引论：我们为您整理了13篇大数据论文范文，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
循证医学，简之就是“遵循证据的医学”，又被称为实证医学。循证医学重视医生的临床经验，即传统意义上的经验医学，同时又强调诊断、治疗等决策应在临床证据最为符合病症的基础上作出[1]。在循证医学的创立、发展与传播方面，英国的科克伦(ArchiebaldL.Cochrane)、美国的费恩斯坦（AlvanR.Feinstein）以及萨克特（DavidL.Sackett）做出了重大贡献，成为循证医学的奠基人。科克伦强调大规模随机临床试验的重要性。他认为只有在大规模临床试验中使用随机分组策略，才能避免因样本分组而产生的选择性偏差，保持对照组和试验组样本的背景因素平衡，从而才能做出最终正确的比较与评价。他建议及时将切实医学证据传播给使用者，接受专家评估并对可信度进行适当分级，以使医学证据能被及时整理、归纳与更新。费恩斯坦奠定了现代流行病学的数理统计与逻辑基础。从1970年到1981年，他在美国《临床药理学与治疗学》杂志（ClinicalPharmacologyandTherapeutics）上，以“临床生物统计学”（ClinicalBiostatistics）为题连续发表了57篇论文，将数理统计学和逻辑学导入到临床流行病学，科学系统地建立了临床流行病学的有关理论体系。萨科特则为循证医学的传播与发展做出了巨大贡献。他发起并主编了与循证医学有关的两本著名杂志：《美国内科医师学会杂志俱乐部》和《循证医学》。
1997年，他还主编出版了《循证医学》一书，该书被译为多种文字并在世界上广为传播。正是在《美国内科医师学会杂志俱乐部》上，加拿大盖亚特(rdonH.Guyatt)于1991年首次提出了循证医学一词[3]。从循证医学与数理统计和逻辑学的渊源，便可以看出循证医学注重证据的内涵。它是一门非常强调证据制作的学科，同时又非常重视医学证据的传播和评估，这正是它区别于以往医学的特点。通过评估产生可信证据，通过传播发挥证据价值。医生在诊断与治疗过程中，不仅基于经验直观判断，而且结合证据科学决策，更加客观地进行诊断与治疗。短短十多年的时间，在世界各国医学研究与临床实践中，循证医学得到了广泛深入的应用。科克伦最初创建的世界循证医学协作网已经包括约50个专业协作小组，所收集的医疗证据几乎覆盖所有临床医学领域。1996年，我国华西医科大学建立了中国循证医学中心，并于1999年正式加入世界循证医学协作网；2001年，中国循证医学中心创办了《循证医学》杂志，发表在各类杂志的循证研究论文达45842篇。但是，循证医学也有其面临的问题，如对证据进行科学评价等问题。临床证据目前还没有完整、科学的定义，证据评价标准及推荐级别尚未完全统一，不同国家不同疾病的证据质量分级不尽相同。而且，随着人类对疾病认识的加深以及诊疗手段的革新，评价标准还会随这些因素的变化而变化。
循证医学的基础是数理统计学，要求RCT的实验样本及环境一致，以便排除个体差异及环境干扰，但这在现有条件下近乎不可能实现。号称大规模随机对照实验的样本偏少，对照组和试验组难有条件一致的个体，环境随时间空间变化造成实验对照控制困难。目前，大规模的医学样本采集困难，几百个样本已经算是比较大的样本了；而根据统计理论如要达到90%的敏感度，至少需要约1300个的数据样本。为了克服RCT样本不足的问题，Meta分析方法得到了广泛应用：通过综合已有研究多个样本集的结果，可以推得大规模样本集的综合结果。Meta分析取得了很多有价值的研究成果，但是，Meta分析的基础也是数理统计学，其运用的前提是样本及实验环境一致，正是在这一点上它备受质疑。首先，不同样本集的权重控制难于完全公正，因为其实验环境难于恰当评价和把控，实验结果难免有过度包装和偏颇之嫌。Meta分析存在的另一个问题是：它所依赖的数据往往不是最新的即时案例，制作的证据可能因环境与气候的变化而失去应用价值。总之，循证医学所面临的问题包括：证据的稀缺性、偏倚性、可靠性、及时性、公正性，以及环境的一致性等方面的问题。由于证据的一致性和及时性存在问题，基于历史数据进行Meta分析备受质疑。2014年，《英国医学杂志》在名为《循证医学濒临破产》的文章中指出[5]：循证医学的证据属于间接证据，基础建立在已经发表的研究文献上，利益冲突容易影响证据的公正性，证据环境与临床决策环境存在距离；循证医学助长了过度诊断、过度治疗，并可能存在沦落为利益集团代言人的危险。
2大数据对循证医学的影响
大数据（Bigdata）又称巨量或海量数据，是指数据规模巨大以至在合理时间内，无法通过当前主流软件工具，获取、处理、分析以便决策的结构复杂的数据[6]。大数据如下具有4V特点：Volume（巨量）、Velocity（瞬速）、Variety（多样）、Value（价值）。巨量是指已经不能再用GB（即1024MB）和TB（即1024GB）为单位，来衡量大数据的存储容量或规模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）为单位来计量数据容量。在巨量的医疗大数据中，各种条件的样本都会存在，因此，证据的稀缺已经不是问题。瞬速是指兼具方向的快速变化，即数据随时间和空间快速变化。大数据中的样本通常是全空间的、多维度的、全时间的及瞬时变化的。由于大数据地域环境广，数据样本量巨大、正反样本齐全，证据的“制作”已不再必要，而是随时随地客观地存在。瞬速性通过可佩戴健康监测设备体现，这为及时获取病患信息提供了极大便利。多样是指数据的种类繁多、结构复杂、因果并存、甚至同一数据表现出不同形式。数据的多样性对数据的理解和分析是一个巨大挑战，但同时也为样本分析结果的验证带来便利。因此，在医疗大数据环境下，不仅随时可以采集样本进行分析处理，还能对分析得到的结果马上进行验证，从而能够保证医学证据的可靠与可信。
价值是指相比小规模、历史数据而言，大数据具有更高的研究和使用价值。由于任意时刻任意地点都有大量样本，样本的稀缺性和及时性已经不是问题，这为医学研究扫清了采样障碍；同时由于样本丰富冗余多样，也为研究结果的验证提供了便利；大数据除具有巨量历史数据外，还有不同地域环境的巨量即时数据，这使循证决策更具应用价值和时效性。大数据将首先改变医学数据的采集方式。大数据的形成往往依靠自动采集技术，随着可佩戴监测设备如iWatch等的出现，医学数据的采集及积累速度将出现爆炸性的增长。以往的数据同大数据相比，如同沧海之一粟。且以往的数据往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及时、公正等问题，这样采集的证据必然会影响医学研究的结论。基于手工证据进行决策，其结论未必准确及时公正可靠。医疗大数据不间断地在不同地点同时采集，不仅包含历史数据以及即时数据，甚至还可能包含未来需求信息，例如，ogle就是通过人们对感冒药品的搜索来预测流感的。大数据的出现将改变医学数据的管理方式。在网络数字化高度发达的今天，尽管已经出现了电子病历，但纸张病历在数据管理中仍然重要。然而，纸张病历有其固有缺陷，如容易破损或丢失、整理归档的周期过长、借阅的时间成本极高、研究采样的工作量巨大等等。伴随大数据出现的数据融合技术能将不同医院的电子病历整合在一起，并同可佩戴健康监测设备的数据及时集成，大大减少了电子病历的整理、借阅和数据采集时间，这不仅对病人的疾病诊断和预警监控更加有利，同时也对医生的临床及医学研究更有帮助。通过语音和可视眼镜等现代化的数据浏览设备，医生在查房间隙就能获知下一病人既往病情，从而能大大减少医生的劳动强度，使医生有更多时间治疗病人，有更多的时间进行医学研究。
大数据的出现将改变医学数据的分析方式。以往在收集样本数据以后，通常使用SAS或SPSS等软件，对采集的数据进行统计分析，发现相关病因或建立决策模型。这些软件受计算能力及内存容量的限制，只能处理样本量不大的数据，并且处理的数据维数有限，例如，SPSS不能超过40维，而医疗大数据的维数成千上万。通过手工或统计软件的计算方法，将无法满足医疗大数据的分析需要。
当维数超过30个致病因素时，可能要考虑230种因素组合，普通统计软件已无法计算和处理，必须依靠内存及速度“无限”的云计算。必须研究与开发基于大数据和云计算的分析与挖掘技术如深度学习技术，使其能够自动完成高维病因数据的分析与主要病因的提取。总之，医疗大数据的采集、整合、分析、处理、研究完全靠人工完成已极其困难，没有利用云计算的统计分析软件也难于完成医疗大数据的分析和处理。在大数据时代，必须借助深度学习等技术完成医疗大数据的分析和挖掘。虽然医疗大数据能够弥补数据样本的不足和不公，但只有借助更为先进的分析工具和软件，才能为循证医学带来进一步的变革和发展。
3大数据对循证医学的变革
