大数据背景下生物医学论文

摘要：大数据条件下，正确完成数据的判别，明确病态性数据，是大数据质量管理的基础和前提。首先，对大数据条件下质量管理中病态数据的定义与来源进行了阐述；然后，结合病态数据的产生过程，归纳总结了病态数据的主要特点；再次，结合质量管理的需求，分析了病态数据的管理需求；最后，基于统计方法，对病态数据的判别提出了对策建议。下面是小编为大家整理的《大数据背景下生物医学论文(精选3篇)》，欢迎阅读，希望大家能够喜欢。

大数据背景下生物医学论文 篇1：

大数据背景下信息流动性研究

摘   要：与传统的信息流动相比，大数据背景下的信息流动在各个层面都具有显著的差异性，典型体现在数据规模大、关联性强、复杂度高，导致信息流动的复杂性、不确定性和涌现性。文章从大数据技术特征、网络信息流动形式、网络信息流动空间3个方面进行了分析研究，并探讨了大数据背景下信息流动所面临的数据保护、信息安全与隐私问题。

关键词：大数据;信息流;信息流动空间;数据保护

1    大数据发展概述

计算机和信息技术的迅猛发展以及其研究成果快速普及渗透到人们的日常生活中，不仅让人们可以足不出户就购买到想要的商品，还可以冲破传统地理空间约束，在任何时间、任何地点与不同区域、不同领域的人交流。在信息时代，人们不必担心信息的闭塞，相反，由于网络上信息量过大，常常会困扰人们的选择。

随着人工智能、物联网、区块链、大数据等互联网技术快速发展，网络的信息资源日益丰富，网络数据出现爆发式增长[1]，数据渗入各行各业，并衍生出各种基于数据下的研究和应用，比如生物医学中“4P医学”观点，通过个体患者的疾病诊断和治疗中的庞大数据来进行个体化预测、预防和医疗;智慧农业运用大数据理念、技术和方法，解决农业及相关的数据采集、存储、计算等一系列问题，做到精准农业;金融经济领域应用大数据网络分析捕捉非法交易、风险分析、决策分析、情绪测量等。大数据技术帮助人们分析数据中潜在的规律，预测未来发展趋势，为人们提供了一个最优的信息选择，进而提高各行业运行效率。文章主要在大数据背景下探讨研究其对信息流动所带来的影响。

2    大数据背景下信息流动性分析

主要从大数据技术特征、信息流动形式、信息流动空间来分析大数据背景下的信息流动以及大数据的发展对信息流动影响的具体表现。

2.1  大数据发展特点

大数据主要表现在数据的大规模性（Volume）、高速性（Velocity）和多样性（Variety），又称“3V”特性，大数据下信息处理主要是对海量数据进行有价值的提取。一般情况下，数据要经过数据采集、数据清理、数据存储、数据管理、数据分析、数据显化到最后的产业应用这7个环节[2]。大数据技术的发展帮助人们更好地理解数据，挖掘数据的价值，并根据数据分析结果作出相应的决策。

基于大数据下的应用主要集中在获得知识与推测趋势、分析掌握个性化特征、通过分析辨别真相等，在大数据技术的发展背景下，信息流动性也由初始数据收集的随机性和不规律性发生了微妙的变化，这种流动有其特定的结构，流动方向逐渐从“信息的流动”向“流动的信息”转变。

2.2  信息流动性形式

现代科学信息的定义不再是简单的事物发出的消息，还指指令、数据等所包含的内容。最早对数据的概念就等同简单的阿拉伯数字，但计算机、互联网等科学技术的快速发展，数据被赋予更多涵义，其不仅是数字，还可以是字母、表格、文字、图形等，数据就是反映客观事物属性的记录，数据经过加工处理后就成了信息。

传统的信息流动形式单一、传递慢、不精确，或靠驿差长途跋涉、或口耳相传、或飞鸽传书，而现代的信息流动，形式多样，可以通过电话、邮递、期刊、报纸、物流、电视、网络等等，而流动的主力军就是互联网，互联网就像一个大的神经网络，由于互联网本身具备的开放性和关联性特征，信息在这个网络上流动，信息的流动时间缩短，流动形式多样、流动空间变大，其价值也变大了。

