Big Data 專題演講 - 大數據分析大數據之應用案例分析
 |
| NETGEAR 物聯網專用10G交換器 |
來源：51CTO
數據處理是對紛繁複雜的海量數據價值的提煉，而其中最有價值的地方在於預測性分析，即可以透過數據可視化、統計模式辨識、數據描述等數據挖掘形式，幫助數據科學家更好的理解數據，根據數據挖掘的結果得出預測性決策。其中主要工作環節包括：
大數據採集、大數據預處理、大數據儲存及管理、數據分析及挖掘大數據展現和應用(大數據檢索、大數據可視化、大數據應用、大數據安全等)。
一、大數據採集技術
數據是指透過RFID射頻數據、傳感器數據、社交網路交互數據及行動網路數據等方式，獲得的各種類型的結構化、半結構化(或稱之為弱結構化)，及非結構化的海量數據，是大數據知識服務模型的根本。
重點要突破分布式高速高可靠數據爬取或採集、高速數據全映像等大數據收集技術；突破高速數據解析、轉換與裝載等大數據整合技術；設計品質評估模型，開發數據品質技術。
重點要突破分布式高速高可靠數據爬取或採集、高速數據全映像等大數據收集技術；突破高速數據解析、轉換與裝載等大數據整合技術；設計品質評估模型，開發數據品質技術。
大數據採集一般分為：
1)大數據智慧感知層：主要包括數據傳感體系、網路通信體系、傳感適配體系、智慧辨識體系及軟硬體資源接入系統，實現對結構化、半結構化、非結構化的海量數據的智慧化辨識、定位、跟蹤、接入、傳輸、信號轉換、監控、初步處理和管理等。必須著重攻克針對大數據源的智慧辨識、感知、適配、傳輸、接入等技術。
2)基礎支撐層：提供大數據服務平台所需的虛擬伺服器，結構化、半結構化及非結構化數據的數據庫，及物聯網路資源等基礎支撐環境。重點攻克分布式虛擬儲存技術，大數據獲取、儲存、組織、分析和決策操作的可視化接口技術，大數據的網路傳輸與壓縮技術，大數據隱私保護技術等。
二、大數據預處理技術
完成對已接收數據的辨析、抽取、清洗等操作。
1)抽取：因獲取的數據可能具有多種結構和類型，數據抽取過程，可以幫助我們將這些複雜的數據，轉化為單一的或者便於處理的構型，以達到快速分析處理的目的。
2)清洗：對於大數據，並不全是有價值的，有些數據並不是我們所關心的內容，而另一些數據則是完全錯誤的干擾項，因此要對數據透過過濾「去噪」，從而提取出有效數據。
三、大數據儲存及管理技術
大數據儲存與管理，要用儲存器把採集到的數據儲存起來，建立相應的數據庫，並進行管理和調用。重點解決複雜結構化、半結構化和非結構化大數據管理與處理技術。
主要解決大數據的可儲存、可表示、可處理、可靠性及有效傳輸等幾個關鍵問題。開發可靠的分布式文件系統(DFS)、能效優化的儲存、計算融入儲存、大數據的去冗餘及高效低成本的大數據儲存技術；突破分布式非關係型大數據管理與處理技術，異構數據的數據融合技術，數據組織技術，研究大數據建模技術；突破大數據索引技術；突破大數據移動、備份、複製等技術；開發大數據可視化技術。
主要解決大數據的可儲存、可表示、可處理、可靠性及有效傳輸等幾個關鍵問題。開發可靠的分布式文件系統(DFS)、能效優化的儲存、計算融入儲存、大數據的去冗餘及高效低成本的大數據儲存技術；突破分布式非關係型大數據管理與處理技術，異構數據的數據融合技術，數據組織技術，研究大數據建模技術；突破大數據索引技術；突破大數據移動、備份、複製等技術；開發大數據可視化技術。
開發新型數據庫技術，數據庫分為關係型數據庫、非關係型數據庫，以及數據庫緩存系統。其中，非關係型數據庫主要指的是NoSQL數據庫，分為：鍵值數據庫、列存數據庫、圖存數據庫，以及文檔數據庫等類型。關係型數據庫包含了傳統關係數據庫系統，以及NewSQL數據庫。
