❶ 情人節消費大數據

調查顯示，情人節所有花銷中，買禮物是最大的一筆情人節開支，佔比過半，為此花去500-1000元的最多，有28.57%。但花千元以上買禮物的，總計超過三成。

對比已婚夫妻和未婚情侶，融360《維度》欄目發現，已婚人士選擇200元以下情人節禮物的比例高於後者，但同時選擇超過5000元以上禮品的比例也遠高於他們。

比起約會吃喝玩樂，95後花錢最多的項目還是買禮物，在全年齡段中比重最大（67.69%）。此外，以95後為代表的學生黨，在開房住宿上花銷最多的比例達到9.52%，遠超上班族。
而已婚族比未婚族更青睞直接發紅包，調查顯示，直接發紅包的，前者是後者的兩倍還多。若按年齡段區分，也能發現，年紀越長，在發紅包上花錢最多的比重越大，以50後為例，其數據佔比超過四成；而在95後中，這個數據僅1.54%。

愛≠消費：八成男性為情人節「買單」 別讓節日淪為朋友圈競演

禮物or紅包，究竟哪個是對方的最愛呢？

根據融360《維度》欄目的調查，在女性眼裡，直接發紅包最得歡心，佔比接近三成，其次是包包、首飾等大牌禮物頗受喜愛。而一半的男性則慷慨地表示：不用送禮，愛我就好，但這么想的女性僅佔14.19%。

當面對以下提問：您是否認可「禮物越貴重越有心意，給你花錢越多代表越愛你」時，在女性受訪者當中，認可與否幾乎平分秋色；但對此表示不認可的男性超過了八成。

在分析人士看來，這與當今社會中男性仍然更多地承擔經濟責任有關，在目前的社會形態下，男性和女性短期內無法實現真正的經濟平等和觀念平等。

這在融360《維度》欄目調查中得到印證，在情人節分文未花的女性幾乎是男性三倍，高達33.76%。而當問及情人節花銷由誰買單時，超過八成都是男方，有不到一成表示各自都會花點，全部由女方買單的僅佔1.49%。執行嚴格AA制的也只有0.47%，而他們全部來自於一線城市。即便將為另一半的花銷平均到每個月，男性也比女性花出更多錢，其中，為另一半花費過千的男性超過半數，但女性只有22.59%。

❷ 以大數據為主題,寫一篇1500字的文章

可參考下文9個關鍵字寫寫大數據行業2015年年終總結2015年，大數據市場的發展迅猛，放眼國際，總體市場規模持續增加，隨著人工智慧、物聯網的發展，幾乎所有人將目光瞄準了「數據」產生的價值。行業廠商Cloudera、DataStax以及DataGravity等大數據公司已經投入大量資金研發相關技術，Hadoop供應商Hortonworks與數據分析公司NewRelic甚至已經上市。而國內，國家也將大數據納入國策。我們邀請數夢工場的專家妹子和你來聊聊2015年大數據行業九大關鍵詞，管窺這一年行業內的發展。戰略：國家政策今年中國政府對於大數據發展不斷發文並推進，這標志著大數據已被國家政府納入創新戰略層面，成為國家戰略計劃的核心任務之一：2015年9月，國務院發布《促進大數據發展行動綱要》，大力促進中國數據技術的發展，數據將被作為戰略性資源加以重視;2015年10月26日，在國家「十三五」規劃中具體提到實施國家大數據戰略。挑戰：BI(商業智能)2015年對於商業智能(BI)分析市場來說，正由傳統的商業智能分析快速進入到敏捷型商業智能時代。以QlikView、Tableau和SpotView為代表的敏捷商業智能產品正在挑戰傳統的IBMCognos、SAPBusinessObjects等以IT為中心的BI分析平台。敏捷商業智能產品也正在進一步細化功能以達到更敏捷、更方便、適用范圍更廣的目的。崛起：深度學習/機器學習人工智慧如今已變得異常火熱，作為機器學習中最接近AI(人工智慧)的一個領域，深度學習在2015年不再高高在上，很多創新企業已經將其實用化：Facebook開源深度學習工具「Torch」、PayPal使用深度學習監測並對抗詐騙、亞馬遜啟動機器學習平台、蘋果收購機器學習公司Perceptio……同時在國內，網路、阿里，科大訊飛也在迅速布局和發展深度學習領域的技術。共存：Spark/HadoopSpark近幾年來越來越受人關注，2015年6月15日，IBM宣布投入超過3500名研究和開發人員在全球十餘個實驗室開展與Spark相關的項目。與Hadoop相比，Spark具有速度方面的優勢，但是它本身沒有一個分布式存儲系統，因此越來越多的企業選擇Hadoop做大數據平台，而Spark是運行於Hadoop頂層的內存處理方案。Hadoop最大的用戶(包括eBay和雅虎)都在Hadoop集群中運行著Spark。Cloudera和Hortonworks將Spark列為他們Hadoop發行的一部分。Spark對於Hadoop來說不是挑戰和取代相反，Hadoop是Spark成長發展的基礎。火爆：DBaaS隨著Oracle12cR2的推出，甲骨文以全新的多租戶架構開啟了DBaaS(資料庫即服務Database-as-a-Service)新時代，新的資料庫讓企業可以在單一實體機器中部署多個資料庫。在2015年，除了趨勢火爆，12c多租戶也在運營商、電信等行業投入生產應用。據分析機構Gartner預測，2012年至2016年公有資料庫雲的年復合增長率將高達86%，而到2019年資料庫雲市場規模將達到140億美元。與傳統資料庫相比，DBaaS能提供低成本、高敏捷性和高可擴展性等雲計算特有的優點。

