大数据分析调研

大数据时代，大数据分析行业水涨船高，很多身边的朋友都想学习一下如何进行大数据分析。经常有人问我该怎么选择大数据分析工具。也对，面对市面上那么多大数据分析工具，大家在选择的时候都会懵一下。为了解答大家的疑惑，今天老李测评了5款较为常用的而且口碑比较不错的大数据分析工具，来给大家看看到底哪个大数据分析工具才是最好用的！一、为什么要做大数据分析大数据分析的主要目的是辅助公司决策，提升工作效率。身处信息时代，数据就是公司发展的命脉。对于企业来说，跟进时代跟进潮流，无疑是非常重要的。之前红极一时的手机厂商诺基亚，由于拒绝用安卓系统，继续用自己研发的塞班系统，因此就被时代所抛弃。后来重新应用安卓系统，即使这样也不能重回公司巅峰了。这种案例真的太多了，企业应该引以为戒。二、大数据分析的流程：明确分析目的与框架数据收集数据处理数据分析数据展现撰写报告三、推荐工具大数据分析工具可以有很多种，Part 1:数据采集工具Part 2:开源数据工具Part 3:数据可视化Part 4:开源数据库我们数据分析人，多会用到数据分析+数据可视化的功能，所以我就从这2个方面讲一讲。1、excelexcel可以说是一款非常基础的大数据分析工具了，很多人都是用excel进行大数据分析入门学习的。别看excel是一款基础大数据分析工具，其实excel具有非常全的大数据分析功能，非常适合于大数据分析新人。优点：新人友好度高，易于上手使用方便，不需要多掌握一门操作语言操作简单，学习成本低缺点：共享方面：excel是以电子表格形式进行大数据分析的，不易于数据共享。经常需要共享数据的人一定很崩溃。数据源：当所需要的数据源有多个时，整合数据源非常麻烦可视化：excel可以完成基本的可视化操作。但是excel是静态的，数据有变动时操作麻烦。2、tableautableau在国外属于大数据分析工具的佼佼者了，是一款非常专业的大数据分析工具。优点：专业性强，适合高需求人士操作数据清理/调整、检查/筛选数据、联接/合并数据都拥有着比较体系的数据加工策略属性设置非常灵活。缺点：学习方面：操作难度较大，学习成本高本土适应性：外国产商，解决国内企业数据问题能力较差数据源：可以连接国际主流数据库，但不支持连入部分国内数据库3、finebifinebi是一款国内主流BI大数据分析工具，占据了国内16.3%的商业智能市场，具有良好的大数据分析和数据可视化能力。优点：新人友好度好，可以进行自助式大数据分析。支持多种数据源连接，适应国内数据市场易于操作，可以通过拖拽来对数据分析报表进行编辑适应国内环境，有一种套针对国内企业问题的解决方案缺点属于轻量级数据分析工具4、pythonpython是一种跨平台的高级编程语言，可以应用在多个领域，尤其是大数据分析领域。而且python拥有umpy、matplotlib、scikit-learn、pandas、ipython多种工具，在大数据分析中很有优势。优点：编程能力强。除了数据分析还可以爬虫、写游戏等简单易学。和java相比，python的学习还是非常简单的。缺点：不能拖拽数据进行分析，对于没有编程基础的人来说较难理解。在处理大数据时，效率不高。5、finereportfinereport是一款专业的大数据分析工具，而且还具有非常好的可视化功能，可以制作公司可视化大屏。数据可视化可以将做好的大数据更好的展现出来，finereport内置多种可视化模版，还可以做动态报表！优点：纯Java编写的、集数据展示(报表)和数据录入(表单)功能于一身可以直连数据库，支持多种数据库支持报表管理、报表权限分配等多种功能缺点：数据量大时不易对数据进行搜索。不过在新更新的finereport八月版中已经增加了目录管理搜索功能。三、总结不同的大数据分析工具有着不同的适用场所。在对大数据分析工具的选择时，还是应该根据公司或者个人的实际需求来做决定。回复“工具”，即可获得大数据工具

导读：在数字经济时代，互联网、智能设备和其他形式的信息技术的爆炸性增长使得数据以同样令人印象深刻的速度增长，企业经营的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来。数据已成为一种重要的生产要素，通过对数据的收集、存储、再组织和分析建模，隐藏在数据中的重要价值及规律逐渐展现出来，正成为企业转型升级及可持续发展的重要推动力量。大数据分析建模是大数据应用的核心和重要基础，已成为科技界和企业界关注的热点话题。▌大数据分析建模的背景随着企业信息化的逐步深入，大量信息系统在企业中广泛应用，物联网、云计算、工业互联网等技术与企业经营生产紧密结合，设备运行、生产加工、测试试验等数据采集过程更加自动化，企业积累了大量的数据，包括产品销售数据、客户消费数据、客户行为数据、企业运营数据等，企业经营生产的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来，这些数据隐藏着大量的有价值的规律和信息，是企业的重要资产。另一方面，传统的数据报表、即席查询等简单分析手段已无法满足企业对于深层次信息的挖掘需求，大数据融合、大数据分析、大数据挖掘等技术不断发展，漏斗分析、事件分析、行为分析、留存分析、属性分析等模型不断完善，神经网络、决策树、关联规则等挖掘算法不断成熟，基于Hadoop、HDFS的分布式存储技术以及基于Storm、Spark、MapRece等分布式计算技术迅猛发展，为大数据分析处理及分析建模提供了坚实的技术支撑。▌大数据分析建模步骤企业开展大数据分析，首先应开展业务调研和数据调研工作，明确分析需求，其次应开展数据准备工作，即选择数据源、进行数据抽样选择、数据类型选择、缺失值处理、异常值检测和处理、数据标准化、数据簇分类、变量选择等，再次应进行数据处理工作，即进行数据采集、数据清洗、数据转换等工作，最后开展数据分析建模及展现工作。大数据分析建模需要进行5个步骤，即选择模型、训练模型、评估模型、应用模型、优化模型结构。1 ▏选择分析模型基于收集到的业务需求、数据需求等信息，研究决定选择具体的模型，如行为事件分析、漏斗分析、留存分析、分布分析、点击分析、用户行为分析、分群分析、属性分析等模型，以便更好地切合具体的应用场景和分析需求。2 ▏训练分析模型每个数据分析模型的模式基本是固定的，但其中存在一些不确定的参数变量或要素在里面，通过其中的变量或要素适应变化多端的应用需求，这样模型才会有通用性。