自我展示百科全书是什么,大数据主要学习什么内容

自我展示百科全书是什么，大数据主要学习什么内容？

前言

要从事计算机行业的工作，不管是什么工作，开发、测试、还是算法等，都是要有一门自己比较熟练的编程语言，编程语言可以是C语言、Java、C++等，只要是和你后续工作所相关的就可以（后续用到其他语言的话，你有一门语言基础了，学起来就快了）。一般初学者入门语言大多都会选择Java、C语言、C++或者Python，而且现在网上有很多好的视频，可以供初学者学习使用。关于学习视频或者资料的选择，知乎或者百度等都有很多讲解了，也可以跟师兄师姐咨询，这样可以少走很多弯路，当然，有人说，走一些弯路总是有好处的，但是我这里说的弯路不是说不犯错误，不调bug，而是指学习资料以及一些知识点的偏重点，这样可以尽量节约一部分时间，刚开始时，总会有点迷，而且当你真正投入进去学习时，会发现时间总是不够用。

我前面是做的Java后端，后续才转的大数据，所以一些Java开发所需要的东西自己也有学习过，也都是按照正常的路线走的，JavaSE阶段，然后数据库，SSM框架，接着做了一些网上找的项目，之后发现对大数据比较感兴趣，就开始找大数据相关的资料学习，看视频，看博客，敲代码，前期大概花了3-4个月吧（公众号的这些资料就是我当时看过的），也是一步步艰难走过来的，刚刚开始接触大数据相关的东西时，一度怀疑这么多东西自己能否学得完，是不是能用得到，学完又忘了，忘了又回头看，不过还好，坚持过来了，还好没有放弃，工作也还ok，找的大数据开发岗，待遇也还不错吧。

下面就说一下我自己从Java开发到大数据开发的曲折学习之路（狗头保命.jpg）。因为我现在是做大数据相关的工作了，所以Java后端涉及到的一些SSM框架等知识点我就不介绍了，毕竟后续一段时间也没有做了。自己看过的大数据学习相关的视频+资料大概是200G-300G吧，从Linux->Hadoop->。。。->Spark->项目，还有就是一些面试文档，面经等。一些视频看了两遍或者更多，跟着学，跟着敲代码，做项目，准备面试。涉及到需要学习的东西包括：JavaSE，数据结构与算法（计算机行业必备），MySQL，Redis，ES（数据库这些可以看项目，也可以自己熟练一两个），Linux，Shell（这个可以后期补），Hadoop，Zookeeper，Hive，Flume，Kafka，HBase，Scala（Spark是Scala写的，会Scala做相关的项目会更容易入手），Spark，Flink（这个是找工作时有面试官问过几次liao不liao解，所以找完工作才开始接触学习），相关项目。

编程语言阶段学习

  如果是零基础的话，建议还是从视频开始入门比较好，毕竟一上来就看教材，这样有些代码的来龙去脉可能不是很了解。如果是有一些编程语言基础的话，从视频开始也会更简单，一些for、while循环你都知道了，学起来也会快很多。  JavaSE我是选择的某马刘意的为主，因为刚刚开始学Java看过一本从《Java从入门到精通》，没什么感觉，后续又在看了某课网的Java初级视频，还是没感觉出来啥（当时就有点怀疑自己了。。。），可能有点没进入状态。  还好后续找了某马刘意老师的JavaSE视频（我是看的2015年版本，那时候19版还没出），觉得他讲的真的是很好很详细，每个知识点都会有例子，也都会带你敲代码，做测试，可能前面有C语言基础，然后也看过Java的一些语法，所以学起来还是比较顺利，后面的IO流、多线程等知识点时，也有看书看博客，或者看看其他老师的课程，讲解的可能自己比较容易接受就可以，反正都是多尝试（下面会给出视频链接），尽量懂一些，后续可以回头来复习。JavaSE相关的视频，先看一遍，后续有时间建议再看一遍，而且这些经典的视频，看两遍真的是享受。  如果有一定基础了的，JavaSE前面七八天的视频可以加速看，但是不懂的一定要停下开仔细想想，零基础的还是尽量不要加速吧，慢慢来稳些。后面的视频建议还是跟着视频来，尽量不要加速，代码尽量都敲一敲，第一遍基本上一个月到一个半月可以结束。  JavaSE可以说是很基础也很重要的东西，主要重点包括面向对象、集合（List、Map等），IO流，String/StringBuilder/StringBuffer、反射、多线程，这些最好是都要熟悉一些，面试也是重点。  JavaSE之后，如果你是要走前端或后端开发路线的话，可以跟着一些网上的视频继续学习，这里我就不多做介绍了。

