大数据的典型应用场景及展望
大数据应用的典型案例
大数据应用的典型案例大数据应用的典型案例：1. 金融风控：通过大数据分析客户的信用记录、交易行为等数据，可以准确评估客户的信用风险，从而帮助金融机构进行风险管理和控制。
2. 电商个性化推荐：通过分析用户的浏览、购买行为等数据，可以为用户推荐个性化的商品，提高用户购买的满意度和转化率。
3. 医疗健康管理：利用大数据分析医疗健康领域的大量数据，可以实现疾病的早期预警、个体化的治疗方案和健康管理等服务，提高医疗水平和患者的生活质量。
4. 城市交通管理：通过大数据分析城市交通流量、车辆位置等数据，可以实现智能交通信号控制、交通拥堵预测和优化路线规划等，提高城市交通效率和减少交通事故。
5. 智能制造：通过大数据分析制造过程中的数据，可以实现生产过程的优化、故障预警和质量控制等，提高生产效率和产品质量。
6. 农业精准种植：通过大数据分析土壤、气象、作物生长等数据，可以实现农业生产的精准决策，提高农作物产量和品质。
7. 媒体内容推荐：通过大数据分析用户的观看、点击行为等数据，可以为用户推荐个性化的媒体内容，提高用户的观看体验和媒体平台的粘性。
8. 能源管理：通过大数据分析能源使用的数据，可以实现能源消耗的预测、能源供应的优化和能源的节约，提高能源的利用效率。
9. 物流管理：通过大数据分析物流网络、订单数据等，可以实现物流路线优化、配送时间预测和货物跟踪等，提高物流效率和客户满意度。
10. 社交网络分析：通过大数据分析社交网络中的用户关系、行为等数据，可以实现社交网络的用户推荐、信息传播分析和用户行为预测等，提供个性化的社交服务。
这些典型案例展示了大数据应用的广泛领域和多样化应用场景。
大数据分析可以帮助企业和机构从海量数据中提取有价值的信息，优化决策、提高效率和创造更好的用户体验。
随着技术的进一步发展和数据的不断积累，大数据应用的潜力将会更加巨大。
大数据技术的前景和应用场景
大数据技术的前景和应用场景大数据技术是近年来信息技术领域的一大热门话题，随着互联网、物联网等新兴技术的快速发展，数据量呈指数级增长，如何搭建高效、稳定、安全的大数据平台成为了各大企业和机构面临的重大挑战。
本文将从大数据技术的发展历程、应用场景及潜在机遇等方面，为大家介绍大数据技术的前景和应用场景。
一、大数据技术的发展历程大数据技术从20世纪70年代开始发展，但直到近几年才真正走进人们的视野。
随着数据量的不断增加和相关技术的不断发展，大数据技术已经进入到了“2.0时代”，成为了当今信息技术领域的关键技术之一。
大数据技术的发展历程可以分为三个阶段：1、数据存储阶段：1970年代~2000年这个阶段的亮点是传统数据库和数据仓库，数据库技术逐步应用于企业管理信息系统和在线事务处理系统中。
然而，在这个阶段，数据量虽然也比较大，但是每个人存储的数据还是很有限的。
2、数据计算阶段：2000年~2010年这个阶段的亮点是谷歌的MapReduce和Google File System，这两个技术为后来的Hadoop做了重要的理论和工程准备。
在这个阶段，数据量开始呈指数级增长，现有的存储和计算技术逐渐边缘化。
3、大数据时代：2010年~今这个阶段的亮点是Hadoop大数据生态系统，包括了Hadoop分布式文件系统、MapReduce计算模型、Hive数据查询语言、HBase数据库以及Pig、ZooKeeper、Spark等新型技术的出现。
这些技术的应用，使得计算能力和存储能力迈入了新的阶段。
二、大数据技术的应用场景整体上来看，大数据技术的应用领域非常广泛，无所不包。
除了一些常见的领域如电商、社交网络、金融、医疗、物流等，大数据技术也逐渐涉及到能源、环保、智慧城市、农业等领域。