企业需要通过训练模型找到最合适的参数或变量要素，并基于真实的业务数据来确定最合适的模型参数。3 ▏评估分析模型需要将具体的数据分析模型放在其特定的业务应用场景下（如物资采购、产品销售、生产制造等）对数据分析模型进行评估，评价模型质量的常用指标包括平均误差率、判定系数，评估分类预测模型质量的常用指标包括正确率、查全率、查准率、ROC曲线和AUC值等。4 ▏应用分析模型对数据分析模型评估测量完成后，需要将此模型应用于业务基础的实践中去，从分布式数据仓库中加载主数据、主题数据等，通过数据展现等方式将各类结构化和非结构化数据中隐含的信息显示出来，用于解决工作中的业务问题的，比如预测客户行为、科学划分客户群等。5 ▏优化分析模型企业在评估数据分析模型中，如果发现模型欠拟合或过拟合，说明这个模型有待优化；在真实应用场景中，定期进行优化，或者当发现模型在真实的业务场景中效果不好时，也要启动优化，具体优化的措施可考虑重新选择模型、调整模型参数、增加变量因子等。▌大数据分析建模建议数据分析建模是企业大数据应用的重要基础，通过建模不仅有效地组织了原始数据，而且为数据展现提供了重要支撑，企业在开展数据分析建模过程中应注意以下几点：1 ▏重视需求牵引作用，深化业务问题解决企业应结合业务发展目标，梳理经营生产过程中的瓶颈问题，以问题为导向，重视业务需求调研工作，清理业务流程和业务数据，研究数据来源、采集通道和映射关系，深入梳理数据基础，不断推进业务问题的解决并构建合理的业务架构。2 ▏加大数据积累力度，夯实数据体系基础企业应深化信息系统应用，提升业务流程和业务数据上线力度，深化物联网、云计算等新兴技术应用，提高数据采集效率，丰富数据积累力度；完善主数据、主题数据、数据建模等标准规范，构建包含业务、指标、报表等的数据体系，夯实数据体系基础。3 ▏加大人员队伍建设，提高技术支撑能力企业应加大技术专家、业务专家、数据分析师、数据管理员、运营专家等专业人员的培养，调动业务部门参与数据分析的积极性和主动性。同时加大数据分析、数据建模、数据挖掘技术储备、技术工具库和模型库建设，提高技术支撑能力。▌结语大数据分析建模是数据到信息转变的重要支撑，也是凸显数据价值实现的重要环节，企业应加强业务需求调研与业务架构优化，夯实数据基础和应用基础，不断选择、训练、评估、应用和优化模型，不断推进大数据分析建模的应用，为转型升级奠定坚实基础。

8月19日，大数据分析与应用课题小组召开各交易板块大数据讨论会，邀请有经验的厂商共同参与研讨。根据会议精神，会后逐个业务领域确认数据字段、项目需求等方面，积极探讨算法模型、应用测算等解决方案，小组成员各抒己见、踊跃参与。本月继续推进数据分析课题，按照今年新的业务需求展开项目调研。一是打好基础功能，提炼亮点特色。数据治理是重要的基础，同时对南京、贵州、福州等地地方特色应用进行专题报告。对民生工程建设、投标保函、专家打分分析、招投标风险监测、服务费减免、微快递、零提供、生态美专题分析等方面展开讨论，集思广益、供各交易板块参考。二是项目内涵与外延的丰富扩展。大数据项目，应从数据中汲取营养，同时还要反哺业务能力；大数据分析，应创造工具、提升生产力；大数据监管，应成为规范政府、市场交易通道的有效途径。三是信息技术管理范畴。1、积极做好各信息系统的数据初探、对接调研。2、对可能用到的大规模计算能力、存储能力进行测算。3、对展示界面进行小程序的初步设计。4、探讨与其他新技术结合的可能。5、同时对数据安全管控提出参考模型。项目课题多方面同步齐下，为项目方案编制做好参谋。

什么是大数据？大数据包含非常大的数据集，可以通过分析这些数据集来揭示更深入的见解、模式、趋势，甚至有助于预测未来的结果。但是，这些“超大数据集”的实际构成可能要详尽得多，了解它们可以极大地提高我们对大数据的整体认识，以及如何使用它。大数据就是数据：以下几种类型的大数据可以用来定义当今世界的任何数据。但了解不同类型数据的目的是帮助确定如何将它们结合起来，为市场营销人员提出的问题提供答案。三种类型的大数据首先，大数据可以根据其结构来定义。数据的结构取决于它的可组织性。换句话说，是否可以将其格式化为包含行和列的表。按结构定义大数据有三种类型：结构化的：结构化的数据通常已经存储在数据库或其他数据管理平台中，可以方便地访问和处理这些数据以提供有序的输出。非结构化：通常是更大的数据集——大多数大数据是非结构化的，这意味着它们不容易组织或分类。半结构化：顾名思义，半结构化数据在开始时并不是天生就有组织的，但是当它被分析或消化时，它可以开始以一种更结构化的形式出现。结构化和非结构化数据都可以由人工生成，也可以由机器生成。人工生成的结构化数据可以是直接从个人收集的联系信息或网站表单细节。人工生成的非结构化数据可以是任何形式的网站活动和社交数据，比如一个人共享的视频、音频或社交帖子。另一方面，机器生成的结构化数据的例子包括GPS跟踪、库存跟踪或交易数据。机器生成的非结构化数据包括通过卫星收集的信息，如图像或天气感知信息。每种类型的数据都可以用许多不同的方法进行分析。然而，根据手头的目标，有一些特定类型的分析将满足它们自己的目的。4分析类型从大数据中寻找真知灼见有很多原因。无论是结合大数据和调查数据来获取详细的受众信息，还是通过梳理这些数据来预测购买数据，它们都属于四种类型的分析：规范性分析：为应该采取什么行动提供答案的数据分析。预测分析：对数据的分析，用来预测可能出现的情况或情况的数量。诊断性分析：对过去发生的事情及其原因进行深入分析的数据分析。描述性分析：可以实时或利用的数据分析，以查看当前发生的情况。将您的分析和营销策略映射到所需的大数据类型和分析类型，可以帮助理解什么工具和解决方案可能是最好的，从而将它们结合在一起。具体来说，数据和分析的类型将引导您获得所需的大数据分析类型。

