发布时间：2022-12-23 08:33:28
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的大数据技术样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
本文首先对大数据时代的特点进行了介绍，其次对常用的数据挖掘方法进行了阐述，最后提出了展望。
【关键词】大数据 数据挖掘 分类 聚类
大数据（Big Data），也称为海量数据，是随着计算机技术及互联网技术的高速发展而产生的独特数据现象。现代社会正以不可想象的速度产生大量数据，如网络访问，微博微信，视频图片，手机通信，网上购物……等等都在不断产生大量的数据。如何更好的利用和分析产生的数据，从而为人类使用，这是非常重要的科学研究。在大数据时代，更好的利用云计算以及数据挖掘，显得尤为重要。
1 大数据的概念
大数据，是指无法在一定时间内用常规机器和软硬件对其进行感知、获取、管理、处理和服务的数据集合。IBM将大数据的特点总结为三个V，即大量化（Volume）、多样化（Variety）和快速化（Velocity）。
即产生的数据容量大。数据主要来源如：E-mail、搜索引擎的搜索、图片、音频、视频、社交网站、微博微信、各种应用软件和app、电子商务以及电子通信等等。在实际生活中，电子商务的购物平台数量和种类越来越多，社交网站的典型facebook的数据量大的惊人，以PB计量都不够。数据存储的单位不仅仅是MB、GB等，而是使用了表示更大容量的TB、PB、EB、ZB和YB等，每个单位的关系为后者是前者的1024倍，如1PB=1024TB。同时大数据的增长速度是越来越快，如手机相机的像素数随着新款手机的出现而成倍的增长。
1.2 多样化
从数据组织形式的角度将数据分为结构化数据和非结构化数据。结构化数据，具有一定的规律，可以使用二维表结构来表示，并存储在数据库中，如高校的教务管理系统的数据、银行交易产生的数据。而非结构化数据是无法通过预先定义的数据模型表达并存储在数据库中的数据，如声音、视频和图片等等。当前非结构化数据的增长速度远远超过结构化数据。
1.3 快速化
在当前商业竞争激烈的时代，对实时的数据进行分析和处理，挖掘有用的数据信息，并用于商业运作，对于企业和组织来说非常重要。如现在网络购物会依据多数人的购物组合，分析出大部分人在购买一件物品的同时会同时购买其他的物品，从而在购物选择时给予方便，提高网购的效率，提高效益。
随着互联网技术和计算机技术的快速发展，在产生大数据的同时，人们要能够对这些数据加以利用，得到有用的信息，才是最重要的。为了让海量规模的数据能够真正发挥巨大的作用，需要将这些数据转换为有用的信息和知识，即从传统的数据统计向数据挖掘和分析进行转换。比如沃尔玛超市能够从男人购物时买啤酒的同时会购买小孩的纸尿裤这种关联，并在实际物品摆放时将这两种物品放置在一起，方便用户购物。
2 数据挖掘
随着信息技术应用的广泛，大量的数据产生并存储各个领域的信息系统中，数据呈现了爆炸式的增长。数据挖掘在这种“数据爆炸，知识匮乏”的情况下出现的。数据挖掘（Data mining）是一个多学科交叉的研究领域，它融合了数据库技术、机器学习、人工智能、知识工程和统计学等学科领域。数据挖掘在很多领域尤其是电信、银行、交通、保险和零售等商业领域得到广泛的应用。
数据挖掘也称为从数据中发现知识，具体来讲就是从大规模海量数据中抽取人们所感兴趣的非平凡的、隐含的、事先未知的和具有潜在用途的模式或者知识。
3 数据挖掘的主要研究内容
数据挖掘的任务是发现隐藏在数据中的模式，其模式分为两大类：描述型模式和预测型模式。描述型模式是对当前数据中存在的事实做规范描述，刻画当前数据的一般特性。预测型模式则是以时间为主要关键参数，对于时间序列型数据，根据其历史和当前的值去预测其未来的值。常使用的算法有：
3.1 聚类分析
聚类是将数据划分成群组的过程，根据数量本身的自然分布性质，数据变量之间存在的程度不同的相似性（亲疏关系），按照一定的准则将最相似的数据聚集成簇。主要包括划分聚类算法，层次聚类算法和密度聚类算法等。经典算法有K-Means、K-Medoids。
3.2 特性选择
特性选择是指为特定的应用在不失去数据原有价值的基础上选择最小的属性子集，去除不相关和冗余的属性。特性选择用于在建立分类模型前，或者预测模型之前，对原始数据库进行预处理。常用的算法有最小描述长度法。
3.3 特征抽取
特征抽取式数据挖掘技术的常用方法，是一个属性降维的过程，实际为变换属性，经变换了的属性或者特性，是原来属性集的线性合并，出现更小更精的一组属性。常用算法如主成分分析法、因子分析法和非负矩阵因子法等。
3.4 关联规则
关联规则挖掘是数据挖掘领域中研究最为广泛和和活跃的方法之一。最初的研究动机是针对购物篮分析问题提出的，目的是为了解决发现交易数据库中不同商品之间的联系规则。关联规则是指大量数据中项集之间的有趣关联或相关关系。常用的算法有Apriori算法。
3.5 分类和预测
分类是应用已知的一些属性数据去推测一个未知的离散型的属性数据，而这个被推测的属性数据的可取值是预先定义的。要很好的实现推测，需要事先定义一个分类模型。可用于分类的算法有决策树、朴素贝叶斯分类、神经网络、logistic回归和支持向量机等。
4 结论
随着时代的进步，数据也发生变化，具有各种各样的复杂形式。很多研究机构和个人在对结构化数据进行数据挖掘的同时，也展开了对空间数据、多媒体数据、时序数据和序列数据、文本和Web等数据进行数据挖掘和分析。同时大数据的发展促进了云计算的产生，基于云计算的数据挖掘也在迅速崛起。
参考文献
[1]刘军.大数据处理[M].北京：人民邮电出版社，2013（09）.
