▲ 点击蓝字“荣之联”，关注荣之联品牌微刊

2018年10月29日，国内先进的生物云服务提供商荣之联，发布了一款简单高效的基因数据分析云计算平台——爱豌豆云。爱豌豆云平台全部采用可视化操作界面，实现一站式的基因数据存储、分析和解读，帮助用户彻底摆脱纯代码界面操作的束缚，轻松创建和运行复杂的分析流程。

自从20世纪80年代人类基因组测序计划启动以来，生命科学进入高速发展阶段，越来越多的生物基因测序完成，随着高通量测序技术的发展，各种生物数据呈现爆炸式增长，众多基因、癌症、医学研究机构和制药公司不断产生海量数据，如何及时获取、快速分析、安全储存和智能管理这些庞大的数据，是基因行业用户急需解决的问题。然而，传统超算模型的基础架构和单一系统越来越不合适做生物信息分析了。

凭借在云计算、大数据领域的深厚技术积累和丰富的生物行业客户服务经验，荣之联开发了面向生物信息、生命科学领域的生信分析云平台，从根本上解决了生物信息行业所面临的，庞大数据量存储和管理问题、大规模集群精准调度以及计算瓶颈。经过优化的作业流程能够充分利用计算和存储资源，同时内嵌主流计算分析软件使用户无需担忧兼容性和版本冲突，更加灵活有效的解读高复杂度的生物数据关系和结构，彻底摆脱了繁琐的命令行管理方式，通过全中文图形化界面，让生物数据的研究变得更加简单、高效。

平台优势

爱豌豆云平台具有以下几大优势：

简单易用

可视化操作界面取代命令行，一键开启作业分析，自动生成可视化结题报告，零生信基础也可以快速上手。平台预装开箱即用的常用工具集、优化的标准分析流程，帮助用户轻松完成数据分析。定制化流程做到零代码编写，通过简单拖拽即可实现复杂的分析流程，并可轻松部署自有分析工具。

独创的数据管理系统

数据管理系统具有独创的数据特征管理和动态追踪技术。通过高效提取数据特征，为特征动态构建高效索引，实现快速（秒级）的数据发现，动态组织数据集，多维数据有序等功能，将基因组学“胖”数据有效的转化为“大”数据，进一步跟各种文献论文关键词有机结合进行挖掘、建模、学习， 以揭示海量生物信息数据中蕴藏着的具有物理现实意义的信息。

智能化调度系统

核心计算引擎Bioflow不仅是计算调度系统，更是生物数据中心的操作系统。能够融合多种计算框架，按需动态构建批量计算、spark、Tensorflow等计算集群。并能根据应用的计算模式和IO模式，适配计算资源和存储资源，达到物尽其用的效果。同时Bioflow系统提供了丰富的表达，利用自主研发的BSL和WDL灵活组合，屏蔽了计算框架的差异，协助生物信息分析科学家简单高效的编写高质量，健壮的分析流程，管理分析流程和作业。

资源无限扩展

计算资源弹性拓展，分析过程中需求用到多少资源，平台都能快速调配计算资源，并采用最优配置进行计算。海量云存储空间，存储时长无限制，容量弹性扩展，按量计费。

全面安全保障

多层次安全防护，数据多重备份，保障数据的完整性。数据加密传输，采用业界通用标准的安全传输协议，云端加密存储，AES-256加密算法。严格的用户权限控制，多租户数据严格隔离，完善的审计日志，符合HIPAA等多种监管条例。

降低运维成本

资源按需计费，弹性扩展，避免了自建机房的大量资金投入和管理成本，免去专业的IT运维团队，可以更专注于自身核心业务发展。

数据可视化及交互分析

平台内置多款图表分析工具，满足各组学个性化分析需求，图形化操作，无需学习编程语言，科研工作者按照自己的实际需求，自主进行数据分析，让数据挖掘轻而易举。

平台功能介绍

使用爱豌豆云平台，用户只需要填写简单信息，完成注册即可使用。平台提供海量云存储空间，存储时长无限制，容量弹性扩展，存储空间按使用量计费，极大降低成本支出。除了数据存储和快速传输，爱豌豆云还开发了数据管理模块，可以感知数据特征，实现快速数据发现、动态数据重组、数据溯源，解决数据复杂性问题。

爱豌豆云采用图形化界面取代繁琐命令行，不要求用户具有较高的编程基础和生信水平，只需一步就可以完成一个繁琐复杂的生物信息分析。配合为生信分析设计的资源调度和分析计算引擎、分布式调度设计、多调度器实例、多调度队列相互协作，负载均衡，灵活高效。

爱豌豆云已上线全外显子测序 (WES)、全基因组重测序 (WGS)、转录组测序分析 (RNA-Seq)和三代组装分析等常用流程。经团队的不懈努力和优化，已实现流程的全面升级与加速，确保高效运行数据分析任务，更多分析流程将持续更新上线。

不仅如此，爱豌豆云支持自主发布分析工具，用户不需要在命令行下编写脚本，通过可视化界面填写参数，就可以生成自己专属的工具，并在流程编辑中，通过鼠标拖拽的方式，将工具串成流程，全力支持企业定制化自有流程。

考虑到生信数据分析的复杂性，爱豌豆云平台不仅支持新建分析作业，而且能够在运行失败后任意修改和运行分析作业，并保证分析过程可追溯和可重现，真正实现生物大数据分析的高度定制化。

爱豌豆云平台支持自动生成可视化的结题报告，帮助用户快速理解分析结果，整合了可交互的MGB基因组浏览器，用户可以方便地查看突变位点的具体信息。平台内置多款图表分析工具，满足各组学个性化分析需求，图形化操作，使用更简便，可直接保存图片，用于论文发表。

爱豌豆云平台基于项目对数据、分析进行管理，用户可随时监控任务进度及资源消耗，便于用户快速掌握项目分析进度，进行进一步资源调整和匹配，提高企业管理运作效率。

应用场景

爱豌豆云主要服务于测序公司、科研院所、临检所、药厂等类型的客户。以公有云模式提供服务，兼容国内外主流的公有云服务商平台。

对于测序公司，爱豌豆云提供低成本、高速、高安全性的数据存储空间，数据快速上云，强大的分析计算资源调度，可视化的生信流程开发定制界面，帮助企业业务快速上云。

对于科研院所，爱豌豆云能提供性价比高的存储，一键可视化的生物信息流程分析平台，简洁明了的报告展示，爱豌豆云将使用户在代码编辑“零接触”的情况下轻松完成上述功能模块。

