前言：中文期刊网精心挑选了大数据时代的感悟范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
大数据时代的感悟范文1
作者：[美]安娜・昆德兰
译者：徐力为
出版时间：2013年5月
内容推介：
当初，谁没在青春的路口彷徨过？后来，谁没在未来的道途中走岔过？再后来，谁没在人生的弯道上彻悟过？因为走过，我们愈发懂得。人生是什么？人生就是我们脚下的路，是一连串生命的体验，更是一次灵魂的远行。在远行的漫漫长途中，我们路过迷惘，路过失望，路过欣喜，路过淡然，路过一切繁华消殆的时光。它蹉跎了我们，也沉淀了我们；它剥去了我们青春的衣裳，也脱下了我们的年少无知与轻狂。那些我们走过的弯路也好，受过的疼痛也罢，都是来度我们的。最终，那些属于我们的，还是会出现在我们要走过的路上。所以，亲爱的，走吧，有些路你不走下去，就不知道它有多美。
精彩节选：
走到今天，才懂得了昨天。
在生活的道路上，我们只有展望未来，才能向前迈进；
只有回首过去，才能理解人生。
最近，一个朋友向我提了一个问题。她问我，假如我可以穿越时空回到过去，现在的我会给二十几岁的自己提出什么建议。我不假思索地回答说，对那时的自己，我有两条忠告，一条用来鼓励自己，另一条用来提醒自己。
一方面，我会告诉那个年轻的自己，你聪慧、机智、勤勉，总体说来，是一位相当出色的姑娘，所以，如果有人打击你，不要受他的影响，更不要被他左右，勇往直前，走自己认为正确的路；另一方面，我又不得不把一个不幸的事实告诉自己，对于生活中那些重要的事情，你还一无所知，一点也不了解。
在你年纪尚轻时，自以为什么道理都明白，认识不到自己的无知，这是在所难免的。人很难在青春时认识青春，只有走过了青春，才能认识青春。在以后的人生道路上，当你经历了一些事情之后，就会渐渐领悟到什么是爱，怎样维系自己的婚姻，怎样对待自己的工作，怎样养育子女，怎样在反复遭遇挫折与失败后振作起来，怎样百折不挠地凭借顽强的毅力走向成功。你也会慢慢懂得，对自己而言，生活中哪些方面是至关重要的。
记得我二十多岁的时候，常常听到长者们奉劝我说，不要在你人生一片空白、工作刚刚起步时，就心心念念地琢磨着以后在自己的名片上冠以哪种风光的头衔。可我当时却不把这些忠告放在心上，只盼自己尽快成熟起来，羽翼早些丰满起来。现在回想起来，真为自己当初的自负和虚荣感到羞耻。其实，那时的自己就像一个需要精心烘焙的蛋糕，急于求成只会适得其反，或者误入歧途。
成长需要耐心与热度。
我们从人生的起点走到终点，一路上自然会有许多感悟。但其中的大部分收获并不是从教室或图书馆中得来的，而是在人生的实验室里学到的。
当我们回首往事时，很多清晰的画面会浮现在眼前――朋友的背叛、事业上的进步或搁浅、误入歧途的困惑、美丽的错误、轻率的意见。不过，很多想法显然只是事后诸葛。比如，在我们的孩子长大后，我们才终于懂得应该怎样抚养孩子；当我们在事业上走过了一段漫长的道路之后，才明白当初那些在自己看来无法改变的计划，其实是可以做出调整的。而这些智慧，我们当时并不能领悟，只有走过了，才能回头加深对自己的了解，对生活也有了更加清醒的认识。
不曾走过，很难懂得。
作者：[英]维克托・迈尔-舍恩伯格、肯尼思・库克耶
译者：盛杨燕、周涛
出版时间：2013年1月
内容推介：
《大数据时代》是国外大数据系统研究的先河之作。维克托・迈尔-舍恩伯格在本书中前瞻性地指出，大数据带来的信息风暴正在变革我们的生活、工作和思维，大数据开启了一次重大的时代转型，并用三个部分讲述了大数据时代的思维变革、商业变革和管理变革。
维克托最具洞见之处在于，他明确指出，大数据时代最大的转变就是放弃对因果关系的渴求，而取而代之关注相关关系。也就是说只要知道“是什么”，而不需要知道“为什么”。这颠覆了千百年来人类的思维惯例，对人类的认知和与世界交流的方式提出了全新的挑战。
精彩评论：
什么是大数据？
大数据=海量数据+ 分析软件+挖掘过程
以一种前所未有的方式，通过海量数据进行分析，获得有巨大价值的产品和服务，或深刻的洞见。
大数据的前提是什么？数据化。
2000年时，有75%是模拟数据。
2007年，7%的存储在模拟数据上，其他全是数字数据。
而到2013年，预计非数字数据只占不到2%。
86年的时候，有约40%的计算功能在袖珍计算器上，个人电脑处理能力之和都不超过计算器。
人类存储信息量的增长速度比世界经济的增长速度快4倍，而计算机数据处理的增长速度比世界经济的增长速度快9倍。
大数据时代处理数据理念上的三大转变：
要全体不要抽样，
要效率不要绝对精确，
要相关不要因果。
案例剖析 ：
案例1：精准营销决胜互联网
案例2：Google预测流感趋势
案例3：沃尔玛，请把蛋挞飓风用品摆在一起
案例4：男人冲进超市，和经理吵架：
“我女儿还是高中生，你们却给她邮寄婴儿服和婴儿床的优惠券！岂有此理！”
总结：
大数据时代的感悟范文2
2015年是云像数字成长非常快的一年，与2014年相比，公司营收得到三倍以上发展，更重要的是，2015年，云像数字确定了企业发展的核心：数字化战略。
云像数字并不是单独做数字营销，或单独做电子商务、大数据等，我们认为未来数字化核心不只是营销或电商销售层面的，它将是企业战略层面的，是对互联网化更加具像的表达。所以基于这些，云像数字核心就是沿着企业价值链分解、整合一些关键产品。在数字化战略之下，衍生出“品效合一、全渠道、数据资产”这三个具体解决方案。具体来说：
第一：品效合一。其核心是，要将品牌传播跟消费者互动、消费者的感知，和营销效果、销售打通，形成一个闭环。
第二：全渠道。强调销售的全渠道、品牌传播的全渠道、消费者体验的全渠道，是完整界面、完整接触点的概念，也是整个企业价值链在交互环节里面的体现。
第三：数据资产。将企业的社交数据、交易数据和行为数据整个打通，其核心是帮助传统企业提供底层数据资产的服务。涉及大数据时，以往的做法是，各部门各做各的，CRM、电商、移动端都是如此。从2014年下半年开始，我们越来越多的将这几方面数据源整合，未来，数据整合管理将是核心。
总结来说，2016年营销要跟数据、技术、渠道、效果结合在一起，“无招胜有招”。如果营销人没有生意思维，只是考虑传播、传统广告，这种营销人在未来将被淘汰。从企业CEO角度考虑问题、去看待整个数字化战略，将会发现营销边界越来越模糊，未来CDO（Chief digital officer，首席数字官）将开始大行其道，CMO和CTO向CDO转变，这是更加契合未来传统企业的互联网化思考。未来互联网时代营销也需要被颠覆，尤其是互联网时代的传统营销将要被颠覆。
2016营销关键词
价值链重塑
基于云像数字的互联网服务产品，帮客户获取数据，把线下门店数据、客户投放数据、客户电商数据等几个不同的数据源，按照行为数据、交易数据和社交数据这三类数据维度，基于数据整合做分析，再依据数据分析结果形成用户画像。
依托数据对消费者的洞察，再去设计产品，实现整个企业价值链改造。设计产品和服务的交互、设计传播、设计服务环节，从生产研发到运输传播、销售，售后，就是以数据为基础重塑企业价值链。这就是云像数字的整个数据业务。
2015营销感悟
大数据时代的感悟范文3
关键词：大数据；陶瓷文献；整合模式
江西省社会科学规划一般项目《从文本到人本：“一带一路”境遇下中国陶瓷文化的国际传播策略》阶段性研究成果，景德镇市社会科学规划重点项目《学习型社会视阈下数字阅读“把关人”制度建构研究》阶段性研究成果，景德镇市科技局软科学项目《景德镇陶瓷文化传播力构成体系研究》阶段性研究成果。
在大数据时代，数据已然成为一种战略资源而导引着社会资源的整合模式，基于一切皆为数据、一切皆可量化的整合效率，数据式整合无疑是促进跨文本、跨主体、跨行业、跨时空等诸多跨界式融合升级的基本动力。
