大厨们工作效率，详细的设计图纸攻略里也给你画好了，这样厨房设计图也有了。最后，我还告诉你每种食材去哪里能买到，哪里最经济实惠，连供应链都帮你打通了

所以，万事具备，只欠东风，你只要找个门面，雇两个蓝翔毕业生，我们就可以开业大吉，财源滚滚了。什么，找门面很麻烦，没事，我们连店面都可以提供，欢迎加入我们的加盟连锁计划，我们不但提供攻略，连店面也一起提供，带精装修的、锅碗瓢盆一应俱全。（传说中的一体机要出场了，当然，这是另外一个故事，先不展开了。）

当然，如果不想开川菜店，我这里还有粤菜、湘菜、鲁菜……，嗯，“八大菜系开店攻略”我这里都有。

（以上内容稍微有点夸大，开个饭店不是一本攻略可以搞定的，做大数据也不是只有模型就可以的。不过很多时候，外人眼里的数据模型就是这么一本“葵花宝典”。）

说点题外话，由于数据建模的专业性太强，非常需要经验的积累，于是在数据行业里衍生了一个专门负责配菜的工种叫“模型设计师”，某全球知名厂商T公司的模型设计师就是业内各大猎头和甲方的香饽饽，T公司一度被挖成重灾区。

4、炒菜（数据加工）

炒菜相信大家都不陌生，如果配菜是个艺术活，那炒菜就绝对是个技术活了。各位大厨不但要有能力把各种食材组合起来炒熟，还得灵活运用油、盐、酱、醋等多种配料，保证菜品的色香味俱全。而且既然是开门迎客，各种消费者的需求都要能够响应，而且要响应的既快又好。

数据加工就是在炒菜，是个将各种数据进行计算、汇总、准备的流程，是为最后的数据应用和数据消费者服务的。客户的要求总是千奇百怪的，所以根据数据消费者的需求不同，数据加工的形式也是百花齐放。

老板们时间宝贵，注重宏观，所以一般只看重要指标，并且要求图文并茂、简单易懂。这就好比皇帝每天都吃满汉全席，所有菜品都是固定的，但是菜品得色香味俱全、上菜速度得快。所以大厨们得事先把数据加工成仪表盘、可视化大屏等让人对关键指标一目了然、并且卖相高大上的数据应用，并且采用各种技术手段保证数据应用的性能（上菜的速度），不然皇帝饿了的时候不能及时上菜，谁都背不起这个锅。官员们各管一摊，每天都要面对各种日常工作和突发情况，所以他们对数据的要求是既要有常规菜品能满足日常管理需要，也要能有额外菜品来应对突发情况，而且上菜速度也不能慢，县官不如现管嘛。所以参考自助餐的模式，数据大厨们可以将数据加工成多维分析、自助分析这类数据应用，根据经验和官员们的口味爱好，将有可能用到的菜品通通提供出来，官员们饿了的时候可以根据需要随意品尝，贴心又暖胃。员工们也有数据需求，但通常需求简单，难点在于人多、需求量大，所以将数据加工成报表这种类似于快餐的数据应用就是是最好的方式。

数据加工除了满足以上各种数据需求，还有个不得不提的职责就是数据创新。这就好比为了保证饭店的竞争力和消费者们的新鲜感，不时推出新菜品也是大厨们的职责所在。而在数据圈里，通过数据进行创新已经成为潮流和共识，于是，数据分析师、数据科学家这些角色开始粉末登场。

他们的工作就是通过通过尝试各种数据（食材）和参数（调料）的组合方式来探索和发掘新的业务机会。而由于食材的量实在太大，配料比例的波动范围就更是无止境，难以靠人力把各种组合方式进行穷尽。于是，随着数学理论和技术发展，通过算法让计算机自动进行食材组合、调料配比从而产生新的发现成为可能，也就是我们现场经常听到的数据挖掘、机器学习了。

【甜点】码字很累，洋洋洒洒写了不少，但感觉有些点还没有写透，有些方面还写的比较牵强，但领会精神最重要，放张大图，大家意会一下吧。

水平一般，能力有限，抛砖引玉，欢迎各种意见和探讨。

免费提供最新Linux技术教程书籍，为开源技术爱好者努力做得更多更好：http://linuxprobe/

王者荣耀如今也已经两周年了，而有好多小伙伴都会想着一款游戏能火多久呢，于是伟哥也带着好奇心去研究了一番（不是非专业的哦纯属娱乐）

首先我们先看看王者荣耀是啥时候出来的，从搜索数据来看2015.10.18为起点有了搜索量，且搜索量相当低（很多小伙伴都知道王者荣耀的前身叫英雄战迹，但咱们不从那个时候开始，只从以王者荣耀为名的时候开始）

