做市场调查时,问卷的回收率和有效率是多少才算是有效的调查?做数据分析时,用哪种工具最好?
我爱罗gd鮰怓
一、定性分析与定量分析关系 定量分析在企业决策过程中是不可缺少的,没有定量分析就不可能做到心中有数,就不可能有正确的市场目标的制定.定量分析的重要性是不容置疑的.在企业市场容量调查、市场占有率调查、销售量调查、经营效益调查等专项调查中,没有定量调查是不可想象的.但是,这并不能因此而否定定性调查的重要性.定性调查同样是企业市场调查的有效工具. 定性调查在企业市场调查实践中,常用来确定市场的发展态势与市场发展的性质,主要用于市场探究性分析.同时定性调查,还是市场调查和分析的前提和基础.没有正确的定性分析,就不可能为市场作出科学在合理的描述,要不能建立起正确的理论假设,定量调查也就因此失去了理论指导.没有理论指导的定量分析,就不可能得出科学而具有指导意义的调查结论. 尽管在目前市场调查实务中,企业界只要一谈起市场调查就会马上想到定量调查和分析,一提到调查的科学性和准确性,就立刻与定量调查联系在一起.似乎只有定量调查才是唯一的科学的调查方法,定性调查被人为地贬低,更有甚者将定性调查视为一种主观臆断而加以排斥.定性调查没有得到应有的重视,而定量调查却被滥用.其结果是花费了大量的人力物力,也得到了大量的调查数据,但由于缺乏定性的分析,没有定性的理论指导,无法对数据进行科学的分析,当然也就谈不上得到科学而合理的调查结论. 定性调查可以指明事物发展的方向及其趋势,但却不能表明事物发展的广度和深度；定性调查可以得到有关新事物的概念,但却无法得到事物的规模的量的认识.定量调查恰好弥补了定性分析这一缺陷,它可以深入细致地研究事物内部的构成比例,研究事物规模大小,以及水平的高低.定性分析和定量分析是互为补充.在调查过程中应根据事物的性质及调查研究的目的分别选用定性分析或定量分析,或是两者混合使用,决不可偏废. 定量调查不是万能的,不可能完全取代定性调查. 二、原始资料与二手资料关系 市场调查以取得市场数据为手段,通过对数据资料的科学整理和分析,达到事物发展规律的认识.市场调查最直接的结果就是调查所取得的调查资料.调查资料是认识事物的基础. 从目前企业市场调查所得到的资料看大致可分为原始资料或称为一手资料和二手资料两大类.原始资料是由企业市场调查活动在市场直接获得,没有经过任何的处理的大量个体资料组成.二手资料则是在调查中透过其他媒介组织而获得的,经过他人整理加工后反映某一类事物的资料数据. 就我国企业界目前市场调查而言,调查资料主要集中在对原始资料的收集,而对二手资料的搜集整理工作则重视不够.这与我国企业界对二手资料认识模糊有着直接的关系,同时也与市场调查行业不规范有关.原始调查资料是企业亲自在市场上通过对被调查人的调查取得,包含有大量的感性信息资料,调查者了解资料的取得的方法和资料的取得过程,因而对资料所包含的信息内涵有着正确的定性分析,不会被资料误导,在此基础上,调查者还可以对原始资料根据研究的需要进行整理,或进行不同的分组,以适应不同的研究目的.但是,原始资料也有着不可克服的缺陷,这就是一手资料的收集需要投入大量的人力物力和财力,需要较长的时间才可能得到调查的结论. 二手资料通常不需要直接对调查个体进行登记,而是从有关媒介或政府部门公开发表的资讯中获得,也可以是从专业的市场调查机构定期或不定期的发表的资料中获取,且资料获取的费用要大大低于企业专门组织的市场调查,通过对二手资料的获得,可以方便快捷取得所需的市场信息.经常性收集市场二手资料可以帮助企业建立起自己的市场资源数据库,为企业建立起现代经营模式,从事市场营运,适应数字化时代生存法则的要求. 但是也应引起企业界注意的是二手资料由于来自不同的部门和机构,其最初的调查目的和调查方案方法的设计是不一致的,其资料的内涵和口径是不一样的.所以对二手资料的引用要特别谨慎.首先,对二手资料的设计口径和计算方法要有充分的了解.只有这样才有可能根据自身的市场调查目的二手资料进行再整理和再分组,以使其符合企业市场调查的需要.其次,要对二手资料的调查对象有着充分的了解和认识.