怎麼爬出大數據陷阱

『壹』 大數據需留意的六個安全問題

1、使數據易受攻擊

如今，所有數據都是數字化的，並且數量巨大，黑客始終可以在惡意內部人員的幫助下找到進入入侵的方式。如果他們以某種方式可以訪問你的關鍵數據，他們可以根據自己的目的進行修改，甚至刪除其中的一些數據。這就是為什麼完全依賴物聯網、大數據和實時數據分析的公司限制訪問並採取某些步驟來檢測假數據形成的原因。這是其數據保護協議的關鍵部分。

2、使訪問變得困難

使大數據生態系統有效的另一個重要因素是粒度訪問控制。根據等級、許可權可以授予不同人員不同級別的主數據訪問許可權。名義上，訪問控制使大數據更加安全。但是，隨著組織使用大量數據，增加復雜的控制面板可能變得更加微妙，並可能為更多潛在漏洞打開門戶。

3、需要某些安全審核

在每個系統開發中，幾乎都是需要安全審核的地方，特別是在大數據不安全的地方。但是，考慮到使用大數據已經帶來了廣泛的挑戰，這些安全審核通常被忽略，這些審核只是添加到列表中的另一件事。這種態度與以下事實結合在一起：許多公司仍需要能夠設計和實施此類安全審核的合格人員。

4、分散的框架

使用大數據的公司可能需要在不同系統之間分布數據分析。例如，Hadoop是一種開放源代碼軟體，旨在在大數據生態系統中進行靈活和分散的計算。但是，該軟體初根本沒有安全性，因此在分散的框架中有效的安全性仍然是要實現的挑戰。

5、數據來源

找到我們的數據來源確實有助於確定違規的來源。你可以使用元數據來跟蹤數據流。無論如何，即使對於大型公司，元數據管理也是一個自我戰略問題。如果沒有正確的框架，實時跟蹤此類非結構化數據將是一個挑戰。盡管這是一個持續存在的問題，但它並不是大數據問題。

6、實時合規

實時大數據分析在公司的競爭中越來越受歡迎。但是，實時實施這種工具更加復雜，並且還會產生大量的數據。

此類工具的開發方式應使它們在現實中不存在威脅時能夠規避對違規行為的錯誤警告。因此，發現此類錯誤警告可能很耗時。他們分散了白帽黑客的注意力，使其免受真正的故障和攻擊並浪費資源。

關於大數據需留意的六個安全問題，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

『貳』 大數據安全問題 這六點你知道了嗎

【導讀】當涉及到大數據和分析時，列出企業應該遠離的陷阱清單也同樣重要，大多數組織為其成功實施項目工作，都已經制定了一套大數據的最佳做法。那麼大數據安全問題有哪些?我們在進行大數據分析的時候需要注意什麼呢?下面我們就來具體了解一下。

1、需要某些安全審核

在每個系統開發中，幾乎都是需要安全審核的地方，特別是在大數據不安全的地方。但是，考慮到使用大數據已經帶來了廣泛的挑戰，這些安全審核通常被忽略，這些審核只是添加到列表中的另一件事。這種態度與以下事實結合在一起：許多公司仍需要能夠設計和實施此類安全審核的合格人員。

2、使訪問變得困難

使大數據生態系統有效的另一個重要因素是粒度訪問控制。根據等級、許可權可以授予不同人員不同級別的主數據訪問許可權。名義上，訪問控制使大數據更加安全。但是，隨著組織使用大量數據，增加復雜的控制面板可能變得更加微妙，並可能為更多潛在漏洞打開門戶。

3、分散的框架

使用大數據的公司可能需要在不同系統之間分布數據分析。例如，Hadoop是一種開放源代碼軟體，旨在在大數據生態系統中進行靈活和分散的計算。但是，該軟體初根本沒有安全性，因此在分散的框架中有效的安全性仍然是要實現的挑戰。

4、實時合規

實時大數據分析在公司的競爭中越來越受歡迎。但是，實時實施這種工具更加復雜，並且還會產生大量的數據。

此類工具的開發方式應使它們在現實中不存在威脅時能夠規避對違規行為的錯誤警告。因此，發現此類錯誤警告可能很耗時。他們分散了白帽黑客的注意力，使其免受真正的故障和攻擊並浪費資源。

5、數據來源

找到我們的數據來源確實有助於確定違規的來源。你可以使用元數據來跟蹤數據流。無論如何，即使對於大型公司，元數據管理也是一個自我戰略問題。如果沒有正確的框架，實時跟蹤此類非結構化數據將是一個挑戰。盡管這是一個持續存在的問題，但它並不是大數據問題。

6、使數據易受攻擊

如今，所有數據都是數字化的，並且數量巨大，黑客始終可以在惡意內部人員的幫助下找到進入入侵的方式。如果他們以某種方式可以訪問你的關鍵數據，他們可以根據自己的目的進行修改，甚至刪除其中的一些數據。這就是為什麼完全依賴物聯網、大數據和實時數據分析的公司限制訪問並採取某些步驟來檢測假數據形成的原因。這是其數據保護協議的關鍵部分。