[2]王元卓等.网络大数据：现状与展望[J].计算机学报，2013（06）.
[3]申彦.大规模数据集高效数据挖掘算法研究[D].江苏大学，2013（06）.
[4]（加）洪松林.数据挖掘技术与工程实践[M].北京：机械工业出版社，2014.
[5]贺瑶等.基于云计算的海量数据挖掘研究[J].计算机技术与发展，2013（02）.
作者简介
许凡（1996-），男，江苏省南京市人。现就读三江学院计算机科学与工程学院计算机软件工程专业本科。
孙勤红（1979-），女，山东省临沂市人。硕士研究生学历。现为三江学院计算机科学与工程学院讲师、指导教师。主要研究领域为数据挖掘。
关键词：云计算；云存储
1 什么是云存储
云存储是在云计算概念上延伸和发展的一个新的概念，是指通过集群应用、网络技术或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。当云计算系统运算和处理的核心是大量数据的存储管理时，云计算系统中就需要配置大量的存储设备，那么，云计算系统就转变成为一个云存储系统，所以云存储是一个以数据存储和管理为核心的云计算系统。
2 云存储分类
按照服务对象可以把云存储分类如下：
(1) 公共云存储。公共云存储可以以低成本提供大量的文件存储。供应商可以保持每个客户的存储、应用都是独立的、私有的，公共云存储可以划出一部分来用作私有云存储。
(2) 私有云存储。通过私有云存储，一个公司可以拥有或控制基础架构，以及应用的部署。私有云存储可以部署在企业数据中心或相同地点的设施上。私有云可以由公司自己的IT部门管理，也可以由服务供应商管理。
相比传统存储模式，云存储的租购模式显得更加灵活方便，其实，企业自己构建一个数据中心需要购买硬件等必备设施及复杂多变的维护管理。
(3) 混合云存储。这种云存储把公共云和私有云结合在一起。主要用于按客户要求的访问，特别是需要临时配置容量的时候。
从公共云上划出一部分容量配置一种私有云，可以帮助公司面对迅速增长的负载波动或高峰时很有帮助。
尽管如此，混合云存储带来了跨公共云和私有云分配应用的复杂性。
3 云存储具有的优势
作为大数据时代的云存储技术，与传统存储技术相比，具有如下明显优势：
(1) 灵活方便。对于中小企业或个人用户，完全可以将数据的创建与维护委托给云服务提供商，而只是租用云服务提供商的服务即可，用户不必考虑存储容量、存储设备类型、数据存储位置，以及更多的关于数据的可用性、可靠性和安全性等繁杂的技术层面。避免了购买硬件设备及技术维护而投入的精力，节省下来的大量时间可以用于更多的工作业务发展。
(2) 成本低廉。就目前来说，企业在数据存储上所付出的成本相当大，因为企业要建立一套存储系统不仅需要购买硬件等基础设施，同时，系统维护还需要专门的人员，企业的存储空间及管理费用都面临巨大挑战，企业必须更新或增加各种数据存储和管理设备，而且还要负担逐渐高涨的管理成本。
为了减少这种成本压力，好多企业将大部分数据迁移至云存储上，所有的升级、维护等管理任务均由云存储服务提供商来完成。因此，可以将数据存储与管理的成本降到最低，同时，还能获得最优良的数据存储服务。
(3) 量身定制。随着大数据的到来，传统的存储模式已不再适用企业的数据存储，企业急需一种新的存储方式来满足企业数据存储的个性化需求。
私有云即可满足企业这一个性化需求。云服务提供商可以专门为企业客户提供一种量身定制的云存储服务解决方案，也可以由企业自己的IT机构部署一套私有云服务架构。企业不仅可以得到最优质的个性化服务，还能在一定程度上降低安全风险。
4 云存储发展需要考虑的主要问题
由于云存储具有传统数据存储模式不具备的诸多优势，越来越多的中小企业正在将自己的数据中心逐渐转移至云端。而大型企业除了租用公共云存储服务以外，也开始着手建立自己的私有云存储数据中心。但是，云存储仍处于快速发展阶段，云存储要想得到广泛应用，还有待进一步完善和改进。
(1) 安全问题。数据存储在云计算中心，安全问题始终是用户最为关注的问题。
用户的敏感信息和个人隐私数据如何才能保证其具有安全性和私密性，云存储服务提供商应根据分布式文件中可能存在的安全威胁和安全需求，来制定相应的安全策略，以便在计算机中实施相应的保护机制，确保用户数据避免丢失或被窃。
(2) 可靠性问题。可靠性是数据存储系统最基本也是最关键的一项指标。
数据的备份复制是云存储管理中心必须考虑的问题，而且数据的备份复制可以大大提高云存储系统的可靠性和性能，同时能够增强系统的容错能力。如果云存储数据遭到破坏，云存储服务提供商应该能够快速全面地恢复数据，确保用户数据的完整性。
5 结束语
云存储不仅仅是存储，更多的是应用，是云计算时代的一场存储革命，随着云存储的安全性、可靠性、实用性等存储技术的不断成熟，人们对存储技术的认识不断提高，云存储成本的不断降低，一定会形成一个安全可靠、实用快速的云数据存储与访问系统。云存储必将广泛应用于各行各业，云存储必然是未来数据存储的发展趋势。
参考文献
[1]互动百科./wiki/云存储.