不同的调查对象对同一问题的回答是不一样的,企业在不同的时期有不同的调查任务,在不同的市场上目标消费者是不一样的,市场调查的对象自然也不可能是一样的.没有弄清楚二手资料的调查对象绝对不可随意引用.再其次,要了解二手资料原来的调查过程.不同调查过程会样本的选取过程和选取方法,最终影响调查资料的误差大小以及调查误差的控制方法.第四,对于来自商业性的市场调查的数据,要有高度的警惕和充分的认识.目前,我国市场调查行业还十分不规范,这些机构中还有许多企业未能摆脱生存的威胁,其公布的调查资料往往无法真正做到公平公正,更有甚者在公布的资料中明显带有人为的痕迹,谁出资赞助调查的结果就偏向谁,谁赞助多谁的排名就有利.对于这类资料,企业在引用时要足够的警惕,否则就会误导企业作出错误的调查结论,给企业带来不可估量的损失. 在原始资料与二手资料之间,如果时间和财力物力条件许可,当然应以原始资料为主.但是二手资料因其经济快捷也是企业市场调查的一个重要部分.科学合理地善用二手资料,可以帮助企业提高市场调查的效益.特别是在中小企业中对二手资料的应用更是应引起特别的重视.与此同时,我们在还应看到虽然二手资料有可能不符合企业市场调查的需要,但在目前我国企业界尚缺乏市场调查能力,合格的市场调查人员严重匮乏的情形下,在某种条件上,利用他人调查的二手资料可能是唯一正确的选择. 三、问卷调查与其他调查方法 市场调查结果的科学性与否,直接取决于调查方法的科学性.现在我们一提到市场调查,大家便会马上想到问卷调查,似乎除了问卷调查之外,市场调查就没有其他的方法可供选择,其结果是不论对象,不管调查的目的,统统采用问卷调查,使得市场上调查方法单调,再加上调查设计者缺乏必要的基础理论训练,问卷设计质量低劣,得不到被调查者的配合,其必然的结果是调查结论不真实,大量数据不能被充分利用,有些资料甚至完全不能使用.市场调查作为企业市场经营管理中一个有效职能工具,其应用面是十分广泛的.可以服务于不同研究目的和需要,不同调查方法,有着不同应用范围.问卷调查只是取得资料方法中的一种,当然也是其中最为重要的一种.但这并不能排斥其他的方法的使用. 作为市场调查中最为常见的调查方法,问卷调查最关键的问卷的设计,问卷设计的质量直接影响到调查结果的正确性.但在实践中,我们许多企业在实施问卷调查时,恰恰对此重视不够.问卷设计缺乏科学的理论指导,设计者个人的主观成分及偏好在问卷中随处可见,同时,问卷设计在沟通技巧上,很少从被调查者角度出发,所要调查的问题很难引起被调查者的兴趣,没有沟通的共鸣区间.此外,在问卷设计语言上,专业化倾向表现突出,加大了被调查者的难度,超出了被调查者的经验范围,自然就难与被调查者进行有力的沟通.问卷设计是一项专门的技术,也是决定问卷调查质量的关键,必需要有相关的专家参与,才有可能保证设计的质量,从而为提高最终的调查质量奠定良好的基础. 除问卷调查外,在企业市场调查中,入户调查、实地观察、访问、小组座谈、电话访谈等也有广泛的应用. 四、样本及抽样框的确定 企业市场调查通常是非全面调查,由于市场范围的广大企业不可能也不需要对所有的市场进行全面调查,通过有效地选择调查单位,企业可以获得具有较高可信度的市场调查资料.然而,要想使非全面调查资料能正确估算整个市场,就必需要有科学的抽样方案.样本的确定就成为整个调查成败的关键,而抽样框是抽样的前提. 正确地确定抽样框,也就是要明确抽样的范围.也即在什么范围内选取调查对象.一般而言,市场调查抽样框的确定,应与企业目标市场相一致,抽样的过程和样本的分类最好与市场细分保持一致.当然由于每一次市场调查的目标不同,这一原则也不一定都是不可改变的. 抽样框的确定,明确了抽样的范围.样本的产生由于有了抽样框的限定,就使得企业在抽样过程中可以按照一定的程序和方案抽取样本单位.目前市场调查中样本的确定通常是按照随机原则确定的,即是按照随机原则抽取样本,再对被抽取样本进行调查登记.这种随机抽样调查过程最大的好处就是有着严谨的数理逻辑支持.可以事先对调查的结果的准确性和调查误差进行控制,但是要求调查者,特别是调查资料的分析使用者具有较好的数理统计知识. 