關於大數據安全問題，就介紹到這里了，如果您還想了解更多關於大數據工程師的技巧及素材等內容，可以通過其他文章進行學習，或者找專業的老師進行咨詢了解，掌握自己的學習方向。

『叄』 防止墜入「大數據陷阱」，除了技術還需要什麼

面對互聯網金融大潮，在興奮激動之餘，我們還需要一種相對冷靜平和的心態。如果我們真的要搞金融大數據開發，真的要靠有關數據來辦互聯網金融，那確實就要認真思考一下自己所謂擁有的「大數據」真的足夠大了嗎？足夠長了嗎？

當今，互聯網化正帶動著許多行業、產業的組織變革和商業變革。在這一歷史性的進程中，互聯網技術的迅速發展也給金融領域的創新帶來了巨大活力，顯著提升了金融服務的水平。首先，我在大數據巴士中看到有統計從銀行來說，現在銀行已普遍通過互聯網渠道開辦各類業務，銀行服務的成本有了下降（電子銀行每筆交易成本大約只有銀行櫃台每筆交易成本的五分之一到六分之一）；銀行傳統信貸的模式有了改變（例如工商銀行(601398,股吧)無人工參與的全流程在線的網路貸款已超過其網路融資的20%）；銀行業務處理能力尤其是支付結算的能力和效率都有了提高（例如工商銀行現在每秒鍾業務交易量峰值已超過8700筆，在去年一年的電子銀行交易已佔全部交易的88%，電子銀行交易金額達到了456萬億元，所有的異地支付早已實現實時完成。）；各家銀行的服務模式都已越來越多地、越來越自然地融入商業場景之中，一個覆蓋和貫通金融服務、電子商務、社交生活的互聯網銀行架構正在不斷形成和完善。其次，這些年來，各類互聯網企業從事金融業務的也越來越多，互聯網金融已從最初的電子商務、第三方支付等更多進入了資金募集、理財和借貸領域。如果說Paypal、ApplePay和支付寶等，是讓小額支付更便捷，那麼P2P、眾籌包括余額寶等則是對金融資源配置方式的一種有意義的探索，它給不少人提供了一種新的投資渠道，也滿足了一些人籌集資金的需求。近來，一些人又已經開始把更多注意力放到了區塊鏈技術，不少人正在爭先恐後地進行基於區塊鏈的支付和記錄技術等方面的研究和開發。

這一切的結果在大數據巴士中的統計都是顯得那麼的令人振奮，令人欣喜。但我認為在看到互聯網金融快速發展所帶來的種種積極變化的時候，在繼續推進金融創新的過程中，似乎也應該注意兩個問題，一、金融創新的全部內容是不是金融的互聯網化；二、是否應該避免陷入技術至上、唯數據論的誤區。第一點比較容易理解，答案也應該是明確的。關於第二點想必看法不會完全一致。我想就此談談一己淺見。這可以從北京大學國家發展研究院沈艷教授最近的一篇文章說起。

沈艷教授的文章題目是《大數據分析的光榮與陷阱——從谷歌流感趨勢談起》。她在文章中講了一個故事，那就是谷歌公司在2008年11月啟動了一個「谷歌流感趨勢」（GoogleFluTrends，GFT）項目，這個項目曾被許多人認為是大數據分析優勢的一個證明。這個項目的團隊曾宣布他們通過數十億搜索中45個可能涉及流感關鍵詞的分析，就能夠比美國疾控中心提前預報流感的發病率，從而使人們可以有充足的時間提前採取預防措施以避免患上流感。倘若真能如此，這個成果無疑具有重要的社會意義和經濟價值。可惜的是2014年，美國《科學》雜志的有關文獻報道了GFT在2009年沒有能預測到有關流感的爆發，在2011年8月到2013年8月間的108周里，有100周預告不準（預測率是實際報告值的1.5倍多）。沈艷詰問道，為什麼傳說中充滿榮光的大數據分析會出現如此大的系統性誤差呢？她認為如果在數據分析中只關心相關關系而不注意因果關系是不行的，必須避免模型對數據值作出「過度擬合」，她還指出尤需注意不能以為大數據可以完全替代小數據，她呼籲要防止墜入「大數據陷阱」，力戒「大數據自大」。我十分贊同沈艷的觀點。沈教授所指出的問題正是若干年來我們在推進互聯網金融發展中所一直十分注意和努力想解決的問題。