同样，爱豌豆云对临检所、药厂、医院等客户也完全开放。平台支持大量临床样本的快速分析，并关联多种权威数据库，帮助用户进行数据解读，对操作者无生物信息学背景要求，门槛低，减少分析人员配备，高效率完成检测结果的运算。

平台同时也为众多习惯代码操作界面的用户提供CLI命令行客户端，满足不同用户的操作需求。

即日起，爱豌豆云诚邀用户试用啦！

试用申请和相关咨询，请发送至：bioservice@ronglian

心动不如行动哦~~

伴随着数字化转型的推进，DT时代正在全面到来。对于这一大趋势，业界已经形成了共识。

不过，对于眼下正火热的大数据市场，大家的观点却似乎出现了明显分歧——有人认为忽悠成份大，也有人认为前景一片光明。

虽然听起来有点儿两极分化，但其实两个观点都有道理。目前大数据还处于市场启动期，大家谈论更多的是数据本身，而真正落地的应用的确不够多，但大数据市场的发展前景绝对值得看好——这中间就是现实与未来的差距。

导致这一落差的很大原因是，缺乏真正有效的大数据分析工具，也就不能够为企业的业务决策提供服务，而这才是大数据真正的价值所在。

所有分析功能汇聚于同一平台

从国内市场情况来看，大数据生态系统涉及到数据采集、数据传输、数据存储、数据备份、数据整理、数据分析、数据挖掘、数据呈现等很多环节，每个单一环节都有不少企业涉足，但缺乏具备整体综合能力的服务商。这导致很多想做大数据落地应用的行业客户，无法得到强有力的支持。

当然，不是大数据服务商不想成为综合服务商，而是能力方面有欠缺——需要下有数据处理工具、上有行业认知，中间则是核心的数据分析、挖掘和可视化等服务能力。

或许正是因为看到了巨大的市场落差和客户需求，SAP在中国市场推出了新一代分析云服务——SAP Analytics Cloud（SAC）。SAC的最大特点就是把所有分析功能汇聚于同一个平台，并且以云的方式交付给客户。

SAP分析云产品研发中心副总裁Ty Miller

SAP分析云产品研发中心副总裁Ty Miller介绍说，One|Simple|Cloud是SAC的主要特点。其中的One指的就是用一款产品覆盖所有服务，包括计划管理、机遇发现、数据可视化、预测分析等功能，同时还包含丰富的行业和业务线知识库，当然还包括SAP Digital Boardroom，以及今后合作伙伴基于SAC平台提供的应用；Simple则是要让数据分析变得简单易用，这有助于解决本文开头提到的问题，使大数据应用变得更容易落地；Cloud则突出了这是一个云平台，以云服务的形式交付。

值得注意的是，SAC并不只有公有云一种部署模式，同样也支持本地部署；更为难得的是，无论客户是本地部署还是云端部署，都可以通过同一个许可证完成，这样不仅方便定价，也使客户可以灵活在不同部署方式之间迁移，而不需要重新签署购买合同。

让分析云服务惠及所有客户

应该说，SAP涉足分析云服务具有得天独厚的优势。SAP HANA已经成为市场上最流行的内存计算平台，为大数据分析提供了强有力的支撑。同时，SAP一直在管理软件市场处于领导地位，熟悉各个行业客户的需求，这非常有利于带动大数据在行业应用的落地。

SAP副总裁、大中华区商务分析总经理徐哲说，SAP分析云服务可以为所有的企业提供服务，不分行业、不分大小，尤其是给中小企业提供了一个很好的机会，使它们能够以很低的价格享受到以前大企业才能拥有的解决方案。

SAP副总裁、大中华区商务分析总经理徐哲

SAP的分析云服务还能够与SAP的其他解决方案集成在一起，为企业的数字化转型提供全面支持。这其中包括物联网、机器学习、区块链等最新技术，当然也包括以SAP S/4 HANA为代表的数字化核心系统和SAP Leonardo这一数字化创新系统。

SAC所支持的混合云部署模式，也能够最大程度地满足不同客户的需要。出于对数据安全等方面的顾虑，国内很多大企业还不愿意把核心数据上云，SAC可以让客户先把非敏感数据放在云上，而把核心数据放在本地，然后再逐步向云端迁移。目前，SAC已经在全球拥有8个数据中心，其中包括在中国的一个。

搭建分析云生态联盟

谈到SAC的定位，徐哲表示，SAC只是一个基础平台，为客户提供知识资本工具。虽然SAC本身也可以以SaaS的形式直接向客户交付，但对于一些特定应用，包括各行业和业务领域的应用，都需要合作伙伴来提供专门的解决方案。因此，SAC并不只是SAP一家的，而是需要整个生态联盟共同合作。

据介绍，SAC的合作伙伴分为分销型、解决方案型和联合创新型三大类。其中分销型合作伙伴，是通过销售价差来赚得利润，可以销售SAP或者合作伙伴的产品和解决方案。解决方案型合作伙伴，则负责为行业客户提供行业解决方案的构建服务或SAP分析类产品的实施服务。创新型合作伙伴，则是把其自有产品与SAC平台相结合，打包成整体解决方案，与SAP共同推向市场。

对于SAP来说，合作伙伴帮助SAC实现了从平台到应用的转变，能够直接交付客户价值。而对于合作伙伴来说，SAC提供了一个很好的平台，从而能够高起点地开发自己的应用，直接服务于行业客户，为他们带来业务价值。

为了支持合作伙伴的联合开发和联合创新，SAP为合作伙伴提供了很多扶持政策，比如开展骇客训练营等培训活动，通过应用商店对合作伙伴的产品进行推广，技术人员亲身参与合作伙伴的第一第二个项目等。

2017影响IT生态的十大事件

据说，2017中国公有云运营商生态的画风是这样的

干货 | 四位方案商“大佬”对中国云计算的思考

2017中国云计算500强（Cloud500）榜单

上周五 ，Kyligence Cloud正式发布上线。 本周一下午 ，某领先的反欺诈服务商A公司开始使用Kyligence Cloud，当时客户对云上大数据分析还不甚了解。 今天上午 ，该公司已成功通过Kyligence Cloud 从零开始在AWS上构建KAP分析集群，接入Kafka数据源，并为业务出具了分析报表，快速满足了流式大数据分析的业务需求， 前后不到48小时！

对于Kyligence的云产品及快速上手能力，客户表示“ 非常给力 ”！

Kyligence Cloud是一个基于公有云的大数据分析PaaS服务，结合了Kyligence在大数据和云计算领域的核心技术和最佳实践，以更好、更快地满足各行业客户日益增长的分析需求。