证据制作是循证医学的核心，证据能为医生的诊治提供参照，因此，循证医学得到了快速发展。但是，矛盾、偏颇、过时的证据也使循证医学备受质疑。首先是证据及其结论存在大量的矛盾，使人们对循证医治的结果产生怀疑；其次是证据偏颇使其成为利益代言人的工具；其三是证据时过境迁使医治达不到预期效果。而医疗大数据的出现恰好能够弥补以往证据采集与制作的不足。首先，医疗大数据使证据的稀缺问题得到解决；其次，随大数据广泛汇集的医生及病人评价，可有效避免证据成为利益代言人的工具；其三，可穿戴等自动采集设备可保证证据的时效性。这将有助于循证医学同中医的结合。中医的治疗过程通常比西医长，其证据采集及疗效评估存在很大问题，而随着可穿戴健康监测设备等技术的发展，长期持续采集治疗证据及疗效将不再困难，从而有助于循证医学在中医等领域发展壮大。此外，随大数据兴起的先进数据分析与挖掘技术，将对循证医学起到巨大的推进作用。临床决策分析评价是确定循证治疗方案的关键步骤，现有的决策分析评价模型包括决策树、Markov过程等一系列模型，这些模型在面临高维大数据时力不从心，难于继续提供较高的决策精度，使医生对医治方案是否有效失去信心。随着大数据深度学习技术的出现，病因的分析和提取已完全自动化，且大大降低了建立决策分析模型的工作量，提高了治疗方案的决策精度。对于任何疾病诊治方案，考虑的疾病致病因素越多，即证据或特征维数越多，得到的参考信息就越多，诊治的准确性就会相应提高。但是，医生在遇到大量高维的证据数据时，往往面临从中选择少数有效证据的难题。例如，假定要考虑30个致病因素或检验指标，建立决策模型就要考虑230种因素组合，从中筛选一个最优因素组合作为模型输入的工作量是巨大的。因此，要得到由若干最优证据构建的最佳决策分析模型，医生们所投入的研究精力可想而知。
筛选最优因素组合是医生们最费精力的工作，目前这项工作可以被深度学习自动完成了。深度学习最早由Hinton等人在2006年提出，它是一种无监督的特征学习和提取技术，它通过低层特征的组合构建更加抽象的高层特征。2012年，Lecun等人利用卷积神经网络真正实现了高效的多层深度学习。传统的神经网络学习只有单向认知过程，通常只包含一个隐含层，因层数较少而被称为浅层学习。深度学习则包含认知和生成两个过程，并且每个过程都包含多个隐含层，其模型的总体框架如图1的虚框部分所示。如图1所示，深度学习的“输入层”可以理解为各种致病因素以及各种检查化验结果，例如遗传环境因素以及肝功全套指标等；自底向上的箭头表示认知过程，自顶向下的箭头表示生成过程，即深度学习由两个互逆的过程构成；认知权重向量WnT和生成权重向量Wn表示深度模型的知识。原始“输入层”经“隐含层H0”认知得到输出，输出又经“隐含层h0”生成得到新“输入层”，如果原始“输入层”和生成的“输入层”完全一致，则说明认知产生的输出是完全正确的。根据信息论的有关理论，学是会产生损失，新旧输入不可能完全一致。因此，只要两者近乎一致就可以了。认知和生成权重同隐含层的每个输出相关联，wake-sleep深度学习算法用于双向调节权重：(1)利用下层输入和认知权重向量WiT产生输出表示，然后使用梯度下降法调节生成权重向量Wi；（2）利用输出表示和生成权重向量Wi产生输入表示，然后使用梯度下降法调节认知权重向量WiT。通过逐层学习最终得到顶层的认知和生成权重向量WnT、Wn。在深度学习完成后，如果要建立决策分析模型，只需将顶层输出即自动提取的特征，作为分类模型如支持向量机的输入，并用类别标记如肝硬化分级训练支持向量机，就可以得到用于决策分析的精确分类模型，分类模型如图1的虚框外部所示。2014年，香港中文大学汤晓鸥教授领导计算机视觉研究组(mmlab.ie.cuhk.edu.hk)，开发了一个名为DeepID的深度学习模型，在LFW数据库上识别5749个人脸的准确率已达99.15%，其精细和准确程度已经超过了人眼和大脑。医疗大数据及深度学习必将为循证医学带来一场新的革命。不仅数据缺失、偏颇以及过时等问题会被迎刃而解，而且证据收集、制作以及诊治方案的决策都将会自动化，这将扩大循证医学在所有领域包括中医等领域的应用范围，大大降低医生在证据制作、治疗方案决策与疗效评估等方面所付出的精力，推动循证医学向更深更广更加现代化的方向发展。
4总结
医疗大数据带来的变革将是全方位的，它不仅为医学研究和证据制作带来便利，同时也将促进中医等替代和补充医学的发展。作为大数据采集的一项关键技术——便携式/可佩戴健康数据自动采集技术，将大大提高医疗数据采集以及证据制作的效率，解决中医等疗效数据需要长期采集观测的难题，弥补循证医学存在的证据偏颇、不公、过时等缺陷，促进循证医学更加客观、公正、可靠地在临床治疗中应用。在循证医学的证据评估以及利用方面，伴随大数据出现的云计算能够提高证据分析与处理的效率，大大节省医生临床应用和医学研究所需要花费的时间；面向大数据的深度学习能够从浩瀚的高维医疗数据中，自动完成疾病致病因素及环境因素等的筛选与提取工作，并能建立精度远远超过人脑的决策分析模型，从而大大提升医生建立和应用循证治疗方案的信心，有助于循证医学被各科医生更加广泛地接受和应用。尽管深度模型包含更多的隐含层，其学习时间要远远长于浅层学习，但两种模型的决策时间相差不大，因此，这并不妨害深度模型的有效应用。特别值得一提的是，深度学习将证据提取与决策分析两个过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。基于大数据、云计算和深度学习的循证医学，由于能够降低劳动强度、提升工作效率、提高决策精度，因而将具有更加广阔的应用前景和发展方向。
篇2
利用各种数据信息的交叉检索，有助于楼盘项目寻找目标客户，并精准化信息。传统精准传播方式包括短信和DM直邮，但在大数据时代下，利用微信和网站等各种自媒体渠道工具，可以发送更多直观互动的信息。尤其在企业已实现酒店、百货、地产、消费品零售等跨行业规模化运作的时候，数据的综合利用显得尤为重要。通过将企业各业务模块的数据进行搜集和综合处理，可以确保客户资源的共享，更有利于企业品牌的传递，使客户在未到访楼盘项目售楼处之前，就已经对企业的实力建立信心。
(二)大数据有助于客户筛选
跟进传统的楼盘项目客户登记方式为纸质的上门客户登记本，大部分项目均未实现上门客户信息的电子化。借助明源软件、金鹏软件等销售软件及身份证识别器工具，可以推动客户信息电子化的录入，并提升客户信息的准确度。对客户的来源、性别、职业、置业需求等各类基础数据的汇总和交叉分析，能提升客户的精准跟踪，并结合客户的销售抗性进行有针对性的沟通，促进项目销售。
(三)利用数据化工具维护
成交业主满意度大部分楼盘项目在客户成交后，缺乏有效维护。在房地产行业圈层口碑效应不可忽视的背景下，客户成交往往意味着新的生意的起点。利用数据化的工具对成交客户进行跟踪维护，有利于持续跟进客户对楼盘项目的各种反馈，促进老带新的口碑传播、推荐以及重复购买，亦可持续提升客户的满意度。
(四)利用大数据进行业主需求
维护随着建筑科技与智能化的不断发展，居住环境也在不断升级。以往的开发商客户关系维护，仅到业主入伙截止。事实上，业主入伙居住后，对业主居住需求的跟踪和维护也是非常重要的。物业公司可以配合开发商，通过组织各类业主活动，获知客户的需求，例如：搬迁至另一个城市工作——产生异地置业的需求；对目前的居住环境产生升级换代的需求——产生新的高档次项目的购买需求等；这些种种需求，都是客户购买同一品牌楼盘项目的机会，通过对客户关系的维系，产生客户品牌忠诚，对于规模化开发的大企业尤为重要。
篇3
（二）保险业应用大数据的硬件条件
数据具有大量、高速、多样、价值的特点，这说明大数据中的数据具有即时性而不是一成不变的，数据量庞大而复杂，对处理分析能力有很高的要求。保险业虽然有很丰富的对传统数据的数理分析经验，可是对超大型数据的分析必须依赖专业的存储技术和计算技术。保险公司需要先租赁互联网企业专业的数据存储设备，运用互联网企业的云计算分析能力对数据进行计算，寻求想要的信息。
（三）保险业应用大数据的软件条件
近年来，许多有过传统数据分析基础的人，开始关注大数据的分析，一种新的职业也随之诞生，即“数据科学家”。与传统科学家不同，数据科学家还需要有互联网思维、懂软件程序和统计学。大数据技术仅仅为我们提供参考数据，它是一种信息资源，是一种帮助人们理解世界的工具，但是它不解释信息，对数据的分析解读仍然需要专业人才来进行。由于保险公司的经营方式、经营基础、经营环境和经营对象等方面与其他企业存在明显差异，保险公司应该成立自己的数据分析部门，培养了解自己行业的专业数据分析人才。
二、大数据在保险业中的应用——以众安财险为例
（一）众安财产保险公司背景
众安财产保险公司（下文简称“众安”），是我国首家互联网保险公司，是保险业与互联网业合作的一种大胆尝试。众安保险是由平安、阿里巴巴、腾讯等国内知名企业发起，保监会批准成立的网络保险公司，公司的注册资本金10亿元人民币。众安作为一家互联网在线财产保险公司，完全颠覆了我国现有的保险营销理赔模式，不设任何的地域性分支机构，而是完全通过互联网实现销售和理赔。这一转变是对保险业运营模式的大胆尝试。
（二）大数据在众安财产保险公司的应用
1.大数据在业务费率制定中的应用。
