大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
吳軍在他的《智能時代》裡提到對於大數據的觀點：
只有量的積累的數據，通常並不能稱之為大數據。除了大量性，大數據常常還應該具有多維性和完備性。大數據的多維性，可以理解為針對單一“個體”（人/物/事件等）不同角度的數據。比如之前提到的：收集全國所有人的出生年月，單收集這一項，數據單一缺乏意義；但如果再加入收入、所屬地區、受教育程度等等多維的信息，那數據本身就變得鮮活了。我們可以從數據中分析人口的地域分佈、經濟分佈、教育分佈等並在此基礎上給出宏觀的資源調控計劃。大數據的完備性，則可以理解為數據的全面性。比如2012年一位名叫內德·斯威爾的年輕人，利用大數據成功預測了美國50+1個州的大選結果。他其實就是在投票前利用互聯網儘可能的蒐集當年的大選數據（如地方媒體數據、社交網絡留言、朋友間評論等），從而近似的知道每個人對大選的態度，並按照州進行分類整理，最終成功預測了當年的大選結果。缺少多維性的“大數據”會讓數據承載的信息“片面”，進而導致數據本身的利用價值大大下降；缺乏完備性的數據則會由於缺乏“完備樣本”的支撐，也會使得獲取的信息“侷限性”。大數據最好還應具有“及時性”，但及時性卻並不是其必備條件，只是有了“及時性”的大數據，會實現一些過去無法做到的事情。大數據的及時性，可以理解為數據收集的時效性。一方面，要分析當前情況，就要儘可能使用與當前時間點較為接近的數據；另一方面，數據本身就在時刻產生（特別是今天的互聯網），新鮮的數據能更快速的反應當前社會的一些情況。比如使用百度地圖導航的時候，它能根據數據庫中人們當前的（及時的數據）車輛出行地點，和即將要去的地方大概估算出此人的行程規劃，並通過眾多數據的整合估算出某一路段可能的堵塞情況，進而在導航的時候給出“避免擁堵”的導航建議。
由此可見，所謂的大數據，一定要同時滿足大量、多維和完備（相對來說）的特點，並在此基礎上，最好具有“時效性”。
參考自：讀大數據 《智能時代》有感
其次，大數據的意義在於驅動決策
大數據產生價值的鏈路是：數據驅動決策——決策實踐價值。
國內企業總是談數據變現實際是一種對大數據價值的歧義理解。企業面對的TO B或TO C不是個體單維度數據而是海量多維度數據，單一數據不能提供任何決策依據。然而企業決策者往往對大數據的理解不夠清晰透徹，片面的認為數據就是價值，花錢就要見效，把重點需求放在了所謂的上文說道的“有效數據上”當然效果在短期是非常顯而易見的。而在利益驅動下企業的方向就真的隨著“數據”驅動決策了，如同你是正常人卻天天吸純氧，企業想的就不是產品緊貼市場需求、如何有效改進，增強市場競爭優勢，而是圍繞相應“數據”下進行各種營銷。
第一步，找到核心數據。核心數據現在對很多企業來說實際上就是CRM，自己的用戶系統，這是最重要的。
第二步，外圍數據。比如企業經常會在線上線下舉辦一些活動，在做活動的時候，消費者的信息只是簡單地提供在表單裡面，還是進入了CRM的系統裡？
第三步，常規渠道的數據。舉例來說一個銷售快銷品的企業，能不能夠得到沃爾瑪的數據，家樂福的數據？很多國外大數據的案例，說消費者買啤酒的時候也會購買剃鬚刀之類，或者一個母嬰產品的消費者她今天在買這個產品，預示著她後面必然會買另一個產品。這就有一個前期的挖掘。這些價值怎麼來的，這就需要企業去找常規渠道里面的數據，跟自己的CRM結合起來，才能為自己下一步做市場營銷、做推廣、產品創新等建立基礎。
第四步，外部的社會化的或者非結構化的數據，即現在所謂的社會化媒體數據。這方面信息的主要特徵是非結構化，而且非常龐大。這對企業來說最大的價值是什麼？當你的用戶在社會化媒體上發言的時候，你有沒有跟他建立聯繫？
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
吳軍在他的《智能時代》裡提到對於大數據的觀點：
