大数据分析概述优质ppt课件

Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,.,*, LOGO ,COMPANY LOGOTYPE INSERT, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,.,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*, LOGO ,COMPANY LOGOTYPE INSERT,Click To Edit Title Style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,大数据引领我们走向数据智能化时代,大数据分析,.,大数据分析.,大数据的定义理解,.,大数据的定义理解.,什么是大数据,大数据时代的背景,1,大数据的定义理解,大数据的“,4V”,特征,2,大数据的构成,3,.,什么是大数据大数据时代的背景1大数据的定义理解大数据的“4V,大数据时代的背景,半个世纪以来，随着计算机技术全面融入社会生活，信息爆炸已经积累到了一个开始引发变革的程度。它不仅使世界充斥着比以往更多的信息，而且其增长速度也在加快。互联网（社交、搜索、电商）、移动互联网（微博）、物联网（传感器，智慧地球）、车联网、,GPS,、医学影像、安全监控、金融（银行、股市、保险）、电信（通话、短信）都在疯狂产生着数据。,.,大数据时代的背景 半个世纪以来，随着计算机技术全,全球每秒钟发送,2.9,百万封,电子邮件，一分钟读一篇的话，足够一个人昼夜不息的读,5.5,年,每天会有,2.88,万个小时,的视频上传到,Youtube,，足够一个人昼夜不息的观看,3.3,年,推特上每天发布,5,千万条,消息，假设,10,秒钟浏览一条信息，这些消息足够一个人昼夜不息的浏览,16,年,每天亚马逊上将产生,6.3,百万笔,订单,每个月网民在,Facebook,上要花费,7,千亿分钟,，被移动互联网使用者发送和接收的数据高达,1.3EB,Google,上每天需要处理,24PB,的数据,.,全球每秒钟发送 2.9 百万封电子邮件，一分钟读一篇的话，足,数据量增加,TB,PB,ZB,EB,根据,IDC,监测，人类产生的数据量正在呈指数级增长，大约每两年翻一番，这个速度在,2020,年之前会继续保持下去。这意味着人类在最近两年产生的数据量相当于之前产生的全部数据量。,数据结构日趋复杂,大量新数据源的出现则导致了非结构化、半结构化数据爆发式的增长,这些由我们创造的信息背后产生的这些数据早已经远远超越了目前人力所能处理的范畴,大数据时代正在来临,大数据时代的背景,.,数据量增加TBPBZBEB根据IDC 监测，人类产生的数据量,20,世纪,90,年代，数据仓库之父的,Bill Inmon,就经常提及,Big Data,。,2011,年,5,月，,在,“云计算相遇大数据”,为主题的,EMC World 2011,会议中,，,EMC,抛出了,Big Data,概念,。,大数据时代的背景,.,20世纪90年代，数据仓库之父的Bill Inmon就经常提,体量,Volume,多样性,Variety,价值密度,Value,速度,Velocity,非结构化数据,的超大规模和增长,占总数据量的,8090%,比结构化数据增长快,10,倍到,50,倍,是传统数据仓库的,10,倍到,50,倍,大数据的,异构和多样性,很多不同形式（文本、图像、视频、机器数据）,无模式或者模式不明显,不连贯的语法或句义,大量的不相关信息,对未来趋势与模式的可预测分析,深度复杂分析（机器学习、人工智能,Vs,传统商务智能,(,咨询、报告等）,实时分析,而非批量式分析,数据输入、处理与丢弃,立竿见影而非事后见效,大数据的,4V,特征,“大量化,(Volume),、多样化,(Variety),、快速化,(Velocity),、价值密度低（,Value,）”就是“大数据”的显著特征，或者说，只有具备这些特点的数据，才是大数据。,.,体量Volume多样性Variety价值密度Value速度V,Value,价值,挖掘大数据的价值类似沙里淘金,从海量数据中挖掘稀疏但珍贵的信息,.,价值密度低,是大数据的一个典型特征,.,.,Value 价值挖掘大数据的价值类似沙里淘金,从海量数据中挖,2010,年海地地震，海地人散落在全国各地，援助人员为弄清该去哪里援助手忙脚乱。传统上，他们只能通过飞往灾区上空来查找需要援助的人群。