引论：我们为您整理了13篇大数据技术论文范文，供您借鉴以丰富您的创作。它们是您写作时的宝贵资源，期望它们能够激发您的创作灵感，让您的文章更具深度。
篇1
1.2云计算的发展
云计算可以像电力资源一样提供弹性的按需服务，事实上它是集合了一系列的服务提供给用户。云计算的核心可分为三个层次，分别为基础设施层、平台层、应用层，如图2所示。云计算将基础设施、软件运行环境、应用程序抽象成服务，具有可靠性高、可用性强、规模可伸缩等特点，满足了不同企业的发展需求，各个云服务提供商根据各自服务对象的差别分别开发了各具特色的云服务。（1）基础设施即服务层基础设施即服务（InfrastructureasaService，IaaS）层通过部署硬件基础设施对外提供服务，用户可以根据各自的需求购买虚拟或实体的计算、存储、网络等资源。用户可以在购买的空间内部署和运行软件，包括操作系统和应用程序。消费者不能管理或控制任何云计算基础设施，但能控制操作系统的选择、存储空间、部署的应用，也有可能获得有限制的网络组件（如防火墙、负载均衡器等）的控制。云服务提供商为了使硬件资源得到更有效的利用，引入了Xen、KVM、VMware等虚拟化技术，使得云服务商可以提供更个性化的IaaS服务。亚马逊弹性云计算（AmazonElasticComputeCloud，AmazonEC2）是亚马逊Web服务产品之一，AmazonEC2利用其全球性的数据中心网络，为客户提供虚拟主机服务，让使用者可以租用云服务运行所需应用的系统。（2）平台即服务层平台即服务（PlatformasaService，PaaS）层是指云计算应用程序开发和部署的平台，包括应用设计、应用开发、应用测试和应用托管，都作为一种服务提供给客户。开发者只需要上传代码和数据就可以使用云服务，而无需关注底层的具体实现方式和管理模式。鉴于PaaS平台的重要意义，国内外厂商根据各自的战略提出了相应的PaaS平台，国外的如GoogleAppEngine（GAE），通过GAE，即使在重载和数据量极大的情况下，也可以轻松构建能安全运行的应用程序。国内也有新浪的SAE（SinaAppEngine）、阿里的ACE（AliyunCloudEnginee）等。（3）软件即服务层软件即服务（SoftasaService，SaaS）层是为云计算终端用户提供基于互联网软件应用服务的平台。随着Web服务、HTML5、AJAX、Mashup等技术的成熟与标准化，SaaS应用近年来发展迅速，典型的SaaS应用包括GoogleApps、SalesforceCRM等。国外云计算平台比较成功的应用案例有：亚马逊电子商务网站根据用户的购买行为和搜索技术搭建Hadoop集群，构建推荐系统；Twitter社交网站搭建Hadoop分布式系统用于用户关联的建立。国内云计算平台的成功案例有：阿里巴巴目前整个集群达到1700个节点，数据容量达到24.3PB，并且以每天255TB的速率不断攀升；2013年，华为推出国内首个运营云平台，目前为止与该平台签订协议的ISV有3000多家。
1.3云计算相关技术
（1）分布式文件系统分布式文件系统（GoogleFileSystem，GFS）[3]是Google公司针对云计算过程处理海量数据而专门设计的。一个GFS集群由一个主节点和多个从节点组成，用户可以通过客户端访问文件系统，进行正常的文件处理工作。在云计算中，海量数据文件被分割成多个固定大小的数据块，这些数据块被自动分配到不同的从节点存储，并会在多个节点进行备份存储，以免数据丢失。主服务器管理文件系统记录文件的各种属性，包括文件名、访问控制权限、文件存储块映射、块物理信息等数据。正是通过这个表，文件系统可以准确地找到文件存储的位置，避免数据丢失，保证数据安全。图3是GFS的体系结构示意，每一个节点都是普通的Linux服务器，GFS的工作就是协调成百上千的服务器为各种应用提供服务。（2）分布式并行数据库BigTableBigTable[4]是一个为管理大规模结构化数据而设计的分布式存储系统，可以扩展到PB级数据和上千台服务器。很多Google的项目使用BigTable存储数据，这些应用对BigTable提出了不同的挑战，比如对数据规模的要求、对时延的要求。BigTable能满足这些多变的要求，为这些产品成功地提供了灵活、高性能的存储解决方案。BigTable采用的键是三维的，分别是行键（RowKey）、列键（ColumnKey）和时间戳（Timestamp）。行键和列键都是字节串，时间戳是64位整型；值是一个字节串，可以用（row:string,column:string,time:int64）string来表示一条键值对记录。（3）分布式计算框架MapReduceMapReduce[5]是Google公司提出的大数据技术计算框架，被广泛应用于数据挖掘、海量数据处理以及机器学习等领域，由于其并行化处理数据的强大能力，越来越多的厂商根据MapReduce思想开发了各自的云计算平台，其中以Apache公司的Hadoop最为典型。MapReduce由Map和Reduce两个阶段组成。用户只需要编写简单的map()和reduce()函数就可以完成复杂分布式程序设计，而不用了解计算框架的底层实现。MapReduce的数据分析流程如图4所示。分布在不同服务器节点上的海量数据首先通过split()函数被拆分成Key/Value键值对，map()函数以该键值对为输入，将该键值对进行函数处理，产生一系列的中间结果并存入磁盘。MapReduce的中间过程shuffle()将所有具有相同Key值的键值对传递给Reduce环节，Reduce会收集中间结果，并将相同的Value值合并，完成所有工作后将结果输出给用户。MapReduce是一个并行的计算框架，主要体现在不同的服务器节点同时启动相同的工作，并且在每个独立的服务器节点上又可以启动多个map()、reduce()并行计算。
2基于云计算的大数据处理
目前大数据处理的基本流程如图5所示，整个流程经过数据源的采集，用不同的方式进行处理和加工，形成标准的格式，存储下来；然后用合适的数据计算处理方式将数据推送到数据分析和挖掘平台，通过有效的数据分析和挖掘手段，找出大数据中有价值的信息；最后通过可视化技术将信息展现给人们。
2.1数据采集存储
大数据具有不同结构的数据（包括结构、半结构、非结构），针对不同类型的数据，在进行云计算的分布采集时，需要选择不同的数据采集方式收集数据，这也是大数据处理中最基础的一步。采集到的数据并不是都适合推送到后面的平台，需要对其进一步处理，例如来源不同的数据，需要对其进行加载合并；数据存在噪声或者干扰点的，需要对其进行“清洗”和“去噪”等操作，从而保障数据的有效性；数据的格式或者量纲不统一的，需要对其进行标准化等转换处理；最后处理生成的数据，通过特定的数据库，如NoSQL数据（Google的BigTable，Amazon的Dynamo）进行存储，方便进行下一步的数据读取。由于传统的数据仓库无法适应大数据的存储要求，目前基于云计算的数据仓库都是采用列式存储。列式存储的数据具有相同的数据类型，可以大大提高数据的压缩率，例如华为的云存储服务MOS（MassiveObjectService）的数据持久性高达99.9%，同时提供高效率的端到端保障。
2.2数据计算模式
这一环节需要根据处理的数据类型和既定目标，选择合适的计算模型处理数据。由于数据量的庞大，会消耗大量的计算资源，因此，传统的计算技术很难使用大数据的环境条件，取而代之的是分而治之的分布式计算模式，具有代表性的几种计算模式的特点见表1。采用批处理方式计算的Hadoop平台，例如，Facebook拥有全球最大规模的Hadoop集群，集群机器目前超过3000台，CPU核心更是超过30000个，可以存储的数据量能够达到惊人的40PB；采用流处理方式计算的Storm平台分布式计算的时延比Hadoop更小；实时处理方式计算的Spark是一种基于内存的计算模式，例如，Yahoo运用Spark技术在广告营销中实时寻找目标用户，目前在Yahoo部署的Spark集群有112台节点和9.2TB内存；交互处理方式计算的Dremel在处理PB级别的数据时耗时可以缩短至秒级，并且无需大量的并发。
2.3数据分析挖掘
数据分析挖掘环节是从海量数据中发现隐藏规律和有价值信息的过程，这个环节是大数据处理流程最为有价值和核心的部分，传统的数据分析方法有机器学习、商业智能等。传统的数据挖掘十大算法[6]（其中有K-Means、Na觙veBayes、SVM、EM、Apriori等）在云计算环境下都得到了大幅度的并行优化，在大数据的背景下，计算速度得到了很大程度的提升。现在新兴的深度学习是原始机器学习的一个新领域，动机是在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，这种新的数据分析挖掘技术已经在计算机视觉、语音识别、自然语言处理等领域有了成功的应用。
2.4数据解释展现
将挖掘出来的复杂信息进行数据解释和展现是整个大数据处理流程的最后一个环节，数据分析的结果需要向客户进行恰当的展现。与传统的数据输出和文本展示等方式不同，现在绝大部分的企业都通过引进“数据可视化”技术来展示大数据分析的结果信息，这种方式以图像、动画等方式，形象地向客户展现数据处理分析的结果，也容易被客户理解和接受，更为先进的是，现在逐步形成的“交互式可视化技术”，大大地方便了数据与人之间的“亲密交流”。目前面向大数据主流应用的可视化技术见表2。
3大数据和云计算的未来挑战
大数据需要超大存储容量的计算能力，云计算作为一种新的计算模式，为大数据的应用研究提供了技术支持，大数据和云计算的完美结合，相得益彰，发挥了各自的最大优势，为社会创造了巨大的价值。虽然国内大数据和云计算的研究还是处于初步阶段，但随着研究的不断进行，所面临的问题也越来越多。在大数据向前不断迈进的阶段里，如何让我们对大数据的研究朝着有利于全人类的方向发展成为了重中之重。
3.1重要战略资源