===========分割线，Scala可以后续Spark阶段再接触学习=============

  Scala的学习，Scala是一门多范式 (multi-paradigm) 的编程语言，Scala支持面向对象和函数式编程，最主要的是后续Spark的内容需要用到Scala，所以前面学习了JavaSE，到Spark学习之前，再把Scala学习一波，美滋滋，而且Scala可以和Java进行无缝对接，混合使用，更是爽歪歪。后续Spark学习时基本都是用的Scala，也可能是和Java结合使用，所以Spark之前建议还是先学一波Scala，而且Scala用起来真是很舒服（wordcount一行代码搞定），适合迭代式计算，对数据处理有很大帮助，不过Scala看代码很容易看懂，但是学起来还是挺难的，比如样例类（case class）用起来真是nice，但是隐式转换学起来就相对比较难。学习Scala的建议：1. 学习scala 特有的语法，2. 搞清楚scala和java区别，3. 了解如何规范的使用scala。Scala对学习Spark是很重要的（后面Flink也是要用），虽然现在很多公司还是用Java开发比较多，而且Spark是Scala写的，如果要读源码，会Scala还是很重要的（至少要看得懂代码）。  Scala主要重点包括：隐式转换和隐式参数、模式匹配、函数式编程。这里我看的是某硅谷韩老师的Scala视频，韩老师讲的真的很不错，五星推荐，哈哈。  也许有人会觉得Python也是需要的，但是学习阶段，可能用Java还是比较多，面试也基本都是问Java相关的内容，所以Python后续工作会用到的话，再看看Python的内容吧。

大数据框架阶段学习

  大数据这方面的知识点自己可以说真的是从零开始的，刚刚开始学那会Linux基本都没用过，心里那个虚啊，而且时间也紧迫，想起来都是一把辛酸泪。  刚刚开始学的时候，看了厦门大学林子雨的《 大数据技术原理与应用》课程，可能这个课程是面对上课的，所以看了一些，感觉对自己帮助不是很大（并不是说课程不好，可能不太适合自己，如果是要了解理论知识，很透彻，但是俺时间紧迫啊），所以就继续在网上找视频，然后发现某硅谷的培训视频很多人去参加，而且知识点也很齐全，大数据相关组件都有讲课，还有一些项目比较好，所以就找了它相关的视频，当时看的是2018年的，所以视频不算旧。  来一张推荐系统架构的图，先看看

  一般来说，Flume+Kafka对数据进行采集聚合传输，一方面Spark对实时数据进行处理，传输给相应的数据处理模块（比如实时数据处理的算法模块，Spark也有提供常见的机器学习算法的程序库），另一方面采集的数据也可以放入数据库（HBase、MongoDB等）中，后续MapReduce对离线数据进行离线处理，数据处理完毕用于后续的使用，数据采集处理的流程大概就是这样。如果是推荐系统，实时推荐会给用户产生实时的推荐结果，让用户进行查阅选择，比如你在界面浏览了或者看了新的物品，然后刷新下界面，可能给你展示的东西就有一些变成跟你刚刚浏览的相关了。离线推荐的话主要是对离线数据进行处理，为物品或种类做出相似的推荐，如果后续用户搜索相应的物品时，给用户展示相应的产品。

  大数据学习路线：Linux -> Hadoop -> Zookeeper -> Hive -> Flume -> Kafka -> HBase -> Scala -> Spark -> 项目 - > Flink（ 如果需要学习Storm，在Spark前面学习）

一、Linux（基本操作）

  一般我们使用的都是虚拟机来进行操作，所以要安装VM（ Virtual Machine），我使用的是CentOS，所以VM和CentOS都要跟着安装好，跟着视频操作，一定要动手实践，将一些Linux基本命令熟练掌握，一些VIM编辑器的命令也要会用，做相应的一些配置，使用SecureCRT来做远程登录操作（也可以使用其他的，自己顺手就行）。再强调一遍，基本操作命令尽量熟练一点，如果一下记不住，打印一些常用的，自己看看，多用多实践，慢慢就会用了。还有一些软件包的下载安装卸载等，跟着操作一遍，熟悉下，后续都会使用，Shell编程可以后续补。

