关于大数据技术的那些事儿

 

当今信息时代，信息数据成为当今时代最宝贵的财富。大数据技术也成为备受人们追捧的对象。许多人对于大叔据早有耳闻，但是究竟大数据是什么？相信很多人都无法给出准确的概念和定义。在此佰佰安全网为大家分享权威机构给出的概念定义，为你解答什么是大数据？

伴随着互联网技术的发展，社会的信息化、智能化的水平得到了显著提升。信息成为了现今时代，最宝贵的资源和财富，大数据概念也由此不胫而走。虽然对于大数据的名称我们是早有耳闻，但是如果要求你根据自己的理解，对于大数据进行概念定义，你是否有准确的答案呢？下面你为大家分享一些权威部门给出的大数据概念定义，为你解答什么是大数据！

大数据官方概念

"大数据"是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理和处理。 "大数据"首先是指数据体量(volumes)?大，指代大型数据集，一般在10TB?规模左右，但在实际应用中，很多企业用户把多个数据集放在一起，已经形成了PB级的数据量;其次是指数据类别(variety)大，数据来自多种数据源，数据种类和格式日渐丰富，已冲破了以前所限定的结构化数据范畴，囊括了半结构化和非结构化数据。接着是数据处理速度(Velocity)快，在数据量非常庞大的情况下，也能够做到数据的实时处理。最后一个特点是指数据真实性(Veracity)高，随着社交数据、企业内容、交易与应用数据等新数据源的兴趣，传统数据源的局限被打破，企业愈发需要有效的信息之力以确保其真实性及安全性。

百度知道：大数据概念

大数据(bigdata)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。大数据的4V特点：Volume、Velocity、Variety、Veracity。

互联网周刊：大数据概念

"大数据"的概念远不止大量的数据(TB)和处理大量数据的技术，或者所谓的"4个V"之类的简单概念，而是涵盖了人们在大规模数据的基础上可以做的事情，而这些事情在小规模数据的基础上是无法实现的。换句话说，大数据让我们以一种前所未有的方式，通过对海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见，最终形成变革之力。

综上，其实大数据就是一种基于数据采集、数据分析，进而得到其中目标人群的潜在需求，为进一步的营销或是其他实践做数据参考的这样一个过程。

 

在大数据技术备受树木的今天，人们对其名称都是耳濡目染有所听闻，但是对于其火热的原因，却是不知所然。在此，佰佰安全网汇总出大数据的显著特点及作用详述，一起来看一下这一高新技术的发展优势何在？

要理解大数据这一概念，首先就要从“大”字上去且是理解一番。大数据必然给予一定量的数据信息量，不过不同于以前的海量信息，其数据呈现出体量大、多样性、价值密度低、速度快四个显著特征，其突出优势也将一览无余！

大数据显著特点

第一，数据体量巨大。从TB级别跃升到PB乃至EB级别。要知道目前的数据量有多大，我们先来看看一组公式。

1024GB=1TB;1024TB=1PB;1024PB=1EB;1024 EB=1ZB;1024ZB=YB。到目前为止，人类生产的所有印刷材料的数据量是200PB，而历史上全人类说过的所有的话的数据量大约是5EB。

第二，数据类型繁多。这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以文本为主的结构化数据，越来越多的非结构化数据的产生给所有厂商都提出了挑战。拜互联网和通信技术近年来迅猛发展所赐，如今的数据类型早已不是单一的文本形式，除了网络日志、音频、视频、图片、地理位置信息等等多类型的数据对数据的处理能力提出了更高的要求。

第三，价值密度低。价值密度的高低与数据总量的大小成反比。以视频为例，一部一小时的视频，在连续不间断监控过程中，可能有用的数据仅仅只有一两秒。如何通过强大的机器算法更迅速地完成数据的价值“提纯”是目前大数据汹涌背景下亟待解决的难题。

第四，处理速度快。这是大数据区分于传统数据挖掘最显著的特征。根据IDC的一份名为“数字宇宙”的报告，预计到2020年全球数据使用量将会达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

典型例子：还记得10年之前风靡一时的美国情景喜剧《六人行》(又名《老友记》)吗?在这部美国NBC电视台从1994年开播到2004年落幕的经典之作中，6位主人公从姓名、职业到个人喜好至今都还能被粉丝们津津乐道。