科学合理地确定抽样框,按科学的原则抽取样本单位组成调查样本总体,是确保调查结果公正客观的前提. 五、市场调查资料的评估 通过市场调查,我们取得了大量的资料,包括一手资料和二手资料,但资料本身并不能回答我们事先设定的问题.要想达成预先设定的调查目的,就必需对调查所取得的资料进行整理和分析. 在企业市场调查实践中,许多企业也明白这一道理,但在操作中却失误频频.其中一个主要的原因就是对被整理被分析的资料缺乏一个科学的认识.市场调查是按照一定的程序和方法,遵循科学的原则组织的,但这并不能排除抽样的结果出现误差.而事实上是无论我们怎样控制抽样过程,抽样误差总是存在的.抽样误差是不可避免的.问题不是有没有误差,而是如何对待误差. 在市场调查中产生误差的原因多种多样,既有抽样方法本身的,也有抽样过程中由于登记、或是理解偏差、或是被调查者不配合、或是样本单位的缺失,或是问卷回收率过低造成样本代表性低下,所有的这些都会造成抽样误差.因此在市场调查资料整理分析之前,首先必需对已取得的调查资料和数据的可靠性程度进行评估. 对市场调查资料的评估一般包括这几个方面： 1.对调查方案的评估.主要评估方案的设计是否科学合理,方案可信程度、方案的实施过程,以及实施中存在的主要问题及其对调查结论的重要程度和影响程度. 2.对调查方法的评估.调查方法的选择直接关系到调查资料的取得途径,影响到调查结论的准确程度. 3.对调查测量模型和测量尺度的评估.不同的测量模型有着不同的理论基础,对最终数据的解释也是完全不同的.测量模型和测量尺度的确定,必需要有科学而正确的理论支持,要有定性调查的配合. 4.对调查精确度的评估.市场调查由于不同的要求而选用了不同的方法,所获得的结果精确度也就因而各不相同.市场调查由于大都是通过非全面调查所取得,因此,调查结果的精确度也是相对的.对调查结论的精确度的评估并非是越精确越好,只要能满足调查需要即可.
为您推荐：
其他类似问题
扫描下载二维码媒体接触习惯
品牌健康跟踪
广告效果评估
客户满意度
互联网对于我们生活的影响是非常大的，互联网在我们学习工作中都有着很重要的作用，我们使用互联网的各种软件来进行管理和操作，实现信息化处理。而如今调研的工作也开始通过网络的形式来进行了，相比起传统的调研方式，如今互联网的能够使调研工作更顺利的进行。
有效的进行数据分析
很多人都知道互联网的特点就是信息化的处理，而现在很多专业的调研公司都拥有专业的问卷调查数据统计软件，对所有收集来的信息更系统全面的进行统计和分析。
以前人们都是利用表格的形式来进行数据统计的，得到的只能是比较表面的数据，而现在的数据统计软件有很多强大的功能，比如说将各种数据进行交叉处理，得出的分析结果更加的细致和深入。这是以往的调研统计方式无法比拟的，同样也是很多普通的统计软件无法相比的。
生成各种直观的数据表
对于调研来说，最重要的环节就是数据的统计了，因为这是关系到调研的最终目的是否完成。专业的问卷调查数据统计软件能够将最后分析出来的数据，生成各种数据表呈现出来，比如说饼形图、条形图、线形图、柱形图之类的，给人的感觉会更加直观一点。
如今网上好像也有一些免费的问卷调查数据统计软件，不知道效果怎么样，建议大家可以利用专业调研平台里的数据统计系统，会更加方便一点。用spss怎样处理几组数据的相关性和回归性分析我设计了一个问卷调查几个因素对某个因素的影响,而每个因素都用了几题来描述.请问我应该在spss里面怎么处理这个数据,
你的问题不太明确.一般来说,个人常用的方法有两种（前提是每个题的选项都是一致,如都为测量态度的五级,从非常不同意到非常同意）：累加形成新变量.可将一组同性质的题目每题的选项分别按照非常不同意=1,比较不同意=2,一般=3,比较同意=4,非常同意=5赋值,若有三个题目,那么将之累加形成一个[3,15]的新变量.这种方法主观色彩较浓,建议还要做信度分析.因子分析.将一系列这类题目进行因子分析,降维后形成几个公共因子,每个公共因子代表一个新的变量.这种方法较第一种更客观.