二、Hadoop（重点中的重点）

  Hadoop是一个分布式系统基础框架，用于主要解决海量数据的存储和海量数据的分析计算问题，也可以说Hadoop是后续整个集群环境的基础，很多框架的使用都是会依赖于Hadoop。主要是由HDFS、MapReduce、YARN组成。这个部分安装Hadoop，Hadoop的三个主要组成部分是重点，对他们的概念要理解出来，知道他们是做什么的，搭建集群环境，伪分布式模式和完全分布式模式的搭建，重要的是完全分布式的搭建，这些部分一定要自己动手实践，自己搭建集群，仔细仔细再仔细，Hadoop的NameNode，DataNode，YARN的启动关闭命令一定要知道，以及他们的启动关闭顺序要记住，不要搞混。后续视频会有一些案例操作，跟着写代码，做测试，把基本环境都配置好，后续这个集群（完全分布式需要三台虚拟机）要一直使用。

三、Zookeeper

  Zookeeper是一个开源的分布式的，为分布式应用提供协调服务的Apache项目。分布式安装ZK，对ZK有一定的了解就可以了，了解它的应用场景，以及内部原理，跟着做一些操作，基本上有一些了解即可。

四、Hive（重点）

  Hive是基于Hadoop的数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。Hive的安装，它的数据类型，以及它的数据定义、数据操作有较好的了解，怎么操作表（创建表、删除表，创建什么类型的表，他们有什么不同），怎么操作数据（加载数据，下载数据，对不同的表进行数据操作），对数据的查询一定要进行实践操作，以及对压缩方式和存储格式要有一些了解，用到时不懂也可以去查，最好是能理解清楚。这部分有什么面试可能会问，所以视频后续的面试讲解可以看看，理解清楚。

五、Flume

  Flume是一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。对于Flume，对它的组成架构，以及对Flume Agent的内部原理要理解清楚，Source、Channel、Sink一定要知道它们的各种类型以及作用，有哪些拓扑结构是常见常用的，例如一对一，单Source、多Channel、多Sink等，它们有什么作用，要理解清楚。还有一个重点，就是对Flume的配置文件一定要了解清楚，不懂的可以上官网查看案例，对于不同的情况，它的配置文件要做相应的修改，才能对数据进行采集处理，视频中的实践案例一定要跟着做。

六、Kafka（重点）

  Kafka是一个分布式消息队列，用来缓存数据的。比如说实时计算中可以通过Flume+Kafka对数据进行采集处理之后，Spark Streaming再使用Kafka相应的Topic中的数据，用于后续的计算使用。对于Kafka，要理解Kafka的架构，什么是Kafka，为什么需要Kafka，应用场景。基本的命令行操作要掌握，比如怎么创建删除Topic，怎么通过生产者生成数据，消费者怎么消费数据等基本操作，官网也是有一些案例可以查阅的。

七、HBase（重点）

  HBase是一个分布式的、基于列存储的开源数据库。HBase适合存储PB级别的海量数据，也可以说HBase是很适合大数据的存储的，它是基于列式存储数据的，列族下面可以有非常多的列，列族在创建表的时候就必须指定。所以对HBase的数据结构要有一定的理解，特别是RowKey的设计部分（因为面试被问到过，咳咳，所以点一下），对于它的原理要了解，一些基本操作也要都会，比如创建表，对表的操作，基本的API使用等。

