导语：如何才能写好一篇大暑诗句，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
不过，每一次概念或工具的履新，尤其是商业层面，其有确定意义或意义的确定的前提，都是为企业客户降低了成本，也使普遍的消费者获得了更好的服务。
IBM、SAP、Oracle：
我们只是大数据的搬运工
作为一个以大数据为基础为各行业提供解决方案的企业来说，硬件业务的多少与好坏似乎已并不能衡量自身的实力，自身的软件服务才更可能决定一些根本性的东西。在今年，IBM宣布以10亿元组建新部门，目的是发展公司最新的电脑系统Watson，它将据客户过往的历史记录，帮助企业更好地认识客户，随时随地以客户选择的方式进行接洽，并在需要行动时提供强大支持。因此它将大大节省企业/客户的人工成本，以便更好地做出决策，更快的实现业务成效，而在去年，这一系统已经开始应用于医疗以及零售领域，帮助行业实现转型。
尽管如此，IBM仍然是到了一个艰难的时刻，尽管投入了较大资金发展全球数据中心，比如以20亿美元收购云计算基础架构服务提供商SoftLayer，但其在云计算领域取得的收入应属是杯水车薪，面对来势汹汹的后起之秀，IBM这个蓝色巨人可能需要放下过去的慢热，虽然大象和蚂蚁转身需要的能级不同。
这就是“大数据”的力量。百度李明远有一句话：“大数据的特点就是发现人们原来看不到的数据，将这些数据应用于商业，改变认知的核心工具。”由此才产生了诸多在接入“大数据”业务后，发展迅猛的公司，Oracle就是其中之一。
Oracle应用软件的创始人杰夫沃克说过：“尽管SAP有R/3，但在应用软件市场上，他们并没有达到高不可及的程度，他们并没有真正做到象Oracle那样成功。”到目前为止Orcale已经成为了应用软件业仅次于SAP的公司，为戴尔公司、苏格兰皇家银行等业界巨头提供服务。其中，波士顿医学中心在使用了Orcale的应用服务以优化其临床及数据存储环境之后，不仅消减了存储成本并且使其性能也提高了74%。
不论是IBM、SAP还是Oracle，都是依靠应用软件服务来创造盈利，他们在“大数据”的数据服务上已经取得了成功，其占据的市场份额是后起之秀们难以企及的。其实他们所做的并不复杂，可他们发现了前任未曾发现的信息。国内外的企业中，做应用软件的不少，意图涉足大数据领域更多，可是却仍在低端市场中苦苦挣扎，这并非管理水平偏低的原因，而是因为太过看重自身的利益而忽略了“大数据”业务发展的必然条件，成本的降低与服务的提高，只有针对这些不变的点，才能真正走上“大数据”的发展道路，成为下一代领导者。
百度、google：不要再把我们看做搜索引擎，我们正在做些别的事情
“新一代的数据收集不仅是数据工具，数据本身会有很大的发展。”李彦宏如是说。
同样是2014巴西世界杯期间，百度“世界杯预测”上线，尽管足球是一件不确定性极高的事情，可在比赛结束后发现，百度这次的预测无一错误。想想世界杯时无数走上天台的小伙伴们，若是知道百度有此神器，应该是有些感想的吧。
在其赛事预测的产品说明中写到“百度大数据部收集了2010-2013年全世界范围内所有国家队及俱乐部的赛事数据，构建了现在的赛事预测模型”，这是其利用“大数据”在传统领域的又一次尝试，并且他们希望在建立起成熟的模型之后，在球队训练、体彩等方面发挥商业价值。可以推断，百度应该在“大数据”上有着极大的野心。
球赛预测的结果是可喜的，不过百度在另一项事情的预测上则栽了跟头。在《黄金时代》上映之前，百度会上宣布电影《黄金时代》的票房预期可达2.0―2.3亿，当时的媒体都认为这个数字估计的太过于保守，然而截止到10月16日，《黄金时代》的累计票房为4698万，如此成绩对于片方、媒体和公众而言都是出乎意料，2.0亿的票房估计竟然已经算是十分乐观。这并不是百度第一次做票房预测了，早在7月14日爱奇艺就透露在内部，百度票房的预测已经有了百分之八十的准确率。百度也因为此次的预测失败而推迟了票房预测产品的上线，我们可以看到在百度预测中，电影票房预测那一项仍是灰色，标注着“即将上线，敬请期待”的字样。对此，可能的原因是类似《黄金时代》的文艺类影片样本较少，不确定性大。
可见，“大数据”中最重要的不是分析数据而恰恰是数据本身，如果数据本身存在着问题，那么不论算法如何正确出来的结果也是失之千里。
亚马逊、京东、阿里巴巴：
当你们在浏览商品时……
