大數據行業調研報告范文第1篇
在短短數年間,大數據在商業領域的應用已經到達了極致。那么,哪些行業可以從大數據中率先獲利呢?
零售業是大數據領域的先行者,早在幾年前,啤酒加尿布讓我們知道了什么是商業智能。未來,隨著社交商務和電子商務的進一步發展,零售業不僅能夠分析出客戶需要什么樣的商品,而是能夠將購買需求創造出來;在醫療行業,隨著大數據和云計算的技術越來越成熟,未來醫生不僅可以精確的治療癌癥,還可以為每一個病人量身定做治療計劃;對于保險業來說,電子商務和大數據的發展可以徹底顛覆原來的商業模式,不僅是網銷這種銷售模式逐步升溫,而且還會迎來從產品設計、銷售、到理賠的全程互聯網化,并且互聯網的長尾效應將不斷聚合小眾需求,為保險業開辟新的領域;未來,農業、養殖業和娛樂業也可以利用大數據獲得價值最大化;而對于擁有海量數據,卻在大數據領域默默無聞的電信業來說,受制于客戶隱私等限制,未來的道路還充滿了挑戰。
2014年,讓我們來看看大數據的魅力。
從挖掘需求到創造需求
零售業無疑是最先從大數據中獲得好處的行業。
電子商務這種新業態出現以后,人類的商業組織第一次出現了全程可記錄、可追溯的交易過程。通過電子商務,商家可以在任何時候、任何地點,看到所有有關信息,其中包括交易金額大小、交易的時間,以及客戶的所在地、年齡、性別、職業等信息。這些信息能夠讓商家精確地知道他們的客戶是誰、在哪里、正在做什么。而在電子商務產生之前,任何商家對其客戶都不可能掌握這么多、這么全面的信息。
啤酒和尿布的故事出自沃爾瑪,如今,這個故事早已經發展出新的一頁。
2 0 11年4月,沃爾瑪以3億美元高價并購了Kosmix,Kosmix不僅能搜集、分析網絡上的大量資料給企業主,還能將這些資訊個人化,提供采購建議給終端消費者。這意味著,沃爾瑪使用的大數據模式,已經從挖掘顧客需求發展到能夠創造消費需求。Kosmix為沃爾瑪打造的大數據系統被稱做“社會基因組(Social Genome)”,連結到Twitter、Facebook等社交媒體。工程師從每天熱門消息中,推出與社會時事呼應的商品,創造消費需求。
作為世界最大的零售業巨人,沃爾瑪在全球超過200萬名員工,總共有110個超大型配送中心,每天處理的資料量超過10億筆。沃爾瑪本身就是一個巨量資料系統,適用各種商業上的分析行為。消費者在沃爾瑪采購,可以從手機接收到一份建議清單,看似毫無關聯卻相當實用的推薦商品,可能是沃爾瑪分析了上萬筆銷售紀錄后,得到的寶貴成果。同時,沃爾瑪會記錄每一筆顧客行為,設置在行動物流系統中,讓全美各店都能分享大數據的情報資訊。
沃爾瑪電子商務總監拉詹曼表示,“我們如果能透過社交網站的大數據分析,掌控消費者行為,我們就能以此重新定義消費的方式。”下一步,Kosmix還將通過收集每個顧客在全渠道,包括地面店、網店、移動商店、數字貨架和主要的社交媒體(如Facebook、Twitter、微博、微信等)產生的碎片信息,借助云計算,拼出完整的全渠道顧客社交云圖。
再來看流行服飾零售代表Zara,你是否知道中南美洲的顧客偏愛顏色鮮艷、合身性感的服飾,而在法國和日本,顧客偏愛色系沉穩、剪裁利落的風格。借助大數據,Zara掀起了平價奢華風潮。
在柜臺和店內各角落都裝有攝影機,店經理隨身帶著Pad。當客人向店員反映“這個衣領圖案很漂亮”、“我不喜歡口袋的拉鏈”,這些枝微末節都將由店員反饋給分店經理,經理透過Zara內部全球資訊網絡,每天至少兩次傳遞給總部設計人員,由總部作出決策后立刻傳送到生產線,改變產品樣式。關店后,銷售人員結帳、盤點每天貨品上下架情況,并對客人購買與退貨率做出統計。再結合柜臺現金資料,交易系統做出當日成交分析報告,分析當日產品熱銷排名,然后,數據直達Zara倉儲系統。
搜集海量的顧客意見,以此做出生產銷售決策,這樣的作法大大降低了存貨率。根據這些電話和電腦數據,Zara分析出相似的“區域流行”,在顏色、版型的生產中,做出最靠近客戶需求的市場劃分。
大數據帶來的醫療奇跡
盡管癌癥研究和治療已經實現了巨大進步,但每年還是會新增1300萬癌癥確診病例,還有800萬人死于這種復雜的疾病。隨著人口老齡化的加劇,全球癌癥患病率到2030年可能會飆升到驚人的75%。癌癥還將消耗約20%的醫療成本,給政府、醫療系統和患者都帶來沉重的負擔。如今的疾病診療模式通常都不夠精確,而且都采用了一刀切的治療方案。以往都是根據癥狀和發病位置治療癌癥的,這可能產生巨額費用,而且效果不佳,甚至適得其反。
研究人員認為,基因序列和云計算感知系統的發展,將在未來5年幫助醫生精確地治療癌癥,為每個人定制治療計劃。更好的是,這套系統具備持續的學習能力,變得越來越聰明,因此無論是癌癥,還是心臟病和中風,只要是與DNA有聯系的疾病,其治療效果都將逐步提升。
此外,醫療大數據領域還蘊含著巨大的機遇,利用基因方面的知識可以在血液型癌癥的治療上實現很好的效果,例如白血病和淋巴癌。關鍵問題在于,不僅要定制治療方案,還要通過對無數治療方案的分析,迅速找到平均效果最好的方案。一旦能夠將目前的繁雜信息關聯起來,并對其加以利用,便會實現重大突破。
被數據顛覆的保險業
保險立業之本是大數法則,而大數據將挑戰大數法則,這是大數據時代的重要特征。
保險業分析師認為,大數據所帶來的思維和技術變革,將提供創新的金融產品,也在加強各類金融基礎信息保障能力。未來,保險業和互聯網大數據將進行深度結合,一個歷來以數據為生產資料,培訓數據統計專業人才,以嚴格的數據和準則監管報批核準的金融行業和一個掌控海量咨詢數據庫的如空氣般彌漫在每個人身邊的新興行業,其在思維中融合將帶來顛覆性的變革。
