很多大數據用來挖礦

❶ 撬動大數據的公信寶GXS是什麼 公信寶挖礦原理詳解

大數據（big data），指無法在一定時間范圍內用常規軟體工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。大數據的5V特點（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）,平台有hadoop

❷ 大數據時代 如何成為「煤老闆」

大數據時代 如何成為「煤老闆」_數據分析師考試

在大數據時代下，數據挖掘基於資料庫理論，機器學習，人工智慧，現代統計學的迅速發展的交叉學科，在很多領域中都有應用。涉及到很多的演算法，源於機器學習的神經網路，決策樹，也有基於統計學習理論的支持向量機，分類回歸樹，和關聯分析的諸多演算法。數據挖掘的定義是從海量數據中找到有意義的模式或知識。

數據挖掘

大數據是最近兩年提出來，也是媒體忽悠的一個概念。有三個重要的特徵：數據量大，結構復雜，數據更新速度很快。由於Web技術的發展，web用戶產生的數據自動保存、感測器也在不斷收集數據，以及移動互聯網的發展，數據自動收集、存儲的速度在加快，全世界的數據量在不斷膨脹，數據的存儲和計算超出了單個計算機(小型機和大型機)的能力，這給數據挖掘技術的實施提出了挑戰(一般而言，數據挖掘的實施基於一台小型機或大型機，也可以進行並行計算)。Google提出了分布式存儲文件系統，發展出後來的雲存儲和雲計算的概念。

大數據需要映射為小的單元進行計算，再對所有的結果進行整合，就是所謂的map-rece演算法框架。在單個計算機上進行的計算仍然需要採用一些數據挖掘技術，區別是原先的一些數據挖掘技術不一定能方便地嵌入到 map-rece 框架中，有些演算法需要調整。

此外，大數據處理能力的提升也對統計學提出了新的挑戰。統計學理論往往建立在樣本上，而在大數據時代，可能得到的是總體，而不再是總體的不放回抽樣。

以山西開礦的煤老闆為例：

開礦的前提是有礦，包括煤礦的儲藏量，儲藏深度，煤的成色。

之後是挖礦，要把這些埋在地下的礦挖出來，需要挖礦工，挖礦機，運輸機。

之後是加工，洗煤，煉丹，等等。

最後才是轉化為銀子。

數據行業十分類似：

挖掘數據的前提是有數據，包括數據的儲藏量，儲藏深度，數據的成色。

之後是數據挖掘，要把這些埋藏的數據挖掘出來。

之後是數據分析輸出，要把這些數據可視化輸出，指導分析、商業實踐。

直到這一步，才創造了價值。

所謂的大數據，大約就是說現在有座正在形成的巨型礦山，快去搶占成為煤老闆吧，下一個蓋茨興許將在這里誕生。

接下來好好說。如果說硬要說相似度的話，那麼重合度的確是有很高。因為大數據乾的事情其實就是數據挖掘做的事情。

數據挖掘之前叫 KDD(Knowledge Discovery and Data Mining, 或者也可以是 Knowledge Discovery in Database)，這樣說就很好解釋了。數據挖掘就是從海量的數據中發現隱含的知識和規律。那麼說，這個東西是啥時候提出來的?上個世紀。大數據啥時候提出來的?也就這幾年的事情吧。所以說，大數據很大程度上是數據挖掘的一個好聽的名字。

以上是小編為大家分享的關於大數據時代 如何成為「煤老闆」的相關內容，更多信息可以關注環球青藤分享更多干貨

❸ 大數據都能應用在哪些方面

1、政務治理方面；
包含輿情監測、風險發現，風險防範、風險判斷、應急指揮、精準調研、議題引導、引導效果評估、決策輔助等。
2、企業品牌管理方面；
包含品牌口碑管理、品牌傳播管理、品牌戰略管理（競爭力評估、行業環境評估等）
3、媒體傳播方面；
包含追蹤熱點、編輯選題、數據新聞等
4、科研教學方面；
包含學校師生研究課題、教學案例等
新媒體大數據已運用到工作生活的方方面面，政企單位如有新媒體大數據需求，可免費咨詢新浪輿情通，新媒體大數據服務平台，打造場景化大數據應用。

