大数据应用及其解决方案
服务业大数据分析与应用解决方案
服务业大数据分析与应用解决方案第一章：服务业大数据概述 (2)1.1 服务业大数据的定义 (2)1.2 服务业大数据的特点 (2)第二章：大数据分析技术 (3)2.1 数据采集与预处理 (3)2.2 数据挖掘与分析 (4)2.3 数据可视化 (4)第三章：服务业大数据应用领域 (5)3.1 零售业 (5)3.1.1 概述 (5)3.1.2 应用场景 (5)3.2 金融业 (5)3.2.1 概述 (5)3.2.2 应用场景 (5)3.3 医疗保健 (6)3.3.1 概述 (6)3.3.2 应用场景 (6)第四章：服务业大数据分析与应用模型 (6)4.1 关联规则挖掘 (6)4.2 聚类分析 (7)4.3 预测分析 (7)第五章：服务业大数据解决方案设计 (7)5.1 架构设计 (7)5.2 技术选型 (8)第六章：大数据分析与应用的挑战 (9)6.1 数据质量 (9)6.1.1 数据来源多样，质量参差不齐 (9)6.1.2 数据缺失与错误 (9)6.1.3 数据更新不及时 (9)6.2 数据安全与隐私 (9)6.2.1 数据泄露风险 (9)6.2.2 数据滥用风险 (10)6.2.3 法律法规制约 (10)6.3 技术更新换代 (10)6.3.1 技术选型与适配 (10)6.3.2 人才储备与培养 (10)6.3.3 成本投入与回报 (10)第七章：服务业大数据案例分析 (10)7.1 零售业案例 (10)7.1.1 项目背景 (10)7.1.2 数据来源 (10)7.1.3 分析目标 (10)7.1.4 分析方法与成果 (11)7.2 金融业案例 (11)7.2.1 项目背景 (11)7.2.2 数据来源 (11)7.2.3 分析目标 (11)7.2.4 分析方法与成果 (11)7.3 医疗保健案例 (11)7.3.1 项目背景 (11)7.3.2 数据来源 (12)7.3.3 分析目标 (12)7.3.4 分析方法与成果 (12)第八章：大数据在服务业的未来发展 (12)8.1 技术发展趋势 (12)8.2 应用场景拓展 (13)8.3 产业链变革 (13)第九章：服务业大数据政策与法规 (13)9.1 国内外政策法规概述 (13)9.2 政策法规对服务业的影响 (14)第十章：服务业大数据人才培养与培训 (15)10.1 人才培养模式 (15)10.1.1 培养目标 (15)10.1.2 培养途径 (15)10.2 培训课程体系 (15)10.2.1 课程体系设计原则 (15)10.2.2 课程设置 (15)10.3 师资队伍建设 (15)10.3.1 师资队伍结构 (16)10.3.2 师资培训与选拔 (16)10.3.3 师资评价与考核 (16)第一章：服务业大数据概述1.1 服务业大数据的定义服务业大数据是指在服务业领域，通过对海量数据资源的整合、挖掘和分析，为服务业提供有价值的信息和决策支持的一种数据形态。
企业大数据应用推广中的难点与解决方案
企业大数据应用推广中的难点与解决方案随着时代的发展，大数据已经成为许多企业的重要资产，企业内部以及企业和消费者之间的互动也越来越密切。
但是，企业在大数据应用推广的过程中，也不可避免地遇到了一些难点和问题。
本文将从企业大数据应用推广中的难点入手，探讨解决方案。
一、企业大数据应用推广中的难点1.数据的质量不高企业大数据应用的前提是有足够的数据收集和整理，但是数据的质量是否好，直接关系到企业在大数据应用过程中的准确性和效果。
而现实中，企业在数据收集和整理过程中，难免会出现一些问题。
例如，因为人工录入数据出现错误、数据收集方法不当等导致的数据不完整。
2.数据应用的方向不清晰大数据应用往往需要相关岗位人员具备一定的专业知识和技能，企业需要结合自身的业务特点以及市场和技术等因素，明确自己的大数据应用方向。
但是，在企业大数据推广的过程中，很多企业缺乏足够的经验来确定大数据应用的方向，导致数据的应用方向不明确，应用效果并不如预期。