A公司作为领先的反欺诈服务商，借助独有的安全技术服务于金融、零售、制造等多领域客户。随着业务的迅猛发展，A公司数据量急剧增加，急需一套端到端的大数据解决方案，这套解决方案需要既能在公有云部署，又可在私有数据中心部署，同时还满足效率高、成本低、安全性高等要求。在了解了Kyligence的解决方案后，A公司选择了Kyligence Cloud。

1

第一天下午

客户A申请了试用Kyligence Cloud，当天即按照用户指南成功创建了架构在AWS中国区的整套服务堆栈，整个过程完全是自助式的。

2

第二天

用户开始从KAP接入已有的Kafka集群获取数据，并开始建模，期间还对Kafka集群进行了扩容等工作。

3

第三天上午

用户成功构建了若干个Cube，并通过KyAnalyzer生成了可视化分析报告，查询性能非常棒，完成了端到端的所有流程！

该用户之前并无使用Apache Kylin或其企业版产品Kyligence Analytics Platform（简称KAP）的经验，整个过程用户无需涉及编程开发，操作之简便、效率之高超出A公司预期。

“本来担心60天的免费期是否够完成端到端的概念验证，现在看来担心完全是多余的。接下来公司会继续深入了解KAP的模型优化和构建优化，并接入更多数据，生成更多适合不同场景的分析应用！”

——A公司相关人士

文/郑凯

一场围绕人工智能的风暴正在扑面而来，AlphaGo显然无法代表我们对智能世界的所有联想。企业和行业，在这场风暴中又将何去何从？

我认为，通向未来的航标应该有两个。一个是智能化，通过AI技术实现智能化，会改变现在的业务流程，智能化将成为衡量传统行业新的标准；二是数据革命，作为驱动人工智能前进的核心动力，也是未来世界新的能源和资源，数据的价值将会被重新定义。

作为SAP新一代分析解决方案，SAP Analytics Cloud从发布时起就致力于重新定义数据的价值。据SAP副总裁，大中华区商务分析总经理徐哲介绍，SAP分析云的目标是提供以‘数据、分析、云’为核心的企业服务，推动创新型增长，引领数字经济的发展。

全数据链条，做到一生万物

老子的《道德经》中说，道生一，一生二，二生三，三生万物。这指的是创生万物的过程，万物不论如何演化,其中都存有最原始的“道”,

显然在未来的智能世界中，最原始的“道”就是数据，那么谁会是那个独特的“一”？

SAP分析云产品研发中心副总裁Ty Miller说，“SAP Analytics Cloud的发布为数字化企业提供了一种可行的方式：单一产品，所有服务。”

这所指的就是将所有分析功能汇聚于一个平台，用这一个产品，覆盖所有的分析服务。这是相当宏大的愿景，SAP分析云可以为企业提供“全链式”的分析服务，涵盖了商业智能，商业规划和商业运行的结合产品。

简单说，这是一个涵盖所有分析功能的服务，从商务分析、计划、预测分析和机器学习，并做到“一生万物”。

如Ty Miller所说，“Analytics Cloud本身就是SAP商业智能，商业规划和商业运行的一个结合产品，在世界范围之内基本上没有其他的竞品存在。其次，Analytics Cloud能够进一步深入连接数据，能够把数据从本地的部署跟云端的服务结合在一起，同时能够预测数据，分析数据，并且根据数据所呈现的结果重新规划或采取行动，这也是我们整个技术的核心。”

不难看出，SAP分析云其实早已超越了传统意义上的BI，按照徐哲的说法，“分析云不仅包括BI，还包括预测性分析，机器学习，计划等功能，并集成了丰富的行业知识库和业务线模板，是超出BI的模式之上的新业务平台。”

同时，SAP分析云能够做到极简，这也代表着易用，它支持混合部署方式，客户在本地部署的应用，可以轻松通过SAP提供的分析云，在云端完成数据分析服务，这让客户走向混合云的道路变得简单。

用一个产品，提供全数据链条的分析服务，这就是做到“一生万物”的SAP分析云最为独特的竞争力。

帮助客户跟上数字化带来的快节奏

中信戴卡股份有限公司CIO黄小兵的观点认为，“数据的量，数据的质量是数据价值的基础”。 可见，行业用户已经意识到数据价值对企业数字化转型的重要性。

而数据的大爆炸也带来了企业转型的快节奏。Ty Miller说，“我们已经发现我们现在这个世界变化的非常快，接下来的三年，对于很多企业家来说，可能要比过去50年发展更加重要。”

据IDC预测，到2020年全球数字化转型相关的行业增加值将达到18万亿美元，在全球有46%的企业将促进数字化业务发展作为未来一年内的首要业务优先级，而在中国这个比例数值是69%。

从中国市场的角度看，中国的数字化转型虽然有巨大动力，但是压力更大。“数字化和更多技术带来了很多变化，数字化的企业盈利能力更加强，但是现在只有50%的公司有自信认为其在数字化方面有很强的竞争优势。” Ty Miller。

在未来，电信，交通运输，物流，零售，医疗，还有各种各样的行业中都不可避免，要受到颠覆性数据创新的影响。而SAP分析云就是为企业提供挖掘数据价值的能力，在数字化的战场上能够立于不败之地。

欧美用户相对保守一些，要保证客户数据在本地，经过加工后上传到云端。SAP对中国客户还有新的模式，核心应用还是在本地，将安全要求不高的数据放在云上。

对企业来说，SAP分析云应该有两个好处。其一是服务的云化。过去有很多分析工具是运行在本地。徐哲告诉我，”大客户开始对分析云是有抵触的，它们不愿意把业务分析放在云端。但现在越来越多的大行业开始选择分析云。”

因为云端的分析，不仅可以更好地满足不断变化的系统可扩展性及性能要求，还可以做到灵活的付费，从2018年开始，客户可以在SAP的单一订单上同时购买云和本地部署的许可证，并且同时使用这两种解决方案,可以不需要进行转换许可证的操作。

其二是跨平台和跨行业的无障碍，无论企业采取什么样的云端部署方式，公有云、私有云或者混合云，企业处于什么样的行业。都可以通过SAP分析云得到完美的解决方案和不同云部署方式的需求。

这两个支点也决定了，SAP分析云能够在企业数字化转型中，成为数据价值挖掘的有力武器，并帮助企业在快节奏的企业转型中，跟上时代的步伐。

让合作生态自然生长

从传统软件时代起，SAP就是一家善于做生态的公司。同样，对于SAP分析云，SAP希望构建一个SAPAnalytics Cloud生态联盟。这个联盟是SAP的一个宏伟构想，其宗旨是联合解决方案合作伙伴、商业创新合作伙伴等建立合作共赢的生态系统，为企业提供丰富的SaaS应用。