撇開銀行在產品研發、客戶營銷、員工及機構管理等方面的數據應用問題暫且不談，就說銀行最常見也最重視的風險管理，多年來許多銀行尤其是一些大中型銀行都在如何利用數據技術提升風險管控能力方面進行了很多的探索，做出了不懈的努力。例如，工商銀行在估算客戶的違約概率（PD）、違約損失率（LGD）的時候，十分注意把數據長度作為風險參數量化過程中的一個重要因素，堅持要求數據觀察期起碼必須涵蓋一個完整的經濟周期，以努力避免簡單地以昨天的數據來說明今天和預測明天。現在工商銀行非零售業務和零售業務的客戶違約率、損失率數據積累長度均已超過12年。同時包括工商銀行在內的不少銀行還建立起了全行數據質量的管理標准和平台，不斷進行內部評級的復核驗證，以盡可能減少失真數據的干擾和影響。為了能夠對各種風險進行量化，在信用風險管理方面僅工行就開發了34個法人客戶評級模型，實現了對所有法人客戶違約概率（PD）的計量，開發了175個信貸產品的3類債項評級模型，實現了對違約損失率（LGD）的計量。對零售業務，工行還開發了75個信用評分模型，覆蓋了個人客戶准入、賬戶信貸審批和業務管理的完整業務生命周期。在面對市場風險（因市場價格例如利率、匯率、債券股票價格、商品價格的不利變動，而使商業銀行表內和表外業務發生損失的風險）的防控方面，我們制定了16個辦法，開發了17個定價估值模型來進行風險價值（VaR）和壓力風險價值（SVaR）的計量，並且在實踐過程中每日實施返回檢驗，把模型計算所得的風險價值與發生的真實損益進行比較，以檢驗模型、方法的准確性和可靠性。在防控操作風險（主要是指由不完善或有問題的內部程序、員工行為和信息科技系統，以及外部事件所造成的風險）方面，工行開發了操作風險損失事件管理系統，分別用於對操作風險高頻低損和低頻高損部分的計量。

為了達到上述的這種數據採集、挖掘和應用水平，僅為積累有關數據、開發這些風險管控模型，工商銀行就先後花了將近15年時間，投入了巨大的人力和財力。盡管目前這一套風險識別和計量的方法、模型已經按照國際金融穩定理事會的有關標准，經過監管部門組織的多輪評估獲得通過，認定為合格，但坦率地說，我們從來也沒有認為這一切已經是完美無缺的了。面對不斷變化的社會經濟環境，隨著銀行業務日新月異的發展，在數據的管理利用方面確實還有許多問題需要解決，前面的路還很長。這也正是工商銀行近年來又推出了eICBC新發展戰略的一個重要原因。

我之所以不惜篇幅地介紹這些情況，主要想說的就是許多事確實不像想像的那麼簡單。面對互聯網金融大潮，在興奮激動之餘，我們還需要一種相對冷靜平和的心態。如果我們真的要搞金融大數據開發，真的要靠有關數據來辦互聯網金融，那確實就要認真思考一下自己所謂擁有的「大數據」真的足夠大了嗎？足夠長了嗎？

自己擁有的數據中的信噪比問題有效解決了嗎？自己擁有的數據分析模型如果對樣本內的數據分析還算準確的話，那它對樣本外的預測結果也能一樣有效嗎？自己所擁有的數據處理模型是否完全建立在一種假定之上了，那就是以為人們的社交行為數據、那些非結構化數據都是真實的？坦率地說，我始終認為只要一些數據生成者知曉自己的行為數據可以影響自己的利益（例如可以獲得信譽、信用積分，可以獲得授信融資等），那對這部分數據的可靠性就有質疑的理由。這也許就是人文科學領域的「測不準原理」。現在各種花樣百出的水軍現象已經一再提示我們，真是「不能天真地認為數據使用者和數據生成機構都是無意識生產大數據的」（沈艷，2015）。

上述這些還沒有涉及諸如homes系統、高頻交易等技術在這一輪股市風波中的作用究竟應該如何認定的問題。盡管對此還可能有這樣那樣的看法，但可以確定的是，在某些條件下，所謂的技術中性在面對市場時是完全可能發生變異的。

總之，我認為金融的創新、互聯網金融的發展，除了技術，還需要一系列的條件支撐，包括營造一種良好的文化氛圍。在眼花繚亂之中，要力戒浮躁，腳踏實地。互聯網技術是時代進步的標志，是現代文明的產物，它與那些江湖氣其實是不搭的。諸如「流量為王，就是要靠燒錢來吸引客戶」，「互聯網就是財富重分的過程，就是贏者通吃的游戲」，「羊毛出在豬身上，猴數錢，牛買單」等說法，如果僅是開開玩笑，說說段子，那也未嘗不可，但作為一個要對投資者負責、對債權人負責、對債務人負責、對市場穩定負責的金融從業者來說，如果把這真的當成了自己的經營理念，那是萬萬不可的。