传统的费率厘定是通过分析这一类人的风险发生概率，再根据风险发生的概率厘定这一类人的保险费。获得的数据量越大，在数据中获得的有效信息也就越多。众安在拥有庞大的有效数据和云计算能力的前提下，有能力将费率的厘定更加具体化，由一类人细化到几十个人甚至一个人。随着风险的复杂化，平均费率已经不能准确反映每个成员的风险发生概率，一些细微的个人生活习惯往往就会增加发生风险的概率，支付宝、淘宝、微信等APP已经成为每个人生活的一部分，对这些功能性APP的数据进行整理分析，可以细化人群，分析使用者的生活习惯，通过对客户生活习惯的分析，一方面可以细化同类人群，另一方面可以更准确地评估人群将会面对的风险。
2.大数据在客户服务中的应用。
客户关系的维护，除了即时快速解决客户的问题之外，还需要根据客户的不同投其所好，提高客户消费的满意度，从而提高客户的忠诚度。众安财险的庞大数据量中，记录了许多客户的日常生活数据，大到浏览、交易记录，小到登录社交网络的时间，就像现在许多APP或者门户网站所推出的根据浏览的记录对你进行你可能喜欢商品的推荐。众安通过对客户在淘宝、支付宝、微信等多家公司的各种信息数据的收集分析，有能力分析出一个客户的个人喜好、经济水平、生活习惯和生活规律。在客户需要服务的时候及时为客户解决问题，甚至在可能发生问题前对客户进行提醒，避免损失的发生。对庞大的客户群体施行这一行为是传统保险业客户服务部门无力为之的。众安良好的数据分析能力，合作伙伴的强大数据收集能力，都能有效提高众安的预测能力，并为众安带来质的变化。
3.大数据在业务开拓中的应用。
众安通过大数据分析，获取客户需求、心理等方面的信息，获取潜在的目标客户，进行有针对性的行销策略，力求达到事半功倍的效果。良好的市场细分可以合理分配公司的营销资源，避免不必要的资源浪费，在寻求经济收益增长的前提下控制成本。优质的数据加上强大的数据分析能力，使得众安在对客户的了解和对市场的预测方面有着其他传统公司无法比拟的能力。
篇4
1.2速度快（Velocity）。大数据往往表现为高速实时数据流，时效性非常高。因此对处理工具的要求很苛刻，软件工程、人工智能、机器学习等都应引入。这是区别于传统数据最显著的特征。
1.3多样化（Variety）。数据种类繁多，形式多样。包括各种信息及其网页、图片、音频、视频、图像与位置等存在方式。
1.4价值高（Value）。大数据数量越庞大，价值越高，真实性、可靠性越强。但同时无效信息也越多，需要通过强大的机器算法对数据迅速地“去粗取精”，否则也只能望洋兴叹。
2大数据对科技咨询业发展的影响
2.1拓展业务空间大数据信息对应的是高速实时数据流。这些数据流往往能产生难以想象的作用，其能量也将被层层放大，还有可能在另一个看起来毫不相关的领域得到应用。大数据环境下的科技咨询就将具有全球性、战略性意义，业务范围和服务空间都将得到迅速拓展。科技咨询各相关要素，如科技资源、科技人才、创新需求、创新环境、创新成果等的疆界，将受到大数据浪潮的冲击。同时，落后地区和难以涉猎领域的业务也将在其带动下快速提升。
2.2规范咨询决策大数据将改变科技咨询决策方式，使其进入“数据驱动型”决策模式。因为面对大数据的潜在价值，决策者不仅要使用新的技术，还要改变目前的决策过程，政府也将更有效率、更加开放、更加负责。因为引导政府决策的是基于实证的事实，而不是意识形态，也不是利益集团在政府决策过程中施加的影响。
3大数据环境下科技咨询业发展道路
从上面的分析不难看出，大数据将给科技咨询业带来无限的生机和活力。科技咨询业应抢抓机遇，跨越发展，走规模化、信息化、科学化、现代化的可持续发展道路。
3.1挖掘大数据，促进规模化发展我国科技咨询业规模较小，究其原因，一是咨询市场还没有完全放开，市场主导地位没有显现，资本缺乏信心。二是科技咨询价值没有得到广泛认同，潜在需求得不到释放。三是现有机构没有形成专业分工和自主品牌，无法带来规模效应。然而，在大数据时代，最重要的生产资料———数据将自由地流动起来，推动知识经济和网络经济的发展，传统经济体制机制对科技咨询业的束缚将大大减轻，“得数据者得天下”将成为共识，市场将发挥主导作用，吸引大量资本进入，促使机构快速升级。同时，随着竞争的加剧，咨询质量、咨询价值必将得到提高和认同，潜在的需求必将迸发。
3.2利用大数据，加快信息化进程目前我国科技咨询信息化建设大致经历了计算机初步应用、管理信息系统应用和互联网技术应用三个阶段。随着时代的发展，大数据将掀起新一轮信息化革命。科技咨询业必须充分利用大数据技术，在政府引导下，进一步完善信息化工程，建立基于大数据的科技咨询信息平台，实现在虚拟空间中不同信息资源的快速整合与对接，提高咨询要素使用效率和运行主体工作效率。
3.3凭借大数据，提高科学化水平大数据的客观实在性和真实可靠性并存。对大数据进行深度挖掘，可以提高科技咨询科学化水平。首先，基于大数据，科技咨询信息的真实性有了更大的保障。其次，依据大数据特征，可帮助制定更为科学的咨询战略、方案和计划，同时降低过时咨询、无效咨询的风险。再次，基于大数据，科技咨询具有更强的针对性。咨询师可以深度分析、挖掘最高管理者的知识结构、创业经历、行为习惯等信息，准确把握其管理理念。最后，通过对大数据的分析、挖掘与利用，可最大程度地减少因数据不全而带来的负面作用。
3.4依托大数据，实现现代化转型随着时代的发展，传统的咨询工具、内容、形式、速度、效率等越来越不能满足现代社会发展的需求。依托大数据，可以实现科技咨询向现代化转型。首先，大数据环境促使科技咨询必须运用现代化咨询工具。如，大数据的超大量级迫切要求科技咨询设备现代化、信息数字化。其次，大数据促使科技咨询内容、形式现代化。现代社会工作、生活节奏很快，简洁实用、形式新颖是对科技咨询工作的新要求。形式多样的大数据正好为科技咨询提供了便利。再次，快速、高效是现代化的重要特征，而高速实时的大数据则要求科技咨询处理工具快速演进、高效运行。最后，大数据的基本特征决定了科技咨询必须进行全方位的改革创新，紧跟现代化发展步伐。大、多、真、快、稍纵即逝的大数据要求科技咨询必须借助移动互联、云计算、软件工程、人工智能、机器学习等手段，优化资源配置，建立高智能科技咨询协作平台，向科技咨询现代化迈进。
篇5
近年来，国外学者针对无形信息流对有形人流的导引作用问题进行了有益探索，包括旅游网站信息对潜在游客导引作用的说明，旅游网站对有形人流的导引过程和导引机理分析。主要研究通过针对供需行为，对旅游网站在线服务能力和旅游网站使用者满意度之间的协同关系进行了研究，并提出了反映网站信息流与现实人流关联性的模型。
1.2基于网络搜索数据的时空导引作用的定量估算研究
基于网络搜索数据的预测研究始于医药领域，最早是利用网络搜索指数提前预测出流感发病情况及流感的死亡率。在房地产方面也有类似的实证研究，发现网络关注度对美国房屋的交易价格和交易量具有较强的预测能力；这些研究对基于网络搜索技术的旅游行为预测研究起到促进和深化作用。在量化研究方面，主要集中在建立回归分析模型，对美国零售业、房地产业、交通运输业、旅游行业的产品销量进行预测，在传统的回归模型的因变量中加入与预测对象有关的关键词关注度指数，预测结果的精度均有较大的改善。国外在宏观经济领域，通过网络搜索指数与宏观经济的研究主要集中在失业率、消费、股市指数、经济现象和经济衰退等方面。研究表明，在庞大的网络搜索数据被网络搜索工具记录下来的过程中，这些庞大的搜索数据与现实的社会行为之间存在一定的相关性。在旅游网络行为方面成果较少，大部分研究侧重于网络整体性信息与某些社会行为宏观的、概括性的关联性研究。
2国内研究综述
目前，我国学者对大数据相关问题研究较多，应用在各个领域，在旅游方面的研究主要集中在三个方面：大数据出现后对旅游业带来的影响研究；具体搜索引擎的数据与实际旅游市场需求的相关性研究；利用搜索引擎数据对旅游市场的预测方法研究。
2.1大数据对旅游业带来的影响研究
伴随着大数据、云计算的产生及在各个领域的应用，很多学者提出了旅游大数据的概念，并从旅游大数据的产生，旅游大数据的挖掘，旅游大数据的应用方面提出了见解。伴随着网络技术的发展，旅游企业及用户对网络的使用，导致旅游数据信息爆炸性的增长，旅游数据已经形成一个巨大的海量信息空间，这些海量数据的产生，如何应用这些数据，找出规律，应用在旅游业当中。在大数据的挖掘方面，大多采用关联分析对旅游数据进行搜索，并从中找出出现概率较高的模式，或者通过数据的聚类与分类，分析旅游数据的相似性，为决策者提供决策支持。大数据在旅游行业的运用方面主要提出在旅游市场营销，线路优化、挖掘有价值的旅游信息方面。
2.2具体搜索引擎的数据与实际旅游市场需求的相关性研究
在大数据与实际旅游市场相关性研究方面成果较多，在搜索引擎的的选择方面，国内研究大多选择百度指数这种海量免费数据，并通过百度指数的搜索量和实际游客量之间的关系分析，主要研究体现在：搜索关键词的选取技术；网络信息流和实际游客量之间存在正相关性，网络空间信息流是一种重要的“前兆”导引现象。对关键词的选取，大多数研究中采取根据旅游活动的六大要素，或通过问卷调查、关键词推荐的方法获得；大多数研究选取了五一、十一等主要节假日的客流量及网络关注度进行对比，发现旅游网络关注度和景区客流量之间存在正相关关系；旅游者在产生旅游需求的前提下，通过网络提供的旅游信息进一步了解旅游地概况，为其旅游的目的地，因此，旅游者对旅游网络信息的关注度一定程度上昭示其出游行为，基于此，旅游信息流又是重要的旅游客流的“前兆”。
