前端开发和web前端开发的区别

移动前端开发和web前端开发都属于前端开发，具体有以下区别。

1、业务的应用场景

web前端开发主要指传统的PC端网页开发，页面主要是运行在PC端浏览器中，移动前端开发出来的页面主要是运行在手机上。

直观上会感觉，PC端页面大一些，移动端页面小一些，但是根据开发经验，页面大可并不代表书写的代码复杂，页面小也并不意味着开发简单，难与易主要还是取决于具体的业务需求。

2、新技术的使用

由于在移动端主要以webkit内核为主，对于HTML5等新技术支持的更好，所以可以更大范围的使用新技术，而PC端开发由于很多场景下要求兼容IE等老版本浏览器，出于浏览器兼容性的考虑，有些情况下限制了新技术的使用。

3、页面的适配性

传统PC端的页面开发一般都会选择给页面设定一个固定宽度，两侧有留白，但是移动端的页面由于其载体手机屏幕比PC要小很多，一般都会选择尽可能多的在手机屏幕上显示内容，这就要求移动端页面要能够充分适应各种屏幕尺寸的手机并进行最大程度的利用。

从这一点上来说移动端页面的适配难度更高一些。

4、页面的性能

PC端的网络情况一般比较稳定，都是通过网线或者Wi-Fi连接网络，但是移动端就比较复杂，除了Wi-Fi，还有2G、3G、4G甚至是在几种不同的网络连接中交替切换也经常发生。

不稳定的网络连接对页面性能带来的挑战是移动端的页面资源不能太大，否则在恶劣网络情况下时，页面将会无法访问 ，严重影响用户体验。

5、框架选型

由于移动端网络情况的不稳定，导致我们在移动端页面框架选型时，一般只考虑小而美的框架，例如像zeptojs这样的压缩之后只有96K，就能满足一般业务的需要，如果是想要构建更复杂的单页面应用，可以选择像vuejs这样的框架，功能强大，但体积压缩后却只有20多K。

而web端相对选择的范围就比较大，一些比较重型的框架也可以根据项目需求加以考虑，例如古老但庞大的extjs，依然凭借着众多UI组件活跃在一些企业的后台管理系统项目中。

扩展资料

Web前端开发需要掌握的技术：

1、熟练掌握前端开发技术(HTML5、JS、JSON、XHTML、CSS3)，了解各项技术的相关标准。

2、掌握Ajax异步编程，能够写出高性能、可复用的前端组件。

3、对OO、MVC、MVVM等编程思想、前端框架有深刻理解，熟练掌握一个前端框架（常用前端框架 Vuejs，AngularJS，React，Bootstrap，QUICK UI，移动端有：Frozen UI，weUI ，SUI，MUI，AUI）了解其原理（框架有很多，选择两三个主流的框架，熟练，深度了解才可以）。

4、善于Web性能优化，可访问性、对SEO等有良好的体验；理解表现层与数据层分离的概念、 Web语义化（这些也是在找工作中，很有用的加分项）。

5、了解前端安全机制，熟悉>

6、熟悉常见JS开发框架源码实现，（如：prototype、jQuery、Mootools，Ext， Dojo，underscore、YUI、Kissy），至少熟练一种（当然也不要去选一些用的人很少的框架，要明白大项目都是团队做，不能自己搞一套）。

7、拥有良好的代码编写，设计文档撰写的经验，熟练使用Git等版本控制工具。

8、对常见的浏览器兼容问题有清晰的理解，并有可靠的解决方案，如IE6/7/8/9、 Firefox、Safari、Chrome。

9、具有较高的审美（这个很重要，多去见识一些模板，高端的项目，就能感觉到有多大的差距）。

Web前端在国内开始被重视的时间不超过八年，从2014年至今，“前端工程师”热度持续走高，其薪资也水涨船高。Web前端是用户体验的 *** 刀者，也是所有互联网企业研发团队中的必须者。

