互聯(lián)網(wǎng)思維就是用互聯(lián)網(wǎng)的方式來(lái)思考問(wèn)題，來(lái)重新審視行業(yè)，來(lái)定位我們每個(gè)企業(yè)。那么，什么是互聯(lián)網(wǎng)的方式?互聯(lián)網(wǎng)的本質(zhì)是什么，聯(lián)系性，價(jià)值的串聯(lián)，還有，技術(shù)的改變。以下是小編為你整理的數(shù)據(jù)庫(kù)應(yīng)該怎么學(xué) ?

聯(lián)系性：互聯(lián)網(wǎng)誕生的基礎(chǔ)是聯(lián)系性，一個(gè)人做不了互聯(lián)網(wǎng)，很多很多的人或者終端聯(lián)系在一起才叫做互聯(lián)網(wǎng)，那么，互聯(lián)網(wǎng)的發(fā)展就是不斷在拓展這種聯(lián)系性，有簡(jiǎn)單到復(fù)雜、由單一到多元，從空白到建立，互聯(lián)網(wǎng)正在改變著我們生活的每個(gè)層面--這個(gè)改變就是互聯(lián)的建立，它向每一個(gè)角落延伸，它延伸的每一個(gè)地方，聯(lián)系性的方式都會(huì)改變。比如，原來(lái)你要上商場(chǎng)去買(mǎi)衣服，現(xiàn)在不用了網(wǎng)上就可以解決，不好了還可以調(diào)換，比在商場(chǎng)還要靈活，我們看到，它的聯(lián)系方式變化了，所以，線下很多服裝商場(chǎng)就倒閉了，開(kāi)不下去了。

價(jià)值的串聯(lián)：我們知道，互聯(lián)網(wǎng)的發(fā)展是因?yàn)榻o我們帶來(lái)了極大的便利性，這個(gè)便利性就是價(jià)值，原來(lái)我們辦個(gè)事情很麻煩，現(xiàn)在很多變得不麻煩了，比如轉(zhuǎn)個(gè)賬什么的你就不要跑銀行排隊(duì)了，微信或者網(wǎng)上就辦理了。這就是價(jià)值。為什么互聯(lián)網(wǎng)的聯(lián)系會(huì)越來(lái)越廣泛，延伸的領(lǐng)域越來(lái)越多，因?yàn)樗鼊?chuàng)造了價(jià)值，價(jià)值傳遞的方式被改變了，它用給你帶來(lái)的N多個(gè)好處幫你創(chuàng)造了越來(lái)越多的便利，形成了一個(gè)價(jià)值的串聯(lián)和傳遞。 ?

技術(shù)：無(wú)論是聯(lián)系性還是價(jià)值串聯(lián)，它是通過(guò)什么實(shí)現(xiàn)的?技術(shù)，互聯(lián)網(wǎng)技術(shù)。互聯(lián)網(wǎng)是個(gè)工具，是個(gè)技術(shù)工具，它要通過(guò)技術(shù)實(shí)現(xiàn)來(lái)達(dá)到聯(lián)系性和價(jià)值傳遞的目標(biāo)。也就是說(shuō)，以往你要為消費(fèi)者服務(wù)是通過(guò)人工等其他手段來(lái)進(jìn)行的，現(xiàn)在你要考慮運(yùn)用互聯(lián)網(wǎng)技術(shù)來(lái)實(shí)現(xiàn)這個(gè)服務(wù)。從這個(gè)角度看你真不能把互聯(lián)網(wǎng)看得太高，因?yàn)?，從根因上講它就是個(gè)信息互聯(lián)的技術(shù)，它本身與思維關(guān)聯(lián)不大，而與技術(shù)實(shí)現(xiàn)的開(kāi)發(fā)緊密相連，這是很多人不認(rèn)可互聯(lián)網(wǎng)思維的原因之一。 ?

運(yùn)營(yíng)標(biāo)簽化 ?

早期商場(chǎng)運(yùn)營(yíng)是以圍繞商家及貨品管理為核心，強(qiáng)調(diào)商家的聚合、業(yè)態(tài)的豐富、產(chǎn)品的齊全來(lái)吸引消費(fèi)者。而傳統(tǒng)的大眾消費(fèi)客群市場(chǎng)正在被有特殊喜好趨同的個(gè)性消費(fèi)群體逆襲，具有自身鮮明主題和標(biāo)簽IP的商業(yè)項(xiàng)目從市場(chǎng)脫穎而出，并擁有了一批高粘度的粉絲。 ?