企業戰略轉移為以小眾為核心,服務小眾贏得大眾的口碑,小眾具有差異化需求,微不足道和原本無暇顧及的小組織將使企業對客戶的經營分解為對無數小眾的經營,正是大數據使得金融企業對小眾的服務成為可能,針對小眾的信用與風險評估,使創新性業務得以開展。過去傳統銀行貸款業務無法覆蓋小微企業,其根源就在于此。而逆襲金融業的阿里巴巴因此有了分一杯羹的資本,這是互聯網特征的體現?；ヂ摼W世界是草根的世界,最廣泛的民眾成為互聯網的主要組成與活躍力量。服務小眾意味著傳統“二八法則”的概念不應成為企業的客戶視角,價格將成為客戶選擇的敏感因素。行業競爭將首先在價格層面展開,當進入合理的低價格區域后,競爭將轉向產品與服務的品質,企業這一客戶視角轉變的根本性將帶來其他領域的變化。
2013年11月25日,眾安保險聯合阿里巴巴,推出首款互聯網保險產品“眾樂寶”。眾樂寶的目標客戶群是淘寶的900多萬賣家,當買賣雙方發生維權糾紛、賣家需要進行賠付時,眾安保險可先墊付理賠款,事后再向賣家追款。“眾樂寶”由互聯網保險公司實現突破,而緊隨其后的“樂業保”則由傳統保險公司再下一城。11月26日,泰康人壽聯合淘寶,推出針對互聯網創業人群的樂業保。根植于泰康的傳統保險產品設計思路,樂業保著眼于范圍較大的風險,選擇意外、醫療等主要保障,并設計了2款壽險保障產品,一是癌癥及身故保障,每月繳納10元保費,保障金額為10萬元;二是誤工保障,每月繳納5元保費,如因病或意外住院而耽誤了日常工作,每天可獲得的補償金額為50元。此外,樂業保也首次實現了壽險產品從設計、銷售、到理賠的全程互聯網化。
掘金大數據
再看農業領域,有誰能想到豬肉和大數據的關系。新希望集團董事長劉永好提出,要把歷年的數據集中起來,建立一個動態的養殖、生產和市場體系。通過大數據和云計算進行豬周期的預測,會發現豬的價格波動周期有一定的規律,大概3到5年是一個完整的周期,少的時候2年多,多的時候5年多,而這個周期又受國家的政策變化、天氣變化、傳染病變化、農民收入變化、原料價格變化等多重因素影響,同時又跟人們的生活水準和購買力有關系。全國所有養豬的農戶,如果通過云計算、大數據對龐大的數據進行研究、分析、判斷,研究出一個模型,建立信息系統,養豬會變得更加科學化。
其實,農業大數據可以滲透到耕地、播種、施肥、殺蟲、收割、存儲、育種、銷售等各環節,是跨行業、跨專業、跨業務的數據分析與挖掘。
在娛樂行業也是如此,《紙牌屋》不僅在全美熱播,還紅到了太平洋彼岸的中國,但這并沒有讓制作方奈飛公司感到意外,因為該劇導演在喊“開機”之前就知道它一定會火,秘密在于大數據。奈飛數據科學家分析了用戶每天超過3000萬條播放記錄,包括用戶在何時、何地、何種設備上觀看什么內容,并在記錄暫停、倒退、快進、評分、搜索的同時,進行大量截圖,試圖分析用戶在音量、畫面色彩甚至場景選取上的喜好。奈飛公司分析了龐大的播放數據后發現,有相當數量的用戶喜歡《社交網絡》導演大衛.芬奇的作品,而著名影星凱文.斯佩西的電影和英國版《紙牌屋》都是點擊率比較高的節目。因此奈飛公司決定把這些收視吸金點結合到一起,于是有了美劇《紙牌屋》。
與互聯網公司的諸多實踐相比,被認為具有數據資源先天優勢的電信運營商卻走在了后面,即便放眼全球,電信運營商的大數據應用案例也是屈指可數。日本最大的移動通信運營商NTT Docomo2010年以前就開始著手大數據運用的規劃,但其大數據發展至今還處于規劃階段,是因為NTT Docomo還沒解決客戶隱私問題。在德國,身為主流運營商的德國電信和Vodafone在利用大數據為自身業務服務之余,已向商業模式跨出了一步。主要嘗試是通過開放API,向數據挖掘公司等合作方提供部分用戶匿名地理位置數據,以掌握人群出行規律,有效地與一些LBS應用服務對接。
而我國運營商由于技術、數據系統限制、用戶隱私和商業模式不明確等問題,目前大數據運營只處在探索階段。但移動寬帶和固網寬帶快速發展、OTT的強勢崛起決定了電信運營商必須充分利用自身掌握的數據資源,另辟蹊徑,從而實現網絡價值的最大化。因此,電信運營商應用大數據是必然的,而且市場前景十分廣闊。
對此,IEEE會員,芝加哥洛約拉大學計算機科學系教授George Thiruvathukal對《中國信息化》表示,“有人提出,在大數據成為熱點名詞之前,類似金融、醫療保健以及保險業等行業的數據方式已經是大數據。如今,有很多廠商的大數據分析已經成型,比如圍繞社交網站的數據分析。而跨行業大數據分析的實現,可能會催生出一批新興公司,也會為現存的企業或組織帶來新的機遇。行業泡沫不斷產生,且隨時有可能爆發。事實上,大數據的影響將會相當深遠,但我傾向于從長遠角度考慮,大數據將為絕大多數領域帶來更高的效率,并提高現存企業的盈利能力。那些最富有的企業能負擔得起自有基礎設施與大型數據庫(比如沃爾瑪)的建設費用,并且很有可能從隨之產生的規模效益中受益。”他說。
潛移默化之中,大數據對每一個行業都在進行著滲透和影響。而在我們執著于大數據所產生的翻天覆地變化之時,還有很多問題值得注意。
對此,George Thiruvathukal提出了他的看法。首先,在數據收集階段要注意分類,很多時候,數據的模式會在它們被查看并初步分類之后呈現出來。其次,在數據安全方面,George Thiruvathukal建議將數據匿名化(為了保護隱私),并對管理數據的員工進行嚴格的背景審查。這樣的審查不能是一次性的,而應該包含隨機的后續審查。因為許多數據中心或數據本身出現安全漏洞,都涉及內部人員與外部串通的情況。最后,對于大數據的法律監管,George Thiruvathukal說,“法律正在成形之中,但是大體上,對大數據問題的掌握不夠深,使得法律不能發揮應有的影響效力。至少對美國最近的情況而言,其中一大挑戰便是制定出一套讓政府也可以遵守的法律。”
大數據行業調研報告范文第2篇
一、何為大數據
