大数据的概念问世这么多年来，大数据从技术，政策和资本等多个角度已经切入到社会方方面面，未来数据也会成为的经济驱动因素中越来越重要的一部分。对未来而言，大数据的发展将影响到产业、企业和个人。需要学习大数据可以加我QQ群，零基础到项目实战

就产业而言，大数据的未来变化更多的是在各个产业内部。首先大数据产业的边界会消融，大数据也渗透到其他产业中去。这个不难理解，任何一个产业在运行了这么多年的过程中，总是积累了大量的数据。很多情况下，数据过去都在沉睡，只是记录下来了，并没有产生更多价值。然而随着大数据技术的发展，沉淀数据的产业将有机会盘活以往的数据资产，最简单的是引入数据源环节，将自身积累的数据资产对外出售或交换。同时，也可以进入分析实施环节，通过对以往业务流程的改造，把过去的方法总结和创新出定量的模式，从而输出定制化方案或者标准化产品。此外还可能够在数据应用环节发挥作用，利用已有的数据收集，创新发展出新的商业模式，去产生新的价值。

于此同时，大数据产业尽管存在边界消融的情况，然而还是会有现今而言相对未来更传统的大数据产业存在独立，因为伴随着社会、经济的发展，需要有大数据技术的演进来应对未来需求。因此，未来传统意义上的大数据产业将会肩负起开发更先进的软件和硬件的责任。

对企业而言，大数据对影响将会存在于三个层面。第一个层面是在技术上，企业可以引进和开发数据工具，起到提升经营效率的方式，从而优化企业的经营和管理，例如可以购买BI工具，实现管理可视化，从而协助决策。第二个层面是在方法上，这里更需要企业构建大数据实施的能力，并且将构建的能力落实在运营、营销以及战略中去。依靠数据化经营对企业的改良，也会让企业在一定程度上改造自己所在的产业。例如沃尔玛率先在零售行业中使用条形码，使得整个行业依靠条形码能够实时掌握进销存的情况。

对个人而言，大数据的影响则和生活交织得更深。伴随着技术的发展，每个人都会成为数据源，个人的数据会随着自己的行为在不经意间收集，不论是聊天还是搜索，不论是购物还是交通都不可避免地产生大量可以被记录的数据。这里其实是一把双刃剑，一方面让我们生活更加便利，能够享受更好的服务，也能更快地得到想要的产品。然而另外一方面，每个人会有跟多隐私被记录，一旦暴露带来的负面影响也会更大。因此隐私保护和数据安全也是整个大数据产业甚至政策法律中非常重要的一部分。

除此之外，大数据的福泽也会从另外一个方向降临到每个人头上。伴随着技术的发展，大数据不再是深奥和复杂的方法，而会成为简单易学的技能，每个人都能够进行数据分析工作，未来会有大量的傻瓜式数据分析产品产生，不需要写代码，也不需要设公式，只需要简单的拖拽就能够分析数据。这种情况下，每个人都需要学习数据分析的逻辑和通用的方法，每个人也会做自己的数据分析师。

大数据的产业，就像朝阳一样冉冉升起，未来还会有更多的光芒和价值，也会有更多的空间和遐想。对产业可以是依靠数据提升效率，也可以是商业模式颠覆现状，甚至可以是通过数据的为纽带的方式，造就未来产业内部甚至产业之间协同的景象。对企业能够提升经营效率，改良管理水平，创新商业模式。对个人而言，人人都用大数据，人人都是分析师。欢迎加入722680258每天分享学习视频资料

工业是国民经济不可或缺的一环，也是一个国家强大竞争力背后的力量支撑。而我国工业目前位居世界第一，但却大而不强。企业创新能力不足，高端和高价值产品欠缺，在国际产业分工中处于中低端状态，中国工业企业急需转型和升级。

制造企业在利用大数据技术后，其生产成本能够降低10%—15%，大数据对于工业企业的重要性不言而喻。不同层面的制造企业在发展过程中，应该采取相应的大数据策略，才能离“工业4.0”、“工业互联网”和“中国制造2025”更近一步。

工业大数据四大特征

工业大数据具有一般大数据的特征（海量性、多样性等），此基础上具有四个典型的特征：

价值性、实时性、准确性、闭环性。

（1）价值性（Value）：工业大数据更加强调用户价值驱动和数据本身的可用性，包括：

提升创新能力和生产经营效率，以及促进个性化定制、服务化转型等智能制造新模式变革。

（2）实时性（Real-time）：工业大数据主要来源于生产制造和产品运维环节，生产线、

设备、工业产品、仪器等均是高速运转，从数据采集频率、数据处理、数据分析、异常发现

和应对等方面均具有很高的实时性要求。

（3）准确性（Accuracy）：主要指数据的真实性、完整性和可靠性，更加关注数据质量，

以及处理、分析技术和方法的的可靠性。

（4）闭环性（Closed-loop）：包括产品全生命周期横向过程中数据链条的封闭和关联，

以及智能制造纵向数据采集和处理过程中，需要支撑状态感知、分析、反馈、控制等闭环场

景下的动态持续调整和优化。

工业大数据“3+3”理论——3个层面+3个过程

第一个“3”是指3个层面——企业，企业上面的供应链、产业链和生态链，以及在这上面的行业管理和宏观经济。

第二个“3”是指每个企业都有的3个过程——生产，使用，以及发展中的经营效益。

从企业的角度看，工业大数据是在一个企业的设计、创新、生产、经营和管理决策过程产生、使用和转型升级过程需要的信息之和。所以最小的圈是企业，一个企业从开始到生产线到设计、到工艺过程、到人，一直到管理、决策、市场、服务，像这样的环节都在使用。