腾讯了实力就是不一样才过了一周搜索量已经飙到近5万了，而伟哥接触到王者荣耀的时候是12月份左右，但是比较火的游戏还有全民超神等等。

去年暑假也就是2016.7.17的时候搜索量已经到达35万了，可以看到王者荣耀的热度是一直在持续飙升的。

特别是到年初的时候，王者荣耀的热度又到了一个新的高度，过年的时候看到好多小学生抱着手机玩王者荣耀，当时还有阴阳师也挺火的不过后面好像就不行了。

而王者荣耀又一个新的搜索高度在技能暑假开始的时候，搜索量快到70万了，和去年比增加了10几万，虽然看上去不多但是作为一款手游目前还真没一款游戏能超越王者荣耀的搜索热度。

在暑假中期，王者荣耀出台了一个健康系统，强制的限制了未成年玩游戏的时间，也就那一段时间王者荣耀的搜索热度开始下滑了，毕竟玩王者荣耀的小学生数量还是相当可观的

到了国庆前夕搜索热度一度跌到了30万的附近（毕竟这个时候是开学了），而国庆的时候有一些回升而至于以后的搜索热度则要观望一段时间，不过应该来说今年过年时段王者荣耀的搜索热度应该还是会一个其他手游无可比拟的数据。

下图为国庆期间的数据，就第一天飙升以后开始缓慢下降，国庆过后又是工作日了，学生们都开始上课，社会人员也开始工作了，估计王者荣耀的搜索量还会以低区间徘徊，飙升的时候估计是寒假的时候了。

下图伟10月7号，国庆最后一天假期的搜索数据

下图。我们来看看英雄联盟的数据，从2011年就火到现在的端游，应该来说王者荣耀的走势应该会和英雄联盟差不多，会保持一定的区间热度，等待另一款超火的手游出现来打破王者荣耀的手游霸者地位。

其实英雄联盟的搜索热度最高的时候也才20多万还没王者荣耀最多的时候多，手游的优势就是何时何地都可以玩，端游还要有电脑硬性需要。

最后我们来看看比王者荣耀还早出的全民超神的数据，也就在刚出来的时候火了一点，后面慢慢的都要消失在人们的视线了。

全民超神最高的搜索热度伟近9万，和王者荣耀真不是一个级别。

在看看10月假期的搜索量只能维持在3千。

意思图片数据来自百度指数（搜索王者荣耀即可），虽然搜索数据不能反映真实玩家数量，但还是和玩家喜欢程度有关，你喜欢了才会去搜索，所以这个搜索数据也能间接的反映玩王者荣耀的小伙伴的情况。

那么各位小伙伴觉得王者荣耀还能火几年呢，估计明年还是没有一款手游能有王者荣耀这么风光（纯属个人想法）。

感觉王者荣耀的优点是不花钱和花钱的差距并不大，moba的游戏本来就是深受广大玩家的喜欢，现在手机又能随时随地的想玩就玩所以王者荣耀的热度超过英雄联盟是理所当然的，记得当时有王者荣耀体验服的时候还有玩英雄联盟的小伙伴说就一个手游还出体验服，后面自己想要王者荣耀体验服的时候就要苦等了。

小伙伴也可以自己去指数里面搜一下自己喜欢玩的游戏名称看看他的搜索热门程度。

掌握了真实有效的数据，然后经过科学系统的归纳与总结，形成结论，最终指导实践。这是大数据时代里一个完美高效的闭环。

言归正传。大数据可以指导生活生产实践，那么，通过它是不是也可以预测到潜藏在未来的某些客观的，无法改变的事实？比如：一个朝代将会在未来的哪一年，哪一天，以一种什么样的方式而灭亡。

抛出个大胆的论定：

通过复杂的数据研究，一个国家将会在未来的哪一年灭亡！

这似乎成了“大数据”本身的一个悖论，因为人们研究大数据的初衷就是用来指导实践得永生的。但不论是“永生”还是“灭亡”，“大数据”本身是客观浮现或暗藏与现实生活中的没有情感的数字符号，它们就是真正的“命运之手”，是事物走向质变的一个个微小的量变。