,一些研究人员采取了一种不同的做法：他们开始跟踪海地人所持手机内部的,SIM,卡，由此判断出手机持有人所处的位置和行动方向。正如一份联合国,(UN),报告所述，此举帮助他们“准确地分析出了逾,60,万名海地人逃离太子港之后的目的地。”后来，当海地爆发霍乱疫情时，同一批研究人员再次通过追踪,SIM,卡把药品投放到正确的地点，阻止了疫情的蔓延。,.,2010年海地地震，海地人散落在全国各地，援助人员为弄清该去,Variety,多样性,企业内部的经营交易信息,;,物联网世界中商品,物流信息,;,互联网世界中人与人交互信息,位置信息等是大数据的主要来源,.,文本,/,图片,/,视频 等,非结构化,/,半结构化数据,能够在不同的数据类型中,进行交叉分析的技术,是大数据的核心技术之一,.,语义分析技术,图文转换技术,模式识别技术,地理信息技术等,都会在大数据分析时获得应用,.,.,Variety 多样性.,非结构化数据,相对于结构化数据而言,不方便用数据库二维逻辑表来表现的数据即称为非结构化数据,包括所有格式的办公文档、文本、图片、,XML,、,HTML,、各类报表、图像和音频,/,视频信息等等,。,.,非结构化数据相对于结构化数据而言,不方便用数据库二维逻辑表来,Velocity,速度,1s,是临界点,.,对于大数据应用而言,必须要在,1,秒钟内形成答案,否则处理结果就是过时和无效的,.,实时处理的要求,是区别大数据引用和传统数据仓库技术,BI,技术的关键差别之一,.,.,Velocity 速度1s 是临界点.,Volume,数据量,PB,是大数据層次的临界点,.,KB,-,MB,-,GB,-,TB,-,PB,-,EB,-,ZB,-,YB,-,NB,-,DB,.,Volume 数据量PB是大数据層次的临界点. KB-MB,大数据不仅仅是“大”,多大？,PB,级,比,大,更重要的是,数据的复杂性,，有时甚至大数据中的小数据如一条微博就具有颠覆性的价值,.,大数据不仅仅是“大”多大？比大更重要的是数据的复杂性，有时甚,指数型增长的海量数据,所有研究都表明，未来数年数据量会呈现指数增长。根据麦肯锡全球研究院（,MGI,）估计，全球企业,2010,年在硬盘上存储了超过,7EB,（,1EB,等于,10,亿,GB,）的新数据，而消费者在,PC,和笔记本等设备上存储了超过,6EB,新数据。,1EB,数据相当于美国国会图书馆中存储的数据的,4000,多倍。事实上，我们如今产生如此多的数据，以至于根本不可能全部存储下来。例如，医疗卫生提供商会处理掉他们所产生的,90%,的数据（比如手术过程中产生的几乎所有实时视频图像）。,.,指数型增长的海量数据所有研究都表明，未来数年数据量会呈现指数,大数据,=,海量数据,+,复杂类型的数据,海量交易数据：,企业内部的经营交易信息主要包括联机交易数据和联机分析数据，是结构化的、通过关系数据库进行管理和访问的静态、历史数据。通过这些数据，我们能了解过去发生了什么。,大数据包括：,交易数据和交互数据集在内的所有数据集,海量交互数据：,源于各种网络和社交媒体。它包括了呼叫详细记录、设备和传感器信息、,GPS,和地理定位映射数据、通过管理文件传输协议传送的海量图像文件、,Web,文本和点击流数据、评价数据、科学信息、电子邮件等等。可以告诉我们未来会发生什么。,大数据的构成,.,大数据 = 海量数据 + 复杂类型的数据海量交易数据：大数据,大数据的技术与应用,.,大数据的技术与应用.,大数据怎么用,大数据技术要解决的问题,1,大数据的技术与应用,大数据的相关技术,2,大数据的应用实例,3,.,大数据怎么用大数据技术要解决的问题1大数据的技术与应用大数据,Volume,海量的数据规模,Variety,多样的数据类型,Streams,Real time,Near time,Batch,TB,PB,EB,Structured,Unstructured,Semi-structured,All the above,Value,Velocity,快速的数据流转,发现,数据价值,大数据技术要解决的问题,.,VolumeVarietyStreamsTBStructur,软件是大数据的引擎,和数据中心（,Data Center,）,一样，软件是大数据的驱动力,.,软件改变世界,!,.,软件是大数据的引擎和数据中心（Data Center） 一样,大数据生态,:,软件是引擎,.,大数据生态:软件是引擎.,大数据技术被设计用于在成本可承受的条件下,，,通过,非常,快速,（,velocity,）,地,采集、发现和分析,，,从大量,（,volumes,）,、多类别,（,variety,）,的数据中提取价值,（,value,）,，,将是,IT,领域新一代的技术与架构,。