在这个信息社会里，大数据将会成为众多企业甚至是国家层面的重要战略资源。国家层面要将大数据上升为国家战略。奥巴马在2012年3月将“大数据战略”上升为最高国策，像陆权、海权、空权一样，将数据的占有和控制作为重要的国家核心能力。大数据资源也会成为各种机构和企业的重要资产以及提升企业社会竞争力的有力武器。在大数据市场里，客户的各种数据信息都会为企业创造价值，也会在促进消费水平、提高广告效应等方面扮演重要的角色。
3.2数据隐私安全
大数据如果运用得当，可以有效地帮助相关领域做出帮助和决策，但若这些数据被泄露和窃取，随之而来的将是个人信息及财产的安全问题得不到保障。2011年索尼公司遭到黑客攻击，造成一亿份客户资料泄露，经济亏损约1.71亿美元。为了解决大数据的数据隐私安全问题，Roy等在2010年提出了一种隐私保护系统，将信息流控制和差分隐私保护技术融入到云计算平台中，防止MapReduce计算过程中的数据泄露问题。在数据更新飞速的情况下，如何维护数据的隐私安全成为大数据时代研究的重点方向。
3.3智慧城市
人口的增长给城市交通、医疗、建筑等各方面带来了不小的压力，智慧城市就是依靠大数据和云计算技术，实现城市高效的管理、便捷的民生服务、可持续的产业发展。在刚刚结束的“两会”的政府工作报告中，总理也特意强调了智慧城市发展的重要性，目前国家智慧城市试点已遍布全国各地，多达409个。智慧安防、智慧交通、智慧医疗等都是智慧城市应用领域。智慧城市的建设也趋使大数据人才的培养。据预测，到2015年，大数据将会出现约100万的人才缺口，全球将新增440万个与大数据相关的工作岗位来填补这个空缺。
篇2
（二）云会计使存货控制系统更精确
为提高企业整体运作效率，很多企业对存货管理采用了ABC控制系统或即时制库存控制系统（JIT）。在ABC控制系统中，如何准确区分ABC三类存货并进行分类控制是企业需要解决的重要问题。JIT管理强调只在使用存货之前才要求供应商送货，从而将存货数量减到最小，实现物资供应、生产、销售连续同步运动。这种方式在提高生产效率、减少储存成本的同时需要考虑到与供应商协同接洽的问题。大数据、云会计技术的应用，能够提高企业ABC控制系统或即时制控制系统的运行效果。在企业的云会计平台上，通过对自身以往所有各种类型存货数据的大数据分析，以及参考同行业、相关行业的历史数据，可以对ABC三类存货进行更为科学合理的区分，使ABC控制系统更加精确。面对JIT即时制更加严格的要求，企业需要考虑到存货的计划需求、与供应商关系、准备成本、电子数据等方面，一旦存货预警就会产生生产线、销售线告急的情况，将为企业带来巨大损失。物联网与大数据技术的发展为解决JIT控制面临的问题提供了解决方案。由供应商提供的存货都带有唯一的产品电子代码（EPC），企业和供应商可以通过物联网同时获得存货的使用情况，在数据显示该批存货需要补充时，物联网得到传感信息的反馈及时提醒企业补给，通知供应商做好供货准备，并给出下一订货批量的预计时间及数量要求。这样就加强了企业与供应商的信息沟通与交流，使JIT控制系统得到更好的实施。
（三）云会计使库存管理更智能
由于各个地区消费者的需求偏好往往存在差异，使得企业在全国布局的仓库库存往往在商品的类型、数量等方面不尽相同。基于云会计平台，通过前端的物联网，企业可以获取各个区域仓库的存货情况。针对库存调拨，通过后端的数据中心进行大数据分析，可以选择在最优的仓库之间进行商品的调配，并根据对调拨结果的分析就以后的商品库存分配进行优化。消费者在网上购买商品时，云会计平台会自动选择就近且有货的库存点进行智能化发货。在存货的运输与存储过程中会涉及到安全问题，尤其是对于高价值的存货，其一旦损失将会对企业造成严重影响。云会计平台下物联网技术的运用，可以做到存货信息流和物流的统一、对存货流向形成监控，具有极强的监测功能。存货信息能够实时反映在云会计平台上，即便出现货物丢失情况，企业也能够即时采取措施应对，确保企业存货的安全性。
二、大数据时代基于云会计的库存管理
框架模型构建库存管理及时准确地反映各种物资的仓储、流向情况，可以为企业的生产管理和成本控制提供依据。通过对货物的各种信息进行即时的采集、分析、处理，可以使企业实时动态的库存管理成为现实。在云会计平台上，前端的物联网技术能够实时采集数据，后端的大数据分析中心对数据进行分析与处理，为企业的库存管理决策提供支持。在分析大数据时代云会计对企业库存管理在成本、控制、管理水平等方面影响的基础上，结合大数据、云会计和物联网的技术特征，考虑企业当前主要的库存管理需求，本文建立了由云会计平台、大数据分析中心、库存管理等核心模块组成的大数据时代基于云会计的企业库存管理框架模型。企业库存管理决策所需的库房信息，如仓库信息、货位信息、物料信息、出入库信息等，可以通过物联网技术借助云会计平台进行实时搜集；决策所需的其他大数据源，可以通过互联网、移动互联网、社会化网络等多种媒介，借助云会计平台从企业内部、交易所、事务所、外部市场、银行等获取。同时，经由大数据处理技术和方法（Hadoop、Storm、PentahoBI等）规范所获取数据，并通过ODS、DW/DM、OLAP等数据挖掘与数据分析技术提取企业进行库存管理决策所需的财务与非财务数据。大数据分析中心对企业库存管理的入库信息、调拨信息、出库信息进行分析，以此来支撑库存管理模块，为采购入库、库房调拨、销售出库阶段实时、准确的决策提供了依据。
（一）采购入库在采购入库阶段
由大数据分析中心结合企业生产情况、外部环境等因素对采购计划、采购数量、采购时间、物流过程等相关采购流程的影响，就公司所接订单、产品或服务的生产周期以及交货的时间等进行分析，并针对企业历史数据的分析以及对供应商信用程度、产品质量、产品价格等的综合分析，制定出《合格供应商名册》向企业推荐最优供应商。采购部门则根据分析结果按照企业需求制定出科学的采购计划与选择适合并满意的供应商。完成供应商选择之后要进行签订采购合同、发出订购单，供应商确认订购单、根据订单交货等步骤，这一过程需注意明确合同内容，明晰产品信息与双方责任。在最后一个部分即进料检验及入库阶段，由射频识别技术（RFID）识别出产品的品牌、规格、型号以及供应商的检验合格标识（在物联网技术下，产品都带有唯一电子标签）之后方可入库，若有检验不合格者，根据标签自带的生产信息退回至供应商处，并根据采购合同的条款或退换货物或进行赔付，退换后的货物同样要进行这一系列的检验过程，直到合格后入库。
（二）库房调拨在库房调拨阶段
模型采用完全共享策略，即某仓库库存水平一旦无法满足当前订单，而采用调拨方式可满足时，可从其他点调拨，要求调拨点的当前库存能满足需求点的订单需求量。由于云会计前端的物联网可以得到企业各仓库的库存信息，这样在任何仓库发生存货预警时，都可以向后端的大数据分析中心实时反馈请求调拨信息。对请求调拨信息进行分析之后，按照最小费用策略确定存货的调拨点与调拨量，并向该仓库调拨信息，以此在各仓库间完成存货的相互补给。在各仓库不能满足库存需要或者调拨成本过高时，库存信息将直接向总部反馈，由总部完成存货的分配。最后将调拨结果经由大数据分析中心向仓储管理部门进行汇报。基于云会计的库存调拨模块将企业的分布式库存连成了一个有机整体，不再是单独的仓库管理，可满足大中型企业库存实时性的问题，便于整体优化及一体化管理。大数据分析中心为各仓库的信息共享提供了技术支撑，物联网技术的运用为掌握各仓库的实时信息提供了有力保障，可为企业节省时间与成本。
（三）销售出库针对企业的销售出库
销售部门根据经由大数据分析中心分析之后的客户订单向指定的仓库下达发货指令，当指定仓库接收到发货指令之后带有RFID的货物将发往指定地点，同时，货物的地理位置信息与其他信息等由带RFID技术的物联网通过大数据分析中心向仓储管理部门实时反馈，以确保货物的安全以及了解物流信息。在货物到达指定地点后，将会再次向大数据分析中心反馈信息，并向仓储管理部门与销售部门发送货物安全送达的信息，从而完成整个出库过程。
篇3
【关键词】大数据；管理会计；发展问题；解决对策
1引言
管理會计最初由成本会计和管理控制两部分组成，即管理控制功能在成本会计上的叠加。管理会计在会计上比较灵活，运用使用的会计方法比较新颖，并利用统计学、管理科学、经济学等学科的知识对企业的大量信息进行分析总结。在考虑到会计的及时性和相关性特点的基础上，为财务会计、科学技术的发展提供了有力的支持。随着理论和技术的发展，管理会计涵盖的内容越来越多。其最重要的功能就是能够为企业的决策提供参考，这也主要受益于数据处理技术的进步。
2大数据时代下管理会计发展存在的问题
2.1对大数据在管理会计的运用认识不充分
提到大数据在会计工作中的应用，大家会很自然地将其归结为大企业的专利，许多中小企业认为大数据时代的来临与自身关系不大，没有对大数据时代的来临给予足够的重视，缺乏对大数据的正确认识。目前数据处理技术取得巨大进步，如何将其与管理会计融合，在理论和实践上还没有一个统一的认知。很多企业管理者人还认为财务会计为主，管理会计作用可有可无。由于对大数据认知不足，大数据技术在企业中的应用效率较低，在中小企业的现象更加明显，这些企业无法充分利用大数据达到管理会计与网络信息技术相结合。以上对于管理会计的忽视和对大数据运用的不充分直接制约了管理会计的发展。
2.2信息储存空间有限，分析方法欠缺
数据处理技术的发展可以提高企业信息收集加工的能力。在信息海量增长的今天，大量的数据需要存储和处理。数据是会计工作的重要信息。信息技术分析方面的短板致使企业自身难以保存太多的数据量，让数据分析变得困难。目前管理会计和数据处理没有取得很好的融合，或者没有很好地利用数据技术的强大处理能力，这也是让管理会计难以发挥帮助企业决策，促进企业发展的作用的原因。想要使信息化取得显著的进步，需要海量的资源分享平台作为前提条件。信息技术的发展需要先进的技术作为支撑，其核心云计算刚刚起步，发展距离实际运用还有一定的距离，这必然会限制信息技术的发展。
2.3有关专业技术人才缺乏
作为一种管理技术，管理会计的发展也基于成熟的人才。这就要求管理会计人员必须具备基于传统技能的数据处理和现代的分析技术能力。只有两者都具备的复合型人才才能将管理会计带入快速发展的轨道。目前，我国这类人才很少，培训需要一定的时间。实际情况是，许多管理和会计职位仅从财务会计转移到会计或直接兼职。这些人员的专业技能水平不高，导致管理会计的效率低下和绩效低下，并且无法履行其应有的职能。还有一类员工，他们的工作时间长，对新知识和新技能的接受程度低，甚至更多会直接抵制新知识。这些因素都限制了管理会计的发展。
