大数据 第1篇
1大数据
来自生物、医药、医械、临床实验与健康管理等各个方面的数据，构成生物医学的各类大数据资源，它们形式多样，具有自身的特殊性，主要表现在以下几个方面：
（1）原始数据量大，且呈异构、多样性。
（2）难以用数学方式表达其结构及特征。例如：医生对医学影像、信号和其他临床数据的解释多是非结构化的语言或文字形式自由的口述，难以标准化。
（3）数据可能包含冗余的、无意义的或不一致的属性，并且数据经常要更新。
（4）数据采集很难完全避免噪声干扰，而噪声往往会影响处理结果。生物医学大数据处理包括数据的收集、抽取与集成、分析与挖掘、解释和共享等诸多方面，涉及数据库、信息科学、统计学、高性能计算、网络科学、心理学等多个领域。
2生物医学信息处理
2.1数据挖掘在生物医学信息分析中的应用
数据挖掘是对海量数据进行处理和分析，找出数据间的隐含联系，发现未知规律，最终获得知识的过程。挖掘的过程包括信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘、模式评估和知识表示8个步骤[5]。近年来，数据挖掘是生物医学信息分析的常用手段，尤其是在循证医学研究、基因组和蛋白质组的研究领域中有很广泛的应用价值。KDNuggets在2011年全球数据挖掘应用行业调查的结果表明：健康行业位居10大数据挖掘应用领域的第3位。生物医学领域大数据多是不完整的、不一致的、有噪声的，数据具有独特的复杂性、丰富性、规模和重要性，需要数据挖掘的特殊关注。数据挖掘经典算法，如：分类、聚类、关联分析、序列等在生物医学数据挖掘时都可使用。
2.1.1 分类（Classification）
分类是根据己知数据的特征和分类结果，为每个类找到合理的模型(构造分类器)，然后用这些模型对新数据进行分类。K最邻近算法、决策树、支持向量机、神经网络等是常用的分类模型构造方法。疾病的诊断和鉴别就是典型的分类过程。例如：美国学者利用数据挖掘软件Clementine，以决策树算法为模型，分析挖掘了医疗机构HealthOrg的数据仓库中有关年龄、BMI指数、腰臀比和周锻炼次数等数据，得出糖尿病患病危险因素的分析结果。此外，还有一些国内外研究者针对肺癌、乳腺癌的诊断数据，通过分类挖掘的方法提高诊断的精确性。
2.1.2 聚类（Clustering）
分析聚类分析是将有共同特征或相似度高的数据对象实例聚成一类的过程，常用来研究样品或指标分类问题。聚类分析在生物医学领域已经得到广泛的应用，例如：可以根据流行病学特征属性的相似程度将病例数据划分成若干类，通过比较各个类别之间的临床医学状态特征属性的差异来分析某类疾病。国外学者选取SEER数据库中的217558例肺癌病例，通过分析每个病例的22个临床医学特征属性和23个流行病学特征属性的相似度后，将这些病例划分为20类，这就是典型的聚类分析。
2.1.3 关联（Association）分析
关联反映的是一个事件和其他事件之间依赖或关联的知识，可以通过表征事物特征的两个或多个变量的取值之间存在的某种规律性，找出数据之间隐藏的关联关系。关联现象在生物医学领域普遍存在，例如：临床上的某些疾病会同时呈现几种不同的病症，这些病症之间就表现为一定程度的关联性，而医生诊断病症的过程常常以观察症状为基础。
2.1.4 序列挖掘（SequenceMining）
序列是指按一定顺序或规律排列构成的一系列符号、数值或事件。存储于DNA、RNA和蛋白质中的遗传和功能信息可用符号序列表示，分析序列数据能找到其统计规律或发现序列组成部分片段之间的相似性或相同性，这是生物信息学研究中最常用方法。此外，还可用时间序列数据进行某些疾病的研究与治疗，例如：欧盟资助的T-IDDM（TelemetricManagementofInsulinDependentDiabetesMellitus）项目通过Internet采集糖尿病患者的连续监测数据，经时间序列分析后找到患者一天内血糖水平变化的规律和趋势，为医生调整或精确胰岛素治疗方案提供有效的数据和支持。
2.1.5 图挖掘（GraphMining）
利用待研究的数据对象构建图这种数学模型，然后从图中寻找频繁出现的子图，从而挖掘出有价值的信息。例如：美国学术界整合出2003年H5N1禽流感感染风险地图，经过图挖掘分析出2013年H7N9人类病例区域[11]。此外，从政府管理角度来看，公共卫生部门可以针对覆盖全国患者的电子病历数据库进行图挖掘，从而完成全面疫情的监测。
2.2文本挖掘——生物医学文献信息的大数据处理
2.2.1 文本挖掘
目前，全球医药类期刊近3万种，每年发表论文200多万篇，并且以每年7%速度递增，互联网上的信息资源约有30%以上的是与医学信息相关的。文本挖掘（Text-Mining）和信息可视化（InformationVisualization）是分析这些数据，揭示知识领域的内在联系的最有效手段。文本挖掘主要结合文字处理技术，利用智能算法，分析大量的半结构化和非结构化文本源（如文档、电子表格、电子邮件、网页等），抽取散布在文本文件中的有价值知识，并转化为可利用的知识的过程，其工作流程如图2所示，挖掘前要完成包括文本收集、文本分析和特征修剪三个步骤的预处理工作。文本挖掘多以计算机技术实现，文档聚类、文档分类和摘要抽取是应用最多的技术。文档聚类主要完成大规模文档集内容的概括、识别文档间隐藏的相似度、减轻浏览相关、相似信息等功能。文档分类多以统计方法或机器学习自动实现，简单贝叶斯分类法，矩阵变换法、K最邻近分类算法以及SVM等都是其常用的分类方法。摘要抽取主要是利用计算机自动地从原始文档中提取全面、准确反映该文档中心内容的简单连贯的短文。此外，文本挖掘的结果评价常用分类正确率、查准率、查全率、支持度和支持度置信度等世界公认的重要参数进行评价。生物医学信息处理领域所涉及的DNA序列综合特征分析、蛋白质功能和相互作用分析、疾病基因发现、药物作用靶点预测等都与文本挖掘技术密不可分。在我国，已经有一些研究者利用文本挖掘技术来研究医学文献背后隐藏的知识。临床上，医生用文本挖掘技术对疾病的处方和中药用药规律进行了分析。
2.2.2 信息可视化
信息可视化是一种运用计算机图形学和图像处理技术，将信息转换为具有一定意义图形或图像，并进行交互处理的理论、方法和技术。它能有效发掘、过滤和研究海量数据，以更直观、有效的方式使研究人员更容易发现隐藏在信息内部的特征和规律，深层次地发掘包括生物医学领域在内的多个学科的研究热点和研究前沿信息，为研究人员把握研究方向提供帮助。信息可视化的常用工具有TDA、CiteSpace、Histcite、Vxinsight等软件，主要完成数量统计、共现分析和统计图表、共现矩阵、节点链接图、技术报告展示等功能。例如：国外学者针对PubMed数据库中2002年到2011年的文献，分析了以“电子健康档案”、“医疗记录系统”和“计算机辅助诊疗”为主题的文献的引用情况后，用可视化工具展现其研究结果，使相关领域的科研人员很直观的了解了该领域的研究状况。
3总结与展望
