中国电信集团公司（以下称中国电信）是全球最大规模的基础电信网络运营商。通过各省市人力资源管理系统的建立，中国电信实现了全集团机构设置与人员总量的全面盘点，规范了各省人力资源业务处理流程，完善了内部控制与管理体系。当今电信业面临的竞争越来越激烈，大数据、云计算、移动应用等新趋势方兴未艾，中国电信在提高自身运营效率的同时，还要加快新的业务模式和服务转型。

2014年中国电信再次携手用友，电信通过集中MSS人力系统的建设，为 人力资源的战略、运作、支撑与服务四大体系提供有效的系统支撑和保障。中 国电信提出了“控规模、调结构、提能力、转机制、促和谐”的人力资源管理 方针，希望建设一支精干高效、结构合理、素质优良、充满活力、和谐稳定的 综合信息服务人员队伍，实现持续提升人力资源管理价值，有效推动企业战略 转型的目标。

中国电信人力资源管理新挑战

中国电信业务不断拓展，组织变革日益深化的同时，新环境和新挑战也层出不穷。基于内外部因素的综合考虑，中国电信明确提出要建设新的信息系统来帮助人力资源管理的转型升级。

新的人力资源管理系统需要建设一个以业务信息管理为基础、业务过程控制管理为核心的统一架构平台。该平台要求能够支持工作流管理、支持业务流程重组、支持异构系统集成、支持多数据库系统、提供可视化建模工具；减少信息系统开发的风险、降低开发成本，可快速构建应用软件；支持企业在发展过程中各类需求变化，提高应用价值。既满足集团公司对全集团人力资源管理的要求，也符合各级单位的人力资源管理的业务功能需求，以提升中国电信人力资源各相关部门的管理水平，最大限度地发挥中国电信人力资源信息系统的作用。

分布+集中的人力资源管控平台

中国电信人力资源管理系统是采用各省公司独立部署一套HR业务系统 + 总部部署数据仓库及BI系统的模式。该应用模式并不抑制省级公司及其下级单 位分级管理特点，同时总部通过数据仓库及BI构建全集团人力资源数据中心， 及时掌握全集团人力资源动态。

系统规范了全集团人力资源基础规范，理顺了中国电信的业务流程，将整个人力资源业务操作进行规范化，流程化，达到集团范围内流程规范统一，提升整个人力资源管理业务的标准化。在此基础上构建了中国电信人力资源管理的基础应用平台、业务处理平台及数据交互平台。

基础应用平台是系统的应用基础，包括自定义查询、预警管理、权限管理、模版管理和二次开发平台。自定义查询主要是通过用户定制动态实现用户各种统计分析报表；预警管理主要是对人力资源管理中的一些事项进行定制预警，如对合同到期、员工生日、调配离职到期、员工试用到期等进行事先的提醒，并支持多种提示方式（如系统登录、手机短信、及时消息、电子邮件等）；权限管理主要解决总公司和下属单位的授权、数据权限、字段权限的限制，系统通过权限管理构建了系统自身的安全机制；模版管理中，总公司和下属单位可以根据自身的管理需求，定义自身所需的人事卡片、员工花名册、报表打印格式以及查询内容等；为保障系统的开放性和扩张性，系统提供二次开发平台，允许总公司和下属单位进行二次开发工作。

业务处理平台由业务处理、流程处理、和网上自助部分构成。业务处理主要是人力资源管理的事务性处理，即基础档案信息的管理，如组织机构管理、员工基础信息管理和薪资福利管理；流程处理主要是在规范的业务流程的基础上进行人力资源管理的日常事务处理，如员工变动管理、休假管理、出差管理、考勤管理和加班管理；网上自助主要满足不同管理层次的人员进行网上的查询管理、网上事务处理，如总经理自助、直线经理自助和员工自助；综合报表主要是为了定制人事统计报表，同时可以实现下属单位的在线填报、总公司实施汇总和统计分析。

数据交换平台主要是满足省公司人力资源系统（含异构系统）向总部数据仓库进行数据归集，同时对外部业务系统提供人力资源基础数据，如组织信息、人员信息等。

“大数据”分析助力科学决策

通过人力资源管理系统，中国电信最终实现了全集团机构设置与人员总量的全面盘点。项目建设过程中盘点梳理了全国各省级公司60余万名员工的信 息，形成了超大型组织机构与部门岗位基础应用框架及人员信息管理平台，并 利用数据分析降低了集团人工成本，监控用工总量，提高了经济效益，并为进 一步实现全国组织机构重组、部门岗位分拆与合并，形成标准岗位体系奠定了 坚实的基础。

实时监控全国人力资源部署状况。项目建设完成后，各省的人力资源数据动态实时传递到总部的数据仓库中，通过交叉、切片、钻取等数据挖掘手段重新抽取具有战略价值的管理信息，并重新进行诠释和展现，实现了针对全国各级单位的人力资源数量、各维度的人力资源质量和相应变化状况与趋势规律的实时监控，实现了全国人力资源透明化管理，为总部及各省人力资源管理过程中的各项决策提供依据与支持。

转变工作模式，形成高效便捷的决策流程。传统的人力资源决策过程往往需要经过统计、调研、民主测评、党委讨论等漫长的周期才可以形成决议。各省的人力资源管理平台与中央数据仓库中心建设完成后，日常业务处理直接在平台系统上进行操作，所产生的数据直接进入各级数据库中并被定时或实时抽取到中央数据仓库中。

依靠系统提供给的人力资源系统分析数据，各级领导再进行决策时，不需要像以往那样依据于庞大繁琐的统计报表，而是根据个人工作习惯所设计的动态报表，进行层层穿透查询从而了解到基层的详细信息与宏观的统计汇总信息。这改变了原有的工作模式，节省了原来进行统计调研等需要花费的大量时间，从而有更充裕的时间去从事更加具有战略意义的工作。

如今,中国电信希望通过集中MSS系统的建设，在全国范围内建立一个集 中、规范、统一的管理支撑系统的平台。从而有效促进中国电信的纵向管理一 体化和横向业务集成化进而达到集约高效，为中国电信进一步提高管理水平、 保持可持续发展和实现精确管理搭建强大的技术和管理平台。

源自：http://szyonyounc/h-nd-818.html#_np=2_6149

截止到2017年，我国65岁以上人口占比为11.4%，出生率为12.43%，人口结构呈现老龄化趋势。其中2013年数据显示，65岁以上人群两周就诊率为26.4%，且在现代生活习惯的影响下，糖尿病、高血压等慢性病发病率也在不断提升。考虑人口老龄化等社会因素和吸烟等危险因素的现状及变化趋势，我国慢性病的总体防控形势依然严峻，防控工作仍面临着巨大挑战。

大数据的分析和应用都将在医疗行业发挥巨大的作用，并提高医疗效率和医疗效果。目前青海省大数据有限责任公司已运用自身优势，通过大数据等技术手段先行实践，其自主创新并研发的医疗卫生大数据综合平台，利用大数据清洗、建模、分析等技术，可以为医疗卫生监管部门、医疗机构、患者等对象提供智能决策分析支持、分级诊疗、健康医疗等相关服务。该综合平台包括医疗健康综合应用大数据平台、全民医疗卫生健康风险预警大数据平台、医疗决策分析大数据平台、医保控费大数据分析平台、家庭医生平台、和谐医患管理平台、分级诊疗平台等，对公共卫生事件实时预警以及对突出健康问题进行分析，为医疗卫生监管部门制定健康医疗相关政策提供数据支撑；帮助医疗机构为引导患者转变就诊观念、优化医疗资源配置、解决医患关系、系统化管理等服务；为患者提供家庭医生、慢性病管理等相关信息化手段。来源：青海省大数据有限责任公司