以下数据来自职友集：

数据来自：职友集

趋势一：更加移动优先

响应式设计显然是目前web前端开发领域的主要趋势之一，并且这一趋势在未来还将持续一段时间。虽然现在的响应式设计大部分还是以PC版优先，然而如果有一天我们把PC版放到比移动版次要的位置上，也没有什么好奇怪的。因为，目前许多web前端开发者已经开始转向以移动优先方案来做他们的响应式设计和开发，这就象征着一个重大转变，值得我们跟进的。

趋势二：更多使用快速原型开发工具

众多web前端开发者从2018年开始尝试使用快速原型开发工具，而在2019年将是这种技术真正爆发的一年。“UXpin、Webflow、Invision以及其它许多快速原型开发工具，让设计师不用写一行代码，就能为网站和服务快速创建低保真和高保真原型，便于设计师衡量它们的可用性和美观性。”web设计师Jamie 如是说，“许多工具也允许你在浏览器中设计原型并从工具里真正启动网站自身。”

趋势三：营销类页面小程序化

这个指的就是大家平时在微信里看到的各类营销网页，因为主要入口在微信，因此变成微信小程序。这个大家比较好理解吧，就不多说了。小程序现在可能BUG多，功能跟不上，但是要替代这类网页可能也就是2年不到的时间。

趋势四：HTML内的技术改进

这个能影响到的范围看起来很大，但其实场景比较有限，主要是排除掉上面说的1和3之外的空间。空间就在于这两大技术目前都没有成熟的最佳实践，还需要探索。

在互联网时代，更多的人、场景、知识将需要被更加紧密地联系在一起，而有连接的地方就会有界面，有界面的地方就会有前端。每一门学科与技术都是在不断摸索和总结中前行，前端技术也不例外。未来我们有理由相信在前端技术日趋成熟的前提下，新的突破和变革将会给我们的工作与生活带来更多惊喜。

趋势五：虚拟现实

如果要讨论web前端技术趋势怎能不提到虚拟现实技术VR呢，2019年将继续是VR成为主流的一年，这也就意味着web开发者将通过VR来吸引用户，我们已经看到一些公司比如Mozilla和Google投资开发VR与Web之间的API。越来越多的VR应用程序将相继问世，所以如果看到越来越多的虚拟现实元素出现在 Web上，也别觉得奇怪。

随着物联网时代即将到来，有关新技术将抢走人类饭碗的讨论再度升温。美国 科技 博客TechCrunch撰稿人扎克·苏帕拉（Zach Supalla）近日撰文指出，虽然许多物联网商业模式是通过减少劳动力来提高运营效率，但新技术并不会减少就业

从人类步入 科技 时代开始，有关新技术会抢走我们饭碗的担心便出现了。以蒸汽机为例，当它在17世纪末期被发明出来以后，人们担心蒸汽机的出现预示着体力劳动将走向结束，成千上万靠体力劳动为生的人将丢了饭碗。

然而，蒸汽机非但没有抢走我们的工作，反而在铁路系统等新兴行业以及高生产力工厂创造了全新的就业机会。虽然一些体力劳动者因蒸汽机的发明而丢了工作，但蒸汽机也创造了许多新的工作岗位，比如机器 *** 作员、工程师和维护人员等。

近250年过去了，在一个由技术变革定义的世界里，我们看到了同样的担心和恐惧。截至2015年9月份，亚马逊共部署了3万台Kiva机器人，以实现仓储中心管理自动化，提高运营效率，降低对劳动力的需求。与此同时，市场对软件开发人员的需求不断增长，马克·安德森（Marc Andreessen）在2011年作出的论断——“软件正在吞噬世界”——正变得越来越真实。

未来十年，在新兴的物联网（IoT）时代，这种讨论将再次升温。在一个被打上“将实体的东西都带到线上”这种标签的行业里，许多物联网商业模式将通过减少劳动力来提高效率。我们看到一些企业将垃圾箱与互联网连接在一起，提高部署垃圾清运车的效率——这意味着我们将需要更少的垃圾清运车。无人机将显著减少对大片土地实施勘测所花的时间——这意味着我们将需要更少的勘测人员。在未来十年，每一个涉及电子技术或设备的行业预计都将以这种方式被颠覆。