『肆』 大數據分析的四類陷阱

大數據分析的四類陷阱

科技領域的人們正摩拳擦掌以迎接大數據（Big Data）時代的到來。大數據技術的本質是能夠對數十億的信息進行分析，從中獲得有價值的洞見。例如惠普的研究人員就能根據Twitter來預測好萊塢的票房。由此看來，其它行業只要具備合適的工具，就能對社會網路進行數據分析。但是事情並非如此簡單。首先，分析大數據集並不是什麼新鮮事。有些公司已經做了幾十年的數據分析。當前技術的不同之處在於，它提升了分析的速度，擴展了數據規模，使小型企業也能使用這種技術。而另一方面，大數據也會造成更嚴重的錯誤。針對上例，普林斯頓大學就得出了不同的研究結論：Twitter並不能真的預測票房成績。對同一個問題，研究者怎麼會得出相反的結論呢？我們來看一下數據分析中最常見的四類陷阱。1、樣本缺乏代表性大數據的背景仍是統計分析和推斷。而統計系學生應該學到的一件事就是：統計結論依賴於樣本的代表性。Twitter用戶可能受到更高教育且收入更高，其年齡也會偏大一些。如果用這種有偏的樣本來預測目標觀眾是年輕人的電影票房，其統計結論可能就不會合理了。提示：確保你得到的樣本數據代表了研究總體。否則，你的分析結論就缺乏堅實的基礎。2、事物是變化的對研究對象的科學理解需要耐心。可能你的實驗獲得了預期的效果，但這還不夠。你應該進行後續實驗看能否得到相同的結果，還要看其他研究人員能否重現你的實驗結果。特別是在處理人類個體或團隊行為的時候，這一點尤其重要。這是因為事物在是不斷變化的。惠普和普林斯頓大學的研究項目有兩年的時間間隔，在這段時間中Twitter用戶有可能發生了改變。同樣的道理，如果觀察到公司的增長速度發生變化，這有可能是客戶群的情緒變化，也可能是使用了錯誤的數據收集或分析方法。提示：不要只進行一次分析。要定期驗證你之前的結論。3、理解數據方式不同惠普和普林斯頓的兩組研究人員所看到的數據不僅僅是推文。惠普的研究人員建立了一個模型，來研究電影首映時的發推率和上映影院數量。但上映影院的數量與票房成功之間有很強相關性。而普林斯頓的研究人員使用機器學習技術，來研究在三個不同時間段（影片上映之前、期間或觀影後）用戶的推文情緒特徵（正面或負面）。也就是說，這兩個研究團隊都表示，他們在研究Twitter的預測能力。但實際上，他們除了使用twitter數據之外還利用了其它數據資源，例如上映影院數量和IMDB評分等等。這樣Twitter的預測效果與其它因素混合在一起，它或許是預測票房成功的一種影響因素，這要取決於研究人員如何理解和使用它。提示：一組數據可以提供多種類型的信息。你需要找到不同的解釋方式，並加以分析4、錯誤和偏差人會犯各種錯誤。有可能是某個研究小組出現了某個錯誤。例如試圖將所有的推文都歸為正面或負面的情緒，這種方法也許有些粗糙。又或許研究人員不自覺地選擇數據，以支持他們的論點。例如普林斯頓大學研究人員假設，是推文本身而非推文的數量，蘊含著消費者的情緒表達。提示：不要只使用一種方法。用事實來檢驗你的假設是否奏效。大數據技術能很好的改善企業產品和服務，並更好地滿足市場。但是，信息需要人來解釋，而人的錯誤有時是致命的。所以大數據是一柄雙刃劍，成功與否還得看持劍人的功力。

以上是小編為大家分享的關於大數據分析的四類陷阱的相關內容，更多信息可以關注環球青藤分享更多干貨

『伍』 正確運用避免陷入大數據的「陷阱」

正確運用避免陷入大數據的「陷阱」
通常，對於新的IT關鍵詞必定會出現「反對派」。最近，「大數據」就成為被攻擊的對象，諸如「大數據失敗論」等論調也明顯增加。
業界對大數據抱著極大的期待，這一點從大量的大數據研討會和展示會風潮就足以證明。這些年來，除了雲計算浪潮，缺乏熱烈話題的IT業界而言，大數據是期待已久的大型關鍵詞，也許大數據會成為恢復業界活力的強心劑。