開發大數據安全技術：改進數據銷毀、透明加解密、分布式訪問控制、數據審計等技術；突破隱私保護和推理控制、數據真偽辨識和取證、數據持有完整性驗證等技術。
四、大數據分析及挖掘技術
大數據分析技術：改進已有數據挖掘和機器學習技術；開發數據網路挖掘、特異群組挖掘、圖挖掘等新型數據挖掘技術；突破基於對象的數據連接、相似性連接等大數據融合技術；突破用戶興趣分析、網路行為分析、情感語義分析等，面向領域的大數據挖掘技術。
數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。
數據挖掘涉及的技術方法很多，有多種分類法。根據挖掘任務可分為分類或預測模型發現、數據總結、聚類、關聯規則發現、序列模式發現、依賴關係或依賴模型發現、異常和趨勢發現等等；根據挖掘對象可分為關係數據庫、面向對象數據庫、空間數據庫、時態數據庫、文本數據源、多媒體數據庫、異質數據庫、遺產數據庫以及環球網Web；根據挖掘方法分，可粗分為:機器學習方法、統計方法、神經網路方法和數據庫方法。
機器學習中，可細分為歸納學習方法(決策樹、規則歸納等)、基於範例學習、遺傳算法等。統計方法中，可細分為：回歸分析(多元回歸、自回歸等)、判別分析(貝葉斯判別、費歇爾判別、非參數判別等)、聚類分析(系統聚類、動態聚類等)、探索性分析(主元分析法、相關分析法等)等。
神經網路方法中，可細分為：前向神經網路(BP算法等)、自組織神經網路(自組織特徵映射、競爭學習等)等。數據庫方法主要是多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。
神經網路方法中，可細分為：前向神經網路(BP算法等)、自組織神經網路(自組織特徵映射、競爭學習等)等。數據庫方法主要是多維數據分析或OLAP方法，另外還有面向屬性的歸納方法。
數據挖掘主要過程是：根據分析挖掘目標，從數據庫中把數據提取出來，然後經過ETL，組織成適合分析挖掘算法使用寬表，然後利用數據挖掘軟體進行挖掘。傳統的數據挖掘軟體，一般只能支持在單機上，進行小規模數據處理，受此限制傳統數據分析，挖掘一般會採用抽樣方式，來減少數據分析規模。
數據挖掘的計算複雜度和靈活度，遠遠超過前兩類需求。一是由於數據挖掘問題開放性，導致數據挖掘會涉及大量衍生變量計算，衍生變量多變導致數據預處理計算複雜性；二是很多數據挖掘算法本身就比較複雜，計算量就很大，特別是大量機器學習算法，都是迭代計算，需要透過多次迭代來求最優解，例如K-means聚類算法、PageRank算法等。
從挖掘任務和挖掘方法的角度，著重突破：
1)可視化分析。數據可視化無論對於普通用戶，或是數據分析專家，都是最基本的功能。數據圖像化可以讓數據自己說話，讓用戶直觀的感受到結果。
2)數據挖掘算法。圖像化是將機器語言翻譯給人看，而數據挖掘就是機器的母語。分割、集群、孤立點分析，還有各種各樣五花八門的算法，讓我們精煉數據，挖掘價值。這些算法一定要能夠應付大數據的量，同時還具有很高的處理速度。
3)預測性分析。預測性分析可以讓分析師，根據圖像化分析和數據挖掘的結果，做出一些前瞻性判斷。
4)語義引擎。語義引擎需要設計，到有足夠的人工智慧，以足以從數據中主動地提取資訊。語言處理技術包括機器翻譯、情感分析、輿情分析、智慧輸入、問答系統等。
5)數據品質和數據管理。數據品質與管理，是管理的最佳實踐，透過標準化流程，和機器對數據進行處理，可以確保獲得一個預設品質的分析結果。