2.3运用大数据进行景区旅游市场预测的研究
对于旅游市场的预测研究成果较多，大多数研究都采用历史数据对未来游客量进行研究，在预测方法上不断创新，但在数据的选择上面基本停留在使用历史统计数据。运用大数据进行旅游市场预测研究的研究成果较少，大多数还停留在相关性研究方面。黄先开以北京故宫为例，建立了没有百度关键词和加入百度关键词的两种预测模型并进行了预测精度比较。运用带有百度关键词的模型可以实现利用当天及滞后1～2天的百度指数数据预测故宫当天的游客量，不仅增强了预测的时效性，还可以更加及时、准确地为故宫景区管理部门提供决策的依据。
篇6
2.1信息采集、加工方面
计算机信息处理技术要进行工作，首先，要采集数据信息，计算机技术都是建立在数据采集基础之上的，数据采集主要是针对目标信息源进行实时的信息监督和控制，并将才觉得数据储存在计算机数据库中，为各个软件提供信息支持，确保下一项工作顺利进行；其次，对数据信息进行加工，按照用户的要求，对数据信息进行加工；最后，将加工好的数据信系进行分类，最终传送到用户手中，实现数据采集、加工以及传送目标。
2.2存储方面
计算机存储技术是将采集的信息储存到计算机数据库之中，在用户需要某一项信息过程中，可以通过数据库直接将数据调取出来，计算机以其储存量大、速度快等优势，受到人们越来越多的关注，另外，计算机技术还能够实现长时间储存。
2.3信息安全方面
大数据时代的到来，让人们感受技术带来的便捷的同时，也让人们意识到数据信息安全对人们的重要性。因此，为了能够提高数据信息的安全、可靠性，可以通过以下几个方面进行：首先，建立计算机信息安全体系，加大专业技术人才的培养力度，投入资金，为构建计算机安全体系奠定坚实的基础；其次，加大研究力度，开发信息安全技术产品。传统信息安全技已经无法满足大数据时代数据安全需求，为了能够尽快改善数据安全问题，应加大研究力度，寻求更好的解决方案，有效避免数据信息受到威胁；最后，重视对重要数据的检测，大数据时代的突出特点是数据量大，无法实现对每一个数据的检测。因此，为了提高数据安全系数，应加强对重点数据信息的检测，从而确保数据信息安全。
2.4信息处理技术的发展
计算机硬件具有一定局限性，在一定程度上阻碍了计算机网络的发展，而云计算网络能够突破这一弊端。因此，推广和应用云计算机网络成为未来大数据时代计算机信息处理的主要发展趋势。传统计算机网络是将硬件与网络有机结合，抑制了计算机信息处理技术的发展，将二者分离开，促使云计算主筋形成云计算网络，从而构建大数据信息网络系统，推动我国社会不断发展。
篇7
二、基于大数据建立互联网融资平台的信用评级模式
1.互联网融资平台的运作模式。对于互联网融资平台的运作模式，从不同的角度可以进行不同的划分。比如，从运营形态上，可以分为：（1）电商平台模式，如阿里小贷、京东京宝贝；（2）网上超市模式，如陆金所、各家商业银行的网上银行；（3）P2P模式，如人人贷、拍拍贷；（4）众筹模式，如众筹之家。从资金的来源上，可以分为：（1）平台提供资金，如阿里小贷、京宝贝；（2）平台担保，银行提供资金，如京东的供应链金融；（3）平台利用吸收的资金提供贷款，如各家商业银行的网上银行；（4）平台做信用评级，撮合投资者和资金需求方进行融资交易，如各家P2P。尽管这些互联网融资平台的运作方式不同，但都需要对客户的融资需求进行信用评级，因此是否具有成熟可靠的信用评级技术，有效控制信用风险，成为互联网融资平台的核心竞争力。
2.互联网融资平台信用评级的模式。当前互联网融资平台的信用评级模式按评级信息的来源划分，主要可以分为三种模式：（1）基于运营大数据的信用评级。该模式多用于各商业银行的网上银行，以及P2P网贷平台、众筹平台上，其中尤以P2P最为活跃，面对的客户为个人及小微企业这一类低信用水平群体，融资金额从几千元到上百万，很大程度上弥补了信息不对称情况下传统金融机构不愿意对该类群体提供融资服务的空白，因此处于快速发展阶段。（2）基于交易大数据的信用评级。该模式多用于成熟的电商平台提供的融资服务中，如阿里小贷、京东的京宝贝等。这一类融资平台最近几年随电商市场的发展也保持着良好的发展态势，市场份额上升的很快。（3）基于交互大数据的信用评级。该模式目前多用于一些提供个人贷款服务的互联网平台上，知名的企业有ZestFinance和WeCash闪银。这类融资平台目前还处于萌芽阶段，但可预见，未来基于交互大数据的信用评级会逐渐成为信用评级的主要方式信贷，会逐渐从个人及小微企业贷款发展到对大企业贷款。由于不同信用信息的来源、属性不同，导致各类融资平台评级时在指标设计、数据收集、数据分析、数据运用过程中采取的方法都不尽相同。但信用评级的基本流程是相同的，只是在一些步骤的实施过程中，受信息属性的决定而使用不同的评级技术。
三、基于大数据互联网融资平台信用评级的实施策略
1.信用评级的流程设计。大数据信用评级的流程可以用图1表示。由图1可见，实施大数据评级，第一步是对待评项目的理解。首先要掌握项目运营方式、客户特点、市场状况、风险构成等项目内容；其次根据对项目内容的理解设计项目计划，包括安排项目可行的技术路线，制定项目的进度等；再次，待项目计划安排好之后就要确定大数据的来源，因为大数据来源虽然众多，但会受到各种限制，如有的可能过于昂贵，有的则不开放，必须选择那些技术上与经济上均可行的作为数据源。因此，需要基于对项目的理解做好这些在项目正式实施前的准备事项。第二步是准备数据。所做工作是：根据数据的来源，确定数据的类型，采取可行的数据收集技术，获取大数据；很多数据存在不完整、重复、错误等缺陷，要对数据进行预处理；预处理后的数据如果属于非结构化或半结构化数据，需要进行格式化，转化为结构型数据，为实施下一步骤做好准备。第三步就是进行机器学习。首先是选择合理的数据挖掘技术对数据进行分析，从中寻找关联关系，其次是解读和评估数据挖掘的结果，找到最合理或最有说服力的，实现知识发现；最后就是根据知识发现的内容，建立适用的信用评级模型。第四步就是实施评级。根据知识发现的模型，开展对被评级对象的信用评级，生成评级报告，并对结论进行分析，帮助客户理解评级结果。最后对整个项目的运行做全面总结。在以上各个步骤中，技术上的重点和难点在于数据准备过程中的大数据转化与机器学习过程中的大数据挖掘。大数据转化的困难在于需要把各种各样的非结构化半结构化数据转化为可以被机器处理和学习的结构化数据，大数据挖掘则在于需要对数据进行理解，选择最合适的数据挖掘技术实现知识发现。
2.信用评级的实施路径。信用评级的实施路径可以分为内容计算和流计算。首先是内容计算。内容计算多采取主动方式获取数据，方法是设置好信用信息源和信息采集时间段，针对信息源的原始信息格式，设计支持多协议的上站机，每隔一段时间对特定的信息源进行查询，遇到新内容则马上采集过来，再用于下一步的数据转化和挖掘。其次是流计算。流计算多采取被动方式，一般用于处理融资平台上的流数据，具体做法是，后台流程设计中在不同的数据流入环节设置不同类型的数据接入接口，及对接的流计算平台，流计算平台负责设置相应的处理规则，根据预设规则将流入的各类数据转化成可以直接分析的结构化数据，从而实现实时的业务分析与判断。
四、基于大数据互联网融资平台信用评级风险管理策略
互联网融资平台在进行信用评级及提供资金时，处于风险管理重心的是对信息技术风险的控制。由于大数据自身的“4V”特性，且数据中包含的又是大量的用户隐私信息，这使得信息技术风险主要产生在两方面：一方面是大数据存储的安全性风险，另一方面是大数据的收集和使用过程中对公民隐私权的侵犯风险，因此如何确保大数据的存储安全及在使用时的隐私保护是一个挑战，前者涉及到技术安全层面，后者涉及到制度安全层面。在技术安全策略层面，可以采取的措施有：首先，应依托大数据加密技术对使用的数据实施加密管理，制定出完整的加密保护方案，包括数据密级的设定、加密技术的选择、对密码安全性的攻击测试等；其次，严格网关管理，可以对不同类型的用户制定不同的权限级别，严格控制访问权限；最后，建立面向全平台的数据实时监测引擎，第一时间对各类非法操作发出警告。在制度安全策略方面，在当前尚无明确立法规范的环境下，要积极进行宣传和游说，获得政府主管部门和社会舆论的重视和支持，争取早日出台规范的数据获取及共享标准，互联网融资平台的设计、管理和风控标准，从而把可能出现的信息技术风险限制在可控范围内。
篇8
1、大数据与电子商务
1.1大数据