前言近年来，随着人们的数据意识和数据素养不断提升，商业智能和数据分析领域迎来了快速发展期，据Gartner商业智能报告统计，到2020年全球的商业智能市场容量预计将达到228亿美元。同时，大数据、人工智能、机器学习、深度学习等技术的快速发展，也促进了商业智能和数据分析产品的新一轮进化。Gartner分析师认为，到2020年，自然语言生成和人工智能将是90%的新BI平台的标准特征，50%的分析查询将使用搜索、自然语言处理，或语音生成，或将自动生成。但我们必须认识到，我国商业智能的市场特征、企业需求、关注点、发展阶段均与国外有所不同，以Gartner为代表的分析机构并不能准确描述我国商业智能行业的实际状况。针对这一问题，帆软数据应用研究院调研了规模不一的216家企事业单位，了解到他们的大数据BI应用状态、需求情况、对大数据BI产品功能的期待，同时基于帆软数据应用研究院对行业的长期观察和思考，形成了该篇报告。主要预测：2018年，中国大数据 BI 产品将主要在自助分析的可操作性和功能丰富度、平台的安全性、数据管理能力、分析的共享能力、数据挖掘能力、大数据处理能力六大功能模块进行提升。一、2018年中国商业智能行业发展分析(一) 行业总体形势向好在当前经济环境下，企业盈利的压力和难度不断增加，越来越多的企业，尤其是一、二线稍具业务规模的企业，其高层都希望通过精细化运营提升市场竞争力，降低企业的运营成本。这些企业绝大多数都已经在2008年~2015年间上线了各种业务系统，存储了大量管理和运营数据，具备应用大数据BI进行数据分析和数据化管理的各种条件，这些需求将在2018年~2022年继续爆发。值得注意的是，艾瑞咨询在《2017年中国商业智能行业研究报告》中指出，我国已经进入商业智能领域第一方阵，成为发展最快的国家之一，但和美国还有比较大的差距。所以未来中国大数据BI行业总体将呈现加速度增长，市场容量将不断扩大。(二) 大数据BI厂商马太效应显现马太效应是指强者越强，弱者越弱的现象，国内BI行业的马太效应已经显现。据帆软品牌部调研数据显示，处于行业第一梯队的帆软、Tableau、微软PowerBI的品牌知名度和市场份额与其他厂商进一步拉大。帆软2017年全年营收2.77亿，远超其他国内厂商之和。同时帆软销售部反映，2017年度销售跟单中遇到的竞品种类和数量均较2016年有相当大幅度的下降。BI行业出现马太效应实属必然，综合实力强大的厂商更能投入资源做好产品、服务，解决更多用户的需求和问题。可以预见，2018年中国BI行业马太效应将进一步增强，逐步淘汰掉实力弱、规模小、产品差的企业。(三) 新型自助式BI与传统型BI平分秋色得益于敏捷、自助的特征，从2013年起新型自助式BI迎来了高速发展期，这一时期也是传统型BI的衰退期。2017年，传统型BI与新型自助式BI在国内市场中平分秋色。受访企业中，约50.2%的企业仍然在使用传统型BI，其中最典型的需求是企业常规日报、月报等汇总分析报告。约49.8%的企业应用新型自助式BI，通过报表平台+自助式BI+大数据底层平台的解决方案，来解决企业综合的数据展示和分析需求，形成经营和战略决策。在调研中我们注意到，约有18%的企业引进了新型自助式BI，部分或全部替代了传统BI。虽然传统型BI尤其自身优势和应用场景，但随着新型自助式BI的不断发展，传统型BI必将逐渐退出历史舞台，从国际传统BI巨头积极调整产品结构可见一斑。二、2017年中国商业智能用户状况分析根据企业的IT人员和业务人员在数据分析中的工作量和投入程度占比，我们将BI用户（企业）划分为5大类型，即BI应用金字塔模型，以更好的统计、分析企业的BI应用状况。(一) BI应用金字塔模型1. IT完全主导型其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成95%以上的BI分析页面（注：主要是指用于生产、经营、管理会议所需要的数据分析页面，下同）的开发。业务人员仅负责前端数据查看，完成查看报表时相关联动钻取操作。调研中我们发现，处于“IT完全主导型”这一等级的企业，约有93.2%都在使用传统型BI工具，企业的业务人员基本没有能力，也没有需求去自主完成数据分析的工作。这些企业的业务变革并不剧烈，企业管理层认为当前的日常数据报告能够满足企业管理和决策的需要，相对缺少变革的动力。2. IT强主导型其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成80%~95%数量的BI分析页面。业务人员完成低于20%数量的BI分析页面。从调研数据来看，这类企业中，67.5%的企业认为当前业务人员不具备数据分析的能力。而企业需要快速完成部分数据分析工作，所以选择让IT人员更多承担工作。这类企业中普遍认为，商业智能产品本身并非能够快速上手，且业务人员仍需要统计学基础，阻碍数据分析工作从IT人员向业务人员的转移。3. 业务强主导型其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的所有相关工作，完成前期示例不超过20%数量的BI分析页面。业务人员完成超过80%数量的BI分析页面。从调研数据来看，这类企业中，超过80.2%是曾经推行传统BI的企业，并且部分业务人员是有较高学历和能力的，能够学习和掌握商业智能工具和数据分析技能，并愿意在工作中积极使用；从帆软数据应用研究院的实地走访的部分企业来看，这些企业普遍行业排名靠前，公司从高层就重视数据分析工作。4. 业务完全主导型其典型特征为，IT人员做底层数据仓库，以及BI工具层面的数据模型处理的部分相关工作。业务人员完成95%以上数量的BI分析页面和相当部分BI工具层面的数据模型处理。相比于第三类使用人群（业务强主导型），这类用户的一大特点是业务变革十分迅速，从事业务工作的人员学历普遍较高，业务经营和发展需要企业快速做出决策。而基于数据分析得出的业务判断相比个人历史经验准确度更高，是这类企业基本共识。比如在新兴的互联网企业，或者新零售领域，这个特点尤为突出。5. 智能自助型其典型特征为，IT人员只做底层数据仓库、数据连接、数据字典相关工作。业务人员处理所有BI工具层面的数据处理，以及所有BI分析页面。IT人员搭建数据中心，业务人员完全自主处理和分析数据，这类企业有着明显的资源密集型的特点，业务人员更多的是偏向运营相关的工作。当然，因为此类受访企业占比较少，原因分析的可信度还有待进一步调研来核实。(二) BI用户状况分布基于BI应用金字塔模型，2017年企业分布如下；从调研数据中，我们可以得出两大结论。1、IT人员主导企业数据分析的模式仍占据主流，也就是IT驱动仍是2017年企业商业智能平台应用现状。从数据调研的受访企业来看，有高达60.5%的企业的数据分析工作仍是第二类型（IT强主导型），甚至有21.5%的企业的数据分析工作处在第一类型（IT完全主导型），这显然和业务人员自助数据分析的目标距离遥远。2、新型自助BI正在成为商业智能市场的主流。17.5%的企业是在2017年上线了新型自助BI，实现了让少部分业务人员自助完成BI数据分析的目标。