2.4管理会计信息管理存在风险
大数据技术一方面合通过网络搜集海量的信息，并将其分类汇总，这给传统管理会计带来巨大的挑战。但是网络收集的信息是否真实可靠有待商榷，过度的寻求网络信息会不会侵犯企业的隐私信息也值得关注。企业的管理会计信息属于企业的核心秘密，高难度的数据处理、病毒、黑客攻击等在一定程度上降低了管理会计工作的安全性，导致会计信息的丢失或泄漏。要想确保企业管理会计信息不被窃取，需要面临的困难重重。首先，企业的信息越来越多，保证所有信息的安全成本巨大；其次，移动智能产品的层出不穷让企业的信息接入端口和接入设备增加，难以对所有的接入设备进行控制；最后，外部获取信息的手段在不断改进。以上三点造成目前的现状就是企业信息安全性不高。
3大数据时代下解决管理会计发展问题的对策
3.1树立对大数据的正确认识
随着技术的进步，单一的传统财务会计无法满足业务发展的需求，多样化的会计管理模式已成为许多业务会计改革的重点。管理会计服务于公司的管理，并集成了数据的收集，处理和分析功能，在公司的决策中起着重要的参考作用。大数据技术为管理会计的转型提供了机会。一方面，其带来了思想上的变化，另一方面带来了管理技术上的创新。大数据与管理会计的结合应该是未来发展的主要方向。如果公司希望在复杂的经济浪潮中快速发展，则必须实时更新业务管理的概念并增强关注度。因此，经理层需要更新观念，发展创新观念，增进对行政会计理论的理解，制定有效的企业管理会计制度和公司章程[1]。
3.2提高信息化建设水平
信息化的发展限制了管理会计的发展，想要实现管理会计的发展就必须提高信息化建设水平。随着互联网的快速发展，大量的数据和信息不断涌现，用科学方法整理数据，从不同角度准确分析和判断企业管理信息，比以往任何时候都更加迫切。行之有效的方法就是建设具有较强数据共享能力的信息平台，在这些平台上把企业经营过程中产生的生产信息、财务数据、人力数据等进行处理和共享[2]。企业需要哪些信息可以随时从平台获取，从而提高数据分析的科学性、完整性和及时性，大大提高工作效率，提高企业的经济效益和竞争优势。
3.3对会计人员进行培训，加速转型
提高管理人员综合素质是解决企业管理会计应用问题的关键。首先，轉变轻视管理会计作用的意识。如今，许多业务经理专注于在公司任职期间的短期利益，忽略发展管理会计和员工培训。这将导致公司财务管理混乱，阻碍管理会计的发展，并不可避免地给公司带来不可控制的风险和损失。其次，进行大数据和信息技术培训，招募高级人才来培训公司会计人员，提高会计人员的业务技能和技术水平。这样随着其业务技能水平的提高，将为公司带来先进的管理模型和概念，提出创新的想法，并增进对管理会计和大数据的正确理解。最后，采取有效的方法引进专业人才。通过外部招聘和内部培训，促进管理会计人才队伍的建设[3]。
3.4加强会计信息安全管理
会计管理方面的数据是企业发展的关键，为有效防范信息安全风险，企业应根据自身需要，建立健全内部控制制度，并严格遵循实施[4]。首先，有能力的大中型企业可以开发保护信息安全的技术系统，并引进相关安全技术人员，不具备自身开发信息安全系统的中小企业，可从可靠的供应商购买安全的技术软件，并运用到信息安全防范中去；其次，企业应提高网络安全的防范意识，加强网络的安全监管力度，对管理会计的全过程进行监控，对存在风险的环节及时预警，这样可以尽早发现会计信息中的安全问题；第三，政府相关职能部门要建立健全关于网络安全的法律法规，从法律的高度去约束泄漏和盗取企业信息的行为，对违反网络安全的法律法规的个人或者单位按照法律严惩。
大数据时代对社会的经济活动产生了重大影响，对企业的经营环境、经营理念、经营方式产生了重大影响，传统的经营理念和经营模式等都受到了挑战。要积极面对和解决管理会计在大数据时代遇到的问题，转变观念，提高对管理会计的重视，保证信息的安全，促进管理会计的高质量发展，以进一步在新时代背景下增强管理会计为企业持续创造价值的能力。
企业管理毕业论文范文模板(二)：浅谈如何实现企业政工工作与企业管理的共同发展论文
摘要：思想政治教育是中国精神文明建设的首要内容，是党的优良传统。思想政治工作不仅能够为企业发展提供重要的支持力量，而且还能引领员工思想状态和价值观的发展。在社会发展进程中，我们在以人性化和科学化管理的同时，更要密切联系思想政治教育；所以在企业管理中，政工工作开展是不可或缺的一部分，作为企业管理人员，要充分发挥政工工作的重要性，保障企业管理，为企业营造和谐氛围。
关键词：政工工作；企业管理；共同发展；研究对策
一、政工工作在企业管理中重要意义
政工工作不仅可以促使企业员工自身的思想道德水平的提升，在获得教育的前提下，形成正确的价值观；还可以提升企业凝聚力，更好的发展团队意识和进取精神，进而推进企业的整体发展。开展政工工作，为了提高企业员工精神的提升以及企业内部文明精神的提升，可以通过发展企业文化建设，系列的文化宣传和企业活动；加强员工之间在交流以及思想的统一，减少企业管理人员与员工的距离，以达到强化凝聚力，营造良好文化氛围。开展政工工作，为了提升员工的工作激情以及积极性，挖掘企业的增长潜力，以达到提升竞争力。同时党员要在政工工作开展中起到模范带头作用，通过支委联系党员、党员联系群众等形式，了解员工思想动态、帮助员工解决问题，将工作有序的推进。可以说政工工作的有效开展对实现企业长效发展是至关重要。
二、企业政工工作现状
（一）政工工作理念僵化
政工工作被忽视，政工人员的工作得不到足够的支持。很多企业由于政工工作的滞后导致员工的积极性没有得到调动，人力资源没有得到有效配置，部门之间关系没有理顺，员工缺乏正确的舆论导向，员工与员工之间、员工与领导之间没有形成健康、和谐的工作关系。员工的工作效率低、主动性差、随大流的思想，个人发展缺乏有效规划、动力不足。政工工作的不被重视，与部分企业落后的、僵化的工作理念是紧密联系在一起的。
（二）政工人员素质不高
大部分企业的政工人员的自身专业素养不高，导致无法提升政工工作的质量，再加上政工人员本来就比较少；另外企业对政工工作的忽视，导致政工人员的培训力度不够，政工人员也因为一些客观的因素，在工作上趋于形式化，创新的力度也不够，严重的形式主义再加上专业知识的退化，导致政工工作在企业的成效显得微不足道。
（三）政工工作方式缺乏创新
在网络时代的今天，信息的更新速度非常快，信息互动的方式也越来越媒体化，网络已改变了多数人阅读的习惯。而企业没能很好地利用网络平台，仍停留在以学习报刊、纸质文件等为主的宣传模式来开展工作，导致上令不达的现象时有发生。此外，政工人员到生产现场较少，与员工之间缺少沟通交流，不了解员工真实想法，因此企业的思想政治工作没有针对性，工作效率低，而且也难以有效激发员工参与的主动性。
（四）政工队伍建设不重视
企业忽视对员工思想的引导，导致企业内部出现小团体等不和谐的情况，甚至可能还存在一些比较自私的政工人员，对自身的小利益斤斤计较且不顾全大局，由此阻碍了政工工作的开展。另外，由于大部分企业缺乏政工工作的奖惩机制，从而导致政工人员的热情降低，从而导致政工工作的效率降低。
三、企业政工工作与企业管理共同发展的对策
（一）加强对政工的思想认识
要重视企业的政工管理工作，并对企业员工做到人性化且科學化的管理。在工作的过程中，员工作为企业的一线工作人员，不仅仅决定了企业的运行生产，还会直接影响到一个企业的经济效益与发展，所以应当对企业员工积极的开展思想政治的教育工作，并且重视政工工作的价值及其作用。企业的管理人员应当起到领头的作用，积极主动的去接受政工教育，为企业的政工工作做好表率，结合自身的特点，创新工作方式，打造良好的工作氛围。
（二）转变企业老旧的管理观念
管理人员应当尊重员工的个人意愿，并对于员工所提出的建议适当性的进行吸取，从而发挥员工的个人能力，使其能够更好的投入到企业的运作当中；员工通过参与培训，从而了解到自身的价值，充分提升了员工的工作积极性，让员工在充满热情的情绪下更加配合企业的管理，使其为企业未来的发展提供有效的动力，并且充分发挥自身的作用。
（三）提升企业凝聚力
很多企業都只注重于业务的发展，从而忽略了政工工作的重要性，所以导致政工工作人员素质都普遍较低。政工工作对企业业务有着积极的因素，不仅促进了企业业务的发展，并且提升了员工的政治觉悟，从而提升了企业的凝聚力，这样不同部门的合作效率也会随之也提升。随着越来越多的政工人员能够具备高的工作素养，并且对企业内部的业务工作越来越熟悉，使员工能更快的融入到其中，并在企业发展的过程当中可以发挥自身的作用。
（四）发挥先锋模范作用
在实际开展政工工作的过程当中，应该积极的做好党员模范的带头作用，且企业应当结合自身的发展优势，营造出一个良好的企业文化氛围，使得政工工作在良好的企业文化氛围中更好的开展，保障了政工工作的顺利开展。另外，企业还可以通过定期对政工工作积极配合的员工进行评选，针对这些优秀员工进行适当性的奖励机制，从而提高员工的积极性，并促使其他员工对自身要求的加强。
（五）完善企业政工工作
篇4
高等院校的学生来自全国各地，而不同地区的中小学计算机教育水平参差不齐。单一的课堂教学已无法保证所有的学生学得会、学得好，这给教学带来了问题。
（2）教学和实验的学时严重不足
目前，各个高校都在减少课时，教师只能在课堂上和实验中加大讲授的知识量，加快教学进度。当一个教师面对几十个学生时，基础较差的学生往往得不到教师足够的指导和练习时间，这给辅导答疑带来了问题。
（3）学习的结果与过程未被记录下来
学生可以利用丰富的网络资源巩固课堂内容，扩大知识面，加深对知识的理解。在传统教学中，教师往往忽视了学生的课后学习，没有记录学习结果与过程，这给教育过程的改进带来了问题。
（4）目前的网络教学系统很少区分学习个体
网络教学系统能够提供大量的多媒体教学资源，帮助教师进行课后辅导答疑，却很少区分学习个体，导致缺乏个体相关的数据，从而难以提供个性化的指导，这给网络教学系统的智能化带来了问题。这些问题归根结底是数据的问题，是数据没有被有效地规划和整合的问题。我们把与学习过程相关的大量数据收集起来，对这些数据进行分析，挖掘出有价值的信息，最后传递给学习者，这是一种解决计算机基础教育所面临问题的可行方法。