《自然》雜志在2008年9月推出了名為“大數據”的封面專欄，講述了數據在數學、物理、生物、工程及社會經濟等多個學科扮演了愈加重要的角色。加里?金說：“這是一場革命，龐大的數據資源使得各個領域開始了量化進程，無論學術界、商界還是政府，所有領域都將開始這種進程。”大數據也稱巨量資料，指的是所涉及的資料量規模巨大到無法透過目前主流軟件工具，在合理時間內達到擷取、處理、并整理成為幫助企業更好經營決策的各種資訊，同時與大數據相關的數據存儲、數據安全、數據分析等領域也都屬于大數據范疇。
二、大數據對教學的影響
中國原始社會時期，“燧人之世，天下多水，故教民以漁”，“宓羲氏之世，天下多獸，故教民以獵”，法家思想的集大成者韓非子也有“世異則事異，事異則備變”的觀點，足見教育是需要根據現實變化的。
在教育領域中，大數據除體現傳統數據的所有宏觀功能外，還能收集分析詳盡的微觀個性化數據，大數據的優勢立顯。傳統數據詮釋宏觀、整體的教育狀況;大數據用于調整教育行為與實現個性化教育;傳統數據來源于階段性的，針對性的評估，其采樣過程可能有系統誤差;大數據來源于過程性的，以第三方、技術型的觀察采樣的方式誤差較小。傳統數據分析所需要的人才、專業技能以及設施設備都較為普通，易獲得;大數據挖掘需要的人才，專業技能以及設施設備要求較高，并且從業者需要有創新意識與挖掘數據的靈感而不是按部就班者。
大數據帶來新一輪教育信息化的浪潮已然隨著硬件的高速革新和軟件的高度智能無法抗拒地推到了我們面前。作為新時期的教育管理者，唯有掌握良好的“沖浪”技術，轉變教育思想，及時利用大數據服務學校管理、改革教育教學，提高辦學質量。
三、大數據教學管理模式
隨著時代的發展，科技的日新月異，以往的教學管理模式正在慢慢退出歷史舞臺。這種以現代信息技術為支撐，大數據為載體的新型管理模式極大地實現了教育資源的共享與充分利用，促進了工作效率的提升，轉變了工作效能，讓工作更加具有時效性，科學性，及時性。管理透明化、簡約化、信息化。
1、教育大數據管理的模型構建
正如2014年全國教育工作會議提出的，今后一個時期我國教育管理的目標是“加快推進教育治理體系和治理能力現代化”，我國的教育管理模式將發生質的變革，大數據管理模型應運而生。
大數據支撐的教育管理模型：以“主體、對象、資源、目標”為核心要素，建立多級連通共享的教育云，構建教育管理復雜系統，利用云技術處理教育云端大數據，為教育公共服務機構、教師和學生提供全天候多終端個性化需求的教育資源服務、專業發展服務和綜合素質發展服務，提升教育資源配置的合理性和公平性，提升教育決策科學化水平。大數據教育管理新模式如右圖所示。
在教育管理中，人的因素是重要的教育數據，是一切教育數據的來源。教育資源的配置，首先要進行科學合理的資源基本分類：人才資源、財物資源、知識資源;教育內容、教育理論、教育方法、教育經驗等，是教育資源配置中的隱性資源，卻是根本資源;技術資源是大數據教育管理的生產力資源，教育技術尤其是教育信息技術、大數據、云技術的應用，是管理主體滿足教育服務需要，合理配置教育資源的應用型資源。
2、教育大數據管理的行動路線圖
教育大數據管理是一個長遠的偉大工程，從當前的教育信息化建設水平和面臨的挑戰綜合考慮，還有相當長的路程要走。我們需要在思想上、理論上和實踐上全面推進，迫切需要制訂正確而長遠的行動路線圖如又圖所示。
這是三個層級的運行策略：底層是大數據教育管理的基礎建設――教育云的建設，各區域應遵循國家教育數據標準，建設分布式教育數據中心(云)――資源庫+數據庫+數據關系邏輯的建構，為云端教育教學資源配置提供基礎硬件支撐，進而建設三層智慧平臺――智慧校園、智慧學堂(課堂)和智慧終端(尤其是移動終端)――應用平臺建設，同樣作為基礎層級的是教育資源的大數據挖掘――對教育過程所產生的數據進行統計、分析、建模等處理，為教育管理決策提供數據應用;位于高層的是教育大數據管理的操作系統，從公共服務到學生個體發展，利用大數據進行教育資源的公平配置和個性化供給，推進教育發展與改革，使人人享有優質恰當的教育資源，促進教育的優質可持續發展，推進教育品牌建設和創新提升，形成高效綠色的教育文化。
四、大數據教學管理的優越性
用數據說話、用數據決策、用數據管理、用數據創新的數據文化正在成形，大數據時代已經來臨。順應大數據時代的發展，教育變革已經進入了一個新的階段，教育領域將迎來一場前所未有的大變革。
大數據行業調研報告范文第3篇
一、大數據餐飲的意義
1.1 大數據餐飲為用戶帶來的好處
大數據對餐飲用戶能帶來很多方便, 體現在以下幾個方面:1、用戶體驗的提升;2、可選擇性;3、個性化推薦;4、健康飲食。
1.2 大數據餐飲對商家帶來的利益
1、節省人力成本;2、資源管理;3、及時了解運營情況;4、培養用戶忠誠度;5、商家文化宣傳。
1.3大數據餐飲的科研價值
如何從海量數據中挖掘出有價值信息, 如何將現有算法運用于實踐來搭建高效的智能系統, 以及設計新的算法來滿足現實需求, 這一直以來都是學術界尋求解決和優化的問題。
二、大數據餐飲的一般流程
1、搭建并推廣互聯網點餐平臺。大數據的基礎和核心是數據, 只有擁有海量的數據, 才能在此基礎上進行挖掘, 發現數據里蘊藏的有價值的, 具有普遍意義的規律, 并以此來指導實踐, 應用于產業領域來創造非凡的價值。傳統餐飲行業能提供的數據相當有限, 產業的轉型往往需要一個較長的過程。當前餐飲行業存在三種形態:1、保守型。該類餐飲店規模小, 經營方式落后, 所有工作全靠人工完成。2、半開放型。該類商家使用了進銷存系統。3、開放性。該類商家往往是連鎖形式, 使用了一體化在線點餐辦公系統。只有第三種形態才能形成具有大量 (Volume) 、高速 (Velocity) 、多樣 (Variety) 、有價值 (Value) 、真實 (Veracity) 特性的大數據。