三、2018年商业智能用户需求分析(一) 企业多级部门数据分层次IT权限和平台管控，占受访企业97.6%需求描述：BI工具支持企业的多级部门的数据/分析页面权限管控，使得不同层级的部门机构只能看到本部门机构和辖属部门机构的数据/分析页面。需求产生的原因：有的信息中心为释放压力，放权给业务部门使用数据，一旦口子打开，数据缺口就会像洪水一样泛滥，就又会走向另外一个极端，导致放权下的数据管理混乱，数据口径不统一，部门之间的数据壁垒等等问题就会出现，同时这将给企业带来极大的数据安全隐患。满足该需求对企业的价值和意义：在满足业务部门BI数据自助分析的同时，兼顾企业的数据权限管控，形成企业以IT部门集中管理下的良性数据分析风貌，杜绝企业数据安全隐患。(二) 业务人员可通过BI工具进行自助数据分析，占受访企业94.5%。需求描述：业务人员可以在浏览器前端，对自己权限范围内的数据进行多维拖拽探索和自助分析，发掘隐含在数据中的业务价值。需求产生的原因：企业的传统信息化建设中，IT信息中心对公司数据进行高度集中的管控，来自企业各职能部门的数据处理以及报表就会全部由IT人员来输出，一旦业务部门需求集中扎堆，就会造成响应不足，业务部门怨声载道。信息中心自身成员熬夜加班做报表，成就感却很低。满足该需求对企业的价值和意义：通过高效灵活的BI工具，业务人员对自己权限范围内感兴趣数据进行多维拖拽探索和自助分析，以工具简单易上手的低学习成本，让真正对分析业务价值最熟悉的业务人员实现自助数据分析探索，最大化业务数据的分析维度和分析效率，灵活发掘数据中可能潜在的业务价值，同时也解放了IT人员的劳动力，降低企业人力成本。(三) 可快速搭建型自助BI业务数据模型，占受访企业87.5%。需求描述：数据库表中的数据需要基于业务分析主题进行分类管理，相关数据表之间支持手动/自动构建关联模型，同时建立的关联模型支持灵活应用，无需反复编辑修改或创建新的模型，一次建立即可灵活满足多重业务场景进行数据分析使用。需求产生的原因：传统BI工具创建的底层数据关联相互独立，无法重复利用，一旦遇到新的业务数据计算分析场景，数据关联就需要修改或重新创建，极为麻烦，非常不利于IT人员维护。满足该需求对企业的价值和意义：通过BI工具快速构建的新型自助式BI业务数据模型，较传统BI工具针对不同业务分析场景需要多次、重复建模的应用痛点，极大地提高了BI工具的企业中业务数据分析应用的效率，解放了以往IT人员对数据维护的压力。(四) OLAP多维分析：上卷、下钻、旋转、切片、联动、跳转等，占受访企业84.5%需求描述：BI工具支持强大的页面OLAP多维分析功能，包括分析视角的上卷、下钻，维度的旋转切换，指标的切换，分析数据的切片过滤，组件之间的联动过滤、页面超级链接跳转等。需求产生的原因：随着业务发展的复杂化，单一角度的数据分析往往难以再发掘出更多有价值的潜在业务信息，取而代之的是需要BI工具能够满足强大的页面OLAP多维分析功能。满足该需求对企业的价值和意义：通过BI工具强大的OLAP多维分析功能，以实现多角度、多关联数据之间的数据无限层次探索分析，发掘出数据中潜在的业务价值。(五) 大数据处理性能处理能力达到十亿数据秒级响应，占受访企业63.6%需求描述：BI工具可支撑处理亿级以上大数据分析计算的秒级响应，提供多维加速引擎对传统关系型数据仓库（SQLServer、Oracle、Mysql等）进行数据提速处理，同时也支持实时对接企业大数据平台（Vertical、Kylin、Greenplum等）进行数据分析计算。需求产生的原因：一方面，传统关系型数据库在面对上亿级别以上数据量时，容易出现性能瓶颈，长时间的查询等待往往会导致业务数据分析效率太低。另一方面，当今信息化水平飞速发展，越来越多的企业已经有了自己的高性能大数据平台，对于这部分企业来说，拥有一款能够直接对接大数据平台进行数据分析的工具尤为总要。满足该需求对企业的价值和意义：BI工具提供的强大数据计算处理引擎，能够降低企业数据查询等待时间成本，提高业务数据分析效率。同时，通过直接对接企业大数据平台，还可满足企业实时数据分析的需求。(六) 业务人员可完成工具层面的零代码数据加工处理工作，占受访企业57.5%。需求描述：BI工具可通过快速易上手的交互方式，让业务人员也能完成工具层面的零代码数据加工处理工作，例如例如表合并、分组统计、结构数据分层、过滤、增加列、同比环比、累计值、所有值、公式运算等数据清洗和数据处理方法，实现对数据的无限层次多维透视分析统计。需求产生的原因：当业务需求相对偏复杂时，简单的维度和指标统计往往无法直接计算出业务所需要的计算结果，以往的处理方式往往可能是业务部门提需求给IT，然后IT经过SQL或者代码对底层数据表加工处理，然后最终导出一张excel数据表给业务部门，期间的反复沟通和等待时间往往降低了企业的业务数据分析应用效率。满足该需求对企业的价值和意义：通过BI工具，使得业务人员也能快速实现对数据的无限层次多维透视分和析加工统计，降低了传统模式下的沟通成本和等待时间，提高了企业业务数据分析的应用效率。(七) 移动端数据分析查看支持，占受访企业44.9%需求描述：BI工具支持移动端数据分析多维分析查看功能（兼容PC端的上卷、下钻、旋转、切片、联动、跳转等），对于BI工具的应用app支持便捷的扫码登陆、离线查看、批注、分享等功能，同时满足某些社区平台如微信、钉钉的企业公众号集成。需求产生的原因：在当今这个移动设备便捷时代，仅仅PC端的数据分析已经不能满足某些特定时间和场所的业务分析需求了，而BI对移动端的支持已经成了必然要满足的功能点。满足该需求对企业的价值和意义：通过移动端的BI分析查看，使得数据分析不仅仅局限于PC端，较大地增强了数据分析的便捷性。同时微信和钉钉的集成接入，让业务通过社区平台也能直接查看想要的数据分析页面，更是为移动端数据分析锦上添花。四、中国大数据BI产品功能预测结合用户需求调研，和我国BI厂商的产品计划研究，2018年如下六个大的功能模块将会得到增强。(一) 提升自助分析的可操作性和功能丰富度为满足业务人员可通过BI工具进行自助数据分析的需求，中国大数据BI产品需要改善自助分析的功能和可操作性，包括图表的丰富性。前端布局自定义搭配，让业务人员随心所欲布置。