[2]百度百科. / view /
关键词：大数据；数据库技术；数据标签
1引言
数据库技术主要是通过相关的技术措施对信息数据进行有效的存储管理、优化数据结构、设计数据管理模式等。另外，数据库技术还可以对库里的数据进行科学合理的整合分析，挖掘数据的真实性和实用性，找出不同数据之间的联系，这也是当前社会发展的实际需求，对于现代信息技术的发展起着十分重要的作用和意义。
2数据库技术简介
随着大数据技术的不断改革完善，作为近年来兴起的新型技术，它在一定程度上是随着云计算的出现而发展的。立足于云计算的相关技术，对人们生活和工作中产生的大量数据进行综合处理，结合计算机技术、网络通信技术、数据库技术等，有效推动社会经济的稳步发展。数据库技术在推广和普及过程中，主要是以计算机信息技术为载体，充分结合传统数据信息处理技术和互联网技术，对社会中的生产要素和业务要素进行及时有效的分析和更新，调整社会中现有的业务结构和发展模式，从而有效实现经济转型。
3大数据时代背景下数据库技术的应用现状
3.1构建与面向对象实际需求相结合的数据库
在进行数据库的开发和利用过程中，应当充分立足于用户的实际需求，有效结合面向对象方法，根据数据库的分析情况，充分了解用户的需求，为用户提供更为全面和细致的服务。从一定意义上来讲，不仅可以体现出个性化服务，还能保障数据传输过程中的安全性和实效性[1]。根据相关调查研究可以看出，当前我国数据库技术仍处于不断发展和创新时期，面向对象搭建出高效的数据库，并且根据用户需求不断进行调整优化。
3.2构建与多媒体技术相结合的数据库
一方面，对大多数群体来说，多媒体数据库中所存储的资料数据更多，界面的设置也更加多元化，能够在第一时间吸引人们的注意力，从而更好地满足人们的个性化需求，实现技术的多元化发展。另一方面，数据库的安全问题一直是人们最为关注的问题，安全隐患一直是制约数据库技术发展的重要因素，通过有效融合数据库技术与多媒体，可以在一定程度上提高数据库的安全性能和稳定性能。在实际工作过程中，为了充分推动数据库的发展和多媒体技术的有效融合，相关工作人员应当解决以下几个问题。第一，多媒体数据库在实际使用过程中必将涉及到用户的个性化需求，在进行设计时应当有针对性的融入相关数字数据，实现多媒体数据的有效管理和存储，已成为了技术节点搭建的重要模块。第二，数据库技术与多媒体技术要实现有效结合必将涉及到系统的兼容性，这不仅是数据之间的融合，还是数据交叉使用的重要内容，如何充分进行二者的融合和兼容，是全面深入实现多媒体数据库面临的主要问题[2]。
4大数据时代背景下的数据库技术特点
4.1统一性
受传统数据库系统搭建模式内容的影响，不同类型的数据库在使用中仍存在不兼容的情况。因此，无法充分利用数据库中的信息资源，造成了资源的闲置或浪费，无法充分满足用户的实际需求。大数据时代背景下的数据库技术可以有效解决这一问题，针对不同类型的数据库进行有效统一的数据库建设，不断完善数据信息资源的检索功能，从而提高用户的满意程度和工作效率，简化操作流程[3]。
4.2共享性
数据库技术的有效实现和价值体现，在一定程度上取决于数据信息资源的共享性。人们可以通过方便快捷的方式方法获取资源，不断提高信息的使用效率。在实践应用过程中，相关工作人员可以根据虚拟数据的实际情况对各个数据库中的子节点进行科学合理的搭建，逐渐实现功能的多元化发展和信息资源的共享。随着我国信息技术的不断发展，数据库技术的逐渐拓展和信息资源的共享，在一定程度上实现了信息资源的方便快捷，不断满足用户的多元化需求，从而充分体现出数据库的价值和作用。
5大数据时代背景下数据库技术的应用对策和手段
5.1数据标签
数据标签是大数据时代背景下使用数据库技术的基础，能够充分实现数据的查询和有效定位。在进行数据库的有效搭建和完善过程中，相关技术人员应当有针对性地凸显出数据库中相关资源的特殊性，充分立足于社会发展的实际需求，科学合理的设置相应字符长度，不断提高数据标签的科学性和合理性。
5.2节点建设
在使用数据库时，节点建设应当是建设的核心和关键，各个要素之间的有效搭建能够充分满足用户的实际需求，体现出个性化发展目标。根据实际情况可以看出，当前我国在节点建设中仍存在一定的问题，比如过于注重其标准性，采用固定的某种模式进行搭建，没有充分考虑到实际需求，使得节点建设脱离实际，无法充分发挥数据库技术的作用和功能。基于此，相关技术人员应当在原有数据库技术基础上进行优化完善，结合原有的地址内容和关键词检索信息，对整个数据信息资源进行重新整合，从而提高数据库的有效性。
5.3虚拟大数据系统