生物医学领域的大数据时代已经来临，与大数据处理相关的新理论、新技术和新方法将给该领域的实质性进展提供有效的技术支持，不断进步的信息处理技术和方法必将是广大研究人员和医生从事研究和诊疗工作的利器。目前，我国相关的大数据的技术和应用还处在学习和跟随的阶段，掌握生物医学知识和大数据处理技术的复合型人才还十分有限，亟需在国家层面制定生物医学领域大数据方面的政策、加大资源投入，从而建立良好的大数据生态环境。同时，重视大数据科学和生物医学的基础研究和相关人才的培养。此外，在生物医学飞速发展越来越依赖数据的同时，也应该多关注隐私问题、数据的安全性问题以及由此涉及的伦理道德问题。我们相信，通过国家和广大科研工作者的共同努力，一定能出色完成生物医学信息处理的各项任务，为我国的生物医学发展做出更大的贡献。
作者：张艳 单位：上海理工大学光电信息与计算机工程学院 复旦大学数字医学研究中心 上海市医学图像处理与计算机辅助手术重点实验室
大数据 第2篇
一、大数据时代商业银行信用风险管理SWOT分析
（一）定性分析
1.优势分析。商业银行在多年发展中，拥有广大的客户群体，积累了客户基本资料、客户交易、客户存贷款等大量数据。在大数据时代，商业银行凭借其雄厚的资本，可以建立大数据服务器等设备，将这些传统数据与其他来源数据进行整合，数据分析人员通过云计算等技术手段挖掘出有价值的信息，从各个角度分析客户需求以及识别信贷风险，从而有助于商业银行更加科学地评价经营业绩、评估业务风险、配置全行资源，引导银行业务科学健康发展。
2.劣势分析。在现有的银行交易系统中，客户的身份证、交易流水等大量信息已被银行掌握，但缺少如客户的家庭情况、收入状况、消费习惯、兴趣爱好等其他方面的信息。另外，目前小微企业客户信息以及商业银行的产业链客户信息也比较缺乏，直接影响着银行对这些客户提供金融服务的水平。再者，大数据时代下，需要金融专业人才和数据分析人才相互配合，才能充分挖掘数据价值，但数据分析人员较为匮乏也将成为商业银行的软肋。
3.机会分析。刚刚进入大数据时代，商业银行应率先构架大数据战略体系，制定大数据发展战略，突破同质性，实施差异化业务发展战略，从而赢得先机。如果大数据获得成功应用，将为银行创造先发竞争优势，使银行决策从“经验依赖”向“数据依据”转化，打造不可复制的核心竞争力。“数据—信息—商业智能”将逐步成为银行定量化、精细化管理的发展路线，数据分析也将成为其风险防控的法宝。
4.威胁分析。大数据在给商业银行带来前所未有的机遇的同时，也给其带来了诸多威胁，例如大数据存在的风险、网络安全、数据失真等。在大数据开发利用过程中，云计算技术将会得到广泛应用。但是云计算将数据存入云端，而云端往往是由第三方服务器实现存取的，如果第三方将数据泄露，将会给银行带来极大的风险。另外，互联网金融正在颠覆着传统的金融模式，网商具有活跃的交易记录和巨大的金融需求，但商业银行很难开发到这些客户，将给银行带来挑战。
（二）定量分析
除了对大数据时代商业银行信用风险管理面临的内外部环境进行定性分析外，还可以进行定量分析。具体思路为：
①确定包括优势与劣势、机会和威胁等多于10个的内外部环境因素；
②利用主观赋权法、客观赋权法、层次分析法（AHP法）等任一方法确定各因素的权重；
③给各个因素打分，分值范围为1到5分，评分越高说明因素越重要；
④将各个因素的权重与得分相乘，从而最终计算出各个因素的加权分数；
⑤各个因素加权分数计算代数和得出公司的总加权分数，然后根据分数进行判断。某商业银行内外环境分析如附表所示。由附表可以看出，该银行外部机会大于外部威胁，内部优势大于内部劣势，应抓住大数据带来的机遇，充分利用信息技术，更加科学地评估业务风险、配置全行资源，引导银行业务科学健康发展。
二、基于大数据的商业银行征信系统构建
目前，我们已经进入了大数据时代，由于大数据包含的信息量大而且非常复杂，传统的系统已不能满足银行新的分析需求，有必要建立一个统一的数据环境，构建大数据的商业银行征信系统，采取新分析算法，搭建大数据跨业务的统一应用平台，从而满足银行精细化管理、差异化服务、提升风险分析能力的需求。
（一）大数据时代商业银行征信系统概述
在金融交易安全日益突出的今天，如何迅速、有效地发现各类欺诈行为，对保证商业银行的正常运作和国家人民财产安全都显得十分重要。商业银行征信系统要针对信贷风险防控工作的实际特点，通过客户交易信息以及客户其他信息收集来加强客户信用风险监测。系统总体见附图。附表某商业银行内外环境分析内部环境评分权重加权分外部环境评分权重加权分⑴整体竞争优势明显；30.100.30⑴云计算的快速发展；50.150.75⑵良好的客户群体；50.150.75⑵数据来源多样化；50.251.25⑶资本雄厚，有能力建立大数据库；40.050.20⑶科技发展为数据应用提供支持；40.200.80⑷拥有专业客户人才；30.200.60⑷精准评估业务风险；40.251.00⑸良好的内控环境；50.251.20⑸先入为主的机会；40.150.60优势⑹丰富的风险防控经验；50.251.25机会⑹精细化管理的趋势。40.100.40小计1.004.30小计1.004.80⑴缺乏个人客户基本信息；-30.25-0.75⑴网商的竞争；-50.3-1.50⑵缺乏小微企业基本信息；-30.20-0.60⑵大数据安全风险；-50.25-1.25⑶缺少产业链客户的信息；-40.20-0.80⑶网络安全面临挑战；-30.2-0.60⑷缺乏专业的数据分析人才；-30.10-0.30⑷外部风险事件的影响；-30.15-0.45⑸缺乏非结构化数据收集能力；-50.15-0.75⑸外部风险来源多样化。-30.1-0.30劣势⑹商业运营模式面临变革。-30.10-0.30威胁小计1.00-3.50小计1.00-4.10优势劣势合计0.80机会威胁合计0.70系统将从海量数据中提取出有关联的数据信息，以发现潜在或已知的风险，系统将数据仓库、模型库、知识推理、人机交互四者有机地结合起来，充分发挥数据挖掘的作用，通过建立风险评估模型较好地处理数据资源中存在的模糊性和随机性，在成熟的模式识别技术和智能分析技术的辅助下，对银行业务的全方位、多角度的可靠性分析和风险评估，有助于商业银行实施全面风险管理体系，从而进一步提高融资、贷款、授信等方面的风险评估、监控水平。
（二）大数据时代商业银行征信系统工作原理
1.数据原料。数据原料是商业银行风险防控中的关键一环，它直接影响到数据挖掘的效率、精准度以及所得模式的有效性。目前，商业银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，在以大数据引领、以智能化为核心的产业变革时代，银行要真正将数据作为风险控制的源点，有效整合来自银行网点、PC、移动终端设备、社交网络、征信机构等传来的结构化和非结构化的海量数据，既要获取常规渠道的数据，又要收集社会化媒体数据，真正将数据作为战略性资产，实现从管控风险向经营风险方向的转型。
2.数据工厂。数据工厂是利用数据挖掘理论与技术将数据中潜在的、有用的模式搜索出来，是整个征信系统最为关键的一步，也是技术难点。在数据工厂中，系统通过数据抽取工具、数据集成工具、数据过滤工具、数据挖掘工具以及模式评估工具等，从海量数据原料中提取辅助决策的关键性数据，并经过归纳总结、推理、分析数据，利用数据挖掘中分类、聚类、偏差检测、概念分析、异类分析、关联分析、时序演变分析和元数据挖掘等功能，完成对银行信用风险控制、银行市场风险评估和银行操作风险评估，从而帮助决策者对信息预测和决策起作用。