❹ 大數據挖礦是個什麼組織

❺ 大數據分析,大數據開發,數據挖掘 所用到技術和工具

大數據分析是一個含義廣泛的術語，是指數據集，如此龐大而復雜的，他們需要專門設計的硬體和軟體工具進行處理。該數據集通常是萬億或EB的大小。這些數據集收集自各種各樣的來源：感測器，氣候信息，公開的信息，如雜志，報紙，文章。大數據分析產生的其他例子包括購買交易記錄，網路日誌，病歷，軍事監控，視頻和圖像檔案，及大型電子商務。

大數據分析，他們對企業的影響有一個興趣高漲。大數據分析是研究大量的數據的過程中尋找模式，相關性和其他有用的信息，可以幫助企業更好地適應變化，並做出更明智的決策。

一、Hadoop

Hadoop是一個開源框架，它允許在整個集群使用簡單編程模型計算機的分布式環境存儲並處理大數據。它的目的是從單一的伺服器到上千台機器的擴展，每一個台機都可以提供本地計算和存儲。

Hadoop 是一個能夠對大量數據進行分布式處理的軟體框架。但是 Hadoop 是以一種可靠、高效、可伸縮的方式進行處理的。Hadoop 是可靠的，即使計算元素和存儲會失敗，它維護多個工作數據副本，確保能夠針對失敗的節點重新分布處理。Hadoop是高效的，它採用並行的方式工作，通過並行處理加快處理速度。Hadoop 還是可伸縮的，能夠處理 PB 級數據。此外，Hadoop 依賴於社區伺服器，因此它的成本比較低，任何人都可以使用。

Hadoop是輕松架構和使用的分布式計算平台。用戶可以輕松地在Hadoop上開發和運行處理海量數據的應用程序。它主要有以下幾個優點：

1、高可靠性。Hadoop按位存儲和處理數據的能力值得人們信賴。

2、高擴展性。Hadoop是在可用的計算機集簇間分配數據並完成計算任務的，這些集簇可以方便地擴展到數以千計的節點中。

3、高效性。Hadoop能夠在節點之間動態地移動數據，並保證各個節點的動態平衡，因此處理速度非常快。

4、高容錯性。Hadoop能夠自動保存數據的多個副本，並且能夠自動將失敗的任務重新分配。

Hadoop帶有用 Java 語言編寫的框架，因此運行在 Linux 生產平台上是非常理想的。Hadoop 上的應用程序也可以使用其他語言編寫，比如 C++。

二、HPCC

HPCC，High Performance Computing and Communications(高性能計算與通信)的縮寫。1993年，由美國科學、工程、技術聯邦協調理事會向國會提交了"重大挑戰項目：高性能計算與通信"的報告，也就是被稱為HPCC計劃的報告，即美國總統科學戰略項目，其目的是通過加強研究與開發解決一批重要的科學與技術挑戰問題。HPCC是美國實施信息高速公路而上實施的計劃，該計劃的實施將耗資百億美元，其主要目標要達到：開發可擴展的計算系統及相關軟體，以支持太位級網路傳輸性能，開發千兆比特網路技術，擴展研究和教育機構及網路連接能力。

十、Tableau Public

1、什麼是Tableau Public -大數據分析工具

這是一個簡單直觀的工具。因為它通過數據可視化提供了有趣的見解。Tableau Public的百萬行限制。因為它比數據分析市場中的大多數其他玩家更容易使用票價。使用Tableau的視覺效果，您可以調查一個假設。此外，瀏覽數據，並交叉核對您的見解。

2、Tableau Public的使用

您可以免費將互動式數據可視化發布到Web;無需編程技能;發布到Tableau Public的可視化可以嵌入到博客中。此外，還可以通過電子郵件或社交媒體分享網頁。共享的內容可以進行有效硫的下載。這使其成為最佳的大數據分析工具。