與此同時，日本政府提出新的IT戰略--「將行政數據向民間開發，以便不斷創造新商務」。也就是說，如何有效利用數據，推動商業成功，業已成為國家戰略的一環。
雖然筆者既不是強烈的贊成派也不是反對派，但通過以往的采訪經驗，對處理數據的難度有著清醒的認識。更何況涉及到大數據，其難度顯而易見。
筆者周邊很多人對大數據也有著各種不同的看法，提出各種問題。當然這些對於IT業界的讀者而言，都是理所當然的事情，筆者說這些也許是班門弄斧了。但是，正是這些眾所周知的道理通常也是非常重要不可忽視的。因此，下面筆者將重新提出大數據的「陷阱」，探討如何才能避免運用大數據的失敗。
是否真正需要大量的數據
首先，必須明確的一點是，是否真正需要大量的數據。
在一次活動中，一位統計分析的專家在談到大數據時說：「本來統計分析學是如何通過少量的取樣，去了解事務整體的學問。例如，電視的收視率調查就是一個典型的事例，這類調查就是通過極少的樣本，來掌握日本全國的收視狀況。如果目的明確，並不需要大量的數據。」
由於上述言論出自目前作為「數據科學家」備受矚目的統計分析方面的專家之口，讓筆者不禁大吃一驚。這就是說，只要有一定量的數據，無關數據數量，分析的結果並不會有很大的差別。如果果真如此，不禁讓人產生懷疑，即到底大數據是為何而存在。
聽到上述觀點，使人感到大數據所面臨的矛盾的應當不僅僅是筆者一人。本以為通過大數據分析，滿懷期待能夠發現以往沒有認識到的新的東西，但有時其結果不過是已有所知的事實而已。如果企業為系統開發投入數十億日元，得出的不過是證明資深職員「經驗」的結論，這也未免讓人難以接受。
正因為如此，就有必要重新考慮為何需要大數據這一問題。例如，企業需要明確通過將有交易往來的公司和社交媒體等本企業外的大量數據進行組合，是為達到何種目的等，即有必要事先制定大數據的目標。
數據的「質量」有無問題
第二點是由誰來維護大量的數據，即數據的「質量」如何能夠得到保障。
筆者曾聽說這樣一件事。某企業的總經理每個月都會收到有交易往來的IT供應商的宣傳（PR）雜志，但收件人的頭銜不是「總經理」，而是他曾經兼任公司CIO時的頭銜「常務董事」。雖然將頭銜搞錯，但還是都能收到，因此並沒有太在意。但當這家IT供應商的總經理到公司進行禮節性拜訪時，就提出了希望改一下頭銜的想法。
而這家IT供應商的新的賣點是大數據，公司的總經理當場表示回去馬上會進行修改。起初以為這點事情對於運營大數據業務的IT供應商而言不過是舉手之勞，一定會進行糾正。但是，等到下一個月他收到的的PR雜志時，發現收件人的頭銜仍然是「常務董事」。這位總經理通過兩本PR雜志感到彷彿看到了大數據的現狀，因此他非常失望地說：「歸根到底IT供應商並沒有維護顧客資料庫」。
上述例子雖然是顧客數據，而不僅僅是顧客數據，說到大數據必然還需要處理很多各種各樣的企業外部的數據。但是，這些數據是否是最新數據，其數據的精確度又如何等數據的「質量」就會非常重要。分析出處不明的數據將毫無意義。如果顧客數據不能隨時進行維護，也就不會產生任何價值。不應當將當初以為是寶山的大數據，變成一座堆滿垃圾的山。
是否忽視了現場職工的工作干勁
第三點就是企業不僅應當努力培養數據科學家，同時也需要提升現場職員的分析數據的能力。如果在店頭等現場直接接觸顧客的員工變得「擅長數字」，他們也能夠常常通過數據考慮事情並進行判斷，這樣的企業必定會強大起來。
例如，有一家超市的店頭銷售員就從與顧客的對話中得到啟發，通過購進新的商品或是改變商品陳列的方法，提升了銷售額。又比如，在特快列車上負責銷售的員工，發現似乎「可吸煙座位的咖啡暢銷」，當他整理出不同列車的銷售業績，結果發現確實是如此。於是決定在吸煙車廂集中推銷咖啡，結果咖啡的銷售量明顯增加。
當然，通過現場增加的銷售額，也許和利用大數據獲得的銷售數字相比很小，而且其分析能力也遠遠不及數據科學家。但是即便如此，如果通過將這種方式橫向拓展到其他現場，積累的數字也會非常可觀。同時，最為重要的是，這種方式能夠提升現場員工的工作動力。
實際上，某零售企業自從將其銷售分析統一由總公司實施後，店頭員工就失去干勁，甚至出現退職的員工。這說明只依靠上級的指令，則會降低現場的職業道德。因此，這家公司決定給予現場員工自由分析判斷的職能，由此店頭又重新恢復了活力。雖然大數據非常重要，但是如果將許可權集中在某些部門，則會導致現場喪失工作干勁。
以上三點實際上不僅僅對大數據而言非常重要，而且同時適用於整個信息系統。大數據是IT業界期待已久的關鍵詞，為使其成長壯大，就需要腳踏實地的努力，而不應被其華麗的部分所束縛擺弄。正因為如此，筆者認為提出的上述三點需要重新銘記心中。

『陸』 如何才能避免運用大數據的失敗

如何才能避免運用大數據的失敗
當一個新的理論被提出和應用時，似乎都會遭到不同程度的反對，而在最近，「大數據」就成為IT界被攻擊的對象，人們對大數據是褒貶不一，但業界對大數據抱有極大的期待，這點從大量的大數據研討會和展示會風潮就足以證明。