在数据库中灵活有效搭建出虚拟大数据技术可以更好地实现数据的海量管理，对数据库综合性能的提升和创新改革服务内容等都有着极其重要的作用和意义。虚拟大数据系统为数据群的前台，其功能的实现直接影响了数据库和节点信息资源的收集交汇，合理分配任务。虚拟大数据系统应当是整个虚拟数据中的关键所在，只有确保其正常高效运行，才能为用户提供更为更全面的服务[4]。
5.4信息获取
我国现有的数据库技术更为注重数据信息资源获取渠道和机制的创新完善，通过交互式管理模式，不断进行信息的重组和创新。一方面，对于信息的获取应当充分考虑到用户的实际需求，搭建出由上而下的健全数据信息获取途径，使得用户获得更为全面系统的数据信息，确保信息的真实性和可靠性。另一方面，在获取元数据时，技术人员应当充分运用虚拟大数据技术，对数据进行有效获取。
>> 大数据关键技术 大数据关键技术分析及系统实例分析 浅谈大数据基础理论与关键技术发展 电力信息大数据高速存储及检索关键技术研究 电力大数据可视化系统开发关键技术研究及趋势 投资统计大数据处理关键技术 基于大数据的信息系统关键技术 浅析云环境下的大数据关键技术 面向大数据的Deep Web数据系统关键技术研究 大数据安全和隐私保护技术体系的关键技术研究 移动数据库关键技术及应用探讨 社会网络大数据分析框架及其关键技术 农业云大数据自组织推送关键技术综述 基于大数据的信息系统关键技术研究 云计算环境下的大数据可靠存储关键技术概述 面向大数据的分布式系统设计关键技术研究 大数据时代下软件工程关键技术分析 移动互联网的大数据处理关键技术 电信运营商大数据变现之关键技术 移动通信网络中大数据处理的关键技术 常见问题解答 当前所在位置：l.
[4]Big data[EB/OL]..
[18]丁智，林治.MapRdeuce编程模型、方法及应用综述[J].电脑知识与技术，2014，10（30）：70607064.
[19]江舢，金晶，刘鹏展，等.分布式海量数据批处理技术综述[Z].中国科技论文在线，2012.
[20]吴哲夫，肖鹰，张彤.大数据和云计算技术探析[J].互联网天地，2015（4）：611.
[21]马红玉，张柳.大数据中的可视化分析技术[J].山东农业大学学报：自然科学版，2014，45（s）：5658.
［关键词］大数据；互联网+；农业；智能灌溉
引言
随着科技的日益进步，计算机的相关技术被引用到各个领域。智能灌溉系统是融合传感器技术、自动控制技术、计算机技术、无线通信技术与移动终端控制等多种高新技术，自动采集光照、温度、土壤水分、空气湿度等信息，通过无线通信技术传输给信息管理系统，自动控制喷水灌溉、通风除湿等设备，从而调节环境参数。智能灌溉系统应用大数据策略，在云服务平台进行数据分析处理，以关联图表显示历史记录，为农业专家提供决策支持，同时获取国家气象局天气预报信息，根据天气状况和作物需要智能调节喷水灌溉策略，调整用水量，实施精准灌溉，提高水资源利用率。智能灌溉系统支持多种应用场景如智能花园、温室大棚、高尔夫球场等，提供Web版、桌面版、移动终端3种管理系统供用户使用，使其随时随地操作管理。智能灌溉系统采用WiFi技术实现远程无线通信，采用Zigbee技术构建底层无线传感网，节能低耗，能够根据应用场景规模灵活增加无线节点模块，不会因为监测点过多而使布线复杂，降低系统维护运营成本。
1职能灌溉系统总体结构
系统总体结构如图1所示。系统实验室模型及部分实物操作界面如图2所示。
2智能灌溉系统功能模块简介
本系统根据物联网三层体系结构设计，功能模块划分及其主要设计内容如下表1所示。
3智能灌溉系统简易操作说明
下面主要说明桌面版管理系统、Web版管理系统、移动终端版管理系统的操作使用方法。3.1桌面版管理系统桌面版管理系统主要功能模块有：操作控制模块、数据与命令查看模块。其中，操作控制模块的功能如下：这部分提供了实时场景的选择，区域实时数据的显示，区域手动操作和自动控制的设置。可以通过输入服务器地址，进行场景的选择，然后对该场景下的区域进行手动控制，实时控制底层终端控制设备，也可以开启自动控制，输入要自动控制的参数范围，系统会根据输入的控制参数，进行自动控制。3.2Web版管理系统3.2.1登录界面系统的开始页面，界面简洁友好。只有获取权限才能进入控制系统。3.2.2首页这部分主要是显示项目的一些图片，页面下方是项目的介绍。3.2.3监控中心这是本程序的核心部分，在这个页面中，能够通过仪器表查看到当前的数据，并提供了天气预报，能够根据需要设置自动控制的外界条件，或是进行人工的操作处理。上述界面中，上面部分是最近一次采集到的数据，以仪器表的形式生动地展示出来，左下角是自动控制时的温湿度，光照强度的控制范围，在这里输入要控制的范围后，系统会根据用户输入的范围自动调控。右下角是系统的自动控制区域，在这里用户可以进行手动控制。