3.数据产品。数据工厂最终的结果是数据产品，把所有最终经挖掘发现的知识直观地通过可视化技术展示给商业银行，以帮助其理解和解释数据挖掘的结果，控制信贷风险。这些数据结果既包括传统的诸如违约率、违约损失率、违约暴露和违约期限等客户信用信息，也包括客户的其它方面的信用记录、客户的信用评级以及对市场风险的评估。当然，整个数据挖掘过程是一个不断反馈、循环往复的过程，信用评级结果也是动态变化的。
4.数据应用。经过数据挖掘得出的风险评估结果为商业银行评估信贷业务的风险和收益情况提供了量化工具，改变了单纯被动信用风险管理模式。在此背景下，商业银行应规范贷款审批标准和审批程序，优化金融信用监控机制，完善组织架构和规章制度，实施风险动态防控，使信贷风险管理体系健康运行。
三、大数据时代商业银行信用风险管理应注意的问题
在“大数据”时代，商业银行面临着信用风险防控的新形势，要积极做好如下应对工作。
（一）风险意识要思维开放
商业银行在进行风险预测时，需要考量政策、人为的操作风险、市场环境等等众多因素，但现有的技术水平难以支撑挖掘大数据的商业价值。因此，商业银行需要具备一种像互联网一样的开放式思维，建立分析数据的习惯，重视“大数据”开发利用，关注与风险预测高度相关的大数据信息，如客户的基础信息（如客户开立账户时留存的住址、年龄、从事行业、性别等等）、客户交易信息（如客户在ATM机上的存取款情况、使用银行卡、购买理财、使用其他业务的记录等等）、外部的信息（从互联网、电信运营商、证券交易所等处挖掘来的有关信息）等，用数据说话，从而提高不确定风险的预测水平。
（二）数据整合要注重质量
大数据很多时候是从一种非传统的角度去分析、挖掘、利用数据价值的思路。由于数据来源庞杂广泛，需要不断利用技术创新去挖掘利用大数据的价值，再加上数据之间的关联性很强，商业银行应建立自己的数据地图，整合银行内部数据和大数据链上的其它外部数据，坚持做到数据要依照标准化采集，确保数据来源真实可靠，杜绝以假乱真；同时构建专门的数据分析方法和使用体系，对数据进行规范化处理，并严格按照国家法律法规进行使用，从而确保数据质量，提高数据应用性。
（三）系统建设要高屋建瓴
大数据具有一般数据所不具备的特殊性，传统的处理工具和解决方案难以满足针对大数据的处理和分析需要，因此需要采用新的处理模式，才能发挥大数据的效能。商业银行需要投入大量资源加快完善高度集中、完备、综合、专业的数据仓库系统，建设完善数据仓库项目，从而适应“大数据”技术的需要。在系统建设中要高屋建瓴，要把对于非结构化数据分析的技术与现有的、基于结构化数据的分析工具相结合，预装一些成熟的数据挖掘算法和文字文本的算法，完善数据挖掘工具的扩展性，便于数据分析人员能够快速地进行大数据分析。同时，对资源的投入一定要有相当的前瞻性，并兼顾当前实际，尽可能地实现资源利用最大化。
作者：谷增军
大数据 第3篇
一、大数据时代的大学教育
1、对大学教育的影响
大学教育是第二次产业革命时为了适应工业所需的大量的技术人员的产物。当今，学生知识的来源不再局限于课堂，不再拘泥于某一个专业，他们可通过互联网、微信、微博等信息平台来获取文本的、图像的甚至是视频的各种知识。学生的知识面将比以往的任何朝代更加宽范，对校园以外世界的了解将更加深入。比如现在的在线教育平台edX和Mooc，上面有世界著名学府的各种课程，包括我国清华和北大的优秀课程。学生只要通过互联网，就可以接受到名校的教育，在学习过程中，通过鼠标点击的记录，可以研究学习者的活动轨迹，发现不同的人对不同的知识点有何不同的反应，用了多少时间，哪些知识点需要重复或强调，哪种陈述方式或学习工具最有效。通过分析这种秩序和规律，在线学习平台也在逐渐弥补没有老师面对面交流指导的不足。同时现在的教育平台还能通过虚拟现实进行实践辅导。以麻省理工开放的电子电路课程为例，注册这一门课的人比整个麻省理工所有在世校友总数还多。由此可见，许多学生已经把注意力放到了课堂之外。
2、如何积极应对
对于学校：在学生从课堂走到互联网时，未来的学校存在的意义在哪儿，是学校更应该关注与关心的。学生可以在宿舍甚至在家就完成了各种课程的学习和同学之间的交流，那么对学生的考核和效果的评定也不再局限于某一个固定场所来进行。学校更应该重视图书馆电子资源的建设和开放，更应该重视实践实验室的建设，提供更多方便学生来进行实习和实践训练的场所和项目。对于教师：在大数据时代，教师的教与授又该体现在哪儿呢？我们更应该深刻思考，改变传统的课堂教学的思维模式。我们可以将教的过程放在网络平台上，放在课前来进行，课堂中以学生做作业、教师指导和答疑为目的。这只是改变了传统的教学模式，对于教师自身我们又该如何作呢？在面对丰繁复杂庞大的数据时，我们应积极跟进发展自我，重新进行定位。一类应加强自己的实践操作能力，专业从事实践辅导和教学；另外一类专业从事研究；另外一类抓住大数据所给予的机遇，发展自己，跟上时代步伐，成为专业化极强的教师，对专业进行解惑和学习方向的指导。对于学生：知识和信息量极大丰富，我们如何从中甄别出有利于自己的知识，对自己进行特色化的教育，需要自己的判断力和教师、家长的指导。我们要关于利用已有的学习平台和学习媒介，不断提高自己的自学能力，发展自己的创造性和创新性的能力。
二、小结
大数据和大数据时代，数据量的指数级的增长，给我们带来了无限的机遇，同时信息的准确和真实性也是需要我们不断地发掘方法和技术进行改进的。高等学校的教师和学生如何应对这个新的时代，跟上时代的步伐是我们每一个都应该深思的问题。
作者：胡艳慧 王文晶 单位：山西大学商务学院
大数据 第4篇
一、基于大数据的网络教育研究现状分析
“大数据”成为互联网热门词汇大约从2009年开始，到了2013年，大数据对各领域都产生了巨大的变革力量，2013年被称为“大数据元年”。[1]大数据时代势不可挡，与媒体密切相连的特性使得参与网络教育的人员会通过更多的移动设备接入到网络中，数据的数量会大大增加，增长速度会大幅加快，大数据对于网络教育的影响不仅仅在具体方法上，也体现在思想上。对于文献的检索，我们通过高级检索，分别以主题为“大数据”包含“网络教育”、“在线教育”、“远程教育”为关键词在中国知网（CNKI）中进行检索，共检索到相关期刊文献64篇，手工去除不符合要求的通知或者征稿等无关信息，剩余18篇文章。文献发表时间分布于2013年至2014年，数量也从4篇迅速增长到了14篇。文献的主题也多种多样，主要集中在平台建设发展、学科建设、师生关系、学习工具等方面，研究者主要关注大数据技术的发展和应用对传统的网络教育产生的深远的影响，帮助网络教育摆脱发展瓶颈，找寻到一条符合国内现状的发展道路。可见由于大数据的迅速发展，对教育领域特别是网络教育产生了巨大的影响。
二、我国基于大数据的网络教育研究的内容分析
大数据技术在网络教育的应用，对于传统平台的更新建设，推动学习者个性化学习，促进师生交流、生生合作都具有非常重大的意义。另外，对于平台中课程点击量、浏览量的记录和分析，也能动态地设置学习内容，教学组织形式，满足学习者多样的学习需求。
（一）通过对大数据的梳理，分析网络教育
