第一篇：大數據未來發展的相關文獻
大數據未來發展的相關文獻
2015年,國務院印發《促進大數據發展行動綱要》,明確系統部署了大數據發展工作。
2015年,國務院辦公廳出臺《關于運用大數據加強對市場主體服務和監管的若干意見》要求“充分運用大數據先進理念、技術和資源,加強對市場主體的服務和監管,推進簡政放權和政府職能轉變,提高政府治理能力”。
2016年,國家“十三五”規劃綱要明確指出,實施國家大數據戰略,把大數據作為基礎性戰略資源,全面實施大數據發展行動,加快推動數據資源共享開放和開發應用,助力產業轉型升級和社會治理創新。
2016年,住房和城鄉建設部發布的《2016~2020年建筑業信息化發展綱要》指出,全面提高建筑業信息化水平,增強大數據應用能力。
2017年,工業和信息化部正式印發《大數據產業發展規劃(2016~2020年)》,全面制定了十三五”期間大數據產業發展計劃大數據已經發展成為我國的國家級發展戰略,其與各傳統行業的融合,將為傳統行業的變革帶來契機。2016年,在中國國際大數據產業博覽會上,李克強總理將大數據譽為“新時代的鉆石礦”,表明了發展大數據產業的價值。
第二篇：數據轉換器英文文獻
12-Bit A/D Converter
CIRCUIT OPERATION The AD574A is a complete 12-bit A/D converter which requires no external components to provide the complete successive approximation analog-to-digital conversion function.A block diagram of the AD574A is shown in Figure 1.Figure 1.Block Diagram of AD574A 12-Bit A-to-D Converter
When the control section is commanded to initiate a conversion(as described later), it enables the clock and resets the successiveapproximation register(SAR)to all zeros.Once a conversion cycle has begun, it cannot be stopped or restarted and data is not available from the output buffers.The SAR, timed by the clock, will sequence through the conversion cycle and return an end-of-convert flag to the control section.The control section will then disable the clock, bring the output status flag low, and enable control functions to allow data read functions by external command.During the conversion cycle, the internal 12-bit current output DAC is sequenced by the SAR from the most significant bit(MSB)to least significant bit(LSB)to provide an output current which accurately balances the input signal current through the 5kΩ(or10kΩ)input resistor.The comparator determines whether the addition of each successively-weighted bit current causes the DAC current sum to be greater or less than the input current;if the sum is less, the bit is left on;if more, the bit is turned off.After testing all the bits, the SAR contains a 12-bit binary code which accurately represents the input signal to within 1/2 LSB.The temperature-compensated buried Zener reference provides the primary voltage reference to the DAC and guarantees excellent stability with both time and temperature.The reference is trimmed to 10.00 volts ?0.2%;it can supply up to 1.5 mA to an external load in addition to the requirements of the reference input resistor(0.5 mA)and bipolar offset resistor(1 mA)when the AD574A is powered from ?15 V supplies.If the AD574A is used with ?12 V supplies, or if external current must be supplied over the full temperature range, an external buffer amplifier is recommended.Any external load on the AD574A reference must remain constant during conversion.The thin-film application resistors are trimmed to match the full-scale output current of the DAC.There are two 5 k??input scaling resistors to allow either a 10 volt or 20 volt span.The 10 k??bipolar offset resistor is grounded for unipolar operation and connected to the 10 volt reference for bipolar operation.DRIVING THE AD574 ANALOG INPUT
Figure 2.Op Amp – AD574A Interface
The output impedance of an op amp has an open-loop value which, in a closed loop, is divided by the loop gain available at the frequency of interest.The amplifier should have acceptable loop gain at 500 kHz for use with the AD574A.To check whether the output properties of a signal source are suitable, monitor the AD574’s input with an oscilloscope while a conversion is in progress.Each of the 12 disturbances should subside in sorless.For applications involving the use of a sample-and-hold amplifier, the AD585 is recommended.The AD711 or AD544 op amps are recommended for dc applications.SAMPLE-AND-HOLD AMPLIFIERS Although the conversion time of the AD574A is a maximum of 35 ?s, to achieve accurate 12-bit conversions of frequencies greater than a few Hz requires the use of a sample-and-hold amplifier(SHA).If the voltage of the analog input signal driving the AD574A changes by more than 1/2 LSB over the time interval needed to make a conversion, then the input requires a SHA.The AD585 is a high linearity SHA capable of directly driving the analog input of the AD574A.The AD585’s fast acquisition time, low aperture and low aperture jitter are ideally suited for high-speed data acquisition systems.Consider the AD574A converter with a 35 ?s conversion time and an input signal of 10 V p-p: the maximum frequency which may be applied to achieve rated accuracy is 1.5 Hz.However, with the addition of an AD585, as shown in Figure 3, the maximum frequency increases to 26 kHz.The AD585’s low output impedance, fast-loop response, and low droop maintain 12-bits of accuracy under the changing load conditions that occur during a conversion, making it suitable for use in high accuracy conversion systems.Many other SHAs cannot achieve 12-bits of accuracy and can thus compromise a system.The AD585 is recommended for AD574A applications requiring a sample and hold.Figure 3.AD574A with AD585 Sample and Hold
SUPPLY DECOUPLING AND LAYOUT CONSIDERATIONS It is critically important that the AD574A power supplies be filtered, well regulated, and free from high frequency noise.Use of noisy supplies will cause unstable output codes.Switching power supplies are not recommended for circuits attempting to achieve 12-bit accuracy unless great care is used in filtering any switching spikes present in the output.Remember that a few millivolts of noise represents several counts of error in a 12-bit ADC.Circuit layout should attempt to locate the AD574A, associated analog input circuitry, and interconnections as far as possible from logic circuitry.For this reason, the use of wire-wrap circuit construction is not recommended.Careful printed circuit construction is preferred.UNIPOLAR RANGE CONNECTIONS FOR THE AD574A The AD574A contains all the active components required to perform a complete 12-bit A/D conversion.Thus, for most situations, all that is necessary is connection of the power supplies(+5 V, +12 V/+15 V and –12 V/–15 V), the analog input, and the conversion initiation command, as discussed on the next page.Analog input connections and calibration are easily accomplished;the unipolar operating mode is shown in Figure 4.Figure 4.Unipolar Input Connections
All of the thin-film application resistors of the AD574A are trimmed for absolute calibration.Therefore, in many applications, no calibration trimming will be required.The absolute accuracy for each grade is given in the specification tables.For example, if no trims are used, the AD574AK guarantees ?1 LSB max zero offset error and ?0.25%(10 LSB)max full-scale error.(Typical full-scale error is ?2 LSB.)If the offset trim is not required, Pin 12 can be connected directly to Pin 9;the two resistors and trimmer for Pin 12 are then not needed.If the full-scale trim is not needed, a 50 ???1% metal film resistor should be connected between Pin 8 and Pin 10.The analog input is connected between Pin 13 and Pin 9 for a 0 V to +10 V input range, between 14 and Pin 9 for a 0 V to +20 V input range.The AD574A easily accommodates an input signal beyond the supplies.For the 10 volt span input, the LSB has a nominal value of 2.44 mV;for the 20 volt span, 4.88 mV.If a 10.24 V range is desired(nominal 2.5 mV/bit), the gain trimmer(R2)should be replaced by a 50Ωesistor, and a 200Ωtrimmer inserted in series with the analog input to Pin 13 for a full-scale range of 20.48 V(5 mV/bit), use a 500 ??trimmer into Pin 14.The gain trim described below is now done with these trimmers.The nominal input impedance into Pin 13 is 5kΩ, and 10kΩinto Pin 14.UNIPOLAR CALIBRATION The AD574A is intended to have a nominal 1/2 LSB offset so that the exact analog input for a given code will be in the middle of that code(halfway between the transitions to the codes above and below it).Thus, the first transition(from 0000 0000 0000 to 0000 0000 0001)will occur for an input level of +1/2 LSB(1.22 mV for 10 V range).If Pin 12 is connected to Pin 9, the unit will behave in this manner, within specifications.If the offset trim(R1)is used, it should be trimmed as above, although a different offset can be set for a particular system requirement.This circuit will give approximately ?15 mV of offset trim range.The full-scale trim is done by applying a signal 1/2 LSB below the nominal full scale(9.9963 for a 10 V range).Trim R2 to give the last transition(1111 1111 1110 to 1111 1111 1111).BIPOLAR OPERATION The connections for bipolar ranges are shown in Figure 5.Again, as for the unipolar ranges, if the offset and gain specifications are sufficient, one or both of the trimmers shown can be replaced by a 50 ???1% fixed resistor.Bipolar calibration is similar to unipolar calibration.Figure 5.Bipolar Input Connections