1、金融领域在金融领域，大数据技术主要应用在风险管理、反欺诈、用户画像等方面。
例如，通过对用户行为数据的分析，可以判断用户可能存在的贷款逾期、信用卡欠款以及信用评估等情况，为银行等机构提供更好的用户管理模型。
大数据的五大应用场景
大数据的五大应用场景随着信息时代的到来，大数据成为人们关注的焦点之一。
大数据凭借其高效的信息分析能力，已经广泛应用于各个领域。
本文将探讨大数据的五大应用场景，并分析其背后的意义和影响。
一、市场营销市场营销是大数据的一个主要应用场景。
通过大数据技术分析海量的消费者数据，企业可以了解消费者的需求、喜好和行为习惯。
基于这些数据，企业可以进行精准营销和个性化推荐，从而提高销售转化率。
例如，通过分析用户在网站上的浏览记录和购买行为，电商企业可以向用户推荐与其兴趣相关的产品，提升用户的购买欲望和满意度。
市场营销领域的大数据应用帮助企业更好地了解市场需求，优化产品设计和推广策略，提升市场竞争力。
二、金融风控金融领域对数据的处理要求非常高，大数据技术在金融风控方面有着重要的应用。
通过对海量的金融交易数据进行分析，可以发现异常交易和风险信号，帮助银行和金融机构识别潜在的欺诈行为和洗钱行为。
同时，大数据技术还可以帮助机构评估借款人的信用风险，提供更精确的信用评分模型。
金融领域的大数据应用有助于提高风险控制能力，减少金融风险，保护投资者的合法权益。
三、智慧城市随着城市化进程的加快，智慧城市的建设成为了各国政府的重要战略。
大数据在智慧城市建设中发挥着关键作用。
通过分析城市中各种传感器收集的数据，城市管理者可以更好地了解城市的交通状况、能源消耗以及环境污染等情况。
通过预测和调整城市资源的分配，可以提高城市运行的效率和质量，并优化城市居民的生活体验。
智慧城市的建设需要大数据技术提供支持，使城市管理更加智能化、高效化和可持续发展。
四、医疗健康大数据在医疗健康领域的应用也日益重要。
通过分析海量的医疗数据和基因数据，可以实现精准医疗和个性化治疗。
通过挖掘患者的病历、症状和治疗效果等信息，可以为医生提供更准确的诊断和治疗方案。
同时，大数据技术还可以帮助预防和控制疾病的爆发，提高疾病监测和防控能力。
医疗健康领域的大数据应用有助于提高医疗服务的质量和效率，为患者提供更好的医疗体验。
大数据的十三个应用场景
大数据的十三个应用场景在当今信息时代，大数据已经成为了人们生活中不可忽视的一部分。
通过大数据的收集、分析和应用，人们可以更好地理解和应对各种问题和挑战。
本文将介绍大数据的十三个应用场景，展示大数据技术的广泛应用。
1. 金融行业：大数据在金融行业有着广泛的应用。
通过对大量的金融数据进行分析，可以从中挖掘出市场趋势和投资机会。
同时，大数据还可以通过风险评估和反欺诈来增强金融交易的安全性。
2. 市场营销：大数据分析可以帮助企业更好地理解消费者的需求和行为习惯。
通过分析大数据，企业可以精确地定位目标客户群体，并根据客户需求来进行有效的市场推广和产品优化。
3. 医疗保健：大数据技术在医疗保健领域有着广泛的应用。
通过对患者的医疗记录和遗传数据进行分析，医生可以更好地进行诊断和治疗。
此外，大数据分析还可以帮助提高医疗资源的分配效率和降低医疗成本。
4. 城市规划：大数据技术可以帮助城市规划者更好地了解城市居民的行为模式和需求，从而进行科学的城市规划。
通过对城市交通流量、环境污染等数据进行分析，可以提高城市的交通运输系统和环境质量。
5. 物流管理：大数据技术可以帮助物流公司提高运输效率和降低成本。
通过对供应链和运输过程的数据进行分析，可以实时跟踪货物的位置和状态，并优化路线和仓储管理。
