科多大数据培训
全国24小时免费热线
15328019568
联系QQ
3048661160
开班时间
当前位置:首页 > 学习资讯 > 大数据内容 >

大数据培训资讯:大数据分析如何帮助传统情报分析更好地发展

情报分析亦称信息分析或情报研究,是根据社会用户的特定需求,以现代信息技术和软科学研究方法为主要手段,以社会信息的采集、选择、评价、分析和综合等系列化加工为基本

       情报分析亦称信息分析或情报研究,是根据社会用户的特定需求,以现代信息技术和软科学研究方法为主要手段,以社会信息的采集、选择、评价、分析和综合等系列化加工为基本过程,形成新的、增值的情报产品,为不同层次科学决策服务的社会化智能活动。与本文前面提到的大数据分析概念做对比,可以看出,大数据分析与情报分析都是以信息和数据作为基础资源及研究对象,并对信息和数据进行有效组织管理、分析挖掘,从而为用户提供相关服务的过程。由此可见,大数据分析与情报分析有着天然的联系,两者的共性主要表现在三个方面:看重对数据的定量分析,关注多源数据融合,强调相关性分析。
大数据培训资讯:大数据分析如何帮助传统情报分析更好地发展

1.看重对数据的定量分析

       数据作为重要的资产已经在改变着组织决策的模式。有效收集并分析各种规模的大数据资源,运用多种方法充分挖掘数据的最大价值,已经成为衡量一个组织竞争能力的重要标志。人们已经充分认识到,随着大数据研究的深入,各种组织能够以合理的投入充分发掘大数据所带来的情报价值,为组织全面深入地洞察态势提供支持。可以这么说,大数据时代就是数据分析的时代。
       大数据的基础在于数据,大数据的特点在于数据体量巨大,数据类型繁多,数据价值密度较低,处理速度较快。医疗卫生、地理信息、电子商务、影视娱乐、科学研究等行业,每天也都在创造着大量的数据。如何处理超大规模的网络数据、移动数据、射频采集数据、社会计算数据,已经成为科研界和产业界亟待解决的关键问题,也是大数据要解决的核心问题。大数据分析的任务是对数据去冗分类,去粗取精,从数据中挖掘出有价值的信息与知识,要把大数据通过定量分析变成小数据。定量分析方法包括聚类分析、关联规则挖掘、时间序列分析、社会网络分析、路径分析、预测分析等。
       情报分析也十分重视数据基础。早期的情报分析强调分析人员的专业背景和经验,更多地依靠人的智力去解读特定的、少量的数据对象,通过人的分析、归纳和推理得出情报研究的结论。随着科学技术的迅猛发展,学科专业呈现出综合和分化的趋势,综合的趋势要求情报分析人员具备跨学科的知识,分化的趋势表现在知识分支划分越来越细,所涉及的内容越来越专深。与此同时,情报分析面临的数据量也越来越大。在这种情况下,仅靠人力本身已经无法胜任情报分析工作了。情报分析越来越多地依赖以计算机为代表的信息技术,利用数据挖掘、机器学习、统计分析等方法,运用关键词词频、词汇共现、文献计量等定量化手段,通过计算或者在计算的基础上辅以人工判断形成分析结论。目前,“用数据说话”已经成为情报分析的突出特点,在情报报告中越来越多地使用数据图表也充分说明了数据定量分析在情报分析领域的重要程度。

