大数据时代分析范文

导语：如何才能写好一篇大数据时代分析，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

篇1

【关键词】大数据 数据分析 数据分析师

近年来，业界、学术界兴起了大数据讨论，一夜间大数据时代到来了。大数据给学术界带来了新的思潮，大数据正在颠覆着很多传统行业的模式，带来变革。有人预测，大数据必将成为商业、政府、科研、教育、医疗等各行业面临的一个挑战。在大数据时代，数据分析、数据挖掘工作面临着机遇与挑战，本文从数据分析的角度，结合国内外相关研究，试图回答大数据是什么，如何应对大数据的问题。

一、认识大数据

（一）大数据的宗旨：经过分析的数据才有价值

大数据要发挥作用必须经过分析，这是由大数据的4V特性（数据量大、数据类型多、要求处理速度快、低密度）决定的。也就是说，数据都是高维、低密度的，从单个数据中难以看出规律。因此，必须经过分析，针对高维进行降维，提炼大量低密度信息中的价值，才能发挥作用。否则，大数据背景下，反而更容易使得“活”信息混迹在大量“死”数据中被淹没。面向大数据的分析要“简单、迅速、规模化”。

（二）大数据的目标：实现基于数据的决策与资源配置

大数据最终要实现科学决策，基于信息对称的有效资源配置。随着大数据分析技术的发展，可利用数据来源从线下封闭的数据库、数据仓库扩展到开放性的O2O（Online To Offline）融合数据，可分析数据结构从原来以数值为主的结构化数据发展到涵盖文本、视频、音频等多媒体数据。从而，大数据将逐步改变我们的决策目标和社会资源配置方式。基于数据的科学决策是一贯追求的目标。然而，信息不对称是常态，因此传统决策目标是建立相对满意而非最优（决策科学家Simon提出），资源配置效率基于市场优于基于计划。大数据背景下，迅速获取分析更多辅助决策信息成为可能，因此决策目标可实现向最优的无限逼近，实现基于数据的“计划”资源配置将更有效率。

（三）大数据的角度：个性化服务+中观指数+宏观连结

目前发展大数据，主要有基于数据为客户提供个性化营销服务、预测中观行业或区域趋势指数、基于连结的宏观资源配置方案等角度。这不仅仅体现在阿里小微融资的个性化风控决策、高端品牌在线特卖品牌和定价动态决策（基于阿里巴巴网商活跃度指数和零售商品价格指数）、Discern group企业发展战略咨询报告上，还体现在阿里巴巴商务智能指数（预测经济发展态势）和基于公共气象数据的各行业资源配置优化服务上。

互联网金融是大数据发展各角度的前沿阵地。在金融领域，要实现从金融互联网向互联网金融的快速转型。传统模式下的金融企业开展网上业务，如：网上银行、网上理财，并不是真正的互联网金融。互联网金融是指通过互联网新技术为客户实现搜索或风控等服务增值，比较有代表性的是，消除供求双方结构不对称的P2P贷款，提高存取效率的保值理财产品余额宝。

（四）大数据的关键点：保证数据质量

要发展大数据分析，首先要保证数据质量。错误的输入必然导致错误的输出。没有数据质量，一切都是浮云。数据质量没有保证，是不敢用的。数据质量是一项耗时、费力的基础工作。

保证数据质量要求数据采集与清洗过程中秉持两大原则：相关性和低噪声。第一，大数据，数据并非越“大”越好，而是相关数据越“大”越好。特别是，在数据采集中，要以采集尽可能多的“相关”数据为目标，而非不加筛选越多越好。第二，大数据，首先数据获取时要保证不存在诱导倾向的干扰因素，同时进行去噪处理。

保证数据质量要建立数据的数据。针对数据质量建立数据标签，才有进步。有了对数据质量的数据，数据才能被决策者更为安全科学有效地使用。

（五）大数据竞争的核心：分析人才的竞争

大数据时代，作为一种资源，数据不再是稀缺资源。互联网、门户网站、社交网站、微博、微信等新媒体积累了大量数据，缺乏的是对这些数据的分析人员。缺乏专业的分析人才，即使守着数据的“金山”，也只能望“山”兴叹。因此，美国Turbo Financial Group采用最新的大数据分析技术聚焦被FICO遗忘的15%人群建模，阿里提出建立大数据分析的开放式平台，希望能够集结更多专家智慧，同时培养阿里分析人才，挖掘阿里数据“金矿”。

二、把握大数据

大数据对社会生活带来方方面面的影响，我们如何把握大数据时代的机遇，需要慎重对待大数据带来的挑战。总结起来，主要有三个方面：

（一）大数据时代，数据整理和清洗工作

（1）数据整理和清洗工作是数据分析的基础。大数据专家根据经验，普遍认为该工作是一项基础性工作，耗时多且简单，占到数据分析工作量的60%以上，是数据分析前提和基础。在此基上，数据分析工作需要对数据进行标识，进行深度分析，撰写专题报告，确保结果可以执行，最终落实到决策和实施。

（2）大数据时代，需要充分借助IT技术管理数据质量工作。在大数据时代，人工逐笔发现、解决数据质量问题的方式成本高、效率低，不可持续。要尽量规范化、系统化、自动化管理数据质量工作，将节省下的人力资源投入到新问题的研究中。

（二）大数据时代，数据分析的特点

（1）采用倒金字塔模式分配“思考、工作、分享”的时间比重。数据分析工作包括三部分：“思考”，分析实际问题，将实际问题转化成数学模型，提出解决方案的过程；“工作”，将解决方案程序化，得出结果的过程；“分享”，将分析的结果，转化为决策，付诸实施的过程。在时间分配上，金字塔结构或柱形结构的分布形式不是最佳结构，倒金字塔结构比较合理。即，思考的过程花得时间长些，可以减少后期工作量，少走弯路。

（2）通过数据分析进行科学决策。很多人存在误区，认为数据分析就是做报表、写报告。在大数据时代，数据分析不仅仅停留在此，需要进行深度分析，建立数据化决策的流程。要尊重数据、认识数据，但不迷信数据。在尊重数据、尊重事实的前提下，减少主观因素的干扰，快速做出数据化决策，这是一种能力。

（3）大数据时代，数据分析的要义是――简单、迅速、规模化。数据分析的结果要简洁、易懂；数据分析的时间要短，尽可能的自动化地出结果，要快速的满足客户的需求；数据分析的方法能够实现大批量规模化。优秀的数据分析师应具有全局的预见性，一有问题可以马上把该问题打成很碎、很多的问题，甚至把一个问题克隆出很多问题，从而与业务人员建立信任，降低工作量。

（4）从“死”信息中，分离出“活”的信息。大数据有数据量大的问题――产生大量的“死”数据。错误数据是指数据与实际情况不一致，异常数据是指数据正确但数据远离群体的大多数，这类数据情况的处理手段比较成熟。而大数据时代，大量数据是不活跃主体，即“死”数据。因此，需要从高维低密度数据中，提取“活”的信息，发现规律。防止由于“死”信息的存在，导致分析结果不能正确反映“活”的群体特征。

（三）大数据时代，数据分析师的培养

（1）培养核心技术人才，确保长期竞争力。美国在建立全国医疗系统时，将系统外包给了加拿大的一家公司，系统运行的第一天就出现了崩溃。美国政府为此对该模式进行了反思，概括起来有三点：①外包公司设计时只顾满足甲方的眼前利益，不会为甲方的长远利益考虑；②项目外包造成美国技术骨干人员断层，导致出现问题后自身无法解决；③采用该模式导致美国没有了核心技术。

因此，在采用项目外包模式的同时，需要掌握其核心技术。在大数据时代，从数据分析、信息管理、IT技术三个方面保持核心竞争力。需要培养和保持业务、产品设计、数据分析、数据架构等方面的骨干队伍。

（2）建立专业化的大数据分析团队。大数据分析的核心是数学建模，基础是实际业务，结果是自动化程序。在实际工作中需要正确、合理的使用数学建模的思维，构建以数学模型做为基础的数据分析，建立量化管理风险的理念。深刻认识并正确驾驭大数据分析，大数据分析的方法是处于不断发展过程中的，需要根据实际问题，结合实际数据，灵活构建模型。

参考文献：

[1]朱建平，章贵军，刘晓葳.大数据时代下数据分析理念的辨析[J].统计研究，2014，（2）.