在大数据技术发展下，人们通过对数据开始进行收集、处理、分析、挖掘出有价值的信息加以应用，部分人通过应用又产生新的数据再反馈给用户，用户得到数据后，又产生新的数据，这就形成了流动数据生态圈（见图1）。信息的源头不再局限文字、图形、表格，还可以是实时采集到的视频数据等。因此，大数据背景下信息流动形式趋向多样化。

2.3  信息流动空间分析

信息流动空间不同于传统的静态地理空间，它是建立在地域空间基础上，是一个新的空间形态和布局，具有相互关联且巨大的三维流动空间性，主要通过现代互联网信息技术将不同地区连在一个准同步合作的网络中，具体表现在空间通信网络、数据库和信息的融合[3]。在这个网络生态环境下，数据量巨大，绝大多数数据与空间位置有关，空间数据是大数据基础，包括空间实体的属性、位置、数量，因此，大数据背景下信息流动空间关系复杂度更高、數据量更大、空间性和时间性更强，受到地理因素、人为因素、技术因素、基础设施等影响。

大数据技术就是在整合看似杂乱、繁复的数据，提取出有价值的数据，进而提高信息流动的有效性。因此，大数据背景下信息的流动更具备方向性、目的性和关联性，它不仅提高了信息流动速度，还增益了信息流的价值。

3    影响

大数据技术促进了信息流动，带来了信息空前繁荣，在给人们的生产生活带来许多便利的同时，也带来一些问题和挑战。大数据背景下信息流动中的典型问题就是数据保护、信息安全与隐私问题。

首先，大数据中数据的来源可能是互联网或GPS等技术应用中的数据，也可能是空间数据，由于采集空间数据的设备各不相同，可能是雷达、数码相机、红外等，导致数据的格式、形式、类型、粒度、编码方式等不一致，数据很难有统一的规范[4]，在这个背景下信息朝着不同方向流动，空间关系复杂，加大了对流动中数据的保护难度。

其次，将流动在不同地点的数据关联起来，从而挖掘提取有价值的数据，这是大数据技术的实质，但是这样就暴露了用户的网络数据足迹，进而埋下隐私与数据安全隐患，比如人们通过“人肉搜索”来获得某人的相关信息，所检索到的信息越多，个人隐私暴露的系数越大，而这种暴露通常是个人无法预知和控制的，所以，如何在大数据背景下信息的流动中保护个人隐私和数据安全是当前人们关注的热点。如果为了保护隐私而隐藏数据，数据的价值就无法得到最大化的体现和利用，刘雅辉等[5]提出差分隐私保护技术来保护流动信息的隐私安全，尽可能在不暴露用户敏感信息的前提下进行数据的挖掘，差分隐私保护算法的关键是隐私参数ε，目前在理论上已有很多成果，但在实际应用中还需要继续深入探讨。

最后，网络空间不同于现实空间，是现实空间的延伸。与技术发展速度相比，网络空间治理的相关法律滞后，多数情况依靠行业和网民的自律，大数据技术虽然促进了网络空间信息“监测+预警”管理模式向“预测+防范”转变，改善了网络空间治理，但是又存在信息暴露的风险，所以，在大数据背景下信息公开利用与信息安全保护相互博弈。

4    结语

大数据技术是一把双刃剑，一方面，大数据的发展促进人们挖掘信息数据的价值，加速信息的流动，驱动技术带来综合应用、生产力的解放和产业的升级，催生出新的业务模式和产业规律，并带来互联网层出不穷的新应用、新模式、新业态;另一方面，大数据在采集、存储、分析和信息流动过程中面临着数据安全、信息安全和隐私等问题。机遇和挑战并存，只要正视当前存在的问题，大数据背景下的信息流动必然能进入一个良性网络空间生态发展循环。

[参考文献]

[1]刘智慧，张泉灵.大数据技术研究综述[J].浙江大学学报，2014（6）：957-972.

[2]顾荣.大数据处理技术与系统研究[D].南京：南京大学，2016.

[3]王玉良，丁刚毅，钟鸣.大数据下的空间数据挖掘思考[J].中国电子科学研究院学报，2013（1）：12-21.

[4]童端，吕捷，许宏.大数据背景下的数据安全研究[J].网络空间安全，2017（12）：17-20.

[5]刘雅辉，张铁赢，靳小龙，等.大数据时代的个人隐私保护[J].计算机研究与发展，2015（1）：229-247.