2面向计算机基础教育的大数据
在当前知识大爆炸的时代，人们获取知识的途径不仅仅局限于课堂，更多的是网络资源。当代的大学生接受新生事物更快，更愿意在特定的学习情境下去主动构建知识。因此，大学计算机基础教育需要改革现有的教育模式，将大数据技术融入到大学计算机基础教育中，建立与时俱进的大数据驱动的教育模式可以有效解决上述问题。在大数据时代涌现出大量的网络教学系统，随着这些网络教学系统的推广和普遍应用，使用者数量急剧增加，产生了大量的数据。数据之间可能存在某种联系，对这些联系进行分析和挖掘可能会找到有价值的信息。将有价值的信息展现出来，能够帮助我们做出正确的决策。在人类社会的发展已经由动力驱动转变为数据驱动的背景下，教育正在发生着一场新的变革，大学计算机基础教育也面临着类似的机遇和挑战。通过网络教学系统，可以更加方便地获取和利用大学计算机基础教育相关的各种数据
。大学计算机基础教育涉及的数据主要有以下几种：
（1）课件。课件是文字、声音、图像、动画等素材的集合，帮助教师更加生动地讲解课程内容，主要使用PPT和Flash两种文件。
（2）视频。视频是将教师在课堂上的授课内容录制下来，为学生提供课后学习的方式。学生可以在教学系统中下载或在线学习视频内容。
（3）题目。题目主要用于测试学习效果，包括判断题、填空题、选择题、问答题、程序设计题等各种题型。
（4）问题。学生在学习过程中遇到的问题，通过教学系统提交给教师。这些问题反映了学习的难点，是教师在课堂上需要详细讲解的教学内容。
（5）代码。代码是学生做程序设计类题目时所编写的程序代码。学生编写代码的质量可以由教师评判，也可以由系统自动评判。
（6）行为。行为用来记录学生的学习活动，如课件下载行为、视频点播行为、作业浏览行为、编程行为等。这些行为能够反映出学生的学习情况。
（7）缺陷。缺陷是学生提交的作业中包含的各种错误，反映了学习过程中存在的问题。对教学系统而言，这些数据是进行个性化推荐学习的参考依据；对教师而言，这些数据能够提示教学过程中需要特别关注的地方。
（8）过程。过程是指在教学过程中收集到的一些宏观数据，如课件学习过程、视频学习过程、测试过程等。这些过程能够反映出学生学习的个体差异。
3大数据驱动的新模式
在大数据时代，我们可以利用大数据技术在大量与学习相关的数据中挖掘出有价值的信息。这些信息能够帮助学生更加科学有效地学习，较好地解决当前计算机基础教育面临的问题。因此，我们将大数据技术融入到大学计算机基础教育中，提出一种大数据驱动的计算机基础教育新模式。它是在有效规划和整合计算机基础教育大数据的前提下，为学生提供各种自主学习资源和服务的新模式。学生和教师在使用各种网络教学系统时，输入的数据和学习行为都被系统记录下来。利用大数据技术对记录下来的数据进行分析，挖掘出与学生学习特征相关的数据。这些数据为学生的后续学习提供个性化的推荐，规划个性化的学习路线；向教师反馈学生的学习行为和效果，为后续教学提供个性化的推荐，帮助教师改进教学方法。以在线课程系统、在线编程系统和在线答疑系统为代表的各种网络教学系统目前得到了广泛的应用，这些系统本质上都是大数据驱动。实践证明，这些系统的应用将为学生学习和教师教学提供实质性的帮助。
1）在线课程系统是课堂教学的延伸
大型开放式网络课程MOOC是国际上流行的教学平台。自2013年5月以来，北京大学、清华大学、复旦大学、上海交通大学等国内一流高校纷纷宣布加入MOOC，向全球提供免费的在线课程。MOOC采用云计算架构，提供大量的视频学习资源和人机交互功能。学生提交作业后，系统能自动评判作业的质量，以评估学习效果。MOOC的出现给计算机基础教育带来巨大影响。MOOC解决了学生计算机应用能力差异大的问题，学生不管基础如何，都能找到与之相应的学习内容；MOOC弥补了课堂教学学时不足的问题，学生能在课后随时随地找到学习资源；MOOC能够记录学习的结果与过程以及作业中的错误等，这些对于改进教学方式和调整教学重点等都有意义。
2）在线编程系统是实验环节的补充
随着SaaS技术(软件即服务)的不断成熟，出现了许多功能强大的在线编程系统。这给大学计算机基础教育中的程序设计类课程的实验教学
带来了巨大的帮助。使用在线编程系统进行实验的好处有以下几点：
（1）教师不用在实验室的每台计算机中安装软件，学生通过浏览器就可以编写程序；
（2）学生编写的代码都存储在云端，能上网的地方就能练习编程，并且随时可以修改代码，解决了实验教学学时不足的问题；
（3）在线编程系统主要记录代码和代码编写的过程，能够收集实验过程中与学习相关的数据。国外在线编程系统CodeCademy提供了一种学习编程的新方式。它的用户群是零基础的学习者，所以CodeCademy创设趣味性的学习环境，手把手帮助学习者了解编程的过程。它的在线编辑器能让学习者不用寻找、下载和安装编程环境就可以在网络上编程。在线编程系统不仅为实验教学提供了方便的实验环境，还能收集大量的程序代码和学生的编程行为，有助于分析学生的学习特点与习惯，区分学习个体，为制订个性化学习路线提供有价值的数据。
3）在线答疑系统是课后辅导的平台
学生在学习过程中常常会遇到很多问题，这些问题如果能及时得到解答，就能促进学生更深入地学习；反之，就会影响学生的学习效果和积极性。目前，互联网上已经出现了许多人工解答和自动解答的系统。有代表性的是上海交通大学的远程教育设计中心设计开发的AnswerWeb自动答疑系统，它是一个动态的问题及答案的数据库。学生输入关键词后可以在系统已有的问题和答案数据库中查找相关的材料。如果没有找到答案，则会自动转发给教师请求帮助解答。随后，新的提问和答案将被增加到系统库中。系统会记录所有的问题和答案以及学生提问过程中的行为。在线答疑系统应用到大学计算机基础教育中，解决了教师无法在课后对每位学生进行辅导答疑的问题。同时，利用大数据技术，答疑系统将学生提问和获得解答的行为记录下来，自动的分析这些数据，挖掘学习个体特征，为学生的后续学习提供个性化的推荐。
篇5
二、中央数据调度，强化过程管理
（1）信息中心运营监测，率先发现经营问题。管理会计要求对每一个生产过程开展管理，大数据中心将责任中心内部发生的、由管理者直接控制的生产动作和资源消耗过程信息，迅速反馈到责任中心管理者那里，便于责任中心管理者及时作出工作调整。公司运营监测（控）中心建成业务信息资源共享平台，依据数据治理的要求，对公司经营管理业务“全方位、全流程、全天候”监控，实现各项指标数据“在线监测、在线分析、在线计算”，真实反映公司运营管理现状，实现快速有效地发现问题，预警并协调，使信息能够对责任中心管理者产生最大的效用。运营监测（控）中心依据生产、营销、职能各部门特定工作周期，制定指标数据核查节点及数据整改治理方案，定期（每月、每周、每天、甚至每小时）对外运监报告，责任中心负责人根据监测报告，对报告中提及的工作坏点、差错进行修正，重点关注有偏差趋势的数据，遏制不良势头的发展。
（2）设备运行全程监控，确保电网稳定可靠。状态检修辅助决策系统是以预测评估为主要手段的新型电网资产运维管理模式。模式有机结合了状态检修与计算机在线技术，基于设备运行数据分析，显著提升状态评价的科学性和评价结果的有效性。系统通过传感器数据对设备开展状态评价和风险评估，识别重要设备维修需求，在设备隐患变严重或导致更高维修成本前发现问题，自动生成预防性维修任务，减少整体维修成本和停机相关成本。同时帮助确定设备检修、试验周期及技改项目，提高检修的针对性和有效性，避免检修力量的无差别使用，实现设备动作管理、检修管理和巡检管理的自动化。提升人力资源使用效率，设备管理责任制得到更好落实，关键设施资产状况改善，使用期限得以延长。
（3）严堵电量滴冒跑漏，全面线损精细管理。技术线损接近理想值、管理线损趋于零是管理者的目标。为了实现目标，把已建成的PMS、GIS和CMS系统实行数据互联，逐步完善输电到配电的一体化线损精细管理。技术线损方面，成立专业小组对线损率不合理母线进行分析，通过分时段、分母线段分析手段来定位线损率不合理的母线分段，配合发现潜在的表计故障及参数设置错误，根据分析结果指导各专业制定和落实整改举措，并结合日常运维做好厂站端监测装置巡检、消缺工作，提高线损数据比对成功率。管理线损方面，充分利用用电信息采集系统对已安装关口表的台区开展线损分析比对，通过内场分析，排除系统错误、统计差错等内部原因后，将须现场检查的台区发送至管理班组，由专业班组对电量异常和线损不合理台区开展现场检查，落实后续处理，快速止住电网“出血点”。
三、助力战略布局，深化绩效管理
（1）非财务指标数据汇总及分析。短期财务指标无法准确地反映企业长期绩效，因此评估和报告大量非财务指标比评估月度或季度利润显得更为重要。这些指标以公司战略为基础，在评估包括生产、市场营销和研发等方面，是影响企业成功的关键因素。从更重要的意义上讲，对运营为基础的非财务指标评估，是管理会计系统回到原有状态，发挥最广泛作用的具体表现。设立全面的评估体系，涵盖影响企业可持续发展的所有因素，包括考量成本管理水平的成本费用收入比重、每万元电网资产运行维护成本；考量资产效率的总资产周转率、单位资产售电量、单位电网投资增售电量；考量资产质量退役设备的平均寿命；考量安全水平的人身轻伤、电网和设备事件数、信息通信安全运行事件数；考量服务质量业扩报装服务时限达标率、优质服务评价指数；考量安全可靠输变电系统故障停运平均恢复时间、继电保护正确动作率；考量创新能力科技进步获奖指数、管理创新指数。非财务指标评估体系全面评估企业的可持续发展能力，各指标也实现了同业对标的可能，挖掘企业发展潜力，为企业在行业内的不断成长指明方向。