大數(shù)據(jù)便能有效結(jié)合線上線下、場(chǎng)內(nèi)場(chǎng)外，全面認(rèn)識(shí)消費(fèi)者屬性和標(biāo)簽，從原來(lái)對(duì)于“人”模糊認(rèn)知，到“精準(zhǔn)化，清晰化”呈現(xiàn)。通過(guò)多維度的場(chǎng)內(nèi)外數(shù)據(jù)分析，提煉目標(biāo)消費(fèi)者的標(biāo)簽，從而在線下經(jīng)由標(biāo)簽構(gòu)建項(xiàng)目?jī)r(jià)值觀體系，使得項(xiàng)目成為固定標(biāo)簽人群的流量入口，同時(shí)形成低頻消費(fèi)向高頻消費(fèi)的轉(zhuǎn)換。 ?

以杭州某項(xiàng)目為例，中商數(shù)據(jù)對(duì)整個(gè)杭州市207萬(wàn)臺(tái)移動(dòng)設(shè)備APP進(jìn)行索引，發(fā)現(xiàn)項(xiàng)目核心輻射范圍內(nèi)消費(fèi)客群有著明顯的“二次元(動(dòng)漫喜好者)”標(biāo)簽，也就是說(shuō)，該部分客群的線上消費(fèi)痕跡有很明顯的韓風(fēng)和日風(fēng)傾向，于是，推薦商場(chǎng)運(yùn)營(yíng)在線下開(kāi)發(fā)該類(lèi)型的主題街區(qū)和相關(guān)主題活動(dòng)。 ?

大數(shù)據(jù)和云計(jì)算的關(guān)系 ?

從技術(shù)上來(lái)看，大數(shù)據(jù)和云計(jì)算的關(guān)系就像一枚硬幣的正反面一樣密不可分。 ?

大數(shù)據(jù)必然無(wú)法用單臺(tái)的計(jì)算機(jī)進(jìn)行處理，必須采用分布式架構(gòu)。它的特色在于對(duì)海量數(shù)據(jù)進(jìn)行分布式數(shù)據(jù)挖掘，但它必須依托云計(jì)算的分布式處理、分布式數(shù)據(jù)庫(kù)和云存儲(chǔ)、虛擬化技術(shù)。

云時(shí)代的來(lái)臨，大數(shù)據(jù)的關(guān)注度也越來(lái)越高，分析師團(tuán)隊(duì)認(rèn)為大數(shù)據(jù)通常用來(lái)形容一個(gè)公司創(chuàng)造的大量非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)。 ?

大數(shù)據(jù)分析常和云計(jì)算聯(lián)系到一起，因?yàn)閷?shí)時(shí)的大型數(shù)據(jù)集分析需要像MapReduce一樣的框架來(lái)向數(shù)十、數(shù)百或甚至數(shù)千的電腦分配工作。 ?

大數(shù)據(jù)需要特殊的技術(shù)以有效地處理大量的容忍經(jīng)過(guò)時(shí)間內(nèi)的數(shù)據(jù)。適用于大數(shù)據(jù)的技術(shù)，包括大規(guī)模的并行處理數(shù)據(jù)庫(kù)、數(shù)據(jù)挖掘、分布式文件系統(tǒng)、分布式數(shù)據(jù)可、云計(jì)算平臺(tái)、互聯(lián)網(wǎng)和可擴(kuò)展的存儲(chǔ)系統(tǒng)。 ?

大數(shù)據(jù)處理

大數(shù)據(jù)處理數(shù)據(jù)時(shí)代理念的三大轉(zhuǎn)變：要全體不要抽樣，要效率不要絕對(duì)精確，要相關(guān)不要因果。具體的大數(shù)據(jù)處理方法其實(shí)有很多，但是根據(jù)長(zhǎng)時(shí)間的實(shí)踐，筆者總結(jié)了一個(gè)基本的大數(shù)據(jù)處理流程，并且這個(gè)流程應(yīng)該能夠?qū)Υ蠹依眄槾髷?shù)據(jù)的處理有所幫助。整個(gè)處理流程可以概括為四步，分別是采集、導(dǎo)入和預(yù)處理、統(tǒng)計(jì)和分析，以及挖掘。 ?