作者：许华宇 易茂祥 王道大 刘陆民

大数据背景下生物医学论文 篇2：

浅析大数据条件下质量管理中病态数据的管理研究

摘 要：大数据条件下，正确完成数据的判别，明确病态性数据，是大数据质量管理的基础和前提。首先，对大数据条件下质量管理中病态数据的定义与来源进行了阐述；然后，结合病态数据的产生过程，归纳总结了病态数据的主要特点；再次，结合质量管理的需求，分析了病态数据的管理需求；最后，基于统计方法，对病态数据的判别提出了对策建议。

关键词：质量管理 病态数据 大数据 主流数据 判别

1 引言

随着计算机技术、信息技术、网络技术、云技术等的发展，在质量管理领域，数据收集的类型和数量呈现出爆炸性的发展趋势，大数据的特点愈发明显。如购物网站的产品质量评价数据、体检中心的健康检测数据、4S店的车辆维护数据等。这些数据不仅数量大，而且体现出了总体性、寿命周期性、复杂性等大数据的特点[1]。但由于数据收集技术、数据提供者本身的问题等原因，使得收集到的一部分数据呈现出病态性的特点，如评价数据中非常类似的差评、好评数据的大量出现，健康监测、4S店产品维护数据中数值长期保持不变的数据、学生成绩中非常低的成绩数值大量出现等。病态数据的出现，使得对质量的评价会出现评价不准确、问题定位不精确等误导性结果。为实现对质量的精确分析，有必要对质量管理中病态数据的概念进行阐述，分析其特点、产生的源头，并研究病态数据的分析方法，从而实现对质量数据的精细化管理。

质量管理作为一个重要研究方向，国内外已经进行了长期的研究，出版了大量的专著，典型的如《Quality Control Handbook》、《The Management And Control of Quality》等。而作为当前研究的热门领域，国内外对大数据也进行了大量的研究，出版了大量的论著，如《Big Data： A Revolution That Will Transform How We Live， Work and Think》、《Data Science and Big Data Analytics： Discovering， Analyzing， Visualizing and Presenting Data》、《医疗大数据》等。而对于大数据条件下质量管理中病态数据的管理研究，该方面的论述还比较少，现有的研究主要集中于论述数据质量研究的必要性、研究方法等。如Rao等[2]指出在大数据分析中，基于低质量数据进行分析，隐藏的后果可能是灾难性和蔓延性的，并提出了从大数据背景分析数据质量的方法。Becker等[3]指出大数据分析中，数据质量是所有数据分析问题中极其重要的方面，并从数据的收集、描述、存储等方面分析了不同因素对大数据质量的影响。Immonen等[4]则针对大数据框架下的社会媒体数据质量评估构建了评估的架构。国内，宗威等[5]梳理了大数据的基本特征，并从流程、技术和管理视角讨论了大数据时代下企业保证数据质量的挑战、重要性及应对措施。程平等[6]对数据的质量提出了完整性、及时性、可靠性等关键数据质量特征。黄冬梅等[7]对基于块嵌套循环的大数据的数据质量检验方案进行了研究。在基于大数据的质量管理分析方面，Huang等[8]在对暂态电能的质量评价方法中，基于大数据的处理结构完成了朴素Bayes分类，在该结构中，将数据源扩展为电网监控数据、用户数据和公共数据三种类型。具体到对病态数据的分析，当前的研究比较偏向于具体技术的分析，如Liu等[9]在对生物医学图像和疾病预测的多维数据分析中，设计了可对病态数据对象探测的信息处理算法。Joon-Hong等[10]则对短期供水需求分析与预测中，病态数据细化的置信区间方法和误差百分比校正方法进行了论述。国内对于病态数据的研究主要集中在对病态数据处理的具体算法分析上，如王晶[11]对电力系统中异常数据的影响进行了阐述，并对多种电力系统异常数据检测辨识方法的优缺点进行了对比分析。费欢等[12]采用K-Means算法思想，基于欧式距离进行数据的相似性分析，并实现异常数据的检测。

从现有的研究情况以及大数据和质量管理的需求情况看，对大数据条件下的质量管理进行研究，已是质量管理的一个重要研究方向，但对于大数据中病态数据的研究，目前还处于初始的研究探索阶段。因此，需要加强这方面的研究，对病态数据的定义、特点、来源、管理需求、判别技术等进行分析，为大数据条件下的质量管理提供准确的数据支撑。