平台发展困境，有针对性地寻找解决方法，以促进平台的建设张辉[2]指出：移动学习绝不是简单的网络学习移动版，需要更深层次的探索和研究。在大数据的支持下，研究者可以得到全文本的数据进行分析。通过对发展模式、受众对象、学习资源、支撑环境等数据的分析，我们发现网络平台发展的现实困境，理论研究深度不足、学习资源针对性不强、即时通信反馈手段落后，这些问题制约了学习者平台学习的动力。根据问题有针对性地作出切合实际的需求分析，进行个性化的信息建设，加强实时反馈提高学习效率，从而建立全方位覆盖社区居民学习需求的学习平台，有效落实建设学习型社会的要求。翟霞[3]指出：大多数干部网络教育平台的考评采用“学时制”和“学分制”，即以学习时间作为学习的考核标准之一，这样的方式即使学习者只是播放学习课程而没有进行学习，平台也无法得到相关数据和反馈。大数据技术可以为其提供学习过程的监管，对学习者学习提供有效的进度控制和实时反馈，为学习者提供根据随课程内容和学习者反馈而变化的帮助。网络教育平台学习者每一次学习的数据的收集和分析，能够为平台发展建设提供有价值的参考，帮助平台优化学习者的学习环境。基于大数据的分析调查比以往基于抽样的问卷或者电话调查的方法都更加全面有说服力。
（二）教学和考核方式的创新推动学习者学习的个性化发展
大数据时代，学习者在学习过程中留下很多数据碎片，通过分析这些数据碎片能够分析出学习者的学习模式，为学习者提供个性化发展的环境。马星宇[4]指出，新兴在线教育在教学以及考核方式上较以往的开放式教育有所创新，以MOOCs（MassiveOpenOnlineCourses）为代表的新兴在线教学模式的特点就是让任何人在任何时间都可以学到任何知识，这必然会改变传统的以传授单一课本知识为基础的教学模式。对于教师来说，科学技术的进步，能够使学生的反馈更加细化帮助教师有效评估每位学习者的学习情况，为学习者提供符合他们学习需求的进度和强度。对于学习者而言，学习者通过对自己学习数据的分析也能够进入“自主进度式学习”，数据分析结果让学习者根据自己的进度使用视频进行学习，学习者根据自己的进度在掌握不好的章节进行反复学习，直到达到100%精通。对于学习内容的构建，在线教育就是一种基于标准算法和数据挖掘为基础的个性化学习服务。只有不断根据目标学生的需求和社会的需求来不断完善教学内容，才能满足学习者获得知识的需求。张辉[2]指出，依靠“大数据”的分析能够建设用户参与资源的个性化配置和推送，自动生成每个学习者感兴趣的教学资源。在线平台要收集学习者在平台上依据自己的兴趣点和关注点进行主动地点播学习内容的“点击流”数据，根据一定的规则给予每个学习者适当地资源推送。从而满足每个学生学习的个性化需求，促进学习者的个性化发展。
（三）大数据环境实现网络教育完美的在线交互活动
为了平衡资源分配的不均衡，中国早期的在线教育只是简单的把传统课堂中的课程的学习内容和学习材料照搬到网络上，使网络成为知识流动的通道。刘涛指出，这样的在线教育与传统教育相比，唯一的区别就是学习材料的数字化和学习界面的网络化，缺乏“个性化”的在线课程导致在线教育的学习效果大打折扣，效率比传统教育显得低下。这种困境应该通过大数据环境推动在线服务的个性化，促进新型师徒关系的产生，即在线教育的数据库根据每个学习者的不同个人情况提供完全“个性化”的学习内容，包括具有针对性的学习材料，通过在线测验发现每个学习者的知识弱点，针对这些弱点进行相对应的重点训练，基于记忆规律的复习提醒机制。这种就形成了师生的新型“师徒关系”。这种模式能够让教师完全了解每一个学习者的水平和学习能力，显然是学习的最有效的方式。邢丘丹等指出，在线教育交互分为个别化交互和社会化交互，前者是学习者和学习资料之间的交互，后者是学习者和教师或者学习者之间的交互，社会性交互是提高在线教育交互水平的关键因素。在线交互平台身份认证体系的建立，针对信息资源的存储和分析，服务器等硬件设施的架构都能够推动在线教育交互活动的顺利进行。
（四）大数据时代推动新型学习支持工具的发展
张振虹等[8]指出，学习仪表盘是随着在线教育蓬勃发展和大数据时代来临而产生的一种新型的学习工具，基于信息跟踪技术和镜像技术，对学习者的学习行为、学习习惯、兴趣等信息进行有效的记录和追踪，通过科学化的分析，达到可视化和个性化的显示，为在线学习的学习者、教师、教育管理者和研究者提供多方面的学习信息，也帮助学习者进行有效的自我认知，帮助自我实现个性化学习。新型学习支持工具的出现和发展为学习者在网络平台进行学习提供了高效的学习支持。
三、研究的发展趋势
通过上述的梳理和分析，我们发现大数据技术的应用大大促进了网络教育的发展，将贯穿网络教育实践的每一个阶段，帮助学习者根据自身的需求合理选课，学习具有针对性的学习方法；指导教师针对学习者的不同特点应用适当的教学方法因材施教；更能够大大减少网络教育管理人员的工作负担，利用计算机技术事半功倍地完成对学习资源的建设，对教师和学习者的管理；更为重要的是，用人单位能够利用大数据了解学习者的学习过程，全面地匹配应聘员工与职位的吻合度，这些必将是网络教育未来发展趋势。目前研究者的研究大都集中在理论阶段，具体实践较少，研究的内容集中于平台的教学内容建设，师生交互关系等内容，对于大数据的发展对于平台建设效率的提高及数据安全等方面涉及甚少。在未来基于大数据的网络教育的研究中，应该多吸取国内外研究的先进成果，在实践中不断发展深入。随着云计算、物联网、移动互联网的发展的不断成熟，大数据技术将不断地在网络教育中得到应用和推广。
作者：何悦恒 单位：福建师范大学
大数据 第5篇
一、大数据时代经济增长的大变革
由于互联网的发展产生了大量的数据，对这些数据应用计算机技术、数学模型、统计分析等进行处理，就有可能成为有价值的、可销售的数据产品，这种基于数字技术下的创新性信息使用方法，提高了决策者的决策效率及可信度，能够引起整个服务业和制造业本质性的改变。因此大数据蕴含着极高的经济和商业价值。对于大数据的概念，企业和学术界目前尚未形成统一的定义。研究机构Gartner将大数据定义为需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。美国国家科学基金会(NSF)将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网站点击流等多种数据源生成的大规模、多元化、复杂的、长期的分布式数据集”。麦肯锡认为大数据是指无法在一定时间内用传统数据库软件工具对其内容进行采集、存储、管理和分析的数据集合。当前对于大数据的特点主要存在两种观点:Dumbill采用IBM公司的观点，认为大数据具有“3V”特点，即数据量大(Volume)、数据类型复杂(Variety)、产生速度快(Velocity)。还有部分学者认为大数据具备“4V”特点，在3V的基础上增加了价值性(Value)。
(1)数据量大(Volume):目前数据的计量单位用太字节、泽字节和尧字节计算。IDC《数字宇宙膨胀:到2020年全球信息增长预测》显示，数字信息每年按照几何级数态势递增，到2020年数字量将达到40ZB。