比如仪表板自由布局，可快速拖拽生成所需要分析的页面；在全面支持常见的柱状图、条形图等图形基础上，增加支持中国（世界）地图、GIS地图、桑基图等大数据图表；为了适应更加多样的用户，大数据BI平台需要支持强大的OLAP多维分析功能，包括分析视角的上卷、下钻，维度的旋转切换，指标的切换，分析数据的切片过滤，组件之间的联动过滤、页面超级链接跳转等。业务人员在OLAP多维分析的基础上，能够在数据分析查看时，再次对所有维度进行二次的维度指标加工，并无限层次多维透视分析统计，全面开放业务人员对数据的处理和分析操作，以满足当前中国用户多个视角、多个层级的分析需求，把传统业务分析的智慧充分沉淀到数据分析系统中来。为了给不同用户提供个性化的视觉体验，大数据BI平台支持表格动态数值预警功能和图形设置动态警戒线，支持图表样式风格自由拖拽调整。同时，也需要大数据BI平台智能自动设置预警值和样式风格等。(二) 提升平台的数据挖掘能力为满足企业业务人员自助数据分析和自动挖掘的需求，中国大数据BI产品需要在已有的数据可视化和数据分析的功能基础上，增强数据自动挖掘能力，使业务人员在能够掌握挖掘基本概念的基础上，深入挖掘分析业务数据，为业务运营提供数据结论支持。大数据BI平台需要支持嵌入式高级分析功能，用户能够轻松使用平台内置的高级分析功能，也可以通过导入和集成外部开发的高级分析模型。比如平台内含数据挖掘常见算法（如线性预测、时序预测、聚类、分类等），或者提供外接其他数据挖掘平台和工具的可视化接口（如R语言或者Python语言），甚至内含适合特定业务场景的挖掘模型 。(三) 提升平台大数据处理能力为满足企业对大数据BI平台实时响应的需求，中国大数据BI产品需要将当前大数据处理能力提升一个量级，达到10亿数据量秒级响应水平，同时支持丰富多样的数据源。大数据BI平台需要支持丰富的数据源，如企业主流的关系型数据库、大数据平台、NOSQL数据库以及多维数据库，需要支持实时对接数据平台和分布式引擎拓展，同时支持跨数据源关联，同时支持对较大级别数据量进行数据抽取和索引建模，提高数据分析效率。(四) 提升平台的数据管理能力为了满足中国企业业务人员用户对数据处理的需求，中国大数据BI平台需要提升自身的元数据管理能力、数据的ETL处理能力、数据存储能力。提高元数据管理能力，使得用户能够集中管理元数据，包括对元数据进行检索、提取、处理、存储、分享复用和对外发布。中国企业的业务人员将需要在数据分析的过程中，直接操作经过IT人员标准化处理的元数据。近几年来，中国数据分析人才迅速增加，企业中也成长出一批有一定数据分析能力的业务人才，这些中国企业业务人才更多的是需要对数据进行ETL处理和存储，这就需要平台功支持用于查询、提取、转换和加载的功能，具有索引、管理、调度数据的能力。(五) 提升平台分析的共享能力随着ERP、OA、MES、HIS等常见业务系统的完善，企业少则数十套IT系统，多则上千套系统。新型自助BI需要能够与多个系统同时融合，全面分析企业的业务数据。这就需要中国大数据BI产品需要加强产品与不同软件系统的集成融合能力，这是中国企业面临的共同难题。大数据BI平台需要支持嵌入式部署，如主流的应用服务器，支持跨平台的权限集成和页面集成。大数据BI平台不同用户创建的分析页面，可以方便地分享给其他成员。同时，在企业的分析用户设计仪表板时，可以复用仪表板中的图表、维度、指标等，支持用户分享指定页面进行给其他部门成员，便于互动沟通交流。为满足企业人员实时办公、互通信息的需要。大数据BI平台还需要支持移动端上共享和查看分析结果，支持在移动端对分析结果进行数据层级钻取穿透、联动等。(六) 提升平台的安全性为了满足企业多级部门同时使用、不同权限的功能，中国大数据BI产品除了要提供灵活丰富的用户管理功能、权限控制功能，还需要内置强大的用户行为监控与分析功能，确保企业的数据安全和信息保密。大数据BI平台将支持持批量导入用户，支持同步企业统一权限管理数据库中的用户，以企业IT系统统一的用户管理方式进行用户管理。支持用户以企业IT系统统一的用户权限认证方式进行权限管理。同时，需要支持短信平台功能，并可用于用户账号身份验证等，多种用户和权限管理方式，来满足广大中国企业的不同的安全级别要求和安全管理策略。随着大数据BI在中国的发展，中国企业自身的大数据BI平台已有众多员工账号。这就对大数据BI平台提出新的挑战，除了要拦截非法用户，还要对大数据BI平台有效用户进行有效监控。2018年，大数据BI平台需要支持监控用户的操作行为，支持监控页面被访问的频次、访问来源，甚至是支持监控访问到的数据范围。为了保证大数据 BI平台系统持续支持企业经营管理，需要大数据BI平台支持系统数据迁移到企业数据库，支持对系统进行备份与还原，备份可以手动或设置周期定时备份。同时，支持云端服务器部署和本地服务器部署，支持多机热备，达到企业的灾备要求。此外，为了有效避免BI平台出现严重异常，还需要支持监控自身的运行性能，遇到系统性能风险，提前给出系统预警信号。

近日，国内在线医药健客基于旗下网上药店销售数据，发布了“2017国民健康消费大数据”。数据显示，从网上购买渠道上看，目前药店还是第一购买渠道，占比85.1%，网上为第二渠道，占比为60.1%，排在第三的医院占比为60.1%。数据显示，从网上购买渠道上看，目前药店还是第一购买渠道，占比85.1%，网上为第二渠道，占比为60.1%，排在第三的医院占比为60.1%。在健康消费人群中的数据可以看出，总体上女性要高于男性，女性消费者占比达65.1%，男性消费者占比为34.9%。在总体年龄分布上，20岁-29岁消费者占比25.05%，30岁-39岁消费者占比达53.54%，可以说“80后”是健康消费的主力军。数据显示，从总体购买目的看，消费者主要给自己和父母购买居多；而分性别看，男性给自己购买的多，女性给父母、子女购买的比例要明显高于男性。在影响消费者选择网上购买的因素方面数据来看，“药品质量有保障”占比70.6%，“价格便宜”占比59.7%，“需要的药品都能找得到”占49.7%，“购买简单，云挂号排队取药麻烦”占比32.9%。2017健客网上药店销量TOP10品类：医疗器械、风湿类风湿、中药饮片、补肾壮阳、美体瘦身、增强免疫类、颈椎腰椎病、心脏疾病、妇科炎症、补肾益气。据了解，根据国际糖尿病联盟（IDF）12月发布的报告显示，中国糖尿病成人患病率全球第一，至2017年，中国的糖尿病患者数量达1.14亿。因此，血糖监测和控糖产品产生了巨大需求。而2017健客网上药店家用医药器械品牌销量前五的都是生产血糖仪和电子血压计的知名品牌，分别是雅培、欧姆龙、鱼跃、强生和三诺。