第十四章 大数据和数据科学

• 信息收敛三角

• 数据科学

  数据科学将数据挖掘、统计分析和机器学习与数据集成整合，结合数据建模能力，去构建预测模型、探索数据内容模式。

• 分析对比

数仓和数据科学区别：

1. 数据仓库主要用于描述性分析，提供事后的结论

1. 数据科学侧重于预测性和规范性分析，旨在为未来提供预测和决策支持。

2. 数据仓库关注已发生事情的总结，而数据科学强调对未来的洞察和预见。

数据科学：

• 预测性分析，洞察，未来可能会发生什么

• 规范性分析，预见，我们该做什么才能保证事情发生

• 数据科学的过程阶段

2. 业务驱动因素

• 从多种流程生成的数据集中发现的商机

3. 大数据

• 早期，人们通过3 V来定义大数据含义的特征：数据量大 （Volume）、数据更新快（Velocity）、数据类型多样/可变（Variety）（Laney，2001）。随着越来越多的组织开始深挖大数据的潜力，已经不止于以上三个V。

V列表有了更多的扩展：

• 1）数据量大（Volume）。大数据通常拥有上千个实体或数十亿个记录中的元素。

• 2）数据更新快（Velocity）。指数据被捕获、生成或共享的速度。大数据通常实时地生成、分发及进行分析。

• 3）数据类型多样/可变（Variety/Variability）。指抓取或传递数据的形式。大数据需要多种格式储存。通常，数据集内或跨数据集的数据结构是不一致的。

• 4）数据黏度大（Viscosity）。指数据使用或集成的难度比较高。

• 5）数据波动性大（Volatility）。指数据更改的频率，以及由此导 致的数据有效时间短。

• 6）数据准确性低（Veracity）。指数据的可靠程度不高。

总结：

• 数据量大（Volume）

• 数据更新快（Velocity）

• 数据更新快（Velocity）

• 数据黏度大（Viscosity）

• 数据波动性大（Volatility）

• 数据准确性低（Veracity）

2.1 大数据的来源？

• 1. 结构化的数据（数仓）

  2. 非结构化的数据（进数据湖）

3. 数据湖

数据湖是一种可以提取，存储，评估和分析不同类型和结构海量数据的环境可供多种场景使用，例如：

• 1）数据科学家可以挖掘和分析数据的环境。

• 2）原始数据的集中存储区域，只需很少量的转换（如果需要的 话）。

• 3）数据仓库明细历史数据的备用存储区域。

• 4）信息记录的在线归档。

• 5）可以通过自动化的模型识别提取流数据的环境。

数据湖的风险在于：它可能很快会变成数据沼泽——杂乱、不干 净、不一致。为了建立数据湖中的内容清单，在数据被摄取时对元数据进行管理至关重要。

4. 基于服务的架构（Lambda架构）

• SBA架构

  • 批处理层（Batch Layer）

  • 加速层（Speed Layer）

  • 服务层（Serving Layer）

5. 机器学习（需要理解）

• 算法分类

  • 监督学习（Supervised learning）

    基于通用规则（如将SPAM邮件与非SPAM邮件分开）

    （对于可能性的结果是可知的，比如预测一下明年的销售额比今年多还是少）

  • 无监督学习（Unsupervised learning）

    基于找到的那些隐藏的规律（数据挖掘）

    （无监督学习可能性结果未知，比如预测一下明年的销售额是多少）

  监督学习关注已发生动作的预测，无监督学习关注无限可能性。

  • 强化学习（Reinforcement learning）

    基于目标的实现（如在国际象棋中击败对手）

    （前面那一次的结果会作为下面这一次的一个输入，所以它是不断的越来越好，越来越好的这么一个过程）

6. 语义分析 NLP(自然语言分析)

7. 数据和文本挖掘

• 剖析（Profiling）

• 数据缩减（Data reduction）

• 关联（Association）

• 聚类（Clustering）

• 自组织映射（Self-organizing maps）

8. 规范分析

• 规范分析（Prescriptive Analytics）比预测分析更进一步，它对将会影响结果的动作进行定义，而不仅仅是根据已发生的动作预测结果

9.数据可视化

• 通过使用图片或图形表示来解释概念、想法和事实的过程。

10. 活动

10.1 大数据战略评估标准

• 1）组织试图解决什么问题，需要分析什么

• 2）要使用或获取的数据源是什么

• 3）提供数据的及时性和范围

• 4）对其他数据结构的影响以及与其他数据结构的相关性

• 5）对现有建模数据的影响

11. 工具

• MPP无共享技术和架构

• 基于分布式文件的数据库

• 数据库内算法

• 大数据云解决方案

• 统计计算和图形语言

• 数据可视化工具集

12. 度量指标

• 数据使用指标

• 响应和性能指标

• 和扫描指标

• 学习和故事场景