❸ 大數據時代發展歷程是什麼

可按照時間點劃分大數據的發展歷程。

❹ 關於高冷大數據和人工智慧帶來了什麼

全球首個以大數據為主題的博覽會——2018中國國際大數據產業博覽會正在貴陽舉行，本屆數博會為期四天，主題為「數化萬物·智在融合」。

輕點滑鼠，購買一台汽車的指令通過平台直接發至汽車廠家，廠家根據指令，開始生產下單的汽車。整個生產、搬運甚至配送過程都實現了機器作業、無人駕駛。甲骨文公司展台工作人員介紹，這個應用省去了4S店這個中間環節，對消費者來說價格肯定便宜一些；對廠家來說，根據客戶需求生產，減少了庫存和資金壓力。

來源：央視新聞移動網

❺ 大數據分析專業什麼時候開始有的

以下是計量數據量的歷史過程中一些具有里程碑意義的事件，以及屬於「大數據」概念進化歷程中的一些「第一次」或者是新發現。

1944年
衛斯理大學圖書館員弗萊蒙特·雷德出版了《學者與研究型圖書館的未來》一書。他估計美國高校圖書館的規模每16年就翻一番。按照這一增長速度，雷德推測2040年耶魯大學圖書館將擁有「約2億冊藏書，將占據6,000餘英里書架…[需要的]編目人員超過6,000人。」
1961年
德里克·普賴斯出版了《巴比倫以來的科學》，在這本書中，普賴斯通過觀察科學期刊和論文的增長規律來研究科學知識的增長。他得出以下結論：新期刊的數量以指數方式增長而不是以線性方式增長，每15年翻一番，每50年以10為指數倍進行增長。普賴斯將其稱之為「指數增長規律」，並解釋道，「科學每前進一步就以一個相當恆定的出現率產生一系列新的進步。因此在任何時候，新科學的產生數量永遠嚴格地與科學發現總量成正比。」
1964年4月
哈里·J·格雷和亨利·拉斯頓在美國電氣與電子工程師協會（IEEE）的《電子計算機學報》上發表了《應對信息爆炸的技巧》一文，在文中，他們提出了以下建議：
1）任何人都不應該發表新論文。2）如果1）不可行，僅短小的論文可以被發表。「短小」的意思是文章不超過2,500字元，空格、標點符號都計算在內。3）如果2）被點贊，則應該實行下述限制：「只有將現存總長度為2501或更多字元的文章刪除一篇或多篇，短小的文章才可以被發表。」
上述建議的實行將產生一個重要的副產品，即減輕人才選拔委員會的負擔。因為一個人的出版物列表將僅被一個負數所代替，這個負數指代了他從現有信息存儲中刪除論文的凈數目。
1967年11月
B·A·馬里恩和P·A·D·德·梅恩在《美國計算機協會通訊》上發表了《自動數據壓縮》一文，文章指出，「近年來被人們所關注的『信息爆炸』使得對所有信息的存儲需求保持在最低限度是非常必要的。」文章描寫道：「全自動壓縮機由三部分組成，能夠快速處理信息，它可以被應用於『任何』信息主體，大大降低了緩慢的外部存儲要求，並可以通過計算機提高信息傳輸速度。」
1971年
亞瑟·米勒在《侵犯隱私》中寫道：「太多的信息處理者看似是以個人檔案存儲容量的比特數目來衡量一個人。」
1975年
日本郵電部開始實施了「信息流普查」計劃，以調查日本的信息總量（這一思想首次是在1969年的一篇文章中提出的）。普查以「字數總量」作為所有媒體的統一衡量單位。1975年的普查已經發現信息供給要比信息消費發展得快得多。1978年的普查報告指出「人們對單向傳播的大眾傳媒所提供信息的需求停滯不前，對以雙向傳播為特徵的個人通信媒體所提供信息的需求大規模增長…我們的社會正在進入一個新階段…在這一階段中，處於優勢地位的是那些能夠滿足個人需求的碎片性的、更為詳細的信息，而不再是那些傳統的被大量復制的、一致性的信息。[阿利斯泰爾·D·達夫，2000；參見馬丁·希爾伯特，2012]
1980年4月