从中文语法来看，数据就是一个抽象名词，但是，数据却能代表一定的信息，经过处理的数据可作为人们行为的重要参考，由数据衍生出的模型也在各种决策中发挥着重要作用，所以，数据是决策的基石[1]。伴随互联网的崛起，数据的概念已经发生了根本性的改变，从之前的自然科学领域逐渐扩展到经济学、企业管理，互联网的快速发展又将数据的外延不断扩大，2010年后“云数据”概念的提出突破了数据的时空限制，大数据由技术热词变成社会浪潮，渗透到社会生活的各个层面。"大数据"指的是无法使用传统流程或工具处理或分析的、超过任何单独一台计算机处理能力的庞大数据量[2]，其中，“大"是指数据规模，其一般在10TB以上。同过去的海量数据相比，大数据具有：Vol-ume、Variety、Value和Veloc-ity等4V特征。其中，Vol-ume指体量大，即：数据规模庞大，其早已突破计量单位，而采用PB(千万亿字节)、EB(百亿亿字节)乃至ZB(十万亿亿字节)来计量。Variety指多样性，即：数据种类繁多，除了有传统结构化数据库所存储的大量结构化数据外，互联网上还存在着大量的由图片、网络日志、视频、地理位置信息等所代表的半结构化和非结构化数据，并且后者所占据的比例高达四分之三；其三，即时传输。在上述的大量互联网非结构数据中，很多是由即时通讯工具产生，这些数据普遍要实时存储和处理，并且要快速流转，否则会产生价值流失；其四，无关信息冗余度大。大数据中所包含的海量信息并非都是有用的，也就是说，必须对大数据中的数据进行过滤和组织，并将相关联的信息进行整合，才能披沙拣金有所获益。因此，如何运用好大数据才是大数据的关键。正如《驾驭大数据》的作者BillFranks(比尔•弗兰克斯)所说:“重要的不是数据，而是如何使用数据，大数据的核心是发现价值”[3]。
1.2大数据与电子商务
当前，国内几家大型的电子商务网站，如:天猫、京东商城、国美在线、苏守易购等，它们都有着超过千万的活跃用户，天猫每天的平均交易额超过一亿，订单量超过100万，用户的访问和交易必将产生一定的数据，而这些数据又可为今后的继续交易提供指导，但是，如何高效利用这些海量数据成为摆在电商企业面前亟待解决的难题。伴随着大数据时代大门的打开，大数据为管理者数据利用创新提供了新的思路。在大数据时代，电子商务企业通过对外搜集、整理大量数据，对内量化企业自身运作的各个环节，可以做到市场需求预测和智能决策分析，进而实现提高效率，节约成本的目的，因此，在大数据环境下，传统的业务驱动模式都将由数据驱动来取代。
2、大数据给电商企业带来机遇和挑战
2.1大数据下电子商务的机遇
麦肯锡公司认为，数据已经成为企业生产过程中的基本要素，其也可以为企业创造价值和利润，因为企业通过搜集、处理数据，可以发现新商机，创造出新价值。因此，对于电子商务企业来说，大数据时代蕴藏着巨大的机遇。
2.1.1大数据有利于提升工作效率
据统计:销售员在进行具体销售前要进行售前准备，一般情况下这一准备时间占整个销售工作时间的24%。如果把销售员的准备时间转化为销售时间，则可增加26亿收入，可见，营销人员为销售而进行准备的时间过长[4]。如何才能有效缩短“售前准备”时间，激发销售过程中的潜在价值，采用基于大数据的分析和优化成为企业的必然选择。通过引入大数据，企业可实现“低成本、高效率”的营销，进而在激烈的市场竞争中节约自身成本、战胜对手。大数据时代下社会化营销，理解描述消费者需求的海量数据是重点，有效挖掘客户的个性需求是关键，针对个性需求提出切实可行的营销解决方案是目的所在。采用大数据技术，电商企业可对海量数据进行深度挖掘，并搜索出潜在客户，从而显著提高交易成功几率。
2.1.2大数据有利于个性化营销
当前，电子商务蓬勃发展，数据信息所呈现出的爆炸式增长的速度远远高于消费者获取信息能力的提升速度，这必然使得消费者时常手无足措。正如西蒙所说:“信息越丰富，就会导致注意力越匮乏”。传统商业模式耗费了消费者过多的注意力，但却远不能满足消费需求，如何才能在消费者有限的注意力下实现销售，个性化精准营销显然是一不错的选择，而大数据的运用则使这一营销模式成为可能。2015年11月11日淘宝狂购物欢节数据表明：仅天猫商城销售额就达912.17亿元；一分钟支付宝交易成功笔数最大达315万笔。通过对电子商务平台上大数据进行收集和分析，可以对消费者的结构、购买的周期以及兴趣等有一定程度的把握，这就有利于电商为消费者提供个性化和精准销售服务，提高销售额和利润率。
2.2大数据对电子商务的挑战
2.2.1拥有大数据的挑战
在大数据时代下，电子商务的竞争已经成为基于数据的竞争。谁能充分利用好大数据，谁就可能成为赢家，然而，拥有大数据是利用大数据的前提条件。大数据哪里能得到，大数据又该如何运用。据调查，40%的从业者认为及时收集到支持个性化营销所需用户数据持悲观态度，51%的从业者认为应用大数据最大障碍是组织内缺乏数据共享机制。对于大型电商企业而言，他们拥有大数据且拥有大数据处理能力，他们就能在竞争中脱颖而出，而对中小电商企业而言，如何才能拥有大数据就是一个极为具有挑战的问题。
2.2.2处理大数据能力的挑战
仅仅拥有大数据并不够，对大数据的挖掘和深度分析能力才是企业的核心竞争力。当前，互联网巨大规模的应用和数据的不确定性，给处理封闭世界研究的软件提出了一个难题，针对更加开放、动态的问题，如何给出答案。这就要求在有效的时间内找出它的近似算法和最逼近的算法，但这一问题传统的商业数据库基本上做不了。据统计，83%的公司正在花很多时间研究海量数据，89%的公司因未能充分挖掘所拥有的大数据而失去机会，因此，拥有大数据并不等于拥有价值，关键还在于能否对大数据进行分析和深度挖掘[5]。
2.2.3对隐私保护的挑战
大数据时代，企业通过搜集和记录，可以得出消费者的个人信息、兴趣爱好、交易信息、访问的网站等，然而这些记录时常包含用户的个人真实信息，如电商交易时的用户姓名、真实家庭地址、个人电话，甚至银行账号等信息，在倡导保护个人隐私的今天，从法律和技术层面，应该采用哪些措施来防止消费者隐私泄露是个值得电商企业认真思考的问题。
3、电商与大数据运用
3.1电商企业应通过大数据运用创新商业模式
电商企业通过挖掘大数据，可以把消费者划分成众多群体，每个群体都会有某些共同特性，电商企业的这些划分是精确把握用户网络行为的依托，也是实现广告推广个性化、精确的基石。通过引进大数据，可以探索智能化的推广服务，创立超越传统的、性价比更高的全新商业模式。事实上，国内某些电商早已开始研究和运用大数据，比如阿里巴巴、京东商城等，通过分析会员服务记录，电商可以充分了解用户购买行为，并由些针对性地开展一系列的业务活动，比如通过E-mail给用户提供个性化的促销服务，这些服务的开展，能为电商企业节省巨额的广告费用，进而给该公司带来的丰厚的经济回报。
3.2电商企业应通过大数据运用优化网站
营销效率的管控是电子商务企业营销成败的关键，因为营销效率的高低直接决定的企业的效益。从行业角度来看，电商企业的利润为广告展现、广告转化率、购买转化率、客单价和净利润率的乘积，从上述公式不难看出，无论是流量引导还是购买行为的发生，都存在转化率问题。转化率高导致营销效率高，效率的提升又直接转化为企业的实际效益，那么，如何才能确保电商企业沿着这一良性循环的道路向前，答案很明显：提升站内转化率和控制转化成本。在大数据时代，电商企业一般通过技术优化——站内推荐来实现转化率的提升。在美国的Amazon网站上，有超过35%的销售来自于站内推荐系统。推荐引擎是大数据的典型应用，也是站内推荐系统的核心，其原理是记录访问网站顾客的每一个具体行为，并将这些行为量化后存入数据库，之后按照一定的算法对这些数据进行处理，挖掘出这一用户的喜好和个性需求，并建立与之相符的推荐模型，用以预测该用户感兴趣的、有可能购买的商品。在客户下一步的访问请求中，主动向用户推荐其感兴趣或者需要的商品，从而吸引用户点击并实现购买行为。作为一种工具，大数据不仅可以预知消费者的兴趣所在，还能帮助网站研发者去做诸如用户界面和用户体验的优化。在大数据之前，AB测试是一种准确性较高，但测试成本更高的分离式组间实验，随着大数据的普及，AB测试这样一种“先验”的实验体系已越来越成为网站优化常用的方法。通过大数据AB测试，可以轻松管控二跳率、转化率与网页布局、页面功能模块的关系，从而通过数据来持续优化用户界面／用户体验。
3.3电商企业应通过大数据运用发展会员营销
大数据体量庞大，通过应用大数据，电商企业能够从注册、访问、加入购物车、支付、购买等环节将所有到访网站的用户管理起来，进而建立起客户转化销售漏斗，实现会员营销，同时，大数据的运用，使得传统的电子邮件营销、短消息营销变得更加高效率和智能化。另外，随着大数据的应用和数据库营销的深入开展，电商企业也可通过升级现有数据库，增加营销内容、触达渠道、评价体系等来建立起符合自身特点的VRM体系。
3.4电商企业应通过大数据运用推动差异化竞争
在国内，电子商务已经发展到一定的高度，成本竞争和同质化竞争成为电商企业不得不面对的问题，如何才能从根本上解决这两大突出问题，大数据时代的到来为这一问题的化解指明了方向，通过个性化创新提升企业竞争力。国内最大的电商阿里巴巴通过整合各项业务平台资源，除显著增强数据处理能力外，还形成了电子商务客户数据库和消费者行为产业链信息库，这是其他电商企业可望而不可及的。这些特有数据将阿里巴巴与其他电商企业拉开距离，将竞争从简单的价格战引入至“数据”战，形成差异化竞争。
4结语
总之，“数据就是财富，数据就是竞争力”的大数据时代已经到来，谁拥有大数据和强大的处理能力，谁就拥有赢得市场的砝码。电商企业应从战略的高度把握这一机遇，认真锤炼大数据驾驭能力，唯有如此，电子商务企业才能在新时代续写华章。
参考文献
[1]王云蔚.大数据背景下的消费市场研究[J].北京印刷学院学报.2014年01期.
[2]刘光金.大数据处理对电子商务的影响分析[J].计算机光盘软件与应用.2014年17期.
