市场研究与大数据应用

市场研究与大数据应用（精选8篇）

1.市场研究与大数据应用 篇一

）

第六条复试中形成的所有文件记录全部由教务秘书保存在院保密室；任何人查阅上述文件记录均需经院复试领导小组组长批准；不经学校研究生院批准，文件记录一律不得调离院办公室。

第七条对于复试、体检不合格的考生我院将及时通知考生本人。如考生对复试成绩有异议，可提出查阅原始复试成绩记录的书面申请，经院复试领导小组组长批准，由教务秘书代为查阅复核并以书面的形式通知本人。

第八条本实施办法自公布之日起生效施行。解释权由院复试领导小组负责。

四、人大统计与大数据研究院考博经验

决定考博之前最重要的一条是要弄清楚自己的职业生涯规划，如果仅仅是为了逃避就业

难的话，那么这无疑是在给自己未来的人生道路挖陷阱。研究生可以混毕业，但博士生则是不能的，因此是否愿意并能静下心来从事研究是做决定的一个首要问题。

考博第一项工作是要选择一个自己喜欢的专业，不能仅仅看热门度或者考试的难易度。假设你在你们学院念思政，而考博的专业是社会学，换专业是兴趣使然，未来要从事好多年的研究，必须选一个自己真正喜欢的专业。如果社会学是一门让你激动的学科，一看见社会学书籍就难以压制住对马克斯·韦伯所说的“以学术为业”的憧憬。正是这种狂热，才能使得你在北大、清华、人大社会学博士考试中能够胜出那些念了至少7年社会学的科班人士。因为喜欢这个专业，所以有激情，有恒心，更有信心。

然后是确定学校。启道考博辅导班的建议是选择学校的底线是自己本校。因为兴趣上的选择无疑是一种愉悦，但未来的就业也是不得不面对的现实，所以学校的牌子是一个必须引起重视的因素。

最后是联系导师。请大家务必注意这一点，因为对于录取与否的决定因素不是别人，而是你所选择的导师。首先，你得知道这个导师的研究方向、他本人的知名度、公平度。其次是一定要弄清楚这个老师今年是否招生，以及是否有内定候选人的倾向。启道考博辅导班一个学员今年之所以报了北、清、人三个学校，主要就是因为在报考导师时失误了。他一直想去的是北大，当报考完后，才知道所选导师自己本校所带的硕士生要硕博连读(北大硕博连读的学生是不参加初试的，只参加复试，而且占名额)。好的学校都是一个导师只带一个博士生，所以如果当年根本就没有名额的话，你参加考试的意义就不是很大，除非你的各方面表现特好。一看北大风险太大了，这个学员赶紧报了一个清华。谁知祸不单行，交了钱后，才打听到清华这个老师已经内定了人，根本就不在校外招生。无奈之下，又把人大添加到报考学校名单中了。人大选的导师是中国社会学会会长，报考的人也很多，所以也是挺冒险的。好在有启道考博辅导班老师的耐心辅导，因此分析起来，虽然报了三个学校，但是没有任何一个学校是保险的。因此在这一点上，启道考博辅导班老师建议师考生们一定在报考前联系好导师，态度诚恳一些，把各方面打听清楚。一些人品比较好的导师如果内定了候选人的话，他会建议你别报他的博士生，这样也就减少了你浪费金钱、浪费时间的可能性。

最后，启道考博辅导班老师预祝大家再考博申博的过程中，出奇制胜，顺利入学。

2.市场研究与大数据应用 篇二

关键词：呼叫中心,大数据,大数据分析,应用发展

时代的发展, 科技的进步, 云计算和大数据逐渐兴起和发展, 其中大数据 (big data) , 指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合, 是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。大数据是在云计算的发展之下兴起的, 能够将收集的数据充分有效地利用起来。呼叫中心是大数据的一个重要入口, 将呼叫中心的数据进行收集和利用, 将大大提高呼叫中心的服务质量。由于呼叫中心的数据保全相较于其他的程度高, 服务过程可以进行回溯, 服务质量的评价效果和绩效可以进行验证, 因而呼叫中心具备开展大数据业务的基本条件。此外呼叫中心的管理者对于呼叫中心的数据都极为熟悉, 但如何使用或者汇总这些数据就成为了呼叫中心目前急需解决的问题。