I·A· 特詹姆斯蘭德在第四屆美國電氣和電子工程師協會（IEEE）「大規模存儲系統專題研討會」上做了一個報告，題為《我們該何去何從？》。在報告中，他指出 「那些很早以前就熟悉存儲裝置的人們發現，『帕金森第一法則』可以被用來解釋我們的現狀——『數據擴展至任何可用空間』…我相信大量數據正在被保留，因為用戶無法識別無用的數據；相較於丟棄潛在有用數據的不利後果，存儲無用數據的損失不那麼明顯。」
1981年
匈牙利中央統計辦公室開始實施了一項調查國家信息產業的研究項目，包括以比特為單位計量信息量。這項研究一直持續至今。1993年，匈牙利中央統計辦公室首席科學家伊斯特萬·迪恩斯編制了一本國家信息賬戶的標准體系手冊。[見伊斯特萬·迪恩斯，1994；馬丁·希爾伯特，2012]
1983年8月
伊契爾·索勒·普爾在《科學》雜志上發表了《追蹤信息流》一文，通過對1960年到1977年17種主流通訊媒體發展趨勢的觀察，他得出如下結論「這些媒體為10歲以上的美國人創造的可用詞彙以每年8.9%的速度增長…事實上這些媒體創造的、真正參與流通的單詞僅以每年2.9%的速度增長…在上述期間，信息流的增長在很大程度上是由於廣播的發展…但是在那段時期末 [1977年]情況發生了變化：點對點的媒體比廣播發展得快。」普爾、伊諾茲、高崎、赫維茨在《通信流：一項美國與日本的信息普查》中做了後續研究，這本書對美國和日本所產生的信息量進行了比較。
1986年7月
哈爾·B·貝克爾在《數據通信》上發表了《用戶真的能夠以今天或者明天的速度吸收數據嗎？》一文。貝克爾預計「古滕堡所實現的記錄密度大約是每立方英尺500個符號（字元），是公元前 4,000年蘇美爾人泥土片記錄密度的500倍。到2000年，半導體隨機存取存儲器將能夠在每立方英尺存儲1.25×1011個位元組。」
對於數據存儲而言，1996年數字存儲就比紙張存儲更能節約成本，這是R·J·T·莫里斯和B·J·特拉斯克渥奇在2003年7月1日《IBM系統期刊》上所發表的《存儲系統的演進》一文中指出的。
1997年10月
邁克爾·考克斯和大衛·埃爾斯沃思在第八屆美國電氣和電子工程師協會（IEEE）關於可視化的會議論文集中發表了《為外存模型可視化而應用控製程序請求頁面調度》的文章。文章以下述內容開頭：「可視化對計算機系統提出了一個有趣的挑戰：通常情況下數據集相當大，耗盡了主存儲器、本地磁碟、甚至是遠程磁碟的存儲容量。我們將這個問題稱為大數據。當主存儲器（內核）無法容納數據集，或者當本地磁碟都無法容納數據集的時候，最常用的解決辦法就是獲取更多的資源。」這是在美國計算機學會的數字圖書館中第一篇使用「大數據」這一術語的文章。
1997年
邁克爾·萊斯克發表了《世界上究竟有多少信息？》一文，萊斯克得出以下結論「世界上的信息總量近乎幾千PB；到2000年，磁帶和磁碟的生產將達到上述水平。因此，在短短幾年內，（a）我們可以存儲任何信息——沒有信息不得不被放棄，（b）人們再也不會看到典型的信息片段。」
1998年10月
K·G· 科夫曼和安德魯·奧德里科發表了《互聯網的規模與增長速度》一文。他們認為「公共互聯網流量的增長速度，雖然比通常認為的要低，卻仍然以每年100%的速度增長，要比其他網路流量的增長快很多。然而，如果以當前的趨勢繼續發展，在2002年左右，美國的數據流量就要趕超聲音流量，且將由互聯網主宰。」奧德里科隨後建立了明尼蘇達互聯網流量研究所（MINTS），跟蹤2002年到2009年互聯網流量的增長情況。
1999年8月