导读

清华附中的学生综合素质评价系统全面描绘学生成长过程，勾勒学生发展轨迹；与教师的日常教学紧密相连，利于教师引导学生深度学习；提供客观的大数据信息，助于学校提高教育教学管理水平；面对中高考改革的要求，该系统可以满足不同班型的设计管理，如行政班、课程班（选课走班）、活动班（综合社会实践活动）的设置，并能保持良好的教学管理效果。

系统建立过程与方法

第一阶段：确定指标

通过聚类和相关性分析，确定对学生发展至关重要的“高影响力”活动。通过总结归类，学校将“高影响力”活动分为八个部分——

“社会公益及志愿服务”、“学术志趣及偏好发展”、

“艺术素养及特长培养”、“体质健康与体育锻炼”、

“感动感悟与交流沟通”、“读书分享与人文思索”、

“社会调查与勤工助学”、“阶段小结与个人反思”

第二阶段：构建模型

结合相关教育理论，构建学生综合素质生成性评价模型，建立了包含9个模块46个维度的行为记录内容，全面记录学生校内外的成长轨迹。

所有记录均要具有写实性、客观性、过程性，注重以学生行为为依据，注重学生成长的过程性与发展性，注重参与主体、评价体系、结果呈现和发展趋向的多元性，注重从数据中挖掘学生未来发展的潜能和倾向，为每一个学生的个性、自主、健康和全面发展创造条件。

第三阶段：建设系统

依据模型，利用互联网、云计算与大数据分析手段，建设学生综合素质评价系统。

2012年起，清华附中借助互联网、云计算和大数据技术研发了学生综合素质生成性评价系统的实验版，首次实现了云计算、大数据与综合素质评价相结合，利用信息技术深度挖掘教育数据价值，充分发挥“评价过程”的影响力。

第四阶段：系统优化

依据国家政策和实践不断完善系统，先后推出了学生综合素质评价系统的1.0版本、1.5版本和2.0版本。系统不断优化，逐步完善。

系统核心作用与特点

过程性

着眼于学生的成长规律与学习生活轨迹，在此基础上发现学生的个性特长，帮助学生真实地了解自我，并在过程中不断改进提升，发展自我。注重非预期的结果，注重学生发展的增量，注重“诊断”而非“结论”。

多元性

参与的主体多元：在系统使用过程中，学生、教育主管部门、教师、家长和社会组织等多元主体共同参与。评价的维度多元：按照学生的成长规律与学习生活轨迹，设计9大模块、46个维度的记录内容，并且在实际的使用过程中，还可因地制宜地调整模块与维度。

评价的结果多元：评价的结果能够用多种方式呈现，高一级学校可以根据人才选拔需求设计特色评价方案。

实测性

“实地”：动态量化

动态调整系统指标，切实指导教育教学；动态调整模块或维度的权重，服务高校、高中招生。

“实时”：全息画像

系统通过对学生行为数据的实时记录，深度挖掘纵向数据，可以实现勾勒学生发展轨迹、预测学生发展趋向、对学生进行个性化指导和帮助的功能。

评价系统效果

01 激励学生全面而有个性地发展

系统的评价维度细致、明确、有针对性。

02 服务学校教育教学工作的改善和提高

课堂教学效果明显提升，促进学校高效管理。通过系统，学校管理员能关注不同年级学生的水平和特色，关注不同班级的素质模块分布，也能关注班级在年级中的水平。

可基于大数据分析不同学段的学生特点，有针对性地调整此学段学生的教学过程与活动。

03有效服务各级各类学校选拔人才的工作

上一级学校可按照自身特点与需求，制定自身的人才选拔方案。

通过维度、重要奖励等标签快速筛选，重新排名生成报告单以迅速选定学生，还可根据自身要求与往年经验动态调整搭建提取模板，快速生成学生报告，减轻录取工作量。

04服务教育主管部门科学决策，指导教育事业发展

省、市和区（县）各级教育主管部门，可实时监测查看下级区域的综合素质评价发展情况，包括区域内所有学校学生的素质模块分布和综合素质评价使用排名等信息，还可按照需求精确查看某一地区、某一学校、某个年级、某位具体学生的模块分布情况，并基于持续性的数据进行发展趋势的分析。

这些信息的获取和分析，是各级教育主管部门对所辖区域内的教育教学情况进行监测的重要手段之一，能为其后续作出科学的、符合本地实际的教育决策提供非常重要的参考依据。

本文作者：王殿军 作者单位：清华大学附属中学

文章来源：《北京教育》杂志普教版

图片来源：网络

寻道君

清华附中基于大数据的“学生综合素质评价系统开发与研究”是全国教育科学规划专项课题，该系统跟寻道“学生画像”还有着异曲同工之妙呢！

科学进步越来越多地由数据来推动，海量数据给数据分析既带来了机遇，也构成了新的挑战。大数据往往是利用众多技术和方法，综合源自多个渠道、不同时间的信息而获得的。究竟大数据技术的核心原理是哪几方面呢？

数据即价值是目前计算机领域极其推崇的观念。数据无论多少都被归结为大数据，数据分析越来越热门，资本也对贴有大数据标签的公司趋之若鹜。如同流动的数字货币一样被一再的评估、追崇。数据能告诉我们，每一个客户的消费倾向，他们想要什么，喜欢什么，每个人的需求有哪些区别，哪些又可以被集合到一起来进行分类。

数据核心原理：从“流程”核心转变为“数据”核心

大数据时代，计算模式也发生了转变，从“流程”核心转变为“数据”核心。Hadoop体系的分布式计算框架已经是“数据”为核心的范式。非结构化数据及分析需求，将改变IT系统的升级方式：从简单增量到架构变化。大数据下的新思维——计算模式的转变。

科学进步越来越多地由数据来推动，海量数据给数据分析既带来了机遇，也构成了新的挑战。大数据往往是利用众多技术和方法，综合源自多个渠道、不同时间的信息而获得的。为了应对大数据带来的挑战，我们需要新的统计思路和计算方法。

数据价值原理：有功能是价值转变为数据是价值

大数据真正有意思的是数据变得在线了，这个恰恰是互联网的特点。非互联网时期的产品，功能一定是它的价值，今天互联网的产品，数据一定是它的价值。

数据能告诉我们，每一个客户的消费倾向，他们想要什么，喜欢什么，每个人的需求有哪些区别，哪些又可以被集合到一起来进行分类。大数据是数据数量上的增加，以至于我们能够实现从量变到质变的过程。

全样本原理：从抽样转变为需要全部数据样本

需要全部数据样本而不是抽样，你不知道的事情比你知道的事情更重要，但如果现在数据足够多，它会让人能够看得见、摸得着规律。

数据这么大、这么多，所以人们觉得有足够的能力把握未来，对不确定状态的一种判断，从而做出自己的决定。这些东西我们听起来都是非常原始的，但是实际上背后的思维方式，和我们今天所讲的大数据是非常像的。