从供应链、产业链和生态链的角度来看，工业大数据是供应链、产业链和生态链产生、使用和需求的各类信息之和。这三个链之间很难一刀断开，因此，我也是从一个概念来看。所以，制造业也好、工业企业也好，整个过程是一个链环周。这个链不仅是一个企业，更重要的是政府机构、研究机构，需要把控和研究如何追求制造业前两环的优化。所以我们看到了超越一个企业的生存、使用和发展需求的新工业数据。

从行业管理和宏观调控的角度来看，工业大数据是工业行业管理和宏观调控产生、使用和需求的各类信息之和。每一个行业的管理都需要工业大数据，在工业行业又生存了很多企业，做好工业数据管理需要这样一个链条，所以“3+3”构成了工业大数据的外延，每一个环节，使用的和需求的中间是交集，这样才对工业大数据的发展提供了基础。

数从何处来？工业大数据溯源

工业大数据从哪里来？来源于产品生命周期的各个环节，包括市场、设计、制造、服务、再利用各个环节，每个环节都会有大数据。“全”生命周期汇合起来的数据更大。当然，企业外、产业链外的“跨界”数据也是工业大数据“不可忽视”的重要来源。

工业大数据的主要来源有三类：

第一类是生产经营相关业务数据。

主要来自传统企业信息化范围，被收集存储在企业信息系统内部，包括传统工业设计和制造类软件、企业资源计划（ERP）、产品生命周期管理（PLM）、供应链管理（SCM）、客户关系管理（CRM）和环境管理系统（EMS）等。通过这

些企业信息系统已累计大量的产品研发数据、生产性数据、经营性数据、客户信息数据、物

流供应数据及环境数据。

第二类是设备物联数据。主要指工业生产设备和目标产品在物联网运行模式下，实时产

生收集的涵盖操作和运行情况、工况状态、环境参数等体现设备和产品运行状态的数据。此

类数据是工业大数据新的、增长最快的来源。狭义的工业大数据即指该类数据，即工业设备

和产品快速产生的并且存在时间序列差异的大量数据。

第三类是外部数据。指与工业企业生产活动和产品相关的企业外部互联网来源数据，例

如，评价企业环境绩效的环境法规、预测产品市场的宏观社会经济数据等。

中国工业大数据发展简史

目前我国工业技术进步速度较快，发展势头良好，但实现向工业大数据、智能制造模式

转型依旧存在很多的困难。经过近十几年的科技创新和设备改造升级，国内制造业信息化水

平较上世纪末有了较大提升，但与发达国家相比仍有较大差距。在大数据的应用上面，与徐

工集团、三一重工、红领集团这样能够成熟应用工业大数据技术的企业相比，大多数的工业

企业尚未对工业大数据技术形成明确的认识和技术上的应用，工业大数据的落地推广依旧存

在很多的瓶颈，离工业大数据孕育工业应用生态的发展态势还有很长的路要走。

　2014年，中国电子技术标准化研究院开展工业大数据相关研究，承担工业大数据等多项智能制造专项，相关成果不断向江苏省等地方推广应用。

　　2015年8月，中国工业大数据创新发展联盟在工信部指导下成立，主要研究制定工业大数据创新发展指导意见，交流展示两化融合发展的成功经验。

　　2015年12月，工信部、国标委联合发布的《国家智能制造标准体系建设指南(2015年版)》，指南中确定工业大数据属于智能制造标准体系五大关键技术之一，并定义了工业大数据标准。

2016年8月，工业互联网产业联盟(AII)工作组第二次全会在北京成功召开，会议审议了联盟总体组工业大数据等三个特设组。

　　2016年9月，工信部和北京市经信委指导成立北京工业大数据创新中心，致力于打造核心技术突破、应用推广、标准制定、产业孵化、人才培养和国际合作六位一体的工业大数据产业协同创新基地。

　　2016年10月，清华大学数据科学研究院成立了工业大数据研究中心，实现跨信息学科与工业学科的大数据研究融合，旨在打造自主创新的工业大数据平台。

2016年11月，在工信部指导下，中国电子技术标准化研究院联合智能制造相关领域的系统解决方案供应商、行业用户和研究院所共同发起成立智能制造系统解决方案供应商联盟。

　2017年1月17日，国家发布了《关于印发大数据产业发展规划(2016-2020年)的通知》，该规划指出，要加快工业大数据基础设施建设，推进工业大数据全流程应用，培育出数据驱动的制造业新模式，为工业大数据的发展指明了方向。

　　2017年2月：中国电子标准化研究院(四院)和全国信息技术标准化技术委员会大数据标准工作组作为主编单位联合发布了《工业大数据白皮书(2017版)》。这可称得上是国内第一部在工业大数据领域的总结梳理报告。