只有量的積累的數據，通常並不能稱之為大數據。除了大量性，大數據常常還應該具有多維性和完備性。大數據的多維性，可以理解為針對單一“個體”（人/物/事件等）不同角度的數據。比如之前提到的：收集全國所有人的出生年月，單收集這一項，數據單一缺乏意義；但如果再加入收入、所屬地區、受教育程度等等多維的信息，那數據本身就變得鮮活了。我們可以從數據中分析人口的地域分佈、經濟分佈、教育分佈等並在此基礎上給出宏觀的資源調控計劃。大數據的完備性，則可以理解為數據的全面性。比如2012年一位名叫內德·斯威爾的年輕人，利用大數據成功預測了美國50+1個州的大選結果。他其實就是在投票前利用互聯網儘可能的蒐集當年的大選數據（如地方媒體數據、社交網絡留言、朋友間評論等），從而近似的知道每個人對大選的態度，並按照州進行分類整理，最終成功預測了當年的大選結果。缺少多維性的“大數據”會讓數據承載的信息“片面”，進而導致數據本身的利用價值大大下降；缺乏完備性的數據則會由於缺乏“完備樣本”的支撐，也會使得獲取的信息“侷限性”。大數據最好還應具有“及時性”，但及時性卻並不是其必備條件，只是有了“及時性”的大數據，會實現一些過去無法做到的事情。大數據的及時性，可以理解為數據收集的時效性。一方面，要分析當前情況，就要儘可能使用與當前時間點較為接近的數據；另一方面，數據本身就在時刻產生（特別是今天的互聯網），新鮮的數據能更快速的反應當前社會的一些情況。比如使用百度地圖導航的時候，它能根據數據庫中人們當前的（及時的數據）車輛出行地點，和即將要去的地方大概估算出此人的行程規劃，並通過眾多數據的整合估算出某一路段可能的堵塞情況，進而在導航的時候給出“避免擁堵”的導航建議。
由此可見，所謂的大數據，一定要同時滿足大量、多維和完備（相對來說）的特點，並在此基礎上，最好具有“時效性”。
參考自：讀大數據 《智能時代》有感
其次，大數據的意義在於驅動決策
大數據產生價值的鏈路是：數據驅動決策——決策實踐價值。
國內企業總是談數據變現實際是一種對大數據價值的歧義理解。企業面對的TO B或TO C不是個體單維度數據而是海量多維度數據，單一數據不能提供任何決策依據。然而企業決策者往往對大數據的理解不夠清晰透徹，片面的認為數據就是價值，花錢就要見效，把重點需求放在了所謂的上文說道的“有效數據上”當然效果在短期是非常顯而易見的。而在利益驅動下企業的方向就真的隨著“數據”驅動決策了，如同你是正常人卻天天吸純氧，企業想的就不是產品緊貼市場需求、如何有效改進，增強市場競爭優勢，而是圍繞相應“數據”下進行各種營銷。
第一步，找到核心數據。核心數據現在對很多企業來說實際上就是CRM，自己的用戶系統，這是最重要的。
第二步，外圍數據。比如企業經常會在線上線下舉辦一些活動，在做活動的時候，消費者的信息只是簡單地提供在表單裡面，還是進入了CRM的系統裡？
第三步，常規渠道的數據。舉例來說一個銷售快銷品的企業，能不能夠得到沃爾瑪的數據，家樂福的數據？很多國外大數據的案例，說消費者買啤酒的時候也會購買剃鬚刀之類，或者一個母嬰產品的消費者她今天在買這個產品，預示著她後面必然會買另一個產品。這就有一個前期的挖掘。這些價值怎麼來的，這就需要企業去找常規渠道里面的數據，跟自己的CRM結合起來，才能為自己下一步做市場營銷、做推廣、產品創新等建立基礎。
第四步，外部的社會化的或者非結構化的數據，即現在所謂的社會化媒體數據。這方面信息的主要特徵是非結構化，而且非常龐大。這對企業來說最大的價值是什麼？當你的用戶在社會化媒體上發言的時候，你有沒有跟他建立聯繫？
還有，大數據的核心在於大數據思維
網絡的誕生給世界帶來了大量的數據積累和信息流通，並帶來了一次“大數據思維”的思想變革。
機械思維時代，由於數據收集的侷限性，科學家們只能在有限的樣本下“大膽假設小心求證”，然而受限於人類大腦的“創造力”，所謂的“大膽假設”也並不是真的“大膽”；隨著互聯網時代的到來，“數據”不再成為問題，當大量數據堆積在一起時，就產生了“質”的變化。