史蒂夫·布賴森、大衛·肯懷特、邁克爾·考克斯、大衛·埃爾斯沃思以及羅伯特·海門斯在《美國計算機協會通訊》上發表了《千兆位元組數據集的實時性可視化探索》一文。這是《美國計算機協會通訊》上第一篇使用「大數據」這一術語的文章（這篇文章有一個部分的標題為「大數據的科學可視化」）。文章開篇指出：「功能強大的計算機是許多查詢領域的福音。它們也是禍害；高速運轉的計算產生了規模龐大的數據。曾幾何時我們認為兆位元組（MB）的數據集就很大了，現在我們在單個模擬計算中就發現了300GB范圍的數據集。但是研究高端計算產生的數據是一個很有意義的嘗試。不止一位科學家曾經指出，審視所有的數字是極其困難的。正如數學家、計算機科學家先驅理查德·W·海明指出的，計算的目的是獲得規律性的認識，而不是簡單地獲得數字。」10月份，在美國電氣和電子工程師協會（IEEE）1999年關於可視化的年會上，布賴森、肯懷特、海門斯與大衛·班克斯、羅伯特·范·里拉和山姆·思爾頓在名為「自動化或者交互：什麼更適合大數據？」的專題討論小組中共同探討大數據的問題。
2000年10月
彼得·萊曼與哈爾·R·瓦里安在加州大學伯克利分校網站上發布了一項研究成果：《信息知多少？》。這是在計算機存儲方面第一個綜合性地量化研究世界上每年產生並存儲在四種物理媒體：紙張、膠卷、光碟（CD與DVD）和磁碟中新的以及原始信息（不包括備份）總量的成果。研究發現，1999年，世界上產生了 1.5EB獨一無二的信息，或者說是為地球上每個男人、每個女人以及每個孩子產生了250MB信息。研究同時發現，「大量唯一的信息是由個人創造和存儲的」（被稱為「數字民主化」），「數字信息產品不僅數量龐大，而且以最快的速度增長」。作者將這項發現稱為「數字統治」。萊曼和瓦里安指出，「即使在今天，大多數文本信息都是以數字形式產生的，在幾年之內，圖像也將如此。」2003年，萊曼與瓦里安發布了最新研究成果：2002年世界上大約產生了5EB 新信息，92%的新信息存儲在磁性介質上，其中大多數存儲在磁碟中。
2001年2月
梅塔集團分析師道格·萊尼發布了一份研究報告，題為《3D數據管理：控制數據容量、處理速度及數據種類》。十年後，3V作為定義大數據的三個維度而被廣泛接受。
2005年9月
蒂姆·奧萊利發表了《什麼是Web2.0》一文，在文中，他斷言「數據將是下一項技術核心」。奧萊利指出：「正如哈爾·瓦里安在去年的一次私人談話中所說的，『結構化查詢語言是一種新的超文本鏈接標示語言』。資料庫管理是Web2.0公司的核心競爭力，以至於我們有些時候將這些應用稱為『訊件』，而不僅僅是軟體。」
2007年3月
約翰·F·甘茨，大衛·萊茵澤爾及互聯網數據中心（IDC）其他研究人員出版了一個白皮書，題為《膨脹的數字宇宙：2010年世界信息增長預測》。這是第一份評估與預測每年世界所產生與復制的數字化數據總量的研究。互聯網數據中心估計，2006年世界產生了161EB數據，並預測在2006年至2010年間，每年為數字宇宙所增加的信息將是以上數字的六倍多，達到988EB，或者說每18個月就翻一番。據2010年和2011年同項研究所發布的信息，每年所創造的數字化數據總量超過了這個預測，2010年達到了1,200EB，2011年增長到了1,800EB。
2008年1月
布雷特·斯旺森和喬治·吉爾德發表了《評估數字洪流》一文，在文中他們提出到2015年美國IP流量將達到1ZB，2015年美國的互聯網規模將至少是2006年的50倍。
2008年6月
思科發布了一份報告，題為《思科視覺網路指數——預測與方法，2007-2012》，作為「持續跟蹤和預測視覺網路應用影響的行動」的一部分。這份報告預言，「從現在到2012年，IP流量將每兩年翻一番」，2012年IP流量將達到0.5ZB。這份預測比較准確，正如思科最近一份報告（2012年5月 30日）指出的，2012年IP流量剛剛超過0.5ZB，「在過去的5年中增長了8倍」。