CONTROL LOGIC The AD574A contains on-chip logic to provide conversion initiation and data read operations from signals commonly available in microprocessor systems.Figure 6 shows the internal logic circuitry of the AD574A.The control signals CE, CS, and R/C control the operation of the converter.The state of R/C when CE and CS are both asserted determines whether a data read(R/C = 1)or a convert(R/C = 0)is in progress.The register control inputs AO and 12/8 control conversion length and data format.The AO line is usually tied to the least significant bit of the address bus.If a conversion is started with AO low, a full 12-bit conversion cycleis initiated.If AO is high during a convert start, a shorter 8-bit conversion cycle results.During data read operations, AO determines whether the three-state buffers containing the 8 MSBs of the conversion result(AO = 0)or the 4 LSBs(AO = 1)are enabled.The 12/8 pin determines whether the output data is to be organized as two 8-bit words(12/8 tied to DIGITAL COMMON)or a single 12-bit word(12/8 tied to VLOGIC).The 12/8 pin is not TTL-compatible and must be hard-wired to either VLOGIC or DIGITAL COMMON.In the 8-bit mode, the byte addressed when AO is high contains the 4 LSBs from the conversion followed by four trailing zeroes.This organization allows the data lines to be overlapped for direct interface to 8-bit buses without the need for external three-state buffers.It is not recommended that AO change state during a data read operation.Asymmetrical enable and disable times of the three-state buffers could cause internal bus contention resulting in potential damage to the AD574A.Figure 6.AD574A Control Logic An output signal, STS, indicates the status of the converter.STS goes high at the beginning of a conversion and returns low when the conversion cycle is complete.TIMING The AD574A is easily interfaced to a wide variety of microprocessors and other digital systems.The following discussion of the timing requirements of the AD574A control signals should provide the system designer with useful insight into the operation of the device.Figure 7 shows a complete timing diagram for the AD574A convert start operation.R/C should be low before both CE and CS are asserted;if R/C is high, a read operation will momentarily occur, possibly resulting in system bus contention.Either CE or CS may be used to initiate a conversion;however, use of CE is recommended since it includes one less propagation delay than CS and is the faster input.In Figure 7, CE is used to initiate the conversion.Figure 7
Once a conversion is started and the STS line goes high, convert start commands will be ignored until the conversion cycle is complete.The output data buffers cannot be enabled during conversion.Figure 8 shows the timing for data read operations.During data read operations, access time is measured from the point where CE and R/C both are high(assuming CS is already low).If CS is used to enable the device, access time is extended by 100 ns.Figure 8.Read Cycle Timing
In the 8-bit bus interface mode(12/8 input wired to DIGITAL COMMON), the address bit, AO, must be stable at least 150 ns prior to CE going high and must remain stable during the entire read cycle.If AO is allowed to change, damage to the AD574A output buffers may result.“STAND-ALONE” OPERATION The AD574A can be used in a ―stand-alone‖ mode, which is useful in systems with dedicated input ports available and thus not requiring full bus interface capability.In this mode, CE and 12/8 are wired high, CS and AO are wired low, and conversion is controlled by R/C.The three-state buffers are enabled when R/C is high and a conversion starts when R/C goes low.This allows two possible control signals—a high pulse or a low pulse.Operation with a low pulse is shown in Figure 11.In this case, the outputs are forced into the high impedance state in response to the falling edge of R/C and return to valid logic levels after the conversion cycle is completed.The STS line goes high 600 ns after R/C goes low and returns low 300 ns after data is valid.Figure 11.Low Pulse for R/C—Outputs Enabled After Conversion
If conversion is initiated by a high pulse as shown in Figure 12, the data lines are enabled during the time when R/C is high.The falling edge of R/C starts the next conversion, and the data lines return to three-state(and remain three-state)until the next high pulse of R/C.Figure 12.High Pulse for R/C—Outputs Enabled While R/C High, Otherwise High-Z
Usually the low pulse for R/C stand-alone mode will be used.Figure 13 illustrates a typical stand-alone configuration for 8086 type processors.The addition of the 74F/S374 latches improves bus access/release times and helps minimize digital feedthrough to the analog portion of the converter.INTERFACING THE AD574A TO MICROPROCESSORS The control logic of the AD574A makes direct connection to most microprocessor system buses possible.While it is impossible to describe the details of the interface connections for every microprocessor type, several representative examples will be described here.GENERAL A/D CONVERTER INTERFACE CONSIDERATIONS A typical A/D converter interface routine involves several operations.First, a write to the ADC address initiates a conversion.The processor must then wait for the conversion cycle to complete, since most ADCs take longer than one instruction cycle to complete a conversion.Valid data can, of course, only be read after the conversion is complete.The AD574A provides an output signal(STS)which indicates when a conversion is in progress.This signal can be polled by the processor by reading it through an external three-state buffer(or other input port).The STS signal can also be used to generate an interrupt upon completion of conversion, if the system timing requirements are critical(bear in mind that the maximum conversion time of the AD574A is only 35 microseconds)and the processor has other tasks to perform during the ADC conversion cycle.Another possible time-out method is to assume that the ADC will take 35 microseconds to convert, and insert a sufficient number of ―do-nothing‖ instructions to ensure that 35 microseconds of processor time is consumed
Once it is established that the conversion is finished, the data can be read.In the case of an ADC of 8-bit resolution(or less), a single data read operation is sufficient.In the case of converters with more data bits than are available on the bus, a choice of data formats is required, and multiple read operations are needed.The AD574A includes internal logic to permit direct interface to 8-bit or 16-bit data buses, selected by connection of the 12/8 input.In 16-bit bus applications(12/8 high)the data lines(DB11 through DB0)may be connected to either the 12 most significant or 12 least significant bits of the data bus.The remaining four bits should be masked in software.The interface to an 8-bit data bus(12/8 low)is done in a left-justified format.The even address(A0 low)contains the 8 MSBs(DB11 through DB4).The odd address(A0 high)contains the 4 LSBs(DB3 through DB0)in the upper half of the byte, followed by four trailing zeroes, thus eliminating bit masking instructions.SPECIFIC PROCESSOR INTERFACE EXAMPLES Z-80 System Interface The AD574A may be interfaced to the Z-80 processor in an I/O or memory mapped configuration.Figure 15 illustrates an I/O or mapped configuration.The Z-80 uses address lines A0–A7 to decode the I/O port address.An interesting feature of the Z-80 is that during I/O operations a single wait state is automatically inserted, allowing the AD574A to be used with Z-80 processors having clock speeds up to 4 MHz.For applications faster than 4 MHz use the wait state generator in Figure 16.In a memory mapped configuration the AD574A may be interfaced to Z-80 processors with clock speeds of up to 2.5 MHz.