互聯網時代的人們逐漸發現：** 世界其實是不確定的**，一方面世界的本質就是不確定的（比如原子核中的電子時刻都在做著無規則的運動）；另一方面影響世界本身的變量太多，我們沒辦法用簡單的公式將他們全部囊括進來，只能儘可能的利用隨機事件來處理，利用概率來解釋。
與此同時，伴隨著數據的大量積累和統計數學的發展，人們驚喜的發現：在數據量達到一定程度的時候，數據和數據之間的關聯可以反映出某些意想不到的結果。於是大數據思維就誕生了：
世界本身是不確定的，利用大數據可以儘可能的消除這種不確定性，因果關係可以利用數據間的相關關係進行代替。
大數據思維，也有人將其成為“信息論”，其本質就是：
1）利用不確定性看待世界，然後利用大數據來儘可能的消除這種不確定性；2）利用具有多維度特徵的大數據，數據之間的相關關係來代替機械思維時代的因果關係，幫助我們在“創造”難以掌控的情況下，發現意想不到的結論。
舉例來說：
我們在投放廣告時，機械思維要我們先有一個假設：目標人群可能的特徵，並進行調研和證實；而大數據思維則是：我們不確定要投放給什麼樣的人群，緊接著我們利用已有用戶的數據特徵發現了“用戶群體畫像”這就是消除不確定性的過程，最終我們直接根據數據給出的結論來制定計劃。另外，我們利用機械思維制定投放廣告的策略時，會按照嚴謹的：“提出假設——實驗驗證——得出結論”的邏輯關係制定；但在大數據思維下，我們不需要知道“為什麼具有A特徵的用戶應該是我們投放廣告的目標人群”或“為什麼C平臺應該是我們選擇的投放渠道”，我們只需知道，“數據顯示A類人群購買此類產品最多”或“不同平臺中C類平臺的廣告產出比最高”僅此而已。這就是用“數據的相關性”取代“因果關係”。
大數據和小數據的區別，分析方法有何不同？
小數據分析方法，即傳統的數據分析，是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
大數據的基本處理流程與傳統數據處理流程並無太大差異，主要區別在於：由於大數據要處理大量、非結構化的數據，所以在各處理環節中都可以採用並行處理。目前，Hadoop、MapReduce和Spark等分佈式處理方式已經成為大數據處理各環節的通用處理方法
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
吳軍在他的《智能時代》裡提到對於大數據的觀點：
只有量的積累的數據，通常並不能稱之為大數據。除了大量性，大數據常常還應該具有多維性和完備性。大數據的多維性，可以理解為針對單一“個體”（人/物/事件等）不同角度的數據。比如之前提到的：收集全國所有人的出生年月，單收集這一項，數據單一缺乏意義；但如果再加入收入、所屬地區、受教育程度等等多維的信息，那數據本身就變得鮮活了。我們可以從數據中分析人口的地域分佈、經濟分佈、教育分佈等並在此基礎上給出宏觀的資源調控計劃。大數據的完備性，則可以理解為數據的全面性。比如2012年一位名叫內德·斯威爾的年輕人，利用大數據成功預測了美國50+1個州的大選結果。他其實就是在投票前利用互聯網儘可能的蒐集當年的大選數據（如地方媒體數據、社交網絡留言、朋友間評論等），從而近似的知道每個人對大選的態度，並按照州進行分類整理，最終成功預測了當年的大選結果。缺少多維性的“大數據”會讓數據承載的信息“片面”，進而導致數據本身的利用價值大大下降；缺乏完備性的數據則會由於缺乏“完備樣本”的支撐，也會使得獲取的信息“侷限性”。大數據最好還應具有“及時性”，但及時性卻並不是其必備條件，只是有了“及時性”的大數據，會實現一些過去無法做到的事情。大數據的及時性，可以理解為數據收集的時效性。一方面，要分析當前情況，就要儘可能使用與當前時間點較為接近的數據；另一方面，數據本身就在時刻產生（特別是今天的互聯網），新鮮的數據能更快速的反應當前社會的一些情況。比如使用百度地圖導航的時候，它能根據數據庫中人們當前的（及時的數據）車輛出行地點，和即將要去的地方大概估算出此人的行程規劃，並通過眾多數據的整合估算出某一路段可能的堵塞情況，進而在導航的時候給出“避免擁堵”的導航建議。