2 病态数据的定义与主要来源

病态数据也称为“不良数据”、“异常数据”，翻译为Abnormal Data，是相对于总体的主导性数据或者正常数据而言的。在大数据管理中，质量管理中的病态数据是指：由于数据收集记录错误、不良信息传播、恶意评价、重复引用等原因，使得收集到的部分难以反映产品总体的实际质量状况的数据。病态数据在统计分布上表现为：与主导性或真实性质量数据（称为主流数据）的分布存在差异，总体的分布存在不连续、多峰、锯齿等特点。

病态数据的来源主要包括如下类型：

（1）误导性质量评价数据。指在质量分析与评价中，通过物质、精神等方面的手段误导调查者，使得质量评价数据偏离实际质量的情况。该类数据包括购物网站对产品质量评价、服务窗口对服务质量评价方面。如某宝的部分产品在其包装中附带好评卡，该类卡片的出现，容易误导消费者，使得收集到的部分质量数据难以反映质量评价的客观性。而服务窗口的误导性则体现在其评价标准的不全面，如某些服务窗口，其评价标准仅包括非常满意、满意、不满意三个方面。

（2）恶意评价数据。指由于调查者本身的偏激、认识不全面等原因，在对质量评价中不能做出客观评价的数据。该方面的数据不仅在购物网站上有相关表现，而且在日常生活中的表现也较为突出，如对服务窗口的评价，由于被服务者的一时激愤，对相关管理机构的不满等，就可能在某些场合发布较为偏激的评价，甚至会进行一定程度的造谣、传谣等。

（3）重复性收集数据。指由于数据记录、抄袭等原因，造成的收集到的数据出现大量重复或者高度相似数据。该类数据如问卷调查中由于被调查者、调查者有意造假等在调查中抄袭已有数据，考试中题目泄露、抄袭等形成的数据，数据记录设备间歇性故障造成数据重复记录等。

（4）不作为数据。指在生产、服务、研究中由于相关人员的不努力、不作为等原因，从而使得在质量分析与评价中，收集到的难以表现真实质量状况的数据。这方面，比较容易说明问题的是农产品的质量数据、医疗美容产品质量数据等。作为影响国计民生的日用产品，市场上缺乏监管或者监管不力，使得部分具有毒副作用以及功能缺失的产品进入人们的日常生活，这方面只要关注CCTV-13的《每周质量报告》，就能从一个侧面看出产品的质量在某种程度上并不像广告宣传的那样优质。造成这种问题在很大程度上是因为某些监管部门的不作为，从而导致质量检验方法与内容的缺失。

（5）片面宣传数据。指生产方、销售方在产品的宣传中利用名人效应、专家效应等片面的扩大产品或服务的部分功能或质量效应，而有意屏蔽部分不良特性或短板质量问题，这类对产品或服务的片面宣传或理解就称为片面宣传数据。

3 病态数据的主要特点

相对于大数据条件下正常的质量数据，病态数据主要表现有如下特点：

（1）非主流性。相对于产品正常的质量数据，病态数据是非主流的数据，无论其表现如何，病态数据都不能代表产品质量的真实水平，在生产、服务过程透明，监管部门质量报告数据透明的条件下，这类数据将会从数量上、表现上呈现出其非主流性，较为容易判断分析。

（2）异总体性。从病态数据的定义与来源看，病态数据与主流质量数据反映的质量主题是有一定的差异的，这就使得两方面的数据在总体分布形态会出现一定的差异，在统计分布形式上，若将所有的数据在同一坐标轴上表现，则质量数据会体现出多峰分布的特点。这种异总体性主要是由病态数据的非主流性造成的。

（3）易扩散性。由于名人效应、广告效应、消费者的猎奇心理等，使得在某种程度上非主流的质量数据比一般的质量数据更容易扩散。易扩散性在某种程度上还可造成病态数据重复性和关键性的特点。

（4）关键性。指病态数据在某种程度上会误导消费者、扰乱市场秩序、降低质量评价的准确性等，使得病态数据必须重点处理，以消除其不利影响。

（5）少量性。相对于产品正常的质量数据，尤其是大数据条件下的质量监控，病态数据在产品寿命周期中，仅是少数的一部分。相比生产过程的监测数据、大量消费者的评价数据等而言，病态数据是少量的。

