对于现在企业来说，最重要的资产无疑就是数据了，企业价值与其拥有的数据规模、活性，运用数据的能力成正比，企业的数据资产将在未来演绎着精彩的商业模式，如租售数据、数据使能、数据媒体、数据空间运营和大数据技术提供商等等，推动着企业的发展和革新。那么在大数据时代，企业如何利用数据管理系统来迎接更大的竞争？

1、企业领导层对大数据的认知

随着时代的变迁，商业模式已经发展过渡到了数据时代，相较于以前营销为王的商业模式，大数据更能给现代企业创造价值，正所谓火车跑的快，全靠车头带，企业各部门领导者，甚至是老板本人，能对大数据应用有一个正确的认识，则更能把握企业发展前进的方向与命脉。

2、数据化管理是企业精细化运营的核心

现在，很多企业已经意识到需要从粗放经营转型到精细化运营。精细化运营其中有一个核心点，就是数据化管理。之前很多的决策是拍脑袋决定的，高速的增长将这种决策的缺点掩盖了。但是现在我们已经到了存量时代，意味着现在的运营必须趋向精细化，所做的决策必须是通过市场调研、论证、数据分析等所得出的科学决策，这样才能提高企业的竞争力。

对于企业来说核心是用户和产品，而数据是分析产品与用户之间匹配程度的工具，并从中思考产品的改进方向。通过大数据的挖掘和分析，提高决策的广泛性，合理性，正确性。

3、打造好信息化的基础，才能挖掘积累出大数据库

企业以信息化为基础，才能实现大数据挖掘，积累和分析，企业所有的产品数据、运营数据、供应链数据和外部数据都是来自于信息化系统，因此打好信息化基础就变的尤为重要了，对数据源的质量进行一个管理，完善信息化基础，让数据来源更真实和可靠。并重视知识的创造、提练和共享，用知识管理提升服务水平和增强竞争力。

4、便捷高效的大数据分析系统

大数据是一个海量的资源池，甚至如汪洋大海一般让人望而生畏，那么这样一个海量的资源池，企业怎样才能充分且高效的去吸收它的营养呢？这就需要一个高效率的云计算系统才能很好的完成这个任务，一个高效的云计算系统，可以使大数据里的资源合理分配，充分利用，给且的分析研究部门带来便捷，让工作效率得到显著的提升。

现在，人人口里喊着大数据，许多领域都有大数据的身影，可是又有几个公司真的会用大数据，甚至用大数据给公司带来盈利？实际上，想要充分发挥大数据的价值，个人也是可以办到的，不仅如此，你还可以用数据来挣钱~

那么，什么是大数据，我如何实现个人大数据应用？

我曾经在一个帖子里看到有人这样形容大数据：

在媒体行业中我们每天会收到很多新闻，但大部分其实是用户不感兴趣的，离真正的精准性还有很大距离，而头条号却弥补了这个缺陷，真正做到对客户精准推送新闻。

在广告行业中淘宝百度都有关键词，针对关键词是现在最为精准的广告投放方式，接下来将针对用户的年龄、性别、收入层次、兴趣爱好投放广告，大数据在这方面可以有更大作为。

在零售业中沃尔玛、711这些行业先驱，早已将数据收集分析作为基本业务，产品销量数据、人口统计数据，甚至天气数据都被纳入分析范围，在特定时间上架合适产品。

以上都是大数据的应用，大家可以看出来，大数据真正帮企业做到的不仅仅是精准定位，更可怕的是，我们在大数据面前无所遁形。

实际上，大数据的重头不在数据，因为我们每个公司几乎都有基本的数据，而真正有价值的其实是数据分析。

而达到数据分析，我们需要借助一些应用软件来达到目的。

以下摘自网络：

一、Excel

Excel作为一个入门级工具，是快速分析数据的理想工具，也能创建供内部使用的数据图，但是Excel在颜色、线条和样式上选择的范围有限，这也意味着用Excel很难制作出能符合专业出版物和网站需要的数据图。

二、伙伴云表格

伙伴云表格作为一款多人数据协作办公平台，有着灵活的数据存储和分析功能，满足中小企业的数据管理和数据变化，尤其是电脑端和手机端双向同步，给数据管理者更多的使用空间。而且他有强大的BI功能，可以简单实现数据统计及分析，可以说是目前大多数企业在使用的一款软件。

三、Google Chart API

Google Chart提供了一种非常完美的方式来可视化数据，提供了大量现成的图标类型，从简单的线图表到复杂的分层树地图等。它还内置了动画和用户交互控制。

四、R

R语言是主要用于统计分析、绘图的语言和操作环境。虽然R主要用于统计分析或者开发统计相关的软件，但也有用作矩阵计算。其分析速度可比美GNUOctave甚至商业软件MATLAB。

　　大数据这个词已经被炒的满天飞，还有的人说它是泡沫，现在什么东西即使没用大数据技术也要加个大数据概念，要不都觉得落伍了，当然这是迎合宣传的手段，不过搞虚假宣传还是不太好的。那真正使用大数据技术的地方且比较有代表性的产品有那些：