由此可見，所謂的大數據，一定要同時滿足大量、多維和完備（相對來說）的特點，並在此基礎上，最好具有“時效性”。
參考自：讀大數據 《智能時代》有感
其次，大數據的意義在於驅動決策
大數據產生價值的鏈路是：數據驅動決策——決策實踐價值。
國內企業總是談數據變現實際是一種對大數據價值的歧義理解。企業面對的TO B或TO C不是個體單維度數據而是海量多維度數據，單一數據不能提供任何決策依據。然而企業決策者往往對大數據的理解不夠清晰透徹，片面的認為數據就是價值，花錢就要見效，把重點需求放在了所謂的上文說道的“有效數據上”當然效果在短期是非常顯而易見的。而在利益驅動下企業的方向就真的隨著“數據”驅動決策了，如同你是正常人卻天天吸純氧，企業想的就不是產品緊貼市場需求、如何有效改進，增強市場競爭優勢，而是圍繞相應“數據”下進行各種營銷。
第一步，找到核心數據。核心數據現在對很多企業來說實際上就是CRM，自己的用戶系統，這是最重要的。
第二步，外圍數據。比如企業經常會在線上線下舉辦一些活動，在做活動的時候，消費者的信息只是簡單地提供在表單裡面，還是進入了CRM的系統裡？
第三步，常規渠道的數據。舉例來說一個銷售快銷品的企業，能不能夠得到沃爾瑪的數據，家樂福的數據？很多國外大數據的案例，說消費者買啤酒的時候也會購買剃鬚刀之類，或者一個母嬰產品的消費者她今天在買這個產品，預示著她後面必然會買另一個產品。這就有一個前期的挖掘。這些價值怎麼來的，這就需要企業去找常規渠道里面的數據，跟自己的CRM結合起來，才能為自己下一步做市場營銷、做推廣、產品創新等建立基礎。
第四步，外部的社會化的或者非結構化的數據，即現在所謂的社會化媒體數據。這方面信息的主要特徵是非結構化，而且非常龐大。這對企業來說最大的價值是什麼？當你的用戶在社會化媒體上發言的時候，你有沒有跟他建立聯繫？
還有，大數據的核心在於大數據思維
網絡的誕生給世界帶來了大量的數據積累和信息流通，並帶來了一次“大數據思維”的思想變革。
機械思維時代，由於數據收集的侷限性，科學家們只能在有限的樣本下“大膽假設小心求證”，然而受限於人類大腦的“創造力”，所謂的“大膽假設”也並不是真的“大膽”；隨著互聯網時代的到來，“數據”不再成為問題，當大量數據堆積在一起時，就產生了“質”的變化。
互聯網時代的人們逐漸發現：** 世界其實是不確定的**，一方面世界的本質就是不確定的（比如原子核中的電子時刻都在做著無規則的運動）；另一方面影響世界本身的變量太多，我們沒辦法用簡單的公式將他們全部囊括進來，只能儘可能的利用隨機事件來處理，利用概率來解釋。
與此同時，伴隨著數據的大量積累和統計數學的發展，人們驚喜的發現：在數據量達到一定程度的時候，數據和數據之間的關聯可以反映出某些意想不到的結果。於是大數據思維就誕生了：
世界本身是不確定的，利用大數據可以儘可能的消除這種不確定性，因果關係可以利用數據間的相關關係進行代替。
大數據思維，也有人將其成為“信息論”，其本質就是：
1）利用不確定性看待世界，然後利用大數據來儘可能的消除這種不確定性；2）利用具有多維度特徵的大數據，數據之間的相關關係來代替機械思維時代的因果關係，幫助我們在“創造”難以掌控的情況下，發現意想不到的結論。
舉例來說：
我們在投放廣告時，機械思維要我們先有一個假設：目標人群可能的特徵，並進行調研和證實；而大數據思維則是：我們不確定要投放給什麼樣的人群，緊接著我們利用已有用戶的數據特徵發現了“用戶群體畫像”這就是消除不確定性的過程，最終我們直接根據數據給出的結論來制定計劃。另外，我們利用機械思維制定投放廣告的策略時，會按照嚴謹的：“提出假設——實驗驗證——得出結論”的邏輯關係制定；但在大數據思維下，我們不需要知道“為什麼具有A特徵的用戶應該是我們投放廣告的目標人群”或“為什麼C平臺應該是我們選擇的投放渠道”，我們只需知道，“數據顯示A類人群購買此類產品最多”或“不同平臺中C類平臺的廣告產出比最高”僅此而已。這就是用“數據的相關性”取代“因果關係”。
