A. 哪些企業需要大數據分析

大數據(big data,mega data)，或稱巨量資料，指的是需要新處理模式才能具有更強的決策力、洞察力和流程優專化能力的海屬量、高增長率和多樣化的信息資產。 大數據的5V特點:Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值密度)、Veracity（真實性）。
數據蘊藏著各種信息，企業可以通過大量的數據信息總結出很多有用信息，從而依據這些結論來制定相關的決策去幫助企業的運作。因此，各行各業都需要大數據分析，而且大數據分析現在的發展趨勢良好。
目前來說，應用大數據分析較多的企業為大型零售商，比如各大型連鎖超市；各類銀行；各類軟體公司比如甲骨文，IBM，微軟和SAP等

B. 大數據，離化工有多遠

前瞻產業研究院《2016-2021年中國化工市場行業市場前瞻與投資戰略規劃分析報告》顯示，近年來，我國的石油化工企業安全生產隱患排查工作主要靠人力，通過人的專業知識去發現生產中存在的安全隱患，這種方式極易受到主觀因素影響，且很難界定安全與危險狀態，可靠性差;由於缺少有效的分析工具和對事故規律的認識，導致我國對於安全生產主要採取「事後管理」的方式，在事故發生後才分析事故原因、追究事故責任、制定防治措施，這種方式存在很大局限性，不能達到從源頭上防治事故的目的。若控制事故，減少損失，必須對大量人的因素、工作的因素、不合規行為等進行控制。而控制這些需要將安全生產中的有價值的信息進行深度挖掘，尋找出內在規律。
大數據在一個行業上收集、應用其實更能促進優化生產，但是很多數據涉及到企業的生產經營機密，很多企業不願意公開或者交流，特別是安全事故的數據更不願意提供。兗礦魯南化工有限公司氣化分廠廠長李波向記者坦言，現在很多廠家保密、競爭意識強、太保守，只在各自公司做文章，永遠也不會大眾化的普及。全國化工硝酸硝酸鹽工作委員會主任委員錫秀屏向記者表示，建立行業性的大數據不好操作。
也有業內人士透露，參數、視頻、圖片這些數據收集、整理分析也是一個很漫長的過程，做這項工作很繁瑣，企業積極性不高。更有企業負責人認為，大數據應用於生產經營，只不過是企業自動化、信息化的一個提升，這好比裝修房子，裝修到什麼程度為好，究竟產生什麼量化的效果，很難判斷。因此，不少化工企業認為，大數據離社會很近，離我們行業很遠。
調研中，如何開發數據、激活數據，讓沉睡的數據創造價值，這是石油化工企業應用大數據的挑戰。但是，李波堅信，以後各廠家必然會回歸到應用大數據上來，大數據以後在化工裝置上的應用也會普及的。

C. 如何進行大數據分析及處理

探碼科技大數據分析及處理過程


聚雲化雨的處理方式

  • 聚雲：探碼科技全面覆蓋各類數據的處理應用。以數據為原料，通過網路數據採集、生產設備數據採集的方式將各種原始數據凝結成雲，為客戶打造強大的數據存儲庫；

  • 化雨：利用模型演算法和人工智慧等技術對存儲的數據進行計算整合讓數據與演算法產生質變反應化雲為雨，讓真正有價值的數據流動起來；

  • 開渠引流，潤物無聲：將落下「雨水」匯合成數據湖泊，對數據進行標注與處理根據行業需求開渠引流，將一條一條的數據支流匯合集成數據應用中，為行業用戶帶來價值，做到春風化雨，潤物無聲。