一、呼叫中心

呼叫中心主要是在基于电话集成技术发展的基础上, 充分结合了语音通信网和计算机网的功能而成, 能够与企业相联系, 从而提供综合信息服务。呼叫中心又被称为客户服务中心、客户联系中心或者服务热线等。企业呼叫中心可以帮助公司向客户提供高质量和效率的全方位服务, 主要有呼入型呼叫中心和呼出型呼叫中心两大类。呼入型呼叫中心主要是接听顾客来电, 回答顾客的提问, 为顾客提供相关的服务和解答。这类呼入型呼叫中心一般都属于服务型, 例如在互联网行业中的技术支持中心, 售后服务中心等等。而呼出型呼叫中心则主要是通过市场营销的方式进行营销活动, 或者是电话销售活动, 是企业的利润中心。呼出型呼叫中心一般由企业的营销部门进行, 主动联系客户, 发掘潜在客户。

经济的发展, 市场竞争的激烈, 呼叫中心在企业客户关系管理中的地位也越来越重要。呼叫中心与相关部门相联系, 不仅要承担咨询和服务的功能, 还要进行必要的营销销售, 处理客户的投诉等。各个行业都对呼叫中心投入了更多的关注, 从而帮助企业进行更好的客户关系管理。

二、大数据分析

大数据分析是在大数据时代发展下应运而生的。大数据分析针对数据的手机、存储、分析和处理能够更好进行有效的利用。与传统数据分析相比, 大数据能够针对传统手段捕捉到的数据之外的非结构化数据, 这样就意味着与传统数据分析中数据容易理解、洗清过并且符合业务的元数据不同, 大数据录入的数据更为完整, 更有挑战性, 也能让更多数据进入数据仓库, 从而在众多未清洗过的数据中找到有用数据。此外传统数据分数是建立在关系数据模型之上的, 而大数据分析则是基于纵列数据库之外的数据库。传统的数据分析是定向的批处理, 而大数据分析则是利用软件进行数据的实时分析。在一个传统的分析系统中, 平行是通过昂贵的硬件, 如大规模并行处理系统和或对称多处理系统来实现的。大数据分析则主要通过一些硬件好而分析软件, 来实现数据库的分析。

三、大数据在呼叫中心的应用

3.1大数据下的呼叫中心精益化运营

传统的呼叫中心知识通过人员和电话进行匹配, 并不能很好实现“人客”的匹配。在呼叫中心使用大数据, 就应当是当客户打电话进来时, 能够根据客户的需求准备实时进行大数据分析, 从而安排与该客户需求相匹配的人员进行接待和受理。这样就能够提高满足客户需求的效率。大数据处理案例中最经典的大概就是沃尔玛中的纸尿裤+啤酒营销了。在沃尔玛的几百万种商品的销售数据中发现了纸尿裤和啤酒之间的销售数据有一定的关联, 这并不是人为安排的捆绑销售, 而是通过数据分析发现了两者之间的关系。大数据形成的规则进行数据的操作主要是根据ACD分配原则进行。

ACD分配原则主要就是大数据分析数理分析的分配原则, 主要包括通过产品的技能进行分组、按照坐席拥有的技能进行电话的分组以及安照客户类型进行技能分组三大类, 图一展示了大数据下ACD流程的大概流程。其中通过产品的技能进行分组, 即将电话分配非最擅长接该类电话的人, 这样就能够有针对行地解决客户的问题。呼叫中心的人员都有自己擅长与不擅长的产品, 根据具体电话的需求, 不管是呼入咨询还是呼出营销, 根据人员所擅长的产品进行电话的分配, 可以大大节约客户等待问题解决的时间, 同时还能让客户对呼叫中心产生良好的印象, 改善与客户的关系。同时也要按照坐席拥有的技能进行电话的分组, 即将电话分配给技能最优秀的坐席。坐席个人所具备的技能都是因人而异的, 有些坐席擅长业务投诉的处理, 有些坐席则擅长产品营销。这样根据客户的不同需求进行数据规则分配坐席, 能够达到真正的“人客匹配”, 更好发挥坐席的作用。此外还有安照客户类型进行技能分组, 也就是将同一类型的客户分配给同一类的坐席。重复来电的存在, 使得传统数据分析不能对数量太多的数据进行有效分析, 而大数据则能快速处理数据, 通过分析找出重复来电客户之间的共同特征和问题分类, 从而进行有效分配, 较少客户的重复来电。