第三篇：大數據時代 文獻綜述
姓名：李歡歡 學號：***4
一、前言
大數據是近年來出現在通信和計算機領域中的一個熱門關鍵詞。關于大數據，尚未有一個統一的定義，但卻有兩個觀點能夠詮釋大數據的本質。第一個觀點來自于Gartner公司的Merv Adrian在2011年第一季度刊登在Teradata Magazine上的一篇文章，文中指出“數據超出了常用硬件環境和軟件工具在可接受的時間內為其用戶收集、管理和處理數據的能力”[1]。另一個觀點來自于麥肯錫全球數據分析研究所(Mckinsey Global Institute)在2011年6月發布的《大數據：創新、競爭和生產力的下一個前沿》報告，報告中提出“大數據是指大小超出了典型數據庫軟件工具收集、存儲、管理和分析能力的數據集”[2]。麥肯錫稱：“數據，已經滲透到當今每一個行業和業務職能領域，成為重要的生產因素。人們對于海量數據的挖掘和應用，預示著新一波生產率增長和消費者盈余浪潮的到來。”
大數據已經深刻地影響到人們的生活、工作和學習。大數據的意義在于對由多種類型數據構成的數據集體進行分析和研究，提取有利用價值的信息，從而幫助人們在解決問題時可以作出科學的決策。同樣大數據的威力強烈地沖擊著教育系統，正在成為推動教育系統創新與變革的顛覆性力量。
智慧時代下大數據技術在教育
領域的應用研究綜述
二、大數據技術在教育領域的應用現狀分析 大數據定義與特征
大數據（bigdata），又稱巨量資料，海量資料，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、管理、處理并整理成為幫助企業經營決策更積極目的的資訊。研究機構 Gartner[3]認為“大數據”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。麥肯錫的定義： 大數據是指無法在一定時間內用傳統數據庫軟件工具對其內容進行采集、存儲、管理和分析的數據集合。無論哪種定義，我們可以看出，大數據并不是一種新的產品也不是一種新的技術，大數據只是數字化時代出現的一種現象。
大數據的主要特點可以概括為4V+1C。4V包含了四個層面：第一，即 Volume（大容量），海量數據，規模龐大，已躍升到 PB 級別；第二，Velocity（高速度），實時處理，處理速度快，涉及感知、傳輸、決策、控制開放式循環的大數據，數據實時處理有著極高要求，通過傳統數據庫查詢方式得到的“當前結果”可能已沒有價值，這也是大數據和傳統的數據挖掘技術本質上的不同；第三，Variety（多樣性），數據類型繁多：網絡日志、視頻、地理位置信息、圖片等都是大數據；第四，Veracity（低密度），數據價值大，但價值密度低。對海量數據挖掘分析，對未來趨勢與模式的可預測分析，深度復雜分析；“1C”即 Complexity，是通過數據庫處理持久存儲的數據不再適用于大數據處理，需要有新的方法來滿足異構數據統一接入和實時數據處理的需求[4]。2 國內研究現狀
對于“智慧時代下大數據技術在教育領域的應用”國內研究的現狀，我主要通過借助中國知網提供的論文發表數據進行分析。在中國知網中選擇“高級檢索”類型，并在檢索條件中選擇“主題”檢索，輸入“大數據”并含“教育”，截止到 2014年4月17日共檢索出303 條結果與之相關，通過手工篩選，把會議報道等無關信息剔除掉，剩余160篇文章。
大數據在教育領域的應用，與國外相比，國內起步稍晚，還未形成整體力量。雖然2009年開始，大數據就成為了流行詞匯，但是它在教育領域的應用是近3年才出現的。國內最早的研究是從2012年開始的，相關論文只有5篇。但是2012年大數據成為時代發展的一個重要趨勢，這也直接影響到教育領域的專家學者開始關注。王震一[5]提出：今天的大數據就像當年發明顯微鏡一樣，人們從龐雜的海量數據中找到了前所未知的事物。正確面對這些關系復雜、形式多樣的結構化、半結構化和非結構化的教育數據，形成一套涵蓋業務、技術和 IT 基礎架構的全面解決方案來處理存儲、管理和分析教育大數據，這就是信息化教育。
楊滿福和焦建利[6]提出“大數據加速教學研究成果向教學生產力轉化”，從產學研結合的意義上說，借助大數據，教學研究與教學產品的改善與創新更緊密地聯結起來，理想的狀態是教學研究的價值在教學產品的優化上快速得到體現，最終教學研究成果束之高閣的不利局面將能得到改變，教學研究的成果也就能在一個全球化境域下提高教學的生產力。
劉雍潛和楊現民[7]提出“大數據時代區域教育均衡發展新思路”，在大數據時代背景下，區域教育均衡發展應該以數據為基礎，準確把握區域教育發展動態，利用大數據技術從教育環境均衡教育資源均衡、教育機會均等和教育質量均衡等四個方面提供科學依據，進而促進區域教育均衡發展。
2013年至今是大數據在教育領域應用研究的起步階段。隨著國家對教育信息化的快速推進和信息技術與教育教學的深度融合，我國教育事業的改革和創新發展離不開信息技術的支持和引領已經越來越成為教育界的共識。2013年被媒體稱為中國的大數據元年。2014 年 3 月，教育部辦公廳印發的《2014 年教育信息化工作要點》中指出：加強對動態監測、決策應用、教育預測等相關數據資源的整合與集成，為教育決策提供及時和準確的數據支持，推動教育基礎數據在全國的共享[8]。可見，教育大數據的應用已被列入我國教育信息化的工作程序中，相信大數據將很快被推廣并與教育領域的深度融合，這是當前時代教育事業發展的必然趨勢。3 國外研究現狀
2012年3月底，美國奧巴馬政府宣布，白宮將投入2億美金的研發費用來推動大數據技術的發展，其主要目標是為了讓大數據技術更好地服務于科研、環境、生物醫藥、教育和國家安全領域，同時，明確地表示將主要用來鼓勵在數據采集、存儲、管理、分析和共享等方面的技術研發，這直接刺激了全世界對“大數據”的關注[9]。此外，大數據還上過《紐約時報》和《華爾街日報》的專欄封面。2012年，美國國家教育部發布了《通過教育數據挖掘和學習分析促進教與學》報告，對美國國內大數據教育應用領域和案例，以及應用實施所面臨的挑戰進行了詳細的介紹。
國外關于大數據在教育領域的應用的論文發表時間也主要分布在近三年，研究內容主要包括對教育數據挖掘、學習分析，個性化教育、教育方式的改善、學習策略探討、教育管理方式的改變、大數據對于教育的推動作用、數據驅動以及對圖書館建設、對教與學需求、評價方法的影響等方面。可見，雖然大數據在國外出現較早也備受重視，但是在教育領域中的應用仍不夠深入，正如 Anthony G.Picciano[10]教授所說：教學應用大數據分析處于起步階段，還需要幾年才能成熟，雖然大數據的存在被證明是該被重視的，但大數據并不是解決所有教育問題的靈丹妙藥，它只是給人們提供了擬定教育問題解決方案時的一部分決策參考。
綜上所說，我們可以看出，國內外大數據在教育中應用的研究還處于初級階段，研究的內容不夠廣泛也不夠有深度，因此，還需要進一步加強大數據在教育中應用的研究力度，希望能夠推動大數據在教育中的應用與發展。
三、總結
通過以上的分析，我們可以發現大數據在教育領域有著很大的應用空間，也是未來教育發展的必然趨勢。但是國內外專家學者開展的相關研究，大多數集中在理論階段，不能夠運用到實際中來。具體的應用理論還不夠成熟，實踐研究方面涉及的案例比較少。大數據時代，互聯網教育與學校教育將逐漸分離，正如電影院和電視機在初期競爭的時候水火不相容，而成熟后會各得其所。大數據提供了一種學校教育與互聯網教育共存的新模式。有人預言，大數據開創了一個教育的新時代，我們應該積極迎接這個新時代，通過大數據來促進教育，進一步改善教學的方式與方法，進一步促進學生學習成績的提高。