大数据技术是指从各种各样类型的巨量数据中，快速获得有价值信息的技术。解决大数据问题的核心是大数据技术。目前所说的"大数据"不仅指数据本身的规模，也包括采集数据的工具、平台和数据分析系统。大数据研发目的是发展大数据技术并将其应用到相关领域，通过解决巨量数据处理问题促进其突破性发展。因此，大数据时代带来的挑战不仅体现在如何处理巨量数据从中获取有价值的信息，也体现在如何加强大数据技术研发，抢占时代发展的前沿。

大数据作用

大数据时代到来，认同这一判断的人越来越多。那么大数据意味着什么，他到底会改变什么?仅仅从技术角度回答，已不足以解惑。大数据只是宾语，离开了人这个主语，它再大也没有意义。我们需要把大数据放在人的背景中加以透视，理解它作为时代变革力量的所以然。

变革价值的力量

未来十年，决定中国是不是有大智慧的核心意义标准(那个"思想者")，就是国民幸福。一体现在民生上，通过大数据让有意义的事变得澄明，看我们在人与人关系上，做得是否比以前更有意义;二体现在生态上，通过大数据让有意义的事变得澄明，看我们在天与人关系上，做得是否比以前更有意义。总之，让我们从前10年的意义混沌时代，进入未来10年意义澄明时代。

变革经济的力量

生产者是有价值的，消费者是价值的意义所在。有意义的才有价值，消费者不认同的，就卖不出去，就实现不了价值;只有消费者认同的，才卖得出去，才实现得了价值。大数据帮助我们从消费者这个源头识别意义，从而帮助生产者实现价值。这就是启动内需的原理。

变革组织的力量

随着具有语义网特征的数据基础设施和数据资源发展起来，组织的变革就越来越显得不可避免。大数据将推动网络结构产生无组织的组织力量。最先反映这种结构特点的，是各种各样去中心化的WEB2.0应用，如RSS、维基、博客等。 大数据之所以成为时代变革力量，在于它通过追随意义而获得智慧。

 

大数据技术发展至今，已经有了完整的应用推广流程。将其比喻成一种成型的信息加工流水线，一点都不夸张。咋次佰佰安全网为大家分享大数据技术应用的具体流程，同时分享大数据在我国现阶段的应用领域。一起来看一下大数据是怎样一种神奇的技术。

大数据技术的应用推广过程，就类似于是一种信息处理流水线。从采集、存取、搭建架构到中期数据处理、统计分析、数据挖掘以及模型预测，最后实现结果预测。

大数据技术应用流程

数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。

数据存取：关系数据库、NOSQL、SQL等。

基础架构：云存储、分布式文件存储等。

数据处理：自然语言处理(NLP，NaturalLanguageProcessing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机"理解"自然语言，所以自然语言处理又叫做自然语言理解(NLU，NaturalLanguage Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。

统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析(最优尺度分析)、bootstrap技术等等。

数据挖掘：分类 (Classification)、估计(Estimation)、预测(Prediction)、相关性分组或关联规则(Affinity grouping or association rules)、聚类(Clustering)、描述和可视化、Description and Visualization)、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘涉及的技术方法很多，有多种分类法。

根据挖掘任务可分为分类或预测模型发现、数据总结、聚类、关联规则发现、序列模式发现、依赖关系或依赖模型发现、异常和趋势发现等等;根据挖掘对象可分为关系数据库、面向对象数据库、空间数据库、时态数据库、文本数据源、多媒体数据库、异质数据库、遗产数据库以及环球网Web

根据挖掘方法分，可粗分为:机器学习方法、统计方法、神经网络方法和数据库方法。机器学习中，可细分为:归纳学习方法(决策树、规则归纳等)、基于范例学习、遗传算法等。统计方法中，可细分为:回归分析(多元回归、自回归等)、判别分析(贝叶斯判别、费歇尔判别、非参数判别等)、聚类分析(系统聚类、动态聚类等)、探索性分析(主元分析法、相关分析法等)等。

神经网络方法中，可细分为:前向神经网络(BP算法等)、自组织神经网络(自组织特征映射、竞争学习等)等。数据库方法主要是多维数据分析或OLAP方法，另外还有面向属性的归纳方法。

模型预测：预测模型、机器学习、建模仿真。

结果呈现：云计算、标签云、关系图等。

大数据应用领域

在我国，大数据将重点应用于以下三大领域：商业智能、政府决策、公共服务。例如：商业智能技术，政府决策技术，电信数据信息处理与挖掘技术，电网数据信息处理与挖掘技术，气象信息分析技术，环境监测技术，警务云应用系统(道路监控、视频监控、网络监控、智能交通、反电信诈骗、指挥调度等公安信息系统)，大规模基因序列分析比对技术，Web信息挖掘技术，多媒体数据并行化处理技术，影视制作渲染技术，其他各种行业的云计算和海量数据处理应用技术等。