八、Spark（重点中的重点）

  Spark是快速、易用、通用的大数据分析引擎。一说到Spark，就有一种哪哪都是重点感觉，哈哈。  Spark的组成可以看下图

  Spark是基于内存计算的，对于数据的处理速度要比MapReduce快很多很多，而且数据挖掘这些都是要对数据做迭代式计算，MapReduce对数据的处理方式也不适合，而Spark是可以进行迭代式计算，很适合数据挖掘等场景。Spark的Spark SQL能够对结构化数据进行处理，Spark SQL的DataFrame或DataSet可以作为分布式SQL查询引擎的作用，可以直接使用Hive上的表，对数据进行处理。Spark Streaming主要用于对应用场景中的实时流数据进行处理，支持多种数据源，DStream是Spark Streaming的基础抽象，由一系列RDD组成，每个RDD中存放着一定时间段的数据，再对数据进行处理，而且是基于内存计算，速度快，所以很适合实时数据的处理。Spark MLlib提供常见的机器学习(ML)功能的程序库。包括分类、回归、聚类、协同过滤等，还提供了模型评估、数据 导入等额外的支持功能。对Spark的核心组件、部署模式（主要是Standalone模式和YARN模式）、通讯架构、任务调度要有一定了解（面试问到了可以说一波），Spark Shuffle要好好理解，还有内存管理要知道，对Spark的内核原理一定要好好理解，不仅面试可能要用，以后工作也是有帮助的。

九、Flink（重点中的重点）

  Flink是一个框架和分布式处理引擎，用于对无界（有开始无结束）和有界（有开始有结束）数据流进行有状态计算。现在主要是阿里系公司使用的比较多，很多公司使用的还是Spark居多，而且Flink基本上都是和Spark很多功能大体上一样的，但是以后Flink和Spark孰强孰弱还有待时间的考验，不过Flink近几年越来越火了这是事实，所以如果有时间有精力的话，可以学一学Flink相关的内容也是很不错的。Spark和Flink主要都是在数据处理方面应用，在数据处理方面的话，离线数据处理：Flink暂时比不上Spark，Spark SQL优点在于可以和Hive进行无缝连接，Spark SQL可以直接使用Hive中的表；Flink暂时做不到这一步，因为官方不支持这一操作，Flink只能将数据读取成自己的表，不能直接使用Hive中的表。对于实时数据的处理：Flink和Spark可以说是平分秋色吧，而且Flink是以事件为驱动对数据进行处理，而Spark是以时间为驱动对数据进行处理，在一些应用场景中，也许Flink的效果比Spark的效果还要好些，因为Flink对数据更加的敏感。比如一秒钟如果触发了成千上万个事件，那么时间驱动型就很难对数据做细致的计算，而事件驱动型可以以事件为单位，一个个事件进行处理，相比而言延迟更低，处理效果更好。现在使用Flink的公司越来越多，有时间学习下，也算是有个准备。

项目阶段

  其实某硅谷的视频里面有很多大数据相关的项目，而且都是文档配代码的，B站上也有视频，学习期间可以跟着视频做两到三个项目，自己理清思路，把项目理解透彻，还是可以学到很多东西的。  根据自己情况，选择两到三个项目重点跟着做，理解透彻一点

大数据项目实战

  某硅谷的视频里面有很多大数据相关的项目，而且都是文档配代码的，学习期间可以跟着视频做两到三个项目，自己理清思路，把项目理解透彻，还是可以学到很多东西的。根据自己情况，选择两到三个项目重点跟着做，理解透彻一点。相关项目文档资料我已经放到网盘，GongZhongHao回复相应关键字获取领取方式。   相关项目、涉及技术框架及其B站链接（B站链接主要是为了有些小伙伴网盘速度限制，这样就下载文档资料即可）

书籍

  书籍部分直接云盘链接保存即可，这里我放两张Java开发和大数据开发我自己的书单（很多，路漫漫，吾将上下而求索~）  Java后端书架：

  大数据书架：

  大概就这些，看完就需要很久了，大部分我也是需要的时候看相应的部分，所以有时间可以好好看下，不然就需要哪一部分看哪一部分，有助于学习即可。

最后

  大数据开发也是需要编程基础的，并不是学会使用这些框架怎么样就可以了，所以对于编程语言，数据结构与算法，计算机网络这些基础也是要的，这些基础知识也有助于自己以后的发展，如果是应届生校招的话，面试基本上都是JavaSE和数据结构与算法等的知识点，还有大数据组件相关的知识点，以及对项目的理解，这些都是要自己面试前准备好的，多看面经，多找面试题看，面几次，心里有谱了，后续面试就好了。  不管是从事什么样的计算机相关的岗位，编程都是很重要的，数据结构与算法特别重要，还有就是leetcode等编程网站刷题，提升自己的编程思维，后续笔试面试都要要的。  要将一行行代码看做一叠叠rmb，但是一行行代码能不能转换成一叠叠rmb，自己就一定要：坚持，多敲代码；多敲代码，坚持；坚持。 