雅培今年4月才正式在国内上市销售，而健客是雅培无痛血糖仪在国内的电商渠道商。研究数据显示，2017年我国中药饮片市场规模为2330亿元，2018年将达2734亿元。据了解，根据国际糖尿病联盟（IDF）12月发布的报告显示，中国糖尿病成人患病率全球第一，至2017年，中国的糖尿病患者数量达1.14亿。因此，血糖监测和控糖产品产生了巨大需求。而2017健客网上药店家用医药器械品牌销量前五的都是生产血糖仪和电子血压计的知名品牌，分别是雅培、欧姆龙、鱼跃、强生和三诺。雅培今年4月才正式在国内上市销售，而健客是雅培无痛血糖仪在国内的电商渠道商。研究数据显示，2017年我国中药饮片市场规模为2330亿元，2018年将达2734亿元。数据显示，在健客网上药店2017年儿童类医药健康产品销量TOP10品牌中，位居前三的品牌产品分别是丁桂儿脐贴(丁桂)、枯草杆菌二联活菌颗粒(妈咪爱)、儿童维D钙咀嚼片(迪巧)，而前面两款产品主要针对3岁以下的婴幼儿。而在健客网上药店2017年老年人保健类品牌产品销量TOP10榜单上，维D钙咀嚼片(迪巧)、盐酸氨基葡萄糖片(九力)、碳酸钙D3片(钙尔奇)位居前三甲，钙片类产品占了两位。健客成立于2006年，已服务上亿客户，2017年销售额达到25亿元，同比增长超60%。健客CEO谢方敏指出，“从消费数据增长趋势来看，健康消费已成为国人的刚需，这将为大健康行业企业发展带来强大助力。随着健康意识的增强，国人健康消费的诉求也在不断升级，这对企业提供的健康产品质量和服务内容都提出了更高要求。”当下微商大健康类目产品非常热门预计明年仍处于上升期市场竞争也日益增加分析：1、群体女性居多2、年龄80后居多3、线下流量大于线上4、注重质量居多5、医疗器械居多6、中药饮品居多从数据看来，大健康产品寻找流量，走到线下，仍是下一步的大方向，30岁人群对于健康的养生有了意识，未来5到10年，针对客户群体是90后，除了便宜和方便，大健康产品更要注重产品质量，因为对于健康，消费者不会吝啬几元钱，几十元钱，健康无价。中医中药，因为更稳固，健康，副作用小，受到广大消费者的青睐，也是微商人需要去研究的考察的。

来源：新浪科技第五章 产业与技术发展状况二、前沿技术发展状况（四）大数据发展状况2019年，大数据领域政策环境逐步完善，技术创新不断推进，产业应用持续深化，共同推动大数据领域发展。大数据产业布局持续加强。一是党的十九届四中全会提出要“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，首次将数据与劳动、资本、土地、知识、技术和管理并列作为参与分配的生产要素，同时提出要“推进数字政府建设，加强数据有序共享，依法保护个人信息”，数据生命各周期的监管与保护越来越受到重视。二是地方政府颁布各项法规，强化大数据领域的安全保障。例如，2019年10月1日，我国大数据安全保护层面第一部地方性法规《贵州省大数据安全保障条例》正式施行，这标志着贵州明确了大数据产业相关安全监管主体及其职责，大数据安全有了保障。三是各地政府相继成立地方性大数据管理机构，陆续出台大数据产业规划，不断优化区域产业发展环境，致力于发挥大数据对经济社会转型发展的引领作用。截至2019年12月，全国已有20个省（区、市）成立了负责大数据相关业务的省级管理机构，未成立省级管理机构的省（区、市）中有6个已发布大数据相关产业发展规划。大数据已成为新一代信息技术融合应用的焦点。作为实现创新发展的重要动能，大数据技术已成为我国信息化建设的重要支撑。随着相关技术的不断演进和应用持续深化，大数据正成为提高全要素劳动生产率、提升产业附加值的核心。2019年，依托大数据，智能计算实现了较为迅速的发展。例如，2019年8月，华为推出了目前单芯片计算密度最大的AI处理器昇腾910，其作为华为AI解决方案的底层芯片，能够有效运用智能计算等大数据技术，并加速AI技术在电力、互联网等行业的应用；9月，阿里云推出了第一颗自研芯片含光800，该芯片采用自研芯片架构，利用先进算法，深度优化计算、存储密度，在推理性能和能效比方面均打破世界纪录，成为全球最强AI推理芯片。稳定增长的大数据市场对经济社会发展的引领作用日益凸显。一方面，数据显示，2019年我国大数据市场总体收益达96亿美元，2019年至2023年预测期内的复合年均增长率为23.5%，增速高于全球平均水平，其中服务器和存储设备等大数据相关硬件服务占比最高，达到45.2%，IT（Information Technology，信息技术）服务和商业服务等大数据相关服务收入占比为32.2%，软件收益占比为22.6%。另一方面，大数据与零售、工业、金融、安防、营销、健康等领域的融合程度不断加深，在整合生产要素、促进经济转型、催生发展新业态、支撑决策研究等方面的作用愈发明显。近年来，制造业企业纷纷以大数据算法模型为指导，实现供需精准匹配，通过数字化手段推动销售增长。工业大数据正成为企业转型的核心驱动力，未来将在研发设计、生产制造、供应链协同和售后服务等多个环节助力工业高质量发展。2020年大数据领域将呈现以下十大发展趋势：一是数据科学与人工智能的结合越来越紧密；二是数据科学带动多学科融合，基础理论研究的重要性受到重视，但理论突破进展缓慢；三是大数据的安全和隐私保护成为研究热点；四是机器学习继续成为大数据智能分析的核心技术；五是基于知识图谱的大数据应用成为热门应用场景；六是数据融合治理和数据质量管理工具成为应用瓶颈；七是基于区块链技术的大数据应用场景渐渐丰富；八是对基于大数据进行因果分析的研究得到越来越多的重视；九是数据的语义化和知识化是数据价值的基础问题；十是边缘计算和云计算将在大数据处理中成为互补模型。