2、用戶行為收集。什么樣的數據才是有用的, 即使具有多年數據挖掘經驗的學者也難以斷言。當前互聯網行業的通常做法是盡可能的存儲足夠多的數據。例如淘寶網, 所有用戶的登陸時間, 登陸地點, 瀏覽商品, 鼠標行為, 網頁停留時間, 收藏商品等都被完整記錄下來。擁有足夠全面的數據, 才能從多角度, 全方位分析數據, 發掘數據的價值所在。餐飲行業也需要在自己的平臺記錄用戶的歷史行為, 例如瀏覽了哪些菜品, 在哪些位置停留時間過長, 在何時間, 何地點和何人點了什么菜等。這些數據將為分析用戶行為, 了解用戶偏好等奠定基礎。
3、商家運營數據收集。把所有商家數據集中起來, 從數據倉庫的角度來看, 挖掘頻繁項集, 分析銷售趨勢, 了解銷售的時間性、空間性、群體性差異, 對商家了解行業規律, 完善經營模式, 提升商家銷售額具有重大意義。
4、數據挖掘及應用。傳統的統計學可為數據分析提供各種分析手段, 從不同的角度統計也會發現不同的規律。此外, 專業的數據挖掘算法在此有了用武之地。如K-Means聚類算法, Support vector machines分類算法, Apriori挖掘頻繁項集, 深度神經網絡等是業界常用的利器。
三、大數據餐飲的解決方案
1、數據存儲。海量的數據需要新的存儲技術?；贖adoop集群的HDFS文件系統, 以及No SQL (非關系型) 數據庫是時下流行的大數據存儲方案。這些新技術不但解決了低成本高存儲問題, 并為大數據處理提供了方便。
2、數據分析。隨著大數據產業的興起, 很多研究領域的算法都被應用于實踐, 對數據的分析手段層出不窮。數據挖掘、機器學習、自然語言處理、深度學習等都為此做出了貢獻。
3、數據計算。面對大數據, 傳統的計算方式已難以應付。為了及時處理用戶反饋, 需要一個低延遲、可擴展、高可靠的處理引擎, 此時Hadoop也很難滿足需求, 因為Map Reduce更擅長操作靜態數據。流式計算的典型范式之一是不確定數據速率的事件流流入系統, 系統處理能力必須與事件流量匹配, 或者通過近似算法等方法優雅降級, 通常稱為負載分流 (load-shedding) 。Spark和Storm是比較實用的流式計算系統, 對于低延時、高可靠地處理線上產生的數據, 實現基于大數據的數據挖掘、機器學習、自動化運維提供了框架支持。
結束語:本文基于大數據環境, 對餐飲行業的新型運營方案進行了闡述。從大數據餐飲的意義、大數據餐飲的框架及解決方案等角度對其進行了全方位解讀, 希望帶來傳統餐飲行業的數據化變革, 把技術真正運用于實踐, 為社會創造價值。此外應充分尊重用戶的個人隱私, 讓用戶成為大數據的真正受益者。
參考文獻
[1]劉宏志.大數據環境下的電網工程造價分析管控體系研究[J].華東電力, 2014 (07) .
大數據行業調研報告范文第4篇
隨著網絡信息化的日益普及,移動互聯、社交網絡、物聯網技術大大拓展了互聯網的范圍和應用領域:社交網站每秒鐘有超過6 000張圖片被張貼,據You Tube披露的數據,每秒有接近100小時的視頻信息上傳。在過去的十幾年間,安防行業蓬勃發展,大量監控設備投入使用,使得監控不僅僅由政府在主導使用,更是進入千家萬戶成為人們通訊的必要手段之一。
近幾年,隨著各地平安城市建設開展以及各級公安部門對社會治安視頻建設的持續投入,視頻攝像頭在城市的部署數量以每年超過30%的復合速率增長,錄像視頻數據更是以幾何級數遞增,視頻監控領域大數據時代已來臨。在城市安全、交通管理中部署大量視頻監控設備將產生大量視頻及其相關的數據,如交通卡口和電子警察記錄數據達到十億條甚至更多,在大城市中社會治安視頻數據達到每秒PB的級別。我們正處在一個數據爆炸性增長的大數據時代,安防監控對視頻數據的傳輸、存儲、并發處理的要求越來越高,大數據時代對視頻數據駕馭能力提出了新的挑戰。
2 視頻大數據需求分析
2.1 視頻數據應用現狀
在各類大數據中,圖像視頻是“體量最大的大數據”。相對于文本、語音等數據而言,視頻數據信息體量更大,維度更高。據思科統計,視頻內容約占互聯網總流量的90%,視頻數據已成為大數據應用的核心和關鍵,在視頻監控市場的發展過程中,主要體現出前端高清化、平臺網絡化、應用智能化的三大特點。
從前端來說,視頻攝像頭從最初的模擬時代演進到數字化時代IPC,分辨率從模擬時代的QCIF,發展到現在的數字化的標清(D1)、高清分辨率(1080P),還在朝著下一代4K超高清的方向繼續演進(見表1):
平臺網絡化則是前端演進到IPC之后,采用流媒體技術實現視頻流在網路上的存儲、轉發、編碼轉換等工作,形成了視頻數據網絡化管理的綜合視頻監控平臺。
應用智能化主要體現為圖像處理和計算機視覺兩大主題。智能化圖像處理利用軟件的算法對模糊和抖動的圖像進行校正,從而得到清晰的圖像和視頻數據,包括去霧、降噪、運動去抖動等。在計算機視覺領域中,主要是目標和行為的識別。目標識別主要是人和車的識別,包括運動檢測、目標分類、目標跟蹤、行為分析和行為識別等。
基于以上的視頻監控市場發展特點,視頻大數據呈現出典型的4V特點:數據體量大(Volume)、數據種類繁多(Variety)、數據處理速度快(Velocity)、數據價值(Value)。
其一數據體量大(Volume)體現在部署越來越多的攝像頭和高清化技術發展。平安城市攝像頭部署數量達到數萬到數十萬級別。以廣東省廣州市為例,截止到2015年底,全市共建成攝像頭超過30萬個,公安機關可以調控的一類攝像頭超過7萬個。高清化技術提高清晰度的同時,數據量也以指數級別增長。以單路的高清IPC攝像頭(720P)為例,采用H.264壓縮后一天的存儲數據量將達到172Gbit。