3、Tableau Public的限制

所有數據都是公開的，並且限制訪問的范圍很小;數據大小限制;無法連接到[R ;讀取的唯一方法是通過OData源，是Excel或txt。

十一、OpenRefine

1、什麼是OpenRefine - 數據分析工具

以前稱為GoogleRefine的數據清理軟體。因為它可以幫助您清理數據以進行分析。它對一行數據進行操作。此外，將列放在列下，與關系資料庫表非常相似。

2、OpenRefine的使用

清理凌亂的數據;數據轉換;從網站解析數據;通過從Web服務獲取數據將數據添加到數據集。例如，OpenRefine可用於將地址地理編碼到地理坐標。

3、OpenRefine的局限性

Open Refine不適用於大型數據集;精煉對大數據不起作用

十二、KNIME

1、什麼是KNIME - 數據分析工具

KNIME通過可視化編程幫助您操作，分析和建模數據。它用於集成各種組件，用於數據挖掘和機器學習。

2、KNIME的用途

不要寫代碼塊。相反，您必須在活動之間刪除和拖動連接點;該數據分析工具支持編程語言;事實上，分析工具，例如可擴展運行化學數據，文本挖掘，蟒蛇，和[R 。

3、KNIME的限制

數據可視化不佳

十三、Google Fusion Tables

1、什麼是Google Fusion Tables

對於數據工具，我們有更酷，更大版本的Google Spreadsheets。一個令人難以置信的數據分析，映射和大型數據集可視化工具。此外，Google Fusion Tables可以添加到業務分析工具列表中。這也是最好的大數據分析工具之一，大數據分析十八般工具。

2、使用Google Fusion Tables

在線可視化更大的表格數據;跨越數十萬行進行過濾和總結;將表與Web上的其他數據組合在一起；您可以合並兩個或三個表以生成包含數據集的單個可視化;

3、Google Fusion Tables的限制

表中只有前100,000行數據包含在查詢結果中或已映射;在一次API調用中發送的數據總大小不能超過1MB。

十四、NodeXL

1、什麼是NodeXL

它是關系和網路的可視化和分析軟體。NodeXL提供精確的計算。它是一個免費的(不是專業的)和開源網路分析和可視化軟體。NodeXL是用於數據分析的最佳統計工具之一。其中包括高級網路指標。此外，訪問社交媒體網路數據導入程序和自動化。

2、NodeXL的用途

這是Excel中的一種數據分析工具，可幫助實現以下方面：

數據導入;圖形可視化;圖形分析;數據表示;該軟體集成到Microsoft Excel 2007,2010,2013和2016中。它作為工作簿打開，包含各種包含圖形結構元素的工作表。這就像節點和邊緣;該軟體可以導入各種圖形格式。這種鄰接矩陣，Pajek .net，UCINet .dl，GraphML和邊緣列表。

3、NodeXL的局限性

您需要為特定問題使用多個種子術語;在稍微不同的時間運行數據提取。

十五、Wolfram Alpha

1、什麼是Wolfram Alpha

它是Stephen Wolfram創建的計算知識引擎或應答引擎。

2、Wolfram Alpha的使用

是Apple的Siri的附加組件;提供技術搜索的詳細響應並解決微積分問題;幫助業務用戶獲取信息圖表和圖形。並有助於創建主題概述，商品信息和高級定價歷史記錄。

3、Wolfram Alpha的局限性

Wolfram Alpha只能處理公開數字和事實，而不能處理觀點;它限制了每個查詢的計算時間;這些數據分析統計工具有何疑問?

十六、Google搜索運營商

1、什麼是Google搜索運營商

它是一種強大的資源，可幫助您過濾Google結果。這立即得到最相關和有用的信息。

2、Google搜索運算符的使用

更快速地過濾Google搜索結果;Google強大的數據分析工具可以幫助發現新信息。

十七、Excel解算器

1、什麼是Excel解算器

Solver載入項是Microsoft Office Excel載入項程序。此外，它在您安裝Microsoft Excel或Office時可用。它是excel中的線性編程和優化工具。這允許您設置約束。它是一種先進的優化工具，有助於快速解決問題。

2、求解器的使用

Solver找到的最終值是相互關系和決策的解決方案;它採用了多種方法，來自非線性優化。還有線性規劃到進化演算法和遺傳演算法，以找到解決方案。

3、求解器的局限性

不良擴展是Excel Solver缺乏的領域之一;它會影響解決方案的時間和質量;求解器會影響模型的內在可解性;

十八、Dataiku DSS

1、什麼是Dataiku DSS

這是一個協作數據科學軟體平台。此外，它還有助於團隊構建，原型和探索。雖然，它可以更有效地提供自己的數據產品。

2、Dataiku DSS的使用

Dataiku DSS - 數據分析工具提供互動式可視化界面。因此，他們可以構建，單擊，指向或使用SQL等語言。

3、Dataiku DSS的局限性

有限的可視化功能;UI障礙：重新載入代碼/數據集;無法輕松地將整個代碼編譯到單個文檔/筆記本中;仍然需要與SPARK集成

以上的工具只是大數據分析所用的部分工具，小編就不一一列舉了，下面把部分工具的用途進行分類：

1、前端展現

用於展現分析的前端開源工具有JasperSoft，Pentaho, Spagobi, Openi, Birt等等。

用於展現分析商用分析工具有Style Intelligence、RapidMiner Radoop、Cognos, BO, Microsoft Power BI, Oracle,Microstrategy,QlikView、 Tableau 。