徐哲告诉我，“在中国区，开始是从SAP传统业务的合作伙伴，来培养成为分析云的合作伙伴，慢慢发展出独立的分析云的渠道团队，因为云的体量没有那么大，执行周期也不长，所以很多友商的合作伙伴，也很愿意和SAP进行合作。”

看起来，SAP Analytics Cloud生态联盟的建设要比预想来得容易。上海文沥信息技术有限公司是最早与SAP分析云进行合作的生态伙伴之一，经过短短不到两个月的时间，文沥就基于SAP Analytics Cloud开发了新一代渠道管理产品ABC，可见云服务的模式不仅让生态自然生长，更推动了合作伙伴与SAP的联合创新。

徐哲也说，“SAP Analytics Cloud是超出传统商业智能服务模式之上的新业务平台，它提供了更简单，更快，更便宜，更安全地在云端采用数据分析的能力。在这个过程中，SAP也希望让更多的合作伙伴能够一起合作，打造一个全新的共赢模式。”

为此，SAP为加入生态联盟的合作伙伴提供不同级别的技术培训和技术支持；提供多种模式的联合创新，快速将商业创想转变为真正的商业应用；通过统一的SAP Analytics Cloud生态联盟平台 analytics-cloud 对联盟成员的应用进行管理、展示和推广。比如，在全球合作伙伴创新日，会给合作伙伴打造社区的体验，让全球不同的合作伙伴来分享它们的经历，实现一个真正的生态价值。

“这个生态联盟，我们希望是一个自然的生态链，可能客户拿到一个合作，根本不知道背后是SAP。我们完全成为一种能力，通过合作伙伴赋能给客户。”徐哲说。

总的来说，智能时代必然是数据驱动，而实现了对数据价值全面释放的SAP分析云，毫无疑问将是企业智能化转型的助推器。

去年，阿里云将中国的计算方式推向全球，百度首次向全社会展示了百度大脑的科技成果，移动互联网的迅速崛起，预示着互联网正在逐步进入到智能时代，云计算、大数据、人工智能的进步将推动人类社会迎来变革性的发展。

无论是计算机产业，还是其他制造领域，技术层面的成熟都是推动行业飞速发展的基础。如果在一个新的技术创新时代，在硬件和软件上没有达到产业的要求，时代的产业基础将变得十分薄弱，而从产业政策角度分析，当技术累积到一定程度时，产业政策的出台也会变成一种必然。

就像为了刺激云计算的发展，国务院相继出台了《关于促进云计算创新发展培育信息产业新业态的意见》、《云计算白皮书2016》等，当然国务院出台这些政策绝非偶然，是在其背后众多云计算相关从业者共同努力的结果。

作为云计算运行的基础，大数据主要来源于政府、企业和消费者三个方面。政府对数据进行授权，但由于法制的不健全，政府数据被大量滥用，消费者的数据在流量入口处被自动抓取，数据提供商可以提供所有维度的数据，但并不是全部。

中国有高达7亿的大规模网民群体，每人每时每刻都在产生着数据，中国的数据市场还远远没有达到平衡点，未来还将继续保持高速增长的态势，另一个方面，企业经济增长模式的改变，也使得企业对大数据应用的需求在不断提高，更加强调数据的专业性和实用性。

给大家推荐的一些用于数据分析的“必备神器”

数据可视化工具：

百度ECharts：http://echarts.baidu/

Cytoscape：http://cytoscape.org/

图表秀：http://tubiaoxiu/

数据观：http://shujuguan/

微博足迹可视化：http://vis.pku.edu/weibova/weibogeo_footprint/index.html

BDP个人版：https://me.bdp/home.html

ICHarts：http://icharts.in/

魔镜：http://moojnn/

词频分析工具：

Rost：http://cncrk/downinfo/54638.html

图悦：http://picdata/

语义分析系统：http://ictclas.nlpir.org/nlpir/

Tagul：https://tagul/

腾讯文智：http://nlp.qq/semantic.cgi

Tagxedo词云：http://tagxedo/

舆情分析工具：

清博舆情系统：http://yuqing.gsdata/

云相：http://weidata/

PPT模板工具：

我图网：http://so.ooopic/

51PPT模板：http://51pptmoban/ppt/

无忧PPT：http://51ppt/

第1PPT：http://1ppt/

站长之家：http://sc.chinaz/ppt/

设计师网址导航：http://userinterface/

互联网趋势分析工具：

微博指数：http://data.weibo/index

百度指数：http://index.baidu/

好搜指数：http://index.so/#index

搜狗指数：http://zhishu.sogou/

百度预测：http://trends.baidu/

在线调查工具：

腾讯问卷调查：http://wj.qq/

麦客：http://mikecrm/

ICTR：http://cn2.ictr/

问道网：http://askform/

问卷星：http://sojump/

调查派：http://diaochapai/

问卷网：http://wenjuan/

SurveyMonkey：https://zh.surveymonkey/

网站分析监测工具：

H5传播分析工具：http://chuanbo.datastory/

百度统计：http://tongji.baidu/web/welcome/login

腾讯云分析：http://mta.qq/

51.la：http://51.la/

社交媒体监测工具：

孔明社会化媒体管理：http://kmsocial/

企业微博管理中心：http://e.weibo/

知乎用户深度分析：http://kanzhihu/useranalysis

其他数据网站：

数据分析网：http://afenxi

媒体微博排行榜：http://v6.bang.weibo/xmt

友盟：http://umeng/

中国新闻地图：http://vis.360/open/cnnews/

中国票房榜：http://cbooo/

收视率排行：http://tvtv.hk/archives/category/tv

农业大数据云平台：http://dataagri/agriculture/gis.action

房价指数：http://industry.fang/data/datacenter.aspx

中国统计局：http://data.stats.gov/

中国主要城市拥堵排名：http://report.amap/traffic/

中国综合社会调查：http://chinagss.org/

中国P2P网贷指数：http://p2p001/wdzs/wdzs_p2pline.html

Alexa：http://alexa/

易车汽车指数：http://index.bitauto/

旅游预测：http://trends.baidu/tour/

以上就是给大家推荐的一些用于数据分析的“必备神器”，其中很多工具是亲测过认为非常强大的，希望大家能从中找到对自己有帮助的工具。

T客汇官网：tikehui

撰文 | 张珅健

70.1%的受访者表示，云是分析战略的重要组成部分，21.6%的受访者认为，作为分析采用的一部分，云是必要的。

最高级别的云通过数据集成（61.1%）和数据仓库（55.8%）实现的数据的迁移和存储。

83.1%的受访者表示拥有移动分析的部署

大型企业正在经历从协作到加强业务过程和战略方面的，将分析应用转换到云端的过程。

上述以及下文的观点均分析自2016云分析产业报告。该报告采访了402名企业管理层人员，其中25.6％为高级管理人员，其次是C级高管（23.6％）和高级主管/经理（20.9％），提供了对当前和未来云计划的分析。EMA研究总监Lyndsay Wise表示：“我们研究的关键是，随着公司首次云分析工具的成功部署，云的采用正在迅速扩大，并转向建立更成熟的环境和更广泛的应用。”