（2）升级绩效管理提升员工价值。人是企业发展的第一要素，员工价值的提升是企业价值提升的必要条件。通常企业难以评估员工价值的提高，然而一些非利润性指标如：招聘成功率、员工离职率、旷工情况、连续安全生产天数、技能升级和岗位晋升等指标，可以用于评估企业人力资源的发展趋势，体现公司以提升绩效为导向的企业文化，变员工被动成长为主动成长。设立员工绩效积分制评估模式，对员工进行量化考评、全方位打分，绩效积分与工资薪点挂钩。评估将定量考核和定性评价相结合，内容包括关键业绩指标、重点工作任务指标、工作质量指标、人才当量指标、考勤记录指标及获奖情况等。全方位反映员工行为规范、生产安全、技能水平、工作绩效的综合水平。标准是以员工一定时期内完成的工作任务数量和质量的量化累计作为评价员工绩效的依据，包括以员工完成的本职工作、上级布置的临时任务和其他事项为内容的“数量积分”和以完成工作任务的及时性、准确性、规范性为内容的“质量积分”。各项指标的信息采集由员工绩效指标库和ERP系统提供，员工可依据评估模式，不断实现自我成长，获得更高的积分，企业也可清晰掌控现有人力资源情况。
四、利用数据资源，开拓创新领域
（1）实时电价体系的设计与运用。实时电价就是电能实现实时定价，管理者能够将不同时间段的不同负荷量与电价挂钩，增加用户在电力市场的参与度，从而提升负荷因数，减少电力资产的投资，给消费者提供更多的选择。智能电网的布局在技术上为实时电价做好了准备，公司可以透过大数据关联，权衡负荷需求和电量供给，将发电到用电的价格迅速计算，然后使用通信技术，将实时价格给用户，用户依据电价完成用电负荷的选择。
篇6
2.计算机网络存在的主要安全问题。
目前，计算机已经广泛应用于各行各业，人们对计算机网络的认识与利用水平也显著提升，办公、社交、生活等方方面面都离不开计算机网络。计算机网络在丰富和改变人们生活的同时，其存在的安全问题也不得不让人们警醒，经过笔者梳理，计算机网络安全问题主要存在以下几个方面：
1）网络病毒所导致的安全问题。
在计算机网络技术快速发展的过程中，也出现了越来越多、感染力越来越强的新病毒，它们无时无刻地影响着计算机网络的安全。由于计算机网络病毒具有复制性，能够感染其他程序和软件，因此，一旦计算机中了病毒，其所运行的每一步都将是危险的，都会存在让病毒也随之运行并产生破坏行为，然后应用程序被破坏，机密数据被盗用或被破坏，甚至让整个计算机系统瘫痪。
2）人为操作失误所导致的安全问题。
在人们进行计算机相关操作过程中，人为操作失误可能会引起计算机的安全漏洞，或者泄露了某些重要的信息，而这些信息一旦被不发分子所利用，便会造成难以挽回的损失。
3）网络黑客攻击所导致的安全问题。
在大数据时代下，网络黑客对计算机网络的攻击具有更隐蔽、破坏性更强的特点。由于在大数据时代下，网络黑客通过非正常手段窃取到某一重要数据时，一旦其利用这些数据进行非法行为时便会引起巨大的波及。同时，在海量的数据中，难以及时识别网络黑客的攻击行为，对于计算机网络安全而言是一种严重的威胁。
4）网络管理不到位所导致的安全问题。
在网络安全维护中，网络安全管理是非常重要的环节，但是目前很多使用计算机的个人乃至企业、政府部门并没有对网络安全管理引起足够的重视，从事使得计算机网络的安全受到各种威胁，最终导致大量的计算机网络安全事件频繁发生。五是，网络系统自身的漏洞所导致的安全问题。理论上而言，一切计算机网络系统都存在某些漏洞。同时，在用户使用各类程序、硬件过程中由于人为疏忽也会形成一些网络系统漏洞。二者相比，后者的破坏性常常是巨大的，很多不法分子通过非法途径给用户造成计算机系统漏洞，进而窃取用户信息，给用户造成巨大的损失。
二、大数据时代下的计算机网络安全防范对策
1.加强病毒治理及防范工作。
在大数据时代，计算机病毒的种类与数量与日俱增，对其进行治理与防范是较为困难的。在对计算机病毒进行治理与防范时，笔者认为最重要的是防范，这种防范是一种主动的、积极的治理，可以通过加强计算机防火墙部署来提高网络环境的安全性，将那些不稳定的、危险的网络因素隔离在外，进而实现对网络环境的安全保护。同时，计算机使用者树立正确的病毒防范意识，在计算机日常使用中，能够定期利用杀毒软件对所使用的计算机网络环境进行杀毒，并更新病毒样本库，进而确保对计算机网络的扫描能及时识别计算机病毒并进行及时的处理。
2.加强黑客防范工作。
隐藏在大数据背后的网络黑客一旦实施其不法行为，常常会产生巨大的安全问题，因此，为了防范计算机网络安全，应当积极整合大数据的海量信息优势，建立科学的网络黑客防范攻击的模型，以此来提升识别网络黑客的反应速度。通过加强计算机网络的内外网的割离、加强防火墙配置，能够有效降低黑客攻击的可能性。同时，还可以大力推广数字认证技术，加强对访问数据的有效控制，并合理认证，有效避免非法目的用户的非法访问，进而提升对网络安全的有效保护。
3.加强网络安全管理。
使用计算机的个人及机构，需要从思想上高度重视网络安全管理的重要性，在熟悉大数据的特征与性能的基础上采取安全的管理措施，时常关注网络安全管理，从技术上给予网络安全保障的同时，还需要通过有效的网络安全管理来实现大数据时代下计算机网络安全的防范目的。对于机构而言，需要从宏观上认识到网络安全管理的重要性，并建立动态的、有序的、系统的管理规章，依托于云计算技术构建一个更加高级的智慧平台来加强网络安全的防范，进而确保网络安全。对于个人而言，需要从主观上认识到网络安全的重要行，在进行计算机操作中，要养成规范化的、文明的使用计算机网络的习惯，尤其是对于一些钓鱼网站、非法链接，要从主观上认识到其危害，并做自我做起，将网络安全问题尽可能消灭，不传播有安全隐患的信息或链接。
篇7
大数据的采集是整个流程的基础，随着互联网技术和应用的发展以及各种终端设备的普及，使得数据的生产者范围越来越大，数据的产量也越来越多，数据之间的关联也越来越复杂，这也是大数据中“大”的体现，所以需要提高数据采集速度和精度要求。
1.2数据处理与集成
数据的处理与集成主要是对前一步采集到的大量数据进行适当的预处理，包括格式化、去噪以及进一步集成存储。因为数据采集步骤采集到的数据各种各样，其数据结构也并不统一，不利于之后的数据分析，而且，一些数据属于无效数据，需要去除，否则会影响数据分析的精度和可靠性，所以，需要将数据统一格式并且去除无效数据。通常会设计一些过滤器来完成这一任务。
1.3数据分析
在完成了数据的采集和处理后，需要对数据进行分析，因为在进行数据分析后才能体现所有大数据的重要价值。数据分析的对象是上一步数据的处理与集成后的统一格式数据，需要根据所需数据的应用需求和价值体现方向对这些原始样本数据进一步地处理和分析。现有的数据分析通常指采用数据仓库和数据挖掘工具对集中存储的数据进行分析，数据分析服务与传统数据分析的差别在于其面向的对象不是数据，而是数据服务。
1.4数据解释
数据解释是对大数据分析结果的解释与展现，在数据处理流程中，数据结果的解释步骤是大数据分析的用户直接面对成果的步骤，传统的数据显示方式是用文本形式体现的，但是，随着数据量的加大，其分析结果也更复杂，传统的数据显示方法已经不足以满足数据分析结果输出的需求，因此，数据分析企业会引入“数据可视化技术”作为数据解释方式。通过可视化结果分析，可以形象地向用户展示数据分析结果。
2云计算与大数据分析的关系
云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源，是一种按使用量付费的模式。这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络、服务器、存储、应用软件、服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。目前，国内外已经有不少成熟的云计算的应用服务。数据分析是整个大数据处理流程里最核心的部分。数据分析是以数据的价值分析为目的的活动，而基于大数据的数据分析通常表现为对已获取的海量数据的分析，其数据来源可能是企业数据也可能是企业数据与互联网数据的融合。从目前的趋势来看，云计算是大数据的IT基础，是大数据分析的支撑平台，不断增长的数据量需要性能更高的数据分析平台承载。所以，云计算技术的不断发展可以为大数据分析提供更为灵活、迅速的部署方案，使得大数据分析的结果更加精确。另一方面，云计算的出现为大数据分析提供了扩展性更强，使用成本更低的存储资源和计算资源，使得中小企业也可以通过云计算来实现属于自己的大数据分析产品。大数据技术本身也是云计算技术的一种延伸。大数据技术涵盖了从数据的海量存储、处理到应用多方面的技术，包括海量分布式文件系统、并行计算框架、数据库、实时流数据处理以及智能分析技术，如模式识别、自然语言理解、应用知识库等等。但是，大数据分析要走向云计算还要赖于数据通信带宽的提高和云资源的建设，需要确保原始数据能迁移到云环境以及资源池可以随需弹性扩展。
3基于云计算环境的Hadoop
为了给大数据处理分析提供一个性能更高、可靠性更好的平台，研究者基于MapReduce开发了一个基于云计算环境的开源平台Hadoop。Hadoop是一个以MapReduce算法为分布式计算框架，包括分布式文件系统（HDFS）、分布式数据库（Hbase、Cassandra）等功能模块在内的完整生态系统，已经成为当前最流行的大数据处理平台，并被广泛认可和开发应用。基于Hadoop，用户可编写处理海量数据的分布式并行程序，并将其运行于由成百上千个节点组成的大规模计算机集群上。
4实例分析
本节以电信运营商为例，说明在云计算环境中基于Hadoop的大数据分析给大数据用户带来的价值。当前传统语音和短信业务量下滑，智能终端快速增长，移动互联网业务发展迅速，大数据分析可以为运营商带来新的机会，帮助运营商更好地转型。本文数据分析样本来自于某运营商的个人语音和数据业务清单，通过Hadoop2.6.0在Ubuntu12.04系统中模拟了一个大数据分析平台来处理获得的样本。希望通过对样本数据的分析与挖掘，掌握样本本身的一些信息。以上分析只是一些很基本的简单分析，实际上样本数据中所蕴含的价值要远远大于本文体现的。以上举例意在说明基于云计算的大数据分析可以在数据分析上体现出良好的性能，为企业带来更丰富更有效率的信息提取、分类，并从中获益。
篇8
会计信息化是我国“十二五”期间会计改革与发展的重要内容之一，也是很多企业提高会计系统效率的有效途径.会计信息化是信息社会的产物，是将计算机、网络通讯等先进的信息技术引入会计学科，促进企业会计系统网络化发展的过程.大数据的兴起、云计算的增速和以云计算为基础的云会计的应用为会计信息化的发展提供了技术支持和平台.企业会计信息化的深度发展对于大数据的需要与日俱增.