大數(shù)據(jù)的采集是指利用多個(gè)數(shù)據(jù)庫(kù)來(lái)接收發(fā)自客戶端的數(shù)據(jù)，并且用戶可以通過(guò)這些數(shù)據(jù)庫(kù)來(lái)進(jìn)行簡(jiǎn)單的查詢和處理工作。比如，電商會(huì)使用傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)MySQL和Oracle等來(lái)存儲(chǔ)每一筆事務(wù)數(shù)據(jù)，除此之外，Redis和MongoDB這樣的NoSQL數(shù)據(jù)庫(kù)也常用于數(shù)據(jù)的采集。 ?

在大數(shù)據(jù)的采集過(guò)程中，其主要特點(diǎn)和挑戰(zhàn)是并發(fā)數(shù)高，因?yàn)橥瑫r(shí)有可能會(huì)有成千上萬(wàn)的用戶來(lái)進(jìn)行訪問(wèn)和操作，比如火車(chē)票售票網(wǎng)站和淘寶，它們并發(fā)的訪問(wèn)量在峰值時(shí)達(dá)到上百萬(wàn)，所以需要在采集端部署大量數(shù)據(jù)庫(kù)才能支撐。并且如何在這些數(shù)據(jù)庫(kù)之間進(jìn)行負(fù)載均衡和分片的確是需要深入的思考和設(shè)計(jì)。 ?

統(tǒng)計(jì)與分析主要利用分布式數(shù)據(jù)庫(kù)，或者分布式計(jì)算集群來(lái)對(duì)存儲(chǔ)于其內(nèi)的海量數(shù)據(jù)進(jìn)行普通的分析和分類(lèi)匯總等，以滿足大多數(shù)常見(jiàn)的分析需求，在這方面，一些實(shí)時(shí)性需求會(huì)用到EMC的GreenPlum、Oracle的Exadata，以及基MySQL的列式存儲(chǔ)Infobright等，而一些批處理，或者基于半結(jié)構(gòu)化數(shù)據(jù)的需求可以使用Hadoop。統(tǒng)計(jì)與分析這部分的主要特點(diǎn)和挑戰(zhàn)是分析涉及的數(shù)據(jù)量大，其對(duì)系統(tǒng)資源，特別是I/O會(huì)有極大的占用。 ?

雖然采集端本身會(huì)有很多數(shù)據(jù)庫(kù)，但是如果要對(duì)這些海量數(shù)據(jù)進(jìn)行有效的分析，還是應(yīng)該將這些來(lái)自前端的數(shù)據(jù)導(dǎo)入到一個(gè)集中的大型分布式數(shù)據(jù)庫(kù)，或者分布式存儲(chǔ)集群，并且可以在導(dǎo)入基礎(chǔ)上做一些簡(jiǎn)單的清洗和預(yù)處理工作。也有一些用戶會(huì)在導(dǎo)入時(shí)使用來(lái)自Twitter的Storm來(lái)對(duì)數(shù)據(jù)進(jìn)行流式計(jì)算，來(lái)滿足部分業(yè)務(wù)的實(shí)時(shí)計(jì)算需求。導(dǎo)入與預(yù)處理過(guò)程的特點(diǎn)和挑戰(zhàn)主要是導(dǎo)入的數(shù)據(jù)量大，每秒鐘的導(dǎo)入量經(jīng)常會(huì)達(dá)到百兆，甚至千兆級(jí)別。 ?

與前面統(tǒng)計(jì)和分析過(guò)程不同的是，數(shù)據(jù)挖掘一般沒(méi)有什么預(yù)先設(shè)定好的主題，主要是在現(xiàn)有數(shù)據(jù)上面進(jìn)行基于各種算法的計(jì)算，從而起到預(yù)測(cè)的效果，從而實(shí)現(xiàn)一些高級(jí)別數(shù)據(jù)分析的需求。比較典型算法有用于聚類(lèi)的K-Means、用于統(tǒng)計(jì)學(xué)習(xí)的SVM和用于分類(lèi)的Naive Bayes，主要使用的工具有HadoopMahout等。該過(guò)程的特點(diǎn)和挑戰(zhàn)主要是用于挖掘的算法很復(fù)雜，并且計(jì)算涉及的數(shù)據(jù)量和計(jì)算量都很大，還有，常用數(shù)據(jù)挖掘算法都以單線程為主。