大数据基础设施:一个国家在信息和存储方面的基础设施决定了大数据时代的海量数据能否被收集、交流、存储和应用。为了给大数据的发展提供良好的基础，新加坡在基础设施的投入上并不吝啬。新加坡是全球十大高速网络架构之一，承载了东南亚第三方数据中心一半以上的存储容量。新加坡已经确立了其作为全球数据管理中心的地位，汇集了东南亚超过50%的商业数据托管和中立运营商数据中心。
5、大数据思维的三个维度分别是什么?第一，描述性思维就是把一些结构化数据或者非结构化数据变成客观标准。大数据思维过程中，涉及到很多人为因素，这些也是可以分析的。比如对消费者行为的研究，可以是定量的，也可以是非定量的，描述性思维应该包括消费者行为的各个方面。这里有一个例子。购物中心将继续收集连接到局域网的顾客的数据，以了解他们的消费和分布情况。消费者可以实现购物、餐饮、休闲、娱乐的一站式服务，也可以在很大程度上提升用户体验。
第二，相关性思维是对数据之间相关性的研究。对于消费者行为或用户行为的研究，这些行为在一定程度上与其他不同的数据有着内在的联系。大数据分析的结果可以更好的建立数据预测模型，可以用来预测消费者的偏好和行为。对相关性的研究也可以更好地支持预测性思维。
6、大数据时代读后感[说说大数据的三个“不是”]有人说大数据是骗人的；有人说大数据是个伪命题。大数据市场确实存在。Gartner预测，到2015年，70%的信息基础架构扩展和投资将由业务分析驱动。过去，人们主要关注如何存储海量数据，而没有想到深入挖掘数据的内在价值。随着数据与业务的关系越来越紧密，以及一些大数据分析工具的出现，数据分析已经成为企业决策的前提。
这让一部分想采用大数据分析工具的用户感到畏难情绪，也让一部分用户误以为大数据分析只针对业务流程复杂、数据海量的大型企业。来自市场研究机构麦肯锡的研究人员表示:“创造新的显著价值，不一定要采用复杂的大数据分析方法。有时候，只要保证数据可用性或者对数据应用进行基本分析，就可以获得所需的显著值。”不同的企业或者企业内部的不同部门，对数据分析和数据价值的理解是不一样的。
7、大型企业大数据创新的五大重要趋势大企业大数据创新的五大重要趋势_数据分析师考试“大数据”不仅是一个流行语，也是一个日益现实的问题。就连IBM也宣布将投资10亿美元开发PowerLinux系统，以支持其大数据战略。从企业规模来看，大企业使用大数据更有优势。根据ForresterResearch对大量大型企业的调查数据，每个企业平均产生的数据量约为非结构化数据50TB，半结构化数据2TB，结构化数据12TB。
目前使用大数据技术的企业比例约为20%，另有37%的企业正在规划大数据项目，希望通过大数据分析的力量获得更高的企业洞察。那么，大数据应该如何应用在大企业的重要项目中呢？以下是大企业大数据创新的五大方向。1)混合数据云。混合数据云是一个值得强调的话题，因为大型企业不可能放弃现有的结构化数据基础设施。
8、大数据分析的五个基本方面都是哪些1、预测分析能力数据挖掘可以让分析师更好的理解数据，预测分析可以根据可视化分析和数据挖掘的结果做出一些预测性的判断。2.数据质量和数据管理数据质量和数据管理是一些管理最佳实践。通过标准化流程和工具处理数据可以确保预定义的高质量分析结果。3.可视化分析数据可视化是对数据分析工具最基本的要求，无论是对数据分析专家还是普通用户。
4.语义引擎我们知道非结构化数据的多样性给数据分析带来了新的挑战，我们需要一系列的工具来解析、提取和分析数据。语义引擎需要被设计成智能地从“文档”中提取信息。5.数据挖掘算法可视化是给人看的，数据挖掘是给机器看的。聚类、分割、离群点分析等算法让我们可以深入挖掘数据，挖掘价值。这些算法不仅要处理大数据量，还要处理大数据速度。
9、大数据的五点思考关于大数据的五点思考大数据不在乎它的大小，而在乎它背后的大脑。其实大众对大数据还是有很多误解的。刘德环教授在微博中发表了他对大数据的五点思考(稍后可能会更新)，并对近期大数据被大众捧为珍宝的做法提出了自己不同的看法:任何网站的数据都是人们互联网行为数据的极小子集，无论分析得多么全面和深入，都是子集，而不是全集。
似乎所有的数据都只是不完整的数据。数据量的大量增加会导致结果不准确，不同来源的信息会增加数据的混乱，发现庞大的数据集和细粒度的测量会增加“错误发现”的风险。“假设、检验和验证的科学方法已经过时”的论调，恰恰是大数据时代的混乱和困惑，人们简单地拥抱了凯文·凯利所说的混乱，互联网用户的基本特征、消费行为、上网行为、渠道偏好、行为偏好、生活轨迹、位置等，反映了用户的基本行为规律。