3.数据保护困难在大数据应用的过程中，很多企业会遇到数据保护困难的问题。
一方面数据的价值极高，如果不妥善保护就会产生泄漏、丢失等问题；另一方面，企业的业务往往涉及到用户的隐私数据，必须满足相关法规和规范的要求，这种情况下企业大数据应用的难度增大。
4.数据分析困难大数据应用的目的之一就是通过数据分析，发现和分析难以捕捉的知识和信息，并利用分析结果指导企业的决策。
但是，在企业大数据推广的过程中，有部分企业技术含量不够，缺乏具体的数据分析思路和方式等问题。
这些问题影响了企业大数据应用的效果。
二、解决方案1.提升数据质量企业可以加强科技应用和自动化技术，通过自动化方法或者优化流程减少人工干预提高数据品质，提高数据的积极性和准确性；可以在数据采集方面引入AI算法，对数据进行自动实时处理和分析，并保证数据的完整性和准确性。
2.明确数据应用方向企业应该根据自身的行业特点和自身的数据收集情况，明确大数据的应用方向，思考怎样以数据为驱动提高产品和服务的质量，增加营收和市场份额，提高企业的竞争力。
金融行业的大数据应用案例及解决方案
金融行业的大数据应用案例及解决方案清晨的阳光透过窗帘的缝隙，洒在我的键盘上，指尖轻触键盘，思绪如大数据般涌现。
今天，我们要聊聊的是金融行业的大数据应用案例及解决方案。
这是一个充满挑战和机遇的话题，让我们一起走进这个奇妙的世界。
一、大数据在金融行业的应用案例1.风险控制记得有一次，我帮助一家银行构建风险控制模型。
通过分析海量数据，我们发现，借款人的还款能力与他们的社交网络、购物习惯等息息相关。
于是，我们设计了一个基于大数据的风险控制模型，将借款人的这些信息纳入评估体系。
这样一来，银行在发放贷款时，能够更加精准地判断借款人的还款能力，降低风险。
2.客户画像在金融行业，了解客户是至关重要的。
一家保险公司通过大数据分析，为客户构建了详细的画像。
他们发现，不同年龄、职业、地域的客户，对保险产品的需求差异很大。
于是，公司根据这些数据，推出了一系列针对不同客户群体的保险产品，大大提高了销售额。
3.资产配置一家基金公司利用大数据，对全球股市、债市、商品市场等进行分析，为投资者提供最优的资产配置方案。
他们通过实时数据监控，调整投资组合，降低投资风险。
这种方法，让投资者在市场波动中，始终保持稳健的收益。
二、大数据在金融行业的解决方案1.数据采集与清洗大数据的第一步，是采集和清洗数据。
金融行业涉及的数据量巨大，包括客户信息、交易记录、市场行情等。
我们需要通过技术手段，将这些数据进行整合、清洗，为后续分析提供准确的基础数据。
2.数据存储与管理金融行业的数据存储与管理，需要考虑安全性、稳定性、可扩展性等因素。
我们可以采用分布式存储、云计算等技术，确保数据的安全和高效访问。
3.数据分析与挖掘数据分析与挖掘是大数据的核心。
金融行业可以利用机器学习、深度学习等技术，对数据进行深入分析，挖掘出有价值的信息。
4.应用场景拓展大数据在金融行业的应用场景非常广泛。
我们可以将大数据技术应用于风险控制、客户服务、投资决策等方面，提高金融服务的质量和效率。
大数据解决方案和技术方案
大数据解决方案和技术方案随着信息技术的不断发展和应用，大数据正逐渐成为企业和组织进行决策和业务优化的重要资源。
为了更好地应对大数据带来的挑战和机遇，各行各业纷纷寻求适用的大数据解决方案和技术方案。
本文将探讨大数据解决方案和技术方案的特点和应用场景，并介绍几种常见的大数据解决方案和技术方案。
一、大数据解决方案的特点大数据解决方案是指通过采用特定的方法和技术，对大规模、多样化、高速度的数据进行高效地管理、存储、分析和处理的综合解决方案。
其特点如下：1. 数据量大：大数据解决方案所面对的数据量通常是庞大的，需要存储和处理海量的数据。
2. 处理速度快：对于大数据，实时性是一个很重要的考量指标，大数据解决方案需要具备快速处理数据的能力。