2009年12月
羅傑·E·博恩和詹姆斯·E·少特發表了《信息知多少？2009年美國消費者報告》。研究發現，2008年「美國人消費了約1.3萬億小時信息，幾乎平均每天消費12小時。總計3.6澤位元組（ZB），10,845萬億單詞，相當於平均每人每天消費100,500單詞及34GB信息。博恩、少特和沙坦亞·巴魯在2011年1月發表了《信息知多少？2010年企業伺服器信息報告》，繼續上述研究。在文中他們估計，2008年「世界上的伺服器處理了9.57ZB信息，幾乎是95,700,000,000,000,000,000,000位元組信息，或者是10萬億GB。也就是平均每天每個工作者產生12GB信息，或者每年每個工作者產生3TB 信息。世界上所有的公司平均每年處理63TB信息。」
2010年2月
肯尼斯·庫克爾在《經濟學人》上發表了一份關於管理信息的特別報告《數據，無所不在的數據》。庫克爾在文中寫道：「…世界上有著無法想像的巨量數字信息，並以極快的速度增長…從經濟界到科學界，從政府部門到藝術領域，很多地方都已感受到了這種巨量信息的影響。科學家和計算機工程師已經為這個現象創造了一個新詞彙：『大數據』。」
2011年2月
馬丁·希爾伯特和普里西拉·洛佩茲在《科學》雜志上發表了《世界存儲、傳輸與計算信息的技術能力》一文。他們估計1986至2007年間，世界的信息存儲能力以每年25%的速度增長。同時指出，1986年99.2%的存儲容量都是模擬性的，但是到了2007年，94%的存儲容量都是數字化的，兩種存儲方式發生了角色的根本性逆轉（2002 年，數字化信息存儲第一次超過非數字化信息存儲）。
2011年5月
麥肯錫全球研究院的詹姆斯•馬尼卡、邁克爾·崔、布雷德·布朗、傑克斯·卜黑、理查德·多布斯、查爾斯·羅克斯伯勒以及安傑拉·孔·拜爾斯發布了《大數據：下一個具有創新力、競爭力與生產力的前沿領域》。他們指出：「到2009年，對於美國所有的經濟部門而言，平均每個有1，000名以上員工的公司所存儲的數據至少有200TB（是美國零售商沃爾瑪在1999年數據倉儲的兩倍）」證券和投資服務部門所存儲的數據處於領先地位。總的來講，這項研究估計2010 年所有的公司存儲了7.4EB新產生的數據，消費者存儲了6.8EB新數據。
2012年4月
《國際通信學報》出版了「信息計量」專題，這是多種測量信息量的研究方法與研究結果的專題。在《追蹤家庭信息流》一文中，諾伊曼、帕克和潘尼克（運用前文提到的日本郵電部和普爾的研究方法）估計，為美國家庭所提供的所有媒體信息從1960年的每天50,000分鍾增長到2005年的900,000分鍾。根據2005年的供需比例，他們估計美國人「1分鍾所需消費的信息有1,000分鍾的媒體內容可供選擇。」在《信息的國際化生產與傳播》一文中，邦妮和吉爾（運用上文中萊曼和瓦里安的研究方法）估計2008年世界產生了14.7EB新信息，接近2003年信息總量的三倍。
注釋：我有意沒有考慮對信息價值（和成本）的討論，及用金融術語和/或信息/知識工作者的數量來衡量信息經濟（例如馬克盧普、波拉特、謝曼特）的嘗試。同樣沒有考慮的還有很多有意思的關於「信息超載」的參考文獻，或者是相似的術語，詹姆斯·格雷克在最近出版的《信息》（詳見第15章）一書中對這些術語進行了調查。格雷克在克勞德·申農的注釋中發現了申農（1949年）試圖判定具有「比特存儲容量」的各種事物，如穿孔卡片、 「人類遺傳學構造」（格雷克指出，申農是提出「基因組是一個信息庫，並以比特為單位進行衡量」的第一人）、唱片。在申農的列表裡，最大條目是擁有100萬億兆比特的美國國會圖書館。