对应到国内，不得不提的是阿里巴巴，作为国内最早运作云的部门，他的推荐系统同样优秀。在淘宝首页你会很容易看到一个名为“发现好货”的浏览框，其中的物品全部都同你最近浏览购买或搜索的类似。
然而这三家电商所收集的数据较多的为非结构化数据，在理解与分析上较为困难，因此偶有推荐系统向客户并不需要的商品的情况的发生。
马云在卸任演讲上说：“很多人还没搞清楚什么是PC互联网，移动互联网来了，我们还没搞清楚移动互联网的时候，大数据时代又来了。”“大数据”为平台提供了更好的信息支持，创造出更优质的服务，更优质地服务又能带来更多的数据，更多的数据样本使分析结果更为精确，为用户提供更佳的体验，如此则有更多的人投入使用中来，这样便形成了一个数据的良性循环。如此，“大数据”可以说是未来电商们发展的基础资源及优势所在，透过“大数据”的支撑，能够提高用户数量，提供优质服务，降低运营成本，提升总体盈利。
腾讯、facebook：
交流的是情感，看到的是数据
还记得今年情人节时Facebook发表的那份关于恋爱的数据么，通过“大数据”他能知道你们何时会恋爱，何时可能分手，甚至你本身尚未意识到时，他就已经察觉了。这是基于2.7亿活跃用户的统计结果。
早在2012年，Facebook就开始了用户“大数据”的收集，主要是收集用户在Facebook上公开的感情数据，并尝试着让用户发表自己收听习惯，并得到了有趣的结果。根据这些数据，他们制作出了“恋爱歌曲TOP10”以及“失恋歌曲TOP10”以此来慰藉那些坠入爱河以及伤心不已的用户。可这并不是出于一时的好奇心或仅为好玩，最终的目的是将这些数据用于用户推荐服务上，他们根据统计得到的数据，建立了“看心听曲”服务，即根据用户的心情，推荐不同的曲目，如此贴心的服务，不仅使用户们感到暖心，同时也让Facebook的用户忠实度有了上升。
国内的腾讯在公司还在很小的时候就通过后台记录、分析用户的每一个习惯，时至今日已经拥有了广大的用户数据，而正是这种对数据的重视，使得腾讯建立了今天的企鹅王国。
然而腾讯现在需要做的除了开发“大数据”与云，还要打通自己的后台数据，使其形成一个完整的生态圈，等待后期完全成熟的技术，加以借鉴，更深层次的挖掘自己的“大数据”。
基于社交网络的公司统计分析“大数据”的一个特点就是侧重于呈现人的行为以及社会关系的信息，从这些数据中，可以分析人们的日常生活与行为，从而从中挖掘社会、政治、商业等信息，甚至能够预测未来。在这两点上，腾讯与Facebook都做到了不少，也许我们如今不应将它们狭义地视为一个SNS社交软件，而是进行重新的定义，如今它们的核心竞争力已不再是社交领域，而转移到数据业务上，而SNS只是更好地完成其“大数据”战略的一种应用，产生、收集、挖掘海量数据的一个工具。正如投资人FederatedMedia的约翰巴特利（JohnBattelle）对Facebook的展望那样，“该公司正尝试着对自身进行重新定义，不满足于做狭义方面的社交网站，而这恰是外界对它的理解”。
以上这些，算案例吗？应该算吧。如果不是案例，就不是在讲大数据。
一般而言，国外的公司起步早发展快，如今已经成为全球“大数据”领域的领导者，他们懂得如何将开发出的“大数据”服务快速变现，通过这种方式源源不断的为自己的“大数据”开发及数据获取提供资源，已经形成了一个成熟的生态体系。虽然IBM处于财务困境，但我们相信他只是到了一个继续转型的时期，丢掉沉重的硬件包袱，他必将重新崛起。而SAP虽然面临众多后起之秀的竞争的巨大压力，可业界第一的位置仍然难以撼动。对于Oracle来说，想要和SAP一搏，仅靠不断的收购是行不通的。
不论“大数据”这个概念是否仅是互联网行业制造出的一个噱头，越来越多的信息被映射到网上，数字世界正逐渐转为虚拟世界，互联网企业坐拥海量数据并将其应用于自身服务中已是一个不争的事实。当然，未来没有一家企业不是互联网企业。
大数据未来的发展是大家有目共睹，人们总是振臂高呼，“大数据时代已经到来”。是不是从线上发现客户线索，转至线下成交，大数据的使命就结束了？NO！
当然，收集数据只是大数据应用的第一步，如何分析并应用才是重要环节。采集到的数据并不是每一个都有用，汽车品牌主需要将多渠道、标准不一的客户数据进行整合，建立汽车大数据库。
【关键词】大数据数据分析数据分析师
一、认识大数据
（一）大数据的宗旨：经过分析的数据才有价值