6. 能源管理：大数据分析可以帮助能源公司更好地进行能源规划和资源管理。
通过对能源使用数据进行分析，可以提高能源利用效率和减少能源浪费。
7. 社交媒体：大数据分析可以帮助社交媒体平台更好地理解用户需求和行为。
通过对用户的社交网络数据和行为数据进行分析，可以提供个性化的推荐和增强用户体验。
8. 基因研究：大数据技术在基因研究领域有着重要的应用。
通过对大量的基因数据进行分析，可以挖掘出基因之间的关联和影响，帮助科学家更好地理解遗传信息和疾病发生机制。
9. 教育领域：大数据分析可以帮助教育机构更好地了解学生的学习行为和学习需求。
通过对学生的学习数据进行分析，可以提供个性化的学习推荐和优化教学方法。
大数据应用的典型案例
大数据应用的典型案例随着信息技术的快速发展，大数据应用在各个领域都得到了广泛的应用。
下面将列举10个典型的大数据应用案例。
1. 电商推荐系统电商平台通过收集用户的购买记录、浏览记录、搜索记录等大量数据，利用大数据分析的技术，可以为用户提供个性化的推荐服务。
通过分析用户的行为模式和兴趣偏好，推荐系统可以准确地推荐用户可能感兴趣的商品，提高用户的购物体验和转化率。
2. 金融风控金融行业需要对客户进行风险评估，以便决定是否提供贷款或信用卡等服务。
大数据分析可以帮助金融机构从海量数据中识别出潜在的欺诈行为、风险因素和信用评分等，提高风险管理能力和决策效率。
3. 智能交通交通运输领域是一个典型的大数据应用场景。
通过收集交通流量、车辆位置、道路状况等数据，可以实现智能交通控制、拥堵预测和优化路线规划等功能。
通过大数据分析，可以提高交通系统的效率和安全性，减少交通堵塞和事故发生。
4. 医疗健康在医疗健康领域，大数据应用可以帮助医生更准确地诊断疾病、制定治疗方案和预测疾病的发展趋势。
通过分析患者的病历、影像数据和基因组数据等，可以发现疾病的潜在风险因素和治疗效果，提高医疗服务的质量和效率。
5. 城市规划大数据应用可以帮助城市规划部门进行城市规划和管理。
通过收集城市的人口数据、交通数据、环境数据等，可以分析城市的发展趋势和问题，帮助决策者做出科学的规划和决策，提高城市的可持续发展和居民的生活质量。
6. 航空安全航空公司通过收集飞机的传感器数据、机组的操作数据、气象数据等，可以进行飞行安全分析和预测。
通过大数据分析，可以识别潜在的飞行风险和故障模式，提前采取措施避免事故发生，提高航空安全。
7. 物流管理物流行业需要管理庞大的货物流动和仓储配送等环节，大数据应用可以帮助物流企业实现精细化管理和优化运营。
通过收集货物的运输数据、仓库的存储数据、车辆的位置数据等，可以实现货物跟踪、配送路线优化和库存管理等功能，提高物流效率和客户满意度。
大数据的典型应用场景及展望
大数据的典型应用场景及展望2015年1月24号，2015 China Hadoop Summit技术峰会在北京如期举行。
本次大会作为国内大数据行业最具影响力的IT大会，吸引了众多从事Hadoop研究与推广的权威技术专家、Hadoop技术爱好者和IT厂商前往参加。
现任星环信息科技(上海)有限公司联合创始人兼首席技术官，曾任英特尔数据中心软件部亚太区CTO的孙元浩老师在本次大会上带来了主题为《2014年大数据的典型应用场景及展望》的分享，本文主要针对目前Hadoop主流应用场景，实时流数据的处理以及大数据技术给未来生活的设想等内容进行了整理。
四年前的硅谷，风投埃里森拿出一亿美金来投资大数据公司，他认为Hadoop技术在未来的若干年中会从底层的数据平台，从传统的关系型数据库进行迁移。
数据的分析层会被全新的数据分析工具所替代，可视化层和应用分析会有更多的新工具出现，并认为这个市场将达到几百亿美金的规模。