关注效率原理：由关注精确度转变为关注效率

关注效率而不是精确度，大数据标志着人类在寻求量化和认识世界的道路上前进了一大步，过去不可计量、存储、分析和共享的很多东西都被数据化了，拥有大量的数据和更多不那么精确的数据为我们理解世界打开了一扇新的大门。大数据能提高生产效率和销售效率，原因是大数据能够让我们知道市场的需要，人的消费需要。大数据让企业的决策更科学，由关注精确度转变为关注效率的提高，大数据分析能提高企业的效率。

竞争是企业的动力，而效率是企业的生命，效率低与效率高是衡量企来成败的关键。一般来讲，投入与产出比是效率，追求高效率也就是追求高价值。手工、机器、自动机器、智能机器之间效率是不同的，智能机器效率更高，已能代替人的思维劳动。智能机器核心是大数据制动，而大数据制动的速度更快。在快速变化的市场，快速预测、快速决策、快速创新、快速定制、快速生产、快速上市成为企业行动的准则，也就是说，速度就是价值，效率就是价值，而这一切离不开大数据思维。

关注相关性原理：由因果关系转变为关注相关性

关注相关性而不是因果关系，社会需要放弃它对因果关系的渴求，而仅需关注相关关系，也就是说只需要知道是什么，而不需要知道为什么。这就推翻了自古以来的惯例，而我们做决定和理解现实的最基本方式也将受到挑战。

在这个不确定的时代里面，等我们去找到准确的因果关系，再去办事的时候，这个事情早已经不值得办了。所以“大数据”时代的思维有点像回归了工业社会的这种机械思维——机械思维就是说按那个按钮，一定会出现相应的结果，是这样状态。而农业社会往前推，不需要找到中间非常紧密的、明确的因果关系，而只需要找到相关关系，只需要找到迹象就可以了。社会因此放弃了寻找因果关系的传统偏好，开始挖掘相关关系的好处。

非法在屋内打隔断的建筑物着火的可能性比其他建筑物高很多。纽约市每年接到2.5万宗有关房屋住得过于拥挤的投诉，但市里只有200名处理投诉的巡视员，市长办公室一个分析专家小组觉得大数据可以帮助解决这一需求与资源的落差。该小组建立了一个市内全部90万座建筑物的数据库，并在其中加入市里19个部门所收集到的数据：欠税扣押记录、水电使用异常、缴费拖欠、服务切断、救护车使用、当地犯罪率、鼠患投诉，诸如此类。

接下来，他们将这一数据库与过去5年中按严重程度排列的建筑物着火记录进行比较，希望找出相关性。果然，建筑物类型和建造年份是与火灾相关的因素。不过，一个没怎么预料到的结果是，获得外砖墙施工许可的建筑物与较低的严重火灾发生率之间存在相关性。利用所有这些数据，该小组建立了一个可以帮助他们确定哪些住房拥挤投诉需要紧急处理的系统。他们所记录的建筑物的各种特征数据都不是导致火灾的原因，但这些数据与火灾隐患的增加或降低存在相关性。这种知识被证明是极具价值的：过去房屋巡视员出现场时签发房屋腾空令的比例只有13%，在采用新办法之后，这个比例上升到了70%——效率大大提高了。

全世界的商界人士都在高呼大数据时代来临的优势：一家超市如何从一个17岁女孩的购物清单中，发现了她已怀孕的事实；或者将啤酒与尿不湿放在一起销售，神奇地提高了双方的销售额。大数据透露出来的信息有时确实会起颠覆。比如，腾讯一项针对社交网络的统计显示，爱看家庭剧的男人是女性的两倍还多；最关心金价的是中国大妈，但紧随其后的却是90后。而在过去一年，支付宝中无线支付比例排名前十的竟然全部在青海、西藏和内蒙古地区。

预测原理：从不能预测转变为可以预测

大数据的核心就是预测，大数据能够预测体现在很多方面。大数据不是要教机器像人一样思考，相反，它是把数学算法运用到海量的数据上来预测事情发生的可能性。正因为在大数据规律面前，每个人的行为都跟别人一样，没有本质变化，所以商家会比消费者更了消费者的行为。

此外，随着系统接收到的数据越来越多，通过记录找到的最好的预测与模式，可以对系统进行改进。它通常被视为人工智能的一部分，或者更确切地说，被视为一种机器学习。真正的革命并不在于分析数据的机器，而在于数据本身和我们如何运用数据。一旦把统计学和现在大规模的数据融合在一起，将会颠覆很多我们原来的思维。所以现在能够变成数据的东西越来越多，计算和处理数据的能力越来越强，所以大家突然发现这个东西很有意思。所以，大数据能干啥？能干很多很有意思的事情。

互联网、移动互联网和云计算机保证了大数据实时预测的可能性，也为企业和用户提供了实时预测的信息，相关性预测的信息，让企业和用户抢占先机。由于大数据的全样本性，人和人都是一样的，所以云计算机软件预测的效率和准确性大大提高，有这种迹象，就有这种结果。

信息找人原理：从人找信息，转变为信息找人

互联网和大数据的发展，是一个从人找信息，到信息找人的过程。先是人找信息，人找人，信息找信息，现在是信息找人的这样一个时代。信息找人的时代，就是说一方面我们回到了一种最初的，广播模式是信息找人，我们听收音机，我们看电视，它是信息推给我们的，但是有一个缺陷，不知道我们是谁，后来互联网反其道而行，提供搜索引擎技术,让我知道如何找到我所需要的信息，所以搜索引擎是一个很关键的技术。

大数据还改变了信息优势。按照循证医学，现在治病的第一件事情不是去研究病理学，而是拿过去的数据去研究，相同情况下是如何治疗的。这导致专家和普通人之间的信息优势没有了。原来我相信医生，因为医生知道的多，但现在我可以到谷歌上查一下，知道自己得了什么病。

谷歌有一个机器翻译的团队，最开始的时候翻译之后的文字根本看不懂，但是现在60%的内容都能读得懂。谷歌机器翻译团队里头有一个笑话，说从团队每离开一个语言学家，翻译质量就会提高。越是专家越搞不明白，但打破常规让数据说话，得到真理的速度反而更快。

机器懂人原理：由人懂机器转变为机器更懂人

不是让人更懂机器，而是让机器更懂人，或者说是能够在使用者很笨的情况下，仍然可以使用机器。甚至不是让人懂环境，而是让我们的环境来懂我们，环境来适应人，某种程度上自然环境不能这样讲，但是在数字化环境中已经是这样的一个趋势，就是我们所在的生活世界，越来越趋向于它更适应于我们，更懂我们。哪个企业能够真正做到让机器更懂人，让环境更懂人，让我们随身携带的整个的生活世界更懂得我们的话，那他一定是具有竞争力的了，而“大数据”技术能够助我们一臂之力。

大数据技术的其中一个核心目标是要从体量巨大、结构繁多的数据中挖掘出隐蔽在背后的规律，从而使数据发挥最大化的价值。由计算机代替人去挖掘信息，获取知识。从各种各样的数据（包括结构化、半结构化和非结构化数据）中快速获取有价值信息的能力，就是大数据技术。大数据机器分析中，半监督学习、集成学习、概率模型等技术尤为重要。

电子商务智能原理：大数据改变了电子商务模式，让电子商务更智能

商务智能，在今天大数据时代它获得的重新的定义。例如：传统企业进入互联网，在掌握了“大数据”技术应用途径之后，会发现有一种豁然开朗的感觉，就像在黑屋子里面找东西，找不着，突然碰到了一个开关，发现那么费力的找东西，原来很容易找得到。大数据思维，事实上它不是一个全称的判断，只是对我们所处的时代某一个纬度的描述。