3.2.4数据分析查看将历史记录以关联图表的形式展示出来，一目了然，为农业专家进行数据分析提供决策支持，最终确定适于作物生长的控制策略。3.2.5操作记录将用户的操作即自动操作记录下来，便于查看。3.2.6退出程序退出后，系统的工作模式不变，保持原状。点击退出后，登录状态被重置，并跳转到登录页面。3.3移动终端管理软件3.3.1登录部分这个是手机端的登录界面，简洁明了，选择联网模式，输入账号密码以及当前的服务器地址即可登录，可以选择保存密码，方便下次登录。3.3.2数据查看中心选择当前环境模式和区域，即可查看当前的实时数据。3.3.3控制中心选择当前的场景模式和区域，就可以对该区域进行控制，可以根据需要输入环境参数，设置自动控制的范围，也可直接进行手动控制。
4结语
关键词：大数据；信息处理技术；云计算；数据挖掘；安全保障
引言
信息技术以及网络科学技术的持续发展，使得各个领域中的信息和数据呈现出了爆炸式增长的态势。在海量的信息数据中，除了有效信息之外，还充斥着许多垃圾信息。如果不能运用合理有效的信息数据处理技术，对各项信息的种类与内容进行判断，则会影响社会现代化建设的效率。因此，本文对大数据时代下的计算机信息数据处理技术进行研究，具有鲜明的现实意义。
1大数据时代背景下计算机信息技术内容
计算机信息处理技术主要包括了建模、数据信息采集、处理加工以及存储等多个环节，具体流程如图1所示。
1.1建模
建立模型是大数据时代下计算机信息技术的基础环节，通过建立模型的方式可以为后续数据信息的分析和处理创造便利条件。在模型中进行数据分析，更加直观易懂[1]。目前，以大数据为依托的信息模型主要包括了流处理和批处理两种形式，在具体的模型建构中，技术人员要根据信息数据的处理需求，建立适合的模型，以起到提升数据处理效率的效果。
1.2采集
与以往的信息数据处理方式不同，大数据时代下的信息数据面临诸多挑战。多样化、大容量的数据信息特征，要求计算机信息技术能对各项信息进行有效采集和精准筛选。一般来说，技术人员要运用数据挖掘技术实现数据的筛选，以保障计算机信息数据处理的正确性。大数据时代信息数据的处理和加工要保证科学性，符合新时期计算机信息技术对数据处理的实际需求。
1.3存储
因为大数据时代下的信息种类和数量都较多，所以需要借助新的方式实现数据的安全有效存储。目前，云存储空间已经成为了人们首选的新型数据存储模式。这种处理模式具有空间大、速度快和安全性高的优势，符合大数据时代下人们对于信息数据存储的需求。云端的信息数据处理以及存储，为海量信息提供了稳定的存储平台，同时也为后续信息的调取提供了方便。
1.4加工
信息数据的加工是大数据时代下应用计算机信息技术对信息进行处理的重要环节，在此环节中，技术人员要根据时代特征、企业需求以及数据本身的类型，选择合理的计算机信息技术对数据进行加工处理。经过处理之后可以上传到云端空间进行存储，或者直接传出到企业终端进行使用。
2大数据时代背景下计算机信息技术处理面临的问题
2.1信息种类繁多
进入到大数据时代，越来越多的信息和数据进入到企业日常经营和管理工作当中。从一方面讲，虽然这种发展状态为企业的多样化管理提供了丰富的资源支持，但是，从另一个方面进行分析，也能看出企业如何在众多信息当中快速且精准地筛选出有效的信息，成为了企业现代化建设面临的一项重大难题。与之前的信息化时代相比，大数据时代下，计算机信息技术需要从海量信息资源中进行有效信息定位，因此实际的工作量会大大增加。不仅如此，在信息筛选中还会受到网络环境中不稳定因素的影响，其面临的安全威胁也明显增强[2]。由此可以看出，为了从根本上解决信息技术不稳定性因素的影响，相关领域的技术人员要不断地更新计算机信息技术，使其适应大数据时展的需求，为企业和社会的现代化信息建设提供帮助。
2.2新型人才缺失
大数据时代的来临加大了对计算机信息技术本身的挑战，同时也提升了对新型网络技术人才的要求。无论是在以往的信息社会还是在大数据背景下的新型信息化社会，技术人才的作用都十分关键。从企业发展的角度进行分析，以往企业的发展会受到传统观念的影响，因此对于人才的培养以及重视程度要求都较低。这一情况会使在专业化建设方面存在人才不足的问题，进而无法为其后续的发展提供及时、有效和专业性的指导。无论是从企业本身经济效益方面，还是整体社会效益方面，都会产生十分不利的影响。为了彻底解决这一问题，企业在现代建设中，除了要对技术进行优化升级之外，还要重视新型技术人才的培养。提高对人才的重视程度，并为员工打造更适合的培训方式，提升专业能力与综合素养。
3大数据时代背景下计算机信息技术处理问题的应对方法
3.1案例概述