其二是數據種類繁多(Variety),視頻監控領域的編碼格式常見的有CIF、QCIF、4CIF、D1、MPEG-4、H.264和M-JPEG,隨著算法的演進,H.265可以在有限的帶寬下傳輸更高質量的視頻數據。除了各種類型的視頻數據以外,視頻監控業務也需要對各種其他業務系統和物聯網產生的異構性數據進行聯合分析處理。比如時空線索分析,尤其是和GIS數據聯合分析。
其三是處理速度快(Velocity)。視頻數據隨著時間呈線性增長,并且隨著高清化和大量部署已成為名副其實的海量數據,如何在海量數據中快速檢索得到有價值的線索和信息成為平安城市、社會治安客戶的普遍需求。由于視頻數據具有密集型浮點運算特性,并且帶有時間信息的三維結構特點,海量視頻內容的實時性分析需要高性能的并行化處理算法和GPU分片式處理結構。
其四是數據價值(Value)。盡管在圖像和視頻數據中含有大量信息,但實際在視頻監控業務中,往往一個小時的監控數據內容只有不到1分鐘的監控數據是有效數據,監控數據價值密度低,如何通過機器進行視頻數據的濃縮并提取有效數據信息,提升視頻監控數據價值成為當前的視頻大數據應用的重點。
2.2 視頻數據應用問題
盡管視頻監控領域不斷發展,但現階段視頻的大數據面臨三大技術挑戰,主要概括為“看不清”“存不下”“找不到”這三個方面。這三大挑戰在一定程度上反映出當前視頻大數據處理領域主要存在的問題,同時也對視頻大數據處理技術提出了更高要求。
“看不清”主要體現為監控攝像機的分辨率限制,“存不下”主要體現在視頻壓縮編解碼性能方面以及網絡傳輸方面的限制,而“找不到”主要體現在智能視頻監控領域中的算法檢測識別準確率的問題。目前,視頻監控方法只能在非常簡單的環境下聚焦少量目標,算法檢測、識別、跟蹤性能方面還無法達到一個較高的水準,存在場景、環境的限制,例如在簡單、純凈的場景且檢測目標背景和前景差別較大的環境中,檢測結果較為準確。而在一些人流量密度大的復雜場景中,如地鐵、車站、鬧市區中監視成千上萬個個體時,準確識別跟蹤檢測則是一項非常艱巨的任務。同時算法檢測會受到光線、顏色、化妝、攝像機硬件誤差及精密度等一系列問題影響,因此,在低端智能與真正的人工智能之間還存在較大差距,它需要提升計算機的處理能力及處理速度。
2.3 視頻大數據應用方向
隨著智慧化城市的推進,在一個現代化的城市中往往有成千上萬路監控攝像頭遍布街頭和公共場所,晝夜不停地監視和錄像,在改善社會治安的同時,也產生出海量的視頻需要監控管理平臺處理。要對這些海量視頻通過人工進行重點圖像的檢索,困難很大。首先,需要對所有視頻錄像按秒瀏覽,才能發現重點圖像,工作量巨大。其次,即使找到了重點圖像,人工抓拍并且要記錄下對應的原始視頻圖像的時間點等,也是工作量很大、效率很低的工作。由于人的生理特征所限,長時間觀看視頻錄像,易產生視覺疲勞,還有可能漏掉重要圖像和線索。理想情況是一旦有重要事件發生,系統就可在事后快速查找到線索。對海量監控視頻錄像的事后檢索和分析,傳統以人海戰術為主,通過大量人員分時分區域的查找目標和線索,無異于大海撈針,時效性和準確性都無法滿足公共安全的及時和高效的處理要求,亟需一種更為高效的、自動的、智能的系統來實現海量視頻的自動檢索和目標辨識。
目前,視頻摘要技術提出了滿足海量視頻的快速檢索要求的解決思路。其主要思想就是提取原始視頻中的活動目標信息,從固定的背景或者場所中通過算法分離出有效的活動目標,這個活動目標往往是和時間結合的一個三維管道信息,通過自動或者是半自動的方式將不同的目標通過剪輯方式拼接到一個共同的背景視頻中的視頻片段中去。它通過同時播放多個活動目標,可以在時間的維度對原始視頻進行壓縮,把一段時間跨度較長的視頻數據壓縮成為較短時間跨度的視頻,這個壓縮比一般可以達到1:10的比率,從而大大縮短了人工審閱時間。在視頻摘要中不僅能夠看到背景信息,還能夠看到原視頻中所有重要的目標活動詳情和快照,視頻摘要的存儲既可以采用原始視頻分辨率,也可以根據存儲要求降低分辨率。用戶通過點擊濃縮視頻中的目標或者視頻左側快照,播放目標出現前后的原始視頻。
通過視頻摘要技術專業巡查人員(用戶)瀏覽濃縮視頻或者快照列表,發現感興趣的目標以后,點擊目標,回溯播放目標出現時的原始視頻,在系統自動生成目標的時間、地點(通道)、目標高度、運動方向、目標主要顏色與次要顏色和事件類型的基礎上,巡查人員可以手工完善事件類型,輸入事件標記及其他用于索引的信息。通過視頻摘要技術,把移動目標按照出現的時間、地點(通道)、目標高度、運動方向、主導顏色等屬性進行分類,并能根據這些屬性進行活動目標線索的檢索,能有效提高視頻審閱的速度,并減少偵查目標的遺漏可能,有效減輕巡查隊伍的工作負荷。
3 視頻大數據應用分析
3.1 視頻大數據應用原則
經過十多年的公安行業信息化工程的建設,已正式公開了700余項公安信息化標準,在公安信息化建設中發揮了巨大作用。2012年2月,公安部向全國公安機關印發了《全國公安機關視頻圖像信息整合與共享工作任務書》,從而在國家層面確立了未來數年的建設方向和目標。文件明確指出,“以視頻圖像信息共享平臺建設為核心,拓展和深化視頻圖像信息在公安業務中的應用,全面完成視頻圖像信息共享平臺與警用地理信息系統等公安業務信息系統或平臺的融合應用”,應成為未來科技強警建設的指導思想。
在案件偵破的過程中,監控視頻已成為發現、搜集、提取犯罪證據的重要手段,現階段公安部門都建立了專門的隊伍負責分析和檢索視頻數據,智能視頻分析系統通過輔助偵查員對嫌疑人或車輛進行快速查找、線索排查、數據比對等,因此,對視頻摘要、視頻檢索、人臉識別、圖像處理等核心技術提出了更高要求。由于視頻數據的流媒體特性,基于流處理和GPU架構的分布式計算平臺成為視頻大數據分析的必要手段,如何利用Hardoop平臺的分布式處理架構對視頻數據進行并行分析處理、轉碼和存儲、分發,提升視頻大數據應用的效能和效率成為構建當前智能視頻分析系統需要重點考慮的方向。