中国陶瓷文化博大精深，是中国传统文化的重要组成部分，也是实施“一带一路”战略的重要领域，而陶瓷文献则是陶瓷文化的载体，其整合无疑具有重要意义。
1 文本整合模式：从文献到文化
陶瓷文献的类型众多，包括陶瓷作品、期刊、图书、报纸、古籍、特藏、以及电子资源等，它们作为陶瓷文化的载体，记录与保存着源远流长的中国陶瓷文化。当下，融合已经成为包括陶瓷文化在内的社会文化创新与发展的新常态，各种类型的陶瓷文献之间也相互交融，因此，从文献到文化的升级就成为陶瓷文献整合的模式之一。这种语境下的文化既包括陶瓷文化，又不止于陶瓷文化，而是内容、关系、情感、时空、生活方式等诸多要素的杂糅，因而也是陶瓷文化与社会文化相互渗透、相互融合而成的多元文化共同体。
在大数据时代，由于文本数据化，数据相关化，因此从知识文本到智能文本以及从图文文本到图像文本的升级就是陶瓷文献整合的路径之一。
首先，智能文本
智能化是高科技时代的一个高频词汇，智能终端、智能家居、智能系统、智能生态等等已经进入百姓生活之中。就陶瓷文献整合来看，智能文本主要包括智能编辑的文本以及智能终端的文本。在大数据时代，数据无时无处不在，一切皆为数据也必然要求一切皆可量化，因为身处海量数据之中的用户其个性化需求显得更为迫切，所以只有精准才能赢得用户。而智能文本则堪当此任，其中，智能编辑的文本是基于智能算法与思维而能够实现个性化与规模化、以及专业化与便捷化等多元价值互动的文本，包括智能生成的文本、智能推送的文本以及智能服务的文本等。
就陶瓷文献来看，智能生成的文本是指陶瓷文献的科技性、艺术性、知识性、文化性、情境性等多元内容能够实现智能组合而不受主体、专业等限制；智能推送的文本是指能够基于用户的各种行为，包括点击、搜索、阅读、发送、评论、收藏等行为，而进行智能推荐的文本；智能服务的文本是能够为陶瓷生产、交易、投资、消费、管理等各种产业和社会活动提供服务的文本。比如基于陶瓷艺术品拍卖与收藏的数据而预测当前艺术品市场的投资热点，以及基于陶瓷用具的产销数据而设置时尚生活的议题。
智能终端的文本主要是适用于智能手机的移动文本，它包括生产、生活、学习、工作、休闲娱乐、社交、投资消费等各种场景的文本。比如，手机一卡通、手机支付、手机位置服务、手机知识推荐：移动阅读、移动检索服务、移动参考咨询、移动学科服务、移动二维码、移动视听展示和移动特色资源、移动门户服务等各种服务。这些移动文本可以消除陶瓷博物馆、档案馆、图书馆、展览馆、文物局等时空的限制而进行实时实地传播。
其次，视频文本
陶瓷既是艺术之物也是生活之物，既具有工具理性也具有价值理性，既是金木水火土的结晶也是科技、艺术、文化、经济等的浓缩，其自然景观和人文景观皆美不胜收，其物质文化和非物质文化都光辉璀璨。以瓷都景德镇来看，“三面青山一面水，一城瓷器半城窑”；“陶舍重重倚岸开，舟帆日日蔽江来”等展开了一幅幅美轮美奂的画卷。
视频文本可以包括数据图、网络在线演示、互动图标、图片、动漫、视频短片、影视剧等文本，是从图文传播向图像传播的转型。这些不但是传承陶瓷文化的绝佳载体，而且是讲好陶瓷故事的有效形式。借助于形、声、色、画等众多元素的视频文本能够将兼具物态、生态、活态等多元、多变形态的陶瓷文化展示得淋漓尽致，也能够将动人、感人、催人奋进的陶工故事、城市故事甚至民族故事等陶瓷故事演绎得惟妙惟肖。比如，陶瓷物质结构的演进，包括石器、陶器、铁器、铜器、银器、陶瓷等；能量结构的演进，包括森林、水土、河流、光、热、风等；工艺结构的演进，包括陶瓷七十二种工艺流程及其革新；组织结构的演进，包括官与民、行与帮、地缘与业缘等；社会生态结构的演进，包括作坊、窑址、矿坑、民居、里弄、店铺、街道、集市等；这些结构相互交织而形成动态的陶瓷文化图谱，适于视频文本进行传播。
2 人本整合模式：从文化到人化
从以信息为中心到以人为中心，以及从以传者为中心到以用户为中心的转型，是大数据、云计算时代媒介传播的新模式、新课题。
首先，关系人模式。
泛在网络环境下，用户不是分散的用户，而是相互关联、相互交融的网络式用户，因而也是无所不在、无所不能的关系人，既可以是公共关系人，也可以是社交关系人。
其一、公共关系人。公共关系是企业开展社会化经营的重要资源，而在公共领域与私人领域日益交融的环境中，公共关系存在于一切领域，公共关系人也日趋细分而多样化。主要表现在：从名人公关到人人公关，任何人均可以是公关人。比如，就企业公关而言，对于企业员工与投资者，可以通过企业生活与家庭生活的互动而实现内部公众式的公关；对于企业所在社区，可以通过公共信息、公益活动等而实现社区公众式的公关；而对于消费者、受众、用户等，则可以通过消费者、体验者、宣传者以及咨询者等多元角色的互动而实现市场公众式的公关。
从品牌公关到微公关，任何时空均可以是公关领域。在传统媒体时代，品牌是企业以及城市公关的法宝；而在微博、微信主导的微时代，微公关则颇为盛行。主要表现在：微平台、微终端，包括微博、微信等平台以及拍客、播客等新终端；微内容，包括信息、知识、思想、经验、情感、情趣等内容；微形式，包括图片、照片、视频、微电影、微电台、时尚秀等形式；微空间，包括物质、文化、心理、情感、情绪等多重空间。
其二、社交关系人。以个体为中心的社交平台是对企事业等组织边界的超越，因而人人皆社交，无社交不传播；同时，社交平台的开放性、便捷性、分享性以及聚合性等属性使得其成为有效的生产、营销平台而渗透于各种生产经营领域。进一步而言，社交平台开创了社会生产生活的新空间，社交关系人成为新宠。主要表现在：社交平台加快了传受互动，从而信息类内容、关系类内容、话题类内容等不断增生；社交平台加快了虚拟空间与现实空间的互动，从而传播场域也就成为传播场景；社交平台加快了生产方式与生活方式的互动，从而促进了个性化的生产方式与生活方式。总之，社交关系人是传受互动、产消一体等多元角色的交互，是口碑文化、粉丝文化等多元文化的体现。
其次，体验人模式。
体验是用户时代传播与营销的基本模式，它既可以促进跨媒介形态传播，也可以推动跨文化形态传播。而就中国陶瓷文化传播来看，体验主要包括物态文化体验、生态文化体验以及活态文化体验。
其一、物态文化体验。从器物形态来看，陶瓷既可以是工艺之物，也可以是生活之物；既可以是科技的结晶，也可以是人文创意的体现；既可以是实用之物，也可以是纪念之物；从而也是各种体验之物。比如，在瓷都景德镇，陶瓷不但是城市文化的载体，瓷灯柱、大型城雕、陶艺青铜雕塑、山体陶瓷壁画、巨型生肖瓷雕等城市环境到处可见；而且是企事业组织文化与行业文化的载体，瓷书、瓷画、瓷板、瓷瓶、瓷杯等陶瓷语言可以诠释独特的企业文化、行业文化以及地域文化。
其二、生态文化体验。天人合一，主张自然与人的和谐，追求季节气候、地理环境、材料的自然美感、以及人工的巧作这四种因素的完美结合，是中国陶瓷文化艺术的基本审美标准，从而形成丰富多彩的生态景观。生态系统可以为社会生产提供取之不竭、用之不尽的物质与能源，光、热、风、水、土、矿、森林、河流、地形地貌等被人类利用以创新陶瓷生产方式；生态系统可以为陶艺创作提供灵感，梅兰竹菊、青绿山水、花鸟虫鱼等皆是陶瓷艺术创作的基本题材；生态系统还可以为人的生存与发展提供新的生活空间，观光旅游、休闲度假、养身保健、怡情悦性等生态模式倍受青睐。
其三、活态文化体验。无论是物态文化，还是生态文化，其价值都是通过人的行动才能充分展示出来，活态的人是陶瓷文化的集中体现。活态文化体验可以包括：工艺主体的传授、表演、展示，瓷器、瓷画、瓷乐、瓷舞、瓷饰、瓷瓯杂技等都可以传播瓷韵瓷味；社会与时代主体的跨时空交互，中国陶瓷文化源远流长，流派众多，宋、元、明、清等朝代均有各自特色，而通过跨时空交互，历史的厚重与时代的脉络则能得到体验；人文主体的交流，活态的陶瓷文化既可以包括专业技艺与知识，也可以包括经验、感悟与创意，还可以包括民风民俗等民间、民生文化，因此知识的教育、思想的讨论、技艺的切磋、经验的传受、节庆活动的举办、方案的设计等均是人文交流的形式。