做个大胆的假设：

公元前206年，秦国灭亡是个必然的事实。

这个假设很吊诡，因为它已经成为事实。用既定的事实来倒退导向它的原因是我们中学历史课本常见的考试题目，而那个正确的答案就是通过“大数据”得来的。也就是说，我们凭什么认为秦朝是因为这些原因而灭亡的，凭的就是这些科学的“大数据”。

历史课本中关于“秦朝灭亡的根本原因是什么？”

这个问题的答案是： 秦的暴政。

秦朝灭亡的原因当然有很多，所以，我们首先归纳它灭亡的根本原因，明确了根本原因，就开始围绕着它做数据统计了。问题的答案是“秦的暴政”，那么，我们就要研究秦朝实行的是什么“政策制度”。

秦制：

1、秦统一文字，对于中央集权的统一、文化的传播和发展，都起到了重要作用；

2、统一全国货币，又规定了统一的度、量、衡制度。促进了商品流通，促进发展；

3、征发大批人力修缮长城，使人民苦于劳逸。

4、下令史官烧掉记载秦国以外各国历史的史书，有敢私下讨论的人处死刑；

……

历史影响：使人民之间的沟通、交流变得更加容易。但是以高压政治和残酷的刑法为主实行集权制度，又把人们的生活推向了水深火热之中。

大数据之间是如何相互影响

从量变到质变，然后好的质变和坏的质变进行较量

这里的秦制是一个广义的定义，它的意思是“客观的存在于秦朝时期方方面面的制度”。如果秦施行的政策是“ABCD”，那“A”涉及到方方面面又是“1234”，而“1”又会更具体的反映出每个人在日常生活中的情绪和态度，甚至是影响到自然界的反应（其实整个过程中是一个无限“深和广”的程式，并非如我所列举的这么简单）。至此，每个人的态度和情绪或自然反应就开始反作用于“1”,“1”开始导向“A”，“A”就直接影响到“制度本身”，合而为一，整个社会的一切都开始由量变走向质变。好的量变导向好的质变，坏的量变导向坏的质变，然后好的质变和坏的质变开始进行综合较量（这个过程也是我们日常生活中最能直接感受到的变化，我们不习惯考虑深层的原因，只习惯在事物发展到最明显的阶段后做反应）。

结果是：好的质变，败给了坏的质变，最终导致应有的客观的质变——秦朝的灭亡。

倒退一下支撑“秦朝灭亡”这一结果的论据：

我们通过一些列“大数据”认识了“秦朝灭亡”这件事情。那么，构成这组“大数据”的“小数据”是什么？只有掌握了方方面面的“小数据”，我们才能拿现实中的具体生活作参考。

比如：在秦朝的某年某月某日，咸阳城内或任何一个地方，发生了一件可以影响“数据”量变的暴动事件，或者是小摩擦，那么这件事情就是导向“秦朝灭亡”这一结果的一条数据。又或者秦朝皇帝是通过暴力还是禅让，或者其他的什么样方式登上帝位的？不同的登基方式会导向什么样的结果？这样，皇帝登基的年龄，有利条件和无利条件是什么？在上朝过程中更多的商议了那方面的事情？等等，这些都是可计算的数据。

如果有一款这样的APP，它能不能运算出一个国家将在何时灭亡？

通过汇总世界各国不同历史时期的不同王朝的兴衰存亡的数据，更加科学可循的未来预测将会呈现在我们面前。虽然这个数据要足够庞大，运算方式也足够复杂，但它们确实就是客观存在的可以被认知，被推断出一个结果的数据。运用它，将来就会成为可能。

这样，智能化的工具被生产出来，就很荒诞。当政者在实行一条政策或者针对某件事作出某个动作后，这款智能化工具依据社会的反应直接生成数据，提交后显示：某年某月某日，因何事，而灭亡。不知道这能不能给决策者敲响警钟。

此文仅是玩笑，莫当真，欢迎沦陷留言区。

广州时间科技有限公司成立于2016年8月，注册资金5500万元。前身为广州时间沙漏信用管理有限公司，2018年6月更名为广州时间科技有限公司。广州时间科技有限公司专注于大数据平台开发与应用，将人工智能深度学习技术融入大数据平台，以闭环数据智能化的实现为个领域提供真正有价值的商业解决方案。目前，时间科技已自主研发时间大数据平台1.0版本，为多个领域构建数据模型产品，广泛应用于包括金融、汽车后市场、企业咨询培训等多个领域。