D. 大數據分析領域有哪些分析模型

數據角度的模型一般指的是統計或數據挖掘、機器學習、人工智慧等類型的模型，是純粹從科學角度出發定義的。
1. 降維
在面對海量數據或大數據進行數據挖掘時，通常會面臨「維度災難」，原因是數據集的維度可以不斷增加直至無窮多，但計算機的處理能力和速度卻是有限的；另外，數據集的大量維度之間可能存在共線性的關系，這會直接導致學習模型的健壯性不夠，甚至很多時候演算法結果會失效。因此，我們需要降低維度數量並降低維度間共線性影響。
數據降維也被成為數據歸約或數據約減，其目的是減少參與數據計算和建模維度的數量。數據降維的思路有兩類：一類是基於特徵選擇的降維，一類是是基於維度轉換的降維。
2. 回歸
回歸是研究自變數x對因變數y影響的一種數據分析方法。最簡單的回歸模型是一元線性回歸（只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示），可以表示為Y=β0+β1x+ε，其中Y為因變數，x為自變數，β1為影響系數，β0為截距，ε為隨機誤差。
回歸分析按照自變數的個數分為一元回歸模型和多元回歸模型；按照影響是否線性分為線性回歸和非線性回歸。
3. 聚類
聚類是數據挖掘和計算中的基本任務，聚類是將大量數據集中具有「相似」特徵的數據點劃分為統一類別，並最終生成多個類的方法。聚類分析的基本思想是「物以類聚、人以群分」，因此大量的數據集中必然存在相似的數據點，基於這個假設就可以將數據區分出來，並發現每個數據集（分類）的特徵。
4. 分類
分類演算法通過對已知類別訓練集的計算和分析，從中發現類別規則，以此預測新數據的類別的一類演算法。分類演算法是解決分類問題的方法，是數據挖掘、機器學習和模式識別中一個重要的研究領域。
5. 關聯
關聯規則學習通過尋找最能夠解釋數據變數之間關系的規則，來找出大量多元數據集中有用的關聯規則，它是從大量數據中發現多種數據之間關系的一種方法，另外，它還可以基於時間序列對多種數據間的關系進行挖掘。關聯分析的典型案例是「啤酒和尿布」的捆綁銷售，即買了尿布的用戶還會一起買啤酒。
6. 時間序列
時間序列是用來研究數據隨時間變化趨勢而變化的一類演算法，它是一種常用的回歸預測方法。它的原理是事物的連續性，所謂連續性是指客觀事物的發展具有合乎規律的連續性，事物發展是按照它本身固有的規律進行的。在一定條件下，只要規律賴以發生作用的條件不產生質的變化，則事物的基本發展趨勢在未來就還會延續下去。
7. 異常檢測
大多數數據挖掘或數據工作中，異常值都會在數據的預處理過程中被認為是「噪音」而剔除，以避免其對總體數據評估和分析挖掘的影響。但某些情況下，如果數據工作的目標就是圍繞異常值，那麼這些異常值會成為數據工作的焦點。
數據集中的異常數據通常被成為異常點、離群點或孤立點等，典型特徵是這些數據的特徵或規則與大多數數據不一致，呈現出「異常」的特點，而檢測這些數據的方法被稱為異常檢測。
8. 協同過濾
協同過濾（Collaborative Filtering，CF)）是利用集體智慧的一個典型方法，常被用於分辨特定對象（通常是人）可能感興趣的項目（項目可能是商品、資訊、書籍、音樂、帖子等），這些感興趣的內容來源於其他類似人群的興趣和愛好，然後被作為推薦內容推薦給特定對象。
9. 主題模型
主題模型（Topic Model），是提煉出文字中隱含主題的一種建模方法。在統計學中，主題就是詞彙表或特定詞語的詞語概率分布模型。所謂主題，是文字（文章、話語、句子）所表達的中心思想或核心概念。
10. 路徑、漏斗、歸因模型
路徑分析、漏斗分析、歸因分析和熱力圖分析原本是網站數據分析的常用分析方法，但隨著認知計算、機器學習、深度學習等方法的應用，原本很難衡量的線下用戶行為正在被識別、分析、關聯、打通，使得這些方法也可以應用到線下客戶行為和轉化分析。

E. 大數據分析 離化工行業有多遠

化工設備來如DCS,MES中儲存有大量的數據源，這些數據只有不到1%會被公司技術人員拿來做一些簡單的分析對比，數據中有很大的價值沒有被挖掘，是一件很遺憾的事情。主要原因是企業內部沒有專業的大數據分析人員，又擔心數據給到外面的專業團隊會導致公司機密泄露，這種擔心可以理解但是不被認可。隨著這幾年的發展，工業4.0成為現階段工業發展的代名詞，有一些企業也逐漸在嘗試進行找專業團隊進行大數據的挖掘，通過數據採集--數據分析--建立數學模型--運用模型解決問題--知識積累--預警問題的發生 的過程，在產品良率，故障預警方面有了很大的提高，實現節能，降耗，提質，增效。

F. 煤化工行業大數據能做什麼

能知道煤化工做不長了

G. 國內真正的大數據分析產品有哪些

國內的大數據公司還是做前端可視化展現的偏多，BAT算是真正做了大數據的，行業有硬性需求，別的行業跟不上也沒辦法，需求決定市場。
說說更通用的數據分析吧。
大數據分析也屬於數據分析的一塊，在實際應用中可以把數據分析工具分成兩個維度：
第一維度：數據存儲層——數據報表層——數據分析層——數據展現層
第二維度：用戶級——部門級——企業級——BI級

1、數據存儲層
數據存儲設計到資料庫的概念和資料庫語言，這方面不一定要深鑽研，但至少要理解數據的存儲方式，數據的基本結構和數據類型。SQL查詢語言必不可少，精通最好。可從常用的selece查詢，update修改，delete刪除，insert插入的基本結構和讀取入手。

Access2003、Access07等，這是最基本的個人資料庫，經常用於個人或部分基本的數據存儲；MySQL資料庫，這個對於部門級或者互聯網的資料庫應用是必要的，這個時候關鍵掌握資料庫的庫結構和SQL語言的數據查詢能力。

SQL Server2005或更高版本，對中小企業，一些大型企業也可以採用SQL Server資料庫，其實這個時候本身除了數據存儲，也包括了數據報表和數據分析了，甚至數據挖掘工具都在其中了。