回归性和相关性是用降维过后的公因子分析还是用原来的数据分析啊
用公共因子
为您推荐：
其他类似问题
扫描下载二维码苹果/安卓/wp
苹果/安卓/wp
积分 32599, 距离下一级还需 23296 积分
权限: 自定义头衔, 签名中使用图片, 设置帖子权限, 隐身, 设置回复可见, 签名中使用代码
道具: 彩虹炫, 雷达卡, 热点灯, 雷鸣之声, 涂鸦板, 金钱卡, 显身卡, 匿名卡, 抢沙发, 提升卡, 沉默卡, 千斤顶, 变色卡, 置顶卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 雷鸣之声, 彩虹炫, 雷达卡, 涂鸦板, 热点灯
数据分析师发展趋势：2016年大数据到底会怎么发展
在日新月异的技术初创企业界，已有3年历史的 “大数据” 听起来似乎已经过气了。虽然 Hadoop 在 2006年 已经出来，但 “大数据” 这个概念大概是在年左右才真正火起来的。也就是在这段时间里，至少是在媒体或者专家眼里，“大数据” 成为了新的 “金子” 或者 “石油”。然而，至少在我跟业界人士交谈中，大家越来越感觉到这项技术已经在某种程度上陷入了停滞。2015年 可能是数据领域的那些酷小子转移兴趣，开始沉迷于 AI 以及机器智能、深度学习等许多相关概念的年份。
15:10:06 上传
抛开不可避免的炒作周期曲线态势不管，我们的 “大数据版图” 已经进入第 4 个年头了，趁这个时候退一步来反思一下去年发生了什么，思考一下这个行业的未来会怎样是很有意义的。
那么 2016年大数据到底会怎么发展呢？我们不妨探讨一下。
企业技术=艰苦工作
大数据有趣的一点在于，它不再像当初经历过那样有可能成为炒作的题材了。
经过炒作周期后仍能引起广泛兴趣的产品和服务往往那些大家能够接触、可以感知，或者与大众相关联的：比如移动应用、社交网络、可穿戴、虚拟现实等。
但大数据基本上就是管道设施的一种。当然，大数据为许多消费者或商业用户体验提供了动力，但它的核心是企业技术：数据库、分析等，这些东西都是在后端运行的，没几个人能看得见。就像在那个世界工作的任何人都知道那样，用一个晚上的时间就想适应企业端的新技术是不可能的。
大数据现象在早期主要是受到了与一批骨干互联网公司(尤其是 Google、Facebook、Twitter 等)的共生关系的推动，这些公司既是核心大数据技术的重度用户，同时也是这些技术的创造者。这些公司突然间面对着规模前所未有的庞大数据时，由于本身缺乏传统的(昂贵的)基础设施，也没有办法招募到一些最好的工程师，所以只好自己动手来开发所需的技术。后来随着开源运动的迅速发展，一大批此类新技术开始共享到更广的范围。然后，一些互联网大公司的工程师离职去创办自己的大数据初创企业。其他的一些 “数字原生” 公司，包括崭露头角的独角兽公司，也开始面临着互联网大公司的类似需求，由于它们自身也没有传统的基础设施，所以自然就成为了那些大数据技术的早期采用者。而早期的成功又导致了更多的创业活动发生，并获得了更多的 VC 资助，从而带动了大数据的起势。
15:09:58 上传
快速发展了几年之后，现在我们面临的是更加广阔、但也更加棘手的机遇：让中等规模到跨国公司级别的更大一批企业采用大数据技术。这些公司跟 “数字原生” 公司不一样的是，他们没有从零开始的有利条件。而且他们失去的会更多：这些公司绝大部分的现有技术基础设施都是成功的。那些基础设施当然未必是功能完备的，组织内部许多人也意识到对自己的遗留基础设施进行现代化应该是早点好过晚点，但他们不会一夜间就把自己的关键业务取代掉。任何革命都需要过程、预算、项目管理、试点、局部部署以及完备的安全审计等。大企业对由年轻的初创企业来处理自己基础设施的关键部分的谨慎是可以理解的。还有，令创业者感到绝望的是，许多(还是大多数?)企业仍顽固地拒绝把数据迁移到云端(至少不愿迁移到公有云)。