（6）重复性。与主流质量数据不同，主流数据由于调查单位的独立性和调查者的责任感，使得收集到的数据通常体现出随机性的特点。而病态数据由于收集者或提供者的不作为，就可能使得部分质量数据出现重复性的特点。

上述仅对病态数据的一些显性的特点进行分析。这些显性特点的分析，有利于科技工作者归纳总结病态数据的判别方法，完成对病态数据的归类与统计分析。

4 病态数据的管理需求

质量管理中病态数据的出现，会在很大程度上影响消费者对产品质量的评价，并在一定程度上造成民众对某些产品质量信心的缺失，从而可能造成不可估量的影响，如消费对象的转移、企业的倒闭，甚至是类似产业的崩溃（如典型的三鹿奶粉现象）等。因此，在大数据条件下，有必要加强质量数据的管理，减少甚至避免病态数据的出现。其管理需求主要包括：

（1）明确质量管理机构的主体地位。政府各级的质量技术监督局是产品质量的监督与管理机构，其工作态度和工作方法决定了产品质量的好坏。在质量管理中，明确质量管理机构的主体地位，赋予其质量管理方面的相关权力，有利于相关质量管理工作的开展。

（2）实施质量准入制度。是在明确质量管理机构主体地位的基础上，严格要求进入市场的产品具备相关的具有权威性的质量标准和质量标志。该制度的执行可在较大程度上保证产品质量，而且准入制度和责任制的配合，可以抑制病态数据的产生和扩散。

（3）实施质量数据责任制。有责任才会有质量。责任制是对于数据的发布方、名人效应的代言方、广告的发布者、质量标志的发布者等，在发布其数据的同时，必须承担相应的责任，而且应出台相关的法律，从而保证所发布的质量数据的真实性。

（4）加强质量管理的法制建设。“有法可依、有法必依”，强有力的法制是确保产品质量的有利保障。法制建设不仅包括质量管理相关法律条文的建设，而且包括相关法律落实执行的机构、设施建设，只有真正得到贯彻执行的法律才是有效的法律。

（5）加强质量教育。在此，质量教育是指针对全民进行相关的质量意识和质量判别教育，让广大消费者明确质量的重要性和产品质量的简单判别方法。质量只有得到社会的广泛关注，才能减少质量问题的产生，才能抑制病态数据的出现。

（6）加强质量的信息化。是在质量管理方面引入信息的回溯机制，通过信息技术（包括数据库技术、二维码技术等）将产品质量信息植入产品的关键醒目标志中，使得消费者可以快速、便捷地获得产品质量的相关信息、责任者。质量信息化是大数据条件下质量数据管理的一个重要方向，也是保证产品质量的关键技术环节。

5 病态数据的判别技术

在大数据条件下，结合病态数据的来源和特点，可从如下方面完成病态数据的判别：

（1）基于统计分布的病态数据判别。与主流数据相比，病态数据在一定程度上表现出与主流数据之间的异总体性，因此，可通过对总体分布的简单分析完成病态数据的判别。如若总体分布出现多峰的情况，则可在一定程度上说明数据中存在病态数据，而峰值之间的距离越远说明病态数据的病态性越严重。一维数据基于统计分布的病态数据判别示意如图1所示。

（2）基于相似性检验的病态数据判别。当数据中出现重复数据或者相似性非常强的评价数据时，需要通过相似性分析方法验证数据之间的一致性。这方面，国内外对于研究论文的查重已有详细标准与方法，可将其借鉴到这方面。

（3）基于聚类分析的病态数据判别。聚类分析是统计学的一个重要分支，该方法基于样品之间的统计距离描述样品之间的相似性。而对于病态数据分析而言，可知主流数据之间相似性强，而病态数据与主流数据之间相似性较弱，相反，病态数据之间有较强的相似性。通过聚类分析可将数据依据相似性分为不同的类型，从而较为容易的区分出病态数据。对于二维数据，在平面直角坐标轴上，可以较为容易的描述其散布特点，从而可以较为容易的区分数据的类型，其聚类分析的示意图如图2所示。

（4）基于判别分析的病态数据归类。判别分析是统计学的一个重要研究领域，该方法基于已有的分类，然后基于统计距离完成样品的归类判别。在质量分析中，当质量数据难以进行病态性判别时，可事先结合国内外类似产品的质量信息完成数据的分类分析，然后基于判别分析方法对需要归类的质量数据进行判别，完成病态数据的归类。