預測分析成功的7個秘訣
預測未來一直是一個冒險的命題。幸運的是，預測分析技術的出現，使得用戶能夠基於歷史數據，和分析技術(如統計建模和機器學習)預測未來的結果，這使得預測結果和趨勢，變得比過去幾年更加可靠。
儘管如此，與任何新興技術一樣，想要充分發揮預測分析的潛力也是很難的。而可能使挑戰變得更加複雜的是，由不完善的策略或預測分析工具的誤用，導致的不準確或誤導性的結果，可能在幾周、幾個月，甚至幾年內才會顯現出來。
預測分析有可能徹底改變許多的行業和業務，包括零售、製造、供應鏈、網路管理、金融服務和醫療保健。AI網路技術公司Mist Systems的聯合創始人、首席技術官Bob fridy預測：「深度學習和預測性AI分析技術，將會改變我們社會的所有部分，就像十年來網路和蜂窩技術，所帶來的轉變一樣。」。
這裡有七個建議，旨在幫助您的組織充分利用其預測分析計劃。
1.能夠訪問高品質、易於理解的數據
預測分析應用程序需要大量數據，並依賴於透過回饋循環，提供的資訊來不斷改進。 全球IT解決方案和服務提供商Infotech的首席數據和分析官Soumendra Mohanty評論道：「數據和預測分析之間，是相互促進的關係。」
瞭解流入預測分析模型的數據類型非常重要。「一個人身上會有什麼樣的數據？」 Eric Feigl – Ding問道，他是流行病學家、營養學家和健康經濟學家，目前是哈佛陳氏公共衛生學院的訪問科學家。「是每天都在Facebook和谷歌上收集的即時數據，還是難以訪問的醫療記錄所需的醫療數據？」為了做出準確的預測，模型需要被設計成，能夠處理它所吸收的特定類型的數據。
簡單地將大量數據，扔向計算資源的預測建模工作注定會失敗。「由於存在大量數據，而其中大部分數據可能與特定問題無關，只是在給定樣本中可能存在相關關係，」FactSet投資組合管理和交易解決方案副總裁兼研究主管Henri Waelbroeck解釋道，FactSet是一家金融數據和軟體公司。「如果不瞭解產生數據的過程，一個在有偏見的數據上訓練的模型，可能是完全錯誤的。」
2.找到合適的模式
SAP高級分析產品經理Richard Mooney指出，每個人都痴迷於算法，但是算法必須和輸入到算法中的數據一樣好。「如果找不到適合的模式，那麼他們就毫無用處，」他寫道。「大多數數據集都有其隱藏的模式。」
模式通常以兩種方式隱藏：
1)模式位於兩列之間的關係中。例如，可以透過即將進行的交易的截止日期資訊，與相關的電子郵件開盤價數據，進行比較來發現一種模式。Mooney說:「如果交易即將結束，電子郵件的公開率應該會大幅提高，因為買方會有很多人需要閱讀，並審查合同。」
2)模式顯示了變量隨時間變化的關係。 「以上面的例子為例，瞭解客戶打開了200次電子郵件，並不像知道他們在上周打開了175次那樣有用，」Mooney說。
3 .專注於可管理的任務，這些任務可能會帶來積極的投資回報
紐約理工學院的分析和商業智慧主任Michael Urmeneta稱：「如今，人們很想把機器學習算法應用到海量數據上，以期獲得更深刻的見解。」他說，這種方法的問題在於，它就像試圖一次治癒所有形式的癌症一樣。Urmeneta解釋說:「這會導致問題太大，數據太亂——沒有足夠的資金和足夠的支持。這樣是不可能獲得成功的。」
而當任務相對集中時，成功的可能性就會大得多。Urmeneta指出:「如果有問題的話，我們很可能會接觸到那些能夠理解複雜關係的專家」 。「這樣，我們就很可能會有更清晰，或更好理解的數據，來進行處理。」