于是，我们还想问一个曾在17世纪末期被问到过的问题：新技术会抢走我们的工作吗？答案是否定的。以Target为例，这家美国零售商上个月刚刚发布了招聘物联网首席工程师的启示。招聘启事上写道，这个岗位的职责是“为用户打造创新性物联网解决方案”，要求应聘者必须拥有编程语言、代码方面的经验，在工作上采用迭代方法。

除此之外， 科技 咨询公司Janco Associates在最新版企业IT人员工作手册中，将物联网经理确定为手册中新增的三种岗位之一。作为一个高级岗位，它要求经理们负责“技术系统支持的执行和维护，以及现场控制人员的数据传输和回收。”

简而言之，物联网将可以做技术在任何一个领域从事的事情——让低技能工作与高技能工作形成互补。最终，物联网将会导致许多领域简单且重复的工作被大范围取代，比如制造业、质量控制和规划等。但更为重要的是，物联网将导致新就业岗位的出现，这些岗位将用物联网技术帮助单个企业走向成功，甚至会推动整个行业取得成功。

以下即是与物联网有关的三种热门工作岗位：

首席物联网官（CIoTO）

2016年将是CIoTO诞生之年——据市场研究机构Machina Research预测，今年“至少会有一家财富500强企业任命CIoTO”此外，研究表明超过一半的英国企业将在未来一年内聘请CIoTO，并在这个方面展开投资，尤其是在教育、零售和电信等行业。在接受调查的企业中，94%表示将对与物联网有关的项目进行投资，涉及基础设施、安全、研发和人才等方面。

CIoTO将负责推动一系列与技术有关的决策，而这些决策将决定着一家公司的未来发展方向。此外，CIoTO将提出公司的物联网战略，负责开发物联网产品或项目，负责从物联网设备中收集数据，分析和确定各种深刻见解，最终基于这种数据采取行动。

物联网商业设计师（IoT Business Designer）

有些公司正在聘请技术驱动型“物联网专家”，负责管理一些项目或员工，但我们会看到一个更大的行业趋势，即物联网商业设计师的出现，他们是颇具创造力的思想领袖，尽力寻找各种可以通过物联网来解决的商业机遇，然后以 科技 手段挖掘这种机遇。

物联网商业设计师必须对公司未来10年的发展有清楚的认识，可以定义和执行某个项目，而这个项目将成为公司未来10年规划的第一步。此外，他们还必须很懂技术，但又不会痴迷于技术，只要能运用 科技 手段解决问题即可。

全栈开发者（Fuller Stack Developer）

全栈开发者（full stack developer）是指那些熟练掌握后端和前端技术的开发者。具体来说，这意味着开发者必须要懂基础设施、数据库、后端代码（Ruby、Python和Java）和前端代码（JavaScript、HTML和CSS）。

但在物联网时代，这还不够。物联网产品不仅包括与网页应用和移动应用一样的前端和后端系统，同时还包括硬件，而且往往是定制式硬件。这意味着你的“全栈”必须更全面，还要懂嵌入式系统（即固件）以及电气工程学和机械工程学等。因此，你就需要更为全能的全栈开发者了。