(2)数据类型复杂(Varie-ty):相对于传统的便于存储的结构化数据，大数据下非结构化数据越来越多，比如网络浏览轨迹、视频、音频、图片、地理位置信息等。数据类型的多样性对数据的处理能力提出了更高的要求。
(3)产生速度快(Velocity):数据的产生和更新频率快，每秒都在即时增加，因此大数据的存储以及实时处理和分析能力是大数据背景下技术创新的关键要求。
(4)价值密度低(Value):存储的数据量大，但是蕴含的价值低。比如一段监控视频时间长达2个小时，但是有用的数据可能只有1～2分钟。数字技术是指对产生于人机交互、物联网等以结构、半结构、非结构形式存储于数据库中的数据，进行提取和集成，以模式识别、数据挖掘、可视化以及统计分析等技术手段，通过数字技术生成模块化的专用数字技术处理软件包，进一步通过模块集成实现决策支持、智能生产、智能服务、预测等技术创新，实现大数据的价值化。根据大数据的特点可知大数据和传统数据的差别主要体现在数据处理技术上，大数据下的数字技术包括传统基本数据处理技术如模式识别、数据挖掘、可视化、统计分析，和高级数据处理技术如移动计算、社会化媒体、物联网、云计算、分析和预测五种技术，这五种数字技术融合后方能产生巨大的技术创新。移动计算指的是计算的实时性、动态性，即人和计算机的实时交互，机器和周围环境的实时交互，通过移动计算，增加了数据使用技术在地点和时间上的灵活性，数据的实时处理是大数据的最核心技术。社会化媒体是指人们可以在社会化媒体平台发布信息、分享内容、互动交流。社会化媒体平台的使用数据具有“流”的特性，大数据流的特性改变了人们收集和评价信息的方式，也改变了技术创新方式。物联网描述的是物理对象间的连接，这种交互作用发生在机器与机器之间，对象与对象之间。物联网的形成开启了服务创新、生产创新和增值过程的新维度，是新的增值模式和商业模式的基础。云计算指的是一种基于互联网的计算方式，主要解决数据的结构问题和管理问题，共享的软硬件资源和信息按需提供给不同的使用者，通过云计算加快对信息的发现、组织和协调并为技术创新提供服务。分析和预测是对大数据进行关联、趋势性等知识发现技术，由于大数据的海量性、动态性、类型多样性和价值低密度性，有价值的信息隐藏于碎片化的数据关联中，而且随时间的流逝不断减少，因此传统的优化算法、抽样学习的数据挖掘技术、统计分析方法已不适用，基于知识发现的分析和预测技术是大数据的关键技术。针对大数据下的这些数字技术融合就有可能产生技术创新，就可能实现服务智能化、生产智能化、决策智能化等等。大数据时代给经济增长带来了大的变革，这种变革体现在:一是信息化与工业化的融合，大数据时代的本质是互联网基础上的信息技术在经济增长和工业化中的广泛应用，其核心在于信息化与工业化的融合。大数据并不能生产出新的物质产品，也不能创造出新的市场需求，大数据的价值，不仅是大数据技术本身，更是应用创新产生的经济社会价值，能够让生产效率大幅提升，从而使工业制造的生产效率得到大规模提升，并进一步促进经济发展。二是促进产业融合。大数据时代信息化和智能化的广泛使用，使得不同产业或同一产业不同行业相互渗透、相互交叉，最终融合为一体，逐步形成新的产业。在技术融合、数字融合基础上所产生的产业边界模糊化，产业由分立走向融合，产业融合能够通过建立与实现产业、企业组织之间新的联系而改变竞争范围，经济增长效率大幅度提高。三是技术创新发生变化。在大数据背景下科技创新与产业结合程度加强，而且由于信息化的广泛使用，信息化和工业化的深度融合，技术创新的协同性和共享性加强，科技创新与产业结合对经济增长的作用加强。
二、大数据下数字技术创新的新特点
大数据下的技术创新与传统渐进性技术创新有本质的不同，主要体现在创新方法、创新模式、创新管理、创新过程和创新结果五个方面。大数据背景下数字技术基础上的技术创新具有一些新特点:
1．数字技术下的技术创新方法具有组合性传统的技术创新方法基于专业理论、专业技术和市场目标的共同作用，而大数据环境下的数字技术创新方法更多地来源于对不同技术的组合式创新。创新不仅是一种基于理论背景下的基础性创新，而更可能是利用现有的数据技术手段和已有信息进行重新组合，技术创新方法的组合性主要体现在对数字的敏感性洞察以及创意路径实现的组合。对于客户消费行为的数据技术分析可以开发出BI系统。对于共众通信数据分析可以开发舆情系统，KevinSystrom和MikeKrieger将Facebook最受欢迎的照片共享思想植入到智能手机中，开发出了能够改变照片样式的软件。这些说明了数字技术提供了一种组合式技术创新的可能性。
2．数字技术下的技术创新模式具有开放性传统的技术创新模式强调独立创新、合作创新和引进创新模式，这些创新模式聚集对要解决的问题相关领域精通的专业性人才来提供技术创新方案。专业人才具备高精尖科技知识，能够从更加专业的角度提出建议，而大数据下的技术创新能够突破对专业人员和研究领域的限制。数字技术提供了一个开放式的创新环境，每个人都能够在开放平台上对要解决的问题进行新思想的交流与技术创新的实现。纳特•特纳和扎克•温伯格是沃顿商学院学习经济学和创业学的学生，二人虽然没有学过医学知识，但他们创办的公司flatironhealth正在试图用大数据分析技术找到治疗癌症的方法。这种群体力量参与和数字技术爆发出来的无限的智慧正是大数据下技术创新的模式。
3．数字技术下的技术创新管理具有突破性突破性技术创新是基于不同科学原理和技术方法之上的创新，能够使产品具有新的性能和较低成本，且具有毁灭性，能开拓新的市场和潜在的应用，如石英钟的出现给机械表以致命冲击。数字技术下的融和式技术创新是突破性技术创新，单个领域的技术有可能只服务于特定背景下的产品或者服务，而不同领域技术的有效融合则可能衍生出更多的相关性技术创新。在技术进步的过程中，渐进式创新是阶段性的、变革性的，而突破性技术创新是永恒的、革命性的。传统的技术创新需要高成本的投入，大量的人才培养及储备、基础设施的建设、先进设备的研发及引入，通常这些投入需要经历一定的时间才有可能获得创新成果。基于数字技术平台，每个企业、机构甚至个人都成为了创新的主体，创新也不再局限于某一技术领域，而是以多种方式存在。如云端存储服务及数据分析业务就为企业提供了一种成本相对较低的创新思路，从而使得技术创新具有更低成本。
4．数字技术下的技术创新过程具有非线性线性创新和非线性创新是基于创新过程的一种区分。线性创新过程是一个“基础科学－应用科学－设计试制－制造－销售”的单向的、逐次渐进的过程，创新起源于基础研究。非线性创新过程突出了创新的多层次、多环节和多主体参与，在非线性创新过程中创新绝不是从研究到应用的线性链条，从小众到大众的传播过程。数字技术下的技术创新突破了线性技术创新的思维，从创新的方式、主体、阶段等方面进行非线性交互创新，是企业内外各种与技术创新有关因素相互作用的结果，突出了创新的多层次、多环节和多主体参与。在大数据时代，技术创新被认为是各创新主体、创新要素交互复杂作用下的一种复杂涌现现象，是创新生态下技术进步与应用创新共同演进的产物。