4.使用正確的方法來完成工作
好消息是，幾乎有無數的方法，可以用來生成精確的預測分析。然而，這也是個壞消息。芝加哥大學NORC (前國家意見研究中心)的行為、經濟分析和決策實踐主任Angela Fontes說：「每天都有新的、熱門的分析方法出現，使用新方法很容易讓人興奮」。「然而，根據我的經驗，最成功的項目是那些真正深入思考分析結果，並讓其指導他們選擇方法的項目——即使最合適的方法，並不是最性感、最新的方法。」
羅切斯特理工學院電算機工程系主任、副教授shanchie Jay Yang建議說：「用戶必須謹慎選擇適合他們需求的方法」。「必須擁有一種高效且可解釋的技術，一種可以利用序列數據、時間數據的統計特性，然後將其外推到最有可能的未來，」Yang說。
5.用精確定義的目標構建模型
這似乎是顯而易見的，但許多預測分析項目開始時的目標，是建構一個宏偉的模型，卻沒有一個明確的最終使用計劃。「有很多很棒的模型，從來沒有被人使用過，因為沒有人知道如何使用這些模型，來實現或提供價值，」汽車、保險和碰撞修復行業的SaaS提供商CCC資訊服務公司的產品管理高級副總裁Jason Verlen評論道。
對此，Fontes也表示同意。「使用正確的工具肯，定會確保我們從分析中得到想要的結果……」因為這迫使我們必須對自己的目標非常清楚，」她解釋道。「如果我們不清楚分析的目標，就永遠也不可能真正得到我們想要的東西。」
6.在IT和相關業務部門之間建立密切的合作關係
在業務和技術組織之間，建立牢固的合作夥伴關係，是非常重要的。 客戶體驗技術提供商Genesys的人工智慧產品管理副總裁Paul lasserr說:「你應該能夠理解新技術，如何應對業務挑戰或改善現有的業務環境。」然後，一旦設置了目標，就可以在一個限定範圍的應用程序中測試模型，以確定解決方案是否真正提供了所需的價值。
7.不要被設計不良的模型誤導
模型是由人設計的，所以它們經常包含著潛在的缺陷。錯誤的模型，或使用不正確或不當的數據，其所建構的模型，很容易產生誤導，在極端情況下，甚至會產生完全錯誤的預測。
沒有實現適當隨機化的選擇偏差，會混淆預測。例如，在一項假設的減肥研究中，可能有50%的參與者選擇退出後續的體重測量。然而，那些中途退出的人與留下來的人，有著不同的體重軌跡。這使得分析變得複雜，因為在這樣的研究中，那些堅持參加這個項目的人，通常是那些真正減肥的人。
另一方面，戒煙者通常是那些，很少或根本沒有減肥經歷的人。因此，雖然減肥在整個世界，都是具有因果性和可預測性的，但在一個有50%退出率的有限數據庫中，實際的減肥結果可能會被隱藏起來。
另一方面，戒煙者通常是那些，很少或根本沒有減肥經歷的人。因此，雖然減肥在整個世界，都是具有因果性和可預測性的，但在一個有50%退出率的有限數據庫中，實際的減肥結果可能會被隱藏起來。
六、大數據展現與應用技術
大數據技術，能夠將隱藏於海量數據中的資訊和知識挖掘出來，為人類的社會經濟活動提供依據，從而提高各個領域的運行效率，大大提高整個社會經濟的集約化程度。
大數據將重點應用於以下三大領域：商業智慧 、政府決策、公共服務。例如：商業智慧技術，政府決策技術，電信數據資訊處理與挖掘技術，電網數據資訊處理與挖掘技術，氣象資訊分析技術，環境監測技術，警務雲應用系統(道路監控、影像監控、網路監控、智慧交通、反電信詐騙、指揮調度等警察資訊系統)，大規模基因序列分析比對技術，Web資訊挖掘技術，多媒體數據並行化處理技術，影視製作渲染技術，其他各種行業的雲計算和海量數據處理應用技術等。
沒有留言:
張貼留言