大数据要发挥作用必须经过分析，这是由大数据的4V特性（数据量大、数据类型多、要求处理速度快、低密度）决定的。也就是说，数据都是高维、低密度的，从单个数据中难以看出规律。因此，必须经过分析，针对高维进行降维，提炼大量低密度信息中的价值，才能发挥作用。否则，大数据背景下，反而更容易使得“活”信息混迹在大量“死”数据中被淹没。面向大数据的分析要“简单、迅速、规模化”。
（二）大数据的目标：实现基于数据的决策与资源配置
（三）大数据的角度：个性化服务+中观指数+宏观连结
目前发展大数据，主要有基于数据为客户提供个性化营销服务、预测中观行业或区域趋势指数、基于连结的宏观资源配置方案等角度。这不仅仅体现在阿里小微融资的个性化风控决策、高端品牌在线特卖品牌和定价动态决策（基于阿里巴巴网商活跃度指数和零售商品价格指数）、Discerngroup企业发展战略咨询报告上，还体现在阿里巴巴商务智能指数（预测经济发展态势）和基于公共气象数据的各行业资源配置优化服务上。
互联网金融是大数据发展各角度的前沿阵地。在金融领域，要实现从金融互联网向互联网金融的快速转型。传统模式下的金融企业开展网上业务，如：网上银行、网上理财，并不是真正的互联网金融。互联网金融是指通过互联网新技术为客户实现搜索或风控等服务增值，比较有代表性的是，消除供求双方结构不对称的P2P贷款，提高存取效率的保值理财产品余额宝。
（四）大数据的关键点：保证数据质量
要发展大数据分析，首先要保证数据质量。错误的输入必然导致错误的输出。没有数据质量，一切都是浮云。数据质量没有保证，是不敢用的。数据质量是一项耗时、费力的基础工作。
保证数据质量要建立数据的数据。针对数据质量建立数据标签，才有进步。有了对数据质量的数据，数据才能被决策者更为安全科学有效地使用。
（五）大数据竞争的核心：分析人才的竞争
二、把握大数据
大数据对社会生活带来方方面面的影响，我们如何把握大数据时代的机遇，需要慎重对待大数据带来的挑战。总结起来，主要有三个方面：
（一）大数据时代，数据整理和清洗工作
（1）数据整理和清洗工作是数据分析的基础。大数据专家根据经验，普遍认为该工作是一项基础性工作，耗时多且简单，占到数据分析工作量的60%以上，是数据分析前提和基础。在此基上，数据分析工作需要对数据进行标识，进行深度分析，撰写专题报告，确保结果可以执行，最终落实到决策和实施。
（2）大数据时代，需要充分借助IT技术管理数据质量工作。在大数据时代，人工逐笔发现、解决数据质量问题的方式成本高、效率低，不可持续。要尽量规范化、系统化、自动化管理数据质量工作，将节省下的人力资源投入到新问题的研究中。
（二）大数据时代，数据分析的特点
（2）通过数据分析进行科学决策。很多人存在误区，认为数据分析就是做报表、写报告。在大数据时代，数据分析不仅仅停留在此，需要进行深度分析，建立数据化决策的流程。要尊重数据、认识数据，但不迷信数据。在尊重数据、尊重事实的前提下，减少主观因素的干扰，快速做出数据化决策，这是一种能力。
（4）从“死”信息中，分离出“活”的信息。大数据有数据量大的问题――产生大量的“死”数据。错误数据是指数据与实际情况不一致，异常数据是指数据正确但数据远离群体的大多数，这类数据情况的处理手段比较成熟。而大数据时代，大量数据是不活跃主体，即“死”数据。因此，需要从高维低密度数据中，提取“活”的信息，发现规律。防止由于“死”信息的存在，导致分析结果不能正确反映“活”的群体特征。
（三）大数据时代，数据分析师的培养
（1）培养核心技术人才，确保长期竞争力。美国在建立全国医疗系统时，将系统外包给了加拿大的一家公司，系统运行的第一天就出现了崩溃。美国政府为此对该模式进行了反思，概括起来有三点：①外包公司设计时只顾满足甲方的眼前利益，不会为甲方的长远利益考虑；②项目外包造成美国技术骨干人员断层，导致出现问题后自身无法解决；③采用该模式导致美国没有了核心技术。
因此，在采用项目外包模式的同时，需要掌握其核心技术。在大数据时代，从数据分析、信息管理、IT技术三个方面保持核心竞争力。需要培养和保持业务、产品设计、数据分析、数据架构等方面的骨干队伍。
（2）建立专业化的大数据分析团队。大数据分析的核心是数学建模，基础是实际业务，结果是自动化程序。在实际工作中需要正确、合理的使用数学建模的思维，构建以数学模型做为基础的数据分析，建立量化管理风险的理念。深刻认识并正确驾驭大数据分析，大数据分析的方法是处于不断发展过程中的，需要根据实际问题，结合实际数据，灵活构建模型。
参考文献：
[1]朱建平，章贵军，刘晓葳.大数据时代下数据分析理念的辨析[J].统计研究，2014，（2）.