　　·云存储：中国比较好的有百度云，国外比较好的有AWS等。正是因为有这些产品的出现，数据在云端的概念才终于变成现实了，大家都不用踹着U盘到处跑了。

　　·内容推荐：最具代表性的有今日头条，它正是运用了大数据技术来找到你喜欢的内容并且推荐给你。自从这个产品出现以后已经有很多人抛弃以前的新闻阅读方式。它让网易新闻、新浪新闻、腾讯新闻等产品上了不少火。现在大家都开始纷纷的学习它。

　　·物品推荐：电影网站、音乐网站、电商网站这些网站都会把根据你的浏览行为进行分析，根据你的兴趣推荐给你相应的物品，比如爱奇艺、QQ音乐、京东等。

　　·广告计算：应用比较好的有百度、谷歌、淘宝、腾讯，他们要根据广告主的价格和广告的效果计算广告的排序，好在流量中达到最好的变现效果，这时数据的处理速度与数据的量级直接影响了他们的收入。

　　·金融：银行正使用大数据分析用户的消费行为、购买能力以及还款能力，用来降低提供给用户的贷款风险，减少环帐率。

　　·信用：支付宝的芝麻信用加入了更多的维度，比如你的人际关系、学历、车等等元素来评估你的信用值，给信用值高的人提供更好的服务，比如信用度高住酒店就不用交押金。

　　·数据分析：这个具有代表性的产品不多，但确是大数据应用非常主要的场景，一般都是公司内部定制性的，所以一般不公开，但确实各种公司都在用，比如网站的流量分析、相关产品的用户特性分析、微博的语义分析。可以根据这些分析为自己的业务或者产品发展方向提供决策依据。

　　·智慧城市：这个现在比较有代表性的功能就是可以根据人流控制路灯的亮度，可以达到省电的效果。通过车流控制红绿灯的变化，减少道路拥堵。

　　正是有了大数据处理技术的应用才使以上这些方面有了更好的发展，如果没有大数据处理技术的出现那可能就会因为数据太多处理不过来或者根本就无法处理。那自然就会导致一些业务的发展落后或者根本无法进行的。当然未来大数据的应用场景将会越来越多，比如物联网、人工智能等等。前景十分看好。

　　如果以上这些你都不了解那我就再举个更俗的例子，就是”你一撅屁股我就知道你要拉什么屎“。这是因为你对某个人或物接触时间长了，知道了对方足够多的信息，促进了你对事物的认知，从而就能更了解这个事物并预测到它下一步动作。大数据处理技术也就是这么个过程，它的过程可以分为收集，处理，分析识别、预测这四个步骤。其实就是模拟人类对事物认知这个过程并把这个过程程序化、海量化。

　　还觉得大数据是泡沫的您还这么想吗？可别再继续无知下去了。

我们身处的时代是一个大数据时代，所生活的一切几乎都有相对应的数据支撑。不管是个人信息，还是旅游出行，数据囊括了我们的衣食住行。这些庞大且全面的数据能够极大的便利我们的生活，提高我们的生活质量。而运动也处于数据能够影响的人类活动中。

或许有人会有疑问：运动的数据又有什么用呢？数据是为了让我们直观的了解自己的状态，而运动中的数据众多，有自身的心率、已运动的数据和消耗的卡路里等等。当我们通过这些数据深切的了解到情况时，我们就可以针对自身情况为自己定制一个最适合自己的运动计划。

毫无章法的运动会大大降低我们锻炼的效率，也就是事倍功半的效果。而若拥有一个针对自身的科学的运动计划，我们运动的效率就得到了极大的提升，自然就事半功倍了。那么我们如何采集这些数据从而制定计划呢？智能运动手环是我们最理想的设备，特别是乐心手环3，其功能非常全面且强大。

乐心手环3正在预售，现在预订有很多惊喜和优惠哦！

不仅仅是跑步才能使用乐心手环3，它可记录的运动多达12项，让你的有氧训练不单调。且对于游泳这种水上运动，你也能在佩戴的同时游泳。因为它拥有IP68级防水，防水深度达到30米。轻薄又舒适的医用级腕带，既不会给运动带来额外的负担，长时间佩戴也不会感到不适。

有氧运动的益处是不言而喻的。乐心手环3拥有得到库伯医学中心认证的有氧能力测试，能精准测出你的有氧能力，且还能通过科学训练来提高你的有氧能力，让你能从有氧运动中获得更大增益。它还拥有智联GPS轨迹跑功能，与手机GPS进行连接，记录你的运动轨迹从而形成运动报告。

它还支持24小时连续心率检测，可实时记录你的心率变化，并在你即将过度运动时发出预警。它有着超强续航，支持USB直插充电，且最高续航更是能达到28天的惊人时长。不仅仅是运动，它还融入了生活。可自动检测你的睡眠情况，还拥有久坐提醒，呵护你的健康，非常贴心。