,企业用以分析的数据越全面，分析的结果就越接近于真实。大数据分析意味着企业能够从这些新的数据中获取新的洞察力，并将其与已知业务的各个细节相融合,。,大数据技术要解决的问题,.,企业用以分析的数据越全面，分析的结果就越接近于真实。大数据分,技术领域的挑战,1,、对现有数据库管理技术的挑战,传统的数据库部署不能处理数,TB,级别的数据，也不能很好的支持高级别的数据分析。急速膨胀的数据体量即将超越传统数据库的管理能力。,如何构建全球级的分布式数据库,(Globally-Distributed Database),，可以扩展到数百万的机器，数已百计的数据中心，上万亿的行数据。,2,、经典数据库技术并没有考虑数据的多类别（,variety,）,SQL,（结构化数据查询语言），在设计的一开始是没有考虑非结构化数据的。,3,、实时性的技术挑战：,一般而言，像数据仓库系统、,BI,应用，对处理时间的要求并不高。因此这类应用往往运行,1,、,2,天获得结果依然可行的。但实时处理的要求，是区别大数据应用和传统数据仓库技术、,BI,技术的关键差别之一。,网络架构、数据中心、运维的挑战：,技术架构的挑战：,人们每天创建的数据量正呈爆炸式增长，但就数据保存来说，我们的技术改进不大，而数据丢失的可能性却不断增加。,如此庞大的数据量首先在存储上就会是一个非常严重的问题，硬件的更新速度将是大数据发展的基石。,.,技术领域的挑战1、对现有数据库管理技术的挑战网络架构、数据中,分析技术：,数据处理：自然语言处理技术,统计和分析：,A/B test; top N,排行榜；地域占比；文本情感分析,数据挖掘：关联规则分析；分类；聚类,模型预测：预测模型；机器学习；建模仿真,大数据技术：,数据采集：,ETL,工具,数据存取：关系数据库；,NoSQL,；,SQL,等,基础架构支持：云存储；分布式文件系统等,计算结果展现：云计算；标签云；关系图等,一些相关技术,存储,结构化数据：,海量数据的查询、统计、更新等操作效率低,非结构化数据,图片、视频、,word,、,pdf,、,ppt,等文件存储,不利于检索、查询和存储,半结构化数据,转换为结构化存储,按照非结构化存储,解决方案：,Hadoop,（,MapReduce,技术）,流计算（,twitter,的,storm,和,yahoo,！的,S4,）,数据采集,数据储存,数据管理,数据分析与挖掘,.,分析技术：一些相关技术存储解决方案：数据采集数据储存数据管理,数据采集,数据储存与管理,数据分析与挖掘,计算结果展示,大数据的相关技术,ETL,数据众包,（,CrowdSouring,）,.,数据采集数据储存与管理数据分析与挖掘计算结果展示大数据的相关,数据众包,数据众包是一种新的数据采集方式，由企业方通过平台把数据采集任务外包给非特定的大众网络。,.,数据众包数据众包是一种新的数据采集方式，由企业方通过平台把数,数据采集,数据储存与管理,数据分析与挖掘,计算结果展示,大数据的相关技术,ETL,数据众包,（,CrowdSouring,）,结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,（,NoSQL,）,数据仓库,云计算和云存储,实时流处理,.,数据采集数据储存与管理数据分析与挖掘计算结果展示大数据的相关,分布式文件系统,分布式文件系统（,Distributed File System,）是指文件系统管理的物理存储资源不一定直接连接在本地节点上，而是通过计算机网络与节点相连。,.,分布式文件系统分布式文件系统（Distributed Fil,分布式文件系统,Google,文件系统（,Google File System,，,GFS,）是一个可扩展的分布式文件系统，用于大型的、分布式的、对大量数据进行访问的应用。它运行于廉价的普通硬件上，将服务器故障视为正常现象，通过软件的方式自动容错，在保证系统可靠性和可用性的同时，大大减少了系统的成本。,.,分布式文件系统Google文件系统（Google File,分布式文件系统,GFS,将整个系统分为三类角色：,Client,（客户端）、,Master,（主服务器）、,Chunk Server,（数据块服务器）。,.,分布式文件系统GFS将整个系统分为三类角色：Client（客,分布式文件系统,Hadoop,是一个分布式系统基础架构，由,Apache,基金会开发。