篇9
1.3保密性网络信息安全和保密技术的保密性是指网络信息不被非授权用户使用、修改等操作，保密性是防止信息资源泄露给非授权用户，保证信息资源只能为授权用户使用。
2网络信息安全和保密层次结构
2.1物理安全网络信息安全和保密的物理安全是指在物理介质层上对网络信息进行安全保护，物理安全是网络信息安全的基本保护层，是整个网络信息安全和保密系统必不可少的组成部分。
2.2安全服务安全服务是指应用程序层对信息资源进行分析，从而保证信息资源的完整性和真实性，然后对信息资源进行保密，防止各种攻击手段和安全威胁，为用户提供安全可靠的信息资源。安全服务的内容有安全连接、安全协议、安全机制等。
2.3安全控制安全控制是指对网络信息系统的信息传输、储存等操作进行管理控制，确保在传输、储存过程中，信息资源不被删除、更改，安全控制的重点是在网络信息处理过程中，对信息进行安全保护。
3网络信息安全和保密的威胁来源
3.1恶意攻击恶意攻击是指人为恶意的攻击网络信息系统，造成信息丢失、篡改等现象，恶意攻击可以分为主动攻击和被动攻击两种情况，主动攻击是指利用各种手段有选择性的修改、删除、添加、伪造信息；被动攻击是指在保证网络信息系统正常运行的情况下，窃取、、破译、截获信息资源。人为恶意攻击的危害性非常大，对网络信息系统的运行有很大的影响。
3.2安全缺陷网络信息系统是由多个技术领域组成的，有计算机系统和通信线路中存在安全缺陷，从而为网络信息系统的安全留下一定的隐患。由于计算机的硬件很容易受到人为破坏，而软件资源很容易受到病毒的干扰和破坏，而通信线路容易受到攻击，因此，网络信息系统具有一定的安全缺陷。
3.3软件漏洞网络信息系统由软件和硬件组成，由于软件程序的编程方式多种多样，导致网络信息系统的软件很容易留下一些安全漏洞，如操作系统的安全漏洞、数据库的安全漏洞、IP协议的安全漏洞、网络软件和网络服务的漏洞、口令设置漏洞等，这些安全漏洞对网络信息的安全状态有很大的影响。
4提高网络信息安全和保密的措施
4.1采用安全性高的系统和数据加密技术网络信息系统的安全等级从高到低可以分为A级、B3级、B2级、B1级、C2级、C1级、D1级等，常用的网络信息系统为C2级操作系统，对于极端重要的系统可以选择B级操作系统，对于保密要求高的信息，要将传统的信息加密技术和新型的信息隐藏技术结合起来，从而保证信息在传输、储存过程的安全，利用隐藏技术、数据嵌入、数字水印、指纹等手段，能将机密的信息隐藏在普通的文件中，然后利用网路进行传递，确保信息保密的可靠性，从而保证信息资源的安全。
4.2安装防病毒软件和防火墙要在主机上安装防病毒软件，对病毒进行定时检测，主动截杀病毒，对系统进行检测，这样不但能有效的减少病毒对网络信息系统的危害，还能有效的对文件、邮件等进行监控。防火墙是由软件和硬件组成而成的，它能在内部网和外部网中间建立一个安全网管，对数据包进行过滤，控制网络信息的流向，隐藏内部IP地址，防火墙还能对系统进行网络安全隔离，对外网用户的非法访问进行控制，有效的防治外部的拒绝服务攻击。防火墙不但能防止外部的恶意攻击，还能屏蔽网络内部的不良行为，防止其将保密信息泄露出去。
4.3安装入侵检测系统和网络诱骗系统入侵检测系统是保证网络信息系统防御体系的重要组成部分，入侵检测系统由软件和硬件共同组成，完善的入侵检测系统能对内部攻击和外部攻击进行防护，有效的弥补防火墙静态防御不足的问题，入侵检测系统能在网络信息系统受到危害前，进行拦截和报警，能及时的消除系统存在的安全隐患。网络诱骗系统是指构建一个和真实网络信息系统相同的系统，诱骗入侵者进行攻击，从而检测出入侵者攻击的重点，然后对其进行重点保护，同时收集入侵者的相关信息，分析入侵者的目的及入侵手段，为入侵者的恶意破坏行为提供有效的证据。
篇10
2.大数据时代对人才的需求
2013年3月，IDC数字宇宙报告《大数据，更大的数字身影，最大增长在远东》预计到2020年数字宇宙规模将达到40ZB。这意味着需要大量的人力和技术对如此庞大的数据进行处理、分析和管理。在此情况下，对于大数据环境下新型人才的培养问题在近年逐渐受到重视。未来对具有大数据管理和分析能力的人才需求将快速增长，这些人员除了具备相应的技术能力、管理能力、社交能力、系统分析和开发的能力外，还需要具备深度分析数据的能力。同时，一些和大数据相关的职位也会应运而生，例如数据分析师、数据架构师等。2011年麦肯锡全球研究所给出的一份报告预测，美国到2018年对具有良好信息素养的经理人才的需求量大约在150万人，此外，还需要14万～19万数据分析方面的资深专家。[4]在我国，互联网企业、电子商务、金融机构、医疗卫生、零售、保险等行业及政府数据中心对大数据专业人才的需求量都很大。
二、大数据时代下山东理工大学信管专业培养模式
大数据时代产生对相关人才的巨大需求，因此，山东理工大学（以后简称“我校”）信管专业提出了新的培养标准和课程设置体系，培养具有我校特色的信息管理专业人才。
1.培养目标和培养标准
在大数据环境下，重新定位信管专业的培养目标和标准，以适应“大数据”对专业人才提出的新要求，是信管专业建设的首要议题。我校信管专业突破国内高校信息管理专业人才培养的三种主要模式（一是强调IT技术，弱化了现代管理理论与方法；二是强调管理又过于弱化了IT技术；三是IT技术与管理相融合，但实际效果不理想），[5]强调学生不但要掌握现代信息系统的规划、分析、设计、实施和运维等方面的方法与技术，更要具有现代管理科学思想和较强的信息系统开发利用以及数据分析处理能力。我校信管专业还制定了全新的培养标准矩阵（如表1所示），从五大方面28个小方面更为详实地阐述了信管专业学生需具备的技能和能力，并为课程的设置提供了依据。
2.课程设置体系
为了满足大数据时代对人才提出的新要求，我校信管专业课程设置围绕主干学科（管理学、经济学、计算机科学与技术、管理科学与工程）不仅设置了国内高校信管专业常设的管理学、统计学、管理信息系统、数据库原理与应用、数据结构与算法分析、计算机网络基础与应用、Java程序设计、电子商务等课程外，还设置了数据仓库与数据挖掘、商务智能与人工智能等相关课程，使学生在理解新兴数据处理模式的同时，智能化数据分析处理及决策支持能力得到训练。与此同时，还设置了基于移动终端的APP开发、企业信息系统构建与仿真、电子商务平台架构设计等课程，使信管专业的学生成为拥有合理知识结构的复合型人才。大数据时代下新型的信息管理与信息系统专业人才的培养既要高度重视理论知识的学习，又要加强实践能力的培养。为此，我校信管专业还设置了工程实训、软件实习等实践项目，以及为期10周的IM&IS应用实践环节，为学生搭建实践平台，拓宽实践渠道。通过3年在校学习及总计约1年的实践锻炼（如图1所示），我校信管毕业生不仅具有良好的管理知识基础、信息技术应用能力，现代信息系统的开发利用的能力，还具备智能数据分析处理工具的操作能力以及综合数据分析处理能力。
3.特色
大数据时代下，我校信管专业制定了具有自身特色的培养模式，即：培养目标和标准与行业发展结合，适应大数据对人才能力需求的变化；培养具有综合分析和管理能力，强调动手能力的新型信管人才。
篇11
政府存在的合法性和权力的来源，决定了在对公共利益的追求和实现过程中，政府在公共管理的体系中所具有的主导地位，以及政府所必须扮演的积极角色，而这种地位与角色的有效性极大程度上受到其决策方式、能力和效果的影响。在半个多世纪的漫长过程中，决策支持系统曾经一度因为缺乏有效的数据组织方式而徘徊不前，虽然其后的发展取得了前所未有的加速度。作为公共决策的重要主体，快速和灵活的大数据时代特征也对政府的数据管理和使用模式提出了更高的要求，大数据的出现颠覆了传统的数据管理方式，在数据来源、数据处理方式和数据思维等方面都会对其带来革命性的变化。正是如此，在公共管理的决策领域，由于拥有了全面的信息，过去那些建立在非完全信息假设上的管理思维和方法，已经被彻底地改变。因此，大数据不仅带来了政府决策的巨大挑战，也提供了变革公共决策的现实机遇。大数据对于决策的价值是显而易见的，通过对大数据的挖掘，可以有效提高政府决策的科学性和时效性。一方面，决策是为了解决问题或抓住机会，大数据可以通过多种渠道抓取数据，并可以发现其中反映的异常问题和有利时机以把握决策的进程；另一方面，决策的有效制定依赖于完整的信息，大数据可以提供庞大的信息，高质量的、全方位的信息可以有效提高决策的效果。诚然，庞大的信息并不意味着都高质量的信息，事实上，质量远远比数量重要。也就是说，肯定数据价值的同时，也应当认识到数据分析的局限性。例如，可以描述政府与公民网络互动的频数，但并不意味着能确切地说明其相互关系，而解释和分析其背后的原因则更加困难。由此，决策环境的改变必将带来政府公共管理模式的巨大改变。首先，政府应当开放透明，持续完善公众公平、便利地获取公共信息的渠道和手段，以利于公众参与公共决策。诸如在公共政策制定、公共财政开支、公共资源分配细节等方面都应当充分满足公众的知情权，在更大范围内实现数据共享。这既是决策效率提升的要求，也是行政民主的价值诉求。其次，在大数据时代，社会主体和公众意见的有效体现是决策的合法性和合理性的基础。一方面，这要求政府培养数据意识，全方位的重视数据的收集和积累工作，为实施大数据战略做准备；另一方面，应当不断推动社会媒体、社交网络等数据平台健康快速的发展。为此，在数据的收集、更新，尤其是数据利用方面，政府都应当不断地调整管理思路和方法，并积极改善公共管理决策的数据环境，提升决策过程中的数据意识，建立有效的决策支持数据系统，以实现决策的科学化，提高公共决策的质量。
3对公共治理战略的深刻影响