5．数字技术下的技术创新结果具有通用性通用性指能够在多行业使用的创新技术，通用技术创新具有普遍性，能够随着时间推移催生大量的创新，数字技术下的技术创新具有这些特点。数字技术下通用性创新主要是由于创新的方法是组合式创新，对于已有发明或者技术创新，经过组合后有可能产生新的创新。这种创新方法表明，每一次的技术创新会成为未来创新的一块积木，在不断的积累过程中，就产生了持续技术进步。数字处理技术使得所有领域都能够获得海量的数据，并无限制地被复制和重复使用。因此，具有潜在价值的数字化积木式技术创新以前所未有的速度成倍增长，并且还在持续地提供未来组合式技术创新的可能性。
三、大数据时代我国新常态经济增长中数字技术引领技术创新的路径转型
当前中国经济步入以中高速增长为标志的“新常态”，新常态不仅意味着经济增速的放缓，更意味着经济增长动力的转换和经济增长方式的转变，在新常态背景下，中国经济的增长需要实现创新驱动战略的支撑。在新常态的创新驱动中，我国面对大数据下技术创新带来的机遇和挑战，面对传统技术创新的路径依赖和数字技术下技术创新的特点，要发挥我国自身资源优势，实现数字技术引领技术创新，推动我国经济增长潜力开发，就要加快推进数字技术引领技术创新路径转变。
1．实施“政府组织+国企研发”的数字技术创新计划技术创新正在成为大数据时代的发展关键词，而且大数据下的技术创新具有开放性，特别是在数字化工厂方面，实现过程中有大量需要进行标准化的内容，欧美国家在这一方面起步早，已制定出系统集成、安全保障、数字化工厂、能耗等技术标准，因此要积极引进和参与国际化标准工作，同时实施举国体制，发挥政府作用，组织开展我国的技术标准化研究，争夺制造业竞争的话语权。另外，在产品市场规模巨大、产品集成复杂的重大技术创新领域，借鉴“高铁”技术创新模式，由政府牵头，发挥国企研发力量，重点突破某一领域的技术难题。在实施“政府组织+国企研发”的数字技术创新计划中，重点要持续推进大数据平台建设，构建信息共享机制。大数据环境下的技术创新是基于数据库基础上的，因此要持续推进数据库、知识库、云计算库、数据分析库的基础平台建设，大数据下人人都是技术创新者，要构建基于服务的、集成智能分析、快速决策分析的大数据处理支持系统接口，建立促进群体成员之间信息沟通、共享和促进群体技术创新的交互平台，建立开放的大数据技术创新体系、协同创新模式和评估机制，以推动新常态下数字技术对技术创新的引领。
2．建立技术创新的市场机制，引导企业自主创新随着我国经济体制改革的深化和对外贸易的开放，市场化进程不断加深，我国逐渐成为全球最大的产品市场，市场化需求确定了技术创新方向，技术创新中的市场杠杆作用越来越显著，因此要完善大数据下技术创新的市场机制，引导企业根据自身优势及市场需求，发现创新机遇并且进行自主创新。在引导企业自主创新的过程中要强化知识产权保护，制定税收减免政策，激励企业技术创新。企业作为技术创新的主体，在研发新技术、发现新知识过程中形成的无形资产如果无法得到法律的保护，企业就缺乏技术创新的动力。知识产权的清晰界定以及产权保护有助于企业开展自主创新，从技术创新中获得高额收益，从而促进更加长远的技术创新。我国目前对于知识产权界定、保护以及知识使用的制度及法律还不完善，因此，政府应该加大对于知识产权的保护力度，制定相关的制度政策及法律法规保护企业的自主创新成果，鼓励技术创新。此外，要通过税收减免政策激励企业加大技术创新的投入强度。
3．加强数字技术人才培养，实施全球人才引进计划大数据时代的到来使新常态下的中国企业面临新的机遇和挑战，企业应用和行业动态呈现出新趋势和特征:社会网络与社会计算、云计算、协同化软件与技术、新型电子市场与新型电子商务将转变企业运作和组织架构。大数据时代企业的关注点将从传统的决策支持系统、智能系统、数据库建模与设计、信息系统规划、开发方法等方面逐渐转移到以新概念、新技术实行的决策分析、信息安全和风险管理等领域上。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理，大数据环境下技术创新的实施，需要一大批对于大数据的搜集、处理、分析、决策支持等方面的高层次人才。因此在大数据背景下中国新常态的经济中，要加强数字技术人才培养，实施全球人才引进计划:一方面通过加强我国高校计算机、电子专业建设，调整培养方案，优化教学环境，创新创业项目实施，以培养掌握数字技术基础型人才，加强人才队伍建设，搭建人才创业平台，营造人才创业环境，引导大数据人才创造;另一方面我国需要制定全球数字技术人才引进计划，特别是了解核心技术的专业人才和数据分析师的引进，并为人才的流入做好政策支撑。
4．加大企业数字技术的研发投入力度，优化政府投资结构科研资金投入是保障技术创新的必要条件之一，投资的主体主要是政府和企业，我国政府的研发支出仅次于美国，但是作为技术创新主体的企业投入相对低。根据管理咨询公司思略特的《全球创新1000强》报告，2014年全球企业研发投入达到6470亿美元，这一数字占全球创新总投资的40%，美资企业的研发投入规模位居全球第一，达到2569亿美元，其次是欧资企业达到1938亿美元，然后是位居第三的日资企业达到1167亿美元，中国企业仅有300亿美元。排名前十的企业分别是大众汽车公司、三星公司、英特尔、微软、谷歌、默克公司、丰田公司，还有三家医药企业，其中研发投入分别达到135亿美元和134亿美元，而我国最大投资的公司排在第62位。从投资去向看这些资金主要投资于医疗保健和计算机这两个行业，占据了全球研发总支出的一半，其次为汽车和软件。从企业投入资金数量上看出我国企业投入力度极低，同时与美国投资主要集中于医疗保健、数据信息为代表的新兴技术产业相比，我国投资结构呈现分散局面，因此在新常态的经济增长中要制定针对我国企业的相关政策和考核办法，以加大企业研发投入力度，并汇聚政府的投资于数字技术为核心的战略新兴产业的研发。
作者：茹少峰 李祥丽 杜建丽
大数据 第6篇
一、大数据特征
大数据的特征常用4V来表示，具体是指大数据的四个显著的特征：第一是数据体量，主要指的是巨大的数据量与数据的完整性。第二是数据类型，指数据的种类非常的多而且复杂，大数据技术就是要在这些复杂的数据类型之间寻找其关联性。第三是处理速度，爆炸式增长的数据量要求快速化的处理速度，才能使得数据的有效利用。第四是价值，大数据的最终目标是将庞大数据中找到数据时间的价值关系，通过找到低密度的数据价值对决策做支持。当前大数据技术不仅产生于特定领域中，而且还产生于我们每天的日常生活中，Facebook、微博、微信等社交媒体上的数据就是最好的例子。大数据发展为社会各领域带来的机遇和挑战，网络思想政治教育作为信息时代育人的新载体自然无法回避这个新的环境变化。分析大数据对网络思想政治教育带来的巨大机遇与严峻挑战，探讨如何在大数据时代创新网络思想政治教育的具体措施，进而为下一步发展提供有益的指导已然成为热点研究问题。
二、大数据时代下的网络思想政治教育的新发展方向
（一）树立大数据时代的网络思想政治教育的数据意识网络思想政治教育必须顺应科技与时代的发展。大数据时代教育工作者需要树立网络思想政治教育的数据意识，这是发展大数据环境的网络思想政治教育的首要前提。针对大数据发展网络思想政治教育可以分为如下三个方面。首先是要全面了解和分析大数据本身，理解大数据是什么、大数据的变革力量何在、大数据的未来发展趋势等等；其次是在理解大数据的基础上，系统地分析大数据时代对网络思想政治教育可能产生的影响，带来的机遇和挑战。最后是充分的确立数据意识，意识到数据是现代社会最具价值的资源，是发展与决策的源泉。用数据意识驱动网络思想政治教育工作创新发展，例如在一定的数据分析基础上将灌输式集中教育变为交流式个别教育。