在这个大数据时代中，我们应该合理运用数据来提高我们的生活质量以及让我们的生活更加便利。运动也是如此，我们可以使用智能运动手环来记录我们的运动数据从而制定出科学的运动计划，让运动更具效率。

【卡车之家 原创】2012年美国《纽约时报》一篇专栏称“大数据时代来临”，如今“大数据”几乎渗透到每个行业和领域，包括高速发展的国内物流业。比如像菜鸟网络，就是基于阿里云大数据平台打造，将各家快递公司数据与之对接，从而达到更精准监控，进而提升物流效率。

那么大数据分析在物流领域具体能起到什么作用呢？

资源配置优化、路由规划

物流市场的动态性和随机性很强，从大数据中可以获取市场变化、物流需求等信息，及时规划和调整资源配置；同时可因此优化物流路由规划，降低物流成本和提高时效。这里主要涉及的是运输和仓储。

网点、园区和枢纽的布局

物流选址相当重要。市场货量、交通网络、辐射区域、竞争对手市场占有率等情况，都必须纳入考量的因素，大数据分析便能帮助决策。

物流定价

在零散货运市场，受信息化程度及其它因素影响，物流价格往往波动较大，我们不作讨论。而对于品牌物流企业来说，价格战同样也是越演越烈。

定价基于的成本计算，往往要通过十分庞大的数据模型来获得，不同类型货物、不同地域、运力成本、网络网点等都会对成本产生较大影响。

运输车辆运营管理

近年商用车厂家、零部件厂家和第三方软件公司开发的车联网系统，让数据驱动车辆管理变得更容易。通过使用车辆网系统，运营车辆的能耗数据、路线跟踪、驾驶行为等数据一目了然，有助于规划车辆保养、用车成本统计、改善司机驾驶习惯等。

最近，国产智能卡车开始投放市场，各种电子智能系统能提升车辆的安全性能之余，还能收集更多的数据信息。譬如防侧翻系统，便可以将有可能发生侧翻的情况、电子刹车系统作用的次数记录在案。

沃尔沃车辆管理运营领域专家杨光喜提出数字化车队管理的理念，利用数据我们可以对运营车辆进行全生命周期管理。一般物流散户对车辆油耗成本的计算，往往是总重多少、百公里几升油，其实是不准确的。

随着物流车辆的运营时间增长，车辆开始出现“疲劳”，油耗会随之上升，维修频次也会增多。通过数据收集和分析，我们可以获取某一品牌、固定动力配置车辆的全生命周期油耗，比如100万公里的总油耗，或者是某一里程区间的油耗，比如20-30万公里区间内的车辆平均油耗。同理还可用于车辆的维修保养管理，因此就可以产生出车辆全生命周期成本的计算模型，那么车队的运营成本分析就十分明朗。

通过这样的数据分析，还可以预测车辆价值“拐点”——达到某一里程后，车辆盈利能力开始下降，这时我们通过二手车市场价格来判断车辆是否该转手，再进行新一轮的车辆采购。目的是为了持续性的最大化盈利。

说在最后

近期一些车货匹配平台尝试了采用司机报价的功能，一时间货运价格来得更低了，有人说本质是运力过剩。纵观零散而乱的货运市场，的确如此。而对于业务量日益增长的品牌物流企业来说，却有运力不足的情况发生，许多散户无法成为他们的外包车辆，其实还是竞争力不足的问题。通过大数据分析等手段来实现降本增效的大车队，依然是市场的抢手货。（部分资料来源知乎；文 黎文豪）

有这样一组数据值得关注：中国个人征信系统收集的自然人有8.6亿。其中，约有5.1亿人缺少信用历史和评分。这也就意味着，由于信用记录的缺失，10个中国人有8个享受不到传统金融服务。具体来说，在有急切的借款需求时，这些人都可能无法从传统金融机构拿到借贷的资金。

正如硬币的两面，有人需要借款解燃眉之急，那肯定也有人希望给自己的闲置资金找到好去处，这也就是我们通常所说的理财需求。从目前整个市场环境来看，银行理财产品收益较低，财富增值难度较大；而股票就像过山车，风险过高……如何找到适合自己的理财产品，实现财富增值，是不少投资者面临的一大挑战。

为了满足资产端和资金端需求，多家互联网金融平台应势而生，这其中就包括最早一批的宜人贷、拍拍贷等。然而，新事物的诞生必然伴随着新风险，跑路“阵痛”成为整个互金行业挥之不去的阴影。网贷之家数据显示，截至2017年4月，行业累计停业及问题平台数达到3676家。

与此同时，网贷行业的成交量却在持续攀升。业内人士认为，监管持续升级，大浪淘沙中，不合规的平台将被淘汰，优质平台的业务则会继续扩大，市场认可度也将不断提高。值得注意的是，诸如宜人贷、恒昌等互金平台，凭借独有的资产端及风控技术优势，迎来了新的发展春天。

大数据用得好才有价值

众所周知，互联网金融不是互联网和金融的简单叠加，更深层次的变化是，一些基于互联网应用的先进技术，推动了新的商业模式、产品、服务、功能在金融业内产生，金融体系随之经历着新的变革。