2、在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。
数据革命的浪潮正潜移默化地影响着经济社会的各个方面，包括作为基础产业的物流业及其细分领域。
利用大数据驱动信息化建设，物流车队的整体油耗，车船的位置信息、行程轨迹、运行周期等空间地理数据都能通过系统进行智能化处理，更好地实现精简流程、提高效率、降低成本的目标。大数据的分析和应用，正助力物流业完成从粗放、低效、高耗的传统业态向集约、高效、环保的现代物流转型，帮助物流企业更加精细化地了解和研究客户需求，从而“量身定制”个性化的产品和服务。
事实上，数据应用一直以来都存在，而在今天的大数据时代，关键是如何让数据变成财富。
对于物流企业来说，尽早针对“大数据”进行产品、业务、管理等一系列的变革和创新，率先挖掘“数据商机”，是掌握未来的核心竞争力乃至生存机会的根本。当然，这一切都要以建立和提高数据的收集、挖掘、处理和应用能力为前提。
没有人能阻挡时代的步伐，具有前瞻性眼界的企业，正在积极融入大数据时代。
马云很早就说：“未来的世界是数据的世界。”今年5月，他主导建立的“菜鸟网”，未来也将在数据商机方面深耕细作。而阿里巴巴与十大快递公司的核心合作点也正在“数据”方面，阿里巴巴物流事业部总经理龚涛指出，阿里巴巴可以通过数据给快递企业提供线路容量扩容指导，通过数据回溯、监控和预测，快递公司可预判消费者和商家的服务需求，开展主动服务。
物流业界以数据处理和应用为基础的各类物流信息平台在全国范围内不断涌现，极大地改变了物流运行业态。而许多物流企业也在积极试水大数据应用。在百世汇通，大数据正在为企业战略规划、运营管理和日常运作提供重要支持和指导。据百世物流科技（中国）有限公司副总裁张砚冰介绍，百世汇通尝试运用大数据来管理、分析和判断加盟网点的运营行为，通过网点在系统内的足迹建立数据分析模型，成功地预测了几次网点的异动，使工作方式由被动式变为主动式、前置式，减少了大量客户投诉，把问题消灭在萌芽阶段。圆通快递几年前便已开始投资数亿元与IBM合作开发以金刚核心业务系统为主体的信息技术平台，以获取处理海量数据的能力。
“我们的数据库资源来自全世界1400多家拍卖公司，包括将近800万个艺术作品的记录。”在上海浦东的一家高端会所，来自美国Artnet公司国际拓展部的托马斯侃侃而谈，表露出运用艺术品大数据这枚“利器”进军中国市场的决心。
而这一次，Artne将目光瞄准了中国。“中国的艺术品和古董拍卖市场是全世界最具上升动力的市场。”托马斯认为，中国的艺术品市场有着强大的后劲，在大数据的应用上将大有可为。
当天，齐聚此次艺术延伸产业“头脑风暴”的还有喜马拉雅美术馆创始馆长沈其斌、上海文化艺术品研究院执行院长孔达达和当代艺术家、批评人及策展人徐子林等中国艺术品领域的大佬。
“通过艺术品数据，可以在数据挖掘的基础上，为投资人提供艺术品市场发展的动向，帮助他们找到准确的投资方向。”孔达达称，艺术品大数据在国际上发挥的作用已经越来越重要。
市场繁荣促进“大数据”到来
中国艺术品市场在近几年的火爆，惊动了世界。“中国已超越美国成为世界最大的艺术品和古董市场。”一份来自TEFAF欧洲艺术基金会的最新数据显示，中国在全球艺术品市场所占的份额由2010年的23%上升到2012年的30%，美国所占市场份额为29%，比2011年下降了5%。
不仅如此，欧盟的27个国家所占总份额为为34%，下降了三个百分点。伴随着欧美国家艺术品交易市场份额的下降，中国的艺术品市场开始发挥威力。仅就2011年来说，中国艺术品交易额就达到了461亿欧元，相对于2009年上升了63%。无疑，中国艺术品市场潜藏着巨大的商机。
“在过去十年里，中国艺术品市场资金量有很大的增长，让业内不得不用诸多金融市场方法去进入艺术市场。”托马斯介绍，良好的数据是保证艺术品市场的基础，艺术品大数据在市场里的作用非常关键。
“中国需要艺术品数据作为观察市场的工具，艺术品大数据可以把艺术家作为金融市场的‘个股’来进行分析，从这个角度观察艺术品和艺术家成长的轨迹，也可以借助这些数据去分析艺术品的走向，为这个市场提供研究方法，使艺术品市场成为更透明、更有效的艺术市场。”
“大数据”的大能量