大数据时代不是说我们这个时代除了大数据什么都没有，哪怕是在互联网和IT领域，它也不是一切，只是说在我们的时代特征里面加上这么一道很明显的光，从而导致我们对以前的生存状态，以及我们个人的生活状态的一个差异化的一种表达。

当然，同样的技术也可以运用到疾病诊断、推荐治疗措施，甚至是识别潜在犯罪分子上。或者说，在你还不知道的情况下，体检公司、医院提醒你赶紧去做检查，可能会得某些病，商家比你更了解你自己，以及你这样的人在某种情况下会出现的可能变化。就像互联网通过给计算机添加通信功能而改变了世界，大数据也将改变我们生活中最重要的方面，因为它为我们的生活创造了前所未有的可量化的维度。

定制产品原理：由企业生产产品转变为由客户定制产品

下一波的改革是大规模定制，为大量客户定制产品和服务，成本低、又兼具个性化。比如消费者希望他买的车有红色、绿色，厂商有能力满足要求，但价格又不至于像手工制作那般让人无法承担。因此，在厂家可以负担得起大规模定制带去的高成本的前提下，要真正做到个性化产品和服务，就必须对客户需求有很好的了解，这背后就需要依靠大数据技术。

在互联网大数据的时代，商家最后很可能可以针对每一个顾客进行精准的价格歧视。我们现在很多的行为都是比较粗放的，航空公司会给我们里程卡，根据飞行公里数来累计里程，但其实不同顾客所飞行的不同里程对航空公司的利润贡献是不一样的。所以有一天某位顾客可能会收到一封信，“恭喜先生，您已经被我们选为幸运顾客，我们提前把您升级到白金卡。”这说明这个顾客对航空公司的贡献已经够多了。有一天银行说“恭喜您，您的额度又被提高了，”就说明钱花得已经太多了。

正因为在大数据规律面前，每个人的行为都跟别人一样，没有本质变化。所以商家会比消费者更了消费者的行为。也许你正在想，工作了一年很辛苦，要不要去哪里度假？打开e-Mail，就有航空公司、旅行社的邮件。

企业产品直接销售给用户，省去了中间商流通环节，使产品的价格可以以出厂价销售，让销费者获得了好处，网上产品便宜成为用户的信念，网购市场形成了。要让用户成为你的产品粉丝，就必须了解用户需要，定制产品成为用户的心愿，也就成为企业发展的新方向。

“

本账号提供最新物联网展会活动资讯，和多家物联网企业形成战略合作伙伴，带领用户与物联网行业大咖、各地物联网俱乐部共同来玩转物联网，为行业创造最酷的物联网线下体验和思想交流的平台。

IOTCOFFEE

参观者在贵安新区花溪大学城贵州数字经济展示中心内参观（5月22日摄）。

浩瀚宇宙中海量又微弱的电磁波信号奔向地球，汇聚到绿树环绕的“中国天眼”。对这些信号进行大数据分析，距地球约4000光年的毫秒脉冲星被中国科学家“捕获”。即将在贵阳召开的2018中国国际大数据产业博览会，将首次展示这些发现的背后——处理天文大数据的超算能力。

对天文大数据的分析处理，是贵州大数据应用的一个缩影。作为全国首个大数据综合试验区和全国生态文明试验区，贵州先行先试，建成全国首个省级一体化政府数据汇聚共享平台、在全国较早运用大数据精准指导脱贫工作、吸引国际互联网巨头建设数据存储基地……大数据“智慧树”正在绿水青山间茁壮成长。

新华社记者欧东衢摄

建设中的腾讯贵安数据中心（5月22日摄）。该数据中心总占地面积七百多亩，隧洞面积超过三万平方米。新华社记者欧东衢摄

参观者在贵安新区花溪大学城贵州数字经济展示中心内参观（5月22日摄）。新华社记者欧东衢摄

市民在贵阳市观山湖公园内体验数谷之夜活动中的水幕电影（5月22日摄）。新华社记者刘续摄

市民在贵阳市观山湖公园内体验数谷之夜活动（5月22日摄）。新华社记者刘续摄

建设中的腾讯贵安数据中心（5月22日无人机航拍）。该数据中心总占地面积七百多亩，隧洞面积超过三万平方米。新华社记者欧东衢摄

　　店铺运营中一切的问题和提升都是有迹可循的，而这些规律和问题我们都可以从各种店铺运营中的数据分析而得出结论。然而数据的分析和总结却是错综复杂的，有市场数据因素影响着我们宝贝的市场表现，最优类目数据，产品数据，竞争对手数据，店铺数据，单品数据等等，还有我们常说的点击，访问，转化等等数据，这些数据在一起的综合终影响到我们销售，整个网络销售平台是人为搭建的，再通过不断的升级和优化达到最公平的规则，给做的好的产品一个好的售卖平台，但是这个背后是一个庞大的数据库的计算和系统的呈现，也许我们不能窥知全部但是了解一些其中比较容易掌握的数据规律跟随正确的趋势方向来优化宝贝和店铺，我们的权重增长和排名提升会更加容易一些。

　　店铺运营就和医生诊断一样，通过看表面的数据表现，分析深层的数据变化得出数据变化的原因找到店铺问题出在哪里，对症下药往往效果会很好。这里只是给大家指明一个方向给大家一些实际的简单的方法，至于能给自己有多大的帮助给自己的店铺带来多少提升就看大家自己的领悟能力和探索精神，是否能举一反三了。

　　分析数据比较繁琐但是需要思路清晰，提取有用的数据，帮助我们找到想对应的解决问题的方法。淘宝店铺一般比较合理的流量比例是：自然流量35-50%丶直接点击流量 15-20%丶直通车流量35-40%丶淘宝客5-10%，其它少到乎略不计;这里没有包含钻展丶硬广丶活动流量，因为这些使用的不多，也没有固定的频率.

　　那我们分析数据的第一步就是要知道分析数据的目的和需要解决的问题，只有明确了问题我们才有准确的分析方向，确保数据分析的准确性，避免无效工作，同时还能确保工作的方向更靠近于发现问题或找出解决方案。那我们就以平时店铺运营中遇到最多的店铺问题来举列分析找到转化率下滑的原因并提出有效的解决方案。

　　店铺转化率下滑，那是什么原因导致店铺转化下滑的呢，那我们需要搜集影响这一结果的所有数据因素的数据，直接影响转化率下滑的如PC和无线端转化率数据，单品流量转化率数据，渠道流量转化率数据，新老顾客数据，活动数据等，间接影响店铺转化率下滑的因素如大盘变化数据，竞品变化数据等等。我们在生意参谋看到的数据往往太过复杂，这就需要我们对所有的数据进行甄别，去掉那些不会影响转化数据的与结果不相关或者不会直接影响到我们找到问题的数据因素，这样就缩小了分析数据的体量大小，会使分析数据变得更加简单有效。