想了很久最近准备加入vlog领域？

绝对的可以，但是，肯定需要付出很多，才能换取明天收获。

现在，属于个人的时代正在到来，由于互联网的高速发展，每个人都可以通过做自媒体的方式，向世界展示自我。现在开始，开启自己的自媒体之路，正是最好的时候。

要做好VLOG领域，我觉得需要做好以下两点：

第一：要学习一些视频剪辑软件，能做简单的视频剪辑，能配字幕、配背景音乐。对于我们普通人来说，不用学习特别专业的视频剪辑软件，像PR之类的。能操作简单的剪辑软件就可以，题主可以考虑学习“爱剪辑”即可，普通人容易上手。

第二：输出的内容或者样式，千万不要多样化。我看题主想要输出的内容很多的，这一点绝对的不可取。

我对别人发的视频，比较感兴趣的大概就是：正能量、搞笑、美食……基本就这些吧。建议题主在考虑输出内容的时候，形式上一定要统一，不要今天发布一点美食的（教大家怎么做饭），明天发布一点娱乐的（比如看了某个电视剧，什么感想之类的）。输出的内容形式太分散，对关注你的粉丝不是一件好事。

不论题主考虑做VLOG，还是三农领域，一个最核心点就是，你发布的内容一定要让别人，有所受益。千万不要为了，发布内容而发布内容，发布的像流水账一样的内容，其他人看了完全记不住你，也不会对你后期感兴趣，更不会关注你，成为你的粉丝，那对于后期想要变现，无疑难度就会大多了。

总的来说，自媒体可以做，这会正是时候，但是任何行业都一样，绝对有做的好的，但是大部分人，都做的不好，如果希望自己能比他人做的好，自己的付出，就一定要比别人多。

做电商需要学什么？

1.电商是电子商务的缩写。

2.电商有国内电商和跨境电商，看您主要想做哪个。

3.做电商需要学习的内容：平台规则，市场与目标客户分析，货源储备，产品运营与推广，售后服务，供应链管理等。电商不论是个人与公司都可做，如果想做成公司的话，后期可能还需要学习一些公司相关管理方面的知识，帮助公司不断的发展壮大。

（1）如果是国内电商，主要的目标客户分析，市场定位，产品单价，品类分析，结合不同平台的要求和规则来做，同时涉及到产品的运营和推广，可能需要一定的金钱投入，您也需要有良好的售后服务，不然很容易做一锤子买卖，有回头客后店铺的流量也会有一定的积累，我个人就比较喜欢偶尔去自己收藏或关注的店铺看看他们近期上新的产品是否有自己需要的，也会一定程度上拉升店铺综合排名。

（2）跨境电商相比于国内电商链条更长，除了学习与以上国内电商相同的知识以外，跨境电商的物流也占据很重要的地位，你可以选择从国内往国外客户手中发货，也可以选择从国外平台拥有的仓库里发货，同时也可以由国外海外仓发货，发货方式较多，但我们都知道客户对物流都是希望尽快到达，所以首选国外仓库或海外仓发货，从国内发货的e邮宝到美国或一些特定的国家最快的能在7天左右送达，普通小包的一般15-23天左右送达，客户体验肯定有所差距。需要您打通物流端口，海外仓需要有合作的仓库，平台的仓库是需要您直接发货到平台仓库，一般都可使用。

除以上外，跨境电商很重要的另一点是选品，众多周知的亚马逊平台就有一句话，三分选品，七分运营，很明显的突出选品的重要性，相关的一些辅助软件可以帮助您更好的选品，给到您一定的参考作用。跨境电商平台首推以下三个平台，不同平台有不同玩法，根据您的具体定位可针对性研究。