3. 数据多样化：大数据来源广泛，包括结构化数据、非结构化数据和半结构化数据等，大数据解决方案需要能够处理各种类型的数据。
4. 数据价值挖掘：大数据解决方案不仅能够存储和处理数据，而且能够通过数据分析和挖掘，提供有价值的信息和洞察，帮助企业和组织做出更明智的决策。
二、大数据解决方案的应用场景大数据解决方案在各个行业都有广泛的应用，下面介绍几个常见的应用场景。
1. 金融领域：银行、保险等金融机构通过大数据解决方案，可以对大量的交易数据进行分析和挖掘，从而预测市场趋势、进行风险评估和信用评级等。
2. 零售行业：电商企业可以通过大数据解决方案，分析用户的购物行为和偏好，进行精准营销和个性化推荐，提高用户购买转化率和用户满意度。
3. 医疗健康：医疗机构可以利用大数据解决方案，对病人的临床数据进行分析，预测疾病的发展趋势，辅助医生做出准确的诊断和治疗方案。
4. 城市管理：城市政府可以借助大数据解决方案，对城市的交通、环保、能源等方面的数据进行监测和分析，实现智慧城市的建设和优化城市管理。
三、大数据技术方案的选择与应用在选择大数据技术方案时，需要根据实际需求和业务场景来确定。
以下是几种常见的大数据技术方案。
金融行业的大数据应用案例及解决方案
金融行业的大数据应用案例及解决方案1. 风险管理：金融机构可以利用大数据分析技术，对大量的市场数据、客户数据和交易数据进行处理和分析，以识别和预测风险事件。
通过建立风险模型和预警系统，金融机构可以及时发现和应对市场风险、信用风险和操作风险等。
2. 个性化营销：金融机构可以利用大数据分析技术，对客户的个人信息、交易记录和行为数据进行分析，以了解客户的需求和偏好。
通过个性化推荐和定制化产品，金融机构可以提供更好的客户体验，提高客户满意度和忠诚度。
3. 欺诈检测：金融机构可以利用大数据分析技术，对大量的交易数据和行为数据进行实时监测和分析，以识别潜在的欺诈行为。
通过建立欺诈检测模型和规则引擎，金融机构可以及时发现和阻止欺诈活动，保护客户的资金安全。
4. 信用评分：金融机构可以利用大数据分析技术，对客户的个人信息、财务状况和信用记录等数据进行分析，以评估客户的信用风险。
通过建立信用评分模型，金融机构可以更准确地判断客户的信用状况，提供更合适的信贷产品和服务。
5. 交易监控：金融机构可以利用大数据分析技术，对大量的交易数据进行实时监控和分析，以识别异常交易和违规行为。
通过建立交易监控系统和规则引擎，金融机构可以及时发现和阻止非法交易和洗钱活动，维护金融市场的稳定和安全。
解决方案：- 建立大数据平台：金融机构需要建立一个可扩展的大数据平台，用于存储、处理和分析大量的金融数据。
该平台应具备高可用性、高性能和高安全性，以支持金融机构的大数据应用需求。
- 数据清洗和整合：金融机构需要对大量的数据进行清洗和整合，以确保数据的准确性和一致性。
这包括数据清洗、数据去重、数据标准化和数据集成等工作。
- 建立模型和算法：金融机构需要建立相应的模型和算法，用于对大数据进行分析和挖掘。
这包括统计分析、机器学习、数据挖掘和人工智能等技术。
- 实时监测和预警：金融机构需要建立实时监测和预警系统，以及时发现和应对风险事件和异常行为。
大数据的关键技术及其应用场景
大数据的关键技术及其应用场景大数据是指规模巨大、复杂度高且难以处理的数据集合。
随着科技的发展和互联网的普及，大数据的应用场景越来越广泛。
本文将介绍大数据的关键技术以及它们在各个领域的应用场景。
一、关键技术1.数据采集与存储：大数据的第一步是收集和存储海量的数据。
数据采集可以通过各种传感器、移动设备、社交媒体等手段进行。
而数据存储则需要高效、可扩展的存储系统，如分布式文件系统和云存储技术。
2.数据清洗与预处理：大数据往往包含大量的噪音和冗余信息，需要进行数据清洗和预处理。
数据清洗可以通过去重、去噪声、填补缺失值等方式进行。
预处理则包括数据转换、标准化、归一化等操作，以便后续的分析和挖掘。
3.数据分析与挖掘：大数据的核心是数据分析和挖掘。