过去几年，Hadoop的发展非常迅猛。
我们常讲大数据的四V特征，Hadoop在大数据处理上表现出的处理量、性能、挖掘能力的提升和碎片化处理能力，使其得到越来越广泛的应用。
一、Hadoop的主流应用场景：数据仓库的主要组成部分传统的企业有若干个主机，用于销售、运营管理等等，产生的数据首先经过ODS层，将数据从多个业务系统中集中起来，进行清洗、转换等集成操作，然后将过加工的数据进入企业IT架构的核心——数据仓库进行统计、挖掘和分析。
最后用可视化工具进行展现。
这是传统的企业数据仓库的架构，经常采用主流的甲骨文等数据库技术来实现。
Hadoop作为数据仓库组成部分的四个驱动力互联网公司早年的时候，是把Hadoop做在数据仓库的核心，比如Facebook早期的时候是从服务器采集是通过实时的日志的采集工具，经过Hadoop把Hadoop作为数据分析工具，呈现把结果放在甲骨文中做展现。
互联网公司之所以这么做，是因为互联网数据量大到在传统的数据库不能处理。
大数据应用的典型案例和分析
大数据应用的典型案例和分析摘要本文将介绍几个大数据应用的典型案例，并对每个案例进行分析。
这些案例涉及到不同行业，包括零售、金融、医疗等。
通过分析这些案例，我们可以深入了解大数据应用在不同行业中的应用场景、挑战和价值。
1. 零售行业案例一：顾客行为分析在传统零售行业中，顾客行为分析一直是一个重要的课题。
随着大数据技术的发展，零售企业可以收集大量的顾客数据，包括购买历史、浏览记录、社交媒体活动等。
通过对这些数据的分析，零售企业可以更好地了解顾客的行为习惯和偏好，从而优化产品定价和促销策略，提高销售效果。
案例二：供应链优化供应链管理是零售行业中的一个重要环节。
大数据应用可以帮助零售企业实时跟踪物流信息、订单履行情况和库存水平等。
通过对供应链数据的分析，零售企业可以发现潜在的瓶颈和风险，并及时采取措施进行优化，从而提高物流效率和降低成本。
2. 金融行业案例一：信用评估在金融行业中，信用评估是一个关键的业务环节。
传统的信用评估方式主要依靠个人申请表格和信用报告，而大数据技术可以为金融机构提供更全面和准确的信用评估数据。
通过分析个人的消费行为、社交网络活动和其他相关数据，金融机构可以更准确地评估个人的信用风险，从而更好地决策是否给予贷款或者设置利率。
案例二：欺诈检测金融行业中存在着许多欺诈活动，大数据技术可以帮助金融机构更好地检测和预防欺诈行为。
通过分析大量的交易记录、网络活动等数据，金融机构可以发现异常模式和风险指标，及时采取措施阻止欺诈行为的发生。
3. 医疗行业案例一：疾病诊断大数据技术在医疗行业中的应用可以提高疾病诊断的准确性和效率。
通过分析大量的医疗记录、基因数据和其他相关的健康数据，医疗机构可以建立更准确的疾病模型，帮助医生进行疾病的早期诊断和治疗决策，从而提高治疗效果和患者的生存率。
案例二：公共卫生管理大数据技术在公共卫生管理中也发挥着重要作用。
通过分析大量的流行病数据、社交网络数据和移动定位数据，卫生部门可以及时发现和追踪疫情的爆发，制定相应的防控措施，保护公众的健康安全。
大数据应用场景
大数据应用场景随着信息技术的迅速发展，大数据已经成为当今社会的热门话题之一。
大数据的引入和广泛应用，使得传统的数据处理方式不再适用，并在各个领域找到了广泛的应用场景。
本文将为您介绍一些大数据应用场景，并探讨其对相关行业的影响。
1. 零售业在零售业，大数据分析为企业提供了关于销售趋势、顾客需求以及产品定价的重要信息。
通过分析顾客的购买习惯、喜好和行为数据，企业可以更好地了解顾客需求，制定更具吸引力的促销活动和营销策略。
此外，大数据的应用还可以帮助零售商优化供应链管理，实现库存的精确控制和管理。