这种人才听上去就像独角兽一样稀有，但这些软件工程师的确存在。许多学计算机工程和嵌入式系统的人才已转行从事网页与移动应用开发，因为过去十年这些工作的待遇更丰厚。

大数据基础概念
“很多人还没搞清楚什么是PC互联网，移动互联网来了，我们还没搞清楚移动互联的时候，大数据时代又来了。”——马云卸任演讲
本文尝试从三大产业的角度将大数据的核心商业价值分类讨论。
首先例举一些大数据的典型应用，然后解释大数据的定义，最后总结大数据的价值。
我们知道：
第一次工业革命以煤炭为基础，蒸汽机和印刷术为标志，
第二次工业革命以石油为基础，内燃机和电信技术为标志，
第三次工业革命以核能基础，互联网技术为标志，
第四次工业革命以可再生能源为基础，_________为标志。
空白处你会填上什么？欢迎大家讨论。但是目前可以预测的是，数据和内容作为互联网的核心，不论是传统行业还是新型行业，谁率先与互联网融合成功，能够从大数据的金矿中发现暗藏的规律，就能够抢占先机，成为技术改革的标志。
一、大数据的应用
大数据挖掘商业价值的方法主要分为四种：
客户群体细分，然后为每个群体量定制特别的服务。
模拟现实环境，发掘新的需求同时提高投资的回报率。
加强部门联系，提高整条管理链条和产业链条的效率。
降低服务成本，发现隐藏线索进行产品和服务的创新。
Mckinsey列出了各个行业利用大数据价值的难易度以及发展潜力。《Big data: The next frontier for innovation, competition, and productivity》
各种Data之间的关系图，注意Open Data是完全包含了Open government data（政府开放数据）
Mckinsey也列出了Open Data时代里七大行业潜在的经济价值，自上而下分别是教育，运输，消费品、电力、石油与天然气、医疗护理、消费金融。（感谢知友安阳提供的补充链接资料）
大数据的类型大致可分为三类：
传统企业数据（Traditional enterprise data）：包括 CRM systems的消费者数据，传统的ERP数据，库存数据以及账目数据等。
机器和传感器数据（Machine-generated /sensor data）：包括呼叫记录（Call Detail Records），智能仪表，工业设备传感器，设备日志（通常是Digital exhaust），交易数据等。
社交数据（Social data）：包括用户行为记录，反馈数据等。如Twitter，Facebook这样的社交媒体平台。
从理论上来看：所有产业都会从大数据的发展中受益。但由于数据缺乏以及从业人员本身的原因，第一、第二产业的发展速度相对于第三产业来说会迟缓一些。
(2)第二产业
2013年9月，工业和信息化部发布了《关于印发信息化和工业化深度融合专项行动计划（2013-2018年）》的通知。明确提出推动物联网在工业领域的集成创新和应用：
实施物联网发展专项，在重点行业组织开展试点示范，以传感器和传感器网络、RFID、工业大数据的应用为切入点，重点支持生产过程控制、生产环境检测、制造供应链跟踪、远程诊断管理等物联网应用，促进经济效益提升、安全生产和节能减排。
大数据的业务多是数据驱动型，具有数据量大、种类多、实时性高的特点。工业企业对数据的记录以往看来主要分为两种方法：传统的纸笔和Excel电子表格记录。这些 *** 作起来看似简单的数据管理方式为企业生产及质量监控埋下了巨大的隐患，也让数据挖掘无从谈起。
随着信息化与工业化的融合发展，信息技术渗透到了工业企业产业链的各个环节。例如Sensor、RFID、Barcode、物联网等技术已经在企业中得到初步应用，工业大数据也开始逐渐得到积累。企业中生产线高速运转时机器所产生的数据量不亚于计算机数据，而且数据类型多是非结构化数据，对数据的实时性要求也更高。因此工业大数据所面临的问题和挑战很多，所以通用电气公司（General Electric）的副总裁兼全球技术总监William Ruh认为相对于工业大数据来说，工业互联网（Industrial Internet）才是当前急需的，因为大数据本身并没有让信息的提取更加智能，业务比数据本身更加重要。他举了一个核磁共振成像扫描的例子：
Here’s an example An MRI scan is the best way to see inside the human body While effective in helping to diagnose multiple sclerosis, brain tumors, torn ligaments and strokes, the data produced by an MRI machine is disconnected from the person that needs it the most