虽然中国艺术品交易规模逐渐攀升，但艺术品数据化的程度与欧美地区相差甚远。
“运用艺术品大数据可以为艺术品市场做不少事情。”托马斯介绍，通过Artnet搜集的艺术品交易记录，可以分析出艺术品市场的变化。“比如可以把一些艺术家放在一起，很容易综合出一个流派的指数，从中观察到他们交易数量的变化等，这些为艺术品研究报告的撰写提供了准确的数据。”
以过去十年艺术品交易市场为例，通过大数据挖掘，发现占市场交易最大份额的是现代派和印象派画作，其中，现代派占比34%，印象派则为24%。二者合力抢占了全球艺术品市场大半江山。
对此，孔达达分析称：“目前艺术品大数据在国际上已经有了较好的口碑。以Artnet为例，他们对于数据的整理较为谨慎，全线的1300多万个数据在欧美的各种银行、艺术品机构都得到了广泛的应用，带动了艺术品市场的数据化。”
他还明确表示，上海文化艺术品研究院将很快与Artnet建立合作关系，将在中国建立服务器，并由上海文化艺术品研究院搜集中国的艺术品市场的数据，充实到Artnet的数据库里，丰富中国艺术品交易市场的数据。
不过，国际上艺术品市场数据提供多以收费的方式进行。以Artnet来说，一条数据需要支付10～25美元，“如果要做一份报告，那将需要支付一笔昂贵的费用。”这种模式在中国国内是否可行，还值得商榷。
如果雅昌网也开始收费
国内艺术品市场近年来的活跃，也催生了不少提供艺术品交易数据搜索的平台。但孔达达认为，目前国内投资者对于艺术品金融大数据的概念还不太清晰，现阶段发展还很不成熟。
以雅昌网为例，它是国内较大的艺术品交易数据中心，可从中搜索全国的艺术品交易数据，同时数据还是免费提供。但由于其基础数据未经处理，读者无法从这些数据本身直接得知真实的交易情况，只能自己进行甄别。
“艺术品的数据有干净的数据、可疑数据以及垃圾数据。干净的数据是已经及时清理过的准确的数据，而可疑数据和垃圾数据分别是那些有疑问的和没有用的数据。”孔达达介绍，目前国内搜集到的基本都是二级市场的数据。
“这些数据主要源于十几个拍卖公司提供，仅仅是初始数据，里面有不少疑问数据和垃圾数据，对于那些竞拍后未付款或赝品等数据，国内还未及时清理，有时也会因为信息不对称而搜集不到。”
不仅如此，目前国内画廊、古玩店、私家交易等数据的获取几乎为零，这些数据属于一级市场的范畴，但尚未有专门机构对一级市场进行数据整理，在我国艺术品界还处于空白阶段。
1.1大数据及其影响
大数据（BigData）是目前最重要的科学、技术和社会话题。借用IDC数据公司的定义：“大数据是一种新一代的技术和架构，具备高效率的捕捉、发现和分析能力，能够经济地从类型繁杂、数量庞大的数据中挖掘出色价值。”
大数据定义有着如下的基本前提和含义。
②多种类型数据积累：新的数据存储和数据采集的技术发展使巨量数据的采集、收集、存储成为可能。网络技术、移动设备、数字传感器、数码摄影/摄像、监控影像、卫星定位系统、遥感技术、气候和环境监测技术等等，每时每刻都在各种形式、各种类型的大量数据。
③计算技术的进步与发展：现代计算技术、网络技术、多媒体技术和数据库处理技术等可以处理各种形式的海量数据，产生出大量的高附加值的数据、结果、状态和知识。
④数据处理能力成为战略能力：数据量的激增、数据类型的多样、技术平台对数据的综合处理，造成了知识边界扩展、知识价值提升、知识衍生能力加快，它极大地影响到了企业、个人、社会和政府的决策，极大地促进了社会生产力的发展，使掌握大数据技术者获得了竞争优势和难于模仿的核心竞争力。因此，大数据技术也成为了国家的核心战略资源。
1.2大数据对数据库技术的影响
大数据的宗旨是处理数据，数据库技术自然占据核心地位。而大数据环境下的数据库技术也具有明显的特殊性。
1.2.1大数据环境下数据处理技术面临的新特点
数据量宏大。对数据库技术影响最大、最直接的方面莫过于数据的爆炸性增长。即使先不考虑数据类型的变化，需要处理的数据从MB扩展到GB，现在再扩展到TB，不远的将来数据库将经常面对PB量级的数据，这必然对数据库的硬件架构、数据库系统结构和数据库应用产生重大的影响。
数据形式多样。另外一个对数据库技术产生重要影响的因子是数据的多样化，传统数字、图像、照片、影像、声音等多种数据资源需要进行处理，并且和传统关系式数据不同的，许多数据格式中的有价值数据并不多，例如多张图片定对象的变化，连续视频影像中对特殊对象的跟踪等等，其数据抽取方式、过滤方法和存储、计算方式均有别于传统数据库。