6 结语

大数据条件下，病态数据的判别、修正、剔除等是一项长期而且复杂的数据管理工作，该文对质量数据中病态数据的定义、来源、特点和判别技术进行了初步的研究，该研究对于正确认识病态数据、科学处理病态数据具有一定的辅助决策作用。在该文研究的基础上，需要进一步说明的是：

（1）病态数据是相对主流数据而言的，是质量数据中不可避免的数据类型。对质量数据中出现的病态数据要正确对待，正确分析其来源、特点，然后决定对其取舍或者修正。较为重要的是要通过一定的管理技术避免病态数据的出现，抑制其发生。

（2）对于病态数据的管理分析，该文仅给出了部分研究成果，随着研究的深入和统计理论的发展，各应用单位可根据本身的特点，归纳总结实用的病态数据管理技术。

参考文献

[1] Kenneth Cukier，Viktor Mayer-Sch?nberger，著.大数据时代：生活、工作与思维的大变革[M].周涛，盛杨燕，译.浙江人民出版社，2012.

[2] Rao D.，Gudivada V.N.，Raghavan V.V.Data quality issues in big data[C]//IEEE International Conference on Big Data.Santa Clara：IEEE.2015.

[3] Becker D.，McMullen B.，King T.D.Big data，big data quality problem[C]//IEEE International Conference on Big Data.Santa Clara：IEEE.2015.

[4] Immonen A.，Paakkonen P.，Ovaska E.Evaluating the Quality of Social Media Data in Big Data Architecture[J].IEEE Access，2015，3（10）：2028-2043.

[5] 宗威，吴锋.大数据时代下数据质量的挑战[J].西安交通大学学报：社会科学版，2013，33（5）：38-43.

[6] 程平，孙凌云.大数据、云会计时代考虑数据质量特征的企业投资决策[J].会计之友，2015（12）：134-140.

[7] 黄冬梅，陈括，王振华，等.基于块嵌套循环的海洋大数据质量检验方案选择算法[J].计算机工程与科学， 2013，35（10）：51-57.

[8] Huang Zhiwei，Gao Tian，Zhang Huaving，et al.Transient power quality assessment based on big data analysis[C]//2014 China International Conference on Electricity Distribution （CICED）.Shenzhen IEEE.2014.

[9] Liu Fei，Zhang Xi，Jia Yan.An efficient sampling algorithm for uncertain abnormal data detection in biomedical image processing and disease prediction[J].Biomedical Materials and Engineering，2015，26（s1）：249-255.

[10] Joon-Hong Seok，Jeong-Jung Kim，Joon-Yong Lee，et al.Abnormal data refinement and error percentage correction methods for effective short-term hourly water demand forecasting[J].International Journal of Control，Automation and Systems，2014，12（1256）：1245.

[11] 王晶.电力系统异常数据检测辨识方法综述[J].电力与能源，2015，36（6）：813-817.

[12] 费欢，李光辉.基于K-means聚类的WSN异常数据检测算法[J].计算机工程，2015，41（7）：124-128.

作者：黄海敏 刘琦 李旭 朱海林

大数据背景下生物医学论文 篇3：

大数据时代下企业管理模式创新研究

摘要：在目前科技快速发展的信息化时代，使得经济有了迅猛的发展，尤其是在科技、金融知识媒体信息爆炸的21世纪，与100年前的时代已经不能放在一起相比，促使社会进入了“大数据”时代。在此时代背景之下，一个企业的管理模式会直接对其盈利造成严重影响，需要跟随着新技术的发展应运而生出新的管理模式。为了促进企业的管理模式，本文从大数据的特点进行分析，对传统模式的企业提出了有效的管理策略。

关键词：大数据时代;企业管理;模式创新

一、引言

21世纪是大数据时代，与任何时代都有所不同，基于大数据发展而出现的技术，比如：有着高效率的数据处理模式、快速的线上线下数据收集方式和优秀的云端客户服务平台等，已经融入了企业运营的各个方面。例如：企业可以通过分析和处理云端的信息来精确地找到产品的目标受众人群，又比如与政府之间，企业可以向政府公开其内部盈利数据，向政府缴纳税款，在此时代背景下，再也不需要专门派遣人员去政府部门录人数据和缴纳税款，只需与政府部门的网络进行实时共享，便可以在实际的生产中，让政府有关部门分析企业的盈利能力，从而节省了企业的成本也让数据保持其真实性。另外在关于企业的运营方面的一大支撑便是：企业管理，以往的管理在经过了工业时代的沉淀和创新发展后，有很多值得借鉴的思想和管理模式可以学习和推广，但那时传统的模式和当前时代不同，若想将其实现成本过高，没有可操作性。目前的大数据能够升级改善企业的管理模式。本文以大数据为基础，分析了企业管理模式的创新路径。