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力高速运算和存储。,Hadoop,实现了一个分布式文件系统（,Hadoop Distributed File System,），简称,HDFS,。,HDFS,有着高容错性的特点，并且设计用来部署在低廉的硬件上。,.,分布式文件系统Hadoop是一个分布式系统基础架构，由Apa,分布式文件系统,一个,HDFS,集群是由一个,Namenode,和一定数目的,Datanodes,组成。,.,分布式文件系统一个HDFS集群是由一个Namenode和一定,非关系型数据库,NoSQL,关系型数据库的局限性,难以满足高并发读写的需求,难以满足对海量数据高效率存储和访问的需求,难以满足对数据库高可扩展性和高可用性的需求,NoSQL,=,.,非关系型数据库NoSQL关系型数据库的局限性NoSQL=.,非关系型数据库,NoSQL,NoSQL,数据存储不需要固定的表结构，通常也不存在连接操作。在大数据存取上具备关系型数据库无法比拟的性能优势。,关系型数据库中的表都是存储一些格式化的数据结构，每个元组字段的组成都一样，即使不是每个元组都需要所有的字段，但数据库会为每个元组分配所有的字段。,非关系型数据库以键值对存储，它的结构不固定，每一个元组可以有不一样的字段，每个元组可以根据需要增加一些自己的键值对，这样就不会局限于固定的结构，可以减少一些时间和空间的开销。,.,非关系型数据库NoSQLNoSQL 数据存储不需要固定的表结,非关系型数据库,NoSQL,.,非关系型数据库NoSQL.,非关系型数据库,NoSQL,Bigtable,的设计目的是可靠地处理,PB,级别的数据，并且能够部署到上千台机器上。,Bigtable,已经在超过,60,个,Google,的产品和项目上得到了应用，包括,Google Analytics,、,GoogleEarth,等。,.,非关系型数据库NoSQLBigtable的设计目的是可靠地处,非关系型数据库,NoSQL,Bigtable,是一个键值（,key-value,）映射。键有三维，分别是行键（,row key,）、列键（,column key,）和时间戳（,timestamp,），行键和列键都是字节串，时间戳是,64,位整型；而值是一个字节串。可以用,(row:string, column:string, time:int64)string,来表示一条键值对记录。,.,非关系型数据库NoSQLBigtable是一个键值（key-,非关系型数据库,NoSQL,Bigtable,是一个键值（,key-value,）映射。键有三维，分别是行键（,row key,）、列键（,column key,）和时间戳（,timestamp,），行键和列键都是字节串，时间戳是,64,位整型；而值是一个字节串。可以用,(row:string, column:string, time:int64)string,来表示一条键值对记录。,.,非关系型数据库NoSQLBigtable是一个键值（key-,非关系型数据库,NoSQL,DynamoDB,是,Amazon,提供的共享式数据库,云服务,，可用性和扩展性都很好，性能也不错：读写访问中,99.9%,的响应时间都在,300ms,内。,DynamoDB,通过服务器把所有的数据存储在,固态硬盘,（,SSD,）上的三个不同的区域。如果有更高的传输需求，,DynamoDB,也可以在后台添加更多的服务器。,.,非关系型数据库NoSQLDynamoDB是Amazon提供的,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式，表中包含了项目（,item,），每个项目包含,1,个或多个属性。,ImageID = 1,Title = flower,Tags = flower, jasmine, white,Ratings = 3, 4, 2,一个,属性,是一个“名称,-,值”对（,name-value pair,），“名称”必须是一个字符串，“值”可以是一个字符串、数字、字符串集合或数字集合。下面是关于属性的一些实例：,.,非关系型数据库NoSQLAmazon DynamoDB把数据,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式，表中包含了项目（,item,），每个项目包含,1,个或多个属性（,Attibute,）。,项目,由属性构成。