2018年7月12日，时间科技与香港商业工程学协会成功签约，开启了利用人工智能技术将目前国际最顶尖的<商业工程学>高阶理论进行模型搭建的先河。商业工程学的人工智能化，即通过大数据、人工智能技术与商业工程学理论的结合，构建一个面向商业领域的系统化互联网平台，帮助各行业的中小微企业创业者和投资者，对未来的价值和风险有清晰的认识，甚至可以针对相应的潜在风险提出对应的最优执行策略，使其在规避风险的基础上实现价值最大化。这一划时代产品模型将成为商业应用的无冕之王。

发展时间轴：

16.8.31公司正式成立，从事征信、智慧金融产品研发

16.11.28大数据平台1.0正式上线

16.12.30风控系统立项

17.3.16风控系统1.0正式上线

17.6.16聚合征信大数据+模块化风控系统正式融合完毕。

17.8.23“金融一体机”立项

17.12.22智慧金融一体机1.0面世

18.1.23大数据平台2.0上线

18.4.10风控系统2.0正式上线

18.5.7智慧金融一体机2.0面世

18.6.13变更为广州时间科技有限公司

18.7.12与香港商业工程协会签约，将商业工程学理论进行人工智能化。

看了很多网上的经验之谈，有的说上网活跃时间段为 上午9：30-12：00，下午3：30-5：30，晚上8：30-11：30，有的说 早上9点-11点左右、晚上5、6点开始-10点左右，两个大的高峰期，有的说我应用的访问数据是：10-12点、15-17点、20-23点。

上面的说法其实也基本正确，但存在的问题是：没有说服力、不够直观、不够详细、偏向于某应用或某行业。这里，我给出的是百度大数据统计的用户访问网站时间段分析，请看下图，一张图解决上面存在的种种问题。

有了准确数据，现在可以对你的网站进行针对优化了，比如集中精力在某个时间段进行营销、发布文章等，当然百度还有针对你网站、店铺的更详细统计方法，这里具体不作介绍。

上图是网站访问大数据统计，那么这里说说移动app访问统计数据。由下图可见，app访问基本与网站访问时间段吻合。至此，你应该知道你的微博、微信、头条、淘宝等等的app应该选择什么时间段重点营销了吧。

这里附上某微博后台统计数据，只作为本文的辅助说明，请大家自行选择分析。

说在后面的话：我们做任何事情都不能盲目的去干，不然只会浪费你的宝贵时间，我们要找出事情的规律，然后按规律去做事情，会让你事半功倍。

本文为原创文章，微博数据统计部分图片来源网络,侵权联系删图。未经允许不得转载，违者必究。谢谢合作。

首发百度经验

1世纪的电子信息时代是我们最好的时代，我们常常也称它为大数据时代，那什么是大数据时代呢？是人类的海量数据的挖掘与运用，涉及单个领域或者多个领域，它是分析全部数据，不是我们在科学研究中经常使用的随即采样，它是一个大体的方向，不是指导我们具体怎么去做。2017年是大数据时代了吗？是的，国家早在2015年和2016年分别在北京、贵州和内蒙建立了国家大数据中心，成为国家级别的容灾备份中心。那为什么还说我们何时迎来真正的大数据时代呢？

自从大数据概念提出以来，全国IT企业如雨后春笋般崛起，几乎全都是叫嚣着做大数据时代的弄潮儿，是大数据企业，其实它们都不过是普通的软件公司，大同小异，甚至让他们把我公司的门户网站做个升级都可能需要外包出去。或许你也有见过，农村的大妈接触的互联网传销都在喊着大数据，可见大数据就像广场舞一样围绕在我们生活周围。

当下，我们生活在大数据时代，国家倡导大数据行业的发展，我们也似乎在这个大环境下辛苦工作着，我们想象着将来我们出去旅游，出门就能直接上出租，路上一路畅通，到了目的地，酒店的服务生已经在那里迎接了。可事实上，我们还是需要打开手机用滴滴打车来叫车，路上依然还是堵车，酒店还是需要自己动手订，虽然这些在移动手机上操作似乎很简单。

为什么会这样？我们能不能做个软件，我说我要出门旅游，这个软件就像机器人一样给我叫车，刚刚我出门出租车就到了，司机靠机器人的指路一路畅通，到目的地之前，机器人订好了服务质量最高的酒店。答案是能，但不是现在，做到这样一个机器人一样的软件，是推动社会的进步，不单单只是技术问题。