篇2

【关键词】大数据时代 数据分析 信息安全防护

随着我国网络信息技术不断的发展，当下时代已经成为大数据时代。以往大数据的概念主要存在于物理学领域、生物学领域、生态环境学领域、军事领域、金融领域、通讯领域等，而当下网络和信息业的空前发展使大数据引起了人们的关注。数据信息已经渗透到社会的各行各业，人们通过相关数据信息的发现和利用，可达到增加生产率和市场消费率的效果。但大数据技术收集信息软件给网络用户的隐私带来了问题，网络私人信息的安全防护遭到威胁。因此本文对大数据时代的数据分析与信息安全防护做出相关研究，研究内容如下。

1 大数据概述

大数据主要是指使用常规软件工具无法在规定的时间内对网络往来信息进行捕捉和管理以及处理。大数据时代的主要特点为5V，即数据总量大（Volume）、类型繁多（Variety）、价值密度低（Value）、速度快、时效高（Velocity）。大数据的初始计量单位为P（P=1000T）、E（E=100000T）、Z（Z=10000000T），数据量庞大，其种类包括网络文字信息、音频信息、视频信息、图片信息以及地理位置等，数据种类丰富对数据的处理能力也提出了较高的要求。在大数据中，虽然信息量大，但可利用的信息是有限的，因此，大数据价值密度较低。大数据相对于传统数据而言，需要人们更强的处理信息的能力和速度，对人们的数据驾驭力量提出了挑战。大数据在影响着人们生活方式的同时，还影响着各个行业的发展，大数据的出现也使信息安全面临着一些问题。

2 大数据时代数据分析概述

2.1 抽样量化

在大数据时代，样本就是总体本身，因此在分析某事物的过程中，不需依靠少量的数据样本，而是得到全部的数据。传统的抽样有样本缺乏稳定和随机抽样困难的情况，且在事先设定好了调查目的往往会使调查内容和范围受到人为限制，调查过程中的侧重点也导致抽样数据无法反映总体情况。另外样本量的有限也使抽样结果缺乏精确性，致使错误率的增加，同时传统抽样时间效率和生产率低。

2.2 数据模糊计算

在大数据的影响下，人们接受数据较为繁杂，数据精确性减弱。有数据规模庞大，因此对数据追求精确性的可能性较小，测量数据和调查数据都会因为一些不可控的因素或认为因素致使数据精确性欠缺。大数据时代获得的数据量多，但不精确的数据也在其中，因此对待大数据应该看到其有利方面。数据的不精确也有利于对事物总体的了解，样本的增加使信息更为真实。大数据的不精确是不经意产生的，因此，在需要精确数据的领域还是需要避免不精确性的发生。

2.3 利用数据关系

关注事物的相关性，而不是只追求因果。传统抽样中会预先假定因果，但在大数据时代，数据的复杂和庞大，会导致因果关系复杂化和分析因果复杂化。因此，大数据不不利于追求因果关系，而利于事物相关关系的追求。大数据对数据的分析思路为分析数据相关性，事物关系之间的形式多样化，关系和目的也是根据数据的变化而变化，没有相对较为固定的因果和亲疏关系。

大数据所提供的价值可以让人们预判自己所想知道的事情，比如华尔街利用网络民众的情绪变化进行抛售股票；基金公司根据对购物网站顾客的评论来分析产品销售情况；银行根据网络求职的岗位情况判断就业；投资机构从大数据中查找企业破产的前兆；美国总统团队根据社交软件分析选民喜好。以此可以看出在大数据时代，可利用的数据信息对利用者而言十分重要。

3 大数据时代面临的信息安全问题

3.1 信息安全风险

由于大数据的特点之一为存储信息较为广泛，对信息安全性有一定的影响。大数据信息海量存储技术的成熟降低了信息存储的成本，因此大数据信息处理量显著增加，处理中心分析信息也变得更加容易。大数据信息中心可以根据终端网络用户的行为信息进行分析，然后将结果提供给信息利用者，分析搜索的商品后向你推荐所感兴趣的商品。在移动互联网，终端用户信息被随时采集和存储，造成了信息安全风险。

3.2 个人隐私泄露

有一些网络企业会对网络终端用户的隐私进行搜集。为了赢得市场竞争优势，用户信息成为了企业的发展根据。比如一些智能手机软件会在用户不知情的情况下，对用户使用软件的时间、地点和位置进行信息记录，发送到软件服务器，暴露用户的个人隐私泄露信息。

3.3 安全防护难度

大数据时代由于非结构化的数据类型多、价值密度低，信息量庞大，因此对安全防护技术要求较高，目前我国防护技术还未能够处理大量和多类型的数据，因此数据防护难度系数较高。

4 数据时代面临的信息安全问题的应对措施

4.1 安全技术研发

目前大数据需要能够处理大量和多类型的数据分析技术，以主动发现大数据中潜藏的威胁，比如利用信息丰富开发认证系统技术或建设数据真实分析系统，将恶意信息和无用信息排除在外。

4.2 制定个人隐私泄露保护法律法规

由于大数据是新生事物，因此相关的法律法规存在空白。网络上违法的数据信息行为需要有强制和高效的规则对其进行规范，以保护个人信息的合理利用性。

4.3 提高民众信息安全认知

大数据来源于民众，因此提高民众的信息安全意识，可有效防范数据信息面临的信息安全问题，从而起到维护个人隐私泄露、避免负面影响的作用。

5 结语

综上所述，大数据时代数据分析与信息安全防护具有重要意义，当下网络和信息业的空前发展使大数据引起了人们的关注，数据信息已经渗透到社会的各行各业，数据分析使人们受益匪浅。但大数据技术收集信息软件给网络用户的信息安全带来了问题。比如信息安全风险、个人隐私泄露、安全防护有难度等，本研究作者经过多方面思考提出提高安全技术研发程度、制定个人隐私保护法律法规以及提高民众信息安全认知的解决意见，以促进大数据时代信息安全性的增加。

参考文献

[1]田秀霞，王晓玲，高明等.数据库服务――安全与隐私保护[J].软件学报，2010，21（5）：991-1006.

[2]刘小龙，郑滔.一种针对非控制数据攻击的改进防御方法[J].计算机应用研究，2013，30（12）：3762-3766.

[3]李峰，李虎成，於益军等.基于并行计算和数据复用的快速静态安全校核技术[J].电力系统自动化，2013，37（14）：75-80.

篇3

目前，在此大环境的影响下，企业的财务管理工作得到了更大的拓展和延伸。而财务分析工作作为财务管理中的一个必须高度重视的环节，在极大程度上影响着企业的稳定性、可持续性，直接影响企业的发展。由此可见，企业要想提高自己的综合实力与核心竞争力，就必须要做好财务分析研究。抓住机遇，将互联网等一些新兴技术推向更新的高度。克服挑战，在基础上充分落实财务分析工作，预估大数据下可能存在的风险。充分发挥大数据对企业的未来发展产生巨大的影响，为企业的发展提供更为广阔的空间。

二、大数据时代下财务分析的机遇与挑战

这一章节主要探讨两方面内容，一方面是大数据时代下财务分析工作迎来的机遇，另一方面是大数据时代下财务分析工作面临的挑战，通过对这两方面内容的明确，从而为后续的探讨而奠定基础。

(一)大数据时代下财务分析迎来的机遇

对企业财务分析工作而言，大数据时代的来临会给工作带来诸多方面有利的影响，促使财务分析工作朝着更好的方向发展。

1.有利于提高财务数据信息的精准度

以往传统的财务中采用的是“漏斗式”记账方式，将原始凭证的结构化信息转记到记账凭证中。由于过滤了诸多非结构化的信息，这类信息会受到技术限制的影响，在很大程度上使财务管理数据引起偏差，使数据整合的难度大大增加。最终可能会影响管理者决策。但是在大数据时代之下，能够为财务分析提供经济数据上的大力支持，实现财务管理向共享式服务模式的顺利过渡。

2.有利于增强预算管理的真实性

预算管理是企业财务管理重要组成部分，传统的预算管理在数据处理的过程中处理的速度过于缓慢，处理的效率低，不利于企业的发展。且在内容制定的过程中，没有，明确的管理理论进行基础支撑。通过大数据的手段进行使用，可以更好的使预算的真实性增强，在一定程度上改善现阶段的问题。

3.构建企业型数据库，避免财务风险

大数据时代的来临，意味着科技因素的发展已经达到一定的水平。这就意味着企业可以从大量的数据中提取关键信息，构建相对应的数据库，以建立数据库形式来处理海量的数据信息，有效挖掘对自身企业发展有用的相关数据信息。以此为基础，可在多维度预测企业风险，提高防范意识，尽可能的避免财务风险，从而为实现企业的经营战略目标而奠定扎实的基础。

4.提高数据处理效率，降低财务成本

传统的数据管理，方法陈旧、内容繁琐，导致工作效率低下，大大增加企业的财务管理成本。并且在实际执行过程中，因程序较多，在一定程度上增加了财务人员的工作处理量。二者最后可能会导致工作量虽然上升但工作效率反而会有所下降。这不但会使企业发展缓慢，还会削减员工工作中的积极性，不利于企业发展。利用大数据来建立模型筛查相关有效信息，可以更快捷的处理数据信息，减轻财务人员的工作量，在提高效率的同时，调动员工在工作中的积极性。

(二)大数据时代下财务分析面临的挑战

大数据时代在对企业财务分析工作带来有利影响的同时，也使财务分析工作出现了更大的挑战，因此，分析大数据时代下企业财务分析中存在的不足之处，有利于我们积极应对挑战：

1.依赖财务报表，不注重其他信息

传统的财务分析工作过于注重财务报表，而忽视非财务信息分析。具体来讲的话，一是企业固定资产折旧、对外投资核算等内容会结合企业自身情况而选择不同的会计处理方法，导致数据的处理结果可比性存在严重偏失；二是固定资产折旧年限和坏账准备金比例等方面掺杂了财务人员的主观意识，是以估算得来的数据为主，导致数据的处理结果可比性存在严重偏失。这严重影响着财务分析工作的正确性，同时大数据下企业对非财务信息分析未给予重视，在一定程度上难以获取最科学准确的结果。