現階段公安部門采用的視頻偵查系統是基于刑偵業務自成體系的流程,包含立案、勘察采集(對監控點視頻、場景、位置等基本信息的采集)。在實際案件過程中,無論是哪種偵查技術幾乎都難以獨立完成整個案件的偵破工作,通常需要其他技術手段相互協同才能完成,比如視頻偵查綜合分析系統不僅需要完善的案件線索功能,視頻數據的標注、跟蹤、編輯、繪制、視頻圖片導出及自動生成案件報告一系列功能,也需要結合其他IT系統(PGIS)自動生成嫌疑目標運動軌跡,并可以對案件線索視頻數據中的嫌疑目標在編輯框或者地圖軌跡上靈活編輯時間、地點、文字描述等信息。因此,視頻偵查技術平臺與視頻監控平臺、警綜平臺以及其他公安IT應用系統的融合,平臺之間數據的共享和交換也是視頻大數據應用的一大趨勢。
綜合來說,視頻大數據應用功能分為工具類和應用類功能,工具類功能主要提供視頻數據智能化應用的專用工具支持,包含視頻摘要、視頻檢索、圖像增強、人臉識別等視頻數據處理模塊,還要為公安其他IT信息系統提供豐富的接口以及對警務流程的通用對接工具,包括決策支撐、統計分析、布控排查、數據共享、案件管理、用戶管理、線索追蹤以及碰撞分析等各種實戰警務的應用功能,并實現這些應用功能的靈活擴展。
3.2 視頻大數據應用功能
3.2.1 總體功能
根據視頻大數據系統建設的總體原則可知,智能視頻分析系統是對治安視頻監控資源進行統一協調管理的平臺,具有用戶管理、系統管理、日志管理、案件信息管理、案件視頻數據存儲管理、案件視頻數據分析處理、案件視頻智能審看、案件視頻線索檢索以及案件線索時空分析等完善功能。
在案件視頻線索檢索模塊中,用戶可通過系統對視頻文件進行摘要檢索分析,建立目標視頻剪輯,生成簡短的視頻摘要和快照列表,顯示完整的目標活動細節內容等,縮短了查看原始視頻時間,極大提高了從海量視頻中查找有效線索的效率。其中案件視頻數據分析處理模塊可以提供車輛信息采集(進行車牌顏色、號碼、類型識別和聯網布控等)以及人臉識別、三維空間測量等功能。
3.2.2 視頻并行分析處理
系統提供基于大數據平臺架構的視頻智能審看客戶端界面,面對的是海量攝像頭視頻數據,因此,必須支持對監控視頻的分片和并行處理?，F階段以對同時超過1 000路的視頻數據進行摘要和檢索為目標,采用流處理的分布式GPU計算架構來提高視頻線索查找效率。后臺服務端以邏輯化節點的方式管理,每個邏輯節點可存儲于不同物理節點的多個案件文件、監控點文件、視頻文件及分析生成的濃縮信息文件、快照圖片文件等,用戶只需要通過客戶端便可以同時播放不同視頻及查看其分析結果,而無須理會視頻資料的存儲復雜性。
3.2.3 視頻數據檢索和分類
視頻分析服務器對視頻內容進行智能解析,可以自動分離出所有運動目標,并將目標按照人、車等對象進行分類,并根據這些特征進行檢索。系統的人車分類可以采用達百萬級的人車模型庫算法。除了提高人車識別準確率外,還能對人、車的不同部位進行分類、區別,并根據這些特征進行檢索,如對人的上下半身顏色進行檢索。
系統具有對視頻數據內部事件和特定目標等關鍵信息進行區域檢索和跨線排查等功能。設置感興趣區域和不感興趣區域,系統支持多段折線組成任意形狀區域的標畫。對于感興趣或不感興趣區域設置、跨區域事件檢索、跨線排查等功能,可以同時設置多個觸發,由繪制多段折線實現。
視頻檢索支持復雜條件的復合檢索,如分析粒度、絆線方向、人車分類等。檢索到的目標快照圖片按照與檢索條件的吻合程度(可靠度)從高到低排序呈現。視頻檢索結果準確反饋所有排查條件組合的狀態。
系統也需要支持將某個監控點抓拍的圖片、相機拍攝的圖片或留有案底的圖片作為輸入檢索條件,用鼠標勾勒出圖片中目標的輪廓,提交系統分析。系統自動分析所勾勒目標的顏色、分布、輪廓和特征,在視頻中搜索與圖片中目標特征相近的目標,檢索結果按與目標特征的近似程度排列。
3.2.4 時空分析及案情研判
作為視頻大數據系統不僅是覆蓋全面的社會公共安全監控平臺硬件系統,同時也是基于電子地圖的多系統融合大數據系統,可以基于GIS進行時空軌跡分析,可將獨立的、零散的視頻分析任務和相關線索有機組織起來,以形成嫌疑目標移動的所有地圖軌跡。經過對圖像資料多方面的比對后,掌握嫌疑人的行動軌跡、活動規律,全面了解整個嫌疑人或嫌疑團伙在作案與逃逸過程中的地理位置信息。
系統支持對重點關注的有線索的視頻或案件進行人、車、物等特征信息進行結構化描述,同時存檔在案件或線索庫,以利后期的查找與串并案分析等操作。目標可疑或重大的行為事件子視頻可加入線索,放入線索管理庫。根據案發的時間地點、嫌疑目標特征等信息,以及經過視頻分析后得到的線索標記信息,可以對系統中的案件進行篩選及快速比對,并對不同案件、不同監控點、不同視頻下的關鍵目標圖像進行同屏快速比對。多個線索按時間順序排列,并可依時間在電子地圖上自動生成軌跡。
4 結語
大數據行業調研報告范文第5篇
目前, 能源企業的處境較從前比, 呈現出十分尷尬的局面:一方面, 全國大面積霧霾天氣持續, 國家為改善環境質量, 力推清潔能源發展, 公民環保意識也在整體提升, 清潔能源正集萬千寵愛于一身, 相對的傳統能源企業的處境也就更為艱難;另一方面, 在工業4.0的新形勢下, 新能源企業正面臨著日趨嚴格的政府監管、激烈的可替代能源的競爭和更嚴苛的消費者需求。面對這樣的內憂與外患, 如果繼續以現有的業務模式來面對當前的市場環境, 必定會捉襟見肘, 而新奧能源作為城市新能源企業之中的佼佼者, 需要在改革中走在前面, 既享受改革帶來的新生態, 也要首當其沖迎接可能面對的風險。