2. 医疗保健在医疗保健领域，大数据的应用可以帮助医疗机构提高病患的治疗效果和生命质量。
通过对患者的临床数据、基因组数据和医疗记录进行深入分析，医生可以更准确地诊断疾病、制定个性化的治疗方案，并及时预测慢性疾病的风险。
此外，大数据还可以用于药物研发和临床试验，加速新药的研发和上市。
3. 金融服务在金融服务行业，大数据的应用可以帮助银行、保险公司等机构更好地了解客户需求，提高服务质量。
通过分析客户的交易数据、消费习惯和信用记录，金融机构可以更准确地评估风险，制定个性化产品和服务，并提高反欺诈能力。
此外，大数据的应用还可以帮助金融机构进行股票市场预测和风险管理，为投资决策提供科学依据。
4. 城市规划大数据的应用也可以帮助城市规划者更好地了解城市的发展趋势和居民需求，提高城市规划的效果和可持续性。
通过对城市交通数据、环境数据和人口数据的分析，城市规划者可以更准确地评估城市的发展需求，合理安排交通路线和公共设施建设。
此外，大数据的应用还可以提高城市的安全性和紧急救援能力，帮助城市管理者更好地应对自然灾害和突发事件。
5. 教育领域在教育领域，大数据的应用可以帮助教育机构更好地了解学生的学习需求和表现，提供个性化的教学方案。
通过对学生的学习数据、学习习惯和测评结果进行分析，教育机构可以及时发现学生的学习困难和潜在问题，并提供有针对性的教育措施和支持。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据的典型应用场景及展望2015年1月24号，2015 China Hadoop Summit技术峰会在北京如期举行。
本次大会作为国内大数据行业最具影响力的IT大会，吸引了众多从事Hadoop研究与推广的权威技术专家、Hadoop技术爱好者和IT厂商前往参加。
现任星环信息科技(上海)有限公司联合创始人兼首席技术官，曾任英特尔数据中心软件部亚太区CTO的孙元浩老师在本次大会上带来了主题为《2014年大数据的典型应用场景及展望》的分享，本文主要针对目前Hadoop主流应用场景，实时流数据的处理以及大数据技术给未来生活的设想等内容进行了整理。
四年前的硅谷，风投埃里森拿出一亿美金来投资大数据公司，他认为Hadoop技术在未来的若干年中会从底层的数据平台，从传统的关系型数据库进行迁移。
数据的分析层会被全新的数据分析工具所替代，可视化层和应用分析会有更多的新工具出现，并认为这个市场将达到几百亿美金的规模。
过去几年，Hadoop的发展非常迅猛。
我们常讲大数据的四V特征，Hadoop在大数据处理上表现出的处理量、性能、挖掘能力的提升和碎片化处理能力，使其得到越来越广泛的应用。
一、Hadoop的主流应用场景：数据仓库的主要组成部分传统的企业有若干个主机，用于销售、运营管理等等，产生的数据首先经过ODS层，将数据从多个业务系统中集中起来，进行清洗、转换等集成操作，然后将过加工的数据进入企业IT架构的核心——数据仓库进行统计、挖掘和分析。
最后用可视化工具进行展现。
这是传统的企业数据仓库的架构，经常采用主流的甲骨文等数据库技术来实现。
Hadoop作为数据仓库组成部分的四个驱动力互联网公司早年的时候，是把Hadoop做在数据仓库的核心，比如Facebook早期的时候是从服务器采集是通过实时的日志的采集工具，经过Hadoop把Hadoop作为数据分析工具，呈现把结果放在甲骨文中做展现。
互联网公司之所以这么做，是因为互联网数据量大到在传统的数据库不能处理。
现在传统的企业也面临同样的问题，将Hadoop作为数据仓库主要组成部分有四个驱动力：效率：传统的数据仓库技术已经面临非常繁重的数据分析任务，处理的延迟从一天到了一周。