2.大数据使安全性降低

大数据时代促使数据在趋于更加便利化，但同时其安全性也大大降低。因为技术的发展，让企业财务分析所得到数据信息的窃取变得简单化，信息在任何环节上都有被不法分子窃取的可能，造成失窃、泄密等损失。这在很大程度上使企业滋生风险。如何规避这些风险，在现阶段的企业财务管理中虽采取一定手段，但在泄密事件发生之前，并未高度重视。由此引发的泄密事件影响了企业财务分析工作的有效开展。

3.财务数据与业务信息整合度低，“去边界化”速度缓慢

在目前的大数据背景下，企业在信息获取时速度会提升，运作的成本也会降低。但是财务数据需分别由财务部门与业务部门同时提供。财务部门人员与业务部门人员的主要需求与侧重点不同，因此提供的数据与信息存在不同程度的差异。尤其是存在许多合资公司与分公司的大型企业，经过长时间独立自主的经营，可能会出现各个区域间信息“边界化”。以上情况会造成企业财务管理效率降低，同时造成管理者在查看信息及决策时的不便。

4.对人员要求增高

大数据时代下对参与财务分析工作的人员也提出了更高的要求。但在实际发展中，工作人员还存在工作能力不强、素质不高等方面的问题。另外存在老员工无法适应大数据时代而无法很好的胜任工作，进而影响企业整体的发展。

三、大数据时代下做好财务分析工作的措施研究

对于处于大数据时代下的财务分析工作而言，及时抓住机遇并且克服其中的挑战，才能得到更进一步的发展，那么如何采取有效的措施呢？这一章节围绕于此而提出以下对策，希望可以为实际活动的开展而提供一些帮助作用，从而提高财务分析工作效率。

(一)重视非财务数据信息，做好实时分析工作

在大数据时代之下落实财务分析工作，企业可以采取的第一个措施就是重视非财务数据信息，做好实时分析工作。财务分析工作中采用的分析方法不能过于看重报表数据，而是要引入非财务数据分析方法。因此，在现阶段的财务报表中，企业人力资源、通货膨胀等因素还没有在报表中予以充分展现。为此，在制作财务报表中要关注这些影响因素，增加报表附注，在此基础上形成全新的财务分析方法，以此来为财务分析工作的落实而奠定基础。除此之外，大数据时代的来临，数据信息在增加的同时也加快了数据流转。为了应对这一情况，需要构建相应的数据模型，加强计算机技术的应用，在做好数据归类整理工作的基础上落实数据的实施分析工作。与此同时，企业还需要制定出一套信息收集与整理系统，在系统的带动下构建智能化的财务分析体系，及时、有效的挖掘数据信息，从而更好的服务于财务分析工作。

(二)树立财务风险理念，提高财务信息安全性

在大数据时代之下落实财务分析工作，企业可以采取的第二个措施就是树立财务风险理念，提高财务信息安全性。科技就如一把双刃剑，在给予人们生活便利的时候，也带来着一些不稳定和不利于企业发展的因素和影响。相对应的对于处于大数据时代下财务分析工作而言，数据在变得便利、高效之后，在大数据的广泛普及的时候，信息相对比较公开并利用多种途径进行信息的传播，稍有不慎信息很容易发生泄漏或者恶意篡改的情况，进而造成商业风险的产生，因此，为了提高财务信息安全性，首先是需要在意识领域树立财务风险理念，通过意识领域对这一方面重视程度的提高，在行为的落实处采取合理的措施予以应对；其次，财务工作人员必须注重数据的保密工作，利用新先进的科学高端技术手段，确保财务数据的安全性和保密性，可以更好地避免财务风险的产生。一方面，企业可以引进一些高新技术的科学型人才，对企业的数据运作进行管制，让企业在健康安全的网络环境中工作。另一方面，企业应该加大设备设施的投入资金，确保硬件配备能够跟上当前的发展需求，并结合一些安全软件进行管理，进一步保证财务数据的真实性和可靠性，促进企业的整体进步与发展。

(三)加强财务数据与业务信息整合度

企业要优化整合财务系统与业务系统，做好一体化建设，将数据进行有效整合，整合信息系统等一些关键业务信息，增强各个维度数据的准确性，提高财务数据与业务信息的可用性。利用网络发展与实现资源共享，打破地域间的封闭性与时间差异性，实现资源的实时性与共享性。在第一时间为企业提供财务数据支持，更好的对企业进行管理，更深层次的挖掘企业的价值。

(四)提高财务人员数据分析能力，提升财务人员综合素养

随着大数据时代的到来，财务人员必须具备较强的综合素养和能力，对大数据进行分析以及优化，才能更好地投入发教学工作中。当掌握数据分析能力的时候，财务人员才能更好地为企业的变化趋势和实际情况，进行调整并找到解决的方法。财务人员要树立学习理念，学习适合的财务分析方法，立志于不断提升自身财务大数据的处理和分析能力，促使财务分析工作得到更好的开展。其次，还要善于利用企业的信息技术ERP系统进行数据整合分析，通过对数据的查阅思考，对企业的情况进行预测和控制，为企业的战略发展进行分解和规划，促进企业的可持续发展。同时财务人员要树立学习理念，学习适合的财务分析方法，立志于不断提升自身财务大数据的处理和分析能力，促使财务分析工作得到更好的开展。因此，无论是内部还是外部都需要营造良好的环境，以此来吸引优秀的财会人员加入到企业的财务管理活动之中，更好的为企业提供优质服务。

篇4

关键词：大数据；软件工程；软件服务工程；第四范式

自上个世纪90年代初，信息高速公路在美国提出以来，历经近30年的发展演进，信息技术发展突飞猛进，信息化领域的新技术、新词语层出不穷，诸如IT技术、互联网技术、大数据技术、区块链技术、人工智能等。并且对人们的生产、生活方式产生了深刻的影响，认为现在进入了大数据时代、万物互联时代、智能化时代等。笔者认为，一直以来，其中除了硬件的发展，还有两个关键因素同样值得关注，一是数据，其是基础和目的；二是软件，其是方法和工具。唯如此，才能实现在软件生命周期即设计、开发、运行、优化，实现与大数据生命周期即获取、清洗、集成、分析、呈现等的互动。[1]换言之，现在来说，就是大数据和软件工程，二者助推了信息技术的发展，同时也是信息化的产物，在大数据时代背景下，研究软件工程技术的应用，对于经济社会的发展有着十分重要的意义。

1大数据和软件工程简述

1.1大数据简述

沃尔玛的“啤酒与尿布”是众所周知的大数据经典案例，大数据已经是当今信息社会炙手可热、耳熟能详的词汇，而且已形成共识，即人类已经进入大数据时代。上个世纪80年代初，《第三次浪潮》一书风行全世界。该书作者美国社会思想家阿尔文托夫勒就在文中将人类社会发展划分为三次浪潮，即以“农业文明”为主导的第一次浪潮，以“工业文明”为主导的第二次浪潮，以“信息化”为主导第三次浪潮。[2]其中首次提出了“大数据”（BigData）一词，并且，以“第三次浪潮的华彩乐章”这样的用词对其进行热情的讴歌。[3]全球著名咨询公司麦肯锡于2011年5月了《大数据：创新、竞争和生产力的下一个前沿》报告，公认此报告宣告了大数据时代的到来。由于大数据概念的提出源于不断的发展实践，其本身并没有严格、权威的定义。通常认为，大数据的大即大数据集的规模一般应达到10TB左右，现在已经达到了PB级的数据量。维基百科称“大数据”是这样一个术语，即其是用以描述用传统的数据处理应用软件无法完好处理的庞大的或者复杂的数据集。但“大数据”这一概念并不仅仅指数据规模的庞大，还包括对这些数据对象的处理以及应用活动。IBM提出大数据通常具有“5V”特征：Volume（数据体量大）、Variety（数据类别多样）、Velocity（处理速度快）、Veracity（数据真实性高）、Volume（数据价值高）。[4]大数据技术分类并分平行关系，而是呈纵向、层级状结构，详见图1所示。

1.2软件工程简述

软件工程本身并没有严格、权威的定义。并且，也是直到20世纪60年代初才出现了“软件”一词，于此之前，更多的是程序的概念，后来人们认识到与程序相关的文档也有着相当重要的作用，才有了“软件”一词的出现。软件发展至今天，已经远远不是程序个体或者程序员合作的方式能够完成的，即使能够完成，也会是效率低下、程序运行可靠性差，或者说根本就无法完成。于是，在1968年召开的大西洋公约学术会议上提出了软件工程的概念,简单理解，就是以工程的方法来进行软件系统设计、开发、运行、维护、优化等技术的总和，进一步言之，就是用“计算机科学、数学管理科学等原理，以工程化方法制作软件的工程”，属于一门交叉学科。[5]通常认为其包含有四个要素：（1）软件工程目标；（2）软件工程范型；（3）软件工程过程；（4）软件工程原则。