3 资本整合模式：从媒介到中介
大数据不仅仅是一种数据，而且更是一种思维。比如，用户思维、简约思维、极致思维、迭代思维、流量思维、社会化思维、平台思维、跨界思维等等。因此，大数据时代，媒体不仅需要实现媒介内容与业务的转型，而且需要实现思维与观念的转换，也就是资本的升级。进一步而言，媒体不仅仅是作为信息与内容的传播者，而且是作为产业和社会的重构者；不仅需要对信息资源进行整合，而且需要对产业资源和社会资源进行整合；不但需要实现传受互动，而且需要促进产城一体；从而实现信息媒介到社会中介的转型。因为信息流、商品流、物质流、人才流、技术流、资金流、服务流等在大数据的无限覆盖下而相互交融从而形成共生共荣、互联互通、相互嵌入的融合生态，进而虚拟与实体之间、产品与服务之间、媒介与中介之间的边界也日趋模糊，都成为社会网络的一个个节点。
因应这种媒介与中介交融的趋势，传媒实施资本整合就是要实现从媒介资本向社会资本和创意资本的升级。
首先，社会资本的整合模式：从大众到小众。
大数据的全体样本分析与全媒体、全民参与、全球聚合等是相辅相成的“全”时空类型传播模式，从而大众也日益细分而成为小众。与前者相比，后者是传受互动、产消一体、个体与社会对接、民族与世界交汇等等多元交互式的社会群体。
大数据时代的感悟范文4
关键词：大数据;科技情报工作;挑战;对策建议
中图分类号： G250.2 文献标识码： A DOI： 10.11968/tsyqb.1003-6938.2015123
Challenges and Rethinking of S&T Information Service in Big Data Era
Abstract Data processing improvement is one of the main driven forces of S&T information service innovation. It becomes more and more difficult for S&T information institutes to face the challenges of scattered data resources， deepened and widened users' demands， and the complexity of big data analysis technologies. Meanwhile， these challenges make it possible for the innovation and sharp turn to new information service models. This paper analyzed the technical environment of big data， deconstructed the main challenges of intelligence work， and gave several suggestions as countermeasures.
Key words big data; S&T information service; challenges; suggestions
科技情报服务领域普遍将当前面临的海量数据处理和服务能力的矛盾，视为泛在信息环境所涌现出的、特有的“大数据”问题，并产生了隐隐的“大数据忧虑”。随着国家大数据战略的提出，各界对数据问题的关注和对数据服务的需求激增，学术界和科技情报服务实践中对“大数据”应用也呈现出多样化的解读，比如王飞跃提出的“基于ACP方法的开源情报解析理论框架”和“四熵服务”理念[1]，李广建等提出的情报研究五个转变[2]，贺德方、乔晓东、曾建勋等提出的“事实型数据+专用工具+专家智慧”的FAST4Wisdom服务理念[3-4]和情报学四维度拓展变革[5]，以及杨善林等提出的情报内涵转变[6]等。因此，消解科技情报机构的大数据忧虑，洞察科技情报大数据发展特征与发展趋势，是当前科技情报实践领域的当务之急。
1 科技数据挑战与科技情报服务的发展
科技情报服务领域大数据问题，实质是全球数据自发式、爆发式增长以及数据处理高效率要求的不对称体现[7]。而科技情报工作很早就关注到知识增长趋势及其在管理和服务领域带来的信息爆炸与信息过载问题[8]。科技情报工作从诞生之初起就一直面临数据或信息资源的加工处理和分析利用的挑战，并在不同发展阶段呈现出不同的问题表征。在某种意义上，科技情报机构就是为解决“大数据”问题而诞生的专门机构，而数据挑战也成为科技情报服务创新的内在动力。
1.1 科技情报初创时期的数据挑战与服务创新
1944年，美国图书馆学家F.Rider关注到图书馆馆藏大约每16年增长1倍，并以此估计耶鲁大学图书馆将在2040年拥有超过2亿册图书，大约2PB的信息存储，而这些图书将占据6000英里长的书架，至少需要6000名图书馆员完成编目和维护工作[9]。以当时的数据处理条件而言，2亿册图书的存储空间和集中管理维护就是可能的“大数据”问题。与之类似，战后美国政府收缴的40吨德国和日本技术资料的处理，也超出了当时的文献处理能力。科技情报界提出了“信息爆炸”的理念，并主张信息分析和处理工作的专门化和体系化，也视之为科技情报工作的开端。依托业务部门进行体系化的树状业务分解和专门信息的保存、交流和利用，构建跨部门协作保障体系，极大纾解了信息总量增长困难，并通过在1950年代引入缩微技术和数字存储技术进一步缓解了信息存储空间问题。
1.2 数字资源建设时期的数据挑战与服务创新
20世纪60年代数据存储技术的引入有效缓解了数据存储和数据集中管理问题，但对原始数据的加工处理和分析技术短板却再次成为“大数据”问题。例如20世纪50年代美国国家安全局雇佣了超过12000名安全技术人员来处理每年侦听或加密的17000卷磁带[10];1965年，美国国家数据中心的600个数据集存储了1亿张打孔卡片和3万份存储磁带，但对其拥有的1.75亿枚指纹记录、每年7.42亿份纳税记录的分析束手无策[11]。因此，1965年Dunn报告认为，“面临的最大问题就是不知如何发现不同机构、不同数据之间的内在关联”[11]，即数据分析的“大数据问题”。Kaysen委员会提出的集中存储和数据共享方案，推动数据库技术、信息检索技术和数据科学的产生。这一时期，科技情报服务机构也引入了数字存储和数据库管理体系，并引入了信息检索技术，比如1966年《化学文摘（CA）》引入的自动处理系统和计算机可读数据库、1967年Roger Summit 主持开发的Dialog在线数据访问。科技情报领域产生了以数据加工和信息系统管理为特征的海量科技情报服务，出现了从文献保障服务向以数据库、信息检索为代表的技术服务的融合，提升了科技情报处理的数据数量和处理速度。
1.3 数据分析和处理时期的数据挑战与服务创新
20世纪80年代数据库技术日益成熟，以数据挖掘和高阶数据分析为代表的数据分析和处理技术得到广泛应用，数据分析进入智能化阶段。但这一时期的数据分析主要局限于封闭计算环境的中央数据存储、局限于结构化数据的分析和处理。因而，在20世纪80年代面临的新的“大数据”问题是海量外部数据的采集、加工和分析，以及如何降低数据分析成本和重复建设的“数据黑洞”，因而以竞争情报、趋势跟踪等定向或定题的专项信息分析为代表的创新服务得以引入。科技情报服务机构完成了从信息数据产品向情报产品的升级，具备了情报监测和智能分析功能，光盘数据库和应用软件产品得到推广，使得信息分析和预测水平有了大幅提升，比如1987年发行的Medline光盘产品、1988年的科技信息网络STN Express■软件以及90年代初期的大量面向个人计算机的数据应用软件。