—— 大數據發展簡史

❻ 有什麼大數據分析工具可以幫助優化廣告投放

相信很多網站的站長每天工作時都要看網站數據統計(cnzz統計、網路統計、51拉),而且其中大部分人應該也只看網站的「瀏覽次數(PV)」,「獨立訪客(UV)」,「來路域名」,「搜索詞」等這些大概的數據。但是,這些數據都只是一個表面的概覽,而數據統計所包含的東西遠遠不止這些。作為一個出色的站長還需要做一些深層次的數據挖掘才能有助於進行網站推廣、SEO等運營工作。接下來我們將以cnzz作為案例來分析下通過統計工具我們能挖掘到的以及我們能利用的東西。 網站搜索詞數據來做搜索引擎優化seo 我個人是反感為了做搜索引擎優化而去寫大量的無意義文章的,如果為了優化而優化,我們可能獲得了流量,丟掉了用戶。而根據搜索引擎的特點做一些順理成章的優化則是必要的。通過數據統計工具,我們可以查看到最近一個月各大搜索引擎給我們帶來的流量以及每天搜索詞的變化。如果發現某一個關鍵詞帶來的流量突然下降,我們有必要查詢下這個關鍵詞排名情況,並且多增加一些鏈接指向包含該關鍵詞的文章 。如果我們能寫出有價值的文章,還可以圍繞該關鍵詞寫一個專題。 網站用戶體驗 我們有多少老訪客?網站吸引力,用戶只來網站逛一次嗎?讀者能在我們網站待多久?這些數據都能從側面反映讀者對我們網站的關注程度和忠誠度。如果網站經常出現平均訪問時間不超過一分鍾的情況,那麼站長真該反思了。一般來說,上面三個問題都是正相關的,老訪客少也就意味著很多人只逛一次再也不回來,也意味著讀者在網站看不了多久。對於採集站或者專做seo的網站,這些數據無關緊要,對於個人博客網站,這些數據基本上決定了網站的前途。 「人群價值」數據所帶來的價值 「人群價值」是新推出不久的一個欄目。筆者無法判斷這個數據是否准確,也不知道統計統計是怎麼統計這么詳細的數據的。從另外一個角度來說,我們既然看統計數據,肯定是要相信數據真實性的。這個數據和一般的原始數據不同,應該是使用大數據進行雲計算最後挖掘出來的深層次數據。假設這個cnzz雲計算已經進化的相當強大,那麼」人群價值」這個數據是很多站長的福音。通過分析網站用戶群體,站長們可以開展各項營銷活動,如果流量做的不錯,甚至可以結合「淘寶客」來創造收入。這項數據也可以用來吸引廣告商,讓他們更加明確他們投放廣告的作用。舉例來說,如果網站用戶中「數碼達人」占據的比例非常高,站長們可以吸引數碼相機商家來投放廣告。 我們網站跟上了移動互聯網的節奏嗎? 根據下圖,我們可以清楚的看到網站在移動端的訪問情況。88.09的手機流量來源於移動瀏覽器直接訪問,這里的直接訪問有兩種情況,1)直接輸入網址 2)收藏網址到收藏夾。8.84%的流量來源收移動到網路搜索,其他分別是QQ 1.26%,微信1.26%,搜狗搜索0.18%. QQ流量一般來源於qq空間,如果我們qq擁有大量的單向好友,使用qq空間做網站推廣是一個很好的方式。還有一些知名的自媒體人直接在qq空間開展推廣,比如董董和木春。微信是現在自媒體的主要陣營,這一點上筆者做的並不好,來自微信的流量比較少。在微信上做網站推廣多數情況是在文章中的」閱讀原文」上做流量導入,很少直接在正文中推介網站,這也和微信粉絲的忠誠度有關聯。 從用戶手機型號挖掘到什麼? 用戶」移動設備」這個數據我估計絕大多數站長沒有關注過。筆者覺得這個數據是一塊隱藏在角落裡的瑰寶。我們站長一般情況下很難得知我們網站用戶群的人群消費能力,用戶階層,用戶價值等數據。如果說對於」人群價值」這個非原始且經過雲計算生成的數據我們還抱有懷疑態度的話,那麼「用戶手機型號」這個基礎原始數據是毋容置疑的。通過移動設備這項數據我們基本上能判斷出用戶價值。比如移動用戶中合計有17%的用戶在使用蘋果,2.63%使用小米,1.97%使用vivo,1.32使用oppo。使用蘋果的用戶用戶排名第一,在一定程度上能說明用戶消費能力比較強。使用小米排第二位,能告訴我們網站年輕訪客比較多,其中很多可能是學生群體。vivo和oppo則一定程度上反映了女性用戶的數量。用戶階層的分布情況反過來能讓我們更加明確網站的受眾,反應了我們網站比較受到哪些用戶群體歡迎。從而能讓站長投其所好,更加專注到我們的目標人群活著是想辦法擴展一些我們還沒有觸及到的用戶群體。 如果你還在天天盯著統計數據看甚至幾個小時就要刷一次的,如果你從來只看大概數據而從來不仔細看看深層次數據的話,那麼嘗試著改變下你的習慣。尤其是當網站的流量越來越多的時候,我相信挖掘下統計數據會讓我們有意想不到的收獲。