（二）借助大数据技术对网络思想政治教育进行量化研究
定性研究与定量研究相结合是网络思想政治教育的重要研究方法。定量分析法是对社会现象的数量特征、数量关系与数量变化进行分析的方法。定量分析使用数学模块对研究对象可量化数据进行的分析，通过分析对目标给予评价并做出判断。定量分析方法始终受到教育工作研究人员的关注，因为网络思想政治教育中存在极大的不确定性和动态性的因素，定量分析方法可以帮助我们对网络思想政治教育进行科学评价。但与此同时定量分析方法具有很大的复杂性，受很多技术因素的限制，一直不能很好的发挥作用。大数据技术的出现为定量研究提供了一种新的技术手段，成为科学研究新的范式。定量研究可以运用大数据技术进行理论假设、建立数据模型以及数据分析验证。由此可见，大数据时代网络思想政治教育的研究，需要与数据资源丰富的机构单位合作，借助这些数据载体的平台、资源以及高精尖的技术，进行合理合法的挖掘教育对象的信息，从而精确的开展网络思想政治教育活动。另外，要建设一支过硬的网络思想政治教育队伍，不但要具备思想政治教育的专业知识，而且还要具备创新的网络教育观念、精通大数据等新技术手段。
（三）促进大数据时代网络思想政治教育信息资源建设
发挥大数据技术的优势，分析网民的接受习惯，增强教育内容的实效性、趣味性，以服务成长成才为核心有针对性地加强功能开发，提高网络思想政治教育信息资源的受关注度。此外在信息资源建设过程中要注意好以下几点：首先要把握信息资源内容的方向性，弘扬主旋律、传递正能量。其次信息资源的形式要多样，通过文字、声音、图像等形式，经由微博、微信等新兴传播手段，提高教育的实效性。再次，信息资源来源要丰富，可以从各大媒体引进、从理论学习资料借鉴、从大型活动中总结、从日常工作中提炼，确保信息资源及时更新。
三、总结
通过以上的分析，可以看出，大数据时代网络思想政治教育必须在继承传统中实现新发展。坚持不动摇的是网络思想政治教育的基本结构、功能以及原则。创新发展的是符合大数据时代的教育内容与内涵，进而找准变化点，更新网络思想政治教育的研究方法，将网络思想政治教育带入新的发展阶段。
作者：方世敏 单位：南京政治学院
大数据 第7篇
1、财务分析与大数据时代
通常我们所说的财务分析就是指通过一定的专业方法对会计核算的数据资料进行全面的分析，这样一来也就使得工作人员可以更加科学合理的对企业的经营、投资和分配等能力予以考察的一系列活动，财务分析可以为企业的投资和经营活动具备更加科学合理的依据，使得企业经营中的各方都能对企业有一个更加全面的了解，同时在这一过程中也可以更好的推断出企业日后的发展方向，推动企业的科学决策。会计技术是制定财务报表的重要前提，财务报表为财务分析提供了众多的基础性数据。而管理人员可以在这一过程中借助财务分析对企业运营的基本情况予以了解和掌握，从而也就更好的制定出了一个更加科学有效的管理制度。财务分析实际上是让企业的财务人员对企业的历史和当今的经营状况有一个全面客观的了解，从而也就使得企业的财务管理工作更加的科学和完善。当前是一个信息化高速发展的大数据时代，所以这也给企业的财务分析工作带来了重大的转变。大数据是从信息化开始的，它在应用的过程中也必须要依赖于计算机网络技术，在发展的过程中，数据数量越来越多，种类也越来越繁杂，数据处理的速度也有了非常明显的提升。大数据从总体上来说是存在着一些固定特征的，它变化速度快，种类多，准确性也比较高。而且随着网络技术的不断改进和完善，大数据时代的发展已经成为历史的必然，这也给传统的数据处理和分析技术带来了非常大的挑战。
大数据在物理学和其他社会学科当中都有了非常广泛的应用，但是却一直都没有受到人们的关注，直到近几年，我国的互联网和信息技术得到了长足的发展才受到了人们的关注和重视。大数据是云计算之后在IT行业当中非常重要的一次技术变革，云计算通常是可以对数据内容进行保管，在这一过程中，数据才是最为有价值的内容。任何一个文化系统当中都可以分为三个层次，一个是制度，一个是技术，一个是观念。文化系统在发展的过程中也是逐步演变的，在初期阶段是以制度为主的，随着其不断的发展又出现了以技术为主的趋势。而在当前的发展中主要是观念上的转变。当前世界已经联系成一个整体，各国的文化都可以借助互联网进行有效的融合和交流，民族之间的差异性在逐渐减弱。而在大数据时代当中，我们需要做的就是要不断的弘扬自身优秀的文化传统，保持民族文化的独立性，根据自身的发展情况和未来的变革趋势去建立属于自己的数据系统。要想更好地提升企业的财务管理能力，企业就必须进一步明确财务分析和大数据的关系，统筹兼顾，实现资源的优化配置。众所周知，财务数据是企业最基本的数据之一，其积累量较大，其分析结果直接影响着企业财务管理的最终质量。因此，企业在进行决策分析时，必须坚持客观公正原则，以财务数据为基础，制定明确的分析指标和依据，以保证企业财务管理的平稳推进和运行。在开展财务分析工作的时候，财务管理人员一方面应该对当其的管理费用细则进行详细的了解和分析，同时还要在工作中将其与前一段的数据进行详细的分析和对比，从中总结出主要的不同点，这样也就可以更加科学合理的总结费用变化的规律，同时还能从这些规律当中找到出现这种变化的根本原因，在开展原因分析的时候应该建立一个多维度的模型，在这个模型当中，要对产生变化的要素做好标记工作。在数据分析的过程中，财务人员需要将非常大的一部分精力都放在管理和核算费用的审核上，此外在这一过程中还要查找资料。但是如果要使用大数据技术的话，这些流程只要在短短的几秒钟之内就可以全部完成，这样一来也就大大的提升了工作的效率。
2、结语
随着我国社会主义市场经济体制的不断发展，大数据技术改善财务管理前景广阔。纵观目前的大数据提供商，主流商务软件厂商都在通过自主研发或收购的方式进入大数据的领域。数据属性的标签是人类经验判断的数据，是数据后的数据。所以我们在这样的情况下必须要正确的对待大数据时代的到来。
作者：任禾 单位：哈尔滨体育学院
大数据 第8篇
当今时代，是一个信息化和网络化的时代，电子信息技术的产生对人们的生产和生活产生了极其重要的作用和影响。随着人们生产生活水平的不断发展，电子商务顺势而生，在人们的日常生活中占据了极大的比重，对人们的消费理念和消费方式产生了颠覆性的改变。电子商务平台依托于传统零售业的基础，凭借电子信息技术和网络技术的不断发展，促进了销售方式的改变。大数据作为一种新型的信息技术，能够有效采集、存储和分析数据，能够提高数据信息的有效性，对于电子商务的发展而言，提高了销售的针对性和准确度，促进了销售的转化和成交的比例，在人们消费观念普遍转化的今天，以大数据处理模式为基础的电子商务呈现出蓬勃的发展态势。那么，大数据处理模式的特点和意义体现在什么地方？大数据处理对电子商务有哪些影响？大数据处理模式不断发展条件下的电子商务有什么样的发展趋势和发展前景？
1大数据处理模式的意义和特点