通过使用各种统计学、机器学习和数据挖掘算法，可以从大数据中提取出有用的信息和知识。
常见的数据分析和挖掘技术包括聚类分析、关联规则挖掘、分类与预测等。
4.数据可视化与展示：大数据分析结果往往需要以直观、可理解的方式展示给用户。
数据可视化技术可以将抽象的数据转化为图表、图形等形式，帮助用户更好地理解和利用数据。
二、应用场景1.金融行业：大数据在金融行业的应用非常广泛。
通过分析大量的金融数据，可以提高风险管理和投资决策的准确性。
例如，银行可以利用大数据技术实现反欺诈系统，及时发现和阻止欺诈活动。
同时，大数据还可以用于个人信用评估、股票市场预测等方面。
2.医疗保健：大数据在医疗保健领域的应用有助于提高医疗服务的质量和效率。
通过分析大量的医疗数据，可以实现个性化的诊断和治疗方案。
此外，大数据还可以用于疾病预测、流行病监测等方面。
3.智能交通：大数据可以帮助城市交通管理部门实现智能交通系统。
通过分析大量的交通数据，可以实时监测道路拥堵情况，优化交通信号控制，提供实时的交通导航等服务。
4.电子商务：大数据在电子商务领域的应用主要体现在个性化推荐和精准营销方面。
通过分析用户的购买历史、浏览行为等数据，可以给用户推荐他们感兴趣的商品，提高购买转化率。
大数据融合及应用解决方案
利用社交大数据 的敏锐洞察，锁 定主流消费群体
•大数据，变革公共卫生 •大数据，变革商业 •大数据，变革思维 •大数据，开启重大的时代转型 •预测，大数据的核心 •大数据，大挑战
一、大数据时代的思维变革
“更多”——不是随机样本，而是全体数据！
当数据处理技术已经发生翻天覆地的变化时，在大数据时代 析就像在汽车时代骑马一样。一切都改变了，我们需要的是所 “样本＝总体”。
允许不精确 大数据的简单算法比小数据的复杂算法更有效 纷繁的数据越多越好 混杂性，不是竭力避免，而是标准途径 新的数据库设计的诞生
“更好”——不是因果关系，而是相关关系
知道“是什么”就够了，没必要知道“为什么”。在大 时代，我们不必非得知道现象背后的原因，而是要让数据自 “发声”。
关联物，预测的关键 “是什么”，而不是“为什么” 改变，从操作方式开始 大数据，改变人类探索世界的方法
在愚人节当天围 绕品牌的口号展
开话题
趣多多到 底做了些
什么
目录
1 大数据应用案例 2 大数据带来的时代变革 3 认识大数据 4 大数据关键技术 5 大数据在“工业4.0”中的应用 6 大数据风险 7 结语
大数据带来的时代变革
—— 一场生活、工作与 维的大变革！
大数据开启了一次重大的时代转型。就想望远镜让我们能够感受宇宙， 们能够观测微生物一样，大数据正在改变我们的生活以及理解世界的方式， 和新服务的源泉，而更多的改变正蓄势待发……
半导体行业的大数据应用和分析解决方案
半导体行业的大数据应用和分析解决方案随着科技的不断进步和信息化的飞速发展，大数据已经成为各行各业的关键词之一。
在半导体行业中，大数据应用的潜力也日益被认识到。
本文将探讨半导体行业中大数据应用与分析的解决方案，并分析其对行业发展的影响。
一、大数据在半导体行业中的应用1.生产过程优化半导体制造是一个高度精密和复杂的过程，大数据技术可以通过对生产过程中的各个环节进行数据采集和分析，实现生产过程的优化。
例如，通过对传感器数据的监控和分析，可以有效提高生产线的效率，减少不良品率，降低成本。
2.产品质量管理在半导体行业中，产品的质量关系到企业的声誉和市场竞争力。
大数据分析可以帮助企业在产品生命周期的各个阶段实现质量管理。
通过对大量的供应链、生产和销售数据进行实时监控和分析，可以预测并发现产品质量问题，及时采取措施进行改进，提高产品的质量和可靠性。
3.市场需求预测对于半导体企业来说，准确预测市场需求是至关重要的。
大数据分析可以通过对海量的市场数据进行挖掘和分析，帮助企业了解市场趋势，预测市场需求，有针对性地进行产品研发和生产，降低市场风险。
二、半导体行业中的大数据分析解决方案1.数据采集与存储半导体行业产生的数据规模巨大，因此需要建立有效的数据采集和存储系统。