2.1企业会计信息化的现状
1、会计信息披露具有偏向性，导致信息不对称.传统的会计信息系统会诱使企业选择特定的会计方法而造成企业管理人员利用自身是信息提供者这一优势，不断地美化会计报表，这对于外部使用者而言是非常不公平的.2、内部自我约束能力弱，导致数据不真实.在传统会计信息系统下，一些企业为了眼前经济指标的提升或者任务的完成，常常通过人为调整会计报表来应付各机构的检查，自我约束能力弱，数据失真.还有很多企业对现有的政策法规钻空子、打球的现象屡禁不止.聘请的第三方审计机构也本着“企业利益最大化”的审计目标，对企业不真实的数据进行舞弊，以点盖面.3、核算量大，导致信息披露不完全.传统的会计信息系统下，会计的信息系统发展越来越不能适应高速发展的经济业务，很容易造成信息披露不完全.信息经济时代下，应该更多的提供企业未来价值的知识资源，而不是沉浸在企业过去的财务数据中.4、企业信息数据单一，导致信息缺少指导性.传统的会计信息系统主要是对企业财务信息的反映，往往忽视了非财务信息.企业自身变化的社会经济形势要求我们不能只依靠过去的财务数据对未来发展做出预测.对企业未来的发展预测用某些非财务信息可能会更加合理.如企业的环境成本、社会责任等信息都需要非财务信息的提供.5、信息传递滞后，导致会计信息缺乏时效性.传统的会计信息系统采用先发生交易事项后进行记录的程序，无法满足当代企业对信息时效性的要求.企业以及社会各机构、投资者越来越需要了解随时发生的财务信息，对其进行更好的决策，这就要求企业不定期的提供会计信息，对于会计期间的定义也不再以年为单位了.因此，现有的会计信息滞后的时效性严重影响使用者的需求和投资者的决策.综上可知，传统的会计信息系统逐渐出现了不适应当今经济发展的事态，高效、全面的信息化系统变得越来越重要.在大数据时代下会计信息的不断创新，快速发展势在必行.
2.2大数据对企业会计信息化的促进作用
大数据时代下，对会计信息化的促进作用主要表现在：信息结构更加客观，既强调了会计信息的精准性，又不失相关性；财务会计信息管理的程序化；会计人员工作转向宏观信息管理；多元化的计量单位.在大数据时代下非结构化数据成为主导，在会计信息中可以更好的融合结构化和非结构化数据，更好的提高数据的相关性，并且不会人为的进行舞弊.程序化的会计信息管理也将出现，财务部门逐渐将不再作为一个部门，而是作为一个类似于“企业”的独立个体，数据的获取可以不通过部门的上报来实现，而是通过财务部门设定的独立软件获取，这也提升了财务本身的独立性，同时也可以为其他部门提供共享服务；财务部门不需要对数据进行处理，而是转变成为数据的使用和管理者.在大数据时代下，多元化的计量单位将会出现，会计计量单位会出现相关的时间、数量单位等.
2.3大数据时代下会计信息化面临的挑战
篇9
2.新媒体思维模式
信息数据附着在各类新媒体之上，数据格式多种多样，从网页论坛、视频、网络日志、微博微信、甚至地理位置信息等等。新媒体思维正在改变服装市场的营销方式，服装企业传统的营销手段是实体店集中推广、平面广告以及电视媒体宣传，节假期间雇佣大量劳动力街头派发促销传单。而大数据时代，服装企业充分利用互联网的植入式广告、病毒式推广以及低成本营销，打造网络交易平台，全方位收集消费者信息数据，分析消费者潜在消费动机与偏好，从而在推广品牌的同时扩大销售量。
二、大数据时代对高校服装设计教育的启示
1.教学方式的变革
随着笔记本电脑、平板电脑逐步进入课堂，教材、教学活动不断被数字化，教育方法应以更丰富多彩的形式融入课堂。网络教学和讨论方式也是大数字时代课堂经常采用的一种教学方式。以服装设计课程为例，在服装风格与流派章节学习中，鼓励学生利用网络资源，进行相关文献查阅，了解不同历史时期服装风格的含义与表现，以演示文档的形式进行小组讨论，并设计“最受欢迎的大学生潮流服饰搭配”问卷进行市场调研，感受数据的多样性以及数据分析方法。
2.课程知识点的设置
“因材施教”的理念在班级授课制中开展有着相当的难度，在有限的教学时间和教学空间内，教师对学生的“材”无法充分的了解和引导。在大数据时代，教师可以对每个学生学习数据进行分析，将学生的整个学习过程数字化，例如知识点可以被数字化并与测试题建立联系，测试题中每道题的完成时间、错题数等都以数据的方式记录。计算机通过错题分析出每个学生对各章节知识点的掌握程度，从而从根本上落实“因材施教”的教育理念。在服装结构设计类课程中，将知识点与知识点进行组合并设计考核题目，例如人体测量部位与原型版的对照练习，放松量章节的知识点与不同类型板型对应，款式分析与服装风格分析相关联，从而建立知识点与测试题的联系，用相关性思维解决结构类课程中的每一个细节问题。
3.侧重对学习过程的评价
随着笔记本电脑、平板电脑逐步进入课堂，教材、教学活动不断被数字化，学生学习过程也将逐渐数字化，学生的学习过程更加受到关注，而对于这些数据的分析与利用，将使得每位学生的发展都有据可依。例如，在服装工艺类课程中，将更注重实验课程环节的设计与实验过程考核，根据自学能力、创新能力和动手能力来评定学生的综合成绩。鼓励学生海量收集学科咨询，通过自主学习发现问题解决问题，而通过不同考核项目的得分，分析学生的自学能力与学习类型。
三、大数据时代对高校服装人才培养提出的新要求
1.获取有效信息数据的能力
互联网上各类教学视频、教学文库林林总总，各类网络学院、网络公开课、精品课程应接不暇。高校须引导学生自主学习，加深学生对当今社会变革的理解和认知，使学生具有大数据思维能力和判别能力，能够在时间学习中利用资源，使数据为专业学习所用。
2.分析数据的能力
要求学生能根据不同的需求，利用有效的问题解决思想和方法论，最终形成有效的数据，并能够为大多数人使用。利用定量和定型的分析方法，挖掘数据之间的相关性，并形成数据分析报告。该项能力需在服装专业考察、服装创新实践平台等实践环节的课程中，得到充分的训练。
篇10
二、活动时间
2008年12月初
三、活动地点
南通大学；
南通航运职业技术学院；
四、活动组织单位：
主办：南通大学杏林学院团委、社团联合会策吧网
南通航运职业技术学院社团联合会
承办：
南通大学极限俱乐部、
南通大学轮滑社
南通航运职业技术学院KFC轮滑社；
五、活动对象
1、南通大学极限俱乐部社员
2、南通大学轮滑社社员
3、南通航运职业技术学院KFC轮滑社社员
4、南通高校的广大轮滑爱好者策吧网
六、宣传方式
1、海报宣传
2、横幅宣传
3、QQ群宣传
4、通大极限俱乐部的博客网页
七、活动日程
1、2008年12月6日上午:通大启秀校区
（上午9：30在启秀校区主教学楼前集合）
2、2008年12月6日下午:通大钟秀校区
（下午2：00在钟秀校区主教学楼西大门集合）
3、2008年12月7日上午:通大主校区
（上午9：00在主校区综合楼前集合）
4、2008年12月6日下午:南通航院
（下午2：00在航院公共教学楼前集合）
八、活动内容策吧网
1、速滑刷街
各个队员按顺序站立；队前两个人引路，其中一个人使用相机来录像;队后两个人押尾,其中一人也使用相机进行全程录像；队伍中间每隔一段距离有人保护队伍的安全速度等
2、专业平花
3、组合表演
4、个人才艺表演
附录一：比赛规则
一）速滑规则
速滑实行个人计时赛，共评五人，设一、二、三等奖，取最短时间完成者为优胜。赛时按号码每三人一组进行比赛，遵守比赛管理者的安排，以起跑线开始，以轮滑鞋的前轮撞线结束，比赛过程中严格遵照赛道路程进行，不得拉扯其它参加者的衣物、身体等，不得故意磕绊其他参赛者，如违反取消所有比赛资格。如遇时间相同，则再比一次。策吧网
二）速桩规则
三）平花规则
平花实行加减分制，以基础分20分起。每人在80cm的桩上作一套有来回的组合，一套没有来回的组合。
减分规则：
1） 平花过程中，每踢到一个桩减一分，卡桩减0.5分
2） 平花动作要回桩，无回桩动作减5分
3） 平花动作没作完成或作一半减5分
加分规则：
4） 完成所作平花动作且不踢、不卡桩加2
5） 平花动作依美感度、流畅度有评委各加1~5分
6） 平花动作（每个桩上组合动作）依难度由评委各加1~5分
7） 平花结束时有结束动作由评委加1~3分
四）注：
1）比赛过程中如动作未完成，可申请重做机会，如都没有完成，可按分数最高一次记录。策吧网
篇11
中图分类号：F276.3 文献标志码：A
学术期刊办刊水平的高低最终要通过期刊评价予以检验，从一定程度上讲，期刊评价的标准决定了期刊未来发展的方向和目标，期刊评价标准的合理设立对学术期刊的健康成长至关重要。随着移动互联网、云计算、可信计算等一系列新型信息技术的迅猛发展，一个大规模数据生产、储存、分享、应用的“大数据”时代逐渐开启。“大数据”时代的到来，对我国学术期刊的未来发展将产生巨大影响，期刊的运营模式、出版流程都将发生根本性变革，如一些学者所预测的，“大数据”时代的到来将造就全新意义上的学术期刊。相应地，“大数据”也将导致学术期刊评价的革命，一方面，大数据时代学术期刊功能定位的变化要求必须确立新的、符合时展要求的评价标准，另一方面，大数据科技的应用也将为期刊评价提供新的技术手段与方法，大大提升期刊评价标准的精确性与全面性。在这一背景下，深刻把握大数据时代学术期刊发展规律，科学探析大数据时代期刊评价标准可能的创新与发展方向，对于我们有效应对大数据挑战，推动学术期刊的未来发展具有重大意义。本文拟对这一问题进行初步探讨，以期对未来期刊评价方面的研究有所启示。
1我国当前主要学术期刊评价系统及其评价标准
1.1我国当前主要学术评价系统
我国当前的学术评价体系起源于20世纪70年代，经过几十年的变革与发展，目前形成了既符合国际化评价标准要求又具有我国学术研究特色的学术期刊评价体系。根据学科和专业研究领域的不同，目前已形成了5大期刊评价权威系统并根据其系统要求定期出台期刊评价报告，这5大系统包括：南京大学研制的《中国人文社会科学引文索引》、北京大学图书馆研制的《中文核心期刊要目总览》、中国社科院文献信息中心研制的《中国人文科学引文数据库》、中国科学院文献情报中心研制的《中国科学引文数据库（CSCD）》以及中国科学技术研究所研制的《中国科技论文与引文数据库》。