单机或小型局域网的数据库处理无法满足。当前，数据量爆炸式增长，数据类型日趋多样，传统关系数据库的处理能力已难于满足，需要新的数据库处理技术。
传统的并行数据库的灵活性具有局限性。并行数据库系统取得了辉煌的成绩，但是它的灵活性不佳，弹性受限，系统规模的收缩或扩展成本非常高。这样的系统适合于“相对固定结构”的计算结构，例如机银行业务管理系统或城市交通管理系统等。
结构化、半结构化与非结构化形式并存。让数据库有能力处理这些半结构化和非结构化（有时不作区分）数据变成了新型数据库技术的一项迫切要求。
对结果要求的模糊化。在大数据的时代，计算技术不仅限于回答“是/非”问题，而是需要更多的模糊化结果。例如，流感有很可能在一周后流行、近期可能发生5级左右地震、近一周国际往返机票将上涨……这些答案并不精确，但足以指导人们的活动。非结构化数据的处理结果常常是给出模糊化的答案。
1.2.2新型数据库技术的特点
与传统数据库技术相比较，新型数据库技术具有一些明显的特点，具体如下：
可处理的数据总量和数据类型增加。不再为数据结构化或数据代表性而人为地选取部分数据或进行数据抽样；不再靠样本规模的大小来控制结果的置信区间和置信度。新的数据库处理技术试图利用“全部数据”，完成对结果的计算和推断。
使用更多的非结构化数据，而不是片面地强调全部使用结构化数据。在非结构化的高复杂度、高数据量、多种数据类型的情况下，允许结论和结果的“不精确”，允许追求“次优解”。体现大数据技术“以概率说话”的特点。
不再试图避免或降低数据的混杂性，而是把“使用全部数据”作为追求“次优解”的途径。即在复杂、混乱、无结构化与确定、规整、结构化数据之间做出平衡。
在遇到“使用全部数据，得出模糊化结果”与“实用部分数据，得出准确结论”的选择时，新型数据库技术一般会选择前者，从一个更全面的角度利用更多的数据资源去寻找答案。
不同的数据库开发理念，不同的应用目标，不同的技术方案，早就了新型数据库丰富多彩、特点各异的局面。
1.3从传统关系数据库到非关系数据
在计算机系统结构刚刚趋于稳定的1970年，IBM公司的EdgarCodd（科德）首先提出了关系数据库的概念和规则，这是数据库技术的一个重要的里程碑。科德定义的关系数据库具有结构化程度高、数据冗余量低、数据关系明确、一致性好的优点。关系数据库模型把数据库操作抽象成选择、映射、连接、集合的并差交除操作、数据的增删改查操作等。而1976年Boyce和Chamberlin提出的SQL结构化查询语言则把关系数据库及其操作模式完整地固定下来，其理论和做法延续至今，被作为数据库技术的重要基石。关系数据库中定义的关系模型的实质是二维表格模型，关系数据库就是通过关系连接的多个二维表格之间的数据集合。当前流行的数据库软件Oracal、DB2、SQLServer、MySQL和Access等均属于关系数据库。
到二十世纪八十年代后期，IBM的研究员提出了数据仓库（DataWarehouse）的概念，4年后BillInmon给出了被大家广泛接受的数据仓库定义：“数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理中的决策制定。”数据仓库的进步在于，它把决策支持定为数据库中数据组织和管理的目标，从而把智能性和决策能力融入到数据库中。Inmon之后，RalphKimball建立了更加方便、实用的“自底向上”数据仓库架构并称之为“数据集市”（DataMart），这种技术受到企业及厂家的欢迎并采纳实施。虽然数据集市被归并为数据仓库，但是它的出现诱发了商务智能和联机分析技术的流行。
随着数据库在企业中的广泛应用，企业收集了大量的数据，如何从已有数据中提取对企业运营和决策具有重要价值的信息，成为了数据库使用者和开发者关系的话题。“关系数据库之父”科德再次走在了前面，提出多维数据库和多维分析的概念，这便是“联机分析处理”（OLAP），使得数据库已经显现了“智能性”特点。从数据仓库中产生的OLAP又反过来促进和推动数据仓库技术的更深层的发展。