企业可以通过自动化的数据采集设备、传感器以及物联网技术收集工厂各个环节的数据，并将其存储到云平台或大数据仓库中，以便后续的分析和应用。
2.数据清洗与处理半导体行业的数据通常包含大量的噪声和无效信息，因此需要进行数据清洗与处理。
企业可以利用数据清洗工具和算法，过滤掉冗余和错误的数据，提高数据的质量和准确性。
3.数据分析与挖掘对于半导体行业而言，数据分析是发现潜在问题和机会的关键环节。
企业可以利用机器学习、数据挖掘和深度学习等技术，进行数据模式的识别和预测分析。
例如，通过运用聚类分析和关联规则挖掘，发现产品质量和生产过程中的潜在关联关系，进而优化生产过程。
4.可视化与决策支持半导体行业中的大数据分析结果需要以可视化的形式呈现，以便管理者和决策者能够直观地理解和利用数据。
- 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)。
1.1. 概述大数据，IT行业的又一次技术变革，大数据的浪潮汹涌而至，对国家治理、企业决策和个人生活都在产生深远的影响，并将成为云计算、物联网之后信息技术产业领域又一重大创新变革。
未来的十年将是一个“大数据”引领的智慧科技的时代、随着社交网络的逐渐成熟，移动带宽迅速提升、云计算、物联网应用更加丰富、更多的传感设备、移动终端接入到网络，由此而产生的数据及增长速度将比历史上的任何时期都要多、都要快。
互联网科技发展蓬勃兴起，人工智能时代来临，抓住下一个风口。
为帮助那些往想互联网方向转行想学习，却因为时间不够，资源不足而放弃的人。
欢迎加入北大青鸟佳音校区。
1.2. 大数据定义“大数据”是一个涵盖多种技术的概念，简单地说，是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。
IBM将“大数据”理念定义为4个V，即大量化(Volume)、多样化(Variety)、快速化(Velocity)及由此产生的价值(Value)。
要理解大数据这一概念，首先要从"大"入手，"大"是指数据规模，大数据一般指在10TB(1TB=1024GB)规模以上的数据量。
大数据同过去的海量数据有所区别，其基本特征可以用4个V来总结(Vol-ume、Variety、Value和Veloc-ity)，即体量大、多样性、价值密度低、速度快。
•数据体量巨大。
从TB级别，跃升到PB级别。
•数据类型繁多，如前文提到的网络日志、视频、图片、地理位置信息，等等。
•价值密度低。
以视频为例，连续不间断监控过程中，可能有用的数据仅仅有一两秒。
•处理速度快。
1秒定律。
最后这一点也是和传统的数据挖掘技术有着本质的不同。
物联网、云计算、移动互联网、车联网、手机、平板电脑、PC以及遍布地球各个角落的各种各样的传感器，无一不是数据来源或者承载的方式。
大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。
解决大数据问题的核心是大数据技术。
目前所说的"大数据"不仅指数据本身的规模，也包括采集数据的工具、平台和数据分析系统。
大数据研发目的是发展大数据技术并将其应用到相关领域，通过解决巨量数据处理问题促进其突破性发展。
因此，大数据时代带来的挑战不仅体现在如何处理巨量数据从中获取有价值的信息，也体现在如何加强大数据技术研发，抢占时代发展的前沿。
1.3. 大数据技术发展大数据技术描述了一种新一代技术和构架，用于以很经济的方式、以高速的捕获、发现和分析技术，从各种超大规模的数据中提取价值，而且未来急剧增长的数据迫切需要寻求新的处理技术手段。
在“大数据”(Big data)时代，通过互联网、社交网络、物联网，人们能够及时全面地获得大信息。
同时，信息自身存在形式的变化与演进，也使得作为信息载体的数据以远超人们想象的速度迅速膨胀。
云时代的到来使得数据创造的主体由企业逐渐转向个体，而个体所产生的绝大部分数据为图片、文档、视频等非结构化数据。
