A. 大數據如何搜集

首先你得有用戶基數，然後才有大數據。用戶不一定得是人，物也可以。通過對大量數據的收集處理，就成了大數據。

B. 如何收集大數據

可用爬蟲爬取。既然是大數據，相信需要的體量不會太小吧，個人系統爬取難度和成本應該不會很小，建議找一家做大數據的公司代勞，省時省力，也花不了多少錢。

C. 什麼是大數據採集平台

大數據採集是大數據的基礎，通過採集的數據在平台上匯總和分析，最終形成一套完整的數據系統。海鰻雲旅遊大數據平台，就是專業做旅遊大數據的公司，擁有自己的旅遊大數據平台。

D. 數據的採集方法，主要包括哪幾類（大數據及應用）

這個問題沒有標准答案
我覺得就兩類，一類是採集，比如爬蟲、感測器、日誌 這類是客觀世界生成信息和數據
另一類是搬運，比如批量移動，實時移動，這一類就是純技術問題

E. 大數據怎麼收集

通過數據抓取和數據監測，整合成一個巨大的資料庫——產業經濟數據監測、預測與政策模擬平台

F. 大數據時代怎樣用統計學搜集數據

已上提問是統計學基本概念不清楚：有的學者認為大數據時代統計學過時了；實際上：這是一種錯誤學說，就是一個大呼悠。所為的大數據就是數據流大一點而已，從數據擴展到信息，並沒有超出統計學描述的范圍；也就是互聯網、計算機、蘋果手機，小朋友手機搖啊搖，小姑娘們聊啊聊，帥哥鍵盤敲啊敲，這些數據、信息、資料、圖片向白雲一樣飄啊飄，飄到空間瞬間形成龐大的幾十萬億的數據雲。最後這些數據流我們用計算機通過統計學專家學者加已整理、分析；這就對統計學家提出了新的挑戰。
統計學是通過搜索、整理、分析、描述數據等手段，以達到推斷所測對象的本質，甚至預測對象未來的一門綜合性科學。其中用到了大量的數學及其它學科的專業知識，它的使用范圍幾乎覆蓋了社會科學和自然科學的各個領域。
「社會統計學與數理統計學的統一」理論的重大意義

王見定教授指出：社會統計學描述的是變數，數理統計學描述的是隨機變數，而變數和隨機變數是兩個既有區別又有聯系，且在一定條件下可以相互轉化的數學概念。王見定教授的這一論述在數學上就是一個巨大的發現。
我們知道「變數」的概念是17世紀由著名數學家笛卡爾首先提出，而「隨機變數」的概念是20世紀30年代以後由蘇聯學者首先提出，兩個概念的提出相差3個世紀。截至到王見定教授，世界上還沒有第二個人提出變數和隨機變數兩者的聯系、區別以及相互的轉化。我們知道變數的提出造就了一系列的函數論、方程論、微積分等重大數學學科的產生和發展；而隨機變數的提出則奠定了概率論和數理統計等學科的理論基礎和促進了它們的蓬勃發展。可見變數、隨機變數概念的提出其價值何等重大，從而把王見定教授在世界上首次提出變數、隨機變數的聯系、區別以及相互的轉化的意義稱為巨大、也就不視為過。
下面我們回到：「社會統計學和數理統計學的統一」理論上來。王見定教授指出社會統計學描述的是變數，數理統計學描述的是隨機變數，這樣王見定教授准確地界定了社會統計學與數理統計學各自研究的范圍，以及在一定條件下可以相互轉化的關系，這是對統計學的最大貢獻。它結束了近400年來幾十種甚至上百種以上五花八門種類的統計學混戰局面，使它們回到正確的軌道上來。
由於變數不斷地出現且永遠地繼續下去，所以社會統計學不僅不會消亡，而且會不斷發展狀大。當然數理統計學也會由於隨機變數的不斷出現同樣發展狀大。但是，對隨機變數的研究一般來說比對變數的研究復雜的多，而且直到今天數理統計的研究尚處在較低的水平，且使用起來比較復雜；再從長遠的研究來看，對隨機變數的研究最終會逐步轉化為對變數的研究，這與我們通常研究復雜問題轉化為若干簡單問題的研究道理是一樣的。既然社會統計學描述的是變數，而變數描述的范圍是極其寬廣的，絕非某些數理統計學者所雲：社會統計學只作簡單的加、減、乘、除。從理論上講，社會統計學應該復蓋除數理統計學之外的絕大多數數學學科的運作。所以王見定教授提出的：「社會統計學與數理統計學統一」理論，從根本上糾正了統計學界長期存在的低估社會統計學的錯誤學說，並從理論上和應用上論證了社會統計學的廣闊前景。

G. 大數據技術包括哪些

大數據技術包括數據收集、數據存取、基礎架構、數據處理、統計分析、數據挖掘、模型預測、結果呈現。

1、數據收集：在大數據的生命周期中，數據採集處於第一個環節。根據MapRece產生數據的應用系統分類，大數據的採集主要有4種來源：管理信息系統、Web信息系統、物理信息系統、科學實驗系統。

2、數據存取：大數據的存去採用不同的技術路線，大致可以分為3類。第1類主要面對的是大規模的結構化數據。第2類主要面對的是半結構化和非結構化數據。第3類面對的是結構化和非結構化混合的大數據，

3、基礎架構：雲存儲、分布式文件存儲等。

4、數據處理：對於採集到的不同的數據集，可能存在不同的結構和模式，如文件、XML 樹、關系表等，表現為數據的異構性。對多個異構的數據集，需要做進一步集成處理或整合處理，將來自不同數據集的數據收集、整理、清洗、轉換後，生成到一個新的數據集，為後續查詢和分析處理提供統一的數據視圖。

5、統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析(最優尺度分析)、bootstrap技術等等。

6、數據挖掘：目前，還需要改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等面向領域的大數據挖掘技術。

7、模型預測：預測模型、機器學習、建模模擬。

8、結果呈現：雲計算、標簽雲、關系圖等。

H. 大數據時代，如何搜集有效數據

提取有效數據的關鍵在於准確地抓住信息的特點，或者關鍵詞（keywords）。當我們把關鍵詞輸入到搜索引擎（網路、谷歌等）後，這些搜索引擎就會以一定的優先順序返回我們想要的信息。那麼搜索引擎是怎麼展開搜索的呢？答案：網路爬蟲或者網路蜘蛛（web crawler或web spider，以下簡稱爬蟲）。