调研机构LNS Research认为实现工业互联网的“数字化世界”将成为MOM 4.0终极形态——无MOM，即MOM的功能无缝集成到了各种业务应用中。可以预知的是，随着工业互联网的不断深化，必然会造成MOM/MES、ERP等传统工业应用和系统的形态发生天翻地覆的改变。其实现在已经有非常明显的趋势，ERP、MES这些传统的大型系统所涵盖的功能，正在被逐渐细化、灵活的、解耦的应用所替代。工业大数据分析-抢占竞争力制高点比如APS（高级计划排程）、HR（人力资源）、FI（财务会计）、PM（项目管理）等独立应用的兴起，已经在逐步的瓦解传统大型系统的软件形态和商业模式。正如“天下大势，分久必合，合久必分”所说，不止工业信息化，连同一般的IT技术的发展也是如此。尤其在今天提倡微服务、接口化、轻应用、微创新、协作化的大背景下，传统的、整合型的、大型的系统，必将面临被“肢解”的局面，最终走向一个高度协同的、“形散而神不散”的、由众多低耦合的应用组成的工业互联网生态时代。当然，这个过程有多久没人能知道。对于工业企业来说，最重要的是能够看清自己拥有什么，从哪里找到突破口，以实现快速打造致胜未来的竞争力。从Google搜索数据来看，“Manufacturing analytics”（直译为“制造业分析（软件）、生产分析（软件）”，目前在国内还未形成正式的对应行业名词，这里我们暂用生产分析（软件/应用）代之）正在成为发达国家争相进入的一个热门领域，当然，这里的“分析”是完全不同于传统工业场景下的“统计分析”、“故障分析”等，这是一种结合了物联网、大数据和人工智能等先进技术的新型的“大数据分析”。工业大数据分析应用生产分析软件/应用（Manufacturing Analytics）这个词，从国外公开信息对其定义、描述，及相关产品和服务来看，应该属于国内所提的“工业大数据分析”的范畴。“生产分析软件/应用（Manufacturing Analytics）是一种新型软件，它整合了预测分析、大数据、工业物联网以及移动优先的思路等，为制造公司提供开箱即用的运营设备效率、流程改进、质量追踪、可视化等应用和服务。”生产分析软件的本质是收集和处理海量数据，并从中发现可用的见解。其通过自动化的手段对制造企业内外部各类数据进行采集、处理，同时，它的分析结果、可视化产出也是可以跨越多种企业架构，为上至公司首席执行官、下至车间经理提供符合各自权限的服务。为了便于大家理解，这里我们统一用“工业大数据分析应用”代指Manufacturing Analytics。当然，工业大数据分析应用的独特之处如果细究其实是很多的，但从其主要功能来看，通用的工业大数据分析应用软件至少应该具备以下四个方面的能力：01对设备、产线和业务等数据的自动化采集工业大数据分析软件必须具备直接从工厂设备、产线以及企业相关内外部业务系统采集数据的能力，并且这个过程是自动化的。这里面包括传感器、PLC、DCS、ERP等各种设备和系统，同时也能够提供人机接口供工厂操作工、主管以人工的方式录入、修整和完善数据。02对所有采集数据的中心化管理和场景化处理因为只有设备数据是不够的，需要通过自动化的工具或者人机接口完善这些数据的上下文环境。这就要求工业大数据分析系统收集数据时，必须能够对其进行清理和过滤，比如应该添加与相关部门、工厂、班次、产品、团队、操作工和生产线等相关的上下文场景；此外，还应尽可能的添加质量问题和停机时间及其原因，以促进系统的分析、问题的诊断，没有上下文场景的数据实际上是毫无意义的。03对关键的制造绩效指标进行计算和分析精确的KPI测量是持续改进项目的关键，但是在开始测量和分析它们之前，企业必须制定切实可行的指标体系。工业大数据分析系统在成熟的KPI指标体系的基础上，应实时计算诸如OEE、吞吐量、周期时间、合格率和停机时间之类的指标信息。并且，这些功能应该是工业大数据分析解决方案中开箱即用的标准功能，不需要客户进行手动搭建或者开发。04为不同角色的用户提供相应的可视化服务能够以简单直观的方式对数据进行可视化，对于分析项目的投资回报至关重要。工厂的生产往往具有严格的时效性，用户希望在有需要的时候就能立马获得正确的数据，这个过程不应该是困难的。工业大数据分析系统应该具备功能丰富、开箱即用的数据可视化功能组件，同时也是满足为不同的用户角色提供相应界面和功能的要求，因为从设备维护到车间经理再到主管、调度员……每个人都具有相应的完成自己工作所需的数据要求。部署工业大数据分析应用的收益可以确定的是，正确的部署工业大数据分析应用能够获得显著、关键的效益。比如，IoT Analytics数据显示工业大数据分析能够实现“收入增加 （33.1%），客户满意度提高 （22.1%），产品质量提高 （11%）”。01客户满意度能够更加精准的发现性能或质量控制问题，从而获得更好的客户满意度。传统的质量管控往往采用有限的统计学方式，只能估计一个大概的质量水平，工业大数据分析给予了制造商以更实时、更精准的质量管控能力，进而能够及时提醒制造商在质量、性能下降之前就能做出相应的对策。02实时数据的可用性传统的制造数据分析系统都有不同的时间窗口期，而新型的工业大数据分析应用能够实时采集、计算和分析，无论是一线的操作工，还是高层的管理人员无需等待就能及时发现问题，甚至结合历史数据和当前工厂状况，系统还可以通过趋势预测主动发现即将发生的问题。03减少故障减少废料产出、减少失误发生，以及及早发现故障或质量异动的现象，在设备或产线负荷超限之前及时调整，从而能够获得更长的连续生产周期，这也意味着制造商的成本更低。04减少计划外停机时间实时数据还为操作工提供了随时监测任何给定机器的性能、状态的能力，生产或质量的异常现象可以在最短的时间内通知到操作工，进而为其及时开展预防性维护提供依据，最终实现了更少故障和更长连续生产时间周期；在有足够的数据积累和相应的算法支撑的情况下，如果预测性维护得以落实，制造商将能够获得更好的设备运转和更少的非正常停机损失。05优化库存和物流工业大数据分析系统直接连接到底层设备以及各种内部系统（ERP，MES等），同时还可以融入外部合作伙伴和其他第三方的数据，这将能够显著提升制造商整个供应链的完整可见性，无论是企业外部的物流还是那些有明显中间品库存类型的制造企业，都将从中获得收益。06优化销售和运营打通了前台交易业务系统和后台生产现场，使得客户行为、销售和生产预测等数据能够融合在一起进行分析，为制造商提供更高层面的视角以进行调整并使收入最大化。工业大数据分析应用与制造系统的区别如果单从“数据分析”字面意义来看，很容易让人将工业大数据分析应用与各种制造系统之间的分析功能形成混淆。因为无论是业务层、应用层的ERP、BI，还是执行层的MES，都存在各种数据分析的情形，似乎这些跟工业大数据分析应用没有什么两样，其实工业大数据分析应用与这些传统分析功能还是存在明显的差异的。在这里，我们简要描述每个制造系统平台的功能与新型工业大数据分析解决方案所提供的功能不同：01ERP –企业资源计划ERP是业务层的系统，处在制造企业功能的顶层，因此ERP无法直接处理大量底层的设备流式数据。