为何发展工业大数据？三个层面一个需求

为何要发展大数据？从三个由小到大的层面，加上一个需求，来看一下工业大数据的作用和意义。

第一个层面——企业。

工业大数据为企业全过程设计、创新、生产、经营、管理、决策服务，为企业的发展战略和目标的实现服务。

第二个层面，供应链、产业链和生态链。

从供应链、产业链、生态链来看，不管是CSM的生产圈，还是一个特定产品制造过程的供应链，或是一个完整生产过程的分析，工业大数据都是为了它的形成和优化。

第三个层面，行业管理和宏观调控。

工业大数据要满足行业和宏观决策调控的实际需求，提高行业和宏观经济管理决策质量、能力。政府的行业管理对于供应链、产业链、生态链、商业链、价值链有着非常重要的作用，但是政府的宏观调控超越了这样的链环本身，我们要对经济发展面临的重大问题作出回应，甚至回答制造业如何来应对这样的问题。所以从这个行业来看重要的是行业发展战略，而到宏观调控的时候，不但要从行业的发展战略，还要从整个经济发展去看这些问题怎么解决？这就需要信息。

第四个层面，工业转型升级。

工业大数据是为了一个个企业、行业、装备、工艺、生产线、供应链的转型升级服务。先进制造业、工业4.0、智能制造，以两化融合和智能制造为重点的中国制造2025，都是工业转型升级模式的未来方向。原来我们的3.0工业，是以装备和生产线为核心的自动化，而4.0的智能化是把这两个过程自动化和数据自动化结合在一起。

工业大数据如何助力制造业转型升级？

制造业存在着哪些主要问题：

1、在数据生成环节，主要存在跑冒滴漏和非标准的问题；

2、在数据利用环节，主要存在数据不足、质量不高、各个环节协同存在制度、核算、标准等大量障碍；

3、在发展需求环节，主要存在缺乏预见性、缺乏有效的模型和工具、缺乏制度和标准规范等问题。

要想建设好、应用好大数据，首先要解决这三个问题：

首先是建设。把大数据作探矿、采矿、炼矿、用矿，实际上探矿和采矿就是建设好信息，可以从三个纬度四个方面来建设好信息。三个纬度首先是发现，然后才可以按照应用需求结合起来。

第二要有制度，要有标准，要实现系统之间的互操作。同时我们还要发现、收集、组织，来提升系统性、完整性、及时性、准确性。这是建设好、运用好。

最后，要特别注重取得实效、最佳实践和理论研究。

1、要特别注重实效。因为今天的大数据，每一个环节的形成都有它的实效，这件事情从开始到做完以后，效果究竟是什么？有很多企业家，当你用大数据对你企业各个环节进行改善提升的时候，你首先第一条要把提高效率放在首位，这是关键，而且对于制造业来说，要永远把利润率放在最重要的位置。当然，工业大数据不能直接用钱来算，有的环节是企业老板在管理上、服务上提效，但是这个效果必须是可测量的，不管是定性的还是定量的。

2、要特别注重最佳实践。i5数控机床，从开始研发到今天位列智能数控机床试点领先的行列，花了十年的时间。为什么前面几年没有成功？就是因为数据缺失。缺什么数据？高端数控机床为什么长期被国外控制？数控机床的技术为什么那么长时间没有克服？因为不管是材料的发展，还是装备的发展，都没有数据，没有实践过程中的数据，它是发展不起来的。接下来是模型怎么建，也需要数据来支撑，但是原来由于高端数控机床都由国外来控制，我们没有数据。另外，它在这个过程里面还倡导商业模式，这个机床是按服务钥匙收费。所以它又变成了今天最新最热门的制造行业分享。这显然是一个最佳实践，这里面工业数据是极其重要的。

3、要注重理论的研究，注重方法、制度创新的研究。在这个过程中，需要对制造业发展的趋势、特征，工业大数据的内涵外延，工业大数据建设和利用的系统方法，工业大数据质量保证、协同发展、制度创新等等一系列问题进行研究。

工业大数据应用案例

发展大数据是个过程，最终目的是为了利用大数据，对工业企业起到作用。因此，企业需要冷静思考，坚持以业务应用为驱动，才能最大化实现数据价值。

　　企业所积累的数据量以越来越快的速度在增加，很多企业也就顺势将大数据技术引入企业的生产经营中。大数据在工业企业的应用主要体现在三方面：

　　一是基于数据的产品价值挖掘。通过对产品及相关数据进行二次挖掘，创造新价值。

　　日本的科研人员日前设计出一种新型座椅，能够通过分析相关数据识别主人，以此确保汽车的安全。这种座椅装有360个不同类型的感应器，可以收集并分析驾驶者的体重、压力值，甚至坐到座椅上的方式等多种信息，并将它们与车载系统中内置的车主信息进行匹配，以此判断驾驶者是否为车主，从而决定是否开动汽车。实验数据显示，这种车座的识别准确率高达98%。

二是提升服务型生产。

提升服务型生产就是增加服务在生产（产品）的价值比重。主要体现在两个方向。一是前向延伸，就是在售前阶段，通过用户参与、个性化设计的方式，吸引、引导和锁定用户。比如红领西服的服装定制，通过精准的量体裁衣，在其他成衣服装规模关店的市场下，能保持每年150%的收入和利润增长，每件衣服的成本仅比成衣高10%。

二是后向延伸，通过销售的产品建立客户和厂家的互动，产生持续性价值。苹果手机的硬件配置是标准的，但每个苹果手机用户安装的软件是个性化的，这里面最大的功劳是APPStore。苹果通过销售苹果终端产品只是开始，通过APPStore建立用户和厂商的连接，满足用户个性化需求，提供差异性服务，年创造收入在百亿美金。

　　三是创新商业模式。商业模式创新主要体现在两个方面，一是基于工业大数据，工业企业对外能提供什么样的...