 

大数据时代数据对于决策的重要性 根据上述观察，即便我们进入了大数据时代，意识到数据对于决策的重要性，这是好事，但是如果不能意识到数据本身带来的种种问题，那就无从谈起如何使用。

一、统计现象可能是病态的；

我们经常得到一些用户的消费或者娱乐行为，但是这些行为可能是病态的。这里我就举两个病态的习惯现象作为例子说明。有些用户具有一种病态的消费习惯，习惯于同时消费一定数量的产品，或者某种特定的产品组合。比如，有些肥胖症病人，喜欢吃高热量食品，当然就喜欢看到高热量食品摆放在一起，但是这样就无形中鼓励了对这些用户的不良消费习惯。另一个例子是网络文学。现在的网络文学可算是世界奇观，大量的穿越，意淫小说充斥网络。我喜欢看电子书，可是从网上很难看到像样的新书可以阅读，大多数还是从正规出版社进行购买纸质书阅读。这种一味迎合特定读者群的网络文学现象，相当程度上进一步恶化了当前的教育生态。那些网络文学只会伤害青少年的阅读品味，甚至走上犯罪的道路。当我们看到了一种统计现象，我们仅仅是看到了当前的一种规律，但是这种规律是否是病态的，还是要进一步分析，我们不能因为可以利用这种规律挣钱，就可以推波助澜。

二、统计现象可能是暂时的；

中国是在快速发展的过程中，由于历史的原因和社会发展的阶段性原因，很容易出现一窝蜂的现象，统计规律有时候表现的非常明显。这给我们一个假象，认为这可能是社会发展的未来趋势。但是我们忽视了中国社会的特殊性，这种特殊性在于很多消费习惯是一种补偿性消费习惯，而对于补偿性消费心理来说，可能是过度夸张的。比如，饮酒的习惯，在中国过去，饮酒仅仅是生活中很奢侈的一部分，因此饮酒的习惯对于身体的影响并不很大，但是现在物质丰富了，人们还按照过去的习惯进行饮酒，但是数量大大增加了，于是身体的健康受到的非常大的影响。最近我的一些朋友们陆续开始戒酒，因为他们已经发现，原来认为是友好的表现，现在可能被认为是不礼貌的，比如劝酒。还有就是房地产和汽车消费。除了投资和投机心理之外，中国人对于房子有着独特的热忱，其原因在于中国人还从来没有真正摆脱居住的窘迫，于是大家都非常渴望有自己的住房。汽车也一样，这是补偿性消费的过度行为表现。假如我们去迎合这种暂时的现象，我们会助推一些病态行为，导致社会成本急剧上升，尤其是整体资本成本更为夸张。

三、统计现象可能是局部的；

有时候去吃饭，朋友会通过网上预订，但是去吃了之后往往不如意。其主要原因在于，统计数据的来源并不是全部消费人群。喜欢上网的人群是受限制的，上网又喜欢点评的人更是其中一些乐于此事的人，他们并不能代表所有的消费群体。比如，喜欢点评吃饭的人，往往是学生和年轻的职工，他们收入少，好奇心重，因此对于这种既便宜又能品尝到一定品味的信息来源比较喜欢，这种统计结果对于其他人群可能就完全没有参考价值。还比如，网上有些投票活动，其结果的不可靠跟吃饭的效果一样。我们不能说网上的统计结果没有意义，但是也不能夸大这种只有部分代表性的结果，否则我们可能会被误导。想到前段时间那些恶意的大V们被封杀，也是类似的现象。之所以大V们有一定的市场，还是因为我们缺少对于网络舆论的全面认识。听到一些号称鼎鼎大名的一些网络名人，我也觉得自己有点OUT了，因为作为经常使用网络，并且自认为不那么落伍的人，居然从来就没有注意到这些人。