目前来看，ERP仍然是很多大型制造公司的关键系统，但ERP的定位决定了它不具有每天在工厂车间直接用于管理和平衡生产的能力，ERP的管理更加宏观，而且分析、透视往往需要很长的时间周期。ERP在生产中的作用是创建和管理进度表，并根据进度表跟踪进度。另外库存也是ERP的关键部分。这些功能看似跟工业大数据分析应用有些重叠，但其实二者差异巨大，因为工业大数据分析应用是实时的、直接连接全数据的。02MES / MOM –制造执行系统MES / MOM 系统实时跟踪生产订单的执行；从操作工和机器收集数据，以确保按时交付高质量的产品。工业大数据分析应用与MES有一些功能上的重叠，因为工业大数据分析系统可以从机器和操作工那里收集数据。不同之处在于，工业大数据分析系统关注未来的发展趋势，其分析数据来自许多不同的来源，不仅限于执行层、设备层，还有业务层、内外部各种其他数据源，用以全面了解工厂现场发生的情况。此外，MES仅限于专注于当前发生的问题，“发生了什么？”是MES关心的，而工业大数据分析应用关注于即将发生的事情，以及“为什么发生了这件事情”。03商业智能（BI）BI以及类似软件都可以分析生产线和工厂数据，而且这些工具软件还可与其他工具一起使用，以创建类似于工业大数据分析应用的程序。这些BI系统与工业大数据分析应用的最大的区别在于工业大数据分析是应用是开箱即用的应用程序而不是工具平台，这些BI更多的仅仅是一种工具，这些工具需要专业的人员经过专业的操作才能发挥出其潜在的功能。相反的是，工业大数据分析系统可以快速部署到企业中，并可以被各种层次的人员快速上手使用，而无需在后期的使用中投入专业人才来开发和使用。04SCADA-监控和数据采集SCADA是工业场景中一个非常广泛的软件类别。它使用计算机来控制和收集工厂生产线上的数据。根据不同的应用行业，SCADA在不同的行业和场景具有许多不同的组件。SCADA系统和工业大数据分析应用在收集数据的能力方面存在重叠。但是，工业大数据分析应用不能像SCADA一样控制流程。虽然SCADA系统也可以可视化数据，但它们通常是展现正在发生的事情，而在趋势分析、关联分析等更高层、更深入的分析方面，以及更广泛的数据采集与融合方面，与工业大数据分析应用相差甚远。05OEE-设备运营效率许多不同的软件系统都具有收集数据以计算OEE的功能，OEE也是工业大数据分析系统中一个重要的功能，而且工业大数据分析应用中的OEE比传统的OEE应用做的更好。此外，工业大数据分析应用的功能也远远超出了OEE的范围，OEE只是工业大数据分析应用的一个功能子集。寄云安全生产智慧管控应用据悉，目前还有大量制造企业信息化基础不完善，甚至生产过程需要依靠人工收集统计，工厂生产过程不透明，无法掌握真实生产状况。同时，在愈加严峻的国际形势、天灾等面前，企业还面临着增效、降本、安全等多方面压力。企业需要有效、全面数据支撑其快速辅助管理、决策能力。工业互联网服务商寄云科技，依托寄云NeuSeer工业互联网平台等，为化工能源、电力能源、汽车零部件制造、装备制造等高端企业提供多种工业大数据分析应用的构建。以面向化工和电力能源为主的寄云安全生产智慧管控应用解决方案为例，该解决方案实现了基于实时数据的生产运行监控、安全监控、环保监控、应急管理等应用。这些应用具备工业大数据分析应用的典型特征，比如基于物联网实时数据的设备模型、基于数字孪生技术的产线模型……不但能够达到对关键设备、流程、工艺的数据实时采集、实时监控，还能够基于深度学习等人工智能手段结合机理和算法实现预测性维护、流程优化、工艺优化等高级应用。该类应用让企业实时掌控生产安全的同时，更能带来产能、效能的提升。对于化工、能源等基础关键行业，生产和安全是息息相关的，安全生产管理系统能够同时满足两者的苛刻需求，实现“两手抓两手都能硬”。“安全”的关键在于危险源的管理，该能源化工集团企业以往危险源的管理采用手工上报方式，存在滞后、漏报等不足，寄云安全生产智慧管控应用一方面提供更加科学的危险源汇报、追踪流程，另一方面它还能关联危化品分布和数量变化、锅炉压力变化、GIS等数据，实现实时的危险源变动追踪，避免发生“天津港”那样因为破坏危险源管理要求而发生重大事故。而对于生产的管理，应用提供统一组态视角支持生产工艺流程监控，打通控制系统信息化壁垒，突破传统组态厂级现场局限，实现对生产单元的过程监视，并实现对生产关键点位的实时数据分析，结合历史记录、参考实时数据进行趋势分析和对比。当下处在一个新旧交替的变革时代，不止工业大数据，其实包括工业互联网、5G、区块链等各种新技术都没有达到一种各方面都明了的应用阶段，还需要大家随着时间的推移和探索逐步的落实。在这里，我们有必要为大家说明，工业大数据分析软件作为一种新型的数据分析应用，一方面和传统的制造系统有着或多或少的重叠和差异，另一方面就目前来看，工业大数据分析应用同MES、ERP等传统系统，是一种相辅相成的关系，不存在非此即彼的替代性，这一点尤其大家需要认清。

都说商场如战场，如今的我们人人都是心理学家，都得是心理学家。如果商家没有办法把握到用户的心理，那一切都是白搭。我们要去了解用户想要的是什么，能给用户带去的是什么；但这些，在很多时候光靠着自己的臆想是不够的，我们必须去调查、去了解，深入用户的群体，去获取实际的数据，用数据来说话。现在大数据已经非常被人们所看重，分析是一门学问，获取也是一门学问。这不，各大商家都想方设法地获取自己的用户信息，为的就是分析人们的结构、购物属性，为自己赚取一点商业利益罢了。但是对于用户来说，这样的行为是“窃取隐私”，是不能被接受的，天天都有人为了这个争吵不休：“太可怕了，我说句什么都要被淘宝知道了”“我今天跟朋友聊过的话题明天就被推荐给我了，我们的隐私也太危险了吧！”既然都扯到这里了，就再多一句嘴，人脸识别也同样如此，能够把面部信息和个人喜好对应起来，其实更方便商家针对到用户的个体去推荐适合他们的产品。用户担心自己的隐私信息泄露，被不法分子利用，使用户上当受骗我们都可以理解。但我们也同样在之前的文章中描述过，随着国内经济形势的改变和市场监管体系的逐渐严格，产品已经逐渐开始往精细化、品质化的方向发展。电商平台和商户，则是逐渐向着更完善的服务体系发展，很可能在不久的将来，商家卖的是服务、厂家做的是质量，这才是新零售的发展方向。这么一来，大数据分析其实更有利于商家的服务，也会更好地改善用户的购物体验。当然，身份信息的滥用依旧亟待解决，比如天天发送到我们手机上的垃圾短信，我就希望能够再见不到它们。