在整理分析数据的时候，我们通常使用对比的分析方法，如今年与去年同期对比，这个月和上个月的环比，今天与昨天的数据对比，通过对比我们知道数据的变化知道引起数据变化的原因。再结合实际运营情况，找出影响数据变化的问题所在。在分析数据时需要注意的是，当第一个数据无法直接表达问题根源的时候，我们需要继续往下解读数据。比如，当我们发现影响店铺转化率下降的原因是手淘搜索流量带来的转化率下降，那我们就需要进一步解读手淘搜索渠道带来的流量在哪款宝贝上的转化率表现下降，甚至是哪个关键词带来的流量转化率下降。

通过层层分析就能找到问题出现的关键点。最后发现问题并且提出解决方案经过前面的分析后，我们可能会发现影响店铺转化率下降的原因是某几个单品在手机端的转化率下降，而下降的原因可能是手机端多了几个负面评价影响了后来顾客的购物决策。从而影响了转化率的数据。如果我们经过数据分析发现确实是由负面评价在手机端影响了转化率，那我们要针对负面评价这一问题提出解决方案。

　　解决负面评价的问题首先我们要了解差评的原因，产品问题要对产品缺陷做出调整和优化，确保在后面销售中不出现同样的问题，如果是服务或其它问题要及时和客户取得联系，争取得到客户的谅解，采纳客户的意见建议，对于买家的损失给予适当的补偿。吸取经验对自身运营服务各方面的提升是很有帮助的。

　　那通过这些数据的整理分析我们解决问题的思路就很清晰了。那对于店铺的提升和店铺的运营是有很大的帮助和提升的。

本文来自老化电商运营，转载请备注出处！

4月6日，专注于中国互联网领域大数据分析的权威机构易观，正式对外发布《中国移动直播行业年度综合分析2017》报告。报告通过易观千帆所监测统计的各直播平台数据，针对直播行业市场发展概况、竞争分析、用户分析、发展趋势四个维度，全面揭示了中国移动直播行业的整体发展脉络与走向。值得注意的是，报告中一直播以20.36%的移动全网用户渗透率排名榜首，成为中国最大的泛娱乐直播平台。

一直播移动全网用户渗透率排名第一 确立领军地位

2016年是直播元年，随着资本和巨头的纷纷入场，直播市场体量骤增，移动直播应用如雨后春笋般出现，形成百播大战的局面。一直播联合新浪微博于16年5月入局直播领域，贾乃亮出任首席创意官，并通过明星直播，公益直播等汇聚流量，持续进行品牌曝光，压倒性的明星资源优势助推一直播迅速突围。

根据易观报告数据显示，一直播以20.36%的移动全网用户渗透率排名第一，映客、YY、花椒分别以15.03%、12.86%、8.83%的全网用户渗透率分列二、三、四位。经过近一年的高速发展，一直播成为中国最大的泛娱乐直播平台，正式确立了移动直播行业领军者地位。

直播受资本持续看好，“3+1”联合体凸显一直播优势

一直播凭借母公司一下科技旗下产品秒拍、小咖秀及与新浪微博的深度战略合作，形成“3+1”移动视频生态联合体。一直播所在的一下科技移动视频矩阵，解决了单一短视频平台难以获取用户并实时互动的痛点。秒拍、小咖秀和一直播，通过用户兴趣和行为进行有机串联， 分别满足用户观看、创作、实时沟通等全方面需求;与新浪微博的深度合作则为三大产品内容补充提供了天然载体和传播通道。基于此，一下科技的生态布局赢得资本青睐，在2016年拿到多家知名资本的5亿美元E轮融资。

而“3+1”移动视频生态联合体还为一直播带来了众多独家优势。首先，一直播与新浪微博形成排他性战略合作，一直播SDK内嵌微博，与新浪微博100%数据互通，共享新浪微博庞大流量；其次，一直播导入用户基于微博的网络社交关系，避免主播重新建立粉丝社交关系；第三，一直播平台入驻千余位明星、过万名头部达人和垂直大V，是头部主播最庞大的直播平台。这些优势头部资源，发挥着吸引粉丝导流和生产优质直播内容的双重作用。第四，独有媒体机构和政务部门官微纷纷开通直播，与人民日报、新浪微博联合推出“人民直播“，获主流媒体认可 。平台调性积极正能量。

一直播打响内容战打造多维共生综合性内容直播平台

根据易观报告数据显示，娱乐直播用户增长总体态势进入平缓期，行业竞争从用户覆盖向平台粘性、用户活跃度转移。如何提升、保持高粘性、高活跃度？一直播将目光聚焦在直播内容上，开启内容战略，打造多维共生的综合性内容直播平台。

一直播凭借强大的明星资源与娱乐聚合能力，众多明星选择一直播平台作为互动、宣传的窗口。2016年一直播上线之初，接连7场的宋仲基全国粉丝见面会的独家直播让一直播迅速为人所知。此外，一直播首开公益直播先河，通过“公益+明星+直播”的形式为慈善活动带来极大的关注度，“爱心一碗饭”活动首开公益直播先河，募集善款超过147万元。一直播凭借“画出生命线”再度开启公益直播，累计收到打赏金币数1.447亿，合人民币144.7万元。

上线之初，明星的带动为一直播带来巨大流量，为进一步提高平台粘度及活跃度，一直播从去年开始持续深耕垂直类直播内容，通过一系列举措促进平台上优质直播内容的产出。一直播发布行业首份直播内容榜单，以科学计算方法计算内容指数，对平台上直播内容进行排名，为直播内容创作者提供指导性意见。此外，一直播于近日推出“一直播栏目培育计划”，一直播将为栏目方提供单期30万的直播资源主推商业化；还会每月推出榜单以规范栏目商业化价值；同时会把价值3亿的流量资源导入到直播栏目培育成长。

此外，媒体机构和政务部门官微纷纷开通直播，通过一直播进行新闻报道、政务公开、交通动态等。一直播与人民日报、新浪微博合作打造“人民直播”，获主流媒体认可。截至目前，一直播已经吸引了超1万家主流媒体、自媒体、行业KOL入驻，一直播使新闻报道实现了直播常态化，也将政务通过直播的方式公开透明的展示在大众面前。

很多大数据都具有空间位置信息，这些空间大数据可以通过大数据GIS技术进行高效存储、索引、处理和分析。另一方面，经典GIS所需面对和处理的数据规模也在快速膨胀，对于经典GIS中超大规模数据的处理与分析，同样需要大数据GIS技术作为支撑。经典GIS中常用的缓冲区分析、叠加分析、空间查询等算法都可以通过大数据GIS技术进行分布式重构，用以面向不断膨胀的超大规模数据。

一、经典GIS数据存储方案

在各种GIS项目应用当中，首要设计的就是数据存储方案。在经典GIS当中，典型数据类型包括矢量的点线面数据、影像和栅格数据、地图缓存瓦片数据等类型。在存储引擎类型方面，使用较多的类型包括以PostgreSQL为代表的SQL数据库型存储，以及众多NoSQL型数据库，包括以MongoDB为代表的文档型数据库，以HBase为代表的列存储数据库，以Redis为代表的key-value型数据库等。随着互联网应用的深入，各种NoSQL型数据库得到了快速发展，并具有支持分布式可扩展部署，高性能读写等特征，因此在大数据GIS技术中，有必要对其进行吸收和融合。

在大数据应用中，由于涉及的数据体量巨大，存储和计算环境的部署强调二者的一体化，或者通过计算向数据靠拢来实现高效的数据读写。在海量空间数据场景下，需要通过空间索引技术将节点内的数据尽可能的保持完整性和独立性，尽量避免节点间的数据交换，从而实现高效的分布式计算。