3.2大数据下的呼叫中心精准化营销

电话营销随着时代的发展之间成为主要营销方式之一。但传统数据分析不能将客户需求进行准确的定位, 从而导致电话营销不能取得预期的效果。电话营销成功率的下降在一定程度上也会影响呼叫中心人员的工作积极性和工作热情。客户在接到不需要的电话营销时也会对这种营销方式产生抵触心理, 难以相信整个社会的电话营销。

大数据下的数据分析能够针对客户的年龄、性别、生活环境和需求等进行分类, 从而通过充分了解客户心理和个性甚至喜好等的基础上进行精准化的电话营销。将产品与客户进行合理科学的匹配, 能够大大增大电话营销的成功率。这样就能保障销售人员在进行电话营销时有一定的成功率, 客户也能轻松进行产品的购买。如此一来能够按照客户需求进行的电话营销, 是建立在大数据背景下营销人员充分发挥个人积极性和主动性的基础上取得的成绩。营销人员的积极性不会被打击, 企业也能因此获利。

结束语:大数据是在社会发展和科技发展的基础上逐渐发展起来的。呼叫中心作为一个大数据的入口, 能够收集和存储大量数据。传统的数据分析在新时代背景下已经逐渐暴露出弊端, 而大数据分析能够在保有传统数据分析的优势基础上弥补传统数据分析的不足。因而应当重视大数据在呼叫中心的应用。同时, 能够发挥好大数据在呼叫中心中的作用, 就需要灵活应用大数据的作用, 从而建立起一套行之有效的分析、归纳和总结机制, 在最短时间内获取大数据中的精准数据。充分发挥大数据在呼叫中心中的作用, 这对于企业发展和经营有着重要的作用。

参考文献

[1]张戬, 刘旸, 亓银红.呼叫中心大数据分析应用研究[J].信息技术与标准化, 2015, (7) :61-64.

[2]甘文丽, 张昆朋, 冯春明.j BPM在呼叫中心客户服务质量管理系统中的应用[J].内蒙古师范大学学报 (自然科学汉文版) , 2013, (3) :344-349.

[3]舒文琼.云计算和大数据成呼叫中心两大趋势[J].通信世界, 2014, (12) :25.

3.大数据：与大无关 篇三

F：简单说，大数据关乎那些可以改变我们生活的应用，比如运动健康、食品运输、零售、智能城市等。能否成为“大数据”的关键在于，你能否将这些数据真实运用到现实中。不能用的话，数据本身无意义，并不能保证让你做出更好的决定。

关于大数据最大的误解我想在于“大”这个概念。虽然叫做“大数据”，但不一定要“大”才会产生影响。切入的视角和分析手段更重要，真正有意义的并非数据的规模，而是它能如何产生影响。

T：大数据真的会改变很多行业吗？具体来说，它究竟是怎样改变行业既定规则的？

F：IT业当然是最明显的，大数据可以影响服务器、基础设施、计算机的管理等。

另一个是零售行业，尤其是电商，交易规模、消费偏好、购物兴趣等，大数据都可以在你做决策时给出参考。

此外还有健康管理。医生可以根据大数据来监测病人的健康情况，你也可以监测自己的健康。

还有可能涉及教育产业，去发现一种更具自我驱动力的学习方式，定制化的APP可以知晓如何用更好的方式去教育特定的学生。

教育产业获得数据的方式可能有两种：其一，当学生在学校遇到困难时——完成作业通常很慢，在测试中表现不佳，逃课，这些都是学生的数据碎片。如果你拥有了成百上千个学生的数据碎片，就可能预测在哪些时间段哪种学生会需要何种帮助，从而让老师能更合理有效地分配工作时间。

其二，纸质材料已经很传统了，更有自我驱动力的个性化数字教材，可以在你学习的过程中“学习”你。

不过，与其探讨大数据会最多改变哪些行业，不如探讨，大数据会以怎样的顺序改变这些行业。因为现在几乎所有领域都看到了大数据的影响力。我的书名副标题是“大数据如何改变我们的学习、生活甚至爱”，这是个大题目，但这是真的。生活的衣食住行和教育都显现出大数据的作用了，至于爱这个话题——社交媒体、在线约会，人与人之间的关系在这些工具和数据上都有点滴积累，据此可以更了解你的爱好。