必须指定一个属性作为,主键,，这个主键在,DynamoDB,表中唯一地标识一个项目。除了主键是必须的，其他项目属性是可选的。一个项目的属性没有顺序关系。某个项目中的属性和同一个表中的其他项目的属性也没有关系。,项目被存储在,表,中，表中的所有项目都具有相同的主键机制（,primary key scheme,）。每个项目都具备一个唯一的主键值。,.,非关系型数据库NoSQLAmazon DynamoDB把数据,非关系型数据库,NoSQL,Amazon DynamoDB,把数据组织成表的形式，表中包含了项目（,item,），每个项目包含,1,个或多个属性（,Attibute,）。,.,非关系型数据库NoSQLAmazon DynamoDB把数据,非关系型数据库,NoSQL,DynamoDB,并没有,DB,的概念，目前单用户最多能创建,256,个,Table,，同时,DynamoDB,提供了,11,个,API,接口操作表和项目。,.,非关系型数据库NoSQLDynamoDB并没有DB的概念，目,非关系型数据库,NoSQL,.,非关系型数据库NoSQL.,非关系型数据库,NoSQL,HBase Hadoop Database,，是一个分布式的、面向列的开源数据库，,HBase,在,Hadoop,之上提供了类似于,Bigtable,的能力,是,Hadoop,项目的子项目。,Cassandra,是一套开源分布式,NoSQL,数据库系统。它最初由,Facebook,开发，用于储存收件箱等简单格式数据，集,Google BigTable,的数据模型与,Amazon Dynamo,的完全分布式的架构于一身。,Facebook,于,2008,年将,Cassandra,开源，此后被,Digg,、,Twitter,等知名,Web 2.0,网站所采纳，成为了一种流行的分布式结构化数据存储方案。,.,非关系型数据库NoSQLHBase Hadoop Dat,非关系型数据库,NoSQL,MongoDB,是一个基于分布式文件存储的数据库。由,C+,语言编写，是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。它 支持的数据结构非常松散，可以存储比较复杂的数据类型。它支持的查询语言非常强大，其语法有点类似于面向对象的查询语言，几乎可以实现类似关系数据库单表查询的绝大部分功能，而且还支持对数据建立索引。,.,非关系型数据库NoSQLMongoDB是一个基于分布式文件存,云计算和云存储,云计算（,cloud computing,），是分布式计算技术的一种，其最基本的概念，是透过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再交由多部服务器所组成的庞大系统经搜寻、计算分析之后将处理结果回传给用户。透过这项技术，网络服务提供者可以在数秒之内，达成处理数以千万计甚至亿计的信息，达到和“超级计算机”同样强大效能的网络服务。,云计算是一种资源交付和使用模式，指通过网络获得应用所需的资源（硬件、平台、软件）。提供资源的网络被称为“云”。,.,云计算和云存储云计算（cloud computing），是分,白云下面数据跑,蓝蓝的天上白云飘,如果数据是财富，那么大数据就是宝藏，而云计算就是挖掘和利用宝藏的利器。没有强大的计算能力，数据宝藏终究是镜中花；没有大数据的积淀，云计算也只能是杀鸡用的宰牛刀。,云计算和云存储,.,白云下面数据跑蓝蓝的天上白云飘如果数据是财富，那么大数据就是,云计算和云存储,云存储是在云计算,(cloud computing),概念上延伸和发展出来的一个新概念，是指通过集群应用、网格技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。,当云计算系统运算和处理的核心是大量数据的存储和管理时，云计算系统中就需要配置大量的存储设备，那么云计算系统就转变成为一个云存储系统，所以云存储是一个以数据存储和管理为核心的云计算系统。,.,云计算和云存储云存储是在云计算(cloud computin,实时流处理,传统的分布式计算往往是先积累大量的数据，再进行数据拆分和聚合。而实时流处理则是让数据流动起来，数据从内存中流过，截取需要的数据，进行实时分析计算。,.,实时流处理传统的分布式计算往往是先积累大量的数据，再进行数据,实时流处理,传统的分布式计算往往是先积累大量的数据，再进行数据拆分和聚合。而实时流处理则是让数据流动起来，数据从内存中流过，截取需要的数据，进行实时分析计算。