随着大数据技术的飞速发展，大数据已经融入到各行各业。2018年中国的大数据行业发展趋势是什么?大数据行业整体市场规模如何?大数据行业前景如何?

(一)大数据行业整体市场规模及预测

整体来看，2018中国大数据行业的发展依然呈稳步上升趋势，市场规模达到了327 亿元，和去年相比增速超过 39%。随着政策的支持和资本的加入，未来几年中国大数据规模还将继续增长，但增速可能会趋于平稳。

(二)大数据在各行业应用状况

(1)企业哪些方面需要大数据?

根据大数据分析结果，将近一半的企业将大数据运用在企业工商信息管理方面，此外，在社会保障、劳动就业、市政管理、教育科研方面分别占据33.9%，32.7%，29.4%，29%。整体来看，大数据的应用范围广泛。

(2)多少企业应用到了大数据?

大数据分析对企业的发展越来越重要，35.1%以上的企业已经开始在企业内部应用到了大数据;34.2%的企业正在考虑应用大数据，22.9%的企业在未来1年有应用大数据的计划，仅仅有7.8%的企业暂不考虑应用大数据。

(3)这些企业如何使用大数据?

根据数据显示，38.8%的企业使用实时动态处理大数据并提供分析结果;37.5% 的企业分析历史数据;通过机器学习，辅助企业管理者更好地决策的企业占比为22.5% 。

(三)各行业大数据的发展水平如何?

我国行业大数据总体发展水平较好，在各行业都有应用。其中，金融大数据、政务大数据的应用水平高，同时交通、电信、商贸、医疗、教育、旅游等行业大数据的发展水平也有显着提升。

(四)大数据助力企业发展

(1)企业在哪些领域会应用大数据?

大数据应用广泛的top3领域是营销分析、客户分析和内部运营管理。其中，营销分析占比6成以上;50.2%的企业使用大数据进行客户分析;48.4% 的企业运用大数据进行内部运营管理。 大数据应用对企业的影响

(2)这么多企业应用大数据，大数据将会为这些企业带来什么收益呢?

55.8%的企业表示应用大数据后实现了更智能的决策;应用大数据提升了运营效率的企业占比为48.2%，这两个影响较为显着。应用大数据更好的管理风险，创造新的业务收入，增强生产能力的企业也占有一定比重。

从上述数据中，我们可以看出，大数据在各行各业的应用还将继续加强。

End.

作者：夏立城

来源：蓝盟网络运维专家

近期文章推荐

女生读研占比超半数，哪些是热门专业？

Excel、SAS、R、SPSS、Python优势分析

<入职数据分析师>线下分享 · 北京站

什么是大数据？

这次我们不谈概念，不谈理论，避虚就实，关注大数据在十大行业的实际应用。

从证券行业到医疗领域，越来越多公司意识到大数据的重要性。2015年Gartner调查显示，超过75％的公司正在投资或计划在未来两年内投资大数据。而在2012年进行的类似调查中，仅有58％的公司在未来两年内计划投资大数据。

增强客户体验、降低成本、精准营销以及提高流程效率、数据安全是公司关注大数据的主要目的。本文将研究正在使用大数据的10个垂直行业及面临的挑战，以及大数据如何解决这些难题。

1. 银行和证券

挑战：

通过对10家投行券商的16个项目的研究表明，该行业面临的挑战包括：证券欺诈预警、蜱虫分析、检测卡片欺诈、审计跟踪档案、企业信用风险报告、贸易可视性、客户数据转换、用于交易的社交分析、IT运营分析和IT策略合规性分析等。

应用：

证券交易委员会（SEC）正在使用大数据网络分析和自然语言处理器来捕捉金融市场中的非法交易活动。

商业银行，对冲基金和其他金融公司在高频交易的交易分析，交易前的决策支持分析，情绪测量，预测分析等方向使用大数据。

该行业还严重依赖大数据进行风险分析，这其中包括：反洗钱，企业风险管理，客户画像，以及减少欺诈行为等。

2. 通讯，媒体和娱乐

挑战：

每个观众消费着不同形式的娱乐，以及不同的娱乐设备，因此通信，媒体和娱乐行业正面临以下大数据挑战：

1. 收集，分析和利用消费者习惯

2. 利用移动和社交媒体内容

3. 实时追踪媒体内容使用形式

应用：

公司同时分析客户数据和行为数据，以创建详细的客户档案，可用于：

1. 个性化定制内容

2. 按需推荐内容

3. 衡量内容结果

一个典型的例子是国外视频网站YouTube上的温网比赛，它利用大数据实时向电视、移动和网络用户提供网球比赛的详尽的情感分析。亚马逊Prime大量使用大数据，在一站式商店提供视频，音乐和Kindle书籍来提供卓越的客户体验。