近幾年，雲計算浪潮的來臨，大數據的隨後而至，給IT帶來了不小的動力，也許大數據會成為恢復業界活力的強心劑。與此同時，日本政府提出新的IT戰略--「將行政數據向民間開發，以便不斷創造新商務」。也就是說，如何有效利用數據，推動商業成功，業已成為國家戰略的一環。
很多人對大數據有著各種不同的看法，也提出了各種問題。這些對IT業界的讀者而言，都是理所當然的事情。但正是這些眾所周知的道理通常也是非常重要不可忽視的。下面將重新提出大數據的「陷阱」，探討如何才能避免運用大數據的失敗。
是否真正需要大量的數據
首先，必須明確的一點是，是否真正需要大量的數據。有人說，只要有一定量的數據，無關數據數量，分析的結果並不會有很大的差別。如果果真如此，不禁讓人產生懷疑，即到底大數據是為何而存在。這些觀點，使人感到大數據所面臨的矛盾。本以為通過大數據分析，滿懷期待能夠發現以往沒有認識到的新的東西，但有時其結果不過是已有所知的事實而已。如果企業為系統開發投入數十億日元，得出的不過是證明資深職員「經驗」的結論，這也未免讓人難以接受。正因為如此，就有必要重新考慮為何需要大數據這一問題。
數據的「質量」有無問題
第二點是由誰來維護大量的數據，即數據的「質量」如何能夠得到保障。舉個例子，某企業的總經理每個月都會收到有交易往來的IT供應商的宣傳雜志，但收件人的頭銜不是「總經理」，而是他曾經兼任公司CIO時的頭銜「常務董事」。雖然將頭銜搞錯，但還是都能收到，因此並沒有太在意。但當這家IT供應商的總經理到公司進行禮節性拜訪時，就提出了希望改一下頭銜的想法。
該IT供應商的新賣點就是大數據，公司的總經理當場表示回去馬上會進行修改。起初以為這點事情對於運營大數據業務的IT供應商而言不過是舉手之勞，一定會進行糾正。但是，等到下一個月他收到的的PR雜志時，發現收件人的頭銜仍然是「常務董事」。這位總經理通過兩本PR雜志感到彷彿看到了大數據的現狀，因此他非常失望地說：「歸根到底IT供應商並沒有維護顧客資料庫」。
例子中所提到的雖然是顧客數據，但也不僅僅是顧客數據，說到大數據必然還需要處理很多各種各樣的企業外部的數據。但是，這些數據是否是最新數據，其數據的精確度又如何等數據的「質量」就會非常重要。分析出處不明的數據將毫無意義。如果顧客數據不能隨時進行維護，也就不會產生任何價值。
是否忽視了現場職工的工作干勁
企業應當努力培養數據科學家，同時提升現場職員的分析數據的能力。如果在店頭等現場直接接觸顧客的員工變得「擅長數字」，他們也能夠常常通過數據考慮事情並進行判斷，這樣的企業必定會強大起來。
通過現場增加的銷售額，也許和利用大數據獲得的銷售數字相比很小，而且其分析能力也遠遠不及數據科學家。但是即便如此，如果通過將這種方式橫向拓展到其他現場，積累的數字也會非常可觀。同時，最為重要的是，這種方式能夠提升現場員工的工作動力。
文中所提到的這幾點對大數據很重要，而且還是和用於整個信息系統，IT業界對於大數據的期待已久，想要讓大數據成長壯大，就需要踏實努力，不要被華麗的外表所束縛擺弄，希望大家對上面這幾點仔細考慮。

『柒』 騙子利用大數據進行電信詐騙的「九大套路」

騙子利用大數據進行電信詐騙的「九大套路」
如今的電信詐騙，已經不只是發個簡訊通知中獎，或者「領導」打電話讓你去辦公室那麼簡單的伎倆了。通過大數據分析盤點電信詐騙的「九大套路」，幫助消費者擦亮雙眼，看穿騙局。最重要的是，在個人信息泄露泛濫的今天，心中一定要有根弦——沒有免費的午餐。