而互联网金融行业不同于传统金融业的创新属性以及其具有的金融普惠的最大化优势，都使创新技术在金融业的应用达到了前所未有的活跃。而这些金融科技得到更好应用的基础就是作为底层基础设施建设的大数据得到充分的挖掘、管理和分析。互联网金融业既是大数据的重要产生源，在交易过程中，存在大量的资金端和资产端用户的各类信息数据。反过来，这些大数据如果得到有效利用和挖掘，对于互联网金融发展的助推作用则不可估量。

具体来说，通过累积沉淀的大数据，分析其中大量的网络交易及行为轨迹，就可以快速精准地对用户进行信用评估，这些信用评估可以辅助互联网金融企业征信人员对用户的还款意愿及还款能力做出判断，从而为用户提供快速授信，提升服务体验。

恒昌首席技术官薛正华

大数据积累之后，怎么用就成为了关键。“大数据用不好，价值就等于零。我们目前通过技术对整个数据体系进行梳理，核心就是建立用户画像系统。” 薛正华表示，“建立用户画像系统，第一步要做的就是特征工程，对用户进行标签体系的建设。例如：目前恒昌就有过百万的用户标签：30个大类，200个二级分类和900个三级分类。”

另据了解，为了有效进行反欺诈，恒昌构建了一个基于大规模数据的图数据库系统。“图数据存储最适合存储人和人之间的关系，利用这个全新的图数据库存储方式，就可以去打造一个迅速将复杂关系用直观图形呈现的知识图谱搜索系统。” 薛正华解释说。

拥抱监管 推动行业健康长远发展

在互金行业的快速发展进程中，监管成为备受瞩目的关键词。2015年7月份出台的《关于促进互联网金融健康发展的指导意见》为纲领性文件，2016年，一系列的监管政策相继落地，互联网金融监管已经构建起“中央统筹、行业自律、专项整治”的架构体系。在此背景下，互金行业正在告别野蛮生长的“裸奔”时代，大洗牌已然开始，合规的潮流不可逆转。毋庸置疑，未来，只有谋求改变、主动创新、合法合规的平台才能在洗牌潮中生存发展。

恒昌首席风控官陈以平博士

值得注意的是，2016年8月24日，银监会等四部委发布《网络借贷信息中介机构业务活动管理暂行办法》规定，网络借贷金额应当以小额为主，并规定了借款余额上限。以恒昌为例，其从创立之初，就一直专注并坚守小额信贷原则。普惠金融稳健发展形成的服务规模和体量的背后，就蕴含着“小额分散”原则逻辑。

恒昌首席风控官陈以平介绍：“之所以坚持“小额分散”，是因为这不仅能保证为传统金融征信体系不覆盖的中小企业阶层和城市蓝领等群体提供金融服务，而且可以有效降低平台风险，更好地保障用户资金安全。”基于大数据的风控体系的建立也是进一步落实监管风险、企业自律的有效保障。随着互联网金融监管的逐步建立和完善，将促进整个行业的健康可持续发展，这对于全行业来说都是非常大的利好，这也坚定了恒昌坚持金融创新、为更多人提供普惠金融服务的信心。接下来，平台也将与同业一起拥抱监管、为普惠金融做出自己的贡献。

在互联网金融进入下半场之时，行业发展将愈发规范，互金业务也将呈现多元化发展的态势。与此同时，金融科技也将在互金领域扮演着越来越重要的角色，技术与业务相辅相成，相互促进，才能最终保障合规安全、风险控制与创新发展并行不悖，实现多赢。

大数据的作用是在海量数据的基础上，通过算法模型，获得有意义的结果，然后优化资源配置，发现现象，未来预测等。

长话短说，让我们用一个例子来告诉你大数据有多么强大。

今天头条:很多数据是别人的，你是怎么得到的?通过数据分析方法提取文字分析，统计分析消除。在今天的标题中，用户点击开始后端服务器有日志，请求一个点击日志，一个临时集群围绕大数据，计算点击率，就像这样可以计算出用户，用户不喜欢再做调整。通过大数据评估点击率，新广告将在一个小时内进行，以观察下一个小时的点击率，广告将进行排名和调整。

摩拜单车:它是通过物联网终端，总是通过数据，发送数据再上去卖钱，交押金做金融，不要说靠你那五毛钱来生产效益。

项目推荐:网站、音乐、电影、网站、电子商务网站将根据您的浏览行为进行分析，并根据您的兴趣向您推荐相应的项目，如爱奇艺、QQ音乐、京东等。

金融:银行利用大数据来分析用户的消费行为、购买能力和还款能力，降低贷款给用户的风险，降低还款率。

信用:支付宝的芝麻增加了更多的维度，如你的关系、教育、汽车等因素来评估你的信用价值，为信用价值高的人提供更好的服务，例如高信用酒店不必支付押金。

智慧城市:现在更具代表性的功能是能够控制路灯的亮度，可以达到节约用电的效果。通过交通流控制交通信号灯来减少道路拥堵。

大数据处理技术的应用使这些方面有了更好的发展，如果不是大数据处理技术的出现，那可能是因为太多的数据处理不过来，或者根本无法处理。这自然会导致一些落后的或根本不可行的企业的发展。当然，将来会有越来越多的大数据应用，比如物联网、人工智能等。前景是光明的。