3. 医疗领域

挑战：

医疗保健行业可以获取大量数据，但由于医疗成本上升、医疗系统效率较低，大量数据没能得到有效利用。抛弃患者的数据精准度弱化、以及不同传感器的数据差异均是医疗行业所面临的困难。

应用：

一些医院正在使用从数百万患者手机应用程序收集的数据，允许医生使用循证医学，而不是对所有去医院的患者均进行多次医学检查。佛罗里达大学运用免费的公共健康数据和谷歌地图创建了视觉数据，以便更快地识别和有效分析医疗信息，用于跟踪慢性病的传播。

4. 教育

挑战：

从技术角度来看，教育行业面临的主要挑战是整合不同来源的大数据，并在统一平台上使用它，有时这些数据并非是相互协作的。从实际角度来看，教师和机构必须学习新的数据管理和分析工具。在政治上，用于教育目的的大数据相关的隐私和个人数据保护也是一个问题。

应用：

大数据在高等教育中的使用非常多。例如，一所拥有超过26000名学生的澳大利亚大学已经部署了学习和管理系统，该系统可以跟踪学生登录系统时，在系统中不同页面上花费的时间以及学生的整体学习进度等。

大数据还用于衡量教师的教学有效性，以确保学生和教师的良好体验。教师的表现可以根据学生数量，主题，学生人口统计，行为分类和其他几个变量进行微调和衡量。

5. 制造业和自然资源

挑战：

石油、农产品、矿物、天然气、金属等自然资源的需求不断增加，导致数据数量、复杂性增加。制造业的大量数据尚未开发。这些信息的利用不足会妨碍产品质量、能效、可靠性和更高的利润空间。

应用：

在自然资源行业中，大数据允许预测建模以辅助决策制定，从地理空间数据，图形数据，文本和时间数据中摄取和集成大量数据。使用领域包括：地震解释和油藏描述。

6. 政府

挑战：

在政府领域，最大的挑战是跨政府部门和组织的大数据集成和数据的互兼容性。

应用：

在公共服务领域，大数据的应用范围非常广泛，包括：能源勘探，金融市场分析，欺诈检测，健康相关的研究和环境保护。美国社保局使用大数据分析大量的社会残疾索赔数据，用于快速有效地处理医疗信息，以便更快地做出决策并检测可疑的或欺诈性索赔。美国食品和药物管理局（FDA）正在利用大数据来检测和研究食品中毒等疾病的模式。大数据让响应更快，治疗更快和死亡更少。

7. 保险

挑战：

缺乏个性化服务，缺乏个性化定价以及针对新细分市场和特定细分市场的服务。

应用：

通过从社交媒体，GPS设备和摄像头获得的数据预测客户行为，大数据已被业内用于为简单的产品提供客户见解。大数据还可以让保险公司更好地保留客户。在索赔管理方面，大数据的预测分析可以加快服务速度，因为可以分析大量数据，特别是在承保阶段。

8. 零售和整体销售贸易

挑战：

从传统的实体零售商和批发商到当今的电商，该行业随着时间的推移累计了大量数据。这些数据来自客户会员卡，POS扫描仪，RFID等，其用途不足以改善客户体验。

应用：

零售商和批发商收集来自客户忠诚度数据，POS，商店库存，本地人口统计数据的大数据。在2014年纽约Big Show零售会议上，微软，思科和IBM等公司提出零售行业需要利用大数据进行分析和其他用途，包括：通过购物模式、本地活动等数据优化人员配备，减少欺诈、及时分析库存

社交媒体的使用也有很多潜在的用途，正在被实体商店采用。社交媒体用于客户拉新、客户留存、产品推广等。

9. 运输

挑战：

最近，基于物流的社交网络的大量数据和来自电信的高速数据已经影响了人们的出行选择。遗憾的是，了解出行行为的研究并没有那么快。在大多数地方，对社交媒体结构的理解不够输出的需求模型往往不实用。

应用：

政府、私企和个人对大数据的应用包括：

1. 政府大数据：交通控制，路线规划，智能交通系统，拥堵管理

2. 私营部门在运输中使用大数据：收入管理，技术改进，物流和竞争优势

3. 个人使用大数据：节省燃料和时间的路线规划、出行安排等

10. 能源和公用事业

挑战：

60%电网资源十年内需要替换。

应用：

智能抄表器几乎每15分钟就能收集一次数据，而不是每天使用旧抄表器收集数据。这种精细数据被用于更好地分析公用事业的消耗，从而改善客户反馈并更好地控制公用资源的使用。