❼ 大數據的邊界和大數據生存法則

大數據的邊界和大數據生存法則

「大數據」的洶涌澎湃，讓人們逐漸意識到，由此帶來的，極有可能是一場發生在幾乎所有領域的顛覆性革命。只是，雖然坊間有關大數據的論著很多，但敢於將這種趨勢上升到「主義」高度的，恐怕非史蒂夫·洛爾莫屬。身為在《紐約時報》撰稿長達二十餘年的非虛構寫作者和資深記者、編輯，因為長期從事數據科學報道，洛爾早在十多年前就敏銳地感受到「大數據」即將給人類帶來的變化。而眼前的這本《大數據主義》，不同於此前的大多數同類論著的動人之處在於，它以一個在數據分析行業找到人生價值的年輕人、曾為臉譜網建立了最初的數據科學家團隊的哈佛畢業生傑夫·哈梅巴赫的經歷，以及人類數據時代的標桿——IBM公司的大數據生存法則為主線，在敘事中又穿插了大量相關人物的故事和觀點，勾勒出了近幾年大數據浪潮對人類生活諸多方面的深刻影響。

早在2012年初，史蒂夫·洛爾便先知先覺地以「大數據主義」為題，在《紐約時報》「周日評論」板塊發表了一篇社論，網站點擊量激增，很多讀者還寫了關於這篇文章的評論。《大數據主義》便是對上述主題進一步挖掘的成果。

傑夫·哈梅巴赫，這位曾在華爾街這個聰明人匯集的行業做金融數據分析，之後又加盟臉譜網，在從事數據科學研究的同時也為自己的人生贏得了財務自由。離開臉譜網後，他自己創辦了一家名為Cloudera的公司，自任首席科學家，編寫用於數據科學研究的軟體。2012年夏天，年僅28歲的哈梅巴赫又轉戰醫療業，加入紐約西奈山伊坎醫學院，領導一個數據小組，從事遺傳信息的研究，為探索疾病模型的建立方法和治療手段尋找突破口，這是他認為的目前能將數據科學研究投入應用的最佳途徑。而作為一家有著上百年歷史的科技巨頭，IBM對數據技術的進展同樣甚為關注，他們在較早時候就組建了研究團隊，制定了戰略方針，投入了大量資金，招募大批該領域的專家，團隊人數至今已達2000人。其首席執行官甚至告訴洛爾：「我們把整個公司的前途都押在了大數據技術的應用上。」

大數據生存法則

自1946年計算機問世以來，便不可逆轉地加速改變著人類的生活方式和進程。時至今日，海量存在於互聯網及其他各處、能被人們獲取的信息，早已由千位元組（KB）、兆（MB）、千兆（GB）、太位元組（TB），躍升為拍位元組（PB）、艾位元組（EB）、澤位元組（ZB），乃至堯位元組（YB）。據測算，如果將人類現存的信息全部匯集並存貯起來，需要用到的ipad，疊加起來的厚度可繞地球三分之二圈。正是這驚人的數據總量，使人類在處理信息時能經歷從量變到質變的過程，就如同物質到了納米級別，各種原有的特性都會發生驚人的突變，「大數據」概念的誕生，正是數據存量不斷累積的必然結果。

面對不斷生成的各種數據，尤其同一個系統或平台上生成的數據，盡管以人類的大腦很難理清它們相互之間的關系，對這些數據得以如此產生的前因後果更無法給出合乎邏輯的解釋，但它們之間確實存在著一定的相關性。盡管以人類現有的理解能力看來，這種相關性並不十分清晰，甚至有幾分神秘，但通過總結這一系列數據之間的生成規律，人們仍然可以比過去更為有效地決策，而不是像過去通常所做的那樣，依靠個人直覺或是一些只可意會不可言傳的經驗來做出某個重要決定。因此，許多在過去看來無用的數據，今日都「變廢為寶」了。舉例來說，世界最大零售商沃爾瑪通過對大數據統計和研究發現，男性顧客在購買嬰兒尿片時，通常會順便買上幾瓶啤酒。盡管商家不知其中緣由，但還是果斷推出了啤酒與尿布捆綁銷售的促銷方式，提升了啤酒銷量。由此看來，正是大數據帶來的定量分析方法，為人們的決策帶來了新的參考依據。作為一種創新工具，它還催生了大量相關技術，如社交媒體、感測器信號、基因組信息等，不僅有利於經濟增長，還可以幫助我們重塑構建世界的方式，甚至在一定程度上改變我們世界觀。