1、PostgreSQL

PostgreSQL是一个功能强大的开源关系型数据库系统。可以支持各种主流操作系统，它完全兼容ACID，完全支持外键，连接，视图，触发器和存储过程（使用多种语言）。在GIS应用当中，可以使用它进行矢量点线面数据，栅格数据的高效存储和查询，由于它完全支持ANSI-SQL：2008标准，因此可以基于其上定制各种业务化的查询和存储过程。另一方面，基于其上的PostGIS数据库可以直接进行空间对象的存储和索引，并支持高效的查询，以OpenStreetMap为代表的很多GIS应用直接基于PostgreSQL引擎之上构建存储层。

2、MongoDB

MongoDB是一个基于分布式存储的NoSQL文档型数据库，它是一个介于关系型数据库和非关系型数据库之间的产品。大多数NoSQL都提供较少的关系型数据库特征，但MongoDB是个例外，其对于SQL查询支持较为丰富。其BSON形式的数据结构非常适合进行缓存瓦片的存储，而缓存瓦片的使用往往也不要求过多的SQL查询语法支持。另一方面，它也同样可以进行矢量点线面的存储，并且内置了Spatial扩展可以支持空间索引和空间查询。

3、HDFS

HDFS是一种分布式文件系统，它虽然不是一种数据库产品，但由于其是Hadoop生态体系的基石，且与Spark技术无缝结合，因此在大数据实施时，经常被用来作为一种通用型存储方案。在大数据GIS当中，其使用方式主要有两类，一种是直接作为文件系统，将csv、json格式的大文件放置其上进行直接存储，另一种是作为Spark计算引擎的存储方案，使用自定义的二进制格式存储空间数据，并进行空间二级索引设计和实现，以高效对接Spark分布式计算。

二、经典GIS数据处理方案

由于各种存储引擎特点不一，因此在项目实施中，如何选择最适合的存储和计算方案，需要与项目的具体使用背景相结合。我们建议从数据规模（千万级、亿级、十亿级还是更大）、数据更新频率（年、月、日还是更小）、数据处理复杂性（SQL查询、空间查询还是复杂空间运算）等几个维度进行综合考量。我们选择了几个较为典型的应用场景，进行具体说明。

1、千万级实时更新

该应用的典型客户为政府各单位的分中心，虽然全国范围内的汇总数据规模庞大，但省市分中心单位维护的子库数据规模在千万级左右。虽然数据规模不大，但是具有业务逻辑复杂，要求实时更新的特点，因此推荐根据业务场景，灵活使用Oracle或UDB数据库型引擎。可以进行实时更新，也可以根据复杂业务进行较复杂的SQL查询检索。并且可以对接Spark计算引擎，进行大规模数据的复杂计算。

2、亿级准实时更新

该应用的典型客户是部委的全国级主中心，从各省市分中心汇总的数据规模可以达到亿级到十亿级规模，更新频率低于分中心的实时业务系统，但也需要具备一些SQL查询能力。此时推荐使用PostgreSQL或MongoDB进行分布式存储，一方面可以支持数据的动态扩展，另一方面也可以支持一定的SQL查询。当然也可以对接Spark计算引擎，进行业务计算。

3、十亿级低频更新

该应用的典型客户也是部委的全国级主中心，可能需要对汇总的多年份历史数据进行时间序列分析或者综合性分析。此时的数据更新频率较低，可能是以年为单位，但总体的数据规模非常庞大，可能达到十亿甚至百亿规模。此时推荐使用HDFS进行数据存储，再对接Spark技术进行分布式计算，对这种超大规模的空间数据进行处理和综合分析。

三、经典GIS应用案例

矢量数据的空间叠加赋值算法，是国土测绘领域这样的大规模矢量数据分析常用功能。SuperMapiObjectsjavaforSpark以该算法为例，讲解大数据技术如何提升经典GIS数据处理和分析性能。矢量数据分析的基础是高效的空间索引，而分布式矢量分析同样需要基于空间索引进行加速。

1、分布式构建空间索引

分布式构建空间索引根据整体流程，又可以细分为索引对象构建，数据集重分区，索引后数据缓存等几个子过程。较常使用的索引类型有均匀格网索引和四叉树索引两种。索引对象构建后可以广播到集群各节点，数据集重分区过程各节点可以获取该对象进行空间对象处理。由于后续的叠加赋值计算需要基于索引后数据进行，所以SuperMapiObjectsjavaforSpark需要把重分区后的数据缓存下来，以kryo序列化的方式将数据缓存到HDFS上。

2、分布式叠加赋值计算

由于在前面的分布式构建索引过程中，SuperMap iObjects java for Spark把按照索引重分区后的数据缓存到了HDFS上，因此在进行叠加赋值计算之前，SuperMap iObjects java for Spark首先需要将数据从HDFS上读取到Spark的RDD中。在读取之后，就可以基于索引后的FeatureRDD进行两图层间的叠加计算了。由于叠加赋值一般涉及被更新数据和更新数据两个数据集，所以SuperMap iObjects java for Spark使用RDD的zipPartitions接口来将两个RDD进行组合。

四、经典GIS性能提升测试

SuperMap iObjects java for Spark使用的测试环境的单节点操作系统为64位Ubuntu 16.04 Linux系统，CPU为英特尔酷睿i7-6700K，四核处理器，主频为4 GHz，硬盘为1 TB，内存为16 GB。Spark集群配置为一个Master节点，四个Woker节点，即五台同配置的PC机环境。使用的Hadoop版本为2.7.3，Spark版本为2.1.0。

测试数据局部放大图

为了保证测试的有效性，SuperMap iObjects java for Spark设计了规模不等的三组矢量数据进行分析计算。A组数据被 更新图层图斑对象数目为10万，更新图层（即提供属性值的图层） 图斑对象数目为80。

两图层数据分布特征为：更新图层的单个矢量面对象面积显著大于被更新图层对象，但二者的总体图斑覆盖范围相近。B组数据被更新图层图斑对象数目为100万，更新图层图斑对象数目为800，两图层数据分布特征与A组数据类似。C组数据被更新图层图斑对象数目为1000万，更新图层图斑对象数目为1万，两图层数据分布特征与A组数据类似。SuperMap iObjects java for Spark将分布式改进后的方法与传统GIS软件的单节点叠加赋值功能进行了性能对比，结果如表1所示。

表1性能测试结果

从测试结果可以看出，基于大数据技术的矢量数据叠加赋值方法，在不同级别的实验数据下，相比传统GIS单节点功能都有更好的性能表现。在小规模数据量（数据A）场景下性能有约33%的提升，在中等规模数据量（数据B）场景下性能有约71%的提升，在大规模数据量（数据C）场景下性能有约90%的提升，图2使用柱状图来更为直观的进行结果展示。

在对常用的GIS核心算法进行分析之后，我们认为：大多数的经典GIS核心算法都可以进行分布式算法改进，即使用大数据技术进行海量空间数据处理和分析的性能提升。目前SuperMap iObjects java for Spark已经完成的算法包括空间查询、叠加分 析、缓冲区分析、属性更新、矢量裁剪等功能，后面还计划针对矢量数据处理，拓扑检查等经典GIS常用功能进行进一步的升级改进。