四、參考文獻
[1]Merv Adrian.Big Data:it’s going mainstream and it’s your next opportunity[J].Teradata Magazine, 2011,(1):3-5．
[2]Manyika J, Chui M, Brown B, et al.Big data: The next frontier for innovation, competition, and productivity[R].USA:Mckinsey Global Institute, 2011．
[3]大數據[OL].
[4]大數據時代的特點[OL].
[7]劉雍潛，楊現民.大數據時代區域教育均衡發展新思路，電化教育研究，2014（05）；
[8]教育部辦公廳關于印發《2014年教育信息化工作要點》的通知[OL].
第四篇：電影大數據國際文獻綜述
電影大數據國際文獻綜述
【摘要】大數據是當前的一種熱點技術，在越來越多的科學研究領域得到應用。通過對國際前沿的電影大數據研究進行梳理，以近5年電影大數據相關的英文論文為樣本進行分析發現，大數據在電影產業得到廣泛應用。根據文獻的主題域，從票房預測、市場營銷、情感分析、推薦系統、產業經濟、文化批評和文本分析方面，總結主要研究成果，為電影研究帶來新的視野。
【關鍵詞】電影；大數據；社交媒體；人工智能
大數據是當前的一種熱點技術，對社會影響巨大。越來越多的科學研究領域應用大數據，甚至一些人文學科也在開拓數據研究新理路。大數據的核心是運用計算機技術，通過人們在互聯網上形成的分散的、非結構化的數據，發現傳統研究無法實現的規律。本文試圖對國際前沿的電影大數據研究進行梳理，總結研究成果，尤其是跨學科的理論，為電影研究帶來新的視野。
波德維爾（2000）以“中間層面理論”強調在“實證主義”思想指導下的電影形式關懷，提倡電影內容生產的數據思維和計算過程。以互聯網、云計算等技術和平臺為核心的大數據，為這種研究路徑提供了新的形式和方法。2013年，Netflix公司根據網絡用戶使用習慣，分析出導演、主演和劇情的交集，推出《紙牌屋》，獲得巨大成功。同年，谷歌的媒體與娛樂業首席分析師Andrea Chen與Reggie Panaligan聯合發布了《用谷歌搜索量化電影魔力》白皮書。以2012年間美國上映的近百部電影為研究對象，分析了影片上映前各時間段里用戶對各類電影信息的搜索行為數據，揭示了電影相關搜索量與電影票房成績間存在的強相關性。國內也快速應用了大數據，但主要在票房監測和預測、營銷等方面。
本研究以2013年1月到2018年1月與電影大數據相關的英文文獻為樣本，通過對600多篇文獻進行篩選，最終選取76篇作為研究對象。根據文獻的主題域，我們劃分為票房預測、市場營銷、情感分析、推薦系統、產業經濟、文化批評和文本分析六個方面。
一、票房預測
電影產業的高風險性使企業一直在尋找能夠準確預測收益的方法。然而，由于電影受到非常復雜的社會因素影響，即使是最有經驗的電影人，也往往會無法準確把握。近年來，成本的不斷攀升，前兩周即完成主要票房收入的飽和式發行，家庭影像產品銷售的下降，以及媒介競爭的加劇，都使得電影的風險日益增強。不過，隨著人們互聯網應用的深入，通過信息技術準確預測票房的可能性不斷提高。計算機專業較早地以不同的算法和變量組合，探索票房預測的規律。
傳統票房預測研究將預算、演員、導演、制片人、故事地點、編劇、上映時間、音樂、上映地點、目標觀眾和續集等因素作為變量。而基于大數據的研究則集中在社交媒體、搜索引擎和營銷活動等方面。
人們通過社交媒體，對電影進行評論，即消費者參與行為（Consumer engagement behavior，?稱CEB），產生大量數據。許多研究探討了CEB與票房之間的關聯性。Oh Chong等對美國電影及社交媒體活動進行分析，發現Facebook和YouTube上的CEB與票房總收入是正相關的；然而，在Twitter上卻沒有同樣的效果。他們認為，電影在多個渠道進行社交媒體傳播具有重要意義。[1]Huang Jianxiong等提出，專家評論和基于拉動式的用戶評論在電影上映的早期階段有影響，并且隨著時間的推移，影響會逐漸減小。相比之下，基于推送式的微博平臺的評論數量對以后的票房收入有影響。他們認為，網絡意見并不總是具有說服力和有用性。[2]不過，Baek Hyunmi等似乎獲得了與上述兩個研究不同的結果。他們以羅杰斯的創新擴散理論為框架，對多個社交媒體平臺進行比較，提出在電影上映的初期階段，Twitter對票房收入的影響更大，因為它具有高度的即時性和傳播性。雅虎在電影上映的后期，對電影的影響力更大，因為它具有很強的說服力。由于博客和YouTube包含了大眾媒體和人際傳播媒體的特點，在最初和后期階段對票房收入的影響沒有什么不同。[3]Ding Chao等聚焦Facebook的點贊行為，發現在上映前一周，點“贊”數量增加1%，則上映周票房增長約0.2%。越接近上映日期，提前點“贊”的效果就會變得越強。[4]Oh Sehwan等通過對YouTube上電影預告片的分析發現，電影預告片的分享對電影的票房收入有積極的影響，在電影上映的早期階段，這一效果比在后期階段更大。[5]有些研究通過對比Android和iOS兩個系統平臺上發布的Twitter文章，探討了不同平臺對導演、劇情和音樂等的側重點。
有些研究將視野從單一的國內市場，擴大到國際市場。Kim Sang Ho等通過對美國電影國內和國際票房的分析，探討專家評論和網絡口碑（eWOM）與票房之間的關系。研究發現，二者對國內票房均有重要作用，而eWOM則對國際票房有影響。[6]
有些研究通過建立電影在社交媒體的情感關系模型，探討評論者情緒對票房的影響。Rui Huaxia團隊提出，Twitter上的正面評論可以促進票房增長，負面評論則阻礙票房增長。對電影銷售最強烈的影響來自于那些直接表達他們想看某部電影的推文。因為這類意圖明確的推文在電影銷售上具有雙重效果：作者自己購買行為的直接影響，以及通過替代認知效應（awareness effect）或網絡口碑對接受者的說服性間接影響。[7]而有的研究則認為，用戶的購買意向可以帶來更準確的電影票房收入預測。
電影的發行渠道及破壞市場秩序的方式對票房的影響一直受到人們的關注。Kim Eun等對韓國電影市場的研究表明，較高的票房成績與較短的播放延遲對視頻點播（VOD）市場效果具有顯著作用。票房在網絡上的重要性可以用高質量的評價、營銷或“點贊”行為等方面來解釋。[8]Kestutis Cerniauskas通過對BitTorrent網絡上電影分享的研究，探討該盜版方式對票房的影響。研究發現，在電影發布后的最初幾周，文件共享與美國票房銷售有些許正面的關系，之后沒有任何效果。也就是說，電影分享不會減少票房收入，因為分享并非電影的替代品。[9]
此外，有的研究將歷史性的結構性數據與社交媒體的非結構性數據結合，進行交叉熵的傳播分析；還有的研究分析維基百科與票房之間的關系。就準確率而言，通過首映周末的數據分析之后的票房收入的預測方式最穩定。
二、市場營銷