目前，大数据已经在商业领域中被广泛应用，并产生了巨大影响。在商业领域，新的研究方法拓展了现有的理论模型，可以利用社会网络、数据挖掘和统计等方法挖掘出高维度的市场信息。即便是在社会领域，大数据同样会帮助我们认识和适应公共治理的社会环境。大数据管理不仅是一种技术或管理方式的创新，还代表着人类对于信息更加全面的把握能力，同时也反映着人类自身特性的深刻展现及发展。因此，在公共管理实践中，必须在大数据的语境下，用大数据的思维方法理解和分析新的治理问题。
3.1信息技术是一种社会赋权工具，大数据造就了一个权力碎片化的社会
在某种成程度上降低了群体压力对个体的影响，凸显了个体的主动性和能动性，网民可以在表达和交往的过程中，将他们认为重要的问题变为公众议程的一部分，并成为公民之间、公民和组织间关注和讨论的公共问题。信息和数据将围绕着这些问题产生，而且一旦实现信息的自由和数据的开放，知识和权力在每一个公民之间就是等距的，社会的主体结构就将从分层转向网状，社会形态和社会结构就将会出现新的变革。在这种情况下，公民也就越来越多地倾向于社会公共领域，其结构特征和特性就成为公共管理价值性和工具性实现的原因和意义。而且如果个人在互联网上的交往活动能被系统地捕捉到，那么我们就可以有史以来第一次对非正式沟通的流向、观点在不同社会群体之间的传播，以及隐藏在沟通之下的实际网络结构进行观察或作出合理的推断。也就是说，在这种治理环境中，大数据不仅带来了社会结构的新变革，也发展了认识这种结构变革的方法。因为，大数据可以有效地反映舆情和民意，网络上产生的海量数据反应了社会结构中网民的行为、能力和态度，这是信息时代现实社会与网络空间深度融合的产物，蕴含着丰富的内涵和很多规律性信息。
3.2大数据可以有效地降低社会发展中面临的不确定性和风险。
在现代社会，政府转变治理思维、提升危机意识、调适治理模式的着眼点在于，危机的产生和演化是公共管理和公共利益实现的巨大挑战。一方面，危机的突发性要求政府不断提升危机响应的效率，不但要具有前瞻性的战略视野，也应当具备强大的信息收集和处理能力。同时，把大数据技术引入危机管理领域，绝不应只将其视作一种技术手段的进步，而应该以大数据技术为基础对整个危机管理的流程进行再造。另一方面，危机的社会性要求政府密切关注社会范围内的所有信息，在日常活动中，防范和化解可能出现的危机。在大数据背景下，人类的大部分行为都受制于规律、模型以及原理法则，而且它们的可重现性和可预测性与自然科学不相上下。因此，对现实的、潜在的公共领域的数据信息进行实时分析，可以提高政府对危机的识别和判断能力，及时发现卫生、环保、灾害、社会管理等领域的危机，为实现科学有效地防范和化解危机管理提供基础。
篇12
流量是当今数字世界运转的基础。“客观属性”是对“流量”这一认识客体固有属性的客观描述，不因经营主体和经营方式而异。流量属性包括以下方面：1)流量的规模性，指流量可用同一量纲进行规模比较，比如联通单用户流量规模要高于移动，百度流量规模要高于google中国，基于中国移动网络发生的流量规模要高于基于百度服务发生的流量规模；2)流量的层次性，指流量与用户真实行为(主体)的接近程度。流量蕴含着反映主体行为的信息，但程度有所不同。比如淘宝网所承载的流量直接反应用户的网购行为，而电信网所承载的流量只是经过IP协议封装的比特流，前者显然更接近用户真实行为因而被称为表层流量，后者则被称为底层流量；3)流量的异质性，指流量对用户消费目的(客体)的涵盖范围。流量蕴含着反映客观世界的信息，但范围有所不同。比如文本、话音、图片、音乐、视频等不同类型之间，垂直应用与平台式应用等不同类型之间，社交类、娱乐类与生产类应用等不同业务类型之间，其流量映射客观世界的能力就各有差异和侧重；4)流量的不可分性，虽然底层流量和表层流量在概念上区分了，但在实体上是紧密依赖的，是同一事物在不同经营层面上的不同投影。比如，淘宝的表层流量离不开运营商底层流量的依托，运营商底层流量也离不开淘宝等表层流量的呈现，同时，淘宝可推知用户使用了多少底层流量，运营商也可部分解析出用户的购物行为。
可见，流量是一个充满想象空间的市场，而电信运营商似乎占据有利地位。综合流量的层次性和异质性，流量被赋予了主体行为和客体存在在信息层面上统一投影的属性，是信息社会不断流动的血液，具备极大的社会价值和经济价值。从流量的不可分割性来看，上层服务提供商与基础运营商之间的相互依赖、相互制约将是长期的基本格局。从流量的规模性来看，至少在本地市场，由于基础设施市场集中度高，电信运营商很容易就可获得超过任何单一玩家(如apple和facebook)的规模优势。
但现实情况中，流量规模的暴涨对电信运营商是一把双刃剑，情况不容乐观。流量在呈现客观属性的同时，在特定的经营主体及经营方式下，还会表现出影响甚至决定经营绩效的经营特征。本文认为，固然客观属性有利于电信运营商开展新一轮价值创造，但在当前经营模式下，流量应有的价值并未得到充分挖掘，无法支撑电信运营商的可持续发展。
当前的流量经营模式是，通过提供同质化的、以M为价值衡量单位的流量产品来满足用户的接入需求，然后通过向用户收取按照使用量计算的费用来补偿网络成本、运维成本和营销成本。在这种模式体现出三大属性：一是面向手段性需求。用户向运营商购买流量不是为了流量本身，而是为了流量所承载的个性化互联网应用。流量仅仅是服务于互联网消费的手段，因此，与面向目的性需求的互联网服务提供商争夺用户界面时，电信运营商天然地处于劣势；二是无直接网络效应，电信运营商无法将网络效应内化从而无法实现业务的边际效应递增。流量用户之间并未像话音用户之间和短信用户之间那样构成彼此连接的网络，用户之间的网络是通过业务构成的，而业务网却控制在OTT手中。换言之，网络效应主要存在于OTT业务层，而非管道层。因此，随着使用OTT业务的用户越来越多，以及用户使用OTT的业务次数越来越多，OTT业务的边际效用递增，但电信运营商流量的边际效用基本持平；三是边际成本下降有限，面对指数级增长的流量需求，运营商不断追加投资扩容、升级只能勉强跟上。上期投资刚进入边际成本下降阶段新的投资又追加进来，下降趋势被中止。在投资压力下，设备商又勾画了美妙的技术前景，许诺平均成本将极大地降低，勾引运营商全面投资新技术。这样多次循环和叠加，在相当长一段时间内，运营商都处于初始成本投资阶段，流量边际成本下降的周期被压缩到很短。反观OTT，一旦业务上线，在运营成本增长与业务量增长相比可忽略不计的前提下，业务边际成本很快就会下降到接近于0。某种程度上，信息产品边际成本为0规则的成立，是建立在电信运营商的牺牲之上的。
图OTT业务与电信运营商流量业务的边际效用/成本对比
电信业本是新经济的鼻祖，网络效应理论就是70年代从对话音网络的研究中发展起来的。然而，在当前经营模式下，运营商的流量业务失去了网络效应、边际成本趋于0、边际效用递增等信息产品的新经济特征，用工业经济时代的经营模式去与新经济时代的经营模式争夺价值，注定是落于新型竞争对手的。这是仅在流量规模上做文章，没有深入挖掘流量价值形成的后果，运营商由此陷入流量价值困境。
(三)大数据经营破解价值困境
大数据的定义众说纷纭，从技术特征上它通常具备数据量大(volume)、数据类型多(variety)和数据处理和响应速度快(velocity)的特征，麦肯锡将大数据定义为超过了常规数据库软件所能搜集/存储/管理和分析的规模的数据集。大数据概念具有深刻的IT烙印，正如“流量”概念具有深刻的电信烙印。通信与计算是信息的不同处理环节，在ICT端到端融合的背景下，流量和大数据完全可以统一在“信息”概念下，是信息全生命周期不同阶段的称谓。流量有表层底层之分，数据也有信息、知识、智慧之谓，流量经营和大数据经营均可理解为信息经营。
然而，仅仅揭示大数据本身的属性是远远不够的，如果脱离了正确的经营模式，一切价值都是虚妄。在这方面，电子科技大学周涛教授的观点很有价值。他认为，大数据1.0是利用内部数据解决内部问题，大数据2.0是利用内部数据去解决外部问题，或利用外部数据解决内部问题，大数据3.0意味着大数据进入了一个以共享交易为特征的时代，出现了大数据公共平台运营商(以下简称大数据运营商)。从1.0到3.0，大数据的工具属性逐步减弱，目的属性逐步增强，直至“大数据”像货币一样在全社会范围被收集、交换、处理、传输和应用，使得大数据可以真正成为时代的标签。在这个意义上，大数据之“大”，就是不断增强数据的透明性、不断扩大数据的共享范围、不断提升数据的流动性，在更大范围内解决信息不对称以创造更大的价值。否则，无论数据多丰富，技术多先进，都较过去无本质突破，大数据之“大”盛名难副。这个过程，是大数据经营环境不断完善和经营模式不断演进的过程。
大数据经营模式严格来说是指大数据运营商的经营模式。大数据运营商采取双边平台模式，一方面向消费者提供普遍服务，另一方面向企业客户提供以大数据为中心的服务。可以形象地将这种经营模式比喻为“数据银行”。1)大数据运营商自身掌握独特而雄厚的数据资产，这往往是一个通过提供消费者服务集腋成裘的过程，正如银行通过吸纳个人存款掌握雄厚的现金等资产；2)这些数据的使用权和支配权归大数据运营商但所有权属于消费者，正如银行可以自行决定吸纳的存款如何使用，但储户拥有随时要求提现的权力；3)大数据运营商以免费或部分免费提供服务为代价，换取消费者在使用该服务时产生大数据的支配权，正如银行承诺利息收益换取现金存入或委托理财，并默认获得资金支配权；4)这些大数据被用到千百万家企业的生产服务流程中，为大数据运营商的企业客户创造价值，为大数据运营商赚取收益，正如银行吸纳的存款被贷给各行各业的企业，融入经济生活的角角落落。为了进一步理解该模式，下面描述一些细节：