还需要理解的另一个关键是：大数据的成功不在于实现技术的某一方面(像 Hadoop 什么的)，而是需要把一连串的技术、人和流程糅合到一起。你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。这些工作一部分可以由产品来完成，而有的则需要人来做。一切都需要无缝集成起来。最后，要想让所有这一切发挥作用，整个公司从上到下都需要树立以数据驱动的文化，这样大数据才不仅仅是个 “东西”，而且就是那个(关键的)“东西”。
换句话说：有一堆艰苦的工作要做。
15:09:46 上传
所以，这就是在经过几年引人瞩目的初创企业如雨后春笋冒头，VC 投资频等头条后，我们开始步入大数据的部署期和早期成熟期的原因。
更有前瞻性的大公司(姑且称之为传统技术采用周期的 “早期采用者”)在 2011 到 2013年 间开始实验大数据技术，推出了若干的 Hadoop 试点计划(往往是因为赶时髦)或者尝试一些点方案。他们招募了各种各样此前并不存在的岗位(如 “数据科学家” 或 “首席数据官”)。他们进行了各种努力，包括吧全部数据都堆到一个数据容器(“data lake”)，然后希望紧跟着就会发生奇迹(往往不会)。他们逐步建设自己的内部能力，试验了各种供应商，从试点计划到生产中的局部部署，然后到现在争论要不要全企业铺开(全范围铺开实施的情况还很罕见)。许多情况下，他们正处在这样一个重要的拐点上，即经过大数据基础设施的数年建设后，能够展示的成果还不多，至少在公司内部的商业用户看来是这样的。但是大量吃力不讨好的工作已经做完了，现在开始进入到有影响力的应用部署阶段了。只是从目前来看，这种建构在核心架构之上的应用数量还不成比例。
接下来的一波大公司(称之为传统技术采用周期的 “早期多数使用者”)大多数时候对大数据技术是持观望态度的，对于整个大数据方面的东西，他们还在心存一定程度困惑中观望。直到最近，他们还在指望某个大型供应商(比如 IBM)会提供一个一站式的解决方案，不过现在看来这种情况近期内并不会出现。他们看待这个大数据版图的态度是心怀恐惧，在想自己是不是真的需要跟这一堆看起来并没有什么不同的初创企业合作，然后修补出各种解决方案。
15:09:44 上传
生态体系正在成熟
与此同时，在初创企业 / 供应商这一块，整个第一波的大数据公司(2009 至 2013年 间成立的那批)现在已经融了数轮的资金，企业规模已经得到了扩大，并且从早期部署的成功或失败中学到了东西，现在他们已经能够提供更成熟的、经受过考验的产品了。少数一些已经成为了上市公司(包括 2015年 上市的 HortonWorks 和 New Relic)，而有的(比如 Cloudera、MongoDB 等)融资已经达上亿美元了。
这个领域的 VC 融资活动仍然很有生气，2016年 的前几周我们见证好几轮相当可观的后期阶段大数据融资事件：DataDog(9400 万美元)，BloomReach(5600 万美元)，Qubole(3000 万美元)，PlaceIQ(2500 万美元)等。2015年 大数据初创企业拿到的融资额达到了 66.4 亿美元，占整个技术 VC 总融资额额 11%。
并购活动则开展得中规中矩(自从上一版大数据版图发布以来完成了 34 项并购，具体可参见附注)
