前 言
为什么要写这本书
随着2013年大数据元年的开启,各行各业都已经将大数据视为推动企业发展、推进行业进步、加快产业升级、促进民生繁荣、巩固社会安全甚至提升国家竞争力的核心武器。从个性化推荐、关联销售到精准营销,从云平台、云服务、云计算到大数据产业链,从百度迁徙、高考预测到冬季流感预测,从机器学习、图像识别到智能交通,从奥巴马总统竞选到美国中央情报局反恐,从美国的大数据研究和发展计划到中国的促进大数据发展行动纲要等一系列事实说明了大数据正受到来自政治、经济、社会、文化、军事等各个领域的广泛关注,并越来越彰显其巨大价值。
大数据不仅是一个技术名词,更是当下企业资产、核心竞争力、完整产业链和先进生产力的代名词。因此,大数据应该是作为一个整合概念和体系被认知,而非独立的方法论、技术论甚至应用论。处于飞速变革时代的中国,在大数据产业链各个环节的企事业单位受限于自身产业属性、盈利模式、利益趋向、认知、能力等,无法完整地展示出大数据的知识图谱与价值图谱。
纵观当下整个大数据认知取向,大致有三类基本认知点:
第一类是大数据知识论,这种认知以大数据方法、理论、知识的研究和推导为聚焦点,通过深度学习,归纳、总结出大数据知识体系。这是典型的学院派,优势是对基础理论研究非常透彻并且具备深厚的理论基础,不足之处是缺乏对产业、学术、应用的结合,更缺少真正能落地的应用案例。
第二类是大数据技术论,这种认知以大数据技术为聚焦点,落脚于大数据的硬件、服务、架构、开发、计算、算法等具体实施层面。诚然,大数据技术是大数据实施的核心,也是带来技术变革和生产力突破的关键,但只有技术而缺乏正确的方向以及有价值的应用引导,技术便无法发挥作用,更无法转化为经济价值、社会价值和政治价值。
第三类是大数据应用论,这种认知以大数据的场景化为聚焦点,通过对历史、现在、未来的变革、创新和实践的总结和构想,营造出大数据的丰富应用场景和能力空间。这是一种典型的以应用为驱动的认知理论,通过落地案例驱动技术来表现大数据的巨大价值。但这种应用论过于专注场景化包装,更强调落地而忽视技术的巨大潜力和推动作用,更无法体现出大数据作为企业资产、技术竞争力等非直接利润表现的价值因素。
本书的几位联合作者彼此是共事多年的朋友,各自负责大数据工作中的不同环节。大家的工作和知识有交集更有互补,因此,我们认为只有依靠这种“知识合并”和“知识互补”的关系才能够呈现出大数据的全貌,这也是撰写本书的出发点之一。
当前,市场上有非常多关于大数据的书籍,但能从整体性、全局性、安全性、价值性、技术性、体系性等方面完整考虑的书非常少。我们希望通过本书让读者认识到大数据不仅仅是数据、技术、架构、应用,更是结合了商业模式、战略定位、信息安全、单位协同、组织保障、实施选型的完整体系。
几位联合作者对于本书内容的贡献如下:吕兆星撰写了技术的架构部分,包括第4章、第5章、第6章;郑传峰撰写了战略和应用的部分,包括第1章、第2章、第9章;宋天龙撰写了数据和价值评估的部分,包括第3章、第8章、第10章、第11章、第12章、第13章;杨晓鹏撰写了技术开发的部分中第7章的全部内容。
目 录
前言
第1章 企业大数据战略定位
1.1 宏观
1.2 微观
1.2.1 资源协同
1.2.2 战略定位
1.2.3 启动契机
1.2.4 大数据历程
1.3 本章小结
第2章 企业大数据职能规划
2.1 大数据组织架构体系
2.1.1 大数据部门在企业中的角色
2.1.2 常见的大数据职能及职责
2.2 大数据职位构建体系
2.2.1 基础平台类
2.2.2 数据管理类
2.2.3 技术研发类
2.2.4 产品设计类
2.2.5 数据挖掘类
2.2.6 数据分析类
2.3 大数据制度和流程规范
2.3.1 制度和流程规范意义
2.3.2 制度和流程规范内容
2.3.3 制度和流程规范模板
2.4 本章小结
第3章 企业大数据解决方案
3.1 企业大数据解决方案实现方式
3.1.1 独立研发