成本：传统的数据架构成本动辄几千万。
Hadoop可以实现成本若干倍的降低。
数据来源多样：视频、音频等企业非结构化数据来源增多。
MapReduce 对于非结构化或半结构化数据的读取非常有效。
数据分析需求的演进：数据分析不再只满足于统计。
使用Hadoop 的技术，能够对数据进行深度的挖掘和分析，实现对未来的预测。
Hadoop改变企业数据仓库架构的线路图第一步：数据仓库的补充2011、2012年的时候Hadoop主要是作为数据仓库的补充在做数据的清洗。
这一层Hadoop很擅长。
Hadoop的优势是能够把计算任务对全要素进行统计分析，这是方式非常适合简单的场景，早年Hadoop 的最佳用途是作为ETL的平台，第二步：逐渐进入核心随着Hadoop生态系统逐渐完善，有更多的数字化工具支持Hadoop，Hadoop开始进入数据仓库的核心领域。
有些企业开使用Hadoop来直接做数据可视化，在有些行业中已经开始用Hadoop逐渐取代传统的关系数据库来建立数据仓库。
从整个的数据仓库的架构来看，有一半的架构已经开始被Hadoop覆盖了。
第三步：Hadoop使资源管理变为可能，最终将取代企业完整的整据仓库在一两年之内有些企业完整的数据仓库架构都可能会被Hadoop取代掉。
过去企业数据仓库的时候任务很繁重，系统效率低下。
造成这种状况的重要原因是，客户把过多的负载放在数据仓库上面，数据仓库本身又没有资源配合的方式。
Hadoop2.0推出了管理框架，使得资源管理变成了可能，使得数据仓库支撑多个部门的数据分析和访问更加高效。
举例来说，每个部门的业务都是动态创建虚拟集群实现的，每个集群都有一定的资源配额，这样的配额用时不会超过这个配额，使得用户任何的负载不会影响其他的用户，这成为数据仓库里一个重要的实现，数据仓库完全平滑，24小时不间断运行的保障。
过去上千人在访问Hadoop的时候，也是通过调度机制实现的，随着Hadoop2.0的出现和资源管理能力的提升，通过资源管理层可以方便的配置资源。
我们可以设定CPU的内存和存储资源，每个部门使用的时候有配额的最低保障。
当另外一个部门的用户上线使用的时候，比如创建了一个集群，这时会把你的部分资源还给后面的第二个用户，原来第一个用户的资源被收缩了，更多的用户进来的时候，第一个用户的资源被进一步收缩，收缩到一个最低的指标。
一方面充分保障了每个用户最低资源的配额，第二也保证系统整体运行的情况下可以充分有效利用整体的计算资源。
二、随着云计算和物联网的逐渐兴起，实时流数据的处理将成为关注重点云计算和物联网使得数据呈现两个主要特点。
首先，数据在没有人工干预的情况下24小时不间断的产生；第二数据并发量高，使得单一的统计已经不能满足用户要求，对数据模式的分析和深度挖掘的要求增强现在的大数据处理不光需要做统计，而是需要做机器学习，快速地检测出异常的状态。
比如在交通行业部署的实时监控平台，这是一个发展得比较成熟的案例，在全国已经得到了广泛部署。
其主要用途是把路面上装的摄像机的照片和分析出来的车牌等信息，实时的传送到中心的大集群中，然后把所有的车流信息实时汇总至省级集群部署，通过流处理形成实时的应用，比如说区间测速、实时路况、公安部实时布控的应用等。
相关数据也会进入到数据库，对外提供车辆轨迹的查询，实时路况的检索，比如行车分析和交通管理的应用等。
过去在常见的部署架构中由数据集群做实时的处理时，包括应用和查询的功能，数据会经过蜂窝队列，分布量是非常高的，单节点的服务器可以支撑一秒钟十万条结果的插入，基本上是满负荷。
传统的流处理加上Hadoop，可以解耦前端应用和后端的分析应用。
由于分布队列的吞吐量很高，可以在几百万个地方写入，可以基本满足上千万传感器同时传送峰值的压力，后端的是流处理的引擎做数据分析。