随着该领域的创业活动持续进行以及资金的不断流入，加上适度的少量退出，以及越来越活跃的技术巨头(尤其是 Amazon、Google、IBM)，使得这个领域的公司日益增多，最后汇成了这幅 2016 版的大数据版图。
显然这张图已经很挤了，而且还有很多都没办法列进去(关于我们的方法论可以参见附注)
在基本趋势方面，行动开始慢慢从左转到右(即创新、推出新产品和新公司)，从基础设施层(开发者 / 工程师的世界)转移到分析层(数据科学家和分析师的世界)乃至应用层(商业用户和消费者的世界)，“大数据原生应用” 已经在迅速冒头—这多少符合了我们原先的一些预期。
15:09:26 上传
大数据基础设施：仍有大量创新
Google 关于 MapReduce 和 BigTable 的论文(Cutting 和 MikeCafarella 因为这个而做出了 Hadoop)的诞生问世已有 10年 了，在这段时间里，大数据的基础设施层已经逐渐成熟，一些关键问题也得到了解决。
但是，基础设施领域的创新仍然富有活力，这很大程度上是得益于可观的开源活动规模。
<font color="#15 年 无疑是 Apache Spark 之年。自我们发布上一版大数据版图以来，这个利用了内存处理的开源框架就开始引发众多讨论。自那以后，Spark 受到了从 IBM 到 Cloudera 的各式玩家的拥护，让它获得了可观的信任度。Spark 的出现是很有意义的，因为它解决了一些导致 Hadoop 采用放缓的关键问题：Spark 速度变快了很多(基准测试表明 Spark 比 Hadoop 的 MapReduce 快 10 到 100 倍)，更容易编程，并且跟机器学习能够很好地搭配。
除了 Spark 以外，还出现了其他的一些令人兴奋的框架，比如 Flink、Ignite、Samza、Kudu 等，这些框架的发展势头也很好。一些思想领袖认为，Mesos(数据中心资源管理系统，把数据中心当作一台大计算资源池进行编程)的出现也刺激了对 Hadoop 的需求。
即便在数据库的世界里，新兴的玩家似乎也越来越多。多到市场已经难以承受的地步，这里发生了很多令人兴奋的事情，从图形数据库(如 Neo4j )的成熟，到专门数据库的推出(如统计时序数据库 InfluxDB)，乃至于 CockroachDB 的出现(受 Google Spanner 灵感启发诞生的融合了 SQL 与 NoSQL 长处的新型数据库)。数据仓库也在演变(如云数据仓库 Snowflake)。
15:09:36 上传
大数据分析：现在跟 AI 结合了
大数据分析过去几个月出现的一股趋势是，越来越关注利用人工智能(形式和风格各异)来帮助分析大规模的数据，从而获得预测性的洞察。
其实最近出现复兴的 AI 很大程度上算是大数据的产物。深度学习(最近受到关注最多的 AI 领域)背后的算法基本上是几十年前就诞生了的，但直到最近能够以足够便宜、足够快速地应用到大规模数据之后才发挥出了它的最大潜能。AI 与大数据之间的关系如此紧密，以至于业界专家现在认为 AI 已经令人懊恼地 “与大数据陷入了热恋当中”。
不过反过来，AI 现在也在帮助大数据实现后者的承诺。分析对 AI/ 机器学习越来越多的关注也符合大数据下一步演进的趋势：现在数据我都有了，但究竟从中能得到什么样的洞察呢?当然，这件事情可以让数据科学家来解决，从一开始他们的角色就是实现机器学习，否则的话就得想出模型来发现数据的意义。但是机器智能现在正在逐渐发挥辅助数据科学家的作用—只需要倒腾数据，新兴的产品就能从中提炼出数学公式(如 Context Relevant)或者自动建立和推荐最有可能返回最佳结果的数据科学模型(如 DataRobot)。一批新的 AI 公司提供的产品能够自动识别像图像这样的复杂实体(如 Clarifai、Dextro)，或者提供强大的预测性分析(如 HyperScience)。