,.,实时流处理传统的分布式计算往往是先积累大量的数据，再进行数据,数据采集,数据储存与管理,数据分析与挖掘,计算结果展示,大数据的相关技术,ETL,数据众包,（,CrowdSouring,）,结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,（,NoSQL,）,数据仓库,云计算和云存储,实时流处理,A/B Testing,关联规则分析,分类,聚类,遗传算法,神经网络,预测模型,模式识别,时间序列分析,回归分析,系统仿真,机器学习,优化,空间分析,社会网络分析,自然语言分析,MapReduce,R,语言,.,数据采集数据储存与管理数据分析与挖掘计算结果展示大数据的相关,A/B Testing,A/B,测试是可用性测试的一个方法，其核心为：同时实验两个元素或版本（,A,和,B,），确定哪个更好。,注册按钮由绿色改成红色提高转化率,34%,人性化的表格提高,11%,的转化率。,.,A/B TestingA/B测试是可用性测试的一个方法，其核,MapReduce,MapReduce,是,Google,提出的一个软件架构，用于大规模数据集（大于,1TB,）的并行运算。它使编程人员在不了解分布式并行编程的情况下，能将自己的程序运行在分布式系统上。,Map=,映射,Reduce=,规约或化简,.,MapReduceMapReduce是Google提出的一个,.,.,MapReduce,.,MapReduce.,R,语言,R,语言是一种自由软件编程语言与操作环境，主要用于统计分析、绘图、数据挖掘。,R,语言擅长在,Hadoop,分布式文件系统中存储的非结构化数据上的分析。,R,现在还可以运行在,HBase,这种非关系型的数据库以及面向列的分布式数据存储之上。,.,R语言R语言是一种自由软件编程语言与操作环境，主要用于统计分,数据采集,数据储存与管理,数据分析与挖掘,计算结果展示,大数据的相关技术,ETL,数据众包,（,CrowdSouring,）,结构化、非结构化和半结构化数据,分布式文件系统,关系数据库,非关系数据库,（,NoSQL,）,数据仓库,云计算和云存储,实时流处理,A/B Testing,关联规则分析,分类,聚类,遗传算法,神经网络,预测模型,模式识别,时间序列分析,回归分析,系统仿真,机器学习,优化,空间分析,社会网络分析,自然语言分析,MapReduce,R,语言,标签云,（,Tag Cloud,）,聚类图,（,Clustergram,）,空间信息流,（,Spatial information flow,）,热图,（,Heatmap,）,.,数据采集数据储存与管理数据分析与挖掘计算结果展示大数据的相关,标签云,标签云（,Tag Cloud,）是一套相关的标签以及与此相应的权重。权值影响标签的字体大小、颜色或其他视觉效果。典型的标签云有,30,至,150,个标签，用以表示一个网站中的内容及其热门程度。标签通常是超链接，指向分类页面。,.,标签云标签云（Tag Cloud）是一套相关的标签以及与此相,标签云,奥巴马,布什,克林顿,林肯,.,标签云奥巴马布什克林顿林肯.,标签云,.,标签云.,聚类图,聚类图（,Clustergram,）是指用图形方式展示聚类分析结果的技术，可以有助于判断簇数量不同时的聚类效果。,.,聚类图聚类图（Clustergram）是指用图形方式展示聚类,空间信息流,空间信息流（,Spatial information flow,）是展示信息空间状态的一种可视化技术。,.,空间信息流空间信息流（Spatial information,热图,热图（,Heatmap,）是一项数据展示技术，将变量值用不同的颜色或高亮形式描绘出来。可以非常直观的呈现一些原本不易理解或表达的数据，比如密度、频率、温度等。,.,热图热图（Heatmap）是一项数据展示技术，将变量值用不同,热图,.,热图.,机遇与挑战,三,.,机遇与挑战三.,大数据赋予我们洞察未来的能力,机遇,马云成功预测,2008,年经济危机,“,2008,年初,阿里巴巴平台上整个买家询盘数急剧下滑，欧美对中国采购在下滑。海关是卖了货，出去以后再获得数据；我们提前半年时间从询盘上推断出世界贸易发生变化了。”,通常而言，买家在采购商品前，会比较多家供应商的产品，反映到阿里巴巴网站统计数据中，就是查询点击的数量和购买点击的数量会保持一个相对的数值，综合各个维度的数据可建立用户行为模型。因为数据样本巨大,保证用户行为模型的准确性。