大數據和小數據的區別，分析方法有何不同？
小數據分析方法，即傳統的數據分析，是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
大數據的基本處理流程與傳統數據處理流程並無太大差異，主要區別在於：由於大數據要處理大量、非結構化的數據，所以在各處理環節中都可以採用並行處理。目前，Hadoop、MapReduce和Spark等分佈式處理方式已經成為大數據處理各環節的通用處理方法
上圖顯示了傳統的大數據工作流分析經歷的一些階段。數據以數據庫，數據流，數據集合以及數據倉庫等方式來建模。數據的數量級以及數據的多樣性要求在處理之前要進行數據的集成、清洗以及過濾等工作，以保證其後續工作的開展。
大數據學習資料獲取方式：
1、轉發文章
2、關注私信小編“大數據”
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
吳軍在他的《智能時代》裡提到對於大數據的觀點：
只有量的積累的數據，通常並不能稱之為大數據。除了大量性，大數據常常還應該具有多維性和完備性。大數據的多維性，可以理解為針對單一“個體”（人/物/事件等）不同角度的數據。比如之前提到的：收集全國所有人的出生年月，單收集這一項，數據單一缺乏意義；但如果再加入收入、所屬地區、受教育程度等等多維的信息，那數據本身就變得鮮活了。我們可以從數據中分析人口的地域分佈、經濟分佈、教育分佈等並在此基礎上給出宏觀的資源調控計劃。大數據的完備性，則可以理解為數據的全面性。比如2012年一位名叫內德·斯威爾的年輕人，利用大數據成功預測了美國50+1個州的大選結果。他其實就是在投票前利用互聯網儘可能的蒐集當年的大選數據（如地方媒體數據、社交網絡留言、朋友間評論等），從而近似的知道每個人對大選的態度，並按照州進行分類整理，最終成功預測了當年的大選結果。缺少多維性的“大數據”會讓數據承載的信息“片面”，進而導致數據本身的利用價值大大下降；缺乏完備性的數據則會由於缺乏“完備樣本”的支撐，也會使得獲取的信息“侷限性”。大數據最好還應具有“及時性”，但及時性卻並不是其必備條件，只是有了“及時性”的大數據，會實現一些過去無法做到的事情。大數據的及時性，可以理解為數據收集的時效性。一方面，要分析當前情況，就要儘可能使用與當前時間點較為接近的數據；另一方面，數據本身就在時刻產生（特別是今天的互聯網），新鮮的數據能更快速的反應當前社會的一些情況。比如使用百度地圖導航的時候，它能根據數據庫中人們當前的（及時的數據）車輛出行地點，和即將要去的地方大概估算出此人的行程規劃，並通過眾多數據的整合估算出某一路段可能的堵塞情況，進而在導航的時候給出“避免擁堵”的導航建議。
由此可見，所謂的大數據，一定要同時滿足大量、多維和完備（相對來說）的特點，並在此基礎上，最好具有“時效性”。
參考自：讀大數據 《智能時代》有感
其次，大數據的意義在於驅動決策
大數據產生價值的鏈路是：數據驅動決策——決策實踐價值。
國內企業總是談數據變現實際是一種對大數據價值的歧義理解。企業面對的TO B或TO C不是個體單維度數據而是海量多維度數據，單一數據不能提供任何決策依據。然而企業決策者往往對大數據的理解不夠清晰透徹，片面的認為數據就是價值，花錢就要見效，把重點需求放在了所謂的上文說道的“有效數據上”當然效果在短期是非常顯而易見的。而在利益驅動下企業的方向就真的隨著“數據”驅動決策了，如同你是正常人卻天天吸純氧，企業想的就不是產品緊貼市場需求、如何有效改進，增強市場競爭優勢，而是圍繞相應“數據”下進行各種營銷。