同时，随着基于无监督学习的产品的传播和改善，看看它们与数据科学家之间的关系如何演变将非常有趣—将来这两者是敌还是友呢?AI 当然不会很快取代数据科学家的位置，但预计会看到数据科学家通常执行的更简单一点的工作越来越多的自动化，从而可以极大提高生产力。
但不管怎样，AI/ 机器学习绝不是大数据分析唯一值得关注的趋势。大数据 BI 平台的普遍成熟及其日益增强的实时能力也是一个令人兴奋的趋势(如 SiSense、Arcadia Data 等)。
15:09:49 上传
大数据应用：真正的加速
随着一些核心基础设施的挑战得到解决，大数据应用层正在快速构建。
在企业内部，已经出现了各种工具来帮助跨多个核心职能的企业用户。比方说，销售和营销的大数据应用通过处理大规模的内外部数据来帮助找出哪位客户可能会购买、续约或者流失，且速度越来越实时化。客服应用帮助个性化服务。人力应用帮助找出如何吸引和挽留最好的员工等。
专门的大数据应用几乎在任何一个垂直行业都有出现，从医疗保健(尤其是基因组学和药物研究)到金融、时尚乃至于执法(如 Mark43)。
有两个趋势值得强调一下。
首先，这些应用很多都是 “大数据原生” 的，本身都是依托在最新的大数据技术基础上开发的，代表了一种客户无须部署底层大数据技术即可利用大数据的有趣方式—因为那些底层技术已经是打包的，至少对于特定功能来说是这样的。比方说，ActionIQ 就是在 Spark 基础上开发的(或者说是 Spark 的一个派生)，所以它的客户能够在营销部门利用 Spark 的威力而不需要自己部署 Spark，这种情况下是没有 “装配线” 的。
其次，AI 在应用层也有很强大的存在。比方说，在猫捉老鼠的安全领域中，AI 被广泛用来对付黑客，实时识别和对抗网络攻击。去年已经出现了一个 AI 驱动的数字助手行业，支持从任务自动化到会议安排(如 x.ai)以及购物等几乎一切事情。这些解决方案对 AI 的依赖程度不一，从几乎 100%自动化到 “有人参与” 等情况各不相同，但是可以明确的是，人的能力在 AI 帮助下得到了增强。
从很多方面来看，我们仍然处在大数据现象的早期发展阶段。尽管已经花费了数年时间，但减少基础设施来存储和处理大规模数据还只是第一阶段。AI/ 机器学习已经成为大数据应用层的一股迅猛趋势。大数据与 AI 的结合将会推动很多行业的惊人创新。从这个角度来说，大数据的机会也许要比大家想象的还要大。
然而，随着大数据继续走向成熟，这个术语本身可能会消失，或者变得太过时以至于没有人会再使用这个词。这就是成功赋能技术令人讽刺的命运归宿—由于技术的广泛传播，然后到达无所不在的地步，最后被人熟视无睹。
支持楼主：、
购买后，论坛将把您花费的资金全部奖励给楼主，以表示您对TA发好贴的支持
载入中......
即便在数据库的世界里，新兴的玩家似乎也越来越多。多到市场已经难以承受的地步，这里发生了很多令人兴奋的事情，从图形数据库(如 Neo4j )的成熟，到专门数据库的推出(如统计时序数据库 InfluxDB)，乃至于 CockroachDB 的出现(受 Google Spanner 灵感启发诞生的融合了 SQL 与 NoSQL 长处的新型数据库)。
大数据寻求的是海量数据，海量到什么份上？就是全样本。全样本和抽样显然是不同的。过去的研究，由于操作性的关系，很难做到全 ...