T：创业者和大公司对大数据的利用有何不同？

F：大公司很有钱、有很多人、有很多数据。这是他们最有利的一点，也是最薄弱的一点，因为无法像创业者那样很快推进。非常有自我驱动力的创业者可以在自己的领域找到缺口，迅速行动。人们之所以认为速度对大数据应用很重要，一个原因在于，当你去和客户谈合作时，他们已经准备好大数据方面的预算了。能快速建立起你的数据库，就容易卖出产品。

另一个原因是，现在获得数据的成本比以前低很多，廉价渠道为大数据生意制造了很多利润空间。

比如，我认为Netflix就是一家了不起的公司，有非常庞大的数据分析部门，很多聪明人根据数据来推荐电影和电视剧。在他们根据数据制定电视剧拍摄计划后，数据有效性会自动体现在股市上，股市可以作为数据有效的一个映射。我完全相信Netflix的数据是有效的。他们在搭建数据平台和分析方面都十分有创意。

T：公司在利用大数据做决策时，有哪些方式可以考量数据的有效性？

F：这是个很好的问题。在20年前，人们也同样怀疑过电子邮件在工作中是否真能提高效率，怎么测量这种有效性。有一部分公司选择观望，也有公司比如微软，大胆拥抱了这项新技术。他们也没有什么量化途径，只是坚信会带来改观。

我认为，大数据现在也面临同样情形。有人怀疑，有人拥抱，但最终事实会证明它的确有效。当然，对大数据的评估当然也同样重要，你得经常回顾你的数据。

T：影响大数据发挥更大作用的关键因素有哪些？

F：我认为，成本是首要因素。当分析数据的成本变得越来越便宜时，数据影响力也会更大。

另外，获取数据的移动设备也会发挥很大作用。人们越黏在手机上玩各种APP，手机就会越了解你，数据对你的影响就会越大。

同时，也需要更多创业者去创造更多有趣的APP，挖掘更多层面的数据。

在云服务更普及时，数据应用会更快捷。云端存储、计算会省去数据应用者很多硬件麻烦。

T：在大数据概念兴起的同时，一些全新的细分行业也在IT业中崛起，以可穿戴设备为例，大数据将在其中扮演什么角色？

F：谷歌眼镜、智能手表、运动手环等已有移动端，会更主动地收集数据。

这个领域还在起步，但5至10年后会是我们生活的一部分。智能硬件是软件和硬件的结合，硬件可能发展出很多形态，穿戴式的甚至植入式的，对消费者最有吸引力。但硬件传感器只是收集数据的工具，数据分析还要依靠软件完成。

大数据给智能硬件创业者带来的机会可能是，他们不必费心想该如何分析数据，就像苹果不会自己塞满APP Store一样，会有很多APP创业者基于可穿戴设备硬件这个平台，利用其收集的数据，来做出很多你想象不到的分析和用途。在大数据的思路下，智能硬件就是新平台。

T：大数据，从某种层面可看做是互联网技术把人的信息存留于网络上，随之引发的问题是，该如何保护人的隐私？

F：随时在线的最大问题就是，你随时都会留下很多数据，有很多公司都在收集。我认为，公司必须对所收集的数据，以及这些数据可能的用途，非常透明地告诉给用户。在这一点上，眼下的很多公司还有极大的改进空间。

但进入可穿戴时代，比如，你不想被谷歌眼镜认出时，这个办法未必奏效，所以可穿戴时代中，大数据隐私问题非常复杂。

4.智慧城市与大数据 课程的考试 篇四

课程的考试

各题型提交答案说明：

1.单选题及判断题点击圆形按钮进行单项选择，多选题点击勾选框进行多项选择。2.选择题和判断题:直接点击选项，系统将自动提交答案。

3.未完成考试误操作推出系统后，在考试时间段内可重新进入系统考试。4.完成考试后点击提交答案按钮，考试结束，不可再次进入系统考试。5.答题完成后，点击考试页面左侧“未答题”按钮，确认无未答题后再提交答案。6.未提交答案的试卷在考试时间结束后将强制提交答案。