從文獻的學科分布來看，市場營銷也是電影大數據研究的一個熱點，其中跨媒體整合營銷是重要的一種路徑。Sattelberger Felix等以德國電影市場為例，分析了多平臺營銷策略，提出應該盡可能多地增加吸引用戶的頁面和電影預告片。在不同用戶的不同平臺之間，存在著強大的路徑依賴關系，并且在不同的平臺之間的可互換性很高，這表明可以開發一種更簡化的監控社交媒體的程序，以減少工作量和成本。另外，增加預告片的覆蓋范圍、點贊的次數和評論可相應減少電影的負面評價。藝術電影應該采用更為廣泛傳播的市場策略。對于大片來說，網絡搜索過程總是先于在線用戶交流。因此，在電影上映之前很久就提供有關電影的信息，這對于增加電影被網絡搜索引擎索引的可能性是至關重要的。[10]同樣，Nanda Madhumita等通過YouTube、Facebook和Twitter的數據，探討了整合社會媒體推廣策略（integrative social media strategy）在寶萊塢電影產業中的成功作用。社交媒體宣傳策略的核心是開發合適的內容，以匹配社交媒體平臺的獨特特征。Facebook的主要用途是通過組織有趣的活動來連接觀眾，Twitter則主要用來轉發來自觀眾的正面口碑。利用社交媒體平臺與觀眾建立情感聯系，通過宣傳觀眾與電影主角的身份認同是有效的宣傳策略。[11]
Weisfeld-Spolter Suri等則通過網絡口碑（eWOM）營銷與同步營銷傳播（MC）兩種關系營銷的作用比較發現，并不是所有積極的口碑都比MC有更積極的影響。因為，并非所有的eWOM類型都具有相同的說服力和社區支持。來自C2C支持的社交網絡的影響力比B2C更有影響力，尤其是對多對多的eWOM通信來說。因此，SNS的贊助可能會導致信息源偏差，并影響嵌入在SNS中eWOM的說服性。[12]
有些研究重點考察電影營銷的不同階段。Chen Kun等以中國電影市場為研究對象，探討社會信息在不同產品發布階段的競爭效果。他們提出，競爭對手的社會觀點對產品的銷售很重要。搜索量緩和了社會觀點和產品銷售之間的影響。當搜索量足夠大的時候，對手負面觀點對票房的作用會相應減少。[13]Yeujun Yoon運用馬爾可夫決策過程理論（decision process theory），以美國的電影行業數據和Twitter發布的數據，分析在電影質量評價階段，如何影響人們觀看一部電影的決定。研究發現，在電影上映前為了吸引觀眾而進行大量的廣告宣傳，可能會適得其反，因為那樣提高了觀眾的期望值。[14]Gopinath Shyam等通過對美國不同區域市場的調查發現，電影首映的表現受到預先發布的博客數量和廣告的影響，而放映后的表現受到放映后博客的評級和廣告的影響。在整個市場中，廣告和博客評級（放映后）的彈性比博客數量（提前發布）的彈性更大。實際應用中，大部分電影公司的有限發行策略中，廣告和博客數量只達到了理想數據的一半。[15]Escoffier Nadine等認為，盡管群體智慧在沒有社會影響的情況下更準確，但在社會影響的條件下，其準確性會隨著時間的推移而增加。在電影上映前的評估中，由一小群人獨立評估產生的群體效應的智慧比少數專家的評估更準確。因此，應當以群體智慧來獲得對電影質量的真實度量。在市場營銷階段，通過在線群體智慧，以形成積極的社會媒體影響。[16]
有些研究從觀眾滿意度的視角著眼。Chen Hongyu等認為社交媒體上的評論，即用戶生成內容（UGC），具有天生的不完整性，因為沒有抓住不寫評論的用戶的意見。這些沉默的用戶可能與那些說話的人有系統性的差異。他們通過Blockbuster.com用戶的電影評論調查發現，當用戶對電影不滿意時，他們發布評論的平均概率是0.06；而當用戶滿意時，則是0.23。因此，我們在分析UGC時如果忽視沉默的用戶，將導致效果的偏差。[17]
三、情感分析
大數據研究中，消費者的情感往往成為決定事物發展方向的重要因素。通過人工智能的算法，對電影評論的情感分析是研究的一個熱點。其中，電影評分與票房和社會影響力有著緊密聯系。
Lee Young-Jin等比較了陌生人和朋友對用戶生成影評的作用。研究發現，陌生人群評分具有“羊群效應”和差異化行為的雙重影響。用戶在評分時會受到之前電影主流評分的影響，跟隨主流，或者故意發表不同言論。相比之下，朋友的評分總是會引發“羊群效應”。[18]Flanagin Andrew等提出，評分的等級與信任、依賴、對用戶生成內容的可信性以及自己與他人的觀點一致等因素具有較強的關系。人們傾向于在信息量低的時候傾向于專家，但在信息量大的情況下傾向于用戶生成的信息。人們的?^點和行為意圖與他們所暴露的在線評級信息相一致。[19]當消費者遇到太多的正面評論時，他們可能會懷疑eWOM本身的可信度。因此，Jong HyupLee等通過對文本挖掘技術的分析，分析了評論文本情緒的熵。評論文本中的熵值對eWOM與電影票房銷售的關系有積極的緩和影響。刪除負面評論以提高產品銷量可能不會對在線零售商或相關方有所幫助。[20]
除了評分的情感分析，計算機專業研究的主流是影評語言的算法，而人文社會科學則通過情緒傾向探討其背后的社會現象。Oh Sanghee等通過多個社交媒體平臺，試圖分析用戶與匿名者分享他們的個人經歷、信息和社會支持的動機。他們提出影響分享動機的10個因素有快樂、自我效能、學習、個人收獲、利他主義、移情、社會參與、社區利益、互惠和聲譽。這些因素都是基于對主要動機理論和模型的評價來確定社交媒體用戶的動機的。不同的信息內容和不同的目的，不同的社交媒體有不同的動機。[21]有的研究從女性主義視角，認為強勢女性擔任主角并不會降低科幻電影的盈利能力。
四、推薦系統
大數據為商業社會帶來了一種重要行為方式，即智能推薦系統。人們在互聯網上產生的信息記錄，使企業可以把廣告精準地送達，甚至達到引導消費的效果。熱門電影及其相關信息的推薦成為該領域的研究熱點，主流的研究方法是計算機智能算法。在線協作電影推薦試圖通過在用戶或電影中捕捉與他們歷史相似的“鄰居”，來幫助用戶訪問他們喜歡的電影。然而，由于數據稀疏，隨著電影和用戶的快速增長，“鄰居”的選擇變得越來越困難。
還有一些研究運用混合模型電影推薦系統。Dixon Prem Daniel等提出一種利用智能手機用戶瀏覽歷史的模式，進行個性化電影推薦。瀏覽歷史和電影情節摘要被用來生成一個相似的分數。電影獲得的分數被合并到一個潛在的因素模型中，該模型可以計算潛在的用戶和項目特性。這個模型在使用用戶瀏覽歷史的情況下預測用戶的評分，并最終獲取與用戶喜歡的相似的電影。[22]此外，有些研究將年齡和性別等用戶信息作為電影推薦系統的評估要素。
五、產業經濟
粉絲圈和眾籌都被認為是一個空間，被邊緣化的聲音可以對流行文化進行變革干預，并對產生它的媒體行業做出反饋。Scott Suzanne等認為，盡管粉絲資助行為有可能催生行業和文化變革的作品，且在一定程度上影響媒體產業和粉絲文化，但我們需要審視這種變革干預的局限性，檢查粉絲金融、情感和創新投資各自的活動框架。盡管粉絲性質的項目具備了在媒介文化上再造生產商和粉絲之間的道德經濟。然而，其變革能力關系到他們接受或拒絕“粉絲參與”（fan participation）這個工業概念。[23]
互聯網協議電視（IPTV）和在線視頻點播（VOD）等視頻播放渠道的發展，正在使電影發行轉變為一種同步的結構。Kaeun Song等在這些變化的市場條件下，分析了電影票房、IPTV和VOD服務的驅動因素，以確立新的發行模式。他們使用彈性理論，考慮不同的消費者風險，來解釋當面對不同程度和風險類型時，電影消費者如何在不同的電影播放渠道表現出不同的行為。他們將電影選擇的前提分為合理的（風險對沖）因素，如觀眾評價、場景熟悉度、明星效應、出品國家，以及不合理的（誘人的）因素，包括專家評級和類型。[24]