无线互联网、手机互联网等全互联出现后，带来的最大变化是，它改变了企业、产品和消费者之间的关系。今天的企业面临互联网，之所以感到不适应，是因为过去我们与消费者之间有太多渠道、层级。而现在每个企业的产品可以直接面对消费者，很多传统的行销方法不再起作用。物流、服务流、金钱的交易改变了原来的关系网络，减少或消灭了很多中间状态。没有中间环节，消费者可以和供应者建立直接的连接关系。
有人问我，你为什么做手表？原因很简单。人机互联是2.0，物联网是3.0。物联网时代，是一个重新发明轮子的时代。过去的轮子是圆的，怎么发明都走不出这个框，而现在通过ROT技术，芯片可以放进轮子中。再用互联网技术，把产品体验变成互联网体验，最后改变商业模式，让最传统的生产制造业都有可能变成互联网企业，这是非常好的机会。
如今大数据已应用于社会和生活的多个方面，交易数据、社交数据等的融合与处理给企业带来了更多福利。在壳牌中国，大数据成为了指导企业业务及运营管理的重要应用。
理解数据之“大”
“大数据的价值应该是通过数据去发现规律，通过信息整合去发现知识，并对知识进行浓缩形成智慧。”徐斌总结说，“这也是壳牌中国应用数据的最终目的。”
目前，大数据应用已渗入壳牌中国业务体系。在壳牌上游业务中，壳牌通过对地理等数据的实时采集、分析，从而提高油井开采成功率；在油罐管理上，壳牌使用SIR实时数据分析，减少潜在事故启动数量、及早发现问题，大幅降低泄露事故；同时，可减少误报导致的损失。大数据的应用可为每个油站每年节约约4000美元成本。
夯实大数据技术能力
目前，大数据发展行动已成为国家战略。2015年两会提出的发展“互联网+”，其中核心技术就是大数据。云、物、移、大、智，大数据是核心，通过数据才能产生资产价值。
“从目前大数据发展国内外情况来看，英国是第1名，中国排位靠后。”徐斌表示，“这一位置也表明中国大数据使用状态、数据开放都比较落后，需要有所提升。但中国大数据应用领域也很多，应用最多的就是金融业、医疗业和政府公共事业，这是目前用的比较多的三个领域。”
对于目前业界存在的一些大数据认识误区，徐斌认为要从两个方面厘清。“首先，大数据不是单纯的技术，其最重要的目的是解决业务问题，帮助业务创造新的机会，需要团队协作实现其价值；同时，大数据实现需要比较好的数据源，如果数据质量不高，再好的系统也没有意义。总的来说，大数据不是工具，是一整套体系。其次，大数据不能解决所有问题。一方面，大数据不是全部数据，因此不能够完全展现事情本质，只能预测可能性概率比较高的事情；另一方面，如果企业自身数据应用不好或存在很多信息鼓捣，也很难实现数据指导决策的有效应用。”
那么，对单个企业而言，如何提升大数据应用能力建设？徐斌认为应从四方面着手。一是建立企业大数据体系，包括数据基础平台、数据报表与可视化、产品与运营分析、精细化运营平台、数据产品、战略分析与决策等；二是实现企业数据资产管理，包括数据资产治理、数据资产应用、数据资产运营；三是发展大数据应用应与云计算相辅相成；四是认识到大数据是文化与技术的结合。首先要有数据驱动决策的文化，其次要思考如何通过大数据分析和预测。
六个维度认识大数据价值
徐斌指出，大数据的应用主要有四种。“一是描述性数据应用，相当于给企业管理者一个显微镜和望远镜，了解企业发生了什么。二是诊断性数据应用，但企业发声问题时通过数据分析找出原因，如不良贷款为何一直上升？客户为何流失？哪些客户流程？三是预测性数据应用，比如通过数据测评，提前了解零部件情况，及时调配。壳牌也有这样的配件，比如钻头，如何让它更健康的运作？壳牌通过传感器了解钻头的热度、疲劳度等，及时发现问题。通过数据及时跟踪就可以提前预防，这样就为企业带来大量的价值。四是指导性数据应用，通过多维数据的收集和分析，可以给企业合理的建议方案。比如开发用户，是做线下营销还是线上接触？是找这个群体还是找那个群体？这些都需要大数据分析。这是大数据最核心的应用。”
具体到大数据在企业内部的价值实现。徐斌表示大数据对企业有六个维度价值。
决策支持
假如企业要开一个加油站，在哪个点开？这直接影响到投资有没有回报。通过大数据分析，通过手机信号定位来判断移动速度，判断是车还是人流，看看每天通过车的速度，这样的数据很准确，如果通过它来做决策，显然它的效率会高、回报率更可靠。
运营优化