國內的有BDP，國雲數據(大數據分析魔鏡)，思邁特，FineBI等等。

2、數據倉庫

有Teradata AsterData, EMC GreenPlum, HP Vertica 等等。

3、數據集市

有QlikView、 Tableau 、Style Intelligence等等。

當然學大數據分析也有很多坑：

《轉行大數據分析師後悔了》、《零基礎學大數據分析現實嗎》、《大數據分析培訓好就業嗎》、《轉行大數據分析必知技能》

❻ 大數據背後的技術、商業和社會維度

大數據背後的技術、商業和社會維度

要想考察大數據最好同時考察大數據背後的技術、商業和社會維度。從發展成熟度來看，技術維度走的最遠、商業維度有所發展但不算全面成熟，社會維度發展最差。所以雖然已經談了很久大數據，但除了孕育出大數據自身的幾個領域比如搜索等，其它領域卻並沒有從大數據中獲得可見的收益。大多時候人們還是處在覺得這里肯定有金子，但需要更多的耐心的狀態。這篇文章則嘗試對大數據本身的特徵做點挖掘，對未來的發展趨勢做點預測。

大數據上的深度和廣度

如果把大數據對應到海量的數據，那它就是非常含糊的概念，相當於變成信息的同義詞，顯然也就很難回答信息到底能幹什麼這樣的問題。

這時候為了推進思考通常需要先分類。如果把時間空間作為最基本的視角，那首先要區分的就是大數據的深度和廣度。從時間的角度看大數據是完整的歷史，從空間的角度看大數據是全球活動的痕跡。前者可以看成一種深度，後者可以看成一種廣度，不同的場景對深度和廣度的側重有所不同。

對於有些垂直的行業，比如醫療，大數據的深度更重要，所有的歷史都可以在數據上得到找到之後，人們就可以更好的認知並優化相應的行業。

對社會而言，很多時候廣度則更重要，具體到某個場景我們只有一鱗半爪的消息，但當這種信息足夠多，范圍足夠廣，就有可能描述出相對及時的全貌。經常舉的Google預測傳染病的例子依賴的就是這種廣度。

這點決定了大數據的應用發展趨勢，在深度重要的地方，公司這類組織需要成為主體，困難是如何跨越數據所有權的邊界。對於醫院而言，顯然把所有治療案例數據化並共享是有好處的，但如果只有一個醫院這么做，那對這一家醫院而言更多的可能是隱私上反彈所帶來的壞處。

在廣度重要的地方，雖然在搜索這樣的領域里公司也可以受益，但真正可以從大數據全面受益的機構其實是政府。數據越廣，其所描述的主體就越大，而如果描述的是整個社會，那顯然應該是社會的主要責任人會從中受益。這是個常識問題，就和看病的時候不會吃了醫生給別人開的葯自己反倒好了差不多。有的時候央視會播放網路做的春節期間人員流動圖，這件事情也正好可以從側面說明這問題。這種人員流動地圖對能做出地圖的人公司幫助遠沒有對政府的幫助大。

深度和廣度兩個方向對數據的要求不同，前者需要更為詳盡、有質量的數據源後者則對此要求不高，但兩者在應用的時候都會面臨付出回報不對等問題。大數據傾向於描述整體，而有能力收集或處理大數據的往往是個體，個體的回報在整體的提升中並不容易獲得清晰體現。

現在大數據發展的瓶頸不是技術，而是背後所需要的分配關系的建立。這種關系理不順，數據就會停留在孤島層面，每個組織都有自己的東西，並把它命名為「大數據」。而為了理順這種關系則要回到一個非常經典的問題，「公地」到底可不可以建立。