四、统计现象可能是曲解的；

很多统计现象需要进一步解释，而不能看直接的结果，这些统计结果很多都存在误读现象。有个例子能够很好地证明。英国二战时期跟德国进行空战，每次战斗机回来都发现，机翼上有很多枪眼，大多数工程师认为机翼是很容易受到攻击的地方，需要进行防护，可是增加了防护之后，发现飞机的损失率并没有降低，反而提高了，因为增加了防护，降低了飞机的灵活性和航程。原来是曲解了那个统计规律，因为在战损的飞机里面，有许多飞机没有回来，其被击落的真正原因并没有被统计，因此主要问题没有发现。相反，机翼受损还能飞回来，只能说明机翼被攻击部分本身的影响并不大。“统计学家 Wald 建议统计飞机上弹孔(枪眼)的位置，有了足够的样本后，然后在没有枪眼的部位加强防护，因为这些部位被击中的飞机都没有返航，最后效果很好”（参考第三楼发言补充）。这个统计结果是不可信的，至少不是最重要的因素。

五、统计现象可能是滥用的。

根据数学中的大数定律，样本数量和范围需要超过一定程度才能得到有价值的统计规律，样本的数量和范围取决于模型本身的复杂度。可是在现实中，即便是在很严格的科学研究领域，统计被滥用的现象处处存在。大多数情况下可能是如下景象，一个科研人员或者工作人员，得到了一批样本，根据自己的模型或者理论假设进行简单的统计分析，不管是定量的还是定性的，得到一个结果，于是结论就出炉了，甚至发表在了影响因子很高的杂志上。可是就我多年来参加过的答辩会或者成果介绍的过程来看，相当数量的结果是不可靠的，甚至没有参考价值，因为那些样本数量少的可怜。比如，对于一个复杂现象，就用几十个样本做一个复杂的结论，这就充满了风险，没有检验过程，没有验证过程，这些结果可能会大大误导我们对于自然的认识。另外，在统计结果分析的过程中，人为的选择样本，人为的改造样本，这些例子已经屡见不鲜。

根据上述观察，即便我们进入了大数据时代，意识到数据对于决策的重要性，这是好事，但是如果不能意识到数据本身带来的种种问题，那就无从谈起如何使用。即便是统计结果有一定的参考价值，我们也不能一味的迎合这些所谓的习惯和趋势，因为这些习惯和趋势可能将我们引入一个不可持续的发展过程。从国家层面鼓励科学使用大数据结果的研究是非常必要的。个人或者商业团体往往会倾向于自我或者本组织的利益，不大会真正从社会总成本和总的发展健康度角度看问题。这些负面影响的研究是一种公益事业，只能是政府牵头来主导，并且有意识的引导这种现象。对于一些没有经过科学验证的统计结果进行甄别和检验。但当我们看到一种规律或者现象，我们能够科学的判断这种规律是否为病态的，还是暂时的，还是局部的，还是被曲解的，还是被滥用的结果，是非常必要的。在当前迎合为主的情况下，不会有好的结果，在大多数情况下，统计结果可能给我们带来的不是商业机会，而是危险的前兆。误导性的统计结果甚至会引起不必要的社会心理暗示，从而产生严重的社会大众效果。也许大数据统计分析的第三方检验会是未来的一个很重要的商业机会。

 

数据挖掘中易犯的十大错误及解决方法缺乏数据（Lack Data）对于分类问题或预估问题来说，常常缺乏准确标注的案例。例如：

数据挖掘中易犯的十大错误及解决方法

0. 缺乏数据（Lack Data）

对于分类问题或预估问题来说，常常缺乏准确标注的案例。

例如：

－欺诈侦测（Fraud Detection）：在上百万的交易中，可能只有屈指可数的欺诈交易，还有很多的欺诈交易没有被正确标注出来，这就需要在建模前花费大量人力来修正。

－信用评分（Credit Scoring）：需要对潜在的高风险客户进行长期跟踪（比如两年），从而积累足够的评分样本。

1. 太关注训练（Focus on Training）

IDMer：就象体育训练中越来越注重实战训练，因为单纯的封闭式训练常常会训练时状态神勇，比赛时一塌糊涂。

实际上，只有样本外数据上的模型评分结果才真正有用！（否则的话，直接用参照表好了！）

例如：

－癌症检测（Cancer detection）：MD Anderson的医生和研究人员（1993）使用神经网络来进行癌症检测，惊奇地发现，训练时间越长（从几天延长至数周），对训练集的性能改善非常轻微，但在测试集上的性能却明显下降。

－机器学习或计算机科学研究者常常试图让模型在已知数据上表现最优，这样做的结果通常会导致过度拟合（overfit）。

解决方法：

解决这个问题的典型方法是重抽样（Re-Sampling）。重抽样技术包括：bootstrap、cross-validation、jackknife、leave-one-out…等等。