因此在这个案例中，询盘数据的下降，自然导致买盘的下降。,人类从依靠自身判断做决定到依靠数据做决定的转变，也是大数据作出的最大贡献之一。,大数据时代,.,大数据赋予我们洞察未来的能力机遇马云成功预测2008 年经济,挑战,诸多领域的问题亟待解决，最重要的是每个人的信息都被互联网所记录和保留了下来，并且进行加工和利用，为人所用，而这正是我们所担忧的信息安全隐患！,更多的隐私、安全性问题：我们的隐私被二次利用了,多少密码和账号是因为“社交网络”流出去的？,2011,年,4,月索尼的系统漏洞导致,7700,万用户资料失窃,2011,年,4,月，,iOS,被发现会按照时间顺序记录用户的位置坐标信息,2011,年,CSDN,密码泄露事件,眼下中国互联网热门的话题之一就是互联网实名制问题，我愿意相信这是个好事。毕竟我们如果明着亮出自己的身份，互联网才能对我们的隐私给予更好保护。,.,挑战诸多领域的问题亟待解决，最重要的是每个人的信息都被互联网,大数据的营销案例,一、未卜先知怀孕案例,塔吉特：比父亲更早知道女儿怀孕,曾经有一位男性顾客到一家塔吉特超市店中投诉，商店竟然给他还在读书的女儿寄婴儿用品的优惠券。这家全美第二大零售商，会搞出如此大的乌龙？但经过这位父亲与女儿进一步沟通，才发现自己女儿真的已经怀孕了。,提问：,为什么塔吉特能知道这个用户怀孕了？必须有哪几个关键环节,A,：用户数据收集,B,：怀孕特征库,C,：怀孕潜在用户筛选,塔吉特在和顾客沟通过程中采用了哪种营销方式,A,：电子邮件,B,：直邮,C,：电话营销,D,：数据库营销,.,大数据的营销案例一、未卜先知怀孕案例塔吉特：比父亲更早知道女,大数据的营销案例,一、未卜先知怀孕案例,关键环节一：数据信息记录,一家零售商是如何比一位女孩的亲生父亲更早得知其怀孕消息的呢？每位顾客初次到塔吉特刷卡消费时，都会获得一组顾客识别编号，内含顾客姓名、信用卡卡号及电子邮件等个人资料。日后凡是顾客在塔吉特消费，计算机系统就会自动记录消费内容、时间等信息。再加上从其他管道取得的统计资料，塔吉特便能形成一个庞大数据库，运用于分析顾客喜好与需求。,每个,ID,号还会对号入座的记录下你的人口统计信息：年龄、是否已婚、是否有子女、所住市区、住址离,Target,的车程、薪水情况、最近是否搬过家、钱包里的信用卡情况、常访问的网址等等。,Target,还可以从其他相关机构那里购买你的其他信息：种族、就业史、喜欢读的杂志、破产记录、婚姻史、购房记录、求学记录、阅读习惯等等。乍一看，你会觉得这些数据毫无意义，但在,Andrew Pole,和顾客数据分析部的手里，这些看似无用的数据便爆发了前述强劲的威力,.,大数据的营销案例一、未卜先知怀孕案例关键环节一：数据信息记录,大数据的营销案例,一、未卜先知怀孕案例,关键环节二：数据模型建立,Andrew Pole,想到了,Target,有一个迎婴聚会,(baby shower),的登记表。,Andrew Pole,开始对这些登记表里的顾客的消费数据进行建模分析，不久就发现了许多非常有用的数据模式。比如模型发现，许多孕妇在第,2,个妊娠期的开始会买许多大包装的无香味护手霜,;,在怀孕的最初,20,周大量购买补充钙、镁、锌的善存片之类的保健品。最后,Andrew Pole,选出了,25,种典型商品的消费数据构建了“怀孕预测指数”，通过这个指数，,Target,能够在很小的误差范围内预测到顾客的怀孕情况，因此,Target,就能早早地把孕妇优惠广告寄发给顾客。,.,大数据的营销案例一、未卜先知怀孕案例关键环节二：数据模型建立,大数据的营销案例,一、未卜先知怀孕案例,关键环节三：建立和用户沟通渠道,那么，顾客收到这样的广告会不会吓坏了呢？,Target,很聪明地避免了这种情况，它把孕妇用品的优惠广告夹杂在其他一大堆与怀孕不相关的商品优惠广告当中，这样顾客就不知道,Target,知道她怀孕了,.,大数据的营销案例一、未卜先知怀孕案例关键环节三：建立和用户沟,大数据的营销案例,一、未卜先知怀孕案例,Target,取得的成就：,根据,Andrew Pole,的大数据模型,Target,制订了全新的广告营销方案，结果,Target,的孕期用品销售呈现了爆炸性的增长。,Andrew Pole,的大数据分析技术,从孕妇这个细分顾客群开始向其他各种细分客户群推广,，从,Andrew Pole,加入,Target,的,2002,年到,2010,年间，,Target,的销售额从,440,亿美元增长到了,670,亿美元。,.,大数据的营销案例一、未卜先知怀孕案例Target取得的成就：,