At a very simplistic level, there are many individuals working as a team to make the scan happen A nurse administers medications or contrast agents that may be needed for the exam; an MRI technologist operates the scanner; and a radiologist identifies the imaging sequences to be used and interprets the images This information is then given to the nurse, who then passes it to the primary doctor to review and take action accordingly This is Big Data, but it is not making information more intelligent
又如在工业中，压力、温度等数据的特点是需要语境才能理解的。燃气轮机排气装置上的温度读数与一台机车的内部温度是完全不同的。燃气轮机改善热敷需要使用非常复杂的算法运行模型。在笔记本电脑上，一个典型的查询要获得答案一般需要三个星期。在基于大数据的分布式系统上发布同样的查询执行一种计算只需要不到一秒钟。
第三方认证机构（TÜV NORD GROUP），工业
德国汉德技术监督服务有限公司的前身是德国锅炉检验协会（简称TÜV）早在1869年，德国锅炉检验协会就承担了德国国内所有锅炉运行安全的检验工作，保证了锅炉生产的安全。渐渐的，德国锅炉检验协会取得了德国政府的授权，开展对其他产品的检验工作，从采矿，电力系统开始，到压力容器，机动车辆，医疗设备，环境保护，宇航工业，医疗产品等等，现在的德国汉德技术监督服务有限公司已经成为了许许多多产品的安全代号。主要体系认证包括企业质量管理体系，生产环境体系，生产碳排放方案等。TÜV当前从建筑绿色标准体系方面提出了对于大数据能源管理的探索，以微软新总部，蒂森克虏伯电梯总部为例，在整个项目实施中引入大数据能源管理，在建筑的设计规划阶段、施工阶段、运营阶段等多个阶段通过数据化的能源管理系统，实现建筑的低碳、绿色、智能。
工业自动化软件商（Wonderware ），工业
Wonderware作为系统软件涉及的专业企业，对于大数据的计算和运用是从比较“IT”的角度出发的。Wonderware 的实时数据管理软件能够提供一个工厂所需要的从建立到报废的所有实时数据。目前已经退出移动版本，工程总监在手机上就能够随时随地监控设备的运行状况。目前全球超过三分之一的工厂应用Wonderware公司的软件解决方案。
了解更多：
大数据在电力行业的应用前景有哪些？
(3)第三产业
这一个部分的内容比较多。这里只提出一些典型的应用例子，欢迎补充。
健康与医疗：Fitbit® Official Site: Flex, One and Zip Wireless Activity and Sleep Trackers的健身腕带可以收集有关我们走路或者慢跑的数据，例如行走步数、卡路里消耗、睡眠时长等数据与健康记录来改善我们的健康状况；Early Detection of Patient Deterioration等公司正在开发床垫监测传感器，自动监测和记录心脏速率、呼吸速率、运动和睡眠活动。该传感器收集的数据以无线方式被发送到智能手机和平板电脑进行进一步分析；美国公共卫生协会（APHA: American Public Health Association）开发Flu Near You用来的症状，通过大数据分析生成报告显示用户所在地区的流感活动。
视频：互联网电视能够追踪你正在看的内容，看了多长时间，甚至能够识别多少人坐在电视机前，来确定这个频道的流行度。Netflix 美国国内规模最大的商业视频流供应商，收集的数据包括用户在看什么、喜欢在什么时段观看、在哪里观看以及使用哪些设备观看等。甚至记录用户在哪视频的哪个时间点后退、快进或者暂停，乃至看到哪里直接将视频关掉等信息。典型的应用是Netflix公司利用数据说服BBC重新翻拍了电视连结剧《纸牌屋》，而且成功的挖掘出演员Kevin Spacey和导演David Fincher的支持者与原剧集粉丝的关联性，确定新剧拍摄的最佳人选。
When the program, a remake of a BBC miniseries, was up for purchase in 2011 with David Fincher and Kevin Spacey attached, the folks at Netflix simply looked at their massive stash of data Subscribers who watched the original series, they found, were also likely to watch movies directed by David Fincher and enjoy ones that starred Kevin Spacey Considering the material and the players involved, the company was sure that an audience was out there