二、大数据时代的特点

“大数据”最早在用于金融行业的股票交易以及分析涨跌情况，相比以往的数据分析追求的精准，此技术改而追求数据的精准和数据之间的关联，彻底突破了数据愈来愈复杂，处理越发不能达到目的限制。可以利用数据的相关性排除掉因果关系所需要的必备条件，能够获得令人意想不到的效果。例如：在社交网络的检测平台曾经使用大数据技术检测到了Facebook的情感倾向和股票走向之间的关联，但Facebook的情感倾向于好其股票的价格会走高，反之亦然，这一平台提出了此理论。从这个例子我们可以看到在未分析数据的因果关系时两个完全不相干的因素会相互影响。近年来，大数据已经应用到了物理学、生物医学、建筑学等众多领域。

（一）数据全体性

大数据分析最为重要的作用便是采集数据和概率评估，以往因为人为因素和技术的限制，数据收集是由随机抽样的方法进行的，大数据可以对整体数据进行全面处理，弥补了随机抽样的不准确性，给企业提供更加优质的数据处理服务。

（二）数据混杂性

大数据技术的创新，让计算机可以处理的数据量成倍增加，只是追求数据的精确性已经不能适应技术需要。在企业上需要处理日销售额、成本、现金流等，因此大数据对数据的处理能够忽略数据细节特征，分析数据的趋势走向，更加快速找出数据的走势。

（三）数据相关因素性

一般思维中，想要预先知道结果必须先分析原因，但是在现实生活中，很多的因果关系异常复杂，不适合一般思维。大数据技术可以将所有数据会有的可能性加以分析，从而抛弃了原因，与结果相关的因素都会出现在分析范围中。

（四）大数据时代管理模式的问题

其一，由于企业管理人员没有认识到此技术会给企业带来的价值，所以对其重视程度越来越低，在营运上只是简单地归纳，并不能保证数据的真实性，为企业发展带来限制。其二，网络经济社会，信息传播的速度极快，若是员工不能准确及时获得需要的信息，随时可能被竞争激烈的市场淘汰。其三，大数据是通过互联网发展而来的，需要数据分析处理的专业人员，同时对技术要求很强，但是大多企业中缺少此类技术型人才，为了节约成本招聘一些没有能力的人员，或是用于处理数据人员多是从其他岗位中临时调用来的，使得数据分析效率低，没有较高的质量，影响企业的发展。

三、企业管理模式创新策略

（一）建立大数据分析平台

传统的管理模式有其缺点，其原因大多是内部管理数据不及时或不全面捉成的。若是利用大数据分析，企业的管理模式将会得以改善。

想要让企业管理不碰到瓶颈，需要健全一个大数据平台，由于企业外部的产品销售会对内部的管理模式造成影响，所以不能只在内部而应扩散到外部的产品销售中去。若是可以提前预测客户需求，便可以先一步做出决策，将内部的管理模式进行更改。大数据平台的建立需要大量相关专业的人才，也要使用数据管理软件来进行实时采集和处理。除需要大量专业人才之外，企业还应重视数据软件的应用。根据客户的消费信息可以直观看到市场的需求，而大数据平台便是分析这种需求的层次、消费数量和频次信息的。建立了此平台企业就可以直接向潜在的客户人群推送广告信息，以提高销售额度，推进企业内部管理模式的创新。

（二）重视大数据技术的应用，培育职工的数据分析能力

只有在企业中应用大数据应用，才可以找到创新的管理方式，在大数据时代中获益，企业想要重视应用大数据几乎需要加强专家讲座的频率。这种技术属于高端技术领域，相关工作人员都是应用型人才，因此需要企业和高校加大合作，聘请业内专业人才在内部举办讲座和培训，以此来提高管理人员在此技术上的理解和重视，通过专业的指导在管理上提出适合的建议和评估。