1.4 开放网络和自动加工处理时期的数据挑战与服务创新
20世纪90年代以来网络技术、个人数据终端普遍采纳，数据存储成本快速下降，科技信息资源的分布发生了巨大变化。首先，以互联网企业和技术服务企业为代表的新生业态迅速崛起，以图书档案和科技情报机构为中心的科技信息服务体系受到挑战或颠覆;其次，数据可得性大大增加，数据规模和数据多样性大大增加，以搜索引擎为代表的数据自动抓取、分析和推送技术极大增强了数据分析和处理能力，数据挖掘和机器学习技术得到广泛推广应用;再次，信息服务提供商更加积极地关注用户个性需求和反馈，对用户交互、行为数据和个性化推荐更加关注。这一时期，“总量巨大（Volume）”、“类型多样（Variety）”的两个“V”的问题已经凸显，“大数据”问题初现端倪。相对于互联网企业而言，传统科技情报服务机构逐步通过兼并联合、扩展数据来源，提升数据应用能力予以应对。这一时期，面向网络的数据开放服务、数据集成与融合技术、数据应用分析工具与“数据+应用”的深度服务模式快速发展。比如SciFinder、SciVal、Scopus等数据分析工具的开发和 WorldCat全球协作机制和协同服务模式的发展。
2 大数据时代科技情报工作面临的主要挑战
大数据的4V特征，即超大规模和快速增长的数据体量（Volume）、异构和多样性的数据结构（Variety）、大量不相关信息的低价值密度（Value）和大量实时分析应用工具的使用（Velocity），是数据分析和利用的主要障碍，在科技情报领域也同样如此。此外，从整个社会和用户需求角度看，科技情报机构的资源角色和地位进一步弱化，用户需求向更深更广信息分析领域拓展，情报服务与创新服务的融合以及资源-服务的一体化对科技情报机构的服务能力也提出了更高挑战。
2.1 科技情报服务机构的资源优势弱化
在数据开放趋势下，可得可用的信息资源更加丰富，科技情报服务机构资源独占优势不复存在。以往科技情报服务过于依赖其资源优势，而对信息加工、信息分析的优势没用充分重视，存在短期的“转型瓶颈”。而政府数据公开、研究机构数据公开获取以及数据集市商务模式（GitHub）的出现，加剧了科技情报机构作为数据枢纽角色的弱化。以政府数据公开为例，美国政府目前可提供192440个数据集[12]，英国政府可提供1353个部门和机构开放的20688个数据集、386个APP应用[13]。数据开放可得，意味着业务机构可直接跳过科技情报服务中介而直接存取和利用信息，对科技情报机构的资源业务服务带来了挑战。如美国NTIS提供的科技报告服务，因政府部门科技报告的免费公开，在1999年以后连续多年亏损。因而，单纯提供内容获取或计量的服务模式并不能完全支持业务决策的需要。
2.2 科技情报服务的用户需求转变
大数据环境下，用户不再满足于信息资源的整序获取，不再满足于以文献单元为主要特征的加工整理和存取分析，而是对信息分析深度和广度提出了更高要求：在深度上突出碎片化信息加工和计算化服务[14-15]，包括数据资源快速评价推荐、知识单元的抽取和分析、多维数据融合、细粒度数据分析以及可视化、计算化的数据呈现与分析，力争将大数据去冗分类、去粗存精、去伪存真;在广度上以全局性和宏观战略性情报服务为特征[16]，包括动态监测服务、态势分析研究服务和前瞻预测研究服务三种类型，需要对多源数据、异构数据、随机动态数据进行收割、融合、跟踪和监控。同时，用户数据或信息资源利用也不同于以往数据阅读、数据参考和数据统计等浅层利用，而是在决策分析和学术研究中寻求高阶数据分析、寻求多维数据的降维理解、寻求专家智慧的介入矫正、寻求从数据分析向情报解析的升级。因此，科技情报服务不可避免地将由传统的依托资源数据的数据分析服务向多源多方协作的情报解析和计算分析服务转变，是对现有科技情报机构的分析技术能力的挑战。
2.3 资源服务一体化下的服务能力不足
科技情报机构过去一直强调资源保障能力，服务协作能力并未上升到战略地位。当大数据开放环境使资源获取相对容易时，反而发现“要读的太多，要挖掘、发现和分析的隐织的内容太多太复杂，要掌握的方法、技术与工具太多太复杂，有效分析和利用信息成为一个日益复杂、负担沉重的问题”[17]。对科技情报机构而言，提出了两个要求：第一，要求全面介入，无处不在，并注重分析方法和分析技术的全面协助;第二，要求在科技情报服务流程中更早更深地介入用户服务，提供更加精细化的服务内容，并提供更好的内容质量控制水平。
相比于传统的委托服务模式，新的科技情报服务团队将由行业专家、数据分析员、情报分析员 3 个角色构成[18]，并在选题阶段更早介入服务流程，同时融合数据服务、信息服务和知识服务，提供资源与服务一体化的服务体系（见图1）。依托大数据的科技情报服务要求与创新主体高度融合，以用户解决问题为中心，融入解决问题的过程，支持对问题解决方案的探索、构建和测试等服务机制[19]，从选题确立到任务分解、任务实施、数据解析，均需双方和行业专家频繁交互与协作，以应对分析需求的易变性和不可预见性[20-21]。在服务过程中，大数据分析和可视化技术提升了用户对数据的认知和理解，也可能将“情报服务”提升到知识协作、协同创新的高度，这也意味着科技情报服务人员的能力要求更高，可能需身兼行业专家、数据分析员、情报分析员中的多种角色。
3 大数据时代科技情报工作的资源保障体系建设
资源保障是信息服务的基础，建立全面、高质、开放的可得资源体系仍是科技情报工作的首要任务。
3.1 建立信息资源保障的大数据理念
大数据环境下，信息资源保障的内涵有所不同：第一，信息资源利用形式更开放快捷，大量信息资源来不及建立知识产权屏障就已过时，使得信息资源的价值实现更依赖资源利用和分析的溢出效应，而非知识产权变现;第二，信息资源的边界越来越模糊，以往受限于机构边界和知识产权保护而构建的信息资源保障“优选精选”理念，正面临低廉存储、海量来源的资源体系冲击;第三，信息资源的表现形式更多样，质量参差不齐，直接利用困难，资源保障体系的重心逐渐由收藏保障向利用保障转移;第四，随着独有信息资源优势的弱化，信息资源保障的开放性和协作利用将更为突出。
3.2 扩展多元数据来源和新型数据存储
科技信息机构应扩展资源的广度，关注片段信息或社会网络数据等低价值密度信息资源或新型信息资源的采集和保存[2]。在具体的采集和开发过程中，有两种典型做法：一种主张抢救性保存，因担心数字信息资源的易逝性，如不加以保存以后将无法利用，因而突出优先存储，逐步利用的原则，并不一定要优先设定明确和具体的应用目标。典型的是美国国会图书馆启动的网络存档项目，其已采集网络数据500TB以上，尤其是2010年启动的Twitter存档的特种馆藏项目已存储2006～2010年的1700亿条133.2TB的Twitter记录[22]，并以每天5亿条的规模快速增长。目前虽然尚未完全开放服务并且也面临数据解析整理的技术困难，但历史学和人文学者均期待其资源的开放利用[23]。一种主张纵向驱动和片段利用驱动，突出以若干利用和主题推动项目的存储，最终实现数据汇集和大数据。如联合国在雅加达设立全球脉动（Globle Pulse）大数据利用[24]和大多数的政府开放数据集建设都采用纵向驱动方式。
3.3 推动深层数据存储和核心资源质量
相对于文献资源、规范元数据等资源形式，推动深层数据类型的采集和保存将有效提升科技情报机构的信息分析能力。以往科技情报机构的资源主体是文献信息、描述信息、事实信息以及部分浅层知识资源，现在需要进一步加强内容实体信息、科学数据、深层知识资源以及用户行为信息的保存，继续发展和完善知识库、本体库、情景库、资料库、实体库等新型数据库类型[16]。比如中信所在专利分析中对人名、机构名和技术术语、领域深层主题及其相互关系的构建[3]，中科院科学数据中心对科学数据与科技文献集成服务关键技术研究与应用[25]等。