1.2五大评价系统的具体评价标准及其特征
这5大评价系统的期刊评价标准主要是根据布拉德福文献集中定律和加菲尔德文献集中定律予以制定，其具体评价指标则参考了美国EI、SCI等国际期刊数据库的评价标准。所谓布拉德福集中定律，是1934年由英国学者S.L.布拉德福提出的，他在对一些特定的学科领域期刊的数量及其刊登的相关论文数量进行统计的时候，发现期刊的内容对于某一个别学科来说呈现出远近亲疏不等的情况，“如果将科学期刊按其登载某个学科论文数量的大小，以渐减顺序排列，那么可以把期刊分为专门面向这个学科的核心区和包含着与核心区同等数量论文的几个区。这时，核心区与相继各区的期刊数量成1：a：a的关系。”核心区的期刊就是刊载学科论文数量最多、包含相关信息最丰富的那部分期刊。加菲尔德文献集中定律，是20世界60年代，由美国学者加菲尔德提出的期刊分布定律，他通过对一些综合性和专业性检索工具检索和收录论文的比率进行分析，发现各学科的核心期刊主要集中在少数的期刊中，而主要的期刊则更少，大多数学科期刊的发展呈现出明显的集聚效应。这两大定律是目前国际上制定学术期刊评价标准的主要依据，我国五大期刊评价系统也主要以这2个定律为准则，并在此基础上制定了大致类似的评价标准，五大评价系统的具体评价指标，如表1所示。
这五大评价系统的评价标准具有几个共同的特征：首先，5个期刊评价系统都是采用引文分析法，即通过对期刊论文索引量、被引频次和影响因子等指标的统计分析来对期刊质量作出评价，这3个指标也是期刊评价中的核心标准；其次，期刊评价数据的采集主要依托中国知网、万方、维普等网络数据库的数据资源进行统计，不进人这些数据库的文献不计入统计；再次，期刊评价基本是围绕期刊刊载文章的影响力指标进行评价，在专业领域越有影响的期刊，其评价结果就越好。
客观来讲，当前五大评价系统的评价标准是在借鉴国际已有成功经验并结合了我国学术研究特色来设定和构建的，它通过对客观数据的严格统计分析来对期刊予以评价，在一定程度上避免了人情因素、主观偏见对期刊评价的负面影响，具有相当的客观性与科学性。但同时，以影响因子和引文分析为核心的评价标准也存在诸多局限：首先，由于不同检索数据库所收录和统计的文献及期刊种类和数量有所不同，导致同一期刊依据不同数据库数据计算出的影响因子常常产生巨大差异；其次，不同学科发展情况和设置缺陷导致期刊统计源结构不合理，一些学科的期刊统计源期刊很多，影响因子较高，而一些冷门学科的期刊统计源极少，影响因子很低；最后，当前的评价标准主要关注后的索引量、被引频次，不仅评价指标片面，而且难以避免不当引文、无效引文对统计结果的影响。
2大数据对学术期刊评价标准的影响
大数据技术的应用给学术期刊的未来发展带来巨大变革，这些变革集中体现在对学术期刊评价标准的深刻影响之中。
2.1期刊评价的可采集指标更为丰富
在大数据的背景下，期刊出版发行形态将发生巨大变化，以前以纸质印刷、定期刊发为标志的出版方式将向电子化、网络化、不定期出版方向转移。期刊论文的创作、审核、修改、编辑、发表以及发表后所产生的社会反馈和影响都将依托于数字化网络平台进行，而这整个过程中的所有数据也将通过大数据技术予以记录，除了转引率、被引频次等数据，大数据和云存储技术可以为期刊评价提供更丰富的数据资源和种类以备采集，并作为期刊评价新的指标。比如，大数据技术支持下的电子阅读终端可以记录读者对某篇文章的阅读时间、次数，甚至在某些段落的停留时间，这对于未来期刊的反馈评价将是一个重要指标；再比如，通过“云存储”、“云计算”等技术可以对前的选题热度、潜在价值做出客观评测和计算，这可以做为期刊选题价值的评价指标；除此之外，大数据还可以收集并记录期刊选题策划方案、编辑规范性、构图设计水平等方面的信息，为学术期刊的整体评价提供参照指标。
2.2期刊评价的数据统计更加全面精准
以往对评价数据的采集，主要依据知网、维普、万方等数据库统计源，但许多没有被这些数据库收录的期刊却不能进入统计范围，而且由于检索系统所收录的期刊群组成差异较大，所计算的影响因子值也会产生较大差异，导致同一刊物在不同检索系统中计算出明显不同的影响因子数。而依托大数据技术的期刊评价数据采集，不仅可以覆盖全网络信息资源并统一计算方法，避免因数据库收录不足和算法差异导致的因子计算缺陷，而且对于被何种方式引用，引用量多少，有效还是无效引用，自引还是他引，都能准确记录，实现对期刊评价相关数据更为全面和精准的统计。更关键的是，大数据能够为期刊评价提供论文编辑出版发行过程中的全数据样本，并对后的索引转载情况实时动态更新，对读者阅读评价反馈全面搜集，从而实现评价数据统计的静态与动态统一、主观与客观结合。
2.3期刊评价的读者影响力更加突出
大数据背景下，期刊评价将更加突出读者评价的地位和作用。以前的期刊评价统计实际上是注重论文引用者和转载者的评价地位，兼顾同行、专家和评价机构的综合评议。但是对公开发行的期刊论文来说，论文的引用和转载者可能只是读者中的一小部分，大多数读者在阅读后不一定会将之运用到学术创作之中，但同样会对文章质量作出心理评价，这种评价实际比单纯的引文评价更全面、更有说服力但也更难以计量。而随着数字技术的发展，大数据时代的期刊出版将逐渐进化到电子出版阶段，新的电子期刊平台将不仅是一个阅读平台，更是期刊社为读者、作者、专家提供的一个互动服务平台，在这个平台上，不仅读者的浏览偏好和阅读反馈会被储存下来，而且通过独特的互动窗口，他们还可以和作者、编辑、审稿专家进行直接讨论，他们对文章内容的意见、对刊物选题策划、栏目设计、编辑方式、服务水平甚至是办刊宗旨的建议都将被完整记录，并成为期刊评价重要的参考指标。与此同时，由于大数据技术将使评价机构进行期刊数据收集和质量评价的整个过程变得更为公开透明，无形中就降低了评价机构的控制力与影响力，相对地也就更加凸显出读者群体在期刊评价中的作用。
2.4期刊评价的创新性指标更加重要
大数据时代的期刊将进入电子出版为主，纸质出版为辅的阶段。相对于纸质载体，电子载体具有无限承载能力和丰富多样的表现形式，这必然突破原来期刊篇幅、版面、格式的限制，期刊刊载论文数量将大大增加。同时，由于期刊审稿流程的变革，期刊未来会将收到的论文经过简单编辑处理直接通过电子平台，而不再经过繁琐的审稿流程（经过读者和同行评议，获得较高评价的论文再以纸质出版），这又必然导致期刊论文质量的良莠不齐。原来以索引量和发表数的比值为计算指标的影响因子评价的缺陷将更加突出。如何从海量出版信息中发现、挖掘出具有创新价值的内容，以最方便的方式提供给读者阅读评价，将是期刊首先要考虑的问题，也是未来期刊评价中非常重要的参考指标，这也将使期刊评价中的创新性、吸引力指标凸显到更加重要的位置。
3大数据背景下学术期刊评价标准的具体指标及其计算公式
大数据彻底改变了学术期刊未来发展模式及其评价方式，同时也为未来期刊评价的发展创新提供了强大的技术支持和充足的数据资源。笔者认为，依托大数据技术，未来学术期刊评价的参照指标将发生巨大变化，与当前主要参照转引率和影响因子来评价不同，未来期刊评价的指标将更加多元、更加精细，而且也将在很大程度上弥补当前评价指标的局限与不足。具体来说，未来大数据背景下，学术期刊的评价指标将可能包括以下几个方面：
3.1关注度评价指标
依靠大数据的技术支持，未来期刊评价可以尝试将期刊论文的关注度列入评价标准之中。电子化阅读终端和云计算技术可以准确记录读者在阅读期刊时的阅读量、点击量、阅读时间、阅读段落甚至是可能的阅读字数，有效记录并计算读者阅读的关注点与精细程度，阅读之后在学术社交网络和开放存取平台中被讨论的次数，并实现对期刊论文受关注度地量化统计，这将为期刊评价提供重要的参考指标。客观来讲，期刊的受关注度并不能直接反映期刊刊载文章的水平和深度，尤其对一些相对冷门的学科和研究领域，文章的专业性比较强，读者比较小众，关注度也较低。因此，在将关注度作为期刊评价指标时，必须避免单纯的量化统计，而应结合学科在不同时期的纵向对比，以及文章在稳定读者群体中关注度的变化来具体衡量，笔者认为，可以尝试在不同学科之间设置合理的浮动系数，以统计数据乘以浮动系数来计算期刊真实的关注度水平。
3.2创新观点评价指标
篇12
Bibliometric Analysis of Big Data in Colleges and Universities in China in 2009-2016
TANG Yan， HAN Ai-qing， ZHANG Bao-ying，ZHANG Wei-wei
（Information Center， Beijing University of Chinese Medicine， Beijing 100029，China）
Abstract：This article introduce the bibliometrics analysis of big data related literature in colleges and universities in 2009-2016. Through the bibliometrics analysis of the literature and literature sources， literature journal， CO word matrix of keyword analysis， keyword， knowledge mapping analysis， draw the data related researches and the research hot spot， which can provide the reference for future researchers.