一、单选(共 4 小题，总分: 40 分)1.本讲认为，智慧城市顶层设计的关键不在于技术而是老百姓的（）是什么，只有满足百姓（）的城市才有了“眼睛”。

A.物质 B.需求 C.医疗 D.供给

2.智慧城市从电子政务的角度讲，服务方式转变最核心的一点是从以往工业时代的服务转向以（）为工具的服务。

A.数据 B.云计算 C.软件 D.互联网

3.本讲推荐了一本关于大数据取舍之道的书籍，这本书名字叫（）。

A.《大数据》 B.《智慧数据》 C.《删除》 D.《取舍之道》

4.本讲认为，“大数据”并不意味着数据越多越好，数据要以是否（）为标准。

A.多维 B.高效 C.全面 D.智慧

二、多选(共 2 小题，总分: 20 分)1.智慧城市建设要以()的应用为中心，围绕城市发展的重点需求和群众的迫切要求，找准突破口。

A.投资者 B.市民 C.企业 D.管理者

2.本讲认为，数据的流动性增强以后，整个城市就从（）和（），向着意义型的城市发展。

A.便捷型城市 B.劳动型城市 C.功能型城市 D.创新型城市

三、判断(共 4 小题，总分: 40 分)1.本讲认为，大数据时代已经到来，数据即将成为重要的产业，未来的服务以数据为底座，因此，要把智慧建立在有意义的数据基础上。

正确 错误

2.本讲提到，数据业务正逐渐成为各行各业的辅助型业务。

正确 错误

3.数据与信息不同，信息时代追求的是价值，数据是经过编码解码等反复加工之后，使差异化的成本提高。

正确 错误

5.市场研究与大数据应用 篇五

摘要：信息化是以现代通信、网络、数据库技术为基础，对所研究对象各要素汇总至数据库，供特定人群生活、工作、学习、辅助决策等和人类息息相关的各种行为相结合的一种技术。

生物心理社会医学是一种从生物学与心理学、社会学的统一来看人类健康和疾病的医学模式。它出现于二次世界大战之后，是对生物医学模式的辩证否定。

1948年世界卫生组织在其宪章中把健康定义为“一种在身体上、精神上和社会上的完善状态，而不仅仅是没有疾病和衰弱现象”，第一次表达了这种医学模式的基本思想。1977年美国医学家G.L.恩格尔在《需要新的医学模式：对生物医学的挑战》一文中，首次明确提出并系统阐述了生物心理社会医学模式的概念，在医学界引起广泛注意，我国于80年代初开始探讨从生物医学转向生物心理社会医学的理论与实践。这种新医学模式的特点是，沿着系统论思路，把人理解为生物的、心理的、社会的三种属性的统一体，人的健康和疾病不仅是生物学过程，而且有心理和社会的因素，要从生物、心理、社会相统一的整体水平来理解和防治疾病。它主张在已有生物医学的基础上，加强心理和社会因素的研究和调控，相应地发展了医学心理学和心身医学、医学社会学和社会医学。

大数据（Big data）又称巨量资料、海量资料，指的是所涉及的资料容量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。从另一个角度上来讲，大数据是由数量巨大、结构复杂、类型众多数据构成的数据集合，是基于云计算的数据处理与应用模式，通过数据的整合共享，交叉复用形成的智力资源和知识服务能力。（维基百科）1 大数据是网络时代的产物

近年来在物理、天文、生物、统计等学科领域和金融、气

象、军事、通讯行业中需要处理的数据已经形成了大数据现象，需要处理的数据容量发展如此之快，已经不能再用GB和TB为单位来衡量数据的存储容量，以P（1000个T），E（一百万个T）或Z（10亿个T）为计量单位的应用也将会十分常见。但是大数据真正被多数人认识和关注则是由它在互联网出现而开始的。首先是互联网的用户数量以及用户使用网络的时间的增长使用户行为数据激增，其次是随着网络应用的多媒体化，网络数据由纯文本演变为图片、音频、视频等多种格式，造成数据量大增。另外随着物联网和云计算、云存储的出现和发展，互联网节点由单一的PC机变为包括PC在内的各种智能终端，用户随时随地在线，使互联网成为一个充满海量信息流的立体网络。