比如加油站地下油罐的设计，通过大数据分析可以帮助我们决策。比如把这个区域的相应数据进行对比判断，地下油罐是不是有泄露的可能？对壳牌来说，全球评估下来，一个站一年可以省好几万元钱，一年就是十几亿，这是成本的巨大节约。
营销突破
安全保护
比如，人的安全驾驶行为可通过数据分析出来，而化工厂也能通过数据分析及时发现危险，采取措施。
业务创新
用数据做业务创新，比如某服装公司，七天内给一个客户提供定制化的西服。靠的是什么？沉淀十年的西服板型的大数据，优化裁减、安装匹配，这就是创新。
数字技术的迅猛发展，如云计算、互联网等，掀起了网络信息技术发展浪潮，推动了世界范围内大数据时代的到来，尤其是大数据技术研发投入的加大，更是双重冲击了知识经济和网络化数字化[1]。大数据不仅使人们获得新认知、创造新价值，还在一定程度上改变了市场、组织机构，而且为图书馆自动化发展提供了技术支持。在大数据时代背景下，图书馆管理和服务升级不断得到推动，其服务方式、资源存储等也发生了巨大变化，同时也受到了一定的影响和挑战，需不断创新服务模式，提高服务质量，才能促进图书馆持续健康发展。
1.大数据知识服务概析
1.1大数据知识服务特征
大数据知识服务是一种面向大量数据的知识服务模式，也是一种新知识服务理念，产生于获取、存储、分析大量数据过程中[2]。由于大数据由大量交易数据、交互数据和数据处理技术趋势汇聚而成，且具有一定复杂性，因此，现有数据中心技术无法满足大数据知识服务需求，需不断进行创新。可见，大数据知识服务的特征主要有：（1）整体性把握知识需求不确定性。（2）跨越共性技术体系和细分特征。（3）支持按需使用或付费。（4）强调用户参与和群体协同。
1.2大数据知识服务主要表现
大数据知识服务是一种提供智慧服务以及面向数子图书馆发展的知识服务模式，智慧图书馆是未来图书馆新模式，以数字化、网络化、智能化等信息技术为基础，主要特征是互联、高效、便利，其智慧服务是一种支持用户应用和创新知识的特殊服务，建立于搜寻、分析、重组知识的服务基础上。可见，在提供智慧服务模式上，大数据知识服务的主要表现有：（1）互联、融合和共享图书馆基础设施。（2）提供智慧服务。（3）智能管理体系构建高效化。
近年来，大数据技术不断发展，数字图书馆逐渐向语义出版、移动阅读等趋势发展，且日益具有“全媒体”资源、完整业务流程等管理能力，而且云计算、互联网等也为数字图书馆的发展提供了技术支持。可见，在面向数字图书馆发展知识服务模式上，大数据知识服务的主要表现有：（1）全新的资源建设策略。（2）构建全新知识服务平台。（3）提供“融入环境、嵌入过程”的预见。
2.大数据时代对图书馆的影响和挑战
3.大数据时代图书馆服务模式创新策略
3.1建立健全图书馆制度
3.2大数据应用理性化
在信息革命中，积极应用新技术不断创新图书馆制度、文化，可促进图书馆的高效、优质改革，所以经过多次历史经验，我们可以理性的坚信大数据时代可实现图书馆知识服务智能化、智慧化、人性化。大数据时代的到来，给图书馆带来了机遇和挑战，只有正视这些机遇和挑战，积极转变思路，熟练掌握各种技术有效分析大数据，才能在一定程度上跨越式的实现大数据时代图书馆知识服务，进而推进大数据应用理性化，并切实强化信息环境下图书馆人文关怀，维护大数据时代信息公平，保护隐私权和数据安全。
3.3构建图书馆知识服务平台
大数据图书馆知识服务平台是一个智慧平台，集获取、存储、组织大数据以及共享、交易服务资源等为一体，该平台的构建以建设智慧图书馆为基本要求，具有数据源层、基础支撑层、数据流转层、知识服务平台层等体系架构，构建时涉及诸多技术，如传感技术、适配技术、虚拟化接入技术、大数据知识服务终端交互技术等。
3.4培养高素质的智慧图书馆员
一般情况下，智慧图书馆员具有以下特征：见多识广、资质水准高、灵活性、创造力、终身学习等，这是每个智慧图书馆均需配备的人员，尤其是大数据时代背景下，智慧图书馆员更是要高素质，这不仅是人力资源的创新方向，也是培养智慧图书馆员的标准[5]。高素质的智慧图书馆员通常能准确把握对大数据范畴、价值、状态等的分析与预测；能熟练应用多个学科技术，如人工智能、信息技术等；能科学合理的规划图书馆发展方向；能建立综合解决大数据的方案，如对数据进行获取、存储、分析等。