说道技术，其实以上解决了一个在真正大数据时代到来出现的一个社会痛点，数据孤岛。数据孤岛就是数据缺乏关联性，不同部门或者单位的数据没法一起分析运用。但是一个天才的技术能全面解决数据孤岛问题，博为软件提供异构数据采集系统兼容Windows平台所有软件； 支持写入数据和采集数据；在采集异构数据，解决数据孤岛难题上属于颠覆性技术。

对异构数据采集有需求的可私信。

现在大多数人对“大数据”、“人工智能”等这些概念相当的没有概念，没有感官的认识，更何况是深入了解了。在这里，我简单介绍一下：

“人工智能”这词一起出现，让人眼花缭乱，这里我简单说一下，不求做到百分百的精准，只求能给各位一个感官上的大致的印象。别人谈到的时候都能够明白说了什么。

首先，大家会问，到底什么是人工智能呢？我相信每个人在心里，都有一个自己的定义。有人认为，《机器公敌》里机器人叫人工智能；有人认为电影异形里的“大卫”，也有人认为人工智能就是《攻壳机动队》里的“少佐”。近一点的，有人认为谷歌开发的下围棋的系统“AlphaGo”，很吊，这玩意是人工智能。可以看出，这个词大的没边。其实，人工智能就在我们的身边，比如说手机，电脑等等，这些都是人工智能的范畴。因此，真追究起来，谁要说这个词，除了装，你就当他什么都没说就行了。

最近这些年“大数据”这个词，也和“人工智能”这个词一样，大的没边。谁要是在说这个词的而说不出具体的东西时，你也就当他什么都没说就好了。讲到这里，各位看官，应该对我们经常讲的“人工智能”这虚无缥缈的词有了了解了吧。

现在计算机无处不在，一切功能的实现都依靠的是强大的计算机语言以及算法。这些算法想要正常的工作，对事物的分类能够达到实用的水平，两个条件是不可或缺的，那就是“数据”、“计算力”。计算力很好理解，这些算法，都比较复杂，没有强大的CPU、内存等硬件支撑，这些算法，要么不能运行，要么猴年马月也运行不完，给不出结果。对于数据的要求，这是因为，这些算法的背后的数学原理，大部分都跟概率论有关。、就是概率论，就是瞎猜。瞎猜嘛，当然是依据越多，猜的的越准，猜的越稳。也就是数据越多，这些算法就会猜的越准，猜的越稳。好了，现在“大数据”，就可以搀和进来了。没有数据，或者数据很少、数据纬度较少，不够详细，这些算法“巧妇”，也会无米下锅，做不出可口的饭菜来供各位品尝。

有了所谓的“大数据”和云计算，我们好办了。从‘数据’这个“米”的角度说，我们可以HDFS存储更多的米，更丰富的食材；从‘大数据组件’这个锅碗瓢盆的‘工具’角度来说，我们有了spark等组件（利用深度学习算法，比较强大的组件是TensorFlow），有了更强大的计算工具，我们可以利用这些组件调用这些高大上的分类算法，再加上所谓的“大数据”、“深度学习”、“机器学习”，就可以做出更好吃的饭了。从系统架构上来说，猜嘛。猜对、猜错都是很正常的，可能这么猜不对，换个参数、换个算法 重新猜一下，就猜对了。因此，也就有了“数据挖坑一身功，全靠调参”的说法。

我记得前几年大数据最火的时候。在一次电视节目中，李彦宏面对杨澜，大谈大数据，并举例"谷歌利用大数据预测流感。。。。"等等说了一大通，全是忽悠套路，没一点干货！！我想大多数人，听到这些东西，一般都不care。针对"大数据能火多久"，这个问题，这就要看大数据的本质了。在我看来，业内目前讨论"大数据"，应该更倾向于看它背后的技术对当前企业IT系统的革新。就如同目前大多数企业以关系型数据库为中心的IT系统一样，现在，我们处理信息的手段中，又添加了新的成员。当前，我们对大数据的理解，越来越清晰和接地气。阿里巴巴已经把他们的大数据系统，改名为了"maxComputer"。从名字不难看出，大数据就是大电脑，这意味着更大的信息处理能力、更高的灵活性。。。

大数据能火多久，如同穿越到上世纪80年代，去问个人电脑能火多久一样。现在，我们都不会认为"个人电脑"很"火"。因为，它已经成为了人类工具箱里一件强大的工具，提高了人类的生产力。我相信，"大数据"，也会成为我们的工具箱里的这么一样工具的，用就好了！