套路一
「你的賬戶有資金異常變動
騙子首先竊取了受害者網銀登陸賬號和密碼，通過購買貴金屬、活期轉定期等操作製造銀行卡上有資金流出的假象。然後假冒客服打電話確認交易是否為本人操作，並同意給用戶退款騙取用戶信任。騙子會再次通過賬戶內部的資金交易，製造用戶賬戶有資金退回的假象，但由於存在交易手續費的問題，所以退款額一般比之前的賬戶內部交易金額要小。接下來，騙子會使用受害者網銀進行轉賬操作，或開通快捷支付操作，並選擇簡訊驗證碼的方式進行驗證，這樣一來，受害者的手機上就會收到一條驗證碼簡訊。最後，騙子再以限時退款為由，要求受害者立即提供自己手機收到的驗證碼，受害者一旦把簡訊驗證碼提供給了對方，對方就得手了。
怎麼破：幾乎天衣無縫。最簡單有效的辦法是，立即直接撥打銀行的官方客服電話進行核實，別相信任何主動呼入的、自稱是客服的電話。
電信詐騙九大套路
套路二
「你涉嫌違法了」
「你涉嫌洗錢」、「你涉嫌非法集資」、「你信用透支需負刑事責任」，這些都是冒充公檢法實施詐騙的由頭。這種手法並不新鮮，但由於其極具恐嚇性，不了解此類詐騙的人還是很容易上當。現在很多騙子通過改號軟體偽裝成官方客服電話，但如果受害者真的反撥回去，一般就能識破騙局。甚至還出現了「升級版」：騙子以贈送免費物品為由，引導用戶通過電話下單，以貨到付款的形式郵寄，若用戶拒絕簽收快遞或者退貨，詐騙者便以公檢法的口吻對用戶進行威脅恐嚇，進行詐騙。
怎麼破：不要輕易相信陌生人打來的電話，如果有人說自己涉嫌犯罪，應當首先撥打110詢問。或向身邊的親友詢問一下，一般都能很快識破騙局。
套路三
「您乘坐的××航班取消了」
手機訂機票成了網路詐騙的風口。騙子謊稱改簽退票等理由，引導民眾進入釣魚網站，虛假號碼，進行到匯款的陷阱。《騰訊2016年第二季度反電信網路詐騙大數據報告》顯示，這一詐騙類型高達44%，成為網路詐騙主流。騙子能夠准確說出受害者的姓名、航班信息，多以可以獲得改簽補償金的名義進行詐騙。
怎麼破：機票退改簽業務，通過航空公司、票務代理商等正規渠道的網站、電話、服務廳辦理，別相信任何電話、簡訊，即使與本人信息完全相符。
套路四
「你購買的商品斷貨，可以申請退款」
騙子首先完全掌握了受害者的網購信息，並通過准確的描述受害者購物信息來取得受害者的信任，進而套取受害者的銀行卡號、密碼和簡訊驗證碼。騙子們有的時候是直接用電話套取相關信息，有時也會讓受害者打開釣魚網站並手動填寫相關信息。銀行卡號、密碼、驗證碼同時泄露，騙子就順利地將受害者網銀賬戶中的錢轉走了。
怎麼破：遇到商品交易出現異常、斷貨等情況，應當首先向購物網站的官方客服電話進行咨詢，不要輕易相信主動呼入的、自稱是客服的人。網購賬號、支付賬號應當單獨設置密碼，並且密碼要足夠復雜，定期更換。
套路五：「向您推薦十大牛股」
此類騙術通常以學習股票知識、推薦股票為名，向用戶收取押金或保證金，對那些急於求成的新股民尤為有效。事實上，正規的證券公司一般是不會向股民提供付費薦股服務的，更不會以此為名向用戶收取押金或保證金。他們通常發來所謂公司的營業執照、工商證明或組織機構代碼等的照片或圖片，只要撥打證券公司的官方客服進行詢問也就能清楚了。
怎麼破：不要相信任何薦股、選股信息，不論這些信息是來自網站、QQ、簡訊還是電話。可通過回撥官方客服電話的方式求證。
套路六：「699元免費贈送蘋果6S」
最近湖南警方通告的一起新型詐騙案，某詐騙團伙以「收取699元個人所得稅，免費贈送蘋果6S手機和700元電話卡」名義，向被害人寄送假冒、損壞手機或手機模具進行詐騙，兩個月里先後詐騙受害群眾數百人，詐騙金額數十萬元。
怎麼破：以貌似合法促 銷的名義進行詐騙，不能存僥幸心理，哪有天上掉餡餅的好事。
套路七：「請您及時領取新生兒補貼」
犯罪分子以領取新生兒補貼為由行騙，由於他們能說出受害人的詳細信息，讓受騙人信以為真。騙子在獲取受害人銀行賬號之後，通常會要求受害人到 ATM自動取款機操作，按照對方的「引導」進入英文操作界面。由於受害者看不懂ATM機上的英文提示，往往把轉賬程序當成輸入驗證碼，最終上當。
怎麼破：此類電話或簡訊，切勿輕信，更不要到ATM操作。
套路八：補換手機卡
最近出現的這種詐騙，其套路通常是先用幾百條垃圾簡訊和騷擾電話轟炸手機，以掩蓋由10086客服發送到手機號碼上的補卡業務提醒簡訊；然後，拿著一張有受害者信息的臨時身份證，去營業廳現場補辦手機卡，使得機主本人的手機卡被動失效；最後就是更改手機客服密碼和銀行卡密碼，並通過簡訊驗證碼把綁定在手機APP上的銀行卡的錢盜走。
怎麼破：常用網站密碼、客服密碼與銀行密碼和其他關鍵業務登錄密碼最好不相同，而且要定期修改；對於各類號碼發送的鏈接，不要隨意點擊。如果接收到大量騷擾電話或簡訊，切勿關機，應使用手機安全軟體屏蔽騷擾號碼，並立刻解除銀行卡綁定；在使用公共WiFi的場合下，盡量不要登錄手機中的銀行類 APP或者使用手機轉賬。
套路九：「小三懷孕了急需錢做流產」
這是長期活躍的一種詐騙類型，但是最近一個「小三懷孕了急需錢做流產」的騙子電話蒙了80多位老人。騙子充分利用老年人心疼兒子的特點，誘惑受害者轉賬，這是比較新的手段，是騙子在騙術上的不斷翻新與改進。
怎麼破：不要輕易相信陌生人打來的電話，尤其是急事急需打款。電信詐騙九大套路
160萬人分布在黑色產業鏈
幾十個工種環環相扣
電信詐騙的戲碼每天都在上演，詐騙者的劇本也在不斷翻新。某網站首席反詐騙專家裴智勇表示，如今電信詐騙已形成從上游的個人信息攫取、兜售到實施詐騙、分贓的黑色產業鏈。令人瞠目結舌的是，這個鏈條越來越產業化、專業化，分工越來越細，新的角色不斷冒出，二三十個「工種」環環相扣。
根據某網站獵網平台的數據，中國信息詐騙產業規模超過1152億元，詐騙從業者超過160萬人。電信詐騙屢屢成功，究其原因，安全專家認為，電信詐騙數量巨大、信息泄露現象普遍、產業鏈完善、從業人員經過體系化的培訓等都成為關鍵因素。
據了解，詐騙產業鏈上至少分為四大環節：上游的信息獲取、中間的批發銷售、面向公眾實施詐騙、最後的分贓銷贓。在這四大環節上，又有釣魚編輯、木馬開發、盜庫黑客、釣魚零售商、域名販子、個信批發商、銀行卡販子、電話卡販子、身份證販子、電話詐騙經理、簡訊群發代理、在線推廣技師、財務會計師、 ATM小馬仔、分贓中間人等多個工種環環相扣，將受害人一步步引入陷阱。