信息化技术的普及使得企业更多的办公流程通过网络得以实现，由此产生的数据也以非结构化数据为主。
预计到2012年，非结构化数据将达到互联网整个数据量的75%以上。
用于提取智慧的“大数据”，往往是这些非结构化数据。
传统的数据仓库系统、BI、链路挖掘等应用对数据处理的时间要求往往以小时或天为单位。
但“大数据”应用突出强调数据处理的实时性。
在线个性化推荐、股票交易处理、实时路况信息等数据处理时间要求在分钟甚至秒级。
全球技术研究和咨询公司Gartner将“大数据”技术列入2012年对众多公司和组织机构具有战略意义的十大技术与趋势之一，而其他领域的研究，如云计算、下一代分析、内存计算等也都与“大数据”的研究相辅相成。
Gartner 在其新兴技术成熟度曲线中将“大数据”技术视为转型技术，这意味着“大数据”技术将在未来3—5年内进入主流。
而“大数据”的多样性决定了数据采集来源的复杂性，从智能传感器到社交网络数据，从声音图片到在线交易数据，可能性是无穷无尽的。
选择正确的数据来源并进行交叉分析可以为企业创造最显著的利益。
随着数据源的爆发式增长，数据的多样性成为“大数据”应用亟待解决的问题。
例如如何实时地及通过各种数据库管理系统来安全地访问数据，如何通过优化存储策略，评估当前的数据存储技术并改进、加强数据存储能力，最大限度地利用现有的存储投资。
从某种意义上说，数据将成为企业的核心资产。
“大数据”不仅是一场技术变革，更是一场商业模式变革。
在“大数据”概念提出之前，尽管互联网为传统企业提供了一个新的销售渠道，但总体来看，二者平行发展，鲜有交集。
我们可以看到，无论是Google通过分析用户个人信息，根据用户偏好提供精准广告，还是Facebook将用户的线下社会关系迁移在线上，构造一个半真实的实名帝国，但这些商业和消费模式仍不能脱离互联网，传统企业仍无法嫁接到互联网中。
同时，传统企业通过传统的用户分析工具却很难获得大范围用户的真实需求。
企业从大规模制造过渡到大规模定制，必须掌握用户的需求特点。
在互联网时代，这些需求特征往往是在用户不经意的行为中透露出来的。
通过对信息进行关联、参照、聚类、分类等方法分析，才能得到答案。
“大数据”在互联网与传统企业间建立一个交集。
它推动互联网企业融合进传统企业的供应链，并在传统企业种下互联网基因。
传统企业与互联网企业的结合，网民和消费者的融合，必将引发消费模式、制造模式、管理模式的巨大变革。
大数据正成为IT行业全新的制高点，各企业和组织纷纷助推大数据的发展，相关技术呈现百花齐放局面，并在互联网应用领域崭露头角大数据将带来巨大的技术和商业机遇，大数据分析挖掘和利用将为企业带来巨大的商业价值，而随着应用数据规模急剧增加，传统计算面临严重挑战，大规模数据处理和行业应用需求日益增加和迫切出现越来越多的大规模数据处理应用需求，传统系统难以提供足够的存储和计算资源进行处理，云计算技术是最理想的解决方案。
调查显示：目前，IT专业人员对云计算中诸多关键技术最为关心的是大规模数据并行处理技术大数据并行处理没有通用和现成的解决方案对于应用行业来说，云计算平台软件、虚拟化软件都不需要自己开发，但行业的大规模数据处理应用没有现成和通用的软件，需要针对特定的应用需求专门开发，涉及到诸多并行化算法、索引查询优化技术研究、以及系统的设计实现，这些都为大数据处理技术的发展提供了巨大的驱动力。
2大数据应用2.1. 大数据应用阐述大数据能做什么?我们那么多地方探讨大数据，无非总结下来就做三件事：第一，对信息的理解。
你发的每一张图片、每一个新闻、每一个广告，这些都是信息，你对这个信息的理解是大数据重要的领域。
第二，用户的理解，每个人的基本特征，你的潜在的特征，每个用户上网的习惯等等，这些都是对用户的理解。
第三，关系。
关系才是我们的核心，信息与信息之间的关系，一条微博和另外一条微博之间的关系，一个广告和另外一个广告的关系。