如果你不知道，那我就给你一个更粗俗的例子，那就是，“你屁股一撅我就知道你拉的是什么屎”这是由于某人或某物经过长时间的接触，了解了彼此足够的信息，促进了对事物的认知，从而对事物有了更多的了解，并期待着下一步的行动。大数据处理技术就是这样一个过程，他的过程可以分为收集、处理、分析和鉴定，这四个步骤的预测。事实上，它是模拟人类对事物的认知和程序的编程和量化过程的过程。

2018据说是大数据元年，各位，快加入大数据的浪潮，世界早晚会惩罚不喜欢学习的人。

近日，个别互联网企业“大数据杀熟”引来舆论热议。有网友反映，经常查看某个产品或服务的价格，价格反而会因关注较多而上涨，对于这样的指责，相关企业均回应并无利用数据优势“杀熟”的情况。

“大数据杀熟”到底是否存在，相关方面并无权威说法。或者说，即便这样的“杀熟”存在，以现有法律法规也很难监管规范，用户收集证据也面临困难。

尽管“大数据杀熟”尚无定论，但一个新的问题已经值得企业关注。在互联网消费时代，企业可以积累海量的消费数据，那么，消费者的大数据究竟该怎么取得，怎么使用？

与过去需要从消费者配合填写的纸质材料里获取数据信息不同，当下企业从互联网上获取消费者信息，具有两个特征，第一是信息量巨大，第二是可以在后台取得。比如：当消费者用注册过的账号登录平台时，其过往的浏览、消费记录一览无余，个人消费偏好和承受能力也就一目了然。那么，不可回避的问题就是，储存和分析海量的数据信息都需要一定的成本，不可能像过去填写纸质材料时，在填写内容设定上就进行了信息筛选，那么，究竟哪些数据值得保留，哪些数据值得分析？

另一个问题就是获取方式，消费者的数据信息，究竟哪些属于其个人隐私，哪些可以被应用？事实上，目前相关法律法规相对于日新月异的互联网经济，依然有许多空白之处，这也是不少企业选择铤而走险的原因所在。不过，一旦不当的获取方式，甚至消费者数据被用于出售牟利的情况被曝光，企业形象不佳带来的经济损失，或许远远大于现行法规所能给予的经济惩罚。

大数据取得了，分析了，该怎么使用？同样值得企业思考。消费者怀疑个别企业“大数据杀熟”，或者说是怀疑企业利用数据从自己身上赚取更多“小利”，如果确有此事，企业这样运用大数据也用错了方向。

因为，应用大数据不是为了调整单一产品的定价来从消费者手中赚取蝇头小利，而是要用大数据为消费者解决更多问题，提供更优质的产品和服务，这才是企业的核心价值和竞争力所在。或者说，大数据是用来服务消费者的。企业采集大数据、应用大数据，本身就属于自身信息化转型的一部分。不论是传统行业企业还是新兴行业企业，都无时无刻不面临信息化问题，因为外部环境的信息化进程从来不会停滞不前。企业日积月累的庞大数字资产背后，何尝不是信息瞬变的市场环境？

利用大数据对市场做出及时响应，不仅需要企业经营者对于大数据有所重视，具备“数据观”，更需要企业内部具有响应的应对机制，并且利用这些大数据，考察企业运营管理效率，推动企业高效运转。当然，这是一个循序渐进的过程。最终，将大数据服务于企业产品和服务转型，乃至企业的整体战略制定。赵昂

来源：《工人日报》

在过去的几年里面，很多中国的企业都开始发展自己的企业大数据，都开始企业的基础数据的建设，而在中国市场，目前已经有一半多%的企业已经开始成立了数据分析的相关部门，还有27%的企业已经打算成立该部门。

同时，还有的企业已经开始使用大数据来发展公司。但是，很多人都说他们这些公司只是打着大数据的旗号想去蹭一波热度，来进行跟风发展，实际上真正能够用到大数据的公司数量是很少的，因为对于很多企业来说他们根本就没有那么多的数据要处理，只有国内的一些像阿里、腾讯等公司才有大量的数据需要处理。

那么这些公司应该有什么样的大数据产品和提出什么样的方法才能更好的来帮助公司做出发展呢？现阶段很多的企业都非常需要尽快来推出相应产品和方法来解决。而且企业要做的不单单是需要投入大量的经历来做这些，还应该去不断的加快数据产品的推出，只有这样才能将数据更好的利用起来帮助公司的发展。

首先，企业应该要去完善用户标签提供个性化的服务。如果你不能够充分的去了解你的每一个用户，针对每个不同的用户做出个性化的服务就没办法下手。所以对于很多的中小型企业来说，提供用户服务的数据服务商合作已经是必须要去完成的事情，但是遇到的问题是这些企业并不具备能力去完善自己用户标签的用户场景和相对应的技术。