交通：《车来了》通过分析公交车上GPS定位系统每天的位置和时间数据，结合时刻表预测出每一辆公交车的到站时间；WNYC开发的Transit Time NYC通过开源行程平台（Github：OpenTripPlanner和MTA ）获取的数据将纽约市划分成2930个六边形，模拟出从每一个六边形中点到边缘的时间（地铁和步行，时间是上午九点），最终建模出4290985条虚拟线路。用户只需点击地图或者输入地址就能知道地铁到达每个位置的时间；实时交通数据采集商INRIX-Traffic的口号是（永不迟到！^^），通过记录每位用户在行驶过程中的实时数据例如行驶车速，所在位置等信息并进行数据汇总分析，而后计算出最佳线路，让用户能够避开拥堵。
电子商务：Decide 是一家预测商品价格并为消费者提出购买时间建议的创业公司，通过抓取亚马逊、百思买、新蛋及全球各大网站上数以十亿计的数据进行分析，最终整合在一个页面中方便消费者对比查看，并且能够预测产品的价格趋势，帮助用户确定商品的最好购买时机。已经于2013年被 eBay收购。
政治：奥巴马在总统竞选中使用大数据分析来收集选民的数据，让他可以专注于对他最感兴趣的选民，谷歌执行董事长Eric Schmidt当时向奥巴马的大数据分析团队投资数百万美元并聚拢核心成员成立了Civis Analytics咨询公司，该公司将会将在奥巴马连任竞选中所获得的经验应用到商业和非营利行业中。（了解更多可以看看MIT technology的文章The Definitive Story of How President Obama Mined Voter Data to Win A Second Term）
金融：ZestFinance | Big Data Underwriting 是由是Google的前任 CIO，Douglas Merrill创立金融数据分析服务提供商，使用机器学习算法和大数据为放款者提供承保模式，旨在为那些个人信用不良或者不满足传统银行贷款资格的个人提供服务。公司使用分析模型对每位信贷申请人的上万条原始信息数据进行分析，只需几秒时间便可以得出超过十万个行为指标。目前违约率比行业平均水平低 60%左右。另外一个不得不提到的是风险管理先驱者FICO | Predictive Analytics, Big Data Analytics and FICO Credit Scores，通过大数据分析为银行和xyk发卡机构、保险、医疗保健、政府和零售行业提供服务。FICO 信用分计算的基本思想是：把借款人过去的信用历史资料与数据库中的全体借款人的信用习惯相比较，检查借款人的发展趋势跟经常违约、随意透支、甚至申请破产等各种陷入财务困境的借款人的发展趋势是否相似。FICO 已经为三分之二的世界 100 强银行提供服务，提高了客户忠诚度和盈利率、减少欺诈损失、管理信贷风险、满足监管与竞争要求并快速获取市场份额。想了解更多的企业可以看看附录中《经济学人》的文章《Big data: Crunching the numbers》。
电信： 美国T-mobiles采用Informatica - The Data Integration Company平台开展大数据工作，通过集成数据综合分析客户流失的原因，根据分析结果优化网络布局为客户提供了更好的体验，在一个季度内将流失率减半；韩国 SK telecom新成立一家公司SK Planet，通过大数据分析用户的使用行为，在用户做出决定之前推出符合用户兴趣的业务防止用户流失。美国AT&T 公司将记录用户在Wifi网络中的地理位置、网络浏览历史记录以及使用的应用等数据销售给广告客户。比如当用户距离商家很近时，就有可能收到该商家提供的折扣很大的电子优惠券。英国BT - Broadband公司发布了新的安全数据分析服务Assure Analytics—BT news releases，帮助企业收集、管理和评估大数据集，将这些数据通过可视化的方式呈现给企业，帮助企业改进决策。
一般来说盈利性质的商业公司和企业都不会轻易泄露自己的数据、建模方法和分析过程，所以还有很多大家不知道的神秘应用潜伏在黑暗里，如同《三体》中的”黑暗森林法则“。
宇宙就是一座黑暗森林，每个文明都是带q的猎人，像幽灵般潜行于林间，轻轻拨开挡路的树枝，竭力不让脚步发出一点儿声音，连呼吸都必须小心翼翼：他必须小心，因为林中到处都有与他一样潜行的猎人，如果他发现了别的生命，能做的只有一件事：开q消灭之。在这片森林中，他人就是地狱，就是永恒的威胁，任何暴露自己存在的生命都将很快被消灭，这就是宇宙文明的图景，这就是对费米悖论的解释。
二、大数据的定义
大数据(Big Data)是指“无法用现有的软件工具提取、存储、搜索、共享、分析和处理的海量的、复杂的数据集合。”业界通常用4个V(即Volume、Variety、Value、Velocity)来概括大数据的特征。
数据体量巨大(Volume)。截至目前，人类生产的所有印刷材料的数据量是200PB，而历史上全人类说过的所有的话的数据量大约是5EB(1EB=210PB)。