Facebook创始人扎克伯格在Web2.0峰会上宣布，根据Facebook统计数据，社交分享信息量以倍数增长，今天分享信息总量比两年前增加了两倍，从现在开始后的一年，用户所产生的信息分享总量又将会翻番。互联网上不断增加的数据为互联网公司提供了进行数据挖掘和数据分析的物质基础，互联网公司可以通过对用户网络行为数据的分析来了解用户的网络行为习惯，改进服务推广模式和广告推送途径，从而获取更大的收益。目前我国大型的网络运营、电子商务企业都有专业的人员来进行大数据分析，对包括门户、搜索引擎、电子商务、SNS等业务产生的数据对用户的网上浏览、购物、娱乐习惯进行分析，为各种服务的精准投放提供决策依据，去适应或者影响用户的网络活动习惯，从而在互联网获得更大的发展空间。大数据时代已经在不知不觉中降临到我们的生活中，越来越多的数据应用在不断地改变我们的生活方式。大数据为生物医学研究和医疗信息化带来机遇

大数据在许多行业和学科领域的深入应用对生物医学研究的手段方法都带来了改变。生物医学研究领域，常使用统计学方法来处理和分析科学实验或者临床研究的数据，为了分析结果的准确性，实验分析抽取样本的数量越来越大，而网络和云计算、云存储等信息技术与医学的结合使生物研究获得大数据

更加方便和迅捷，生物医学的研究开始基于网络、云计算和大数据存储和大数据样本进行。例如2009年谷歌公司根据用户上网搜索内容对甲型H1N1流感的流行与暴发进行了预测，使公共卫生机构的官员获得了非常有价值的数据信息。我国深圳国家基因库中的样本量已达130万份，其中人类样本115万份，动植物、微生物等其他样本15万份。至2013年底，预计可有1000万份溯源生物样本，2015年底达到3000万份生物样本。而美国GenBank数据库中登录的DNA序列总量在2002年就已超过了280亿个碱基对。生物医学研究因为样本数据资源的极大丰富而更容易获取成果，基于大数据挖掘和分析方法的生物医学研究已经在促进人类健康方面取得了巨大成就，美国一个医疗小组对一名“腓骨肌萎缩症（CMT）”病人和他的10余名亲属进行全基因组测序，随后使用专用设备和先进的统计分析软件对获得的数百Ｇ的数据进行对比分析，很快就精确地获得了致病基因和发生突变的位点，为该疾病的预防提了可靠的遗传学依据。乔布斯在患胰腺癌以后也曾做过基因测序，希望能够通过找出DNA中有缺陷片断的方法来战胜癌症。目前我国深圳国家基因库以生物基因资源为依托，开始了大数据与医学和其他产业的整合与应用，如“全国出生缺陷样本联盟”，针对我国高发的出生缺陷、单基因遗传病、原因不明的妊娠异常在全国10个重点省市收集3万份临床样本及表型信息。为进一步研究影响出生缺陷的遗传机制和环境因素，提升我国生育健康研究的整体水平提供基础数据性支持，推动早期筛查、诊断、治疗、康复的防治技术研究。随着医疗机构信息化建设的不断发展，以及信息化管理和物联网的应用，医疗护理工作流程中产生的数据越来越多地被医院信息系统收集和存储。医院信息中心存储的不仅是医嘱、护理记录、药物使用等诊疗数据，而是所有医患角色、医疗设备、管理和服务人员在医疗系统中所产生的所有数据。在现代医院信息化管理的“电子化、信息化、数字化、智能化”要求之下，医院基础数据的存储量已经可以用TB甚至PB来计量。针对医院的大数据应用一般可以分为两种：一是用于医院管理，如对用药、流程等进行挖掘和分析；另一种是用于临床支持，如用于临床科学研究，或者用于实时的辅助临床支持。医院决策系统是基于前者的应用，它能够提供对医院各个单位和医疗活动各个环节的整体评价分析，从而为决策者进行医护质量和医疗安全的管理和改进提供参考。医院在接诊、治疗过程中收集到的各种第一手临床诊断、治疗数据则除了为医生临床诊断和治疗提供有用信息之外，还为医疗科研提供了最真实准确的样本数据。目前我国医疗卫生信息化建设取得了很大进展，国家在区域医疗卫生信息化、医院信息化管理系统和基层医疗卫生信息化等方面都加大了投入，并与多个学科领域的研究成果相结合，推动大数据在我国临床医疗和科研中的应用。3 大数据时代医学信息化面临的挑战