『捌』 大數據營銷的陷阱，你知道么

郵件群發是一種很棒的推廣營銷方式，下面是一米軟體的智能QQ郵件群發軟體，你可以了解一下。

1，QQ直接彈窗提示：QQ收件箱直接彈窗提示收到郵件，提醒用戶第一時間查看。

2，QQ郵件圖片直接顯示：QQ郵件中的圖片直接顯示，無需點擊查看。

3，無視郵件內容屏蔽規則：智能幹擾加密演算法大大提高進箱率。

4，多模式換IP發送：支持動態vps撥號發送，動態移動IP池發送等(自主研發)。

5，集成多種方式發送：支持smtp/網頁協議方式發送等。

6，支持任意郵箱發送：可任意配置郵箱發送，企業郵箱及小號等，默認配置6種以上郵箱發送。

7，精準抓取QQ郵箱：可根據年齡，性別，地區，是否在線等條件抓取QQ郵箱。

8，批量提取群成員QQ郵箱：可批量提取所有群成員的QQ號及郵箱。

9，自動過濾無用QQ郵箱：可自動識別過濾未開通郵箱或小號QQ郵箱，保證群發准確性。

『玖』 大數據應用企業如何避免失敗

大數據應用企業如何避免失敗
面對新事物很多人在第一時間很難接受，而「大數據」也被當成了攻擊對象。而不可否認的是，大數據給IT帶來了不小的動力，而如何有效利用數據推動商業成功，也已成為國家戰略的一環。

很多人對大數據眾說紛紜，也發表了自己的看法和理解，這對IT業界的讀者而言，都是理所當然的事情。但正是這些眾所周知的道理通常也是非常重要不可忽視的。下面將重新提出大數據的「陷阱」，探討如何才能避免運用大數據的失敗。
是否真正需要大量的數據
有人說，只要有一定量的數據，無關數據數量，分析的結果並不會有很大的差別。如果果真如此，不禁讓人產生懷疑，即到底大數據是為何而存在。這些觀點，使人感到大數據所面臨的矛盾。本以為通過大數據分析，滿懷期待能夠發現以往沒有認識到的新的東西，但有時其結果不過是已有所知的事實而已。
數據的「質量」有無問題
由誰來維護大量的數據？即數據的「質量」如何能夠得到保障。雖然是顧客數據，但也不僅僅是顧客數據，說到大數據必然還需要處理很多各種各樣的企業外部的數據。但是，這些數據是否是最新數據，其數據的精確度又如何等數據的「質量」就會非常重要。分析出處不明的數據將毫無意義。如果顧客數據不能隨時進行維護，也就不會產生任何價值。
是否忽視了職工的工作干勁
在關注企業發展的同時，還應當努力培養數據科學家，同時提升現場職員的分析數據的能力。如果在店頭等現場直接接觸顧客的員工變得「擅長數字」，他們也能夠常常通過數據考慮事情並進行判斷，這樣的企業必定會強大起來。
通過現場增加的銷售額，也許和利用大數據獲得的銷售數字相比很小，而且其分析能力也遠遠不及數據科學家。但是即便如此，如果通過將這種方式橫向拓展到其他現場，積累的數字也會非常可觀。同時，最為重要的是，這種方式能夠提升現場員工的工作動力。
以上所提到的這幾點對大數據很重要，而且還是和用於整個信息系統，IT業界對於大數據的期待已久，想要讓大數據成長壯大，就需要踏實努力，不要被華麗的外表所束縛擺弄，希望大家對上面這幾點仔細考慮。