一条微博和一个视频之间的关系，这些在我们肉眼去看的时候是相对简单的。
比如有条微博说这两天朝鲜绑架我们船的事，那条微博也大概是谈这件事的。
人眼一眼就能看出来。
但是用机器怎么能看出来这是一件事，以及他们之间的因果关系，这是很有难度的。
然后就是用户与用户之间的关系。
哪些人你愿意收听，是你的朋友，哪些是你感兴趣的领域，你是一个音乐达人，你是一个吃货，那个用户也是一个吃货，你愿意收听他。
这就是用户与用户之间的关系理解。
还有用户与信息之间的理解，就是你对哪一类型的微博感兴趣，你对哪一类型的信息感兴趣，如果牵扯到商业化，你对哪一类的广告或者商品感兴趣。
其实就是用户与信息之间的关系，他无非是做这件事。
大数据说的那么悬，其实主要是做三件事：对用户的理解、对信息的理解、对关系的理解。
如果我们在这三件事之间还要提一件事的话，一个叫趋势。
他也是关系的一种变种，只是关系稍微远一点，情感之间的分析，还有我们政府部门做的舆情监控。
他可以监控大规模的数据，可以分析出人的动向。
在美国的好莱坞，这两年也是基于FACEBOOK和TIWTTER的数据来预测即将上映的电影的票房。
他也是一个趋势的分析，只是我们把这个趋势提前来。
核心就是这三件事。
2.2. 大数据应用架构2.3. 大数据行业应用2.3.1. 医疗行业1. Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。
该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。
2. 在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。
通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。
3. 它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。
也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。
2.3.2. 能源行业1. 智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。
在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。
通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。
有了这个预测后，就可以向发电或者供电企业购买一定数量的电。
因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。
通过这个预测后，可以降低采购成本。
2. 维斯塔斯风力系统，依靠的是BigInsights软件和IBM超级计算机，然后对气象数据进行分析，找出安装风力涡轮机和整个风电场最佳的地点。
利用大数据，以往需要数周的分析工作，现在仅需要不足1小时便可完成。
2.3.3. 通信行业1. XO Communications通过使用IBM SPSS预测分析软件，减少了将近一半的客户流失率。
XO现在可以预测客户的行为，发现行为趋势，并找出存在缺陷的环节，从而帮助公司及时采取措施，保留客户。
此外，IBM新的Netezza网络分析加速器，将通过提供单个端到端网络、服务、客户分析视图的可扩展平台，帮助通信企业制定更科学、合理决策。
2. 电信业者透过数以千万计的客户资料，能分析出多种使用者行为和趋势，卖给需要的企业，这是全新的资料经济。
3. 中国移动通过大数据分析，对企业运营的全业务进行针对性的监控、预警、跟踪。
系统在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。
4. NTT docomo 把手机位置信息和互联网上的信息结合起来，为顾客提供附近的餐饮店信息，接近末班车时间时，提供末班车信息服务。