3.1.2 第三方解决方案
3.1.3 联合开发
3.2 如何选择解决方案
3.2.1 外部环境分析
3.2.2 内部环境分析
3.2.3 需求规划分析
3.2.4 解决方案特性分析
3.2.5 解决方案费用评估
3.3 本章小结
第4章 企业大数据自主实施思路
4.1 制定规划原则
4.1.1 价值性
4.1.2 实时性
4.1.3 高效性
4.1.4 安全性
4.1.5 延展性
4.1.6 全局性
4.2 制定目标蓝图
4.3 制定建设目标
4.4 明确组织规划
4.4.1 组织结构设计的作用
4.4.2 组织结构设立的导向
4.4.3 组织结构的最终设立
4.5 设计技术方案
4.5.1 大数据系统建设方案
4.5.2 大数据系统与传统BI的融合方案
4.6 制定人才规划
4.6.1 指导思想
4.6.2 规划原则
4.6.3 核心内容
4.7 投入产出评估
4.7.1 数据投入与产出的内涵
4.7.2 数据投入与产出的特征
4.7.3 数据投入与产出的管理
4.8 数据风险管理
4.8.1 数据风险管理的概念
4.8.2 数据风险管理的类型
4.8.3 数据风险管理的原则
4.8.4 数据风险管理与控制
4.9 本章小结
第5章 大数据技术介绍
5.1 核心技术
5.1.1 Hadoop生态
5.1.2 NoSQL
5.1.3 实时计算
5.1.4 全文检索
5.2 相关技术
5.2.1 数据可视化
5.2.2 数据缓存
5.2.3 中间件
5.2.4 关系型数据库
5.2.5 数据ETL
5.3 大数据算法库
5.4 本章小结
第6章 大数据架构设计
6.1 大数据架构设计原则
6.2 大数据核心架构要素
6.3 大数据架构设计模式
6.4 本章小结
第7章 大数据技术开发
7.1 数据采集
7.1.1 批量采集
7.1.2 增量采集
7.2 数据存储
7.2.1 HDFS文件存储引擎
7.2.2 Hive数据存储引擎
7.2.3 HBase列式存储引擎
7.2.4 MySQL关系型数据存储引擎
7.3 多维计算
7.4 功能服务
7.5 平台管理
7.5.1 监控管理
7.5.2 调度管理
7.5.3 权限管理
7.6 应用域
7.7 本章小结
第8章 大数据工作流
8.1 数据源
8.1.1 日志/文件
8.1.2 数据库
8.1.3 网络爬虫
8.1.4 第三方API/合作
8.2 数据处理
8.2.1 数据质量校验
8.2.2 清洗转换
8.2.3 质量提升
8.2.4 数据脱敏
8.2.5 集成整合
8.3 数据存储
8.3.1 关系型数据库
8.3.2 分布式文件系统
8.4 数据计算
8.4.1 三种数据计算时效性
8.4.2 结构化数据计算
8.4.3 半/非结构化数据计算
8.4.4 深度挖掘学习
8.5 数据应用
8.5.1 辅助决策
8.5.2 数据驱动
8.6 数据质量管理
8.6.1 数据质量建设的内涵
8.6.2 影响数据质量的常见因素
8.6.3 数据质量建设的框架
8.7 本章小结
第9章 企业大数据业务应用
9.1 大数据应用场景概述
9.1.1 场景商业目的分析
9.1.2 场景数据来源分析
9.1.3 场景数据难易分析
9.1.4 场景应用举例
9.2 用户画像
9.2.1 业务应用背景
9.2.2 主要实现过程
9.2.3 关键应用场景
9.2.4 应用价值提炼
9.2.5 场景总结回顾
9.3 个性化营销
9.3.1 业务应用背景
9.3.2 主要实现过程
9.3.3 关键应用场景
9.3.4 应用价值提炼
9.3.5 场景总结回顾
9.4 精准广告
9.4.1 业务应用背景
9.4.2 主要实现过程
9.4.3 关键应用场景
9.4.4 应用价值提炼
9.4.5 场景总结回顾
9.5 征信
9.5.1 应用场景背景
9.5.2 主要实现过程
9.5.3 主要应用场景
9.5.4 应用价值提炼
9.5.5 场景总结回顾
9.6 本章小结