数据类型繁多(Variety)。相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。
价值密度低(Value)。价值密度的高低与数据总量的大小成反比。如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下亟待解决的难题。
处理速度快(Velocity)。大数据区分于传统数据挖掘的最显著特征。根据IDC的“数字宇宙”的报告，预计到2020年，全球数据使用量将达到352ZB。
看看专家们怎么说。
舍恩伯格，大数据时代 (豆瓣)
不是随机样本，而是全体数据；不是精确性，而是混杂性；不是因果关系，而是相关关系。
埃里克·西格尔，大数据预测 (豆瓣)
大数据时代下的核心，预测分析已在商业和社会中得到广泛应用。随着越来越多的数据被记录和整理，未来预测分析必定会成为所有领域的关键技术。
城田真琴，大数据的冲击 (豆瓣)
从数据的类别上看，“大数据”指的是无法使用传统流程或工具处理或分析的信息。 它定义了那些超出正常处理范围和大小、迫使用户采用非传统处理方法的数据集。
三、大数据的价值
了解了大数据的典型应用，理解了大数据的定义。这时相信在每个人的心中，关于大数据的价值都有了自己的答案。
2010年《Science》上刊登了一篇文章指出，虽然人们的出行的模式有很大不同，但我们大多数人同样是可以预测的。这意味着我们能够根据个体之前的行为轨迹预测他或者她未来行踪的可能性，即93%的人类行为可预测。
Limits of Predictability in Human Mobility
A range of applications, from predicting the spread of human and electronic viruses to city planning and resource management in mobile communications, depend on our ability to foresee the whereabouts and mobility of individuals, raising a fundamental question: To what degree is human behavior predictable Here we explore the limits of predictability in human dynamics by studying the mobility patterns of anonymized mobile phone users By measuring the entropy of each individual’s trajectory, we find a 93% potential predictability in user mobility across the whole user base Despite the significant differences in the travel patterns, we find a remarkable lack of variability in predictability, which is largely independent of the distance users cover on a regular basis
而大数定理告诉我们，在试验不变的条件下，重复试验多次，随机事件的频率近似于它概率。“有规律的随机事件”在大量重复出现的条件下，往往呈现几乎必然的统计特性。
举个例子，我们向上抛一枚硬币，硬币落下后哪一面朝上本来是偶然的，但当我们上抛硬币的次数足够多后，达到上万次甚至几十万几百万次以后，我们就会发现，硬币每一面向上的次数约占总次数的二分之一。偶然中包含着某种必然。
随着计算机的处理能力的日益强大，你能获得的数据量越大，你能挖掘到的价值就越多。
实验的不断反复、大数据的日渐积累让人类发现规律，预测未来不再是科幻**里的读心术。
如果银行能及时地了解风险，我们的经济将更加强大。
如果政府能够降低欺诈开支，我们的税收将更加合理。
如果医院能够更早发现疾病，我们的身体将更加健康。
如果电信公司能够降低成本，我们的话费将更加便宜。
如果交通动态天气能够掌握，我们的出行将更加方便。
如果商场能够动态调整库存，我们的商品将更加实惠。
最终，我们都将从大数据分析中获益。
四、结束语。
Here's the thing about the future关于未来有一个重要的特征
Every time you look at it,每一次你看到了未来
it changes because you looked at it它会跟着发生改变 因为你看到了它
And that changes everything else然后其它事也跟着一起改变了
数据本身不产生价值，如何分析和利用大数据对业务产生帮助才是关键。
祝每一个DMer都挖掘到金矿和快乐：）

---