以R搜索引擎模型为例，在原本搜索引擎中，采用的是横向搜索的模式，这种搜索模型并不能有效地结合用户的特征，对信息数据进行结构化与非结构化的处理。进入到大数据时代，搜索引擎模型的设计单位明确认识到了模型中存在的不足之处，因此借助大数据时代下的新型计算机信息技术，对模型进行改进，期望可以提高实际应用有效性[3]。
3.2需求分析
R搜索引擎模型期望将原本的横向搜索模式调整为垂直的搜索模式，并在原本的信息数据处理模块中增加二次处理模块，实现结构化的信息数据处理。二次处理模块要求具备分类、去重的功能，以便提升模块应用后搜索结果的精准性，同时提升信息数据搜索的速度。
3.3改进方法
3.3.1云计算为了使该搜索引擎模型达到预期的设计效果，技术人员运用了大数据时代下的新型计算机信息技术，将云计算功能纳入到了系统模型中。通过将计算机网络和云计算网络紧密地结合起来，发挥出了整合后的双重优势。云计算网络的应用，确保了计算机硬件设备更新之后的优势可以有效发挥，特别是随着高新电子科学技术的不断改革与完善，计算机硬件设备的更迭也要与时俱进，否则最终将会因为难以适应时代的发展和现实需求，而导致计算机网络管理工作失效的情况。云计算的应用促成了开放式网络模式的建立，公众们摆脱了网络中心的局限性，R搜索引擎借助云计算灵活和开放独特性，逐渐发挥出来互联网模式的优势，提升了信息数据的初始处理速率[4-5]。
3.3.2高端人才人才是计算机信息技术应用的保障，人才本身的能力和水平，会影响到计算机信息技术发挥的有效性与合理性。在大数据时代下，计算机信息技术相关专业的高端人才需求量大幅度增长。部分企业虽然在发展的过程中搭建了各种不同的网络媒体平台，但是由于缺乏相应的技术人才，网络平台的后续维护成为了一项难题。对此，R搜索引擎除了积极引进先进的科学技术人才之外，还对内部的人才结构进行了调整。比如，R搜索引擎将搜索引擎功能和视觉信息处理技术相互结合，提出用主动光源而非算法来解决。团队提出的CCA方法可以把可见光图像和近红外图像提取一个共同特征，在CCA的空间来进行，然后用各种各样的局部特征进行处理和滤波，提取一些共同特征。R搜索引擎将发展目光放得更为长远，在发展的过程中，从降低成本、提升竞争力等方面进行了人才的专项培养，将高端科学技术作为依托，为搜索引擎模型和企业的长久发展提供了战略性支持[6]。
3.3.3数据挖掘大数据背景下，各项信息数据的处理技术都得以充分完善，越来越多的信息和数据汇聚到了一起，不同数据之间内在的联系性也得以增强。但是，因为部分数据为冗余数据的范畴，在社会现代化建设中并不能发挥出实际效用，所以如何从这些数据中挖掘出有效信息，成为了R搜索引擎相关领域工作人员实际工作主要目标。数据挖掘技术的优化，除了可以提升数据筛选的效率之外，还可以达到节约信息数据搜索与处理的成本。计算机信息技术中数据挖掘技术能提升技术本身对于数据信息的分析与加工处理能力，最终发现不同数据之间存在的内在联系，筛选出有利于社会建设的有效信息[7-8]。
3.3.4安全保障大数据发展背景下的互联网环境开放性进一步增强，当大众通过互联网进行有效对信息搜索与筛选时，不可避免地会暴露自己的部分信息，如果缺乏合理有效的监管，很有可能被不法分子利用，窃取个人信息，损害个人利益，并且还会对社会的发展造成危害。因此，互联网信息技术的安全性和保障性技术十分重要，特别是在大数据时代下，以往的信息管理系统不能对网络中出现的信息数据进行高效筛选，而经过改进的大数据信息技术，R搜索引擎不仅实现了高效处理，同时也增强了管理工作的科学性和安全性。面对多种不同类型的网络攻击以及计算机病毒侵入，都可以帮助企业和个人保护各自的信息不受到侵害[9-10]。
3.4结果分析
R搜索引擎在大数据时代背景下，对计算机信息处理技术进行了调整，同时引进并培养了现代化的高端技术人才，为产品模型的优化升级提供了强大动力支持。经过一系列改革之后，R搜索引擎最终将服务器的稳定性提升了23.4%，并且网站的更新频率、外链数量以及流量排名等都进入到了前3位，用户综合体验排名第1。
>> 大数据加速推进贵州产业转型升级 大数据助推产业升级 军民融合助推贵州工业转型升级 让工业大数据成为制造业转型升级的助推器 国网新疆电力公司大数据智库平台安全技术解析 大数据驱动下的新疆新型智库建设 贵州大数据产业发展与产业结构转型 贵州弄潮大数据 论道贵州大数据 IT助推智库创新 数据库技术在大数据中的应用 大数据助推大格局赛罕区开启食药监管“智”理新模式 信息技术助推传统企业转型升级 BIM技术助推国有大型施工企业转型升级 2016云上贵州・大数据招商引智推介会在京举行 利用大数据技术助推精准扶贫的新探索 创意助推企业转型升级 大数据背景下的高校新型智库信息支持平台构建研究 大数据环境下高校图书馆嵌入智库建设模式探讨 贵州耕“云”大数据 常见问题解答 当前所在位置：
[2].