四年传统外贸，三年现代电商从业者，希望与更多有致力于从事电商的创业者同行。

如有任何电商相关方面的问题，欢迎及时与我联系，愿共交流，共进步！

个人简历用英文怎么写？

你好，谢谢邀请回答问题。

我是今日头条英语万能王老师，对于你提出如何用英语写个人简历的问题给予你一些分析建议供你参考。

英文简历一般包含的信息如下：

1. Personal Information: 个人信息

Name: 姓名

Photo: 照片（1寸）

Address: 地址

Telephone Contact: 联系方式；

2. Job Objective： 求职意向；

3. Education Background: 教育背景；

4. Internship Experience: 实习经历；

5. Honors & Activities： 获奖和活动经历；

6. Work Experience： 工作经验 ;

以上所提到的信息都是个人简历里必须包含的内容，要简洁明了，突出重点！

其次，如果英语水平好想去面试外企的工作，最好简历写纯英文的，不要写中英文的，面试官很看重你的英语输出能力，面试中能够直接展示出口语和写作的能力，一般都会打动面试官的。

下面附上三份纯英文简历详情供你参考。

最后，希望以上笔者对于如何写个人英语简历的分析建议可以帮到你。谢谢！

大数据具体是做什么？

“Big Data is like teenage sex:Everyone talks about it，nobody really knows how to do it，everyone thinks everyone else is doing it，so everyone claims they are doing it too.”

2013年被称为大数据元年，各行各业都逐渐开启大数据应用时代。直至现在，大数据依然为人所津津乐道。

何为大数据？

1PB够大吗？

如果你没有直观印象，可以联想一下你的电脑硬盘容量，标配是500G-1TB，大部分人用了一两年，可能这部分容量都没用完。而1PB=1024TB=1048576GB。

在实际中，一个小有名气的游戏一天的数据量就在数十TB左右，甚至更多。

如果你以为PB单位已经是最大了？那就大错特错了！！！！

在PB之上，还有EB（Exabyte 百亿亿字节 艾字节），ZB（Zettabyte 十万亿亿字节 泽字节），YB（Yottabyte 一亿亿亿字节 尧字节），而这些单位也只是为了方便统计海量数据所给出的当前单位，在未来还可能出现更大的单位。

因特尔公司首席执行官Brian Krzanich表示，2020年互联网用户每天将产生1.5GB的数据。

HIS数据预测，到2025年，全球互联网（IoT）连接设备的总安装量预计将达到754.4亿，这部分设备每天产生的数据量可想而知。

按照前面的数据关系，得出1ZB大概是1.1万亿GB，等同于全世界沙子数量总和。

从上图中不难看出，互联网数据每年都在爆炸式增长。当然，大数据并不只是数据量大而已，它还有其他更深的含义。

对于大数据，麦肯锡全球研究所给出的定义是：

”一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合。“

大数据具有五大特点，称为5V。

1. 多样（Variety）

大数据的多样性是指数据的种类和来源是多样化的，数据可以是结构化的、半结构化的以及非结构化的，数据的呈现形式包括但不仅限于文本，图像，视频，HTML页面等等。

2. 大量（Volume）

大数据的大量性是指数据量的大小，这个就是上面笔者介绍的内容，不再赘述。

3. 高速（Velocity）

大数据的高速性是指数据增长快速，处理快速，每一天，各行各业的数据都在呈现指数性爆炸增长。在许多场景下，数据都具有时效性，如搜索引擎要在几秒中内呈现出用户所需数据。企业或系统在面对快速增长的海量数据时，必须要高速处理，快速响应。

4. 低价值密度（Value）

大数据的低价值密度性是指在海量的数据源中，真正有价值的数据少之又少，许多数据可能是错误的，是不完整的，是无法利用的。总体而言，有价值的数据占据数据总量的密度极低，提炼数据好比浪里淘沙。

5. 真实性（Veracity）

大数据的真实性是指数据的准确度和可信赖度，代表数据的质量。

数据一直都在，变革的是方式

大数据的意义不仅仅在于生产和掌握庞大的数据信息，更重要的是对有价值的数据进行专业化处理。

人类从来不缺数据，缺的是对数据进行深度价值挖掘与利用。可以说，从人类社会有了文字以来，数据就开始存在了，现在亦是如此。这其中唯一改变的是数据从产生，到记录，再到使用这整个流程的形式。