内容来源：超图

今天小编带大家一起来了解一下有关磁选机的知识，希望大家有所收获。中国经济进入“新常态”的发展阶段，很多行业都有所低迷，尤其是以消耗资源为主的产业，例如：钢铁、煤炭等。产业优化改革势在必行，同时新兴的产业也在发挥巨大作用。比如：互联网。越来越多的行业不再是依靠传统的实体店或者其他线下销售，而是借助互联网，快捷便通的特点实现转型发展。选矿设备行业同样如此，之前依附于通过人脉关系的发展形态已经逐步被淡化。现在，需要磁选机设备的企业，只需通过互联网搜索，便可快捷的了解产品信息及磁选机生产厂家的各种信息。根据互联网上用户对磁选机相关词的搜索，我们可以看出各地用户对于磁选设备主要的搜索需求点。

首先根据一部分互联网搜索数据统计看下，用户主要搜索的磁选机相关词都有哪些。以磁选机为例，搜索词：磁选机；搜索量：8,580，000；依次磁选机设备6,970,000；磁选机价格 6,900,000；磁选机生产厂家 3,880,000；磁选机供应2,940，000；磁选工艺 2,630，000；磁选机厂家 2,040,000；磁选机原理 1,820,000等等。大家可从这些数据上分析发现，用户首先关注的，也是最关心的是产品设备、价格、厂家这三类关键词的搜索，而且这三类词占据了60%的搜索量。对于这些数据的分析，磁选机设备生产厂家可以有针对性的设计网站，产品，更好的提升用户体验。满足用户的选择需求，实现盈利。

以上就是小编为您讲解的有关磁选机知识，希望今天的分享能够帮助您。如果您还想了解更多的知识可以继续关注小编。我们下次再见。

一、大数据产业概述

1. 大数据的认识

大数据是新资源、新技术和新理念的混合体。从资源视角来看，大数据是新资源，体现了一种全新的资源观。1990年以来，在摩尔定律的推动下，计算存储和传输数据的能力在以指数速度增长，每GB存储器的价格每年下降40%。

2000年以来，Hadoop为代表的分布式存储和计算技术迅猛发展，极大的提升了互联网企业数据管理能力，互联网企业对“数据废气”（Data Exhaust）的挖掘利用大获成功，引发全社会开始重新审视“数据”的价值，开始把数据当作一种独特的战略资源对待。大数据的所谓3V特征（体量大、结构多样、产生处理速度快）主要是从这个角度描述的。

从技术视角看，大数据代表了新一代数据管理与分析技术。传统的数据管理与分析技术以结构化数据为管理对象、在小数据集上进行分析、以集中式架构为主，成本高昂。

与“贵族化”的数据分析技术相比，源于互联网的，面向多源异构数据、在超大规模数据集（PB量级）上进行分析、以分布式架构为主的新一代数据管理技术，与开源软件潮流叠加，在大幅提高处理效率的同时（数据分析从T+1到T+0甚至实时），成百倍的降低了数据应用成本。

从理念的视角看，大数据打开了一种全新的思维角度。大数据的应用，赋予了“实事求是”新的内涵，其一是“数据驱动”，即经营管理决策可以自下而上地由数据来驱动，甚至像量化股票交易、实时竞价广告等场景中那样，可以由机器根据数据直接决策；

其二是“数据闭环”，观察互联网行业大数据案例，它们往往能够构造起包括数据采集、建模分析、效果评估到反馈修正各个环节在内的完整“数据闭环”，从而能够不断地自我升级，螺旋上升。

目前很多“大数据应用”，要么数据量不够大，要么并非必须使用新一代技术，但体现了数据驱动和数据闭环的思维，改进了生产管理效率，这是大数据思维理念应用的体现。

2.大数据的产业体系

大数据本身既能形成新兴产业，也能推动其他产业发展。当前，国内外缺乏对大数据产业的公认界定。我们认为，大数据产业可以从狭义和广义两个层次界定。

从狭义看，当前全球围绕大数据采集、存储、管理和挖掘，正在逐渐形成了一个“小生态”，即大数据核心产业。大数据核心产业为全社会大数据应用提供数据资源、产品工具和应用服务，支撑各个领域的大数据应用，是大数据在各个领域应用的基石。应该注意到，狭义大数据产业仍然围绕信息的采集加工构建，属于信息产业的一部分。

数据资源部分负责原始数据的供给和交换，根据数据来源的不同，可以细分为数据资源提供者和数据交易平台两种角色。数据基础能力部分负责与数据生产加工相关的基础设施和技术要素供应，根据数据加工和价值提升的生产流程，数据基础能力部分主要包括数据存储、数据处理和数据库（数据管理）等多个角色。

数据分析/可视化部分负责数据隐含价值的挖掘、数据关联分析和可视化展现等，既包括传统意义上的BI、可视化和通用数据分析工具，也包括面向非结构化数据提供的语音、图像等媒体识别服务。

数据应用部分根据数据分析和加工的结果，面向电商、金融、交通、气象、安全等细分行业提供精准营销、信用评估、出行引导、信息防护等企业或公众服务。根据IDC、Wikibon等咨询机构预测，2016年，全球的大数据核心产业规模约为300亿美元。

3.大数据的规模

据中商产业研究院数据，我国大数据行业市场规模增速明显，2015年中国大数据市场规模为115.9亿元，增速达53.10%。

4.大数据产业图谱

二、大数据的行业运用

1.零售业领域

具体来说，在零售企业，大数据分析的应用可以归纳为如下方面：在智慧的客户体验领域的全方位的顾客洞察、提升客户服务、基于位置的营销和服务以及精准营销；在智慧的商品管理和供应联网络领域的供应链优化和商品优化；在智慧的运营领域的财务管理、劳动力管理和防损 / 防偷盗管理。

大数据驱动的快速响应系统是ZARA实现供应链神话的重要原因之一

ZARA有一个全天候开放的“数据处理中心”。每一个零售网点都可以通过该系统追踪销售数据。此外，顾客的反馈也能在系统上反映出来，ZARA能够很快发现哪些款好卖，哪些款滞销。ZARA店内，柜台和店内各角落都装有摄影机，店经理随身带着PDA。

当客人向店员反映诸如“这个衣领图案很漂亮”、“我不喜欢口袋的拉链”等意见时，店员通过ZARA内部全球资讯网络，每天至少两次传递资讯给总部设计人员，由总部汇总信息进行分析并作出决策后立刻传送到生产线，改变产品样式。

微软Dynamics零售分销渠道管解决方案

微软Dynamics零售渠道管理解决方案提供通过系统管理渠道的收发货信息的渠道进销存管理；收集各渠道经营的其他竞争对手产品信息的客户拜访管理；管理会员信息及购买习惯发会员管理；

管理会员促销及积分兑换的促销管理；报表分析，提供数据报表支持，帮助企业分析会员购买行为，对下一步销售策略做预测工作。

新零售解决方案提供商—— 小工蚁科技推出客户大数据平台

小工蚁科技是一家互联网创业公司，专注新零售解决方案。小工蚁推出的客户大数据平台可帮助企业从各给历史遗留系统中将客户相关的数据抽取出来，然后建模分析，使用大数据分析引擎帮助快速将企业客户360°画像、针对客户个性化产品推荐、进行客户群体分析，将数据变成可视化工具平台；

同时小工蚁也提供客户社区，帮助企业和客户建立强连接。帮助传统企业将客户相关数据和信息提炼出规律和价值的平台工具。

2.电信领域

电信行业掌握体量巨大的数据资源，单个运营商其手机用户每天产生的话单记录、信令数据、上网日志等数据就可达到PB级规模。电信行业利用IT技术采集数据改善网络运营、提供客户服务已有数十年的历史，而传统处理技术下运营商实际上只能用到其中百分之一左右的数据。