[3]宗威、吴锋.大数据时代下数据质量的挑战，西安交通大学学报，2013年9月，第33卷，第5期，总第121期.
[4]吴金红、张飞、鞠秀芳.大数据： 企业竞争情报的机遇、挑战及对策研究，情报杂志，第32卷.
[5]中国大数据重点行业应用市场研究白皮书
[6]中国大数据重点行业应用市场研究白皮书
大数据并不是一蹴而就、空穴来风的概念，在它的背后有很多趋势在推动这个概念的到来。简单地说有几个方面推动大数据的到来：
第一是数据化。我们现在有了更多的传感器去记录数据。大家最能理解和最常见的传感器就是手机。有了手机，我们就能通过技术监测知道你生活在哪个地方，有没有网络购物等个人信息。正是有了越来越多的记录数据的传感器，使得我们获得的数据一直在增长。
第二大变化是数据形态发生了变化 。我们现在有了各种各样的数据，既包括传统的结构化数据，例如门店的销售数据、后台数据等也包括互联网的各种数据。
在大数据时代，互联网用户通常作为同一个对象使用多个网络平台。我们通过对特别对象或人物的网络（性格、社交圈等）和行为（购物、评论等）的特征进行分析和挖掘，打破了孤立的个人数据特征，成功建立了以人为对象的跨越多个网络和数据平台的关系数据群，实现个人跨平台数据的打通。
正是在这样的大背景下，2011年5月，麦肯锡麦肯锡全球研究院（MGI）了一份报告――《大数据：创新、竞争和生产力的下一个新领域》，推动了工业界和学术界对大数据的关注，同年11月IBM公司在产品会上推出大数据概念。
大数据有四个特点：规模巨大；产生数据的速度非常快，我们处理它的速度也非常快；数据库的多样性；数据中潜藏价值。
我们认为大数据不是技术的变化，而是全方位理念的变化，它是基于多源异构、跨域关联的海量数据分析所产生的决策流程、商业模式以及生活方式和观念形态上的颠覆性变化的总和。
大数据的创新
整个大数据在商业中的创新体现在数据的外部化。也就是我们如何把自己的业务数据拿出去给别人用或者怎么样把别人的数据拿进来自己用？
一个门店、一个品牌的生存都不能仅仅依靠自己的数据。当下基于互联网基础的社交媒体、论坛、电子商务及移动电子商务数据给我们提供了很多可能的资源。我从不同角度，简单阐释一下这个问题。
如果从大的角度来谈化妆品行业的整体发展趋势及哪些品类会成为消费者期盼的商品，互联网就给了我们很好的答案。
在10年前，中国还没有男士护肤的概念和市场，但是到今天男士护肤品已经是一个很大的市场。如果我们回溯到十年前，互联网的论坛讨论就是男士护肤市场起步的端倪。因为有一些消费者由于和欧美国家的接触，他们比化妆品市场从业人员更敏感，他们首先发现了男士护肤市场的商机与需求。所以通过大数据的检测你可能会遇到行业可能的机会。
从小的角度来看，大数据的运用，我在一个城市开店，我只想知道什么样的东西受消费者的喜爱，未来的市场变化趋势是怎样的？这个时候电子商务和移动电子商务的数据就给了我们很好的答案。
我们可以通过分布式网络爬虫技术，直接爬取互联网数据。当你覆盖足够多的电子商务平台，你就很容易知道哪类产品、哪类品牌甚至某个单品在哪个城市的销售状况。我甚至可以通过精准的计算技术，更好的了解我们商业合作与竞争的利益。
如果再深一层，面对一个个体，我应该给哪些人推送精准营销或者说一个产品面世后它在互联网的美誉度是怎么样的，有没有可能出现重大安全问题，需要产品方做怎样的调整，这些东西都不是我们自身的数据能解决的而是需要外部的数据辅助我们做决策。
举几个非化妆品行业的例子。搜索网站谷歌通过人们在网上的搜索记录完成流感的预测。谷歌每天都会收到来自全球超过30亿条的各种搜索指令，如此庞大的数据资源足以支撑和帮助它预测流感的传染程度。
我们要注意到大数据运用的创新之处。谷歌不是通过疾控中心和医院的数据来预测传染病，它是通过搜索指令的数据资源来预测传染病的流行程度。也就是说谷歌在用自身业务产生的数据，拿出去解决其他地方的重大问题。
再举一个非常典型的例子，告诉大家我们的数据要流动起来，才能发挥更大的价值。
国家电网每年会两个指数一个是重工业用电指数，一个是轻工业用电指数，这两个指数是整个中国工业制造业的晴雨表。如果将国家电网的数据和用水的数据结合起来，这些数据产生更大的价值。如果把用水和用电的数据结合运用到个人住户，则可以给公安部门维护社会稳定起到积极作用。