第一步，找到核心數據。核心數據現在對很多企業來說實際上就是CRM，自己的用戶系統，這是最重要的。
第二步，外圍數據。比如企業經常會在線上線下舉辦一些活動，在做活動的時候，消費者的信息只是簡單地提供在表單裡面，還是進入了CRM的系統裡？
第三步，常規渠道的數據。舉例來說一個銷售快銷品的企業，能不能夠得到沃爾瑪的數據，家樂福的數據？很多國外大數據的案例，說消費者買啤酒的時候也會購買剃鬚刀之類，或者一個母嬰產品的消費者她今天在買這個產品，預示著她後面必然會買另一個產品。這就有一個前期的挖掘。這些價值怎麼來的，這就需要企業去找常規渠道里面的數據，跟自己的CRM結合起來，才能為自己下一步做市場營銷、做推廣、產品創新等建立基礎。
第四步，外部的社會化的或者非結構化的數據，即現在所謂的社會化媒體數據。這方面信息的主要特徵是非結構化，而且非常龐大。這對企業來說最大的價值是什麼？當你的用戶在社會化媒體上發言的時候，你有沒有跟他建立聯繫？
還有，大數據的核心在於大數據思維
網絡的誕生給世界帶來了大量的數據積累和信息流通，並帶來了一次“大數據思維”的思想變革。
機械思維時代，由於數據收集的侷限性，科學家們只能在有限的樣本下“大膽假設小心求證”，然而受限於人類大腦的“創造力”，所謂的“大膽假設”也並不是真的“大膽”；隨著互聯網時代的到來，“數據”不再成為問題，當大量數據堆積在一起時，就產生了“質”的變化。
互聯網時代的人們逐漸發現：** 世界其實是不確定的**，一方面世界的本質就是不確定的（比如原子核中的電子時刻都在做著無規則的運動）；另一方面影響世界本身的變量太多，我們沒辦法用簡單的公式將他們全部囊括進來，只能儘可能的利用隨機事件來處理，利用概率來解釋。
與此同時，伴隨著數據的大量積累和統計數學的發展，人們驚喜的發現：在數據量達到一定程度的時候，數據和數據之間的關聯可以反映出某些意想不到的結果。於是大數據思維就誕生了：
世界本身是不確定的，利用大數據可以儘可能的消除這種不確定性，因果關係可以利用數據間的相關關係進行代替。
大數據思維，也有人將其成為“信息論”，其本質就是：
1）利用不確定性看待世界，然後利用大數據來儘可能的消除這種不確定性；2）利用具有多維度特徵的大數據，數據之間的相關關係來代替機械思維時代的因果關係，幫助我們在“創造”難以掌控的情況下，發現意想不到的結論。
舉例來說：
我們在投放廣告時，機械思維要我們先有一個假設：目標人群可能的特徵，並進行調研和證實；而大數據思維則是：我們不確定要投放給什麼樣的人群，緊接著我們利用已有用戶的數據特徵發現了“用戶群體畫像”這就是消除不確定性的過程，最終我們直接根據數據給出的結論來制定計劃。另外，我們利用機械思維制定投放廣告的策略時，會按照嚴謹的：“提出假設——實驗驗證——得出結論”的邏輯關係制定；但在大數據思維下，我們不需要知道“為什麼具有A特徵的用戶應該是我們投放廣告的目標人群”或“為什麼C平臺應該是我們選擇的投放渠道”，我們只需知道，“數據顯示A類人群購買此類產品最多”或“不同平臺中C類平臺的廣告產出比最高”僅此而已。這就是用“數據的相關性”取代“因果關係”。
大數據和小數據的區別，分析方法有何不同？
小數據分析方法，即傳統的數據分析，是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
大數據的基本處理流程與傳統數據處理流程並無太大差異，主要區別在於：由於大數據要處理大量、非結構化的數據，所以在各處理環節中都可以採用並行處理。目前，Hadoop、MapReduce和Spark等分佈式處理方式已經成為大數據處理各環節的通用處理方法
上圖顯示了傳統的大數據工作流分析經歷的一些階段。數據以數據庫，數據流，數據集合以及數據倉庫等方式來建模。數據的數量級以及數據的多樣性要求在處理之前要進行數據的集成、清洗以及過濾等工作，以保證其後續工作的開展。