在公共机构中，大数据的使用还允许更好的资产和劳动力管理，这对于识别错误并在经历完全故障之前尽快纠正它们是有用的。

结论

经历了10个行业垂直行业，包括大数据如何在这些行业中发挥作用，这里有几个关键的要点：

1. 熟悉并了解行业特定的挑战

2. 了解或了解每个行业的数据特征

3. 了解支出地点

4. 将市场需求与您自己的能力和解决方案相匹配

5. 垂直行业专业知识是有效和高效利用大数据的关键

身边很多朋友提过或者是想要走进大数据这个行业

每个人的Background不一样，能力，擅长的领域都不一样

卡里有一句发自肺腑的话要说给大家听

不是热门的，薪水高的，所谓好找工作的专业就值得去学；

真正值得学的是你理性地衡量了所有标准以后，最适合自己的，才是值得你学的

作为大家的小超人

卡里今天要给大家写一篇很长很长很长的文章

你可以选择 现在就滑出去 不看

然后卡里从此跟你老死不相往来

或者你可以继续读下去

然后卡里仙女可以用仙气笼罩你

首先，卡里给你准备了一篇很优秀的文章里的几句话

这篇文章叫做：在你想要读数据科学的学位前，你需要知道的五件事

“

1

你不一定非得读一个数据的学位；你可以自学，或者去一个boot camp。

不讲笑：此刻你可能需要一个网站

dataapplab

2

数据科学从来就不仅仅是数据，它牵扯了无数个不同的领域。

3

如果有一个专业或者项目提供的课程只是简单地把各种别的相关课程包装一下，别去。

4

理论之上还有不同的理论要去学习，好好掌握基本的理论

5

无论你读不读一个学位，你都要稳步提升自己的软实力。

”

每个小仙女在成为大仙女之前都得知道自己的能力条可以发展到哪里，然后为之努力。

卡里就早早知道自己是不能靠脸吃饭的仙女，于是决定做一只才华仙女。

（有一丢不要脸）

理性，合理，不违背真心地衡量自己是你做出人生重大决定的第一要义。

让我们来举一个可爱的

布吉岛大家还记不记得当年火遍全球的

Pokemon GO!

如果你是一只Pidgey，那你就特别特别努力地进化自己，然后变成一只Pidgeotto，然后再继续努力，变成一只厉害的Pidgeot。你可以做你擅长的领域的大牛，或者你可以做你擅长的领域的数据师，毕竟数据从来都不仅仅是数据。

如果你是一只Eevee，那你可以努力看看，看看自己会变成哪种小精灵。是数据科学家，商业分析师，还是数据工程师？

如果你是一只 Jigglypuff，Clefairy 或者 Pikachu，

请乖乖做一只小可爱好么？

当然你也可以是会数据分析的小可爱。

如果你是一只Magikarp，请认识到自己的潜力，你，就是下一个吴恩达。

好啦 让我们回到正文

【本科篇】

本科的专业相比于研究生，可能课程更具多样性。和别的专业的学生一样，都要修一些General Education，不同领域各种门类的普遍性教育课。然后专业课的部分更多的是对于基础性教育课一层一层的积累，所以相比于研究生再转进去读的同学来说，本科开始读可能基础会更扎实一些。然而，本科的数据专业并不多，而且都很新，加上正规的不正规的，大概齐是有六十个左右的学校开设了本科的数据科学专业。

卡里从中选择了4个项目来跟大家分享。

【Columbia University -- B.A in Data Science】

一个综合排名贼高的藤校，本科设立了一个数据科学的专业，计算机院的专业。

官网上稳准狠地说明了Data Science的本质，不过就是学好了计算机和统计。

从官网的课程设置来看，还是对于学生的计算机和统计功底要求都很高。这对于一部分还没有决定是不是要走数据科学走到黑的人来说是好的，研究生可以重新回到计算机科学的回报或者去做个统计学大牛也不是不可以。

核心课程

Probability Theory

概率论

Statistical Inference

统计推断

Linear Regression Models

线性回归模型

Statistical Machine Learning

统计机器学习

Introduction to Computer Science

计算机科学

Data Structures

数据架构

Discrete Math

离散数学

Analysis of Algorithms

算法分析

看了这些，你是不是有一丢心动？

卡里告诉你：请安抚好你的小心心别乱动，哥大不是你想考想考就能考。

【University of Rochester - B.A / B.S in Data Science】

这个大学是厉害的，同一个专业，你可以选择以BA毕业也可以选择以BS毕业，你要是想以BS毕业，你就得多读几节课。官网里说了，BA呢更自由一些，一般是你想要双专业毕业的话会更合适一些。如果你想深度了解数据，那就选择BS的课程。

对于这个专业设置，卡里觉得是厉害的，

给你，你想要的全部自由，非常适合射手座的一个学校（微笑）。

核心课程

Discrete Mathematics

离散数学

The Science of Programming

编程

The Science of Data Structures

数据架构

Linear Algebra with Differential Equations

线性方程

Ordinary Differential Equations

常微分方程

Computational Introduction to Statistics

计算机统计

Elements of Probability and Mathematical Statistics

概率论与数理统计

Applied Statistics for the Biological and Physical Sciences

生物与物理统计

Intermediate Statistical and Computational Methods

中级统计与计算机方法

如果大家有幸被录取到了这所美丽的学校，可以考虑跳进数据科学的大坑。

【Ohio State University - B.S Data Analytics】

曾经年幼无知的卡里以为OSU只有商学院厉害，后来卡里的老铁去OSU读了Data Analytics，卡里发现，咦，技术也是挺厉害的。介绍它的原因呢是因为它这个专业下有几个很有趣的分支，我觉得作为本科的专业，这一点是比较难得的。因为相比于别的传统专业，数据科学已经是非常细化的专业了，能够分出一定的师资在专业下开设分支以便学生学习不同领域的数据是难得的。