本文将对报告的几个关键点进行解读：

加强业务流程（23.5％），改善客户体验（22.2％）和更好的协作（19.1％）是云分析被采用的前三大业务驱动因素。业务部领导和IT部门紧密合作，定义云分析策略，加速和改进业务流程，同时保持内部需求。获得竞争优势，研发（14％），更好的分析交付（7.4％）和减少资本支出（CAPEX）和总体成本（7.4％）是促进云分析被采用的额外业务驱动因素。

60.1%的大型企业会使用混合云平台和公有云平台执行大数据分析，在受访者中比使用其他数据分析方式的都要多。58.6%的受访者依靠混合和共有云平台来实现自助可视化数据发掘。AWS在数据库和数据仓库方面的服务和技术都处于业内领先地位，研究发现数据仓库现代化是公有云平台的首要诉求（29.6%），这也反映了现在AWS市场的统治地位。

大型企业云分析的使用能力越强，自助服务部署的需求就会越强。大型企业在云分析方面成熟的越快，他们从协作到加强业务流程和战略的过程就越快。从定义上讲，能力强的公司是指拥有5个或以上分析类项目的公司。这项分析的关键点是，在有五个或以上项目同时进行的公司里，自助服务是首选战略。自助服务能够推动更大的云分析市场份额。

83.1%的受访者表示已经采用移动分析的部署。研究发现云部署率的增加和云端存储的流行推动了移动端的全球部署。而且与之前所有云分析研究报告一致的是财务，供应商很难提供实时可操作的相关数据。

降低成本（19.5%）、数据安全（15.1%）以及协作（14.4%）是驱动云分析发展的前三位要素。提高灵活性（13.1%）、全球访问（12.6%）和扩展性（11.2%）排名仅次于上述三个。研究发现软件维护时间和成本的减少，以及不需要安装的特性是成本降低的重要原因。

部署成本（47.6%）、降低使用成本（30.8%）和资本支出/运营成本降低（21.3%）是推动云分析部署的三大财务诱因。部署成本包括降低的部署费用和硬件/基础设施的成本。

大型企业对云分析的使用程度越重，数据集成和数据管控就越重要。随着大型企业致力于更多的基于云分析的计划和战略，他们对传统本地部署和私有云数据库集成的优先级就会越高。这与许多其他云分析采用的报告结果一致。数据集成和数据管控是建立安全可扩展云基础架构的及时。自助服务使大型企业能够最有效的采用分析技术创建数据源和模型，从而能通过云分析上的投资获取更大的价值。

（图片来源于网络）

作者：苏格兰折耳喵

来源： 运营喵是怎样炼成的 （yymzylc）

（温馨提示：图片显示毛糙和不清楚，是分辨率过高的缘故，点击图片，即可看到高清大图。 ）

本文将对一个案例进行从数据采集、数据清洗、数据分析再到数据可视化的全流程分析，力求条理清晰的展现外部数据分析的强大威力。以下是本文的写作框架：

1 分析背景

1.1 分析原理---为什么选择分析虎嗅网

在现今数据爆炸、信息质量良莠不齐的互联网时代，我们无时无刻不身处在互联网社会化媒体的“信息洪流”之中，因而无可避免的被它上面泛滥的信息所“裹挟”，也就是说，社会化媒体上的信息对现实世界中的每个人都有重大影响，社会化媒体是我们间接了解现实客观世界和主观世界的一面窗户，我们每时每刻都在受到它的影响。

综合上述两类情形，可以得出这样的结论，透过社会化媒体，我们可以观察现实世界：

由此， 社会化媒体是现实主客观世界的一面镜子，而它也会进一步影响人们的行为，如果我们对该领域中的优质媒体所发布的信息进行分析，除了可以了解该领域的发展进程和现状，还可以对该领域的人群行为进行一定程度的预判。

鉴于此种情况，作为互联网从业者的笔者想分析一下互联网行业的一些现状，于是想到了虎嗅网。

虎嗅网创办于2012年5月，是一个聚合优质创新信息与人群的新媒体平台。该平台专注于贡献原创、深度、犀利优质的商业资讯，围绕创新创业的观点进行剖析与交流。虎嗅网 的核心，是关注互联网及传统产业的融合、一系列明星公司（包括公众公司与创业型企业）的起落轨迹、产业潮汐的动力与趋势。

因此，对该平台上的发布内容进行分析，对于研究互联网的发展进程和现状有一定的实际价值。

1.2 本文的分析目的

笔者在本项目中的分析目的主要有4个：

（1）对虎嗅网内容运营方面的若干分析，主要是对发文量、收藏量、评论量等方面的描述性分析；

（2）通过文本分析，对互联网行业的一些人、企业和细分领域进行趣味性的分析；

（3）展现文本挖掘在数据分析领域的实用价值；

（4）将杂芜无序的结构化数据和非结构化数据进行可视化，展现数据之美。

1.3 分析方法---分析工具和分析类型

本文中，笔者使用的数据分析工具如下：

Python3.5.2（编程语言）

Gensim（词向量、主题模型）

Scikit-Learn（聚类和分类）

Keras（深度学习框架）

Tensorflow（深度学习框架）

Jieba(分词和关键词提取)

Excel（可视化）

Seaborn（可视化）

新浪微舆情（情绪语义分析）

Bokeh（可视化）

Gephi（网络可视化）

Plotly（可视化）

使用上述数据分析工具，笔者将进行2类数据分析：第一类是较为传统的、针对数值型数据的描述下统计分析，如阅读量、收藏量等在时间维度上的分布；另一类是本文的重头戏---深层次的文本挖掘，包括关键词提取、文章内容LDA主题模型分析、词向量/关联词分析、DTM模型、ATM模型、词汇分散图和词聚类分析。