而且即便是对于腾讯、阿里巴巴、百度这样的巨头企业来说，虽然他们有大量的用户和产品场景，可以供自己去完成用户的分析，可这些大公司还是面临着无法去全面的覆盖用户的问题。比如百度和腾讯他们两家公司就不能够去知道用户的电商画像，而对于阿里巴巴来说他们则是缺乏对用户的社交画像的了解。所以他们同样需要去利用专门来做大数据分析的公司，才能帮助他们的企业更好的发展。

其次，企业想得到要好用的分析产品。尽管市面上有很多各种各样的分析产品我们都能使用，可面临的现实是，能够完全满足产品和运营需求的产品的却不多。所以现在很多企业都面临这样的矛盾，如果用简单的产品的话处理数据的能力是非常有限的，不能够去很好的满足企业分析用户们的需要。而太过于复杂的产品则是太麻烦。所以市场上面好用的分析产品是少之又少，这也让不少企业十分的头疼，这点如果不能够很好的解决的话对于接下来的发展就是十分不利的。

当然有实力的企业可以去选择自己开发，但很多的企业最好的选择还是去市场上寻找已有的成熟的解决方案。但是面对移动互联网领域的发展痛点还是无法否认到解决，一边是将消息准确的推送给用户们，还有就是对于去发展全新的用户、给他们的更好体验度等关键性问题方面。所以对于新来的人的发展以及对于老朋友们的维护等这些都需要公司不断地去加强并且提供有效的解决方法才可以。

现如今随着很多数据的产生，信息得到了利用，人们的生活也更加的方便，同时对于服务的要求也在不断地提高，所以这就对于很多的企业来说他们也就遇到了很多的的困难和机会，只有靠公司自己去解决了这些问题之后，才能不被这个快速提升的年代所淘汰。所以他们需要去更好的做出改变，去积极的想办法做出帮助公司发展。然后顺应变化才能使得公司逐渐的进步，才能在去赢得未来更大的市场，让公司能够做出最对的改正，让人们能够去相信我们的公司，为公司赢得较好的名声。

最后小编想说的是，在这样的一个社会，很多的企业要做到的更多是去关注到用户们的想法，更好的去提供给客户的服务。只有掌握了客户的想法，根据他们的要求，准确无误的提供给他们想要的产品，这才是现如今企业最需要做的事情。还是那句话我们要会去分析客户的行为，根据得到当前这些信息去描述客户的画像，然后推送我们的产品，做到一条龙服务才是企业要去做到的标准。

本文由新科技好奇心原创，欢迎关注，带你一起长知识！

罗伯特·S·西纳(Robert S. Seiner) 2018年6月6日 相隔译

在过去的25年里，信息技术的世界已经“戏剧性地”成熟了——我的职业生涯相对短暂。从午夜时分在大学计算机实验室打卡和给露天平台的读者提供材料，到互联网、电子商务、商业智能、大数据、人工智能……人们可能会认为，他们已经见识了一切。

我们只能想象，未来的25年里，我们将面临什么。在21世纪之后，在可预见的未来，管理数据、信息和知识的需求和速度(如果还没有的话)将成为业务驱动因素。

“管理数据、信息和知识将是业务驱动因素。”

如果你还不知道的话，这个短语值得重复几次。一个公司管理数据、信息和知识的能力将决定一个公司能有多成功，或者他们是否能成功。

为了管理数据、信息和知识，公司需要知道他们拥有什么数据。公司需要准确地知道他们的数据是如何被使用的，以及如何使用这些数据来创造竞争优势。要了解这些信息，公司需要管理和使用它的元数据。

元数据是在IT工具中记录的信息，它可以改进数据和数据相关过程的业务和技术理解。(1)这个定义比我们这个行业的人们过度使用的“关于数据的数据”定义要长得多。当您将这个定义分解成几个部分时，它将告诉我们什么是元数据，在哪里可以找到它，它如何有用，以及它将帮助谁。

元数据在未来几年将变得越来越重要。元数据将不再是“周三的信息处理系统之子”(2)，正如数据仓库之父Bill Inmon在《数据管理评论》(data Management Review)中所言。每个公司都有元数据。这是毫无疑问的。数据库构建在元数据之上。数据模型建立在元数据之上。程序、显示、报告、查询、数据迁移……信息系统的所有组件都是使用元数据构建的。这本身就应该表明，管理元数据很重要。但现在它不是。

元数据的问题

关于元数据的问题仍然存在。元数据究竟是什么?管理元数据要花多少钱?如何证明对元数据的“投资”是合理的?谁使用元数据?如何开始管理元数据?这些都是非常重要的问题，在这些问题中，答案将成为决定公司是否继续实施元数据管理策略和实施计划的关键因素。

这些问题并不总是容易回答——特别是当人们的问题有点脱离每日构建的数据和技术架构以支持企业的情况时——即人最有可能不停地改变主意。专家们已经写了很多书来回答这些问题。这些问题不在本文中讨论之列。