细节一：场景举例。风险控制是保险公司商业模式的核心环节，如果能够更准确地获知投保客户的风险系数，保险公司就可能设计更有竞争力的保险险种和更丰厚的收益。比如车险，如果能对某潜在客户的出行和驾驶行为数据如车速、车程、违规记录等进行分析，保险公司就能更精确地推知该用户在投保期内出现安全事故的概率，从而制定更为有利的保费和理赔政策，比如避免对高危客户(通过各种指标定义)保费过低或保额过高，而对“安全系数”较高的客户则可以在常规保费基础上打折以提升产品的吸引力。同样，对于疾病险，如果能够对潜在客户每天身体健康指标如血压、心跳、卡路里消耗、睡眠时间等，保险公司就能识别优质客户并针对性地设计相关疾病险种。在这个简单的例子里，大数据产生于用户使用的车联网、移动健康等服务，大数据运营商需要向用户提供这些服务，并承诺他们的个人数据不会被滥用。对于保险公司或其他中小型企业客户，大数据运营商提供的核心产品是数据，但更可提供大数据基础设施租用、承担大数据分析任务甚至基于分析结果的营销执行等附加服务。
细节二：如何规避隐私争议。个人数据的隐私问题是大数据商业价值受到质疑的主因。实际上，这个问题可以从理念上和模式上给予回答。理念上，隐私问题自人类社会形成之初就存在，用户心中总是存在一架权衡隐私顾虑和业务价值的天平。当前的隐私争议不在于隐私被使用了，而在于被滥用了，没为用户带来便利/效率/等正面价值甚至反而带来负面价值。因隐私顾虑而扼杀业务创新只会在竞争中被淘汰，将注意力集中到利用个人数据创造更智能的业务，使用户心中的天平偏向业务价值，这才是解决之道。模式上，大数据运营商扮演的是银行角色，受消费者委托管理数据，基于数据所有者与数据使用者之间的契约关系执行数据开放动作，具体由双边平台的双方自愿谈判商定。比如，保险公司若需要使用个人数据可向个人提供保费折扣，达成协议后大数据运营商则执行这一契约，按照协议开放指定数据，并全程监督数据使用。上述过程并不涉及隐私侵犯。对于那些无需识别个人身份的大数据应用，交易成本可以更低，正如银行没有必要向每个储户说明他/她的存款被用于哪一笔放贷或投资，而只需履行利息承诺即可。
细节三：如何获得网络效应。在上述经营模式下，大数据运营商将获得网络效应，这种效应源于该平台上各行各业的企业。与话音业务类似，企业使用该平台提供的数据的同时，也在为该平台增加更多的数据资产。比如，“用户A在facebook上的Like行为记录”这一数据，若被WSJ网站使用，除了为WSJ产生“内容精准推荐”的价值外，用户A对该内容的浏览行为和评论(如果有)也会被平台记录，从而提升原数据质量(如置信度评价)、丰富了关于用户A的数据，其他企业将可从该平台获取更多价值。这样，企业围绕平台构成了大数据共享网络。大数据平台成为网络效应的受益者。于此同时，企业客户在使用大数据产品时也具有边际效用递增的特征，数据用得越多，数据的价值就越大。可见，大数据经营完全符合新经济规则。数据不因使用而损耗，且随着使用次数增多价值反而变大，边际成本趋于0，边际效用递增，大数据的价值与数据节点及数据使用者节点的平方成正比。
细节四：如何将流量转化为大数据资产。针对流量业务，一方面优化现有面向消费客户的经营模式，另一方面从流量中提取大数据资产，作为构建面向企业客户大数据经营模式的基础，两者交叉补贴，平摊成本。用户在消耗流量的同时，也在为大数据经营添砖加瓦。一个基础设施，两个经营模式，这是成本收益困境的基本解题思路。对流量经营而言，智能管道存在的价值是调控和配置管道资源，但智能调控和配置的前提是对调控对象的深度识别和解析，而这正好就是从流量提取大数据的过程。因此，智能管道将成为电信运营商获取大数据的重要来源。大数据的另外两个重要来源是BSS和各种信息类业务的后台数据。不同域数据之间的混搭会取得1+1》2的效果。
(四)大数据平台运营商的演化
在未来实体世界与数字世界无缝整合的世界，高速流动的信息将充当不可或缺的纽带。谁能掌控两个世界相互耦合的界面，谁就将成为下一轮破坏性创新周期中最大的赢家，而大数据平台就是这样的关键环节。当前虽然总体上处于大数据1.0阶段，但基于数据重要性被不断认知、传统企业拥抱数字化商业模式热情高涨等事实，大数据领域正孕育着一个前景广阔、异彩纷呈的大市场。
未来的大数据运营商绝不仅仅包括现在的电信运营商，互联网巨头如facebook、google和阿里巴巴等也将沿着这一方向演进。阿里巴巴提出的“电商、金融、数据”三步战略就是明证。阿里巴巴和新浪微博、高德地图等之间的资本联姻，也是走在数据布局的路上。平台会扩张，生态会成长，当时代被烙上大数据的印记，围绕大数据公共平台运营商成长起来的大生态注定会成为信息文明的基石。从平台演进的角度，本文认为大数据经营的成熟将经历消费平台、垂直平台和公用平台三个阶段，简要描述如下：
第一阶段，竞争者们借助消费平台海量用户数据的原始积累取得了大数据平台之争的入场券。比如阿里巴巴的淘宝、腾讯的微信、facebook以及电信运营商的流量，都是典型的消费平台。各类消费平台有层次和领域的区别，渗透争夺十分激烈，但就数据储备而言都具备了进阶的资格。同时，OTT玩家普遍发育了后向广告模式，与电信运营商的流量前向收费模式相比，收入规模小但利润率高。
第二阶段，基于用户积累向垂直行业扩张或者某个特定的环节延展。这个阶段，消费平台依然非常重要，但随着数字世界与实体世界的整合，固守数字世界很快遇到增长极限，因而越来越多的资源将投入面向线下传统行业的拓展。垂直行业方面，包括金融业(互联网金融、移动支付等)、健康业(移动健康、移动医疗等)、汽车业(智能汽车、车联网等)。特定环节方面，包括营销(广告)，CRM(如微信公众账号、淘宝卖家服务、FacebookConnect等)、产品设计(如天猫和华为定制手机合作等)。毫不意外，扩张的行业B2C特征较明显，延展的环节则以营销环节为出发点，而电信运营商通常以行业扩张为主，OTT以环节延展为主。总体而言，这些面向各垂直行业和特定环节的服务都以相对独立的小平台形式存在，每个垂直平台的经营模式各不相同，大数据资产进一步积累，但以信息为中心的经营模式仍未确立。从进阶第三阶段的角度考虑，衡量第二阶段经营成败的标准有两个：其一是是否与政府和传统企业建立了全面的信任关系；其二是是否掌握了大部分行业都需要的20%的关键信息。
第三阶段，面向全体社会成员的大数据公共平台出现。大数据在企业生产和消费者生活各环节的价值被充分认识，垂直行业内部的信息链在第二阶段被打通之后，进入跨行业信息共享阶段，大数据时代来临。在前文提到车联网信息、个人健康信息和保险公司的共享是这一阶段的典型案例，而车联网、移动健康领域的数据布局和与保险公司信任合作关系的建立，则已在第二阶段完成。值得强调的是，消费者的作用非常重要，因为各行业间打破信息隔阂唯一动力就来自于它们具有共同的用户。这一阶段，数据透明/共享/流动的范围、网络效应的范围、创造价值的范围达到了新的高峰。
上述三个阶段所描述的经营模式是叠加而非替代关系。从大数据的角度看，第一阶段着眼于积累原始资本，第二阶段注重数据的垂直投资布局和精耕细作，第三阶段注重跨行业数据的共享运营。但从经营视角来看，最终大数据运营商将具有三种核心业务、三种盈利来源，比如阿里巴巴的三步走战略，并不是金融代替了电商，数据代替了金融，而是按照这个路径最终形成三足鼎立的多元共生业务组合。
(五)对电信运营商的建议
既不甘于管道的低利润率，又无法适应OTT基于速度和创意的竞争规则，电信运营商一直在寻找位于管道业务和OTT业务之间的黄金地带。本文给出的答案就是大数据经营。大数据经营与传统通信经营在业务属性和经营模式上具有内在延续性。传统通信业务通过将个人连成通信网络解决个人与个人之间的信息不对称，大数据经营通过将企业连成大数据网络解决行业与行业之间的信息不对称，这个方向符合信息社会的演进脉络。通过选择正确的模式，大数据经营完全可以和传统通信业务一样具备网络效应等新经济特征，从而带领运营商走出当前流量经营模式的价值困境。
对电信运营商而言，大数据的战略地位应从内部运营工具提升到“新大陆”，移动互联网业务则从“新大陆”降低到撬动新大陆的“杠杆”。如果目标和OTT一样都是大数据，而获取大数据的手段并非仅自身运营OTT业务一途，电信运营商何必一定要吊死在这棵树上呢？调整心态后再参与OTT竞争，也许更从容不迫。因此，电信运营商无需过于纠结为何不具备互联网基因，而应立即与那些OTT站在同一起跑线上一道发力培养大数据基因，构建大数据经营模式。大数据目前还处于非常早期的阶段，大数据竞争最终将是资源密集型的，电信运营商在这个战场上的位势要比在OTT战场上好得多，至少暂时如此。比如，腾讯有微信和QQ，阿里有淘宝和支付宝，电信运营商有流量。关于下一步的布局，有如下几点建议：
篇13
既然大数据时代已经到来，而且其功能作用对部队档案管理工作有着较为深远的影响，运用得当，大数据将给我军档案管理工作带来前所未有的成功，那么如何将大数据的理念较好地运用到档案管理工作中来呢？
2.1建立档案资源管理中心
大数据技术支持庞大数据的存储和处理，使档案资源的统一管理成为可能。为了维护档案的安全及对档案资源的综合掌控，档案需要备份，目前档案馆采用的是档案的电子备份，档案部门是否可以在全军范围内建立一个区域或者档案备份中心，并且各部队档案部门能够做到资源共享呢？只要通过严密验证和科学规划，这一措施是完全可行的。若全军的档案数据资源能集中起来，那么利用大数据进行档案资源的管理、开发和利用将指日可待。
2.2培养大数据分析的专业人才
外界企业通过寻求和专门的大数据开发公司合作，较好的运用了大数据技术。而档案管理牵扯到部队保密工作，若想引入大数据，又要有效防止信息数据的泄露，就必须加紧健全信息化档案管理人才队伍，花大力气培养大数据分析的部队专业技术人才，方能有效避免拥有大量数据却不懂数据分析的尴尬。
2.3开发大数据分析工具
部队档案管理区别于地方，存在特殊性和敏感性。这就要求我们必须结合部队实际及档案建设的特点，开发出一套符合我们自己的大数据分析工具。