3.4 科学规划参考资源架构体系
大数据环境下，大多数科技情报机构都需要考虑自建数据源、开放数据源与商业数据源的混搭利用。美国中央情报局的首席技术官 Gus Hunter在推进OpenStack项目时，提出了参考资源架构（Reference Architecture）的规划理念。相对于规范的学术资源和科技信息，大数据更零散、更原始、更复杂，巨量、快速和多样的数据存在明显的碎片化特征，并不能直接利用[2]。因而，科技情报机构需要建立更加具有层次性、协调性的数据来源和数据参考规划，突出海量数据支撑与核心资源质量控制相结合的资源保障策略。一方面需要加强对科技信息获取渠道及其内容的质量评价，构建多维度科技信息质量评价指标体系和综合运用多种质量控制策略[26];一方面需要加强对信息资源的深度加工与科学解析，提升数据的可理解性和可用性。
3.5 加强多源科技情报资源的集成与聚合
大数据环境下，科技信息服务需要面对方法、工具、数据的离散化分布[3]，需要融合多种来源结构异质的数据，集成多种数据分析方法，并且通过融合多源数据发现资源之间潜在关联[27]。关联性或弱信息的挖掘，被认为是大数据服务区别以往科技情报服务的典型差异[28-29]。而通过把不同渠道、利用多种采集方式获取的具有不同数据结构的信息汇聚到一起，形成具有统一格式、面向多种应用的数据集合，这一过程称为多源数据融合[2]。相对于以往图书情报机构基于目录的OPAC、基于元数据收割协议的数字馆藏、基于协议标准的跨库检索等聚合方法，当前的数字资源聚合更注重内容层面的知识发现，尤其是数据驱动的弱信息关注[30]以及注重内容片断进行搜索、过滤、浏览、链接、注释和分析的战略性阅读[31]。
资源融合过程也是数据处理和分析技术的应用过程。李广建等统计了国际上143个数字资源整合项目[32]，归纳出数据仓库、Mediator/ Wrapper（中介器或封装器）、Agent和P2P等四种整合机制，而且约占85%的项目或系统采用前两种方法，其中涉及海量存储技术、ETL技术、信息源监控与更新技术、信息源选择技术、信息抽取技术、查询处理技术、结果整合技术、语义整合技术等。尤其针对云计算环境下多源、异构、大规模、动态信息资源特征和人们日益发展的个性化信息服务需求，基于语义的本体资源聚合、分布式协作资源聚合成为当前关注的焦点[33]。
3.6 积极推动资源开放获取与协作
大数据环境下，科技情报机构还应充分利用开放数据，加强机构间的协作共享。具体需要从业务模式和技术手段层面加以规划，改变传统科技情报获取方法，降低用户情报获取难度，促进资源有效利用。从业务模式上看，要加大政府开放信息源的有效利用和商业机构的技术力量协作，以提高数据使用的内在效率为原则，盈利动机为补充，引入社会力量参与[34]。以英国政府开放数据为例，目前已有多家数据创业公司与data.gov.uk合作，如Open Corporates的全球企业信息查询、Placr的整合位置与数据查询、Locatable的综合税率和交通情况的居住地与购房决策查询等。从技术手段看，则需增加数据的可得性。通常采用关联数据集（Linked Data Set）技术支持开放共享，以RDF（资源描述框架）构建数据模型，利用URI（统一资源标示符）定义数据实体，通过HTTP协议浏览并获取数据[35]。
4 大数据时代科技情报工作的服务模式创新
资源、技术与服务是科技情报工作的核心要素，资源的改变、技术的提升必然需要匹配服务的创新与升级。大数据环境下，科技情报服务模式的创新强调以用户需求为中心，注重运用大数据技术分析方法，并建立拓展的资源保障体系与用户需求之间的关联[29]。结合大数据本身特征，科技情报服务将进一步突出轻量化服务、细粒度服务、技术服务和一体化服务的趋势。
4.1 轻量数据分析服务
轻量数据分析的服务设计主要基于动态数据和片段数据的快速增长，较小地牺牲信息分析准确性而开展的快速信息分析方式，即“短、平、快”的服务模式。动态数据的迅速更新与快速增长导致全量数据分析的难度与时间复杂度增加，大而全的分析模式反而会降低情报分析结果的时效性，降低情报价值。因而，轻量化科技情报服务模式要突出三个要点：一是强调数据的快速解析与知识发现，一般采用即时跟踪和动态监控的服务方式[36];二是突出最大可能降低信息分析的效度损耗，建立高效的数据筛选机制，从大量信息中准确选择目标数据，尽可能通过较小数据吞吐发现问题;三是突出用户价值，通过用户定制、用户交互实时获取用户需求，满足用户多变需求。
4.2 细粒度情报解析服务
细粒度情报解析主要面向用户的深层信息需求以及对海量数据信息的降维与浓缩需求。细粒度情报解析服务的实现方式主要有：第一，对文献实体知识单元的提取和分析，对文献主题、章节结构、文献元素（如图表、数据、化学式、专利号）等进行有效提取和聚合分析，典型如学术本体、知识地图、知识扩散与突变等侦测;第二，对文献资源之间的弱关联关系的发现[37]，尤其是数据背后关系网络的发现，发现数据或知识之间的相关关系;第三，对内容片断进行搜索、过滤、浏览、链接、注释和分析的战略性解析。
从服务表现形式上，细粒度情报服务导致从单一渠道获取数据的数量与质量下降，为了保证情报分析的有效性需要扩大数据来源，提高多源数据分析能力。一方面，针对不同渠道采集的异构数据进行有效解析和聚合;另一方面要关注泛在网络知识的利用，以及将开放数据内在的交互性、开放性转化为可以利用资源，并利用海量数据的可知识对象化、可计算化开展服务。
4.3 技术应用即服务方式
技术应用即服务方式是对资源保障分析的延伸，将信息分析过程技术化、工具化，并以服务的形式提供给用户。典型的应用如万方创新助手、百度数据开放平台、百度开题助手、腾讯云分析等平台，在数据服务基础上，将数据解析和处理工具也提供给用户，用户不仅利用数据，而且也能享受服务方提供的高度定制化的技术工具。相对一般的SaaS服务，科技情报机构的技术应用服务本身不存在数据委托存储的数据安全问题，同时更能体现科技情报机构资源与分析技术的协同效应。同时，技术服务也为科技情报机构之间提供了资源和服务合作的桥梁。欧美学术图书馆就建议情报服务机构提供从资源到资源管理的完整服务体系[38]。
4.4 全流程一体化服务
全流程一体化服务强调科技情报服务对业务过程的全程参与与支持，满足用户的多元需求。大数据时代数据准确采集与精确加工难度增加，业务部门或用户对情报机构的依赖性将愈发明显，科技情报可将服务链扩展到情报采集、加工、服务、服务反馈及延伸应用的全生命周期链。典型应用是OCLC提出的学术图书馆研究支撑服务[39]。OCLC发现研究者对情报机构的需求不仅仅是文献提供与保障，还有研究机会发现（研究项目趋势）、研究者的知识产权管理与商业价值实现、研究合作者发现、管理和存储文本与数据集、大量文本或数据分析、改进信息检索或管理能力、引文管理、寻找机会、职位晋升或工作机会发现、学术声誉管理、出版前出版中和出版后的文献管理等。
5 结语
在文献服务、技术服务、应用服务和决策服务的演进过程中，不仅科技情报工作的服务对象逐渐从文献资料、系统信息过渡到覆盖全生命周期数据、文献知识单元、分析与应用工具以及决策与咨询建议的立体服务结构，而且用户需求和受众的情报利用方式也发生了变化。以学术领域的情报工作服务为例，知识大数据的兴起不仅推动了学术知识工程和数据存储服务在科技领域的深度应用[40]，科学家和人文学者对知识数据的利用方式改变也催生了知识大数据服务的诞生[41]。在商业领域，Chen和Chiang通过梳理情报分析技术进展，发现情报分析从面向数据库的结构化数据分析向面向网络的非结构化数据分析、移动网络和感知数据分析的BI&A3.0快速转变[42]。虽然科技情报机构面临着大数据在资源保障和信息分析技术上的挑战，但另一方面科技情报的应用领域越来越广泛、用户对科技情报机构分析能力的依赖将越来越强，面临巨大的发展机遇。