數據公地的設想

大數據其實有點像公地，在經濟學里非常出名的一個論點是公地悲劇。《美國經濟史》舉了一個非常易懂的例子來說什麼是公地悲劇：

這些經濟推理命題有利於解釋集體所有制和產出的共享(平分或固定份額)如何導致「免費搭車者」問題。為了說明這一點，考慮共享土地所有權，且共同生產了100蒲式耳玉米的10個工人，平均每人消費10蒲式耳玉米。假設一個工人開始偷懶並將其勞動努力減半，從而導致產出減少5蒲式耳。由於產出共享制度的安排，偷懶者的消費量和其它工人一樣，現在都是9.5蒲式耳。盡管他的努力已經下降了50%，但他的消費量只下降了5%。偷懶者是在搭他人勞動的便車。…

這背後有非常深刻的人性問題，即使我們可以通過努力協作創造更多的財富，個人也可以從中分享更多，但在群體里明顯的個人傾向則是自己工作更少但分享更多。這與囚徒困境其實是相通的。

基於實物的世界裡眼下看不到徹底解決這問題的方法，只能依賴於某種被大家基本認可的分配秩序，比如：以前的血統現在的物競天擇，但基於比特的數字財富眼下看卻有解決這問題的可能。

基於比特的數據與實物最大的區別是數據並非是你拿走我就沒有的東西，並且硬體的價格在飛速下降，開源又使數據的訪問工具基本免費。這幾者疊加在一起，使數據公地成為可能。

如果大家更在意我拿到的東西是不是絕對值變大了那數據公地的形成可能性就大些，因為如果存在數據公地，那每個人(企業)一定收獲更多，但如果大家更在意我是不是比你多，那數據公地的建設就會多很多障礙，因為公地其實是讓相關人員站到同樣的競爭起點上。

大數據整合營銷專家羅百輝認為，大數據的問題，在數據的使用上是技術問題，但在數據源上其實是社會經濟問題，後者更難，所以大數據應用的發展不取決於技術的發展而取決於社會經濟方式的變革速度。在有限的領域里，比如搜索、電商、雲計算，技術已經得到比較充分的發展，眼下來看誰付出誰受益的問題是把小數據變成大數據過程中最主要的問題。

大數據的路往那裡走?

數據的內在發展動力是數據越全價值越大，其實這也是一種網路效應，這種內在動力導致宏觀來看數據所有權的發展只有兩種趨勢：

一種是像現在移動端一樣，每個人都有自己的私有數據源，接下來開始你死我活的競爭，最終有一家活下來，這也可以達成數據統一的終極目標。

另一種則是在競爭中開始聯合，建設上面所說的數據公地。

如前所述行業數據和全社會的數據性質上差別很大所以要分開來探討。

對於行業數據而言，競爭對手間彼此的坦誠合作除非有極為特別的人物出現，否則是不太可能的。這種情況下最簡單的辦法是引入第三方。

比如說每家運營商都握有幾乎所有網民的行動數據，但要想讓運營商彼此間開誠布公的合作把這些數據整合在一起創造某種價值，這就很難。這時候如果有第三方介入，制定好利益分配方案那就是可能的。

如果這點可以達成，那唯一的關鍵點就是相應的商業模式是不是可以超越數據處理的成本。這點必須強調下的是，大數據的價值密度是很稀疏的，很多東西有價值但並不一定值得做，視頻網站之所以賺不到錢一個關鍵原因就是帶寬和存儲的成本比較高，而對大數據而言商業模式找不好，情形可能比視頻網站還差。挖礦的成本怎麼也要小於挖礦所得挖礦才有價值。

上述問題在行業數據里可能問題還不是太大，一般來講行業數據的價值密度終究會大一些，並且因為相對比較垂直，總量終究有限制。所以大數據的行業應用比較容易發展。

但對社會性的數據，這在很多時候就是個問題。我們都知道樣本的全面性比數據的多少更有價值，但是如果多是確保樣本全面性的唯一手段的話，那就意味必須有全的數據做一件事情才有意義。

社會化的數據有兩種應用方向，一種就是企業可以搞定的比如Google，一種則是屬於社會層面，很難單獨屬於某個企業的比如智慧城市相關的人的活動數據。後者則需要上面所說的數據公地來做支撐。

從數據的視角來看，現在有兩種數據存放形式：一種是Google這樣的企業擁有整個社會某個橫截面上的全部數據，這應該是種特例，並且數據會局限在公開信息;一種則是被割裂的各種與人行為相關的數據，比如購物相關的在電商，與人相關的在社交網路和IM，線下服務相關的則在O2O企業，鐵路相關的在12306等。Google這種擁有全的數據，但並不擁有人的行為，所以說Google這種企業相當於擁有整個社會的一個橫截面的數據。而所有其它企業則只擁有某個垂直領域的數據。