2大数据与软件工程的结合方式

宏观上讲，软件工程是比大数据更为宽泛的概念，大数据的技术与应用被软件工程所涵摄。如图1所示意，虽然大数据的各项技术与应用属于垂直领域，而软件工程牵涉的是横向领域，更加关注软件产品及软件系统工程上的实现及其管理。但是，大数据无论是其产品还是其系统的完成与落地，都离不开软件工程方法论的支持。换言之，软件工程的方法与技术贯穿于大数据的开发与应用，大数据也只是在软件工程发展过程中出现的概念。软件工程开发具有综合性，其应用渗透于各个学科和领域，大数据的技术与应用当然是软件工程所关注和研究的对象，或者说大数据技术的每一环节都离不开软件工程的支持。大数据应用的基础是要依赖数据链条的完整性，采用相应的算法于海量的数据中进行规律分析，算法要依据相应的实际环境进行相应的升级，遵循开发的基本原理，充分调整数据分布，从而在研究过程中将大数据技术与软件工程方法结合起来。并在开放的环境中通过网络与通信技术实现数据的共享，在此过程中，软件技术和水平亦能得到进一步的提高。在二者相互作用渗透的过程，软件效率得到提高，软件效益得以提升，从而实现客户需求的最大化。在软件开发过程中，还需要有必备的硬件和软件的支撑，来支持相应的数据流，随着数据流的增长，对于硬件和软件就会有更高的要求。工程技术人员在对数据流进行分析研究的同时，专家学者还会对在线服务进行研究。但是，数据流是重点，包括对数据流的使用方法的研究，对支撑数据流的软件和硬件的研究。另外，从软件工程开发角度看，无论是在服务端还是在用户端，软件的运行当然会产生大量的数据流，都将产生大量的数据信息，这些数据流对于软硬件的使用寿命有着决定性的影响。因此，在软件工程的开发中，对于海量数据产生的环境下，更有必要做好数据流的管理，要高度重视数据流的分析研究，并且对于原始数据进行深入的研究也应该引起重视，以期延长软件的使用周期。[6]

3大数据时代的软件服务工程

软件服务工程即所谓的面向服务的软件工程，强调的是其相对于传统软件工程的扩展。近些年来得到了很快的发展，已经成为当今时代的主流社会需求之一，服务功能已经是软件开发的基本原则。另一方面，也可以将其直观理解为“软件（Software）+服务（Service）+工程（Engineering）”三个方面的交叉融合，或者软件工程与服务工程两者的融合等。其内涵可以理解为研究面向服务的软件工程原则、软件工程方法以及软件工程技术，同时利用相应的软件服务设施和平台，开发较高水平的软件服务系统。[7]软件开发者根据需求变化，在社会实际实用中，以面向服务作为主要建设目标。在开发的初期就要首先搭建好软件的框架，充分利用编程语言、构思好编程思路，确保开发软件能够提供可靠的服务应用，保障软件运行时的稳定与可靠。在实际的服务过程中，要求开发者运用分布式应用程序，以虚拟操作的方式提供用户相应的服务。在应用中，融合大数据技术，能够实现对数据进行编程，达到软件互操作的效果，并提高对数据的主动协调。软件工程开发工程师可以对数据信息共享，实现各种学习交流，对软件进行协同开发，并结合用户的反馈，对软件系统进行优化处理，提高软件的性价比。近年来，开源软件是较为成功的软件习作模式，但是，其采用常规的研究方法，应用价值还不是很高。与开源软件相比，群体软件工程属于一种分布式软件开发模型，能够依靠网络进行任务分配，并能实现创造性的查询，通过众包形式的开发，解决开发过程中的难题。并且，在整个开发过程中，众包开发可以贯穿其全过程。所谓众包，一如其字面含义，是一种分布式的生产开发模式和问题解决方案。通过该种方式，开源软件和商业软件均可通过网络进行任务和责任分配。[8]随着我国计算机科学技术的不断发展进步，软件工程技术也取得了长足发展，软件服务工程也支持得到拓展和延伸。在大数据时代背景下，我们应当加快大数据技术和软件工程技术的融合与创新，提升对海量网络数据进行编程处理的能力，提高软件的安全和效能，增强其稳定性和可操作性，进一步整合软件工程系统的集成度。

4数据密集型科研第四范式

图灵奖获得者、关系数据库研究专家詹姆士格雷(JamesGray)曾经从科学哲学的层面将人类科学研究模式总结划分为最初的实验科学阶段，之后的理论科学阶段，到通过模拟的方法进行的计算科学三个阶段，相对应地称之为科学研究的第一范式、第二范式、第三范式。但是伴随着模拟连同实验所产生的海量的数据，需要由软件处理这些由各种仪器或者模拟实验产生的海量数据，并将处理得到的信息和知识存储于计算机中。之后，科研人员只需要对这些存储于计算机中的少量数据进行分析研究，不再是直接通过仪器或者模拟进行研究。因而基于数据密集型科学研究独特的技术以及其显著的不同于以往研究的特点，詹姆士格雷在2007于其科研报告中提出了将这种数据密集型的科学研究模式从计算机科学类型中单独区分出来的思想，随之产生了一种被称之为第四范式的新的科研模式。该报告整理后题名“吉姆格雷论e-Science:一种科研模式的变革”，成为微软于2009的年首次全面对数据密集型数据进行描述的论文集《e-Science：科学研究的第四种范式》的开篇文章。[9]当前，相当多的计算机领域的专家学者对数据密集型科研第四范式予以了关注，并进行了相应的研究，探索出了相应的方式方法，第四范式的研究被认为是大数据时代背景下软件工程技术研发的关键。信息化的发展与渗透，导致一切的事物都在随之发生着变化。包括实验、理论分析和计算科学均在数据泛滥的影响下与之前大不相同，软件工程技术既要适应科研第四范式，又在其中扮演着更加重要的作用。传统范式下的目的与探索之间不能够很好地衔接，数据信息的应用效率难以保障，难以满足项目管理目标的实现。数据密集型科研第四范式下的技术以及理论相关内容，与大数据技术特别是其中的存储技术有着紧密的关联性，其待探索的空间和应用价值相当广阔，其数据信息研发急需相应的理论支撑，该范式下的软件工程技术应用模块，亦能够对其他范式下的数据信息进行分析，对于更好地实现数据的存储与处理，提升处理效率，有着重要的研究价值。在第四范式模式下，对集成密集型数据的软件服务价值进行评估是首要的，需要摒弃以往的数据统计方法，构建新的针对大数据进行信息统计和分析的方法，这对软件工程技术的发展起着重要的作用。在软件工程技术的研究中，应当更新传统理念，重视其对大数据的处理和分析能力，使软件产业呈现全新的面貌，从而亦能促进其对大数据的数据分析能力。在第四范式的基础上，亦能够更好地支持第三范式，甚至于第一范式。该范式研究在我国软件工程开发中还处于初级阶段，软件工程开发人员需在强化已有数据模型研究基础上，加速由第三范式向第四范式的转变，尽快实现其应用层面的服务价值。

篇5

为了更有效地检测和预警地质灾害，分析了地质灾害的新特点，阐述了大数据时代的信息获取和地质监测工作的内容，以及利用网络做好地质灾害预警的内容。在大数据时代，有效利用网络可以更好地获取信息获取，做好地质监测和预警。

关键词:

大数据;地质灾害;监测;预警

滑坡是斜坡上部分岩土整体地向下方滑动［1］。滑坡等常见的地质灾害，破坏工程设施，造成大量人员伤亡，可能发生滑坡的区域，道路和建筑等随时受到巨大威胁［2－4］，很多城市都面临着滑坡等地质灾害的威胁。由于互联网、物联网、三网融合等等通信技术，云计算等IT技术的发展，社会已经进入了大数据时代［5］。网络等工具的利用，使得人们获取信息资源更加方便，也使得更好地进行地质灾害的监测和预警成为可能。

1地质灾害新特点

1.1原因新特点随着城市建设规模的日益扩大，施工因素和人为因素造成的地质灾害也越来越多。比如2015年12月20日，深圳光明新区发生滑坡，垮塌体就是堆积量过大、堆积坡度过陡的人工堆土，失稳垮塌后造成多栋楼房倒塌，原有山体并没有滑动。人工开挖边坡，在坡体上部加载(如丢弃矿渣和建筑垃圾等)，破坏自然斜坡的稳定性，更容易导致滑坡发生［6］。因此地质灾害不仅限于自然灾害。深圳滑坡的人工堆土垮塌的地点就属于堆放渣土和建筑垃圾的受纳场。为此，深圳公安已依法对企业负责人、滑坡事故相关责任人，共12人采取了强制措施。

1.2地点新特点地质灾害越来越多的发生在城市内部和城市周边。因此更值得注意，这种离人口稠密区更近的地质灾害，容易造成更大的人员伤亡和财产损失。

2大数据时代的监测工作

2.1信息获取大数据影响了人们的生活与工作方式、改变了企业的运作模式，也导致科研模式发生了根本改变［5］。大数据时代的突出特点是数据的共享和高效利用。一旦把调查数据输入系统，就可以输入任一调查点的模糊名称，检索该调查点的滑坡、崩塌、泥石流等地质灾害和不稳定斜坡坡等潜在的地质灾害的信息［7］。大数据思维从海量信息到便于人们理解的分析结论，用于地质灾害监测系统中海量数据的分析，可以大幅度提高地质灾害监测的准确度和实效性。在大数据时代，人们通过网络等途径可以获得更加全面、更加专业、更加及时的信息。比如香港大学著名教授岳中琦，在科学网连续博客，第一时间深入而详细地解析了12•20深圳滑坡，不但提供了科学严谨的分析，还提供了大量清晰准确的现场图片。无论是“看门道”的专业人士，还是“看热闹”的公众，都可以在其博客中获得大量的有效信息，岳教授为科研及科普工作都做出了卓有成效的贡献。