大數據學習資料獲取方式：
1、轉發文章
2、關注私信小編“大數據”
大數據是否只是一個很空的概念和口號？若干年前就存在的東西，為什麼現在這麼火。現在是個人，言必稱大數據。大數據的本質是什麼？不要跟我說大數據只是“大”，它跟以往的小數據有什麼本質區別？分析方法上有什麼本質不同？
為什麼覺得大數據華而不實？
那是因為媒體、廠商對大數據的解讀，都在給人們造成一種認知偏差，認為“大數據能分析我們身邊的一切，大數據是萬能的，抓住大數據可以獲得財富”。
但其實這是一種言過其實的說法。只不過媒體需要吹捧新穎吸睛的概念；廠商需要誇大其應用市場、商業價值來吸引融資；企業需要將自己的改革和大數據掛鉤來確保成功的可能性，表明自己是在真創新。
大數據的應用和成功可能性還遠沒有這麼成熟。
大數據的本質是什麼？
現在叫大數據，以前可以稱為信息、情報等等名字。以前的信息蒐集技術沒有這樣發達，只能以樣本信息形式出現，而且由於結構類型不同，只能分類處理，有些數據還不便於儲存和比較。為什麼現在叫大數據，是因為現代互聯網技術，可以把不同結構類型的所有數據都能蒐集到，形成全數據，並且隨著大數據技術的深度發展，這些複雜結構類型的全數據，會被自動分類比較統計，所以稱為大數據。
吳軍在他的《智能時代》裡提到對於大數據的觀點：
只有量的積累的數據，通常並不能稱之為大數據。除了大量性，大數據常常還應該具有多維性和完備性。大數據的多維性，可以理解為針對單一“個體”（人/物/事件等）不同角度的數據。比如之前提到的：收集全國所有人的出生年月，單收集這一項，數據單一缺乏意義；但如果再加入收入、所屬地區、受教育程度等等多維的信息，那數據本身就變得鮮活了。我們可以從數據中分析人口的地域分佈、經濟分佈、教育分佈等並在此基礎上給出宏觀的資源調控計劃。大數據的完備性，則可以理解為數據的全面性。比如2012年一位名叫內德·斯威爾的年輕人，利用大數據成功預測了美國50+1個州的大選結果。他其實就是在投票前利用互聯網儘可能的蒐集當年的大選數據（如地方媒體數據、社交網絡留言、朋友間評論等），從而近似的知道每個人對大選的態度，並按照州進行分類整理，最終成功預測了當年的大選結果。缺少多維性的“大數據”會讓數據承載的信息“片面”，進而導致數據本身的利用價值大大下降；缺乏完備性的數據則會由於缺乏“完備樣本”的支撐，也會使得獲取的信息“侷限性”。大數據最好還應具有“及時性”，但及時性卻並不是其必備條件，只是有了“及時性”的大數據，會實現一些過去無法做到的事情。大數據的及時性，可以理解為數據收集的時效性。一方面，要分析當前情況，就要儘可能使用與當前時間點較為接近的數據；另一方面，數據本身就在時刻產生（特別是今天的互聯網），新鮮的數據能更快速的反應當前社會的一些情況。比如使用百度地圖導航的時候，它能根據數據庫中人們當前的（及時的數據）車輛出行地點，和即將要去的地方大概估算出此人的行程規劃，並通過眾多數據的整合估算出某一路段可能的堵塞情況，進而在導航的時候給出“避免擁堵”的導航建議。
由此可見，所謂的大數據，一定要同時滿足大量、多維和完備（相對來說）的特點，並在此基礎上，最好具有“時效性”。
參考自：讀大數據 《智能時代》有感
其次，大數據的意義在於驅動決策
大數據產生價值的鏈路是：數據驅動決策——決策實踐價值。
國內企業總是談數據變現實際是一種對大數據價值的歧義理解。企業面對的TO B或TO C不是個體單維度數據而是海量多維度數據，單一數據不能提供任何決策依據。然而企業決策者往往對大數據的理解不夠清晰透徹，片面的認為數據就是價值，花錢就要見效，把重點需求放在了所謂的上文說道的“有效數據上”當然效果在短期是非常顯而易見的。而在利益驅動下企業的方向就真的隨著“數據”驅動決策了，如同你是正常人卻天天吸純氧，企業想的就不是產品緊貼市場需求、如何有效改進，增強市場競爭優勢，而是圍繞相應“數據”下進行各種營銷。