2 数据采集和文本预处理

2.1 数据采集

笔者使用爬虫采集了来自虎嗅网主页的文章（并不是全部的文章，但展示在主页的信息是主编精挑细选的，很具代表性），数据采集的时间区间为2012.05~2017.11，共计41,121篇。采集的字段为文章标题、发布时间、收藏量、评论量、正文内容、作者名称、作者自我简介、作者发文量，然后笔者人工提取4个特征，主要是 时间特征 （时点和周几）和 内容长度特征 （标题字数和文章字数），最终得到的数据如下图所示:

2.2 数据预处理

数据分析/挖掘领域有一条金科玉律：“Garbage in, Garbage out”，做好数据预处理，对于取得理想的分析结果来说是至关重要的。本文的数据规整主要是对文本数据进行清洗，处理的条目如下：

（1） 文本分词

要进行文本挖掘，分词是最为关键的一步，它直接影响后续的分析结果。笔者使用jieba来对文本进行分词处理，它有3类分词模式，即全模式、精确模式、搜索引擎模式：

· 精确模式：试图将句子最精确地切开，适合文本分析；

· 全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义；

· 搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

现以“新浪微舆情专注于社会化大数据的场景化应用”为例，3种分词模式的结果如下：

【全模式】: 新浪/ 微舆情/ 新浪微舆情/ 专注/于/ 社会化/ 大数据/ 社会化大数据/ 的/ 场景化/ 应用

【精确模式】: 新浪微舆情/ 专注/于/ 社会化大数据/ 的/ 场景化/ 应用

【搜索引擎模式】：新浪，微舆情，新浪微舆情，专注，于，社会化，大数据，社会化大数据，的，场景化，应用

为了避免歧义和切出符合预期效果的词汇，笔者采取的是精确（分词）模式。

（2） 去停用词

这里的去停用词包括以下三类：

标点符号：， 。！ /、*+-

特殊符号：▲等

无意义的虚词： “the”、“a”、“an”、“that”、“你”、“我”、“他们”、“想要”、“打开”、“可以”等

（3） 去掉高频词、稀有词和计算Bigrams

去掉高频词、稀有词是针对后续的主题模型（LDA、ATM）时使用的，主要是为了排除对区隔主题意义不大的词汇，最终得到类似于停用词的效果。

Bigrams是为了自动探测出文本中的新词，基于词汇之间的共现关系---如果两个词经常一起毗邻出现，那么这两个词可以结合成一个新词，比如“数据”、“产品经理”经常一起出现在不同的段落里，那么，“数据_产品经理”则是二者合成出来的新词，只不过二者之间包含着下划线。

3 描述性分析

该部分中，笔者主要对数值型数据进行描述性的统计分析，它属于较为常规的数据分析，能揭示出一些问题，做到知其然。

3.1 发文数量、评论量和收藏量的变化走势

从下图可以看出，在2012.05~2017.11期间，以季度为单位，主页的发文数量起伏波动不大，在均值1800上下波动，进入2016年后，发文数量有明显提升。

此外，一头（2012年第二季）一尾（2017年第四季）因为没有统计完全，所以发文数量较小。

下图则是该时间段内收藏量和评论量的变化情况，评论量的变化不愠不火，起伏不大，但收藏量一直在攀升中，尤其是在2017年的第二季达到峰值。收藏量在一定程度上反映了文章的干货程度和价值性，读者认为有价值的文章才会去保留和收藏，反复阅读，含英咀华，这说明虎嗅的文章质量在不断提高，或读者的数量在增长。

3.2 发文时间规律分析

笔者从时间维度里提取出“周”和“时段”的信息，也就是开题提到的“人工特征”的提取，现在做文章分布数量的在“周”和“时”上的交叉分析，得到下图：

上图是一个热力图，色块颜色上的由暖到冷表征数值的由大变小。很明显的可以看到，中间有一个颜色很明显的区域，即由“6时~19时”和“周一~周五”围成的矩形，也就是说，发文时间主要集中在工作日的白天。另外，周一到周五期间，6时~7时这个时间段是发文的高峰，说明虎嗅的内容运营人员倾向于在工作日的清晨发布文章，这也符合它的人群定位---TMT领域从业、创业者、投资人，他们中的许多人有晨读的习惯，喜欢在赶地铁、坐公交的过程中阅读虎嗅讯息。发文高峰还有9时-11时这个高峰，是为了提前应对读者午休时间的阅读，还有17时~18时，提前应对读者下班时间的阅读。

3.3 相关性分析

笔者一直很好奇，文章的评论量、收藏量和标题字数、文章字数是否存在统计学意义上的相关性关系。基于此，笔者绘制出能反映上述变量关系的两张图。

首先，笔者做出了标题字数、文章字数和评论量之间的 气泡图 （圆形的气泡被六角星替代，但本质上还是气泡图）。

上图中，横轴是文章字数，纵轴是标题字数，评论数大小由六角星的大小和颜色所反映，颜色越暖，数值越大，五角星越大，数值越大。从这张图可以看出，文章评论量较大的文章，绝大部分分布于由文章字数6000字、标题字数20字所构成的区域内。虎嗅网上的商业资讯文章大都具有原创、深度的特点，文章篇幅中长，意味着能把事情背后的来龙去脉论述清楚，而且标题要能够吸引人，引发读者的大量阅读，合适长度标题和正文篇幅才能做到这一点。

接下来，笔者将收藏量、评论量和标题字数、文章字数绘制成一张3D立体图，X轴和Y轴分别为标题字数和正文字数，Z轴为收藏量和评论量所构成的 平面 ，通过旋转这个3维的Surface图，我们可以发现收藏量、评论量和标题字数、文章字数之间的相关关系。

注意，上图的数值表示和前面几张图一样，颜色上的由暖到冷表示数值的由大到小，通过旋转各维度的截面，可以看到在正文字数5000字以内、标题字数15字左右的收藏量和评论量形成的截面出现“华山式”陡峰，因而这里的收藏量和评论量最大。

3.4 城市提及分析

在这里，笔者通过构建一个包含全国1~5线城市的词表，提取出经过预处理后的文本中的城市名称，根据提及频次的大小，绘制出 一张反映城市提及频次的地理分布地图 ， 进而间接地了解各个城市互联网的发展状况（一般城市的提及跟互联网产业、产品和职位信息挂钩，能在一定程度上反映该城市互联网行业的发展态势）。