1. 数据生产

在人类社会的早期，民以食为天，数据的产生大多与商品，食物，土地等挂钩。旧石器时代的部落人民在树枝或骨头上刻下凹痕来记录日常的交易活动或物品供应。

为了衡量商品长度，中国人发明了尺、里、寸、丈、步、仞等长度单位；为了衡量重量，发明了升、斗，斛等重量单位。

在互联网时代，数据的生产变得更为容易。美国互联网数据中心曾指出，互联网上的数据每年都将增长50%，每两年便将翻一倍，而目前世界上90%以上的数据是最近几年才产生的。

每人每天都会产生海量数据，如视频数据，电商数据，社交数据等等。

全球每60秒产生的数据

2. 数据记录

千年之前，人们用龟甲石鼓、简牍绢帛到造纸术成熟后的刻本等一切触手可及的器物来作为数据的载体。

千年之后，人们用图书，报纸，硬盘，光盘，存储器等各种更为灵活，简便的方式记录数据。

3. 数据利用

古人利用利用甲骨文占卜判断凶吉，利用占星术预测朝代兴衰；利用蚂蚁搬家，燕子低飞，蚯蚓出洞来预测天气。

互联网时代，企业或产品利用电商数据为用户推荐商品，利用社交数据做广告营销等等。

在大数据概念兴起之前，大部分企业并没有注意到数据的宝贵价值，只是在纯粹的生产和记录数据。更有甚者视海量数据为累赘，因为数据的存储与管理需要耗费企业大量的成本，极少有企业能把数据作为一种资源，嗅到大数据背后的价值，从而加以利用。就算到现在，数据资源的整合利用能力依然是考验每个企业的一大难点。

大数据应用

大数据作为一个能够改变产业应用的技术，只有切实落地才能带来真正的价值。

其实大数据的应用范围非常广，不单单限于互联网行业，在其他诸如金融，制造业，交通物流方面也都有非常大的应用价值。

1. 大数据让借贷款更加放心

在金融行业中，以借贷款为例。在贷款前，贷款借出方会先利用大数据对借款人进行贷前审核，以此来保障贷后的还款率。

借出方从各个渠道合法收集借款人的标签信息，如学历，职业，薪资状况，历史借还款情况等（据说一个用户的标签维度可以达到7000个）。海量数据被放入反欺诈模型，还款能力模型，身份验证模型等数个中做训练，最终得出是否通过本次贷款申请，贷款的额度，贷款人的还款意愿等评估信息。

借款人数据收集的越多，标签维度越细，数据越真实，则审核效果越全面。

2. 大数据让广告营销更高效

广告作为互联网行业最常见的变现手段之一，大数据赋能广告营销，让广告从惹人恼转变为广告即内容，广告即服务。

曾几何时，你会发现日常生活中看到的广告居然那么懂你。点开淘宝，你最爱的商品被推荐在Banner首页；打开微信朋友圈，映入眼帘的是你正想要做的汽车保养；打开百度搜索，你前两天看的别墅信息赫然出现。

这一切的实现都得益于大数据赋能广告。

在广告投放前期，通过大数据手段大量的整合、分析数据，包括用户的浏览习惯、消费行为、浏览记录、对广告的点击数量等，并从中挖掘出有效的信息；构建全面的用户画像，结合广告业务，精准定位目标用户，保证广告定向投放。

大数据构建用户画像

在广告投放的中后期，通过实时数据反馈，结合用户所处地域，时间的变化，动态优化广告素材，调整广告的呈现方式与广告的展览位置，让同一个用户在不同的场景下享受不一样的广告服务，实现一人千面，增加广告营销效果，提升广告主KPI。

3. 大数据赋能零售

新零售时代，客户的需求无时无刻不在变化，大数据赋能零售，让零售在人，货，场上进行变革。

零售商可以借助大数据对未来市场需求进行预测，抢先一步对库存进行管理。在流量高发的前期，及时补足库存，提升商品供应率；在流量散去的前期，及时去库存，避免库存积压。

借助大数据分析用户地域分布情况，商店流量，消费者习惯等那个，在合适的地区开设商店，建造仓库。在物流发货时，从数据出发，合理规划运输路劲，降低运输成本。

利用数据还可以统一上下游供应链交互，解决数据不对成问题，减小牛鞭效应，提升供应链中每个环节的利用效率。

总结

数据一直都在，大数据变革的只是方式。大数据并不神秘，神秘的是对未知数据的探索与利用。