第一步，找到核心數據。核心數據現在對很多企業來說實際上就是CRM，自己的用戶系統，這是最重要的。
第二步，外圍數據。比如企業經常會在線上線下舉辦一些活動，在做活動的時候，消費者的信息只是簡單地提供在表單裡面，還是進入了CRM的系統裡？
第三步，常規渠道的數據。舉例來說一個銷售快銷品的企業，能不能夠得到沃爾瑪的數據，家樂福的數據？很多國外大數據的案例，說消費者買啤酒的時候也會購買剃鬚刀之類，或者一個母嬰產品的消費者她今天在買這個產品，預示著她後面必然會買另一個產品。這就有一個前期的挖掘。這些價值怎麼來的，這就需要企業去找常規渠道里面的數據，跟自己的CRM結合起來，才能為自己下一步做市場營銷、做推廣、產品創新等建立基礎。
第四步，外部的社會化的或者非結構化的數據，即現在所謂的社會化媒體數據。這方面信息的主要特徵是非結構化，而且非常龐大。這對企業來說最大的價值是什麼？當你的用戶在社會化媒體上發言的時候，你有沒有跟他建立聯繫？
還有，大數據的核心在於大數據思維
網絡的誕生給世界帶來了大量的數據積累和信息流通，並帶來了一次“大數據思維”的思想變革。
機械思維時代，由於數據收集的侷限性，科學家們只能在有限的樣本下“大膽假設小心求證”，然而受限於人類大腦的“創造力”，所謂的“大膽假設”也並不是真的“大膽”；隨著互聯網時代的到來，“數據”不再成為問題，當大量數據堆積在一起時，就產生了“質”的變化。
互聯網時代的人們逐漸發現：** 世界其實是不確定的**，一方面世界的本質就是不確定的（比如原子核中的電子時刻都在做著無規則的運動）；另一方面影響世界本身的變量太多，我們沒辦法用簡單的公式將他們全部囊括進來，只能儘可能的利用隨機事件來處理，利用概率來解釋。
與此同時，伴隨著數據的大量積累和統計數學的發展，人們驚喜的發現：在數據量達到一定程度的時候，數據和數據之間的關聯可以反映出某些意想不到的結果。於是大數據思維就誕生了：
世界本身是不確定的，利用大數據可以儘可能的消除這種不確定性，因果關係可以利用數據間的相關關係進行代替。
大數據思維，也有人將其成為“信息論”，其本質就是：
1）利用不確定性看待世界，然後利用大數據來儘可能的消除這種不確定性；2）利用具有多維度特徵的大數據，數據之間的相關關係來代替機械思維時代的因果關係，幫助我們在“創造”難以掌控的情況下，發現意想不到的結論。
舉例來說：
我們在投放廣告時，機械思維要我們先有一個假設：目標人群可能的特徵，並進行調研和證實；而大數據思維則是：我們不確定要投放給什麼樣的人群，緊接著我們利用已有用戶的數據特徵發現了“用戶群體畫像”這就是消除不確定性的過程，最終我們直接根據數據給出的結論來制定計劃。另外，我們利用機械思維制定投放廣告的策略時，會按照嚴謹的：“提出假設——實驗驗證——得出結論”的邏輯關係制定；但在大數據思維下，我們不需要知道“為什麼具有A特徵的用戶應該是我們投放廣告的目標人群”或“為什麼C平臺應該是我們選擇的投放渠道”，我們只需知道，“數據顯示A類人群購買此類產品最多”或“不同平臺中C類平臺的廣告產出比最高”僅此而已。這就是用“數據的相關性”取代“因果關係”。
大數據和小數據的區別，分析方法有何不同？
小數據分析方法，即傳統的數據分析，是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。
大數據的基本處理流程與傳統數據處理流程並無太大差異，主要區別在於：由於大數據要處理大量、非結構化的數據，所以在各處理環節中都可以採用並行處理。目前，Hadoop、MapReduce和Spark等分佈式處理方式已經成為大數據處理各環節的通用處理方法
上圖顯示了傳統的大數據工作流分析經歷的一些階段。數據以數據庫，數據流，數據集合以及數據倉庫等方式來建模。數據的數量級以及數據的多樣性要求在處理之前要進行數據的集成、清洗以及過濾等工作，以保證其後續工作的開展。
大數據學習資料獲取方式：
1、轉發文章
2、關注私信小編“大數據”