上图反映的结果比较符合常识，北上深广杭这些一线城市的提及次数最多，它们是互联网行业发展的重镇。值得注意的是，长三角地区的大块区域（长江三角洲城市群，它包含 上海 ， 江苏省 的 南京 、 无锡 、 常州 、 苏州 、 南通 、 盐城 、 扬州 、 镇江 、 泰州 ， 浙江省 的 杭州 、 宁波 、 嘉兴 、 湖州 、 绍兴 、 金华 、 舟山 、 台州 ， 安徽省 的 合肥 、 芜湖 、 马鞍山 、 铜陵 、 安庆 、 滁州 、 池州 、 宣城 ）呈现出较高的热度值，直接说明这些城市在虎嗅网各类资讯文章中的提及次数较多，结合国家政策和地区因素，可以这样理解地图中反映的这个事实：

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

长三角城市群是“一带一路”与长江经济带的重要交汇地带，在中国国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位。中国参与国际竞争的重要平台、经济社会发展的重要引擎，是长江经济带的引领发展区，是中国城镇化基础最好的地区之一。

接下来，笔者将抽取文本中城市之间的 共现关系 ，也就是城市之间两两同时出现的频率，在一定程度上反映出城市间经济、文化、政策等方面的相关关系，共现频次越高，说明二者之间的联系紧密程度越高，抽取出的结果如下表所示：

将上述结果绘制成如下动态的流向图：

由于虎嗅网上的文章大多涉及创业、政策、商业方面的内容，因而这种城市之间的共现关系反映出城际间在资源、人员或者行业方面的关联关系，本动态图中，主要反映的是北上广深杭（网络中的枢纽节点）之间的相互流动关系和这几个一线城市向中西部城市的单向流动情形。流动量大、交错密集的区域无疑是中国最发达的3个城市群和其他几个新兴的城市群：

京津冀城市群

长江三角洲城市群

珠江三角洲城市群

中原城市群

成渝城市群

长江中游城市群

上面的数据分析是基于数值型数据的描述性分析，接下来，笔者将进行更为深入的文本挖掘。

4 文本挖掘

数据挖掘是从有结构的数据库中鉴别出有效的、新颖的、可能有用的并最终可理解的模式；而文本挖掘（在文本数据库也称为文本数据挖掘或者知识发现）是从大量非结构的数据中提炼出模式，也就是有用的信息或知识的半自动化过程。

本文的文本挖掘部分主要涉及高频词统计/关键词提取/关键词云、文章标题聚类、文章内容聚类、文章内容LDA主题模型分析、词向量/关联词分析、ATM模型、词汇分散图和词聚类分析。

4.1 关键词提取

对于关键词提取，笔者没有采取词频统计的方法，因为词频统计的逻辑是：一个词在文章中出现的次数越多，则它就越重要。因而，笔者采用的是 TF-IDF （termfrequency–inverse document frequency）的关键词提取方法：

它用以评估一字/词对于一个文件集或一个语料库中的其中一份文件的重要程度，字/词的重要性会随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

由此可见，在提取某段文本的关键信息时，关键词提取较词频统计更为可取，能提取出对某段文本具有重要意义的关键词。

下面是笔者利用jieba在经预处理�...

大数据产业正在用一个超乎我们想象的速度蓬勃发展，在上个月贵阳的数博会上，让全世界感受到了大数据的巨大魅力。借助大数据的风口，云计算和人工智能也同时走进我们的视野，他们三者之间有着不可分割相互影响的关联。

大数据的概念

大数据，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。简言之，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。明白这一点至关重要，也正是这一点促使该技术具备走向众多企业的潜力。

大数据时代已经来临，它将在众多领域掀起变革的巨浪。但我们要冷静的看到，大数据的核心在于为客户挖掘数据中蕴藏的价值，而不是软硬件的堆砌。因此，针对不同领域的大数据应用模式、商业模式研究将是大数据产业健康发展的关键。我们相信，在国家的统筹规划与支持下，通过各地方政府因地制宜制定大数据产业发展策略，通过国内外IT龙头企业以及众多创新企业的积极参与，大数据产业未来发展前景十分广阔。进充分利用大数据的价值。

云计算的概念

云计算是基于互联网的相关服务的增加、使用和交付模式，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。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。云是网络、互联网的一种比喻说法。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。因此，云计算甚至可以让你体验每秒10万亿次的运算能力，拥有这么强大的计算能力可以模拟核爆炸、预测气候变化和市场发展趋势。用户通过电脑、笔记本、手机等方式接入数据中心，按自己的需求进行运算。

人工智能的概念

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

大数据、云计算、人工智能三者间的关系

物联网是互联网的应用拓展，与其说物联网是网络，不如说物联网是业务和应用。因此，应用创新是物联网发展的核心，以用户体验为核心的创新是物联网发展的灵魂。

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。

大数据相当于人的大脑从小学到大学记忆和存储的海量知识，这些知识只有通过消化，吸收、再造才能创造出更大的价值。

人工智能打个比喻为一个人吸收了人类大量的知识（数据），不断的深度学习、进化成为一方高人。人工智能离不开大数据，更是基于云计算平台完成深度学习进化。

简单总结：通过物联网产生、收集海量的数据存储于云平台，再通过大数据分析，甚至更高形式的人工智能为人类的生产活动，生活所需提供更好的服务。这必将是第四次工业革命进化的方向。

云计算与大数据

从技术上看,大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理,必须采用分布式计算架构。它的特色在于对海量数据的挖掘,但它必须依托云计算的分布式处理、分布式数据库、云存储和虚拟化技术。

人工智能与大数据

如果我们把人工智能看成一个嗷嗷待哺拥有无限潜力的婴儿，某一领域专业的海量的深度的数据就是喂养这个天才的奶粉。奶粉的数量决定了婴儿是否能长大，而奶粉的质量则决定了婴儿后续的智力发育水平。

与以前的众多数据分析技术相比，人工智能技术立足于神经网络，同时发展出多层神经网络，从而可以进行深度机器学习。与以外传统的算法相比，这一算法并无多余的假设前提（比如线性建模需要假设数据之间的线性关系），而是完全利用输入的数据自行模拟和构建相应的模型结构。这一算法特点决定了它是更为灵活的、且可以根据不同的训练数据而拥有自优化的能力。

但这一显著的优点带来的便是显著增加的运算量。在计算机运算能力取得突破以前，这样的算法几乎没有实际应用的价值。大概十几年前，我们尝试用神经网络运算一组并不海量的数据，整整等待三天都不一定会有结果。但今天的情况却大大不同了。高速并行运算、海量数据、更优化的算法共同促成了人工智能发展的突破。这一突破，如果我们在三十年以后回头来看，将会是不弱于互联网对人类产生深远影响的另一项技术，它所释放的力量将再次彻底改变我们的生活。