Keyword： University； big data； bibliometrics method； knowledge mapping
1研究背景
随着云计算、互联网的发展，人类社会已经进入大数据时代。大数据包括各个系统中数据库中的结构化数据，也包括由社交媒体、邮件、视频、音频、文档信息和网页所产生的非结构化数据。
大数据已经成功应用于政治、经济、文化、社会等各领域，已成为一个事关国家发展的产业。2012 年3 月29 日，美国政府宣布了“大数据研究和发展倡议（Big Data Research and Development Initiative）”，以推进从大量的、复杂的数据集合中获取知识和洞见的能力，并承诺政府将为此投资超2 亿美元，许多重要国家机构都将参与其中。2012 年7 月10 日，联合国大数据政务白皮书《大数据促发展：挑战与机遇》，指出各国政府应当使用极大丰富的数据资源，更好地响应社会和经济指标。日本总务省于2012 年7 月新“活跃ICT日本”新综合战略，提出正针对大数据推广的现状、发展动向、面临问题等进行探讨，以期对解决社会公共问题做出贡献。
同时，大数据正在给零售行业带来深刻的变革，比如美国的亚马逊，中国的阿里巴巴、腾讯等企业。电商利用大数据预测人们的购买行为，预知消费趋势，并对人们未来的选择做出一些推荐。大数据也影响着每个人的工作、生活和学习。生活中，人们基于大数据的移动应用随时叫到出租车；甚至有数据分析家分析Facebook上的信息，来判断恋人们是否会分手。
大数据技术的目标就是从这些数据中挖掘信息、判断趋势、提高效益。“大数据”是继物联网、云计算之后IT 产业又一次颠覆性的技术变革。如何在教育信息化领域充分理解并迎接大数据技术带来的机遇和挑战，利用海量数据来挖掘信息、判断趋势、提高效率？这是高校信息化部门未来建设数字化校园过程中的必由之路。
高校信息系统也是数据生产大户。麦肯锡全球研究中心的最新数据显示，仅2009 年，美国国家教育部的某信息系统的数据库就膨胀至269 P 字节（1 个P 字节等于10 亿个M 字节）。在中国的高校里，学生的学籍、选课、成绩、借书、BB平台、科研系统、实习情况、就业情况、上网、论坛、微博、一卡通、门禁等都会产生大量数据；教师的OA系统、基本信息、科研情况、讲座、上课课件、视频、远程教育课程等也会产生大量数据；实验设备、机房、实验室、图书等信息，也会产生大量数据。所以高校信息系统通常庞大、复杂，经过多年运营，已经积累了很多数据，这就是高校信息系统中的大数据。
高校中的大数据有很高的教学与科研价值，通过大数据分析，为学校管理部门提供科学的决策支持，帮助教学管理部门优化教学资源配置，优化招生、就业指导等工作。在这个信息非常宝贵的时代，高校的师生们都将从大数据技术中受益。本文采用文献计量学方法，对我国2009年至2016年大数据在高校的相关文献进行统计分析，旨在了解该领域的研究现状、研究热点和发展趋势，为科研人员和技术人员提供参考。
2 数据来源与处理方法
2.1数据来源
本文选择CNKI中国知网数据库作为检索数据来源，检索策略为：（主题=大数据 或big data） 并且 （摘要=高校 或 大学）。检索时间范围为：2009年至2016年的数据，共检索出1340条记录，检索时间截止2016年3月9日。
本研究分析的文献均来自于国内学术期刊、会议论文和学位论文，剔除新闻、短讯、消息、会议通知等文献，并经过人工筛选剔除不属于大数据和高校主题相关的研究文献以及资料不全、数据缺失的文献。经过筛选共有1258篇文献与本文研究领域相关，作为文献研究数据。其中，期刊论文1143，学位论文89篇，会议论文26篇。
2.2分析方法
本文应用计量分析法分析文献发表年度分布、文献发表地区分布、文献机构来源分布、文献发表期刊等情况；并进一步研究文献的高频关键词，分析关键词共词矩阵，绘制高频关键词知识图谱，探讨高校大数据的研究热点和研究前沿。
在研究过程中利用Excel、Access软件对检索到的文献数据进行数据分析前期的数据清洗、数据管理；使用SATI3.2软件进行信息的抽取，使用Ucinet软件生成数据文件，并通过NetDraw进行知识图谱的可视化展示。
3 文献计量分析
3.1文献年度发表数量分布
对研究文献按年度统计文献数量，结果显示：2009年文献5篇，2010年4篇，2011年7篇，2012年9篇，2013年86篇，2014年336篇，2015年739篇，2016年截至3月9日发表文章58篇，另有15篇年代不详。统计结果如表1所示。通过文献数量可以看出，2012年以前，国内大数据技术在高校中的应用比较少，尚处于萌芽状态；2013年开始增长，2014之后迅猛发展，2015年文章数占2009-2016.3月文献总数的一半多。
表1 2009-2015年高校大数据相关文献数量
3.2 文献来源机构分布
分析文献的来源机构，可以为该领域各科研机构的科研成果、学术水平提供科学依据。本文提取文献中作者的所在机构，并将同一学校不同部门、更名机构合并为同一机构，分析机构来源情况。分析得出，文献来源于619个科研机构，并按发文量由高到低排列，位于前12位的机构及发文量如表2所示：
表2 高校大数据发文量前12名的机构分布
通过表2可以看出发文量较高的大学主要位于上海、北京、南京、广州等这些经济比较发达的地区，大部分是重点大学，这些高校在大数据方面的研究开展较早，投入较多，研究基础较好。
使用Access软件，对不同机构之间的合作发文情况进行统计，机构间合作发文95篇，占总文献数的7.1%。单个机构发文数量远远高于合作发文，目前不同机构在高校大数据方面的合作还比较少。
3.3文献发表期刊分析
选择1143篇期刊文献，经过统计，共发表在518种不同的期刊上，发文量排名靠前的期刊分别为《中国教育网络》26篇，《农业读书情报学刊》22篇，《中国教育信息化》17篇，《兰台世界》17篇。统计发表文献数量排在前十的期刊，如表3所示，这些期刊占518种期刊的1.93%，但是发文量共162篇，占全部期刊文献的14.11%。说明这些期刊中发表高校大数据方面的文章较多，是高校大数据研究的重要阵地。
表3 国内高校大数据相关文献排名前10的期刊分布
3.4 文献关键词分析
文献的关键词一般有3-5个词或词组组成，能体现出文章的核心思想。对关键词进行分析，找出高频关键词，发现研究领域的热点问题。本文共提取1258篇论文中的关键词4853个，整理、合并部分意思相同的关键词，频率最高的29个关键词如表4所示：
表4 高校大数据相关高频关键词
从表4中可以看出，“大数据”词频最高， “高校图书馆”、“高校”、“思想政治教育”、“MOOC”、“数据挖掘”“互联网、互联网+”等关键词出现的频率也较高，可以看出这些都是大数据在高校的研究热点。
但是，单个关键词的词频不能够说明关键词之间的关系，还需要进一步进行关键词共词分析的研究。
3.5 关键词共词分析
关键词共词分析是对关键词两两统计其在同一片篇文献中出现的次数，构建共词矩阵，进行聚类分析，从而找出关键词之间的联系，进一步解释该领域研究热点之间的联系和结构关系[4]。
本文使用Excel中的“数据透视表”功能，创建所有关键词共词矩阵，选择矩阵中关键词词频较高的部分数据，显示在表5中。
上面的共词矩阵中，对角线显示单个关键词在文献中出现的次数（注：此处关键词没有进行人工整理、合并），其他单元格显示行和列对应的两个关键词同时出现在文献中的次数。该矩阵以对角线为对称轴对称，沿对角线方向，矩阵上下部分数据完全一致。
为了研究高频关键词之间的关系，将表5所示的共词矩阵导入到Ucinet软件中，生成*.h的数据文件，并通过NetDraw可视化软件绘制关键词之间的知识图谱，生成如图1所示的高校大数据关键词知识图谱。
在图1中，不同的节点代表不同的关键词，节点的大小说明了关键词的中介中间性。处于整个图中心位置的“大数据”关键词，节点最大，说明位置最为重要。节点之间线条的粗细程度代表了节点表示的关键词共现的次数的多少。线条越粗，说明两个关键词共现的次数较多，关系较为密切。
图1中，关键词“大数据”位于核心位置，是这两年研究的重点。“高校图书馆”、“高校”、“思想政治教育”、“MOOC”、“数据挖掘”“互联网、互联网+”等关键词，也是大数据在高校领域的研究热点。
4 结论
综上所述，通过对2009年-2016年CNKI上高校大数据相关文献进行计量分析法、内容分析法和可视化分析法，得出以下结论：
文献数量上，2012年以前，研究较少，处于萌芽状态；2013年开始增长，2014之后迅猛发展。文献的数量与大数据在我国的发展相吻合。媒体将2013年称为中国的“大数据元年”。这一年，大数据开始走向各行各业，阿里、百度等企业与政府签署了战略合作框架协议，推动大数据在政府统计中的应用。教育、医疗等行业也认识到大数据对于解决面临的种种问题具有重要战略价值，大数据技术在各行业的研究应用逐步增多。从数据可以看出，从2013年开始，大数据技术与高校相关的文献迅速增多，大数据在高校的研究与应用越来越多。
从文献发表期刊可以看出，近年来虽然文献数量快速增长，但是，发文期刊主要集中在教育信息化、教育教学、图书情报方面。高校大数据研究集中在教育、情报图书馆、计算机科学领域，具有学科交叉性，但是目前对大数据的研究还处在初期的理论、概念、设计方面的研究，大数据技术的深入研究、行业的实际应用方面还比较薄弱。
通过关键词词频分析、共词矩阵、知识图谱的分析，可以看出在高校围绕大数据开展的热点研究主要集中在三个方面：
1） 大数据在高校图书馆、信息服务、知识服务、数据分析、数据挖掘方面的研究；
2） 大数据在人才培养、高等教育方面引起的变革，以及MOOC教学模式的引入也是研究的热点内容；
3） 大数据、云计算、物联网技术在高校管理的信息化、数字化，以及建设数据中心，建设智慧校园中必不可少的。也是高校大数据的研究热点。
总之，高校大数据的相关研究已经取得了一些成果，今后科研人员还需要注重研究的深度，注重大数据关键技术在高校中的应用的研究，将理论成果向实践应用转化，为高校、乃至整个教育行业带来深远的影响。
参考文献：
[1] Spiroski，Mirko.Relative Citation Ratio of Top Twenty Macedonian Biomedical Scientists in PubMed：A New Metric that Uses Citation Rates to Measure Influence at the Article Level[J].Open access Macedonian journal of medical sciences，2016，4（2）：187-93.
[2] Huang，Ying，Schuehle，Jannik，Porter，Alan L.A systematic method to create search strategies for emerging technologies based on the Web of Science： illustrated for 'Big Data'[J].SCIENTOMETRICS，2015，105（3）.
[3] Bragge，Johanna，Korhonen，Pekka，Wallenius，Hannele.Scholarly communities of research in multiple criteria decision making：a bibliometric research profiling study[J].international journal of information technology & decision making，2012，11（2）：401-426.
[4] 杨瑞仙.大数据研究的文献计量分析[J].情报科学，2015，33（8）：152-156.
[5] 桑庆兵.大数据在高校的应用与思考[J].南通纺织职业技术学院学报（综合版），2013，13（2）：84-87. （下转第16页）
（上接第13页）
[6] 姜开达，章思宇，孙强.基于Hadoop 的校园网站日志系统设计与实现[C].中国高等教育学会教育信息化分会第十二次学术年会论文集，2014（11）.
[7] 崔雷，郑华川.关于从MEDLINE数据库中进行知识抽取和挖掘的研究进展[J].情报学报，2003（4）：425-433.
篇13
对于此次合作，中新赛克CEO凌东胜说道，作为软件开发供应商，中新赛克希望通过这次合作能够把学术界的研究成果转化到产品的实际解决方案中去，提升产品的核心竞争力，开发出领先的数据分析软件，让国内企业在大数据领域真正做强、做大。在2015年，中新赛克将把信息安全领域和银行领域作为大数据产品的主要研发方向，努力推出优秀的产品解决方案。