六、文化批評和文本分析
在《美國魔力2.0》一文中，Friedman Alice T.指出，魅力分層概念（the layered notion of glamour），這個20世紀中期電影、建筑和流行文化耳熟能詳的術語，與當今社交媒體的超級公共世界（hyperpublic world）、網絡形象建構和市場細分之間的關聯性與日俱增。長期以來，好萊塢形象的創造和消費，光鮮的廣告復制，對于敘事結構、投射、表現和自我評估具有長期侵入的過程。這與我們的定制化Instagram信息流、“Facebook嫉妒”（Facebook envy）和其他形式的數字傳播、接收和監視等文化方式有著重要的相似之處。越來越多的當代公共空間被塑造成一個用于生產和消費這些數據的平臺；隨之而來的是監視技術的發展和建立可防御的私人空間都給物理和網絡環境的設計者帶來了新的挑戰。[25]此外，有研究者采用機器學習技術分析電影腳本的敘事流和敘事結構，從而探討敘事模式。
七、結論
從近年來的研究成果來看，大數據在電影產業得到廣泛應用。我們應當借鑒這些觀點，為電影研究提供新的視野和路徑。
（1）社交媒體是電影大數據研究的核心。Twitter、Facebook、YouTube、博客和微博等平臺是主要數據來源。用戶在社交媒體的CEB和UGC等行為，為票房預測、市場營銷、情感分析和智能推薦等研究提供了巨大的數據支持，使電影產業的預測和營銷獲得了更為有效的工具。不過，基于Google或百度等搜索引擎平臺的研究較少。雖然中國研究者貢獻了近20%的文獻。但是，對中國社交媒體的針對性研究，除微博外，其他主流平?_較少涉及。
（2）雅虎電影社區、Blockbuster.com等專業電影平臺也成為數據的重要來源。由于電影經濟的特殊性和復雜性，跨平臺數據的混合研究，能夠在數據和效果上，提供更好的解決方案。
（3）從研究地域來看，出現了跨國市場研究。全球性的互聯網平臺為此提供了便利。近年來，中國電影市場是全球最活躍的市場，而且擁有發達的互聯網媒體和數據平臺。對于中國電影市場及其與其他國家的跨國研究，是一個非常有潛力的領域。
（4）從學科分布來看，計算機專業是電影大數據研究的主要領域。人文社會科學與計算機等跨學科結合，成為研究的一個新動向。越來越多的基于大數據的跨學科研究機構產生。一些利用大數據的文化和文本研究呈現出新的活力。
（5）從方法論來看，多變量融合是解決復雜電影問題的一種有效途徑。而將大數據研究納入經典理論框架之中，也是一種常見模式。
（6）與電視和互聯網結合的跨媒體研究，目前主要集中在IPTV和VOD等與電影發行相關的研究上。對于電影在視頻網站的長期性研究，以及消費產品授權的研究較少。隨著人工智能技術的發展，大數據研究將在這些方面提供更多的突破。
（7）雖然是大數據研究，但是，當前的研究樣本很多沒有與主流商業數據有效對接，數據量比較小。只有實現即時數據的分析，電影大數據研究才會有更好的結果。
[本文為國家社科基金重大項目“當代中國文化國際影響力的生成研究”（項目編號：16ZDA219）；上海市新聞傳播高原學科課題成果]
參考文獻：
[1]Oh Chong，etc.Beyond likes and tweets：Consumer engagement behavior and movie box office in social media.Information & Management.2017，54（1）：25-37.[2]Huang Jianxiong，etc.A Temporal Study of the Effects of Online Opinions：Information Sources Matter.Journal of Management Information Systems.2017，34（4）：1169-1202.[3]Baek Hyunmi，etc.Electronic word-of-mouth，box office revenue and social media.Electronic Commerce Research & Applications.2017（22）13-23.[4]Ding Chao，etc.The Power of The“like”Button：The Impact of Social Media on Box Office.Decision Support Systems.2017，94：77-84.[5]Oh Sehwan，etc.Predictive value of video-sharing behavior：sharing of movie trailers and box-office revenue.Internet Research.2017，27（3）：691-708.[6]Kim Sang Ho，etc.Exploring the Effects of Online Word of Mouth and Expert Reviews on Theatrical Movies' Box Office Success.Journal of Media Economics.2013，26（2）：98-114.[7]Rui Huaxia，etc.Whose and what chatter matters？The effect of tweets on movie sales.Decision Support Systems.2013，55（4）：863-870.[8]Kim Eun，etc.Online movie success in sequential markets.Telematics and Informatics.2017，34（7）：987-995.[9]Kestutis Cerniauskas，etc.The effect of film sharing on P2P networks on box office sales.Blekinge Institute of Technology，2017.[10]Sattelberger Felix.Optimising Media Marketing Strategies in a Multi-platform World：an Inter-relational Approach to Pre-release Social Media Communication and Online Searching.Journal of Media Business Studies.2015，12（1）：66-88.[11]Nanda Madhumita，etc.Innovation in social media strategy for movie success.Management Decision.2018，56（1）：233-251.[12]Weisfeld-Spolter Suri，etc.An Integrative Approach to eWOM and Marketing Communications.Corporate Communications：An International Journal.2014，19（3）：260-274.