2.2利用多方面资源做好地质灾害监测传统的资料管理手段和人工作业方式，在现时性、准确性、科学性和高效率等方面已经无法适应当前地质灾害防治，尤其是灾害应急工作的需要，更加无法满足将来的需求［8］。利用网络可以更好地做好地质灾害的检测工作。比如12•20深圳滑坡，卫星地图能揭示事发地点十年变迁:2010年之前，事发地点是个矿场，地貌是山谷和深坑;2013－2014年因积水深坑变成了湖泊;2015年，因为填埋建筑垃圾湖泊逐渐消失，而山谷开口始终正对着滑坡体冲击的工业园区，由于与水相比，建筑垃圾的密度更大，直接导致了滑坡的发生。还可以利用网友公布在论坛等媒体的无人机照片卫星地图，研究地貌变化，对地质灾害的实时、动态监测做出贡献。尤其是在山区发生地震后，坡体植被的破坏，为泥石流和滑坡等地质灾害的发生提供了条件。及时的公开和分析航拍照片，对专家和公众共同做好地质灾害预测工作有着积极意义。

3利用网络做好地质灾害预警

地质灾害的预警比报道更加有积极意义。由于专业的地质人士数量有限，监控不可能全覆盖。而通过网络获得地质灾害的征兆和苗头，通知有关部门，可以及时采取治理措施，把地质灾害控制在萌芽状态，减少人员伤亡和财产损失。比如成都理工大学黄润秋教授等人获取信息后，及时采取有效措施，通过打入锚杆等工程措施，消除了威胁丹巴县城的滑坡风险，保住了丹巴县城。同时，通过微博和微信等工具公布信息，可以及时疏散群众，减少人员伤亡。2012年8月17日18时至18日凌晨，四川省彭州市银厂沟景区12小时内降雨量达247mm，为50年来最大的暴雨，引发多处泥石流和滑坡，中断了交通、通讯、电力、供水，严重威胁群众和游客安全。彭州市准确预警、在灾害发生前及时公布信息，6小时内组织群众两次主动避险，紧急疏散转移了15000余人，成功避免了1200人因灾伤亡。

4结语

针对人为因素造成地质灾害的新特点，大数据时代的信息获取更加方便，也有着大量地质灾害的监测和预警成功的案例。因此，利用网络和社交软件等工具，可以更好地做好地质灾害监测和预警。

参考文献:

［1］张先清，王泽，田荣燕，等．青藏高原东缘某滑坡治理案例分析［J］．山西建筑，2015，41(5):62－63．

［2］王文奇，刘保县，李丽，等．中国西部山区交通设施震害分析［J］．四川理工学院学报，2015，28(1):41－45．

［3］李艳梅，王文奇，王泽，等．中国西部山区交通设施地震震害及其对策［J］．成都纺织高等专科学院学报，2015，32(1):26－28，46．

［4］Harris，MarkAnglin．FragilityofadarkgrayshaleinnortheasternJamaica:effectsandimplicationsoflandslipexposure［J］．Envi-ronmentalEarthSciences，2010，61(2):369－377．

［5］王元卓，靳小龙，程学旗．网络大数据:现状与展望［J］．计算机学报，2013，36(6):1126－1138．

［6］王文奇，李丽，王泽，等．地震次生灾害对西部山区交通设施的破坏及其对策［J］．成都纺织高等专科学院学报，2015，32(2):57－60．

［7］余必胜，陈源．西南地形急变带地质灾害数据库及信息系统开发与实现［J］．软件导刊，2015，14(11):90－92．

篇6

一时间，“海尔成为首家放弃杂志硬广，转向新媒体广告的传统家电企业”等各种解读奔涌而出。海尔对此回应称，有所误读，如此另类宣传海尔集团并不乐见，但是作为最大体量的家电企业，其举动恰逢“拥抱互联网”大潮，立刻被符号化。在集体大转型时代，对营销思路变迁的思考是企业与媒体共同面对的课题。

海尔：被误读，今后营销重交互

这封邮件被外界和张瑞敏反思互联网相关联。张瑞敏在年会上称，在未来的海尔，无用户全流程最佳体验的产品都不应生产；无价值交互平台的交易都不应存在。外界猜测，正是由于上述原因，海尔才改变广告投放策略。

“外界误读了，海尔并非不在杂志上进行投放，而是更改了形式。”海尔内部人士向南都记者表示，邮件也说得比较清楚，继续投放杂志内文植入广告和新媒体广告。南都记者在采访中了解到，海尔之所以停止对于杂志硬广的投放，原因在于对交互的强调，这的确与年会张瑞敏的讲话契合。“以前我们设计好广告投放出去，效果如何并不知道。尽管杂志的阅读率很高，但是无法了解广告对于品牌的影响。所以我们今后会强调交互，强调线上线下配合”。

据南都记者了解，这一封邮件是海尔员工“擅自”发出的，并没有经过海尔集团的宣传部门批准。海尔负责人称，“落款没有看到海尔公章吧，集团内部对此也进行了讨论，邮件没有完整的表明海尔的战略考虑，容易让人断章取义。”

不管是否被误读，此举被外界看成海尔的互联网转型的一个表现或者符号。这不仅是海尔自己的问题，郁亮去年带队万科先后去了阿里、腾讯，今年1月18日，拜访了“用移动互联网思维改造自己”的海尔，万科CEO郁亮还约了小米雷军。这些传统企业都希望用新的思维改造自己，平台化，重交互。这一思路当然延续至营销，海尔此次邮件事件，仅是变化中的小小一角。

大数据提供精准营销基础

“用最低成本将产品信息推送到最可能达成交易的用户，是企业营销在广告方面的根本诉求。”北京大学国家发展研究院副院长、国家发展研究院BiMBA院长，营销管理学教授张黎表示，在产品营销效果日益不理想的情况下，越来越多的人转向网上社区、智能终端找出路，新媒体对于传统媒体产生了挤压，特别是基于大数据挖掘分析之上的产品信息精准推送成为营销利器。据悉，较早如亚马逊，基于网上图书搜寻、浏览和交易数据，向读者推送其所喜爱的书籍。大数据分析的特点之一是寻找关联性，这样就可以基于数据分析达成有的放矢营销，进行广告的精准推送。

为了迎接新变化，企业、媒体在集体学习互联网。“互联网思维”这个词火了，亦是诉求的直观反映。一食品巨头营销总监表示，媒体在细分，根本问题还是研究消费者习惯，针对性地寻求性价比高、顾客喜爱的方式。长虹是家电中另一个非常高调宣布全面互联网转型的企业。长虹新闻发言人刘海中表示，这是营销策略问题，并非互联网转型的标志，外界过于敏感与夸大。长虹对于杂志、户外、电视、网络、报纸等都不会排斥，关键看想影响哪些受众。

形式更迭营销本质不改

“一刀切不是科学的做法。”北大国家发展研究院EMBA、睿符品牌传播总裁孙雷表示，从营销上看，硬广和软广的界限模糊，有创意的硬广对于品牌和产品有出其不意的效果。两者在本质上没有区别，都可以吸引消费者并与其互动。问题在于如何追求内容创新，与媒体内容深度整合。“企业思维很现实，在既定预算下，实现投入产出比最大化。企业不是媒体，不需要太前瞻。海尔的产品线还没有激进到应该完全抛弃杂志的一步。”

“替代的发生会越来越快，微信力压微博，再往前，电视出现了，有人说电台要消亡，网络兴起了，有人说电视要被替代，但是如今看来，各类型媒体总有优秀者以其魅力长期存在，完全替代并不可能。”前述食品巨头营销总监表示，载体多样，营销的本质不会改变。

孙雷表示，媒体也需要变革，除了内容，经营能力、品牌打造，包括对于用户习惯，新技术的掌握引入，都是未来生存的关键。媒体本质没有变化，仍然是内容的创造和发行者，变化是网络化。“中国媒体的问题在于，大多数缺乏真正价值。这也意味着机会，良币驱逐劣币。”

专家观点

张黎：大数据时代打造内外两个生态

当今市场竞争某种意义上是对智能终端拥有的竞争，无论是计算机、手机、家电以及可穿戴设备，都可以成为智能终端终端，通过这一端口，企业与人建立了联系。企业通过终端收集到了用户的行为数据，这些数据经过分析，为企业新产品与服务的提供作出指引。

“要想养好鱼，关键在于先养好水”，微信的价值关键在于其庞大的频繁用户这池水，在这个池子中再养什么鱼、开创什么增值业务就是顺其自然的事情了。只有通过千万条终端使这条“线“深入到用户的生活中去，形成庞大的用户社区，进而了解用户，进行互动才能产生价值。

篇7

共享服务中心（shared service center，SSC）是一种新的管理模式，是指将企业部分零散、重复性的业务、职能进行合并和整合，并集中到一个新的半自主式的业务中心进行统一处理。业务中心具有专门的管理机构，能够独立为企业集团或多个企业提供相关职能服务。共享服务中心能够将企业从琐碎零散的业务活动中解放出来，专注于企业的核心业务管理与增长，精简成本，整合内部资源，提高企业的战略竞争优势。共享中心的业务是企业内部重复性较高、规范性较强的业务单元，而且越容易标准化和流程化的业务，越容易纳入共享中心。