新能源新動力
近年來, 霧霾天氣的肆虐讓不少人將根源落在能源行業的頭上?！凹夹g不到位、監管不嚴格、清潔能源不清潔”等怨聲一直沒有消失過。與此同時, 我國能源安全問題日趨突出, 能源對外依存度加大。另一方面, 我國已成為煤炭、石油、天然氣和鈾資源全品種的凈進口國, 石油對外依存度近60%, 天然氣對外依存度超過30%。為此, 國家不斷加大對于能源行業的市場和行業管理力度。在《能源發展戰略行動計劃 (2014-2020年) 》 (以下簡稱《計劃》) 中提出, 堅持“節約、清潔、安全”的戰略方針, 加快構建清潔、高效、安全、可持續的現代能源體系。要重點實施節約優先、立足國內、綠色低碳、創新驅動四大戰略。要積極發展天然氣、核電、可再生能源等清潔能源, 降低煤炭消費比重, 推動能源結構持續優化。到2020年, 非化石能源占一次能源消費比重達到15%, 天然氣比重達到10%以上, 煤炭消費比重控制在62%以內。
新奧能源作為國際創新清潔能源的領跑者, 始終在新能源的技術研發方面保持著國際領先水平。近年來, 綠色煤氣化、煤基低碳能源等國家重點實驗室落戶新奧能源, 為國家低碳清潔能源技術的創新發展和工程化起到了推動作用。
既然要創新就無法回避利用新技術, 如今新技術層出不窮, 考驗的更是企業的觀察力、決策力、執行力。對于新奧來說, 除了企業自身的創新發展機遇, 新奧的成敗還影響著行業的趨勢與路徑。新奧能源控股有限公司系統管理部主任崔占海解釋, “我們需要打造出基于大數據驅動的智能運營體系, 通過持續的大數據治理和大數據應用迭代, 推動業務的創新發展和管理的變革提升。打造領先的新能源企業, 創造出更大的經濟效益和社會效益?！?/p>
據了解, 以大數據為核心的業務發展推動模式, 給各行各業帶來了前所未有的機遇。能源行業是國民經濟中的支柱產業, 也是產生海量數據并對數據分析有著重要依賴的企業。大數據為其提升管理效率和拓展業務邊界提供了前所未有的可能性。
從能源價值鏈入手
目前新奧能源的業務價值鏈已經非常清晰, 涵蓋了城市燃氣、能源物資、能源貿易和泛能站等多種業務, 每種業務又分別對應著詳細的具體環節, 有力地支撐著新奧能源業務的發展。想要利用大數據治理手段讓業務價值鏈創造更多價值, 還需要從數據的全生命周期管理入手, 建立數據治理的組織結構和管理流程, 同時需要提供強大的技術平臺。其難點在于如何在不大幅增加企業工作人員工作量的前提下實施數據治理, 這里還需要用到技術平臺的自動化能力。最終實現廣泛集的成高質量的大數據, 用數據說話, 給決策者準確的數據。
目前針對新奧業務的市場營銷、能源采購、能源銷售、客戶服務等重要環節, 在大數據平臺中需建設以下四大場景:
在市場營銷方面, 可利用大數據平臺能力, 根據客戶基本信息、位置信息等, 發掘潛在客戶, 開展針對性營銷和服務。還可根據不同客戶的區域分布情況, 合理優化營銷網點, 調整營銷策略。
在能源采購方面, 大數據平臺可對能源采購歷史、現有庫存比例、能源需求量等信息進行分析, 調整采購策略, 進一步合理化庫存, 實現利益最大化。
在能源銷售方面, 大數據平臺可根據客戶的信譽評價、歷史成交記錄等信息, 甄別出客戶的支付能力, 挖掘出潛在的客戶需求, 推出個性化銷售, 適當調整收費方案。
在客戶服務方面, 以城市燃氣為例, 不同的用戶群體 (年齡、受教育水平、收入水平的差異) , 對能源服務的需求也是不同的。對受教育水平高、收入水平高的用戶, 可賦予較高的信譽等級, 采用用戶自行讀數、自助繳費、網上服務等用戶自服務模式, 既能提升用戶消費體驗, 又能降低服務成本;反之, 對受教育水平低、支出敏感的用戶采用上門讀數、輔助繳費、跟蹤服務等模式, 加大人力資源投入。
通過了解新奧的價值鏈, 也就能較為清晰地了解其大數據血脈, 也就是大數據中的數據流向, 比如從系統到大數據庫, 就有了數據的血脈, 或者叫血統。這為提升大數據價值有重要作用。
一個極為務實的行業
從以往的接觸和了解中, 能源行業從業者因其行業范圍閉塞和業務內容單一, 顯得極為單純, 甚至有些木訥。而能源行業的IT工作者們則為更甚, 這是一個極其務實的行業, 也有著極為現實的需求和貫穿始終的落實藍圖的決心。
結合新奧能源目前的信息化現狀, 新奧采用了一體化的大數據解決方案。該方案提供了從數據獲取和存儲, 到數據封裝和應用全過程的大數據能力, 集采、存、管、用多方位管理能力為一體, 滿足了新奧能源當前和將來的數據管理需求。
獲取層:目前新奧能源所用系統一部分基于SAP套裝軟件, 另一部分基于其他廠商。因此, 在數據獲取層, 宜采用SAP集成工具與BDI結合的方式對數據進行采集和獲取, 實現對來自SAP等套裝軟件的數據采集和對EAS、預算合并等開放數據庫的集成。
數據層:目前新奧的BW數據倉庫雖然支持了大部分數據查詢、報表和分析類應用實現。但是, 仍存在大數據質量管理困難、非結構化數據無法管理、模型設計優化不足等一系列問題。新的大數據平臺, 在原有BW數據倉庫的基礎上, 構建了大數據倉庫。大數據倉庫在設計時充分考慮了硬件設備的不可靠因素, 可在軟件層面提供數據和計算的高可靠保證。
能力層:為充分利用新奧能源數據層的海量能源相關信息, 能力層需要提供數據可視化、數據共享、數據分析、多維分析、機器學習、數據流調度、數據檢索等多種服務。
應用層:為了將大數據分析成果運用到具體業務中, 大數據平臺提供了數據處理工作流平臺, 實現從數據源定義、大數據采集獲取、數據處理、算法處理、結果輸出、可視化、數據產品發布的一站式工作, 實現了對業務人員友好的探索式大數據的全面應用。