参考文献：
[1] 王飞跃. 知识产生方式和科技决策支撑的重大变革――面向大数据和开源信息的科技态势解析与决策服务[J].中国科学院院刊， 2012， 27（5）： 527-537.
[2] 李广建，杨林.大数据视角下的情报研究与情报研究技术[J].图书与情报，2012（6）：1-8.
[3] 贺德方. 基于大数据、云服务的科技情报工作思考[J]. 数字图书馆论坛， 2013 （6）： 2-9.
[4] 乔晓东，朱礼军，李颖，等. 大数据时代的技术情报工程[J]. 情报学报， 2014， 33（12）： 1255-1263.
[5] 曾建勋，魏来. 大数据时代的情报学变革[J]. 情报学报， 2015， 34（1）： 37-44.
[6] 王晓佳，杨善林，陈志强. 大数据时代下的情报分析与挖掘技术研究[J]. 情报学报， 2013， 32（6）： 564-574.
[7] 张斌， 马费成. 大数据环境下数字信息资源服务创新[J]. 情报理论与实践， 2014（6）：28-33.
[8] Santovena A Z. Big data： evolution， components， challenges and opportunities[D]. Massachusetts Institute of Technology， 2013.
[9] Rider，F.The scholar and the future of the research library： A problem and its solution[M].New York city： Hadham Press，1944.
[10] Kraus R. Statistical déjà vu： The National Data Center Proposal of 1965 and its descendants[J]. Journal of Privacy and Confidentiality， 2013， 5（1）： 1
[11] U.S.Bureau of the Budget，Office of Statistical Standards，Review of Proposal for a National Data Center，Statistical Evaluation Report No. 6， December 1965， reprinted in Edgar S. Dunn， Jr.， Social Information Processing and Statistical Systems-Change and Reform[M].New York： John Wiley & Sons， 1974：204.
[12] The Home of the U.S. Government's Open Data[EB/OL].[2015-10-10].https：//data.gov/.
[13] Openning Up Government UK[EB/OL].[2015-10-10].https：//data.gov.uk/data/search.
[14] 李国杰， 程学旗. 大数据研究：未来科技及经济社会发展的重大战略领域――大数据的研究现状与科学思考[J]. 中国科学院院刊， 2012， 27（6）：647-657.
[15] 邬贺铨.大数据时代的机遇与挑战[J].求是，2013（4）：47-49.
[16] 赵凡， 冷伏海. 科技情报研究与服务的发展现状与趋势[J]. 数字图书馆论坛， 2006（10）：52-60.
[17] 张晓林. 研究图书馆2020：嵌入式协作化知识实验室？[J]. 中国图书馆学报， 2012（1）：11-20.
[18] 刘如，吴晨生，李梦辉. 大数据时代科技情报工作的机遇与变革[J]. 情报理论与实践， 2015， 38（6）： 35-39.
[19] 张晓林. 走向知识服务：寻找新世纪图书情报工作的生长点[J]. 中国图书馆学报， 2000， 26（5）：32-37.
[20] 钱力， 张晓林， 李春旺，等. 利用OSGi的科技情报分析集成服务架构研究与应用[J]. 现代图书情报技术， 2014（12）：62-70.
[21] 毛晓燕. 大数据环境下图书馆信息服务走向分析[J]. 图书馆工作与研究， 2014（3）：72-75.
[22] Library of Congress， “Update on the Twitter Archive At the Library of Congress”（January）[EB/OL].[2015-11-15].http：//loc.gov/today/pr/2013/files/twitter_report_2013jan.pdf.
[23] Zimmer M. The Twitter Archive at the Library of Congress： Challenges for information practice and information policy[J]. First Monday， 2015， 20（7）.
[24] Pulse U N G. Big data for development： Challenges &opportunities[M]. NacionesUnidas， Nueva York， mayo， 2012.
[25] 中科院数据云.科学数据与科技文献集成服务关键技术研究与应用[EB/OL].[2015-11-10].http：///linkdata/597.jhtml.
[26] 裴雷， 孙建军. 中国科技报告质量评价体系与推进策略[J]. 情报学报， 2014（8）：813-823.
[27] 杨善林， 罗贺， 丁帅. 基于云计算的多源信息服务系统研究综述[J]. 管理科学学报， 2012， 15（5）：83-96.
[28] 官思发，朝乐门.大数据时代信息分析的关键问题、挑战与对策[J].图书情报工作，2015，59（3）：12-18，34.
[29] 李广建，化柏林.大数据分析与情报分析关系辨析[J].中国图书馆学报，2014（5）：14-22.
[30] Palmer C L. Weak information work and “doable” problems in interdisciplinary science[J]. Proceedings of the American Society for Information Science and Technology， 2006， 43（1）： 1-16.
[31] Renear A H， Palmer C L. Strategic reading， ontologies， and the future of scientific publishing[J]. Science， 2009， 325（5942）： 828-832.
[32] 李广建， 汪语宇， 张丽. 数字资源整合的实现机制及关键技术――对国外数字资源整合系统的实证研究[J]. 中国图书馆学报， 2007， 33（2）： 75-80.
[33] 刘向， 王伟军， 李延晖. 云计算环境下信息资源集成与服务系统的体系架构[J]. 情报科学， 2014， 32（6）： 128-133.
[34] 王晴. 论科学数据开放共享的运行模式， 保障机制及优化策略[J]. 国家图书馆学刊， 2014， 23（1）： 3-9.