2. 只依赖一项技术（Rely on One Technique）

IDMer：这个错误和第10种错误有相通之处，请同时参照其解决方法。没有对比也就没有所谓的好坏，辩证法的思想在此体现无遗。

“当小孩子手拿一把锤子时，整个世界看起来就是一枚钉子。”要想让工作尽善尽美，就需要一套完整的工具箱。

不要简单地信赖你用单个方法分析的结果，至少要和传统方法（比如线性回归或线性判别分析）做个比较。

研究结果：按照《神经网络》期刊的统计，在过去3年来，只有1/6的文章中做到了上述两点。也就是说，在独立于训练样本之外的测试集上进行了开集测试，并与其它广泛采用的方法进行了对比。

解决方法：

使用一系列好的工具和方法。（每种工具或方法可能最多带来5%~10%的改进）。

3. 提错了问题（Ask the Wrong Question）

IDMer：一般在分类算法中都会给出分类精度作为衡量模型好坏的标准，但在实际项目中我们却几乎不看这个指标。为什么？因为那不是我们关注的目标。

a)项目的目标：一定要锁定正确的目标

例如：

欺诈侦测（关注的是正例！）（Shannon实验室在国际长途电话上的分析）：不要试图在一般的通话中把欺诈和非欺诈行为分类出来，重点应放在如何描述正常通话的特征，然后据此发现异常通话行为。

b)模型的目标：让计算机去做你希望它做的事

大多数研究人员会沉迷于模型的收敛性来尽量降低误差，这样让他们可以获得数学上的美感。但更应该让计算机做的事情应该是如何改善业务，而不是仅仅侧重模型计算上的精度。

4. 只靠数据来说话（Listen (only) to the Data）

IDMer：“让数据说话”没有错，关键是还要记得另一句话：兼听则明，偏听则暗！如果数据＋工具就可以解决问题的话，还要人做什么呢？

4a.投机取巧的数据：数据本身只能帮助分析人员找到什么是显著的结果，但它并不能告诉你结果是对还是错。

4b.经过设计的实验：某些实验设计中掺杂了人为的成分，这样的实验结果也常常不可信。

5. 使用了未来的信息（Accept Leaks from the Future）

IDMer：看似不可能，却是实际中很容易犯的错误，特别是你面对成千上万个变量的时候。认真、仔细、有条理是数据挖掘人员的基本要求。

预报（Forecast）示例：预报芝加哥银行在某天的利率，使用神经网络建模，模型的准确率达到95%。但在模型中却使用了该天的利率作为输入变量。

金融业中的预报示例：使用3日的移动平均来预报，但却把移动平均的中点设在今天。

解决方法：

要仔细查看那些让结果表现得异常好的变量，这些变量有可能是不应该使用，或者不应该直接使用的。

给数据加上时间戳，避免被误用。

6. 抛弃了不该忽略的案例（Discount Pesky Cases）

IDMer：到底是“宁为鸡头，不为凤尾”，还是“大隐隐于市，小隐隐于野”？不同的人生态度可以有同样精彩的人生，不同的数据也可能蕴含同样重要的价值。

异常值可能会导致错误的结果（比如价格中的小数点标错了），但也可能是问题的答案（比如臭氧洞）。所以需要仔细检查这些异常。

研究中最让激动的话语不是“啊哈！”，而是“这就有点奇怪了……”

数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。

例如：

在直邮营销中，在对家庭地址的合并和清洗过程中发现的数据不一致，反而可能是新的营销机会。

解决方法：

可视化可以帮助你分析大量的假设是否成立。

7. 轻信预测（Extrapolate）

IDMer：依然是辩证法中的观点，事物都是不断发展变化的。

人们常常在经验不多的时候轻易得出一些结论。

即便发现了一些反例，人们也不太愿意放弃原先的想法。

维度咒语：在低维度上的直觉，放在高维度空间中，常常是毫无意义的。

解决方法：

进化论。没有正确的结论，只有越来越准确的结论。

8. 试图回答所有问题（Answer Every Inquiry）

IDMer：有点像我爬山时鼓励自己的一句话“我不知道什么时候能登上山峰，但我知道爬一步就离终点近一步。”