大数据处理模式，是依托于信息技术和互联网技术的不断发展而兴起的一种新型技术模式，能够有效地处理大批量的数据信息，并保证信息的安全性和可靠性。大数据处理模式，突破了传统意义上的信息搜索和信息存储，有效捕捉和管理数据信息，决策力更强，洞察力更优，效率更高，信息更多样化。大数据处理模式，改变了传统数据收集的意义，对于数据信息的收集，其意义不在于数据信息的存储，而是对所收集到的数据信息进行删选整合等一系列的专业化处理，实现数据信息的转化和升值，为不同行业不同领域的销售转化提供参考和动力，有效实现产业升级和企业盈利。大数据处理模式与传统的数据库不同，海量的数据只是基础，能够进行复杂有效的数据分析，才是大数据处理模式的显著优势。大数据处理模式有四个显著特点：第一，数据量大。大数据处理模式能够存储海量信息，并保证信息的安全性。第二，数据的类型繁杂。大数据处理模式下的数据，突破传统的数据概念，将图片、视频、位置数据等都统称为数据信息。第三，数据信息的处理速度极快。无论是何种类型的数据，无论是何种形式的数据，大数据处理模式都能在短时间内分析出数据价值，促进转化。第四，较高的数据价值回报。对于海量的信息，大数据处理模式能够进行专业性的准确分析，并能够在分析后对数据的使用和应用方式提出指示性建议，带来较高的价值回报。总之，大数据处理模式是当今时代海量数据分析的首要选择，也是众多行业众多领域越来越倾心的数据处理的前沿方式，在信息技术和互联网技术不断发展的背景下，必定会得到更为长足的发展。
2大数据处理模式对电子商务的影响
2.1提高了电子商务领域信息检索的能力
电子商务平台，是依托于信息技术和互联网技术的不断发展而兴起的商业模式，极大地改变了当代消费者的消费心理和消费习惯，但是，电子商务信息冗杂，无论是商品的种类还是商品的数量，都有海量的商家可供选择，增加了用户删选的难度。只有改变这种杂乱无章的非结构化信息数据，才能提高电子商务的运营水平和销售转化。大数据处理模式，使得信息数据的处理更为针对性，更为灵活化。电子商务充分利用大数据处理模式，能够实现信息数据的有效检索，根据用户的消费需求进行针对性的信息显示，根据用户的消费习惯进行准确性的信息筛选，使得电子商务的运作更为智能化，更为高效性。大数据的处理模式，使得信息推荐更有针对性，提高了用户的消费质量和消费效率，节省了消费时间和消费精力，用户只要输入相关字眼，就能够迅速反馈出用户所需的信息资源，大大提高了消费用户的满意度。
2.2提高了电子商务平台弹性处理的能力
电子商务平台的发展，离不开信息数据的处理。大数据处理模式的发展，提高了电子商务平台的弹性处理能力，能够在极短的时间内反馈，对大量的用户访问做出及时地回馈和反应。对于电子商务而言，商家的营销活动时时有、日日有，大量活动信息的堆积必然造成大量的订单信息，这就对数据信息的处理提出了更高的要求。大数据的信息存储能力有效地解决了这一问题，保证了信息存储的安全性，优化了资源配置，实现了信息数据的即取即用。电子商务的发展，依托于对信息数据的及时反馈和删选，弹性的信息处理能力才能让电子商务的发展如虎添翼，提高其运营的整体水平和质量。
2.3保证了电子商务行业信息处理的安全性
大数据处理模式的发展，保障了电子商务行业信息处理的安全性。电子商务是依托于信息网络技术的不断发展而兴起的消费模式，难以避免地会面临数据信息安全与否的问题。网络系统的瘫痪、网络交易安全的缺失都会对信息安全带来极大的威胁。而对于电商的消费用户而言，信息安全和交易过程的安全是他们最为关心的事情，不容忽视。大数据处理模式的引进，有效存储用户的信息，及时对网络攻击现象进行审查和定位，对于一些非正常的攻击现象及时收集并分析，采取有效的预防和处理措施，保证信息资源的安全性和可靠性。云计算技术的引用，还能够将一些可靠的信息进行进一步的转化，使之成为云服务，进而托管在云端，对这些可靠的、重要的信息进行更为专业的防护和保密，最大化信息安全。此外，大数据的处理模式还能够将一些敏感性的、数量极大的数据信息进行转化，使之成为可用的信息资源，为下一步创造直接的经济价值奠定坚实基础。
3大数据处理模式不断发展的条件下电子商务的发展趋势
3.1大数据的发展推动了电子商务平台服务和产品的多样化
大数据的不断发展，推动了电子商务平台服务和产品的多样化发展。电子商务是以服务和产品为主导的行业类型，高质量的服务和产品才是提高行业效益的根据手段和运营方式。对于电子商务所针对的用户群体来说，大数据的不断发展，能够有效分析这些客户群体的喜好和偏爱，能够删选有效的客户信息，能够有效进行客户的针对性信息发送，提高信息的针对性和准确度，并根据客户信息的提示进行服务类型和服务方式的调整，根据客户的偏爱进行产品类型的删减和增添，以促进销售。以书包为例，不同年龄有不同的风格喜好，不同性别有不同的类别偏好，以蓝胖子为主题的书包类型一定不是酷炫杀马特风格的青少年的囊中物，胡巴的卡通形象才是呆萌少女最热衷的产品类型。根据客户不同的喜好和性格，可以有效改变服务和产品类型，带动一定量的销售业绩。
3.2大数据的发展推动新型电子商务运营模式的产生和发展
大数据处理模式的出现，对传统的经济模式造成了一定的冲击，产生了一系列的个性化服务和定制化产品类型，这些都直接影响了电子商务行业的运营模式，传统的运营理念已经远远不能满足社会的发展要求和信息技术的进一步发展，创新电子商务的运营模式才能为电子商务的发展开辟一条坦途。大数据处理模式的出现，对电子商务进行了区别和分析，根据所运营产品和服务对象的不同，依托于互联网的力量，归纳出不同的运营模式：B2B的企业互惠，B2C的网络直销，C2C的消费者交易，O2O的互联网销售等，有效提高了交易速度，简化了交易流程，提高了交易质量，便捷了交易模式，大数据处理模式影响了电子商务不同模式竞相争荣，成为互联网时代下一道亮丽的风景线。例如，近两年不断兴起的上门服务，革新了传统的销售模式和运营方式，以消费者的诉求为根本，从消费者的消费习惯和消费心理出发，满足消费者的消费体验，便捷了操作模式和操作流程，明显提高了交易质量和效果。
3.3大数据的发展推动IT设施在电子商务企业发展过程中的核心竞争力
量大数据的不断发展，推动了IT设施在电子商务企业发展过程中的核心竞争力量。传统的销售，以用户为根本，以产品为主打，大数据处理模式下，虽然离不开产品的竞争力和用户的体验，但是却借助大数据的信息处理功能，有效提高了整个交易流程的转化。对于电子商务而言，生产成本、企业管理、运营模式都会影响企业在社会中的不断发展和其在市场中的竞争力，积极引进大数据的处理模式和相应的IT设施，能够实现资源的优化配置和数据信息的有效利用，降低企业的生产成本，提高企业的产销率，并最大化企业的运营管理水平。对于电子商务而言，由于其对信息技术水平和网络技术的依赖性极大，积极应用云计算构架，采取大数据处理，能够有效存储海量的数据信息，并对数据信息进行删选，为电子商务的不断发展奠定坚实的基础。总之，大数据处理模式的产生不是偶然的，而是当今时代信息技术与网络技术不断发展的产物，对各行各业都有着举足轻重的作用和影响。电子商务作为一种网络条件孕育下的销售方式，必须立足于网络环境的大背景下，以大数据的处理模式有效处理客户信息和相应的数据资源，提高数据信息的有效性和价值意义，促进数据信息的有效转化，提高客户的精准度，提高销售量和销售质量，推动整个电子商务平台的有效运营和整个行业的不断发展。
作者：屈志强 乔静 单位：济宁医学院