2.关注多源数据融合

       把通过不同渠道、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。如何加工、协同利用多源信息,并使不同形式的信息相互补充,以获得对同一事物或目标更客观、更本质的认识,是多源数据融合要解决的问题。一方面,描述同一主题的数据由不同用户、不同网站、不同来源渠道产生。另一方面,数据有多种不同呈现形式,如音频、视频、图片、文本等,有结构化的,也有半结构化,还有非结构化的,这导致现在的数据格式呈现明显的异构性。
大数据的特点之一是数据类型繁多,结构各异。电子邮件、访问日志、交易记录、社交网络、即时消息、视频、照片、语音等,是大数据的常见形态,这些数据从不同视角反映人物、事件或活动的相关信息,把这些数据融合汇聚在一起进行相关分析,可以更全面地揭示事物联系,挖掘新的模式与关系,从而为市场的开拓、商业模式的制定、竞争机会的选择提供有力的数据支撑与决策参考。可以这么说,多源数据融合是大数据分析的固有特征。
       当前,情报分析工作正在向社会管理、工商企业等各行各业渗透,情报分析与研究的问题往往更为综合,涉及要素更为多元,同时也更为细化,这导致单一数据源不能满足分析的要求,需要不同类型的信息源相互补充。同一种类型的信息可能分布在不同的站点,由不同的数据商提供。一项情报任务或前沿领域的研究,仅仅使用一种类型的数据是不全面的,如果把期刊论文、学位论文、图书、专利、项目、会议等信息收集起来,融合到一起,将更能说明某项研究的整体情况。另外,行业分析报告、竞争对手分析报告需要关注论坛、微博、领导讲话、招聘信息等各类信息,以全面掌控行业数据、产品信息、研发动态、市场前景等。同一个事实或规律可以隐藏在不同的数据源中,不同的数据源揭示同一个事实或规律的不同侧面,这既为分析结论的交叉印证提供了契机,也要求分析者在分析研究过程中有意识地融合汇集各种类型的数据,从多源信息中发现有价值的知识与情报。只有如此,才能真正提高情报分析的科学性和准确性,这不仅是对情报分析的要求,也是情报分析发展的必然趋势。

3.强调相关性分析

       所谓“相关性”是指两个或者两个以上变量的取值之间存在某种规律性,当一个或几个相互联系的变量取一定的数值时,与之相对应的另一变量的值按某种规律在一定范围内变化,则认为前者与后者之间具有相关性,或者说两者是相关关系。需要注意的是,相关性(相关关系)与因果性(因果关系)是完全不同的两个概念,但常被混淆。
       大数据时代在数据处理理念上有三大转变:要全体不要抽样,要效率不要绝对精确,要相关不要因果。在这三个理念中,重视相关性分析是大数据分析的一个突出特点。通过利用相关关系,我们能比以前更容易、更快捷、更清楚地分析事物。只要发现了两个事物或现象之间存在着显著的相关性,就可以利用这种相关性创造出直接的经济收益,而不必非要马上去弄清楚其中的原因。在大数据环境下,知道“是什么”就已经足够了,不必非要弄清楚“为什么”。大数据的相关性分析将人们指向了比探讨因果关系更有前景的领域。这种分析理念决定了大数据所分析的是全部数据,通过对全部数据的分析就能够洞察细微数据之间的相关性,从而提供指向型的商业策略。亚马逊的推荐系统就很好地利用了这一点,并取得了成功。
       相关性原理也是情报学的基本原理之一,相关性分析也是情报实践的常用分析方法。任何一种情报结构都是按一定规则相互关联的,分析并揭示情报相互关联(即相关性)的规律和规则,是对信息、知识、情报进行有效组织检索与分析挖掘的基础。检索任务与用户情境的相关性、检索结果的排序都是典型的相关性分析,共词分析、关联分析、链接分析也是典型的相关性分析,这体现了相关性分析在情报学学科发展中的地位。在实际的情报分析工作中,相关性分析应用更加广泛。不同文献类型之间的关联分析,不同机构之间的关系分析都属于相关性分析。

了解了大数据分析和情报分析的相似之处,想必对你有所帮助,清晰了大数据分析和情报分析的同异才能在发挥传统情报分析优势的基础上继续前行。更多大数据培训相关资讯欢迎关注科多大数据
最新资讯更多+
内容推荐更多+
在线课堂
猜你喜欢