人工智能与云计算

人工智能是程序算法和大数据结合的产物。而云计算是程序的算法部分，物联网是收集大数据的根系的一部分。可以简单的认为：人工智能=云计算+大数据（一部分来自物联网）。随着物联网在生活中的铺开，它将成为大数据最大，最精准的来源。

现在已进入大数据、云计算、人工智能时代，我们必须弄清楚他们的本质，抓住机遇，跟上趋势，创新发展，才能高科技的发展大潮中立于不败之地。

大数据：藏在啤酒和尿布背后的秘密; 云计算：物联网的隐形大脑

我们提到物联网，就不得不把它与现在非常火热的另一个概念联系起来，那就是“大数据”。

大数据是怎么一回事呢？有一个为人津津乐道经典案例，就是啤酒与尿布的例子。一家美国超市把尿布与啤酒这两种风马牛不相及的商品居然摆在一起，但这一奇怪的举措居然使尿布和啤酒的销量大幅增加了。原来，美国的妇女通常在家照顾孩子，所以她们经常会嘱咐丈夫在下班回家的路上为孩子买尿布，而丈夫在买尿布的同时又会顺手购买自己爱喝的啤酒。

在这个案例里面，丈夫的行为被预测出来，其预测的依据是根据长期经验所得的。假定不在尿布旁边放啤酒，爱喝酒的丈夫可能也会去买，但嫌麻烦或者酒瘾不那么大的丈夫可能就只会买了尿布就走，而想不到去买啤酒。因而，大数据就此产生了经济价值。当然，这背后基本是一个零和游戏，这家超市的啤酒销售得多了，别家超市卖得就少了。

腾讯的QQ我们都用过，它能够把我们久未联系的老同找出来，推荐给我们去联系，但也会把你的前女友推荐给你的未婚妻认识。而淘宝在我们买东西的时候会把相关产品推荐给我们，还会告诉我们诸如某省狮子座最败家、某省水瓶座最花心、某省天蝎座最抠门这样的信息。而百度则会对人们使用关键字搜索进行排名，从而让更多人知道最近大家的关注点在哪里。

显然，这些数据或多或少已经开始影响我们的生活。而在未来，万物联网产生的数据量与现在人们通过互联网活动产生的数据量不可同日而语，开发的价值也会更加巨大。比如我们现在的手环、手表读取我们的心率、运动量等数据，仅仅是反馈给我们让我们管理自身健康。而未来随着大数据的分析能力增强，加上能够互动的设备增多，那么这些数据就变成了健康服务，甚至能提前预防疾病发生。

反过来，大数据的处理能力能力会反过来帮助物联网实现智能控制和产品改进。比如，我们的智能家居的学习功能，可以看做是对用户一段时间的行为数据的收集，然后通过特定算法得出主人的喜好从而自己完成对家庭环境的控制。

前面讲了大数据，那么还有另一个大数据的亲兄弟不得不讲，那就是云计算。从成本和实际效果来考虑，其实很多物联网设备并不需要太多的计算能力，只要能够取得数据并反馈给上层具有计算能力的数据处理中心就好了，多一点的还有能够通过从计算中心获取的指令完成某些活动就可以了。

那么，这些数据谁谁在处理呢，他们又是怎么处理的呢，这里就要提到云计算的概念。云计算被认为是一种革命性的计算方法，是继大型计算机到客户端-服务器的大转变之后的又一关于计算方式的重大转变。

举一个不那么恰当但比较好理解得例子。使用过QQ远程助手的朋友大概可以体验云计算，你在QQ提供的界面里面访问对方的电脑，使用对方的软件。云计算大概也可以看做这么种方式，不过对方的电脑变成了处理能力超强的云计算中心，而处理方式更加复杂一些。

云计算给我们带来了全新的解决思路。由于通讯技术的不断发展，我们的计算不一定要在本地进行。比如，在远程操作的例子，哪怕你的电脑没有安装一个程序，你仍然能够获得这个程序的使用结果。而我们平时收发邮件，这些邮件存储在我们的邮箱里，而不是在我们的电脑上，这其实可以视作早期的云服务。这种理念，简单概括起来就是“网络即电脑”。只要有网络，我们就能获得更高的运算能力。

目前云计算还处于基础阶段，现在的云计算被分为三层：基础设施即服务（IaaS），平台即服务（PaaS）和软件即服务（SaaS）。基础设施可以看做是我们的电脑主机，其实质是大规模的主机集群。平台的地位大致相当于我们的计算机系统，类似于windos，是开发和运行程序的基础。软件服务我们就明白多了，微信、游戏客户端、美图秀秀这样的都是软件。

借助云计算，企业的管理成本将降低。由于云计算的作用，一些企业不用浪费金钱和精力建立自己的数据处理中心，而将自己的一些数据和企业管理软件放在公共的云服务器上；而另一些企业对于数据的安全性和专业性等要求较高，于是自建云服务器，于是有了公有云、私有云、的概念之别；有一些私有云并不能满足企业的运算需求，向公有云服务器寻求支持，于是就有了混合云的提法。

同时，云计算中心能够根据实际需求来安排服务器的运算，让整个计算中心保持高效的运作，避免了运算资源的浪费。除此之外，云计算的好处在于按使用付费。这就是说，你可以按照实际需要的存储空间或者运算能力购买云服务。这是云服务诞生之初的“电厂模式阶段”就提出的理念，即把计算能力当做像水、电这样的产品来出售。现在基本已经变成现实，而在未来，个人用户也将慢慢感受到这种全新方式给生活带来的改变。

讲了这么多云计算，那么云计算和物联网是是怎么结合起来的呢？前面我们已经提到，我们的物联网设备只需要能够联网，云计算就能够通过网络为我们的设备提供数据处理能力。其次，大数据的运用对物联网来说十分重要，而云计算和大数据分析就像一枚硬币的两面密不可分。

比如智能家居系统，其一部分运算其实就是依托云服务器，因为我们的家里面的数据处理中心（电脑或手机）没有必要一直保持开机状态。而更多的诸如交通系统、工厂制造系统、社区服务系统等等都将依托于私有云或者公有云的服务。除了这些，我们前面提到云计算还是打通各种物联网标准的有效手段，两个采用不同技术标准的设备也具有了互相交换数据的可能，简单说来，就像你在网上和一个外国人聊天，哪怕你不懂他的语言，只要通过相应的翻译软件，就能够理解对方的意思了。