盡管大數據技術剛剛起步，但如今可涵蓋的應用領域已十分廣泛：從挖掘數據幫助企業經營決策，到對社交媒體用戶展開細致入微的數據分析，提高網站的廣告點擊率；從利用大數據培育性能前所未有的智能機器人，到推動一些傳統產業的升級換代。此外，還有更為性命攸關的醫療行業的「大數據革命」。例如有人提出，許多慢性疾病並非個體基因引起，而是一種復雜的網路性紊亂，涉及從分子、細胞、組織、器官到人類社群的各個環節。因此他們將一組涉及年齡、病史、生活方式和環境等可能影響疾病的發生發展因素，通過復雜的數學模型，全部轉化為數字，以便試驗性地檢測一個人三年內患上某種疾病的可能性。盡管從定量分析角度看，精密科學，如物理學、化學等學科更為成熟，預測結果也更准確，但人們仍在努力引導醫療行業向定量分析的方向發展，而非僅僅依靠經驗對人的健康狀況定性。

在美國某些研究機構中，大數據應用幾乎可協助建立人類行為模型，幫助人們了解自身各種行為之間的關聯關系，那些不曾為人所知的人類行為的奧秘也將慢慢得到破解。

另一個很有意思的例子，發生在IBM公司研製的智能機器人沃森身上。這個「人」在《危險邊緣》節目中高超的信息處理速度，戰勝了面對人類對手戰無不勝的超級挑戰者，令人想起當年深藍戰勝棋王卡斯帕羅夫的故事。似乎顯得巧合的是，深藍的發明者，同樣是IBM公司，如今它又一次以輝煌戰績證明了在人工智慧領域的領先地位，所不同的是，這次的勝利，離不開大數據技術的鼎力相助。

在IBM沃森實驗室召開的一次學術會議上，人工智慧專家希利斯更提出了一個極具前瞻性的觀點：「機器人必須學會講故事。」在希利斯看來，如果一個計算機系統只會提供答案，而不會「思考」和「解釋」問題，那麼無論運算速度多快，都不會有突破性的前景。這里所說的「講故事」，其實就是在軟體糅合數據、想法、推斷，並形成決策時，對整個過程實施跟蹤，讓人們在使用過程中和過後都能知道計算機是如何一步一步完成其工作的。給出這樣的解釋，就能讓人們知道機器人與我們之間的關系，也就是弄清楚，在整個決策過程中，有哪些部分工作是機器人完成的，有哪些是由人類所做的。

大數據真果真無懈可擊？

既然如此神奇，大數據技術及其應用豈不是理應被當代渴望進步、增長的人們頂禮膜拜·史蒂夫·洛爾並不這樣認為。大數據技術的應用，僅從其可靠性而言，就亟待改進。在近年來一些大公司的錯誤經營行為中，常常可找到大數據應用的影子。此外，伴隨大數據技術滲透進人們生活的，還有個人隱私被泄露的風險。無論社交網路的使用，還是各種隨身軟體中內置的定位裝置，甚至連個人的基因信息，都會在人們並不知情的情況下，被大數據擁有者有意或無意地獲取，從而令個人信息的保護程序受到嚴重威脅。

這方面最典型的例子還要數安客誠公司。這家全美最大的數據代理商，在全球范圍內收集了數億名消費者的相關數據。這些公開或推斷所得的信息包括年齡、種族、性別，黨派，以及諸如對度假的期待、對健康的關注程度等非客觀信息。在將這些數據歸納之後，這家網站就可輕易推斷出大多數美國成年人在這些項目上的相關數據，其深入細致的程度無人可及。《紐約時報》的一位評論員甚至寫道：「訪問者登錄之後就會發現，該網站不僅有大量與自己有關的信息，甚至還有描述詳細的私生活，面對這種情況，他們可能會大吃一驚。」面對這種對個人隱私的嚴重侵犯，除了少數民間的隱私權倡導者提出抗議之外，無論從法律或技術層面，至今仍沒能設計出有效的預防措施加以制止。

更為本質的問題還在於：盡管很多大型現代企業早已進入了「無法計量就無法管理」的時代，但在人類生活的其他方面，仍有許許多多重要的東西無法只用數據就可以說明或解決的。事實上，至少迄今為止，幾乎所有能賦予我們的生活以終極意義的東西，如情感、信仰、人與人之間的愛，還有個體自身庄嚴闊大的精神世界，都絕不可能以數據來涵蓋或表達。因此單純的數據崇拜並非福音，面對人類生活的無數復雜微妙之處，任何形式的「大數據決策」，都有必要用謙卑來調和，以免誤入歧途。

以上是小編為大家分享的關於大數據的邊界和大數據生存法則的相關內容，更多信息可以關注環球青藤分享更多干貨