[13]Chen Kun，etc.Information Competition in Product Launch： Evidence from the Movie industry.Electronic Commerce Research & Applications.2017（26）81-88.[14]Yeujun Yoon，etc.The Impact of Word of Mouth via Twitter On Moviegoers' Decisions and Film Revenues：Revisiting Prospect Theory.Journal of Advertising Research.2017，57（2）：144-158.[15]Gopinath Shyam，etc.Blogs，Advertising，and Local-Market Movie Box Office Performance.Management Science.2013，59（12）：2635-2654.[16]Escoffier Nadine，etc.The Wisdom of Crowds in the Movie Industry：Towards New Solutions to Reduce Uncertainties.International Journal of Arts Management.2015，17（2）：52-63.[17]Chen Hongyu，etc.De-Biasing the Reporting Bias in Social Media Analytics.Production & Operations Management.2016，25（5）：849-865.[18]Lee Young-Jin，etc.Do I Follow My Friends or The Crowd？Information Cascades in Online Movie Ratings.Management Science.2015，61（9）：2241-2258.[19]Flanagin Andrew，etc.Trusting Expert-versus User-generated Ratings Online.Computers in Human Behavior.2013，29（4）：1626-1634.[20]Jong HyupLee，etc.The role of entropy of review text sentiments on online WOM and movie box office sales.Electronic Commerce Research and Applications.2017（22）42-52.[21]Oh Sanghee，etc.Motivations for sharing information and social support in social media.Journal of the Association for Information Science & Technology.2015，66（10）：2045-2060.[22]Dixon Prem Daniel R，etc.A latent factor model based movie recommender using smartphone browsing history.International Conference on Research and Innovation in Information Systems.July，2017：1-6.[23]Scott Suzanne，etc.The moral economy of crowdfunding and the transformative capacity of fan-ancing.New Media & Society.2015，17（2）：167-182.[24]Kaeun Song，etc.Dissecting movie performance across multiple distribution channels：An elastic justification theory perspective.Telematics and Informatics.2018，35（1）：159-167.[25]Friedman Alice T.American Glamour 2.0：architecture，spectacle，and social media.Consumption，Markets & Culture.Dec2017，Vol.20 Issue 6，p575-584.（海?為上海大學新聞傳播學院副教授；海翔宇為上海大學新聞傳播學院碩士生）
編校：趙〓亮
第五篇：文獻3-大數據技術與應用
大數據技術與應用*
【摘要】：隨著互聯網技術的飛速發展，特別是近年來云計算、物聯網、社交網絡等新興服務促使人類社會的數據種類和規模正以前所未有的速度增長,大數據時代正式到來.數據從簡單的處理對象開始轉變為一種基礎性資源,如何更好地管理和利用大數據已經成為普遍關注的話題.大數據的規模效應給數據存儲、管理以及數據分析帶來了極大的挑戰,數據管理方式上的變革正在醞釀和發生.對大數據的產生背景和基本概念進行剖析,并對大數據的主要應用作簡單對比.在此基礎上,闡述大數據處理的基本框架,并就云計算技術對于大數據時代數據管理所產生的作用進行分析.最后歸納總結大數據時代所面臨的新挑戰。【關鍵字】：大數據
發展趨勢 應用 機遇和挑戰
一、大數據時代的背景
半個世紀以來，隨著計算機技術全面融入社會生活，信息爆炸已經積累到了一個開始引發變革的程度。21世紀是數據信息大發展的時代，移動互聯、社交網絡、電子商務等極大拓展了互聯網的邊界和應用范圍，各種數據正在迅速膨脹并變大。互聯網（社交、搜索、電商）、移動互聯網（微博）、物聯網（傳感器，智慧地球）、車聯網、GPS、醫學影像、安全監控、金融（銀行、股市、保險）、電信（通話、短信）都在瘋狂產生著數據。2011年5 月，在“云計算相遇大數據” 為主題的EMC World 2011 會議中，EMC 拋出了Big Data概念。正如《紐約時報》2012年2月的一篇專欄中所稱，“大數據”時代已經降臨，在商業、經濟及其他領域中，決策將日益基于數據和分析而作出，而并非基于經驗和直覺。哈佛大學社會學教授加里·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。”
二、什么是大數據
大數據（Big Data）是指那些超過傳統數據庫系統處理能力的數據。它的數據規模和轉輸速度要求很高，或者其結構不適合原本的數據庫系統。為了獲取大數據中的價值，我們必須選擇另一種方式來處理它。數據中隱藏著有價值的模式和信息，在以往需要相當的時間和成本才能提取這些信息。如沃爾瑪或谷歌這類領先企業都要付高昂的代價才能從大數據中挖掘信息。而當今的各種資源，如硬件、云架構和開源軟件使得大數據的處理更為方便和廉價。即使是在車庫中創業的公司也可以用較低的價格租用云服務時間了。對于企業組織來講，大數據的價值體現在兩個方面：分析使用和二次開發。對大數據進行分析能揭示隱藏其中的信息。例如零售業中對門店銷售、地理和社會信息的分析能提升對客戶的理解。對大數據的二次開發則是那些成功的網絡公司的長項。例如Facebook通過結合大量用戶信息，定制出高度個性化的用戶體驗，并創造出一種新的廣告模式。這種通過大數據創造出新產品和服務的商業行為并非巧合，谷歌、雅虎、亞馬遜和Facebook它們都是大數據時代的創新者。