作为替代，这里选择了不同的方法。本文不再关注元数据问题的“答案”，而是关注元数据可以回答的“问题”。

问题分类

元数据可以回答的“问题”可分为十类。我之所以选择这10个类别，仅仅是因为它是一个很好的整数。除了这是我以前使用过的元数据的逻辑分解之外，没有其他原因。如果这些类别不适合您的需要，根据您的需求完全可以自行组织。我选择的10个分类包括:

数据库元数据数据模型元数据数据移动元数据业务规则元数据数据管理元数据应用组件元数据数据访问/报告元数据合理化的元数据数据质量元数据应用操作元数据理解分类当你阅读“元数据可以回答的问题”列表时，问自己三个简单的问题:在你当前的环境中:我的公司能回答这些问题吗?我的公司为回答这些问题付出了什么代价?当我们不能回答这些问题时，结果是什么?我猜测，如果您在得出上述关于元数据的三个问题的答案时，您将感到元数据管理怎么这么简单的。许多问题属于多个类别。例如，在数据迁移期间，数据从源流到宿（目标）。向目标执行的操作(赋值)可能来自映射列表(或转换表)，具体取决于源或多个源。当源数据丢失或源值没有指定的目标值(有时称为缺失规则)时所采取的操作可以视为数据迁移元数据或数据质量元数据。我列出了一些问题，如果有必要你可以画出它们之间的联系。这些问题不应该被认为是包罗万象的。相反，应该将元数据问题视为一个“入门工具包”，它可以帮助您的公司理解这一点:这些问题的答案很重要。这些问题的答案并不总是可以得到的。如果IT部门能够访问这些信息，他们将“执行”得更好。“成本节约”和“竞争优势”与通过元数据管理数据有关。元数据可以回答的问题数据库元数据数据库元数据描述物理数据。数据库元数据通常存储在数据库目录或copybook/segment定义中，开发人员和db管理员使用数据库或文件辅助类型工具进行访问。数据是否存在于数据库(或文本/顺序文件)中?哪些数据库存在?存储数据的数据库的物理名称是什么?数据位于何处?(如平台(或dbms)、服务器等)数据库中表的名称是什么?表中什么列?主键是什么?有其他索引吗?表与其他表有什么关系?表是视图的一部分吗?数据库上一次是什么时候更新的?谁最后更新了数据?有哪些文本文件和顺序文件?我的数据所在数据集的物理名是什么?数据位于何处?(比如框架、区域、数据集名称等)有多少个数据版本?数据集是存在于磁带上还是存储器上?哪些拷贝代表文件中的数据?哪些程序使用拷贝?什么工作流驱动程序?如何处理、组合和排序数据?数据模型元数据数据模型元数据描述数据的逻辑设计和从逻辑设计到物理数据的映射。数据模型元数据还可以包括业务规则、实体关系、域值等。数据模型元数据通常在数据建模和案例工具中找到，尽管有些数据模型元数据仍然可能在图表和电子表格工具中跟踪这些信息。存在什么数据模型?哪里可以找到模型?是否存在企业数据模型?谁创建了模型，用于什么目的，项目/数据库等等?谁负责更新这些模型?定义了哪些业务实体，它们存在哪些模型?在数据库(表或系统)文件中表示的业务实体在哪里?业务实体的定义是什么?构成这些实体的属性是什么?属性的业务定义是什么?属性是否具有限制性域?各属性的允许值是多少?逻辑数据模型和物理数据模型之间的关系是什么?物理数据模型是否与逻辑数据模型同步?物理数据模型是否与物理数据库同步?实体和表、属性和列之间存在什么映射?数据迁移元数据数据迁移元数据描述数据从源到目标的移动。数据迁移元数据包括数据的选择和提取、映射、转换和数据加载的信息。数据迁移元数据可以在ETL或数据迁移工具、电子表格、桌面数据库中找到，也可以在编写用于执行数据移动的代码逻辑中找到。迁移数据来自哪里?是系统或其他数据库?用于填充数据的字段是什么，是否为派生字段?数据是如何得到的?计算，条件，还是两者兼具?派生过程中，还使用了哪些数据?数据的值是否依赖于其他数据的值?依赖哪些数据,如何依赖这些数据?目标数据是否允许为null?数据丢失的话怎么办?源数据不符合质量要求时怎么办?当没有为源值分配映射的目标值时怎么办?目标数据具有什么值?这些值如何映射到以前的值?什么时候迁移数据?数据总是以这种方式“迁移”，还是有随时间变化?什么时候触发迁移?业务规则元数据业务规则元数据描述业务如何使用其数据进行操作。业务规则元数据描述定义数据使用的实体关系、基数、域规则等。业务规则元数据通常存在于数据建模或案例工具中，或者存在于工具、文字处理、电子表格或其他工具之外维护的其他形式的文档中。逻辑数据模型中数据实体之间具有怎样的关系?这些实体之间的基数是什么样的?在什么条件下，数据片段可以承载特定的值?一段数据可以承载什么价值?价值的含义是什么?