[35] 李志芳， 邓仲华. 国内开放科学数据的分布及其特点分析[J]. 情报科学， 2015（3）： 9.
[36] 缪其浩. 当情报遇到大数据――大数据热点情报跟踪的回顾与感悟[J]. 情报探索， 2013（5）：1-3.
[37] Palmer C L， Cragin M H， Hogan T P. Weak information work in scientific discovery[J].Information processing & manage
ment， 2007， 43（3）： 808-820.
[38] Malpas，Constance.Cloud-sourcing Research Collections：Managing Print in the Mass-digitized Library Environment[R/OL].[2015-11-15].http：///research/publications/library/2011/2011-01.pdf.
[39] Susan Kroll and Rick Forsman. A Slice of Research Life： Information Support for Research in the United States[R/OL]. [2015-11-15].http：///research/publications/library/2010/2010-15.pdf.
[40] Lyon Liz. The Informatics Transform： Re-Engineering Libraries for the Data Decade[J].The International Journal of Digital Curation， 2012， 7（1）： 126-138.
大数据时代的感悟范文5
2016年12月26日，我有幸参加了在兴义为期20天的全国配售电高级研修班。此次培训是由贵州南电弘毅电力技术服务有限公司，依托于恒华科技深厚的电力技术底蕴、中电纵横强大的电力管理咨询队伍，结合万峰电力发电、输变电、电网调度、配网建设管理、售电营销一体化管理经验，面向配售电公司、纯售电公司的从业人员进行电力技术培训。
培训公共课程2天，生产运行2.5天，市场营销4天，配网自动化0.5天，配电网规划0.5天，总承包管理0.5天，截止至2017年1月6日，为期10天的理论课程已告一段落，从中得到了一些启发和感悟，现小结如下：
一、课程开设情况
本次研修班开设的课程有电力基础知识、电改政策解读、配售电公司设立与运营、系统演示、在线监测、总承包管理、配网自动化、大数据应用、电子化招投标业务、配电网规划、营销现状及发展趋势、业务报装、客服服务、供电合同、电能采集、抄表管理、核算管理、收费及账务管理、线损管理、用电检查、计量管理、负荷预测、实物资产管理、变电设备运维管理、设备检修管理与状态检修、技改大修管理、技术监督管理，课程安排紧凑且贴近与配售电业务管理，讲师们讲授深入浅出，指明发展思路，使每一名学员饱餐了一顿精神食粮。
二、学习方面的感受
1、理顺了发展思路
通过全面的业务知识及政策导向分析，使我拓宽了思维，并系统全面的对配售电这一新兴行业有了新的认知，加深了对电力营销这一岗位的认识。主要体现在两方面：一是要积极研读政策文件，坚定信念，探索配售电发展的思路；二是认识到自身的不足，需要不断提高自己的专业知识、管理知识和职业修养；三是拓宽了对增值业务的理解及发展方向。
2、学习是永不枯竭的资源
过去的电力交易，是发电企业卖电给电网，电网再卖给用户，其中发电企业得到的上网电价和用户付出的购买电价，都是国家规定的。恰恰中间的电网环节成本没有任何监管，简单理解就是管住了两头，而放过了中间。自2015年"9号文件"的出台后，中央电改脚步加快，贵州省在2016年下半年也组合拳式的了相应的配套文件，强力推进这个供给侧改革。在经济全球化、知识经济化、信息快速化的趋势越来越突出的时代，配售电这一新兴行业的诞生对于我们来说至关重要的是学习，要在不断学习的过程中重塑自我，提升自我，更新观念，理清思路，不断创新，增强企业的竞争能力。
三、业务认识提升
1、卖的是服务套餐
作为开发区配售电公司，政府的强力协调性是最大的优势，但是南网的垄断格局也没那么容易打破，比如供电的可靠性、电能质量、调度的协调等等，一个环节的失误就会导致我们失去客户，而一旦失去了客户，就很难再获取，并会让企业形象大大受损。对于前期没有配网，只能开展纯售电的公司而言，"服务"的提升是最大的竞争力，业余学习了一下德国的配售电改革案例，给用户提供节能服务、优惠套餐等增值业务是一项重要思路。只有提高了服务能力，才能在售电中分得一杯羹。
2、智能信息工具充实管理手段
近日，中日韩三国等围棋高手皆败于连胜60局的"Master","Master"其实就是人工智能程序，可怕的是它走的每一步棋都完全不用思考，不像人类大脑会有诸多因素的干扰。而这类智能一体化系统同样在配售电工作上既能准确的实现电能、电量、电费的采集运算及抄核收，又能为企业节约人工成本。通过使用大数据网络来完善和提升企业管理，走向规范运作、管理科学、高效发展的具有综合竞争能力的现代化企业。
3、未来最大的能源市场
马云在2015年在贵阳"全球大数据峰会"上的分享发言，他说"互联网是未来最大的能源".这句话，在12月31日上了李杰老师的课后，我才有了深切的感悟，最大的启发是为什么要这么迫切的抢占充电桩市场，因为充电桩市场能靠"物联网"带动"互联网+",且潜力巨大。简单的解释就是以充电桩为介质卖电，催生互联网充值业务，再由充值业务衍生出"互联网+"中电子商务、广告、增值服务等等业务，还能通过大数据及GPS,统计出电动汽车的运行数据，商业价值巨大。而这些"能源市场"的催生也许会让充电卖电成为辅助产品。
4、为做好电能期货市场做准备
无论是朱老师的政策性解读，王刚老师、陈宝珍老师、谭应波老师、孙兆乾老师业务知识解说，还是桂衡老师、李杰老师的配售电分析，都是在让我们掌握了专业知识和政策导向下，帮助客户养成良好的用电习惯，让购售电偏差值得到有效控制。甚至可以更大胆的设想：以后用户可以晚上充电，白天用电，用户也可以将自己充的电卖给别人，这样就可以实现电能的存储和销售，达到期货交易的目的。
以上观点纯属个人培训学习的感悟，十天的培训学习，课程多、时间紧，知识量大，许多知识我们还只是了解些皮毛，掌握的不多，认识还相当肤浅。但是，通过这次培训学习，的确给我们更新了知识，开阔了眼界，为我们今后深入学习、实践打下了坚实的基础。
大数据时代的感悟范文6
在这之后，作为大连软件园股份有限公司的总裁，高炜主持了大连软件园的规划开发、建设与运营管理工作，成为国内最早从事软件园区投资运营管理的人士。
现在，“老软件人”高炜遇到了软件行业的新一轮变革。“这种骤变是每 30 年才遇到一次。”美国知名科技博客BusinessInsider描述说，“上一次行业革命创造了今日的巨头，像微软、甲骨文和 SAP，同样的事情会在这5 年内重演，新的行业巨头和技术将崛起，也有一部分旧公司退出历史的浪潮。”
5年内的暴风骤雨
高炜对这个骤变已有预感。
在印度考察时，他发现当地著名的塔塔集团，当年从软件服务外包起步，现在为印度中小企业创立云平台，客户可按月付费使用最基本的会计和销售管理软件。另外两家印度企业Cognizant和Wipro，利用云平台、物联网等技术搭建了家庭护理解决方案，承接美国病人的家庭护理外包业务，这些公司建立了美国运营中心、印度运营中心和外勤护工团队，并为此配备了IT设备和基础设施。