核心课程也没有什么可惊喜的 所有学校都大同小异

Calculus and linear algebra

微积分和线性代数

Data mining and statistical learning

数据挖掘和统计

Database design and cloud computing

数据库设计和云计算

Optimization （这个课是有一丢厉害的，一般研究生的program里才会出现）

最优化

Probability and statistical inference

概率与统计推断

Regression modeling and statistical decision making

线性回归和统计决策

Software design and programming

软件编程

Visualization （这个课也是有一丢重要和厉害的）

可视化

每个学生从下面四个里面选择一个方向专攻，看上去都是厉害的不得了的方向

但基于卡里作为一个本科生 对 本科生群体的了解

选的最多的应该还是Business Analytics 和 Computational Analytics

Biomedical informatics

生物信息学

Business analytics

商业分析

Computational analytics

计算机分析

Social science analytics

社会科学分析

【University of California, Irvine - B.S Data Science】

最重视的当然要放在最后，这是卡里的母校，DS也是卡里当年心心念念的专业。这个专业比较新开设的较晚，它出现的时候卡里已经没有机会转进去了。

毕竟，得不到的就成了卡里心尖尖上的朱砂痣和明月光

当然，也希望得到了的幸运的小朋友们不要觉得这个可爱的专业是蚊子血和饭米粒

好的让我们来看看这个专业的

核心课程

Introduction to Programming

编程

Programming with Software Libraries

进阶的编程

Intermediate Programming

最厉害的编程

Introduction to Writing and Rhetoric

写作和修辞学

Critical Reading and Rhetoric

批判性阅读和修辞

Seminar in Data Science

数据科学研讨会

Calculus

微积分

Statistics

各种统计课

Machine Learning and Data-Mining

机器学习 & 数据挖掘

Design and Analysis of Algorithms

算法的艺术

Information Visualization

信息可视化

UCI 最引以为豪的writing program也是特色之一，在我司之前做的各高校数据项目分析里，Communication and Story Telling也是极其重要的一点，所以UCI在这件事情上是完胜的。其他的呢，公正地说其实和各个program的差距不大，都是以编程和统计为主，然后上一些高阶的计算机课。但Irvine真的是个太好的地方，如果你还在纠结要去哪里读数据科学，Welcome to Irvine！

【研究生篇】

研究生的数据科学Program可就是百花齐放了，要是选起来卡里能选一天一夜，所以卡里先简要地给大家介绍几个厉害出名的Program，然后再说几个比较常见的项目，让大家能够对研究生项目的有所了解。

首当其冲地，让我列出一溜全美最6的数据类研究生项目,

# 排名不分先后，这只是卡里看了一堆文章以后罗列出来的，没有学校塞钱给我好么？

我分为两部分回答这个问题——干什么、怎么干。

1，干什么（大数据风控的目的是什么）

可能大家都知道，当我们想去银行办一笔贷款的时候，从客户的角度，大概流程是这样的，

当我们换个角度，从银行的角度来看，流程又是这样的

从上面两张图看起来，这里有这个重要的环节就是，在贷款申请人提交了申请资料之后，银行需要来审核这个人的申请资料。毕竟是银行要先给你钱，银行总要知道你以后是很有可能会还这笔钱，而不是说拿了钱就跑。

拿一笔房贷来说，如果你贷款300万元，年化利率是5%，一共贷30年，那么在这30年中，银行大概是一共可以收你200万多的利息(是不是很多？)。这个钱其实也就是银行赚的钱(如果你知道资金成本这回事，你应该已经不是这个问题的读者了)。

那从合理的角度来说，我一笔可以赚到这么多钱，那么我派好几个人来审核你的贷款，从成本（主要是这几个人的工资）上来说也是划算的。

我们再来看看这些小额贷款。如果你贷款2000块，只借一个月，就算在这一个月，我收你10%的利息(年化利率比100%还高，是不是看起来很高？)。那么从金融机构的角度来讲，他只能赚200块。从这个角度来说，如果我再派一个人花好几天的时间来审核你的贷款申请，先不讨论客户体验的问题，仅从银行收入的角度来说（赚的钱还不够发工资的呢，更别说别的成本了），就不是一个合算的买卖。

我们该怎么办呢？

真相只有一个——用机器(主要是电脑)去提高劳动生产率，把成本降低到能让企业赚钱的程度。

但用电脑代替人有一个很重要的前提是

用数字去描述人的各种行为，并且要把这些描述逻辑写成电脑程序，以便电脑可以执行。

所以，简单说来，用电脑代替人来进行贷款审核，会需要如下的四类职位共同的协作来完成（毕竟他们需要的专业知识还是有相当差距的），当然实际情况会比这个复杂的多。

业务人员

这类职位主要确定我们的金融产品的相关细节，他会懂得客户的需求和金融相关的知识，一般来说，他是所有需求的发起者。

数据分析师

这类职位的主要作用就是把业务需求转化为数学逻辑。

IT研发

这类职位就是把数据分析师所得到的数学逻辑写成计算机程序和代码。

IT运维

这类职位的主要作用就是保证电脑的正常运行，不要死机。

当然，根据实际情况职位之间也会有相互交叉，同时也会有更多细分的职位。

我们说的大数据风控其实就是这里提到的数据分析师和业务人员的结合体。而大数据风控的目的也就是把人对风险的判断转换成电脑可以识别的数学逻辑。

很多院校有大数据课程和方向，关联度较高的专业有：软件工程、计算机科学、信息管理、应用数学/数学与统计。大数据应用有三个主要层面（即数据管理、系统开发、海量数据分析与挖掘），这三个层面系统地帮助企业掌握大数据应用中的各种典型问题的解决办法。