财务共享即依托信息技术，通过将不同企业（或其内部独立会计单元）、不同地点的财务业务（如人员、技术和流程等）进行有效整合和共享，将企业从纷繁、琐碎、重复的财务业务中剥离出来，以期实现财务业务标准化和流程化的一种管理手段。福特公司在20世纪80年代建立了世界公认最早的财务共享服务中心，整合企业财务资源，实现集中核算与管理，并取得了巨大成效。随后财务共享服务中心模式在欧美等国家开始推广，并于20世纪90年代传入我国。而随着我国企业的快速发展和规模扩张，以及信息化技术的普及，许多国内大型企业集团已经组建了自己的财务共享服务中心，如海尔集团、中国电信等。一项来自英国注册会计师协会的调查显示，超过50%的财富500强企业和超过80%的财富100强企业已经建立了财务共享服务中心。

（英）舍恩伯格在《大数据时代》一书中指出，“数据已经成为一种商业资本，一项重要的经济投入，可以创造新的经济利益。事实上，一旦思维转变过来，数据就能被巧妙地用来激发新产品和新型服务。数据的奥秘只为谦逊、愿意聆听且掌握了聆听手段的人所知。”全球经济正进入一个数据爆炸式增长的新时期，正如美国官员所说，“过去3年里产生的数据量比以往4万年产生的数据量还多”。据一项调查报告显示，当前企业每天的信息存储量高达2.2ZB，而大型企业集团单体产生的数据量已达到10万TB级，并仍呈高速增长态势。据IDC预测，到2020年全球的数据规模将较现在扩大50倍。全球企业已经迈入大数据时代。

财务数据作为企业最重要、最庞大的数据信息来源，在企业财务活动日益复杂、集团规模日益庞大的今天，财务数据处理的效率、安全等问题考验和制约着企业集团的更高一层发展。而伴随着以云计算为标志的新时代的财务共享模式，能够为大数据时代下企业集团再造财务管理流程、提高财务处理效率提供助益。财务共享模式能够为企业带来规模效应、知识集中效应、扩展效应和聚焦效应，实现企业会计核算处理的集中化运作，整合企业内部的知识资源，提高企业财务模式的扩展和复制能力，将企业财务管理人员从琐碎的财务数据处理中解放出来，专注于企业的核心业务。另外，财务共享模式的集约式管理能够提高数据处理的屏蔽性和安全性，控制企业财务风险，降低生产管理成本，提高经营效率，提升企业财务决策支持能力，优化企业的财务管理模式。

二、大数据时代财务共享中心构建

（一）财务共享服务中心的先期评估

首先，应组建相应的管理机构。企业集团在决定建设财务共享服务中心后，应及时组建相应的管理机构。管理机构应将企业决策层领导纳入其中，并下设项目团队，具体建设业务由项目团队负责推进和监督。项目团队应吸纳财务人员、IS专业人员等，也可邀请第三方咨询人员，制定评估计划、范围。其次，做好数据搜集工作。财务共享服务中心涉及企业多个职能部门和业务流程，应做好多方面数据信息的采集和整理，主要有人事数据、财务数据和业务数据等，如当前财务人员的基本信息、企业资产信息、财务业务流程信息、业务量等。最后，准确定位财务共享中心。项目团队将搜集整理的信息进行筛选汇总，并形成分析报告，上报管理机构，由企业决策层依据评估信息及企业发展战略，对财务共享服务中心作出准确合理定位。

（二）财务共享服务中心的规划设计

首先，共享中心的科学选址。财务共享服务中心选址应综合考虑诸如成本收益、基建设施、地方政策、人力资源等多种因素。项目团队应制定多维评判指标体系，对候选城市进行综合评估分析。其次，确定共享中心服务规模和共享范围。在规划设计阶段，共享中心组建团队应依据企业集团规模和结构，集团所处行业，集团运营模式及业务流程共享范围等，从建筑配置和IS配置等方面合理框定共享服务中心的建设规模，满足基础设施保障需求。最后，就项目建设进行投资收益分析，制定财务共享中心建设规划。在规划设计阶段，项目团队应就共享服务中心建设的资源需求和经济效益进行投资收益分析，科学反映财务共享服务中心能够为企业集团发展带来的效益产出，用资料和数据打动企业决策层和股东，推动项目顺利进行。投资收益分析应全面罗列财务服务中心的各种直接、间接效益产出及所需资源，权衡比较确立最终建设规划。

（三）财务共享服务中心的建设实施

首先，规划财务共享服务中心流程及架构。项目团队应在前期基础数据的整理和分析的基础上，按照科学方法合理规划财务共享服务中心的流程及架构，详细制定KPI考核指标。企业集团应对原有的财务框架进行优化重组，依据会计政策和规范将财务流程标准化、规范化，集中串联可重复性的财务职能。其次，实施建设财务共享服务中心。财务共享服务中心的建设实施可采取多种途径，如内部自行组建、“交钥匙”工程外包、联合组建等。在采取工程外包模式过程中，项目团队应承担起建立职责，协调内部资源配合建设。最后，做好过渡期的相关工作及人员转移。过渡期工作转移包含原财务人员、服务、业务、场地及设备等的转移，以及依据实际运行情况对前期流程及KPI的再修订，并据此确定最终SLA协议。工作转移应充分考虑人员的稳定性和业务的对口性，对于因上马财务共享服务中心而出现的冗员，应予以合理安置，难以安置的应协商解除劳动合同，协商过程中注重遵守法律法规政策，以人为本。同时，对留用的业务人员和新招募的财务人员进行上岗培训，加强系统操作演练和实践。

（四）财务共享服务中心的运营管理

财务共享服务 中心建设工作完成以后，开始进入正式运营阶段。此时，前期的项目团队应逐渐淡出管理，让位于中心自身的管理团队。企业集团可以在吸纳前期项目团队的基础上，组建中心正式的管理团队，缩短磨合期。管理团队应认真执行之前的业务设计流程及SLA协议，确保中心运营稳定。财务共享服务中心在集团正式上线运营后，企业集团内部的财务资源将迅速向中心靠拢，实现同原各部门、子（分）公司的快速剥离，提高集团经营效率，降低集团运营成本。首先，运营管理期间，企业集团及中心管理团队应从保障共享中心正常运转的角度，从人力资源、风险控制、绩效考核、内部稽查等多个角度加强对共享中心的管理和控制。共享中心运营团队应及时搜集服务中心运营中的问题，并及时上报研究解决。其次，对财务服务共享中心进行后期完善。后期的完善主要包括对运行期间问题的集中搜集与解决，硬件设施的维护、管理与更新，新技术的应用与推广以及人员的招募与培训等。运营团队应定期就共享中心运营情况进行评估和稽查，依据企业战略调整和经营变动等情况及时作出流程优化和调整。

三、大数据时代财务共享中心面临的风险

（一）系统自身风险

首先，财务共享服务中心建设投资成本较高，存在一定的财务风险。财务共享服务中心前期需要巨大的人力、财力等资源投入，包括人员差旅费用、工程建设费用、人员设备转移费用等，同时伴随有因财务服务中心选址而衍生的地区差异费用及场地建设费用等。即使到了后期也仍然面临设备维护、信息系统更新等费用，成本投入较大，却不一定能带来预期效益甚至将企业集团拖入债务危机。其次，实行财务共享集中管理后，财务人员由业务前端转为后端，业务敏感性和紧迫性下降，容易滋生官僚作风，中心与子公司等交互模式客观上造成了业务迟滞，而信息高度集成化也存在管理漏洞。最后，共享服务中心运营后，信息处理的高度集成化加大了责任认定和追究的难度。一旦出现问题，企业需要通过来回查阅资料，调阅影像，ERP问询等才能确定责任人。

（二）人员管理风险

首先，由于财务共享服务中心实行财务集中化管理，财务人员离开一线前端，将逐渐与子（分）公司、其他部门之间的具体业务脱离联系，难以掌握具体的业务情况，仅能从数字上去研究和判别，一线业务能力逐渐萎缩。其次，财务共享中心实行的是标准化管理，其业务流程犹如车间生产的流水线，财务人员每天将疲于应付各种索然无味的财务数据、凭证、报表等，业务量大，机械化程度较高，工作内容枯燥，财务人员容易失去耐心和激情，产生厌烦心理。最后，财务共享中心的人员流动比率较大，财务人员跳槽另谋出路的比比皆是。这样容易导致业务处理中断或产生新的磨合期，如发票不能及时入账或新人需要重新熟悉业务等，影响企业集团财务稳定。

（三）法律政策风险

企业集团规模扩张到一定阶段，其子（分）公司必然分布于全国各地，而各地政策在实际规则和操作过程中却千差万别，存在地区政策差异。而共享中心的财务人员很可能因为对财务活动发生所在地的财务政策认识不够，导致在财务处理过程中加剧了信息流通和处理的难度。财务人员由于长期居于共享服务中心所在地，缺乏前线业务经验，同时也与各地地税部门稽核人员缺乏沟通和联系，在处理税务问题上产生偏差，易引发法律风险。

（四）信息安全风险

大数据时代企业的数据信息量激增，信息访问、交换、处理、分析的业务吞吐量较以往呈几何级数增长。企业集团建成财务服务共享中心，将集团财务业务集中处理，更是加剧了企业信息的传输与处理流量，这容易导致信息量过大引发信息通路的拥堵。同时，也会由于信息量过大引发传输、处理的延迟。由于财务共享服务中心面临10万TB级别数据的处理量，其数据过滤、筛选和分析功能将显得更为重要。而目前信息数据过滤、筛选和分析仍处于半智能化状态，仅能适应简单的信息过滤、筛选与分析需求，无法应对复杂信息处理与交换需求。信息时代由于信息网络的开放性与不稳定性，容易发生信息泄露和病毒入侵事件，一旦造成信息泄露或病毒入侵使得系统瘫痪，将对企业集团的运营管理造成不可估量的损失。