在国内，高炜他们在北京见过一家公司中启创，创始团队从西门子出来以后，创建了云计算公司，专门为一些不愿在IT上做大投入的小企业提供服务。客户只要按月付费，例如每月支付200元，就可以远程使用OFFICE等云平台上提供的软件，不同的费用标准所能使用的软件也不同。
在上海，高炜接触过的一家名为美库尔的公司，虽然是做客户管理的，但他们不开发软件，而是运用大数据分析技术，针对某个人、公司或者组织设计营销方案。比如说你上淘宝买东西，左边有一栏东西，你看了什么、你会喜欢什么，他们利用这些数据，会自动总结出属于你的营销方案，然后把类似的东西都推送给你。“不久前，大连软件园参加在新加坡举行的SSOW会上，有个专题研讨会就在讨论大数据和海量数据间的区别。当时大家有一个一致的观点，大量的数据并不就是大数据，所谓大数据，是围绕对象相关的数据给它整合起来。”高炜说。美库尔做的就是基于大数据的生意，他们目前基于大数据在做上海迪士尼的消费体验分析。
这些“新”企业，与高炜他们过去做软件园10多年中接触的传统软件企业有着一些根本的不同：
首先，它们对地域概念不再那么强了，身处何方都可以开展它们的业务。
其次，它们通过网络来运营、管理业务；而且这些公司更加活跃，它们会熟练利用互联网和新兴的社交媒体来做营销推广。因此，它们对网络的可靠性和稳定性非常看重。
再次，很多新型软件企业不再像传统软件开发那样依赖大量人力。这些新型企业规模通常不大，更加关注成本，关心有没有便利的软件服务，不用他们自己做投资，因此，它们对云服务更有需求。
此外，新企业更年轻，更喜欢创新性事物，更强调不拘一格的创新。
那么，高炜自然而然地要面对这样的问题：在这样的变化下，软件园要做哪些改变呢？
追随新生代
你可能会惊讶地发现，现在由大连软件园股份有限公司负责规划和运营管理的武汉软件新城，在某种意义上实现了“智慧城市”的部分畅想：智能一卡通系统将园区内的门禁、停车收费和生活配套设施等服务都集成在一张卡片上，这张卡片同时接驳至区域内的公交系统，让企业员工的生活和出行更为便利。园区内主要路口的大屏幕信息屏、楼宇内的多媒体触摸查询系统、电梯内的液晶电视屏，进行实时的信息、传播和查询，同时向园区内的移动终端用户发送实时的信息推送通知。
在软件园中规划的公共服务平台，除了那些满足马斯洛基本需求——像吃饭、交流的基础设施外，现在也少不了云平台。高炜想起多年前，在大连软件园建设过程中，曾经有段时间，园区中有很多企业在接大型机软件改造的外包业务，但却没有大型机开发平台。当时，高炜他们就与IBM谈合作，租赁了一个大型机平台，拉线到那些软件企业中去，让大家来共享这个平台做开发。
如今，这个平台经济和资源整合的基因仍然是软件园最重要的特质之一。“阿里就是提供了一个好的平台，建立起了一个生态圈；软件园也需要搭建好的平台，建起一个生态圈。新时代下，云服务也成为公共平台的一个组成部分。”高炜说。不久前，高炜与北京云基地等组织做了交流，现在云的生态链引进和商业运作，是他们尝试做的一件事。
同时，怎么更好地利用互联网去抓住客户，服务客户也是软件园尝试的一件事。
孵化器在近些年也已成为软件园和开发区的一个必备功能。现在新型软件公司发展非常快，不断涌现出新企业。在这个阶段孵化器的作用很大。软件园正在尝试为小微企业提供打包式服务，采用分成形式，来探索新的盈利模式。软件园也联合风投一起运作，如果看好一家公司，可以给它免租，但是可能占它5%的股份，等这些企业上市或者有了发展后再来获取回报，这些新的运营机制都在探索之中。
实际上，类似的模式，像打包服务，过去曾在巨型企业身上尝试过、成功过。早在2002年，IBM日本公司有意把一部分软件服务外包业务拿到大连来做。但跨国企业论证、审计流程繁琐复杂，一般需要一年时间。“有没有更简单的方式来做这件事？”IBM相关负责人找到了大连软件园。最终，高炜他们独创了BOT（建设、运营、移交）模式——IBM把核心业务拿过来、核心团队派过来，大连软件园负责楼宇装修、网络设备安装、人才招聘培训，直到建立一个可以运营的公司，然后把公司整体移交给客户。之后，软银、思科也都采用了这个模式入驻大连软件园。“现在IBM在中国有1.6万人，大连就有8000人。”从零起步做这个项目的高炜每次提起来都非常自豪。如今，这样的孵化思路又要结合新时代小企业的特点来调整和再复制。
快速的复制
万达商业地产在全国各地快速地建设，让高炜有很深的感悟。“王健林曾经讲过，做商业地产、做ShoppingMall、做城市综合体，过去没有标准。但现在万达为什么能做这么快、这么专业？就是因为它摸索建立起了一套最符合客观规律的商业地产标准，设计从一开始就按照标准，设计完了一次成型”。
在中国，产业园区本身也是新生事物，产业楼宇的建设和设计也并无成熟先例。高炜他们在过去10多年做软件园区的摸爬滚打中，在与世界500强客户的合作切磋中，积累了大量的经验。令高炜最难忘记的是2003年，美国GE公司请大连软件园为它建设一个定制楼。当时GE给出的英文技术标准文档有厚厚一摞，不仅包括配电、采暖、通风，就连休闲区、提款机、咖啡机的配置甚至卫生间的蹲位都有精细的标准。今天，大连软件园也有能力做自己的精细化标准。今年是大连软件园股份有限公司的“标准年”。高炜说，只有把实践中总结出来的很多东西变成标准、流程，产业园区的复制才能实现高效和专业化。
例如在实践中，大连软件园发现，在数千人的软件公司，男女比例通常达7：3，而服务型企业，如后台服务中心则正好相反，所以，在产业楼宇建设中，他们引入了“预设机动卫生间”这个设计，随时根据业主的情况来调配男女的蹲位比例。在软件园中，加班现象比较常见，但常规写字楼中央空调一般无法在非工作时间内运转。大连软件园就对空调进行分区控制，实现在非常规工作时间内可以针对局部区域集中提供空调服务，还能降低客户加班时的空调延时费用。大连软件园还通过科学设计与提升电梯操控，实现员工在高峰时段候梯时间不超过30秒的设计。通过优化平面设计，使办公室最远工位距离窗边的长度不超过两个柱距，保证每个工位都有好的自然采光和通风。这些经验已被整理为标准流程，作为大连软件园股份有限公司的建设规范。
在移动互联时代，公司比以往任何时候都更关注员工的创造力。依赖创新的企业相信这样一种理论——轻松愉悦的工作环境可以激发员工的创造力。美国《时代周刊》曾过一组有关Google总部Googleplex的照片，描述在加利福尼亚州山景城的Google总部那些不拘一格的设计，像在企业总部中融入高尔夫球场、游乐园、美容院、游泳池、水族馆等等康乐设施和设计思路，来促进员工的创新性和协作能力。在新一代软件园区建设规划中，这也是一个不可避免的趋势。高炜称新的软件社区也正在引入这样的思路，提供适合创新群体的工作环境、生活环境的配套设施。
实际上，高炜做标准、提升产业园区建设复制能力是有根本动力的。现在，中国提出建设新型城镇化，高炜认为，这个新型城镇化要以产业为核心载体，而且作为核心载体的产业要更为绿色，减少对环境的污染，并能吸收更多的大学生就业。“今年被称为‘最难就业季’，新毕业大学生达到690万。可是未来10年，每年预计会新增700万大学生，而总的新增就业人口是1500万左右，大学生将占到一半。” 高炜说。这就是新的形势。他打了个比方，如果他们和某知名全球电子制造巨头一同去一个地方投资，在过去，人们肯定会热烈欢迎后者，但现在，高炜他们做得更绿色、更可持续发展的产业园区将更顺应时代的潮流。
目前，大连软件园股份有限公司已经进驻了苏州、武汉等地，与当地一起进行生态科技城开发以及软件园的投资运营。