大数据对于电信运营商而言，首先意味着利用廉价便捷的大数据技术提升其传统的数据处理能力，聚合更多的数据提升洞察能力。比如法国电信、T-Mobile借助大数据加快了诊断网络潜在问题的效率，改善服务水平，为客户提供了更好的体验，获得了更多的客户以及更高的业务增长。

中国移动、德国电信、沃达丰利用大数据技术加大对历史数据的分析，动态优化调整网络资源配置，大幅提高无线网络的运行效率。T-Mobile通过集成数据综合分析客户流失原因，在一个季度内将客户流失率减半。SK电讯成立SK Planet公司专门处理与大数据相关的业务，通过分析客户的使用行为防止客户流失。

中国联通利用大数据技术对其全国3G/4G用户进行精准画像，形成大量有价值的标签数据，为客户服务和市场营销提供了有力支持。中国移动通过对消费、通话、位置、浏览、使用和交往圈等数据的分析，利用各种联系记录发现各种圈子，分析影响力及关键人员，用来进行家庭客户、政企客户和关键客户的识别，以实现主动营销和客户维系。

二是提高数据意识，寻求合适的商业模式，尝试数据价值的外部变现。主要有数据即服务（DaaS）和分析即服务（AaaS）两种模式，数据即服务模式往往通过开放数据或开放API的方式直接向外出售脱敏后的数据；

分析即服务（AaaS）模式往往与第三方公司合作，利用脱敏后的（自身或整合外部）数据资源为政府、企业或行业客户提供通用信息、数据建模、策略分析等多种形式的信息和服务，以创造外部收益，实现数据资源变现。

数据即服务方面，AT&T将客户在WiFi网络中的地理位置、网络浏览历史记录以及使用的应用等数据销售给广告公司可以获取客观收益；AT&T同时还提供Alert业务，当客户距离商家很近时，就有可能收到该商家提供的折扣很大的电子优惠券；

英国电信基于安全数据分析服务Assure Analytics，帮助企业收集、管理和评估大数据集，将这些数据通过可视化的方式呈现给企业，帮助企业改进决策；

德国电信和沃达丰主要尝试通过开放API，向数据挖掘公司等合作方提供部分用户匿名地理位置数据，以掌握人群出行规律，有效的与一些LBS应用服务对接。限于国内对数据交易流通方面缺乏明确规定，国内运营商很少尝试数据即服务（DaaS）模式。

分析即服务方面，西班牙电信成立动态洞察部门Dynamic Insights开展大数据业务，与市场研究机构Gfk进行合作，在英国、巴西推出名为智慧足迹的创新产品，该产品基于完全匿名和聚合的移动网络数据，可对某个时段、某个地点人流量的关键影响因素进行分析，并将洞察结果面向政企客户提供；

Verizon成立精准营销部门Precision Marketing Divisio，提供精准营销洞察、精准营销、移动商务等服务，包括联合第三方机构对其用户群进行大数据分析，再将有价值的信息提供给政府或企业获取额外价值；

中国电信在大数据RTB精准广告业务（根据客户行为和位置分析进行商铺选址和实施营销）、景区流动人口监测业务、基于客户行为的中小微企业通用信用评价等方面均有尝试，且成效显著，借助对不同行业、不同类型企业的行为数据分析，中国电信的“贷 189”平台，一个月吸引中小企业580家，金融机构24家，订单成交3368万元。

中国移动和中国联通也与第三方合作，开展智慧旅游、智能交通、智慧城市等项目，探索数据外部变现的新型商业模式，寻找新的业务增长点。

3.金融领域

消费金融中的运用

天创为消费金融机构提供“数据+风控+场景”的完整解决方案。

可靠的数据渠道保障了数据的真实性、连续性和稳定性。

多角度贷后监控与风险预警

基于大数据的反欺诈服务

4.交通领域

对于驾驶者来说，不想开车的时候，在大数据和人工智能的支持下，车辆可以自动驾驶，并且对于你经常开的线路可以自学习自优化。

谷歌的自动驾驶汽车，为了对周围环境作出预测，每秒钟要收集差不多 1GB的数据，没有大数据的支持，自动驾驶是不可想象的；在和周围车辆过近的时候，会及时提醒车主避让；上下班的时候，会根据实时大数据情况，对于你经常开车的线路予以提醒，绕开拥堵点，帮你选择最合适的线路；

在出现紧急状况的时候，比如爆胎，自动驾驶系统将自动接管，提高安全性（人一辈子可能难以碰到一次爆胎，但人在紧急时的反应往往是灾难性的，只会更糟）；到城市中心，寻找车位是一件很麻烦的事情，但未来你可以到了商场门口后，让汽车自己去找停车位，等想要回程的时候，提前通知让汽车自己开过来接。

车辆是城市最大最活跃的移动物体，是拥堵的来源，也是最大的污染来源之一。数字化的车辆、大数据应用将带来很多的改变。红绿灯可以自动优化，根据不同道路的拥堵情况自动进行调整，甚至在很多地方可以取消红绿灯；

城市停车场也可以大幅度优化，根据大数据的情况优化城市停车位的设计，如果配合车辆的自动驾驶功能，停车场可以革命性演变，可以设计专门为自动驾驶车辆的停车楼，地下、地上楼层可以高达几十层，停车楼层可以更矮，只要能高于车高度即可（或者把车竖起来停），这样将对城市规划产生巨大的影响；

在出现紧急情况，如前方塌方的时候，可以第一时间通知周围车辆（尤其是开往塌方道路的车辆）；现在的燃油税也可以发生革命性变化，可以真正根据车辆的行驶路程，甚至根据汽车的排污量来收费，排污量少的车甚至可以搞碳交易，卖排放量卖给高油耗的车；政府还可以每年公布各类车型的实际排污量、税款、安全性等指标，鼓励民众买更节能、更安全的车。

三、大数据运用安全实践

1.国内企业的方案

京东大数据安全实践

数据资源已经成为一种基础战略资源，数据的共享和流通会产生巨大价值。然而，数据资源在流通过程中却面临着诸多瓶颈和制约，尤其是当数据一种特殊的数字内容产品时，其权益保护难度远大于传统的大数据，一旦发生侵权问题，举证和追责过程都十分困难。

为了解决这些问题，京东万象数据服务平台（如图B-6所示）利用区块链技术对流通的数据进行确权溯源，数据买家在数据服务平台上购买的每一笔交易信息都会在区块链中存储起来。

数据买家通过获得交易凭证可以看到该笔交易的数字证书以及该笔交易信息在区块链中的存储地址，待买家需要进行数据确权时，登录用户中心进入查询平台，输入交易凭证中的相关信息，查询到存储在区块链中的该笔交易信息，从而完成交易数据的溯源确权。

京东万象数据服务平台主要通过数据交易平台和区块链溯源平台2个核心模块提供服务：

数据交易平台。平台通过数据搜索、数据展示、数据评论等服务，以各种维度展示数据商品，并提供订单和支付系统完成用户数据交易；

区块链溯源平台。用户订单信息、数据标识、交易私钥等交易信息存入区块链集群中，用户获得交易凭证，并可利用该溯源平台查询溯...