“不知道”是一种有意义的模型结果。

模型也许无法100%准确回答问题，但至少可以帮我们估计出现某种结果的可能性。

9. 随便地进行抽样（Sample Casually）

9a 降低抽样水平。例如，MD直邮公司进行响应预测分析，但发现数据集中的不响应客户占比太高（总共一百万直邮客户，其中超过99%的人未对营销做出响应）。于是建模人员做了如下抽样：把所有响应者放入样本集，然后在所有不响应者中进行系统抽样，即每隔10人抽一个放入样本集，直到样本集达到10万人。但模型居然得出如下规则：凡是居住在Ketchikan、Wrangell和Ward Cove Alaska的人都会响应营销。这显然是有问题的结论。（问题就出在这种抽样方法上，因为原始数据集已经按照邮政编码排序，上面这三个地区中不响应者未能被抽取到样本集中，故此得出了这种结论）。

解决方法：“喝前摇一摇！”先打乱原始数据集中的顺序，从而保证抽样的随机性。

9b 提高抽样水平。例如，在信用评分中，因为违约客户的占比一般都非常低，所以在建模时常常会人为调高违约客户的占比（比如把这些违约客户的权重提高5倍）。建模中发现，随着模型越来越复杂，判别违约客户的准确率也越来越高，但对正常客户的误判率也随之升高。（问题出在数据集的划分上。在把原始数据集划分为训练集和测试集时，原始数据集中违约客户的权重已经被提高过了）

解决方法：先进行数据集划分，然后再提高训练集中违约客户的权重。

 

近两天，伴随着互联网技术的发展，大叔局的概念逐渐被人们所熟知。但是具体大数据是什么？有何特殊之处？还有许多人们还知之甚少！在此佰佰安全网为大家汇总了一些大数据成功运作的典型案例，你会发现大数据并非是镜花水月，它就在我们身边。

近年来，“大数据”逐渐被人们熟知。可以说“大数据”在大众面前呈现出一种高冷范儿，人们都知道它很火，但是似乎一直离我们很远。下面我们通过一些经典的成功案例，为大家解答其强大之处何在？事实上大数据技术一直在我们身边。

大数据运作成功案例

一、沃尔玛啤酒与尿布

大数据应用的典型之作：全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。如今，“啤酒+尿布”的数据分析成果早已成了大数据技术应用的经典案例，被人津津乐道。

二、数据新闻让英国撤军

2010年10月23日《卫报》利用维基解密的数据做了一篇“数据新闻”。将伊拉克战争中所有的人员伤亡情况均标注于地图之上。地图上一个红点便代表一次死伤事件，鼠标点击红点后弹出的窗口则有详细的说明：伤亡人数、时间，造成伤亡的具体原因。密布的红点多达39万，显得格外触目惊心。一经刊出立即引起朝野震动，推动英国最终做出撤出驻伊拉克军队的决定。

三、“魔镜”预知石油市场走向

如果你对“魔镜”还停留在“魔镜魔镜，告诉我谁是世界上最美的女人”，那你就真的out了。“魔镜”不仅仅是童话中王后的宝贝，而且是真实世界中的一款神器。其实，“魔镜”是苏州国云数据科技公司的一款牛逼的大数据可视化产品，而且是国内首款喔。

在现在，“魔镜”可以通过数据的整合分析可视化不仅可以得出谁是世界上最美的女人，还能通过价量关系得出市场的走向。在不久前，“魔镜”帮助中石等企业分析数据，将数据可视化，使企业科学的判断、决策，节约成本，合理配置资源，提高了收益。

四、Google成功预测冬季流感

2009年，Google通过分析5000万条美国人最频繁检索的词汇，将之和美国疾病中心在2003年到2008年间季节性流感传播时期的数据进行比较，并建立一个特定的数学模型。最终google成功预测了2009冬季流感的传播甚至可以具体到特定的地区和州。

五、大数据与乔布斯癌症治疗

乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。

六、奥巴马大选连任成功

2012年11月奥巴马大选连任成功的胜利果实也被归功于大数据，因为他的竞选团队进行了大规模与深入的数据挖掘。时代杂志更是断言，依靠直觉与经验进行决策的优势急剧下降，在政治领域，大数据的时代已经到来;各色媒体、论坛、专家铺天盖地的宣传让人们对大数据时代的来临兴奋不已，无数公司和创业者都纷纷跳进了这个狂欢队伍。

七、微软大数据成功预测奥斯卡21项大奖

2013年，微软纽约研究院的经济学家大卫罗斯柴尔德(David Rothschild)利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。

大数据技术应用领域十分普遍，基于大量数据信息源的基础上，在预测挖掘的基础上，人们常常可以从中发现数据背后的潜在需求及现象，这也是大数据可以成功预言的原因所在。