公安部门可以通过异常的用水及用电数据判断哪些住宅是传销聚集地。因为传销三、四十个人挤在一个小房子里，用水量是超过正常范围的。
同时，用水用电数据为国家安全委员会维护稳定和反恐有重大意义。我们国家有一些被列入黑名单的，这些人一旦发生了不正常的移动或者居住地用水用电发生异常，公安部门需要第一时间实地走访，掌握情况。
此外，用水用电的数据是所有银行为中小企业发放贷款的重要依据。众所周知，中小企业的财报数据都不太真实，银行在为他们做风险评估的时候，基本不看财报，而是看企业的用水用电数据以及交管委的摄像头记录的货车进出数据，判断企业的整体规模及信贷风险。
所以，我再次强调大数据创新的核心是怎么样把自己的数据拿出去支持其他行业以及如何用其他行业的数据支持自己做决策。
大数据的商业实践
将大数据用于品牌商业分析的时候，有三点和以前不一样：
第一，我们所有的分析都是全样的数据而不是抽样的数据。从某种意义上讲，世界上没有全样数据，我们所能掌握的都只是部分，但从另一个意义上讲，我们团队能够监控到大量的电子商务及手机移动终端的数据。这些数据不再与以前做数据分析时，到某几家店，通过某几个产品的试用和观察得出的数据一样。因此大数据时代的数据分析报告，比以前更细、更高速、更高准确率
第二，大数据的分析包括很多非结构化的数据。做移动电子商务的人会知道， 我们除了关注日常销售、生产等结构化的数据之外，还会非常看重商品在社交媒体上的影响力如何，品牌的粉丝影响力如何。所以每一件商品的美誉度如何以及在论坛上遭遇的舆情危机等都可以通过非结构化的数据分析获得认识。
第三，我们所有的数据都是关联的数据。我们要打通一个用户、 一款产品在不同社交媒体上的购买行为、浏览行为及被收藏被评价行为，从而获得更全面的认知，同时发现产品从A平台到B平台的商业机会。
我建议有条件的品牌商及经营者要实现外部数据的战略储备。我们团队的数据其实来自两方面：一个是自有数据的积累，二是公开数据的爬取。现在的这些数据对于我们将来做扩展包括趋势分析、竞争品牌的分析及了解用户做精准营销等意义重大。
在了解用户的时候，我们需要进行全面了解。我们不仅要了解他的购买浏览记录，还要了解他的时间和空间轨迹等。我们给很多品牌商做过服务，你对同一个对象在不同时间点给他推送广告的打开率可以相差10几倍。此外，了解一个用户的行为轨迹，也能让你做到精准的广告投放和店铺选址。
很多人在运用大数据营销的时候，会步入逻辑结构的误区。一般我们理解的大数据营销是产品经理会通过思考去想像，我的产品适合什么层次的消费者，而企业的老总会思考我的产品选择哪个明星做代言。有了这些想法之后，品牌才会根据媒体、销售渠道及电子商务数据找到它们想要的的代言人。这样的大数据营销在逻辑上是不正确的，因为他太强烈的依赖于产品经理对产品的定位。
而正确的大数据营销是首先找到自己产品和竞争产品的已有用户以及对这些产品表达过兴趣、发表过评价的几万人甚至是几十万人。然后在通过分析这几十万人从事的职业、感兴趣的电视节目、关注的明星、日常浏览哪些论坛的数据结论，选择与品牌形象及消费定位匹配的代言人，进行点对点的精准营销。
在这样的设计流程中， 产品经理和企业决策者的重要性体现在他们凭借敏锐的直觉，，将适合消费者使用的产品设计出来。一件产品问世，就像一个小孩出生，他已经是活生生的生命个体，父母已经无法再改变他。在这种情况下，父母对他的理解， 都比不上他在成长过程中自身生命力的勃发。许多父母会希望小孩子做各种事情，为小孩贴上标签。但真正成功的父母，总是会从小孩的成长过程中看到惊喜。 同样的每一件产品有了自己的生命力，它在面对市场的时候会遇到各种评价，我们利用这些大数据的分析能比产品经理更多知道一件产品它真正的目标用户在哪里，它他真正需要的广告投放在哪里。
在这么一套新的逻辑框架支持下，给大家举一个化妆品行业的例子。欧莱雅集团有一款价值千余元的超声波洁面仪。当时这一款产品的产品经理找到我们，给我们提出的是针对20岁至40岁的白领女性的产品定位。超声波洁面仪的产品在电子商务渠道上有很多同类型的品牌，我们通过数据分析得出二三线城市的中小学老师的职业群体是被他们忽略掉的群体。
中小学老师每天接触大量的粉笔灰尘，因此她们对洁面仪器的关注最活跃、使用频次也最高。当我们把这个现象告诉欧莱雅的产品经理时，他们一下子就明白了这个道理。