DB2，Oracle資料庫都是大型資料庫了，主要是企業級，特別是大型企業或者對數據海量存儲需求的就是必須的了，一般大型資料庫公司都提供非常好的數據整合應用平台。

BI級別，實際上這個不是資料庫，而是建立在前面資料庫基礎上的，企業級應用的數據倉庫。Data Warehouse，建立在DW機上的數據存儲基本上都是商業智能平台，整合了各種數據分析，報表、分析和展現！BI級別的數據倉庫結合BI產品也是近幾年的大趨勢。

2、報表層
企業存儲了數據需要讀取，需要展現，報表工具是最普遍應用的工具，尤其是在國內。傳統報表解決的是展現問題，目前國內的帆軟報表FineReport已經算在業內做到頂尖，是帶著數據分析思想的報表，因其優異的介面開放功能、填報、表單功能，能夠做到打通數據的進出，涵蓋了早期商業智能的功能。

Tableau、FineBI之類，可分在報表層也可分為數據展現層。FineBI和Tableau同屬於近年來非常棒的軟體，可作為可視化數據分析軟體，我常用FineBI從資料庫中取數進行報表和可視化分析。相對而言，可視化Tableau更優，但FineBI又有另一種身份——商業智能，所以在大數據處理方面的能力更勝一籌。

3、數據分析層
這個層其實有很多分析工具，當然我們最常用的就是Excel，我經常用的就是統計分析和數據挖掘工具；
Excel軟體，首先版本越高越好用這是肯定的；當然對excel來講很多人只是掌握了5%Excel功能，Excel功能非常強大，甚至可以完成所有的統計分析工作！但是我也常說，有能力把Excel玩成統計工具不如專門學會統計軟體；
SPSS軟體：當前版本是18，名字也改成了PASW Statistics；我從3.0開始Dos環境下編程分析，到現在版本的變遷也可以看出SPSS社會科學統計軟體包的變化，從重視醫學、化學等開始越來越重視商業分析，現在已經成為了預測分析軟體；
SAS軟體：SAS相對SPSS其實功能更強大，SAS是平台化的，EM挖掘模塊平台整合，相對來講，SAS比較難學些，但如果掌握了SAS會更有價值，比如離散選擇模型，抽樣問題，正交實驗設計等還是SAS比較好用，另外，SAS的學習材料比較多，也公開，會有收獲的！
JMP分析：SAS的一個分析分支
XLstat：Excel的插件，可以完成大部分SPSS統計分析功能

4、表現層
表現層也叫數據可視化，以上每種工具都幾乎提供了一點展現功能。FineBI和Tableau的可視化功能上文有提過。其實，近年來Excel的可視化越來越棒，配上一些插件，使用感更佳。
PPT：辦公常用，用來寫數據分析報告；
Xmind&網路腦圖：梳理流程，幫助思考分析，展現數據分析的層次；
Xcelsius軟體：Dashboard製作和數據可視化報表工具，可以直接讀取資料庫，在Excel里建模，互聯網展現，最大特色還是可以在PPT中實現動態報表

H. 化學專業的轉行做大數據能行嘛

沒有大數據這個專業，卻能出現大數據的專家。所以只要用心學、用心做化學專業沒什麼不可以。

I. 什麼是真正的工業領域大數據分析

數據分析思維和業務的理解，是分析師賴以生存的技能。很多時候，工具是錦上添花的作用。掌握Excel+SQL/hive，了解描述統計學，知道常見的可視化表達，足夠完成大部分任務。機器學習這類能力，對此類數據分析師不是必須的，Python也一樣，只是加分項。畢竟為什麼下跌，你無法用數據挖掘解答。

J. 大數據離化工還有多遠

大數據在一個行業上收集、應用其實更能促進優化生產，但是很多數據涉及到企業的生產經營機密，很多企業不願意公開或者交流，特別是安全事故的數據更不願意提供。兗礦魯南化工有限公司氣化分廠廠長李波向記者坦言，現在很多廠家保密、競爭意識強、太保守，只在各自公司做文章，永遠也不會大眾化的普及。全國化工硝酸硝酸鹽工作委員會主任委員錫秀屏向記者表示，建立行業性的大數據不好操作。
也有業內人士透露，參數、視頻、圖片這些數據收集、整理分析也是一個很漫長的過程，做這項工作很繁瑣，企業積極性不高。更有企業負責人認為，大數據應用於生產經營，只不過是企業自動化、信息化的一個提升，這好比裝修房子，裝修到什麼程度為好，究竟產生什麼量化的效果，很難判斷。因此，不少化工企業認為，大數據離社會很近，離我們行業很遠。
調研中，如何開發數據、激活數據，讓沉睡的數據創造價值，這是石油化工企業應用大數據的挑戰。但是，李波堅信，以後各廠家必然會回歸到應用大數據上來，大數據以後在化工裝置上的應用也會普及的。