大数据的核心技术：（1）大数据与Hadoop生态系统。详细介绍分析分布式文件系统HDFS、集群文件系统ClusterFS和NoSQL Database技术的原理与应用；分布式计算框架Mapreduce、分布式数据库HBase、分布式数据仓库Hive。（2）关系型数据库技术。详细介绍关系型数据库的原理，掌握典型企业级数据库的构建、管理、开发及应用。（3）分布式数据处理。详细介绍分析Map/Reduce计算模型和Hadoop Map/Reduce技术的原理与应用。（4）海量数据分析与数据挖掘。详细介绍数据挖掘技术、数据挖掘算法–Minhash, Jaccard and Cosine similarity，TF-IDF数据挖掘算法–聚类算法；以及数据挖掘技术在行业中的具体应用。（5）物联网与大数据。详细介绍物联网中的大数据应用、遥感图像的自动解译、时间序列数据的查询、分析和挖掘。（6）文件系统（HDFS）。详细介绍HDFS部署，基于HDFS的高性能提供高吞吐量的数据访问。（7）NoSQL。详细介绍NoSQL非关系型数据库系统的原理、架构及典型应用。

首先问大家一个问题，什么是企业最重要的资产?我想大部分人可能会说是企业的固定资产或劳动力或人员流动之类等等。但是，超过上述所有情况，任何企业或组织最重要的资产都是它的信息，每个企业的未来取决于他们现有的数据和管理的好坏，由此可见数据的重要性，本文就重点讲述数据对于各行各业大小企业的应用。

我们生活在一个数字化的世界里，一切都可以在互联网上找到，根据商业(特别是电子商务和社交媒体)的变化趋势。互联网的使用已经成为每个人日常生活的必需品。现在所有的交易都通过互联网进行。公司最大的挑战是记录客户的每笔交易。难点在于，企业必须记录每天生成的大量数据，而如何合理管理数据是企业最头疼的。而且数据包括各种类型，如非结构化、半结构化和结构化数据更是让各行业数据维护举步维艰。

大数据是什么?

每个企业每天都会生成数据，数据量根据企业业务的复杂度而变化。如果业务量大，我们可以很容易地使用常用的软件工具来管理，但是如果业务体系庞大，那么就将这些数据合理归档整合。这就是我们称之为“大数据”的原因。大数据能让用户处理大量的原始数据，并根据业务需要进行合理分析报表，以备将来参考和预测。大数据有助于管理数据，并为将来的有用目的存储全部数据。数据首先在不同类型中生成，包括非结构化数据、半结构化数据和结构化数据。大数据获取任何原始数据并将其处理成结构化数据。公司利用他们的过去和现在的数据来预测未来。大数据帮助企业获得利润，并在全球范围内扩大业务活动，并提供大数据。它不仅预测了未来的收益，还有助于预测未来的问题和趋势。它有助于企业做出重大决定。

政府行业

政府通常将历来数据进行汇总和分析规划未来发展趋势以及做好预防工作。大数据帮助政府机构为他国家制定计划。如政府利用人口普查来扩大或向全国的每个人提供福利，利用食品溯源管理追踪食品安全等等。

教育产业

教育部门需要不断的改进，为学生提供良好的教育。大数据帮助教育机构利用这些数据来跟踪学生表现的变化，他们使用数据来实现变化。它还有助于设计教育形式，帮助学生更好地让世界变得更好。

医疗保健行业

卫生部门使用其病人记录、治疗计划和过去用于治疗不同疾病的药物，这将有助于该部门改善治疗或向患者提供更好的医疗援助。它还可以提高行政管理、成本管理、人力资源/人员管理和供应管理的效率。

制造业

制造部门必须采购原材料，并维持必要的人员生产高质量的产品和服务。制造业的常规和持续的任务产生大量的数据。大数据可以帮助制造商减少成本和浪费，并帮助他们在更短的时间内制造出高质量的产品。大数据让制造商能够预测未来的需求，基于此，他们能够及时生产和供货，最终带来更高的利润。

零售行业

零售业是与顾客有最终联系的行业。它必须记录客户的数据——包括顾客的品味、偏好和生物数据——以便与他们保持紧密联系。客户关系是在业务开发中发挥关键作用的重要途径之一。大数据提供了解决复杂问题的准确信息，这些问题与零售业有关。我们可以清楚地知道该做什么，什么时候使用大数据。

结论

我们生活在信息时代。信息是任何进一步行动的一个关键方面。定期记录大量的数据需要一个更好更有效的软件工具。大数据是存储高数据量的最终来源，并以一种可以理解的方式处理它，我们可以预测行业未来的动态发展。

更多精彩内容，关注小伍