大数据的成功不在于实现技术的某一方面(像 Hadoop 什么的)，而是需要把一连串的技术、人和流程糅合到一起。你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。
从很多方面来看，我们仍然处在大数据现象的早期发展阶段。尽管已经花费了数年时间，但减少基础设施来存储和处理大规模数据还只是第一
从很多方面来看，我们仍然处在大数据现象的早期发展阶段。尽管已经花费了数年时间，但减少基础设施来存储和处理大规模数据还只是第一
随着大数据继续走向成熟，这个术语本身可能会消失，或者变得太过时以至于没有人会再使用这个词。这就是成功赋能技术令人讽刺的命运归宿—由于技术的广泛传播，然后到达无所不在的地步，最后被人熟视无睹。
本帖最后由 widen我的世界 于
13:07 编辑
即便在数据库的世界里，新兴的玩家似乎也越来越多。多到市场已经难以承受的地步，这里发生了很多令人兴奋的事情，从图形数据库(如 Neo4j )的成熟，到专门数据库的推出(如统计时序数据库 InfluxDB)，乃至于 CockroachDB 的出现(受 Google Spanner 灵感启发诞生的融合了 SQL 与 NoSQL 长处的新型数据库)。
大数据寻求的是海量数据，海量到什么份上？就是全样本。全样本和抽样显然是不同的。过去的研究，由于操作性的关系，很难做到全样本，需要去抽样。抽样的科学做法是“随机”——不过这一点听着容易，做起来相当困难。真正的随机抽样需要花很多钱（利用社交网络关系，通过一个用户做问卷再发动这个用户找更多的人来做问卷，一点都不随机），而且一个无法绕过的弊端在于：如果你使用调查问卷的方法，你很难排除回答者的语言回答一定就是ta心中真正的想法或者实际上的真正行为。
实际上，对于大数据究竟是什么业界并无共识。大数据并不是什么新鲜事物。信息革命带来的除了信息的更高效地生产、流通和消费外，还带来数据的爆炸式增长。“引爆点”到来之后，人们发现原有的零散的对数据的利用造成了巨大的浪费。移动互联网浪潮下，数据产生速度前所未有地加快。人类达成共识开始系统性地对数据进行挖掘。这是大数据的初心。数据积累的同时，数据挖掘需要的计算理论、实时的数据收集和流通通道、数据挖掘过程需要使用的软硬件环境都在成熟。
当前社会经历的过程就是数据化的过程，并且衣食住行都在逐步数据化。服装品牌公司为了描述自己的服装而花费巨大，设计师、模特、灯光、摄影、后期处理、文案表述、数据库、反馈下信息等等。人们出行需要依赖数据表达的地图，寻找餐馆银行需要依靠数据建立的地图模型。公司决定策略需要详尽的市场描述，收集巨量的数据模拟的模型。借助于物联网以及个人设备；数据已经成为一种常态出现在生活中，或许很多人没意识到而已。而意识到的人就在努力掘金。
在当今网络时代，我们每天都要同各种各样的数据打交道，我们自己也成为数据的一部分。不论我们想不想与大数据联系到一起，数据都会找到我们、覆盖我们，大数据时代已经来临。大数据正把我们变成新的物种。首先，大数据改变了我们的思维方式，让我们从因果关系的串联思维变成了相关关系的并联思维;其次，大数据改变了我们的生产方式，信息产品的加工将成为主要的生产活动;最后，大数据改变了我们的生活方式，我们的精神世界同物质世界一样将构建在大数据之上。
大数据有趣的一点在于，它不再像当初经历过那样有可能成为炒作的题材了。
经过炒作周期后仍能引起广泛兴趣的产品和服务往往那些大家能够接触、可以感知，或者与大众相关联的：比如移动应用、社交网络、可穿戴、虚拟现实等。
论坛好贴推荐
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
为做大做强论坛，本站接受风险投资商咨询，请联系（010-）
邮箱：service@pinggu.org
合作咨询电话：(010)
广告合作电话：（刘老师）
投诉电话：(010)
不良信息处理电话：(010)
京ICP证090565号
京公网安备号
论坛法律顾问：王进律师}