如果依賴於企業做這種數據統一的嘗試，在前者就會有投資200億做O2O類的舉動，因為這會補全數據，在後者就會有做電商的想做社交，做社交的想做電商這類事發生。類似的故事還可以在終端上發生，所有這些行為的終極目標都是一家企業搞定所有這些事情，但這是不可能的，這種不可能還不單是經濟原因。而數據不能打通，那就只能在割裂的數據上做自以為是大數據的大數據。

所以說這骨子裡是數據公地究竟能不能建立的問題，而要想建立數據公地，那至少要解決誰來做的問題，對此開源給出的啟示有兩點非常關鍵：第一這不能是個盈利組織;第二這要能獲得眾多企業的支持。因為數據會牽涉隱私，所以同開源相比那就一定還要有比較清晰的界定數據使用的規則。

在有一種切實的辦法解決數據所有和使用權之前，大數據的應用應該還都是局部的。因為它的深度應用牽涉社會很多部分的彼此協調，所以這個過程可能是非常漫長的。這裡面有意思的事情是，大數據的出現直接推動了機器智能的發展，而機器智能產生影響的速度可能會遠快於大數據本身。

以上是小編為大家分享的關於大數據背後的技術、商業和社會維度的相關內容，更多信息可以關注環球青藤分享更多干貨

❼ 本講認為,"大數據"並不意味著數據越多越好,數據要以是否什麼為標准.

數據的「大」或「小」並不是關鍵，重要的是從數據中挖掘價值，創造價值。
舉例而言，醫學應用上研究心臟疾病，想知道病人怎麼做才能更加健康，於是搜集大數據。但一個人每天產生的各類數據是海量的，大量的數據跟病理反應本質上毫無關系，你去搜集、去分析，不但做了無用功，還可能得出錯誤的分析結論。一個反面案例是，在美國拉斯維加斯的賭場，紅黑轉盤邊都用一個大屏幕顯示之前的開獎信息。很多人看著前面出現「紅色」次數較多就下注「黑色」，這就是典型的「數據雜訊」——搞統計的都知道，這完全是隨機的，這些所謂的「大數據」是無效的甚至干擾的。
「開展大數據分析一定要有『應用場景』，講求數據的精準性和關聯度，數據本身的『大』或『小』並不是關鍵。」 凌曉峰說，盲目追求數據之大，產生不了「有用的結果」，反而容易「自我迷惑」，這也是當下大數據產業存在的普遍誤區。
這一觀點有極強的現實針對性。當下，不少製造企業言必稱「大數據」，無論搞什麼產品，都接入光纖，加上感測器，每時每刻產生一大堆「數據」。問題在於，數據有了，但哪些有效哪些無效，無從辨別。不但造成硬體設備和統計計算資源的浪費，還可能因「數據噪音」的干擾得出錯誤結論，反而削弱市場競爭力。
「我們把大而無當的數據稱作『低價值密度』的數據。」中國工程院院士譚建榮告訴記者，以前專業術語就叫「數據挖掘」「數據分析」，現在為何要給數據加上「大」的前綴?在他看來，所謂的大，一是強調數據的時效性，以前數據報表都是延時的，新的物聯感測技術手段提供的數據更實時，也更有價值。二是強調關聯化。他調研發現，長三角企業推進信息化，普遍採用生產管理軟體。但這些通用軟體數量多達幾十上百種，不同軟體產生的數據是不共享的。如果產生不了關聯效應，再多的數據都只能算是「小數據」。三是要強調「個性化」。數據模型越大，越能得到個性化的特徵，如何將客戶模糊的個性化需求數據轉化為設計技術指標，將是工業大數據應用的下一個「風口」。
「大數據真正要義不在於大，而在於多元。」大數據產業大咖、零點研究咨詢集團董事袁岳說，如何使多元數據在匯聚的過程中，通過軟體處理最終得到科學的分析結果，變成有用的數據源，這才是生產製造和社會管理領域建立大數據決策系統的意義。「就像挖礦過程中，大數據是其中的原油，只有經過精細的提煉變成精數據才有價值。」
一場「頭腦風暴」，歷時三四個小時。唇槍舌劍中，一項項共識逐漸成型——大數據≠「大」的數據;大數據產業發展要「應用導向」;數據將是未來發展最重要的資源，甚至「驅動未來」……