四、大数据时代财务共享中心建设与管理

（一）建立风险评估制度，完善管理机制

首先，企业集团应建立风险评估和绩效评价制度。财务共享服务中心的投入、建设和运营是一项复杂巨大的系统工程，需要企业集团全体上下的通力配合和不菲的资源消耗，企业集团应谨慎对共享服务中心进行风险和效益评估，科学决策。共享中心建成运营后，应及时开展绩效评价，明确投资收益。其次，科学制定共享中心的管理制度，建立稳定运营的保障机制。共享中心建成运营后，由于涉及中心人员与前端业务人员之间的权责及业务往来，往往存在利益纠葛及推诿现象。企业集团应统一协调各方关系，科学制定管理制度，明确业务前端与中心之间的业务处理流程、权责关系，如会计凭证影像处理的要求、责任人等。最后，应加强部门之间的联系沟通。畅通沟通渠道，加强业务前端与中心人员之间的联系，减少沟通不畅引起的业务故障。

（二）推进使命文化建设，加强人员管理

首先，企业应定期组织中心人员进行培训，培训内容包括中心流程规范及前端业务介绍，在提高中心人员规范操作意识的同时，加强其对前端业务的熟悉和认识。其次，企业集团应积极推进企业文化建设，加强中心人员的使命感和光荣感。中心管理人员应及时关注工作人员的思想动态，定期组织开展文化教育和活动，在流程化管理之中融入人性化的思想，减少员工的挫折感和迷茫感。最后，应完善中心人员的绩效考核制度，健全目标激励机制。企业集团应根据岗位特点设置合理的目标任务，并制定详细的奖励措施，通过物质刺激和精神奖励多途径提高中心人员的积极性。

（三）强化流程标准管理，优化ERP系统

首先，建立集团内部统一的会计标准，实现会计数据接口的标准化。企业集团应在对内部会计数据、财务工作认真调研的基础上，按照方便、快捷、准确、全面的原则设计会计数据标准接口，规范会计数据信息传递。其次，共享中心联合其他业务部门加强对流程标准化的改进和完善。共享中心是需要不断优化和更新的系统，尤其是业务标准化流程，需要 集团内部各部门尤其是前端业务部门的配合。共享中心应统筹协调各部门依据实际拟定标准化流程，再依据实际完善部署实施。最后，加强对业务覆盖地法律法规的遵守。共享中心必须认真研究业务覆盖地的法律法规，在进行业务处理时应注意各地法律的差异，及时与前端业务部门及地方税务部门沟通联系，业务凭证保存备查。

（四）提高信息处理能力，防范信息风险

首先，加强平台建设，提高系统的应用可靠能力。企业集团应加大对财务共享中心平台的投入和建设力度，加强巡检和维护，定期进行更新和完善。合理配置科技资源，构建适应大数据环境的信息系统。其次，创新数据挖掘方式，构建智能化共享中心。大数据时代的共享中心，数据挖掘处理能力是关键。企业集团应积极引入先进的数据过滤、挖掘分析技术，建设数据仓库，按照业务需求应用数据分析技术，实现共享中心的智能化管理。最后，加强信息安全管理，建立风险防范体系。按照数据传递原则进行归口负责管理，明确安全责任人。同时，积极构建网络防御体系，应用数字签名认证等安全技术。同时积极建立备用系统和应急预案，定期做好数据备份和管理，防范网络灾害。

五、结论

大数据时代，财务共享对于企业集团的长远发展显得更为迫切和必要。然而财务共享的实施过程并非一帆风顺，企业集团应持客观心态，内外并举、上下齐心，审慎缓步推进共享中心建设，确保共享中心运营稳定有效，达到提高企业集团管理水平目的。

参考文献：

[1] 陈刚.对中石化构建财务共享服务中心的分析[J].财务与会计（理财版），2013（4）.

篇8

关键词：学习分析;数据挖掘;大数据

随着信息化技术的飞速发展，传统的教育方式也发生了翻天覆地的变化。MOOCs、云课堂等大量的在线教育模式的出现，使得教育信息化程度不断深入。各类在线学习系统已经获取和存储了海量的学生信息以及与学习过程相关的数据。如何获取、挖掘、理解、处理和利用在教育领域中产生的海量数据已成当务之急，学习分析应时而生。

一、学习分析的定义

2011年，在第一届学习分析与知识国际会议上，将学习分析定义为测量、收集、分析和报告关于学习者及其学习情景的数据，以期了解和优化学习和学习发生的情境。美国新媒体联盟（New Media Consortium）对学习分析也有类似的定义，认为学习分析是利用松散耦合的数据收集工具和分析技术，研究分析学习者学习参与、学习表现和学习过程的相关数据，进而对课程、教学和评价进行实时修正。

可以这样理解，学习分析所研究的数据是整个教育活动所产生的海量数据和学习分析过程中所产生的中间数据。这些数据包括集中式学习环境下，学生上传下载的学习资料、登录次数、每次学习时间、考试成绩等学习活动日志，以及分布式学习环境下，学生们通过邮件、短信、社交网络开展的学习讨论等。

随着可穿戴设备的不断推广和普及，可穿戴设备所捕获到的心率等各项身体活动数据，也将成为研究的数据来源。在此基础上，评估或预测学生的学习活动，并从中发现潜在的问题，为教育活动相关者提供决策支持，并进一步优化学习过程，设计更适合的学习情境。

例如，学习分析可以及时发现学生存在的问题，缺少前驱知识、某个知识技能掌握不达要求等等。这时，教师们就可以针对不同情况合理干预学生的学习活动，修改教学内容、改善教学方式等。当时，这只是一方面，学习分析所能做的远不止于此。

二、学习分析的研究内容及应用

学习分析在对学习者知识、学习者行为以及学习者本身建模的基础上发现潜在问题，通过解决问题优化教学资源和教学策略，预测未来学习趋势和结果等。能从学习分析中受益的包括教育系统相关的各个参与者，如学生、教师、研究人员、教育管理者和政策制定者等。

研究者通过学习者在线学习过程中，应答的正确率、回答问题时间、重复修改次数等抽取学习者与在线系统之间所产生的交互数据，以此来建立学习者知识模型。从模型中可以清楚地了解学习者所学习的知识和技能的掌握情况。这样，系统就可以在学习者需要时推送合适的学习内容。

学习行为建模是从在线交互数据中提取知识的学习顺序、每个知识点的点击次数、完成学习所花费的时间、线上和线下考试成绩、学习行为的变化情况等建立学习行为与学习结果之间的对应关系，以此来研究什么样的学习行为可以取得更好的学习成绩，哪些学习存在学习失败的可能性。

对学习者本身建模，是为了构建个人学习特性，例如学习的风格、偏好、目标，完成情况等，这样做的目的是对有同样学习特性的人进行分组和聚类。通过研究该模型，可以有针对性的提供个性化的学习环境，从而提高学习效率。

学习分析可以应用于优化教学资源和教学策略。它可以帮助教师实时监控网络教学情况，评估课程设计的效果，从而为教师在教学实践中做出合理决策。通过对大量的相关数据的采集和分析，能够发现隐藏在每个学习者背后的学习偏好和学习模式，为学习者提供真正适合个人的个性化学习环境和学习建议，有效提高学习效果。

云计算、数据挖掘、社会网络分析、物联网等技术使学习分析成为可能。但学习分析目前仍处于发展初期，还面临着多方面的挑战。数据来源多样、分布存储等使得数据预处理过程复杂繁琐，如何从海量数据中获取适合开展学习分析的有效数据占了大部分工作量。另外，学生隐私和档案的道德问题也是我们要格外关注的重点。随着学习分析的不断深入研究，它也将得到更加广泛的应用，为每一个学生提供更适合自己的个性化教育资源，不断深化教育信息化的发展。

参考文献：

[1]SIEMENS G， LONG P. Penetrating the fog： Analytics in learning and education[J]. Educause Review， 2011， 46（5）： 30-32.