我们把数据流按时间切片，每个小切片一百毫秒左右。
我们需要在数据经过这个流的时候在流上直接做异常检测，包括多种算法，最基本的是希望将这些算法直接移植到流上，实现流式的异常检测。
这里面有一个挑战是，刚开始出现的异常可能并不准确，尽量要避免误报的情况，通常会用SQL来做聚合和预先的数据处理，而Spark可以实现小片的批处理流程，我们在小的批量上能够实现延迟是一秒钟内可以发出告警。
这种方式的好处是可以对实时数据和历史数据实现综合的分析，都同在一个数据库中，可以在上面用完整的统计分析的挖掘，包括可以做计算和预测，这些分析超出了以前统计的范畴，而且需要历史数据和实时数据进行统一的分析。
这个领域今年可能会是比较热门的领域，预计这个模式在物联网实时处理上得到更加广泛的应用。
三、大数据技术能给我们的生活带来什么我们把数据源分两大类：1.人的行为产生的数据：包括网上购物、通过运营商通话、发微信都会留下数据，这些分析无外乎是给客户提供更好的服务，或者是帮助商家更准确的找到客户进行精准营销；2.机器产生的数据：帮助发现一些客观规律，比如说交通的模式是怎样的，用电的消耗量和气侯和电网的关系是怎样的，也对数据进行分析和能够做实时报警和诊断优化生产线的流程提供依据。
数据分析和挖掘开始出现，目前还不是主流。
大数据描绘的场景是能够进行预测，这逐渐开始成为事实。
人流密度实时预警比如通过对基站的数据基本上可以比较粗的定位人的大致位置。
通过对数据进行密度的统计，可以非常迅速的找出区域内部密度的值，基础值是每个基站每英里多少个用户数，这是基站可以提供的数据，利用这个数据可以非常快的知道人群的密度。
也可以利用银联的数据，我们的合作伙伴用银联的数据把上海的商圈都找出来了，商圈是根据过去三个月银联的刷卡记录，根据消费额、消费地点以及消费商户的类别进行统计的，上海14个商圈是比较密集的，有些商圈我们也没去过，比较偏远的反而是商圈。
上海的架构看基础是卫星城的架构，和北京不同，周围有很多密集的商圈。
这个数据也可以做人群的预测，商圈是人群密集的地方，随着踩踏事件的出现，公安的客户也来找到我们，发现这个数据对他们很有用，因为我们可以统计节日间实时的刷卡记录，可以判断晚七点到九点消费集中的区域，这些区域是人垃圾短信分类利用流式的机器学习做垃圾短信的分类，在流上做实时的检测，速度是非常快的，可以流上实时的实现。
运营商所有的短信经过流式系统可以迅速的判断出哪些消息是垃圾短信，来净化现在运营商的垃圾短信泛滥局面。
消费者行为预测机器学习类：协同过滤、相似度主要是比较商品间的相似程度进行推荐，一些新的应用也比较有趣，像是基于时序关系的预测。
每次消费行为和时间是有关的，一个人经常跑到陆家嘴有一个明显的地方，带着小孩会去海洋公园玩一下，有时看东方明珠看一下，然后去正大广场吃个午饭，这是统计出一个模式，这是时序相关性，我们可以对客户推送一些比较精准的广告。
总结我们看到Hadoop主要的用途是数据仓库中，未来会逐渐的开始把更多的负载牵到上面来；第二物联网逐渐的兴起，针对一些挑战我们需要在流上做更强的分析和机器学习，这种新的架构也层出不穷；第三是全新的集群的应用。
可以预见的是，随着云计算和物联网等技术的不断发展，利用大数据的分析能力实现对未来的洞察将逐渐成为现实。
【编辑推荐】大数据时代之hadoop：了解hadoop数据流（生命周期）惠普携手青岛打造大数据应用及产业示范基地Apache Hadoop 2.6.0发布——异构存储，长时间运行的服务与滚动升级支持Hadoop RPC通信Client客户端的流程分析Spark 1.2：向MapReduce在Hadoop中的统治地位发起挑战。