如何创建、更新和删除数据?什么时候，由谁建立的规则?数据管理元数据数据管理元数据描述组织中谁对使用数据所采取的行动负责。数据管理元数据定义组织中的谁定义数据，组织中的谁创建、维护和删除数据，以及谁使用数据或直接使用工作中的数据或信息。数据管理元数据仍没有被几个公司采用(还没有!)，而仅有的几个使用的公司也只使用桌面数据库和电子表格运作。如果你对数据有疑问，你会打电话给谁?谁负责定义、创建、读取、更新和删除数据?具备什么能力和职责的个人可以管理数据?谁是将数据作为工作的一部分的数据“消费者”?哪些信息可以在公司内部共享?公司外呢?谁必须批准才能在公司之外发布报告?谁负责为数据分配可接受的值?怎么让管理程序适用公司的信息政策?信息政策在哪里能找到?应用组件元数据应用组件元数据描述应用程序的所有对象，从数据文件或表到程序、脚本和功能、显示等等。应用组件元数据是组成系统的所有组件以及组件如何共享和重用的交叉引用。交叉引用工具和桌面工具通常是存储这些信息的地方。哪些应用程序组件被认为是标准的可重用对象?这个“可重用对象”是如何确定的?如何测试这些对象，以及谁维护这些对象?什么程序(及数据、显示等)是系统(或过程或功能)的一部分?哪些作业(或过程、脚本)执行程序?程序和作业使用什么数据?数据是如何使用的?如何将数据从程序传递到程序、作业到作业、系统到系统?数据依赖于什么系统?什么系统依赖于特定数据?哪些程序和作业是重用的?在哪里重用?随着时间的推移，项目和工作发生哪些变化?谁编写了程序和作业?谁负责支持和维护程序和作业?哪些程序更新数据?哪些报告显示数据?哪些页面显示数据?数据访问/报告元数据数据访问和报告元数据描述了如何访问数据，以及已经创建了哪些报表可以读取或重新创建。数据访问和报告元数据也可以描述必须采取的步骤来获得授权读取数据,如何解释数据的描述,可用工具,报告的描述,等等。数据访问和报告元数据通常在报告工具和传统类型的文档(如桌面数据库、文字处理和电子表格)中寻找。使用这些数据的报告有哪些?报告的描述什么?如何访问报告?应该采取哪些步骤来获得使用数据的授权?报表如何选择、组织/排序、分组、汇总和显示数据?报告使用了什么数据?什么报告使用我的数据?报告最后一次更新是什么时候?必须亲自制作报告，还是已现成结果?哪里可以找到结果?合理化的元数据合理化元数据描述了标准的“企业可接受”信息片段，以及这些信息片段如何在系统中表示或映射为数据。标准的信息片段可以是数据元素的选择列表，这些数据元素具有可接受的含义、历史、值和/或来自企业数据模型的标准信息片段。合理化元数据可以描述数据元素是同一信息块的程度和差异。合理化元数据通常存储智囊库或传统文档中。公司的标准(核心)要素是什么?这些元素的业务名称和定义是什么?标准元素是如何、由谁选择的?标准元素是否被验证以供重用?标准元素在哪里映射到现有数据?如何使用标准元素?数据质量元数据数据质量元数据描述数据的质量。数据质量元数据描述准确性可信级别、变更管理、数据值和定义的历史，以及随时间变化如何影响数据的理解。数据质量元数据还描述遇到“坏”数据、数据丢失或重复时需要采取的操作。使用数据质量工具、存储库和传统文档类型跟踪数据质量元数据。数据可能的值是如何随时间变化的?什么时候可接受值变了?数据的定义是如何随时间变化的?数据的定义是什么时候变了?什么数据是“坏”数据?对数据进行了哪些质量检查?什么是质量检查程序?该程序是谁写的和执行的?谁分析的结果?数据有多大的可信度?在数据被认为是“低质量”数据之前，可接受的置信水平是多少?计算操作的元数据计算操作元数据描述数据的活跃度和调度中心。计算操作元数据描述数据存储、磁带使用、作业和服务器操作、调度依赖项、异常处理、备份和恢复过程等。计算操作元数据可以通过调度系统、存储系统、操作和服务器系统等找到。计划对数据运行哪些操作/作业?有哪些类型的数据备份和恢复可用?我的数据最后一次被备份、恢复和验证是什么时候?备份和恢复数据需要哪些步骤?谁负责备份和恢复?谁拥有使用数据的安全特权?创建、读取、更新或删除?针对特定数据运行程序/报告的最佳时间是什么时候?哪些操作依赖于来自另一个进程的数据?当作业或系统失败或终止时，应采取哪些行动?当作业或系统失败时，应该调用谁?我们运行的是什么版本的软件?如果许可，我们有多少许可证，谁在使用它们?许可证何时到期?软件的下一个版本什么时候安装?新版本对软件进行了哪些更改/增强?有多少磁盘空间可用?已用了多少磁盘空间?数据以什么速度增长?谁分配存储空间，应该联系谁来回答有关磁盘存储的问题?磁带存储头是如何定义的?