篇9

大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。未来学家阿尔文•托夫勒将大数据热情地赞颂为“第三次浪潮的华彩乐章”。另外业界将还将大数据定义为：在新处理模式下才能展现出更强的洞察发现力、流程优化能力、决策能力的高增长率、海量，以及多样化的信息资产。用最为通俗的方式表达就是，大数据是一种数据资产；利用相应的处理方式能够指导我们做出更接近于实际情况的最优决策。

二、大数据时代企业所面临的挑战

1．数据来源与容量的挑战。在大数据时代运用大数据的基础就是数据的本身，对于企业而言，与自身经营管理相关的数据收集变得尤为重要。在大数据时代以前，数据信息的时效性有时候就决定了经营管理决策的成败；而大数据时代的数据获取途径则成为了企业核心竞争力的重要组成部分，遗憾的是并非所有企业都已经意识到这一点。其次大数据时代的数据存储也成为了企业的重大挑战，传统的归档以及数据的管理模式已经完全不适应大数据时代的数据处理方式了。如果不能解决这两点最为基础的挑战，就根本无法和大数据的应用进行接轨。2．算法与“云端”设备的新要求。在选择大数据运营商的时候，其算法是否适应自己所处行业的客观情况尤为重要。再者，该运营商是否同时是企业自身所处行业中其他企业的首要选择对象也很重要。只有在同行业、同质化的数据大背景下，运营商的大数据服务才更具客观现实性。“云端”设备对于目前大多数企业来说迫在眉睫，目前各行业中只有互联网企业普遍完成了“云端”设备的架构。实际上，有效利用“互联网＋”把“云端”的大数据处理应用到经营管理上，相对弱小者实现弯道超车的有效途径。3．在线业务安全性的挑战。在大数据时代，线上业务量、交易额以及沟通量的扩大，线上数据的上传下载、存储、处理的不断扩大，给企业的数据管理带来了安全性的挑战。常见的应用攻击包括恶意蠕虫、病毒、缓冲溢出代码、后门木马等，最典型的应用攻击莫过于“蠕虫”。蠕虫是指“通过计算机网络进行自我复制的恶意程序，泛滥时可以导致网络阻塞和瘫痪”。企业稍有不慎就面临巨大的经济损失，因此解决安全性势在必行。4．大数据的运用与传统的决策冲突。在运用大数据进行决策以后，企业的管理已经不再是少数决策层的工作了。大数据让更多非决策层的人进入到了企业的决策里，直接挑战了企业原有的运行体制，而且这种决策的分散将渗透到企业的一切日常事物中去。在推进大数据运用的同时，也会不自觉的改变企业文化，让其也从目标导向逐渐变为应对导向。

三、企业在大数据时代经营管理的对策

1．用共享模式降低数据成本解决容量的不足。我们在此以共享单车行业为例，通过极为低廉的价格解决大多数人出行的“最后一公里”；其费用收益并不是该行业企业的最终目的，而是通过移动客户端的广泛推广，积累大量的用户信息以及资源才是这个行业所诉求的最大价值所在。可以说服务只是手段，获得能够产生价值的大数据才是目的。面对数据的压力，企业开放一定资源进行共享势在必行，就连积极推进人工智能的BAT（百度、阿里、腾讯）也都以共享算法的方式获取数据。只要打开共享这道门，自然也就解决了自身数据储存的问题，租用云端服务器是解决容量最经济的手段。可以说共享模式是打开用户对于个人数据隐私保护的万能钥匙，也是增加用户忠诚度的有效途径。2．建立内外两套数据处理体系。大数据时代企业经营管理数据的分析处理严重依赖数据与算法两大块，在解决数据问题以后，面对目前相对比较公开的算法体系是否就高枕无忧呢？BAT的算法公开看似是对各个中小企业的福利，但是也存在陷进，毕竟容易让很多中小企业在经营管理的决策上依赖于这些巨头。在处理本企业数据的同时，积极利用行业对手的数据进行逆向策略分析也是企业大数据应用的重要补充手段。这时利用运营商获取对手的各项数据（如产品的种类、价格、销售额、市场占有率等），通过运营商的分析结果再启动企业内部的数据对比系统将对手数据与自身数据进行比较，是修正企业经营管理手段的重要依据。3．建立应急系统应对安全挑战。在企业层面建立两套相互独立的数据库，两套数据库的内容同时更新，将其中一个数据库日常使用，另一个数据库作为备份。当数据安全层面受到网络黑客的入侵时，可以在不伤害企业利益的前提下销毁一个被入侵的数据库来维护企业自身的数据安全。尽量简化数据库安全效验与应急程序的流程，让安全检测人员的检测结果直接对接决策层，是最快完成应急手段的有效途径。在企业财务允许的情况下，也可以使用运营商提供的安全解决方案，这可以简化企业的管理。4．转变管理模式来适应大数据时代。大数据时代映射到企业经营管理最重要的就是决策体系的转变，即由少数人决策变为多数人合作完成。全员参与决策的模式使更多的知识和信息能相互沟通、构建一个大数据下的资源平台或知识储备库，是企业未来决策的基础，也是未来信息化时代的必然要求。

四、结语

大数据时代对于企业经营管理的冲击已远远的超过了以往任何一次技术上的变革。因此作为企业，要善于发现大数据中蕴含的知识，并将其运用到日常的管理当中，以提升决策能力，进一步提升企业的竞争力。

作者:朱先明 单位:山东省烟花爆竹协会

参考文献：

篇10

关键词：“大数据”时代 计算机信息处理技术 分析

中图分类号：TP274 文献标识码：A 文章编号：1007-9416（2016）06-0237-01

在“大数据”时代的背景下，数以亿计的计算机和移动设备正在持续不断的创造出数量惊人的信息。而未来的世界将是一个信息的世界。面对“大数据”时代的来临，计算机信息技术的更新换代迫在眉睫，如何把握机遇，勇于迎接挑战，是现在摆在信息学家、计算机专家以及企业家面前的一个关键课题。

1 “大数据”时代的机遇

“大数据”时代的来临带动了对于数据的深度挖掘和综合应用，从而为多个产业的发展创造了价值。此外，“大数据”时代弥补了传统数据存储技术的安全系数低的缺憾，开发了云技术和物联网的新形势。由于“大数据”时代对于信息安全的要去较高，因而很大程度上带动了信息安全的发展和进步。

2 “大数据”时代的计算机信息处理技术

2.1 信息采集、加工技术

“大数据”时代下的计算机信息处理技术的首要任务就是收集和整合数据信息。只有完整的收集信息数据，才能开展接下来的计算机信息处理技术。第一步要明确数据信息的目标源，然后针对目标数据采取进一步的跟踪和监督，控制信息数据的流向，将采集的完整数据信息如数录入到计算机数据库中。下一步就是针对采集的信息数据的加工和处理，一切加工处理工作的宗旨就是用户的要求和指令。最后一步就是将按照客户要求处理的信息数据传输到用户的手中，保证信息传送过程中的完整不被泄露，完成整个采集、处理和传送过程。

2.2 存储技术

将收集来的数据信息进行存储，是”大数据”时代下计算机信息处理技术中的关键环节。是否可以更加合理有序的存储大量的数据信息，是”大数据”时代下衡量计算机信息处理技术优劣的关键之处。良好的储存技术可以保证客户第一时间内快速的从庞大的数据库中调取所需的数据信息，无一遗漏。随着技术的不断进步，计算机信息处理技术的长时间存储数据的功能也越来越受到广泛关注。

2.3 信息安全方面的技术

“大数据”时代的来临，在很大程度上提高了用户体验的同时，也给信息数据的安全带来了很大的挑战。现今的世界是一个信息的世界，信息的安全和隐私是世界范围内关注的焦点。计算机安全体系的建立需要大量的资金投入，引入大量专业技术人才，加大对信息安全体系的研究和分析力度，将计算机信息处理技术关注的热点致力于开发信息安全的技术产品，为信息安全体系提供坚实基础。此外，为了满足如今对于信息安全的高标准的要求，要不断研发新的技术和项目，重视对重要数据的跟踪检测，尽量做到在庞杂的数据库面前，可以提高每一个数据的安全系数。

2.4 信息处理技术的发展

“大数据”时代的特征就是庞大数据信息量，这样想要完成对如此大规模数据的研究和分析，就会受到计算进硬件设备的限制，因为在这种情况下，云技术的发展应运而生。云技术可以破除计算机硬件对信息网络技术发展的阻碍，处理比传统计算机数据量提高上百倍的数据信息，这是未来“大数据”时代下计算机信息处理技术的发展趋势，具有无限的发展潜能。云技术可以将传统的计算机硬件与网络分割开来，各自运行，既保证了计算机硬件的正常稳定运作，又能形成庞大的云计算网络，构建起一个“大数据”信息网络系统，来解决数据量巨大的问题。

3 “大数据”时代下计算机信息处理技术的方向

3.1 计算机网络朝着云计算网络发展

传统的数据处理技术已经不能适应现今庞大的数据计算量，因而云技术的发展是必然趋势。云技术网络可以破除计算机硬件系统处理数据有限的弊病，信息构架不再依附于计算机的硬件系统，利用最新的数据中心技术，将云计算技术向更高的层面和更广的领域发展。

3.2 计算机技术朝着开放式网络传输技术发展

这里的开放式是指将计算机网络与计算机硬件分隔开来，让网络计算不再受限于传统的有限的计算机硬件设备，定义我全新的网络构架，避免计算机硬件对于信息数据的数量的限制和阻碍。

3.3 计算机技术与计算机网络相互融合

计算机技术和计算机网络相互融合，成为一体，是未来大数据时代下计算机信息处理技术发展的一大方向。传统的计算机技术需要计算机硬件的配合，才能完成对数据信息的处理工作，未来计算机技术的发展趋势就是摆脱计算机硬件的束缚和牵制，单独依靠计算机网络完成对于庞大的数据信息的甄别和处理工作。也就是说，将来的计算机技术可以通过连接网络完成“大数据“时代下的计算机信息处理的技术工作，基于网络平台的帮助，满足”大数据“时代下的最新数据信息的处理要求。

4 结语

随着科技的进步，经济的发达带来了信息技术的日新月异。科技进步带来数据量的激增，引起新一轮信息技术的变革，诱发了“大数据”时代的来临。综上所述，“大数据“时代的来临给计算机信息处理技术带了机遇和挑战，传统的计算机信息处理技术已经不能满足数据量激增的现状，因而云计算技术应运而生。

参考文献

[1]刘小霞，陈秋月.大数据时代的网络搜索与个人信息保护[J].现代传播，2014，36（5）：125-128.