（一）大數據的4V特征
大量化(Volume)：企業面臨著數據量的大規模增長。例如，IDC最近的報告預測稱，到2020年，全球數據量將擴大50倍。目前，大數據的規模尚是一個不斷變化的指標，單一數據集的規模范圍從幾十TB到數PB不等。簡而言之，存儲1PB數據將需要兩萬臺配備50GB硬盤的個人電腦。此外，各種意想不到的來源都能產生數據。
多樣化(Variety)：一個普遍觀點認為，人們使用互聯網搜索是形成數據多樣性的主要原因，這一看法部分正確。然而，數據多樣性的增加主要是由于新型多結構數據，以及包括網絡日志、社交媒體、互聯網搜索、手機通話記錄及傳感器網絡等數據類型造成。其中，部分傳感器安裝在火車、汽車和飛機上，每個傳感器都增加了數據的多樣性。
快速化(Velocity)：高速描述的是數據被創建和移動的速度。在高速網絡時代，通過基于實現
軟件性能優化的高速電腦處理器和服務器，創建實時數據流已成為流行趨勢。企業不僅需要了解如何快速創建數據，還必須知道如何快速處理、分析并返回給用戶，以滿足他們的實時需求。根據IMS Research關于數據創建速度的調查，據預測，到2020年全球將擁有220億部互聯網連接設備。價值（Value）：大量的不相關信息，浪里淘沙卻又彌足珍貴。對未來趨勢與模式的可預測分析，深度復雜分析（機器學習、人工智能Vs傳統商務智能(咨詢、報告等）
三、大數據時代對生活、工作的影響
大數據，其影響除了經濟方面的，它同時也能在政治、文化等方面產生深遠的影響，大數據可以幫助人們開啟循“數”管理的模式，也是我們當下“大社會”的集中體現，三分技術，七分數據，得數據者得天下。
“大數據”的影響，增加了對信息管理專家的需求。事實上，大數據的影響并不僅僅限于信息通信產業，而是正在“吞噬”和重構很多傳統行業，廣泛運用數據分析手段管理和優化運營的公司其實質都是一個數據公司。麥當勞、肯德基以及蘋果公司等旗艦專賣店的位置都是建立在數據分析基礎之上的精準選址。而在零售業中，數據分析的技術與手段更是得到廣泛的應用，傳統企業如沃爾瑪通過數據挖掘重塑并優化供應鏈，新崛起的電商如卓越亞馬遜、淘寶等則通過對海量數據的掌握和分析，為用戶提供更加專業化和個性化的服務。
大數據在個人隱私的方面，大量數據經常含有一些詳細的潛在的能夠展示有關我們的信息，逐漸引起了我們對個人隱私的擔憂。一些處理大數據公司需要認真的對待這個問題。例如美國天睿資訊給人留下比較深刻印象的是他的一個科學家提出，我們不應該簡單地服從法律方面的隱私保護問題，這些遠遠不夠的，公司都應該遵從谷歌不作惡的原則，甚至更應該做出更積極的努力。
四、大數據時代的發展方向、趨勢
根據ESM國際電子商情針對2013年大數據應用現狀和趨勢的調查顯示：被調查者最關注的大數據技術中，排在前五位的分別是大數據分析（12.91%）、云數據庫（11.82%）、Hadoop（11.73%）、內存數據庫（11.64%）以及數據安全（9.21%）。Hadoop已不再是人們心目中僅有的大數據技術，而大數據分析成為最被關注的技術。從中可以看出，人們對大數據的了解已經逐漸深入，關注的技術點也越來越多。既然大數據分析是最被關注的技術趨勢，那么大數據分析中的哪項功能是最重要的呢?從下圖可以看出，排在前三位的功能分別是實時分析(21.32%)、豐富的挖掘模型(17.97%)和可視化界面(15.91%)。2012年也曾做過類似的調查，當時選擇豐富的挖掘模型(27.22%)比實時分析(19.88%)多7.34%。短短一年時間內，企業對實時分析的需求激增，成就了很多以實時分析為創新技術的大數據廠商。從調查結果可以看出：企業在未來一兩年中有迫切部署大數據的需求，并且已經從一開始的基礎設施建設，逐漸發展為對大數據分析和整體大數據解決方案的需求。與此同時，大數據還面臨人才的缺乏的挑戰，需要企業和高校聯合起來，培養數據領域的復合型人才，幫助企業打贏這場“數據戰”。
五、大數據的應用
（一）行業拓展者，打造大數據行業基石
你IBM：IBM大數據提供的服務包括數據分析，文本分析，藍色云杉（混搭供電合作的網絡平臺）;業務事件處理；IBM Mashup Center的計量，監測，和商業化服務（MMMS）。IBM的大數據產品組合中的最新系列產品的InfoSphere bigInsights，基于Apache Hadoop。該產品組合包括：打包的Apache Hadoop的軟件和服務，代號是bigInsights核心，用于開始大數據分析。軟件被稱為bigsheet，軟件目的是幫助從大量數據中輕松、簡單、直觀的提取、批注相關信息為金融，風險管理，媒體和娛樂等行業量身定做的行業解決方案 微軟：2011年1月與惠普（具體而言是HP數據庫綜合應用部門）合作目標是開發了一系列
能夠提升生產力和提高決策速度的設備。
EMC：EMC 斬獲了紐交所和Nasdaq；大數據解決方案已包括40多個產品。
Oracle：Oracle大數據機與Oracle Exalogic中間件云服務器、Oracle Exadata數據庫云服務器以及Oracle Exalytics商務智能云服務器一起組成了甲骨文最廣泛、高度集成化系統產品組合。
（二）大數據促進了政府職能變革
重視應用大數據技術，盤活各地云計算中心資產：把原來大規模投資產業園、物聯網產業園從政績工程，改造成智慧工程；在安防領域，應用大數據技術，提高應急處置能力和安全防范能力；在民生領域，應用大數據技術，提升服務能力和運作效率，以及個性化的服務，比如醫療、衛生、教育等部門；解決在金融，電信領域等中數據分析的問題：一直得到得極大的重視，但受困于存儲能力和計算能力的限制，只局限在交易數型數據的統計分析。一方面大數據的應用促進了政府職能變革，另一方面政府投入將形成示范效應，大大推動大數據的發展。
（三）打造“智慧城市”
美國奧巴馬政府在白宮網站發布《大數據研究和發展倡議》，提出“通過收集、處理龐大而復雜的數據信息，從中獲得知識和洞見，提升能力，加快科學、工程領域的創新步伐，強化美國國土安全，轉變教育和學習模式” ；中國工程院院士鄔賀銓說道，“智慧城市是使用智能計算技術使得城市的關鍵基礎設施的組成和服務更智能、互聯和有效，隨著智慧城市的建設，社會將步入“大數據”時代。”
（四）未來，改變一切
未來，企業會依靠洞悉數據中的信息更加了解自己，也更加了解客戶。
數據的再利用：由于在信息價值鏈中的特殊位置，有些公司可能會收集到大量的數據，但他們并不急需使用也不擅長再次利用這些數據。例如，移動電話運營商手機用戶的位置信息來傳輸電話信號，這對以他們來說，數據只有狹窄的技術用途。但當它被一些發布個性化位置廣告服務和促銷活動的公司再次利用時，則變得更有價值。
六、機遇和挑戰
大數據賦予了我們洞察未來的能力，但同時諸多領域的問題亟待解決，最重要的是每個人的信息都被互聯網所記錄和保留了下來，并且進行加工和利用，為人所用，而這正是我們所擔憂的信息安全隱患！更多的隱私、安全性問題：我們的隱私被二次利用了。多少密碼和賬號是因為“社交網絡”流出去的？
眼下中國互聯網熱門的話題之一就是互聯網實名制問題，我愿意相信這是個好事。畢竟我們如果明著亮出自己的身份，互聯網才能對我們的隱私給予更好保護。
點擊咨詢 