通過對新奧能源系統現狀的全面梳理, 新奧能源大數據戰略從頂層設計到底層實現的“落地”過程中, 大數據治理是戰略成敗的關鍵點。通過大數據治理涉及整個大數據平臺的數據管理流程, 明晰大數據血脈, 提升大數據質量, 實現對大數據的全面管控, 為上層應用提供安全可用的數據基礎, 確保大數據平臺分析與預測的準確性。
崔占海表示, “本次大數據治理的實施與落實, 讓我們對基于大數據驅動的智能運營體系充滿了信心, 很快我們將在業務發展和管理變革上實現質的飛躍?！蛟祛I先的新能源企業’絕不僅僅是句空口號, 通過持續的大數據治理和大數據應用迭代, 我們將能創造出更大的經濟效益和社會效益?！?/p>
大數據行業調研報告范文第6篇
1 信息化的現狀
隨著我國經濟實力的不斷增強, 石油石化行業也得到了迅速的發展, 各企業也逐漸認識到信息化建設對企業持續發展的重要性, 在過去近十年的信息化建設過程中主要以建設各業務的獨立信息系統為主, 即使有數據交互也是在各個獨立的數據庫之間進行, 基本實現了業務信息的電子化, 但是沒有實現真正意義上的系統整合。對于企業在運作時產生的龐大數據, 怎樣將這些數據整合并合理的利用, 成了各個企業信息化發展的瓶頸。
2 大數據技術的發展
從大數據技術出現以來, 隨著技術的不斷成熟, 部分企業也開始將這項技術應用到石油石化的生產中, 以便讓企業獲得更多的經濟收益。當然, 大數據技術在石油石化行業的發展、主要體現在了管理數據上面, 當前很多石油石化行業的數據已經轉變成了超大規模的電腦管理模式, 儲存的空間提高了千TB。這項技術的挖掘也解決了在石油石化開采中出現的大規模數據結構非常復雜的問題, 將這個技術運用到實踐中, 既能夠描述生產的過程記錄, 又能在出現問題的時候及時發現, 起到預測的功效, 還可以時刻觀察設備的磨損并進行及時的修理, 可以減少失誤率, 降低不必要的維修成本。
3 大數據技術的應用
近年來, 石化企業的信息化發展策略的重點是數據的采集, 數據分析追求高質量和高效率, 在建設智能化工廠時, 需要合理的利用信息感知、“云計算”、大數據處理等技術。
①No SQL數據庫技術。No SQL (Not only SQL) 數據庫, 是指不同于傳統關系型數據庫的非關系型數據庫。它的數據類型是非結構化的, 數據庫結構不需要事先定義就可以靈活改變。相較于傳統關系型數據庫以行模式進行數據存儲, No SQL數據庫則是以列模式存儲, 數據只要保持結果的匹配, 不需要保持嚴密的一致性即可。它可以在數臺服務器上采用部分協作的方式來進行工作, 支持多種非SQL語言, 它處理數據的能力要比RDBMS大得多。對于那些廣泛使用Oracle數據庫的石化企業來說, Oracle No SQL Database11g商用數據庫使得在今后使用No SQL數據庫來處理工作中產生的大量非結構化數據的成本大大降低。像信息平臺采集到的MES系統、ERP系統以及指紋門禁等各類與生產管理相關的數據都可以利用No SQL數據庫來處理。
②大數據中的Map Reduce技術。Map Reduce是一種編程模型, 它主要用于大規模數據集的并行運算。它的主要思想是可以將需要執行的問題, 如查詢、分析任務等進行自動分割, 并拆解成映射 (map) 和化簡 (reduce) 的方式, 然后再通過Map函數程序將數據映射成不同的區塊, 并將它們分配給機群中的不同處理節點來解決, 從而達到分布式計算的目的, 最后再通過Reduce函數程序將結果匯整之后得出最終結果。Map Reduce技術可以通過大量廉價的服務器來實現大數據的并行處理, 以提高運算速度。石化企業在以往傳統的信息化建設中, 擁有大量的廉價服務器, 采用該技術后, 可以大大降低進行數據處理的成本。
③大數據的ETL預處理技術。為了提高大數據的處理速度, 要將采集到的數據進行填補、合并、規范化等預處理, 而分散在各個應用系統里的不同數據庫中的數據, 也要進行提取、轉換、加載等多維度預處理。ETL預處理技術, 可以把多個數據庫包含的結構化、非結構化的數據提取到臨時中間層, 然后進行清理、轉換、集成, 最終加載到目標數據庫或者文件存儲系統中, 以便運用到日后的數據挖掘中去。
4 結語
大數據技術讓數據的統一性和信息的利用率達到了一個更高的領域, 伴隨著這個新時代的到來, 曾經的石油石化行業中的不同企業已經深深地明白了這個時代將帶來非常大的機會和挑戰, 將來的石油石化行業馬上就會進入一個全新的管理模式, 所以, 在以后的石油石化行業中, 大數據技術是必不可少的, 也是一個企業想要更好發展的唯一道路, 筆者通過對于大數據技術引領時代的介紹, 分析了目前的狀況及相應的特點, 全面的講述了這項技術之后在石油石化行業中的運用, 所以, 在這個新的時代, 我們這些石油石化行業的信息工作人員, 一定要熟悉大數據的相關技術, 并探索這項技術的運用對于以后的石油石化行業的發展走向, 把最新、最先進的技術應用于現在的石油石化行業中去, 使其產生更好的經濟效益。
摘要：隨著科學技術和石油石化行業的迅速發展, 大數據技術已經是石油石化行業必不可少的發展重點, 這項技術應用成果在我們的日常生活中已經隨處可見?，F在的當務之急是要合理有效的運用這項技術, 在石油石化信息化建設的優化當中, 建立企業自己的數據標準及資源池, 隨后才可根據業務的實際需求進行數據的抽取和展示, 徹底杜絕信息孤島的存在。本文主要根據筆者在石化公司信息部門的所見所聞及其工作的相關經驗對這個問題進行探討。
關鍵詞：大數據,石油石化行業,應用
參考文獻
[1] 厲彥柏.石油石化行業工業生產企業事故統計分析工作中的幾個問題[J].安全與健康 (上半月版) , 2011, (9) :41-43.
[2] 陸治榮.石化行業:迎接大數據時代[J].自動化博覽, 2015, (2) :32-33.