另外，企业要加大对职工的培训，让其了解并认识大数据技术，让每个员工都可以在以后的工作中掌握此技术，进而不被淘汰。对職工进行培训的好处：第一，提高员工素质;第二，对员工的职业进行规划，一个系统性大企业的创新管理发展需要很多人力、物力来改造管理系统软件，因此应让职工熟练掌握大数据知识，从而协助企业在转型发展中，让企业员工成为企业发展过程中的驱动力。关于员工能力的培育有以下三种：其一，整合数据的能力，大数据时代的信息量必然是巨大的，若是不能合理利用软件，便不能实现对数据的收集和整理，拥有此能力的人员才能确保数据后期处理顺利;其二，数据分析能力，企业需要专业人员分析出潜藏在数据背后的信息与价值，进而制定出精确的行动计划，数据分析处理能力不可只体现在会计人员身上，更应在每个与企业有关的管理人员;其三，快速行动能力，在大数据的背景下，决策有着瞬时性的特点，因为大数据的分析效率高，需要员工快速做出反应，如果企业员工不能对处理结果迅速作用反应，则很难将此平台的优势发挥出来。

（三）监管数据平台应用，重视数据信息安全

对数据平台的监管属于企业管理的范畴，除企业本身的建立内部云平台外，也要在网络上建立云网络平台。并且因企业本身规模较大原因故需配置相关监管人员，以保证数据平台的正常运作。又因为通常处理的数据多是结构化数据，而大数据的到来使得出现了很多的非结构化数据要加以重点对待，在云平台建成后，巨量的非结构数据的产生致使内部存储量不足，加上算法没有及时更新更是不能很好地处理数据。对此企业应该加大监管，以便于技术间算法更新，也利于相关人员可以及时了解数据情况，以给企业提供更大的数据处理平台。对网络平台进行监管还可以及时发现云平台上产生的问题，降低维护资本。因此系统的数据处理量是巨大的，若是有一个指令出错，将会影响整个数据平台的处理工作，需要更多的物力和人力才能进行修复。而加大对数据平台的监管也有利于发现平台处理中的细微错误，防止系统崩溃。数据本身是没有价值的，但是背后的潜藏信息对企业是无价的，因此每个企业都应该保护自己的信息数据，而此平台的建成，随之而来的便是数据盗窃、泄露等事件。需要使用数据安全，加强内外网管理，安装高级防火墙将重要信息及时储备。比如像阿里巴巴，自身建立的平台是有很高的使用价值的，软件通过分析平台数据了解客户需要，进而给用户推送用户需要的广告，增加销售业绩。客户购买商品的信息对于像阿里巴巴这样的公司是十分重要的，是可以引起对其自身数据分析系统的重视，尤其是依赖信息技术谋生的IT公司。另外数据管理也是十分重要，应建立高效可靠的数据库，有助于对内部数据的高效使用。一个架构严谨的数据库资源会防止数据泄露。可以想象若是阿里巴巴的数据库管理能力很低，在巨量客户的数据信息中，便难以精确地分析出其消费习惯，进而不能得出需求倾向，最终造成自身利益受到损害的同时又浪费了互联网资源，对社会的进步不利。

四、结束语

大數据技术目前仍需要进一步改善，例如：对海量数据的处理以及实时反应技术。另外关于企业的管理模式需要进一步融入新技术。而技术的融合需要有勇于创新、借助生产经验，寻找适合的管理方式，以减少生产成本。本文基于大数据的特点，并结合传统企业管理模式中的不足，提出了创新对策。

参考文献：

[1]文跃斌.大数据时代背景下企业管理模式创新研究[J].现代商业，2017（25）：105-106.

[2]赵轲.大数据时代下企业管理模式的创新研究[J].中国市场，2018 ，No.969（14）：98-99.

[3]刘江林.基于大数据时代下的企业管理模式创新研究[J].现代盐化工，2018，45（5）：133-134.

[4]田小平.大数据时代背景下企业管理模式创新策略探究[J].价值工程，2016，35（13）：47-49.

[5]刘家宝.大数据时代下企业管理模式创新研究[J].科技经济导fill，2018，v.26;No.637（11）：216-217.

[6]李云龙.大数据时代下企业管理模式创新研究[J].商情，2017（36）：144-145.

作者简介：

李或馨，北京首光恒源太阳能开发有限公司，北京。

作者：李彧馨