在大数据迅速发展的背景下，医学信息化的发展也面临着一些必须解决的问题。

1）数据共享的问题。美国国立生物技术信息中心（NCBI）存储了分子生物学、生物化学、遗传学领域的海量数据，其数据是对科学家无偿提供的。但是根据规定，美国科学家要想拿到政府经费，必须在申请课题时就承诺在课题完成后，将详细的研究数据提供给NCBI，这是NCBI获得大量数据的根本保证。而我国生物医学科研部门和医疗机构所积累的海量科研和临床数据目前多数仍然处于孤立使用的状态，机构之间的数据共享应用非常有限，数据孤岛现象限制了提高生物医学研究效率、建立社会医疗健康保障体系和减轻病人重复消费的经济负担。而这些机构因为利益的原因，对于拥有的医学科研数据和诊疗资料都持保护态度，不愿意向社会和同行提供数据服务。因此需要有相应的政策和措施，让医学研究机构和医疗机构的数据相互共享，真正形成生物医学研究、国民健康档案和医药信息大数据平台。

2）标准化的问题。美国劳伦斯伯克利国家实验室基因组科学部主任鲁宾（Rubin）表示，理想状态下的目标是建立统一的电子病历系统，这些信息应该有统一的标准，但现实并非如此，各个医院存储的数据标准不同，而且不同系统存储的信息也不一样。目前不同系统和科研机构之间的信息数据标准很难统一，这主要是由于设备生产厂商、软件供应商之间技术标准不统一和科研机构的研究方法各异造成的，例如不同的医院信息管理系统的电子病历数据格式和标准不同，信息中心的数据存储设备的架构也有可能不同，这造成医院间的数据信息无法流通和共享，这就为同一病人在不同医院进行治疗制造了障碍。因此大数据要在医疗信息领域得到应用，必须打破技术壁垒，解决信息标准化的问题。中国科学家更应该积极加入国际标准的讨论、设计和制定，更多参与国际上的生物医学信息共享。

3）医学大数据应用所需的复合型人才缺乏。医学信息学是生物医学与信息技术、统计、管理等学科相结合的交叉学科，在应用领域里真正掌握精通生物医学和信息科学知识的人才少而又少。为促进多学科研究和教育，美国2009年在特拉华大学创立生物信息学与计算生物学中心（CBCB），由来自5个学院的60多名教师组成，并创立或负责多个生物信息学教育项目。目前我国很少有高校设置生物医学与信息得学相交叉的学科专业，在生物医学研究领域里的复合型研究人才多数是自学或者由不同学科的导师共同培养的，这种情况造成了目前医疗大数据应用缺乏人才推动力的困境。根据相关文献分析显示，目前我国医学教育界已经认识到这个问题。4 结束语

目前我国医疗领域的大数据应用还属于起步阶段，如上所述所面临的共享壁垒、标准统一和人才短缺的问题制约着大数据在生物医学研究和医疗信息化发展等领域发挥更大的作用。相信在政策推动和信息科学技术不断发展的前提下，大数据在医学信息化中的应用将会不断深入，在生物医学研究的发展和社会医疗保障体系的完善过程中发挥作用。参考文献 [1]李新华.浅谈大数据时代的机遇与挑战[J].通讯世界：下半月，2013（6）：60-61.[2]许德玮，桑梓勤.基于云计算的医疗卫生位置服务平台研究[J].医学信息学杂志，2013（6）：8-13.[3]高汉松，肖凌.基于云计算的医疗大数据挖掘平台[J].医学信息学杂志，2013（5）：7-12.[4]李华才.大数据挑战医院信息化服务模式[J].中国数字医学，2013（4）：1.作者简介 李国栋（1972-），男，河南南阳人，馆员，硕士，南阳医学高等专科学校图书馆技术部主任，研究方向：图书馆信息化建设及情报学。4.1 应用实用化、智能化

自动化系统是一个集管理、监控、指挥、调度等于一体的多功能的复杂系统，目前，大多管理系统呈现复杂化的状态，这对于管理操作人员来说，加大了工作的难度。因此，未来的自动化系统必将朝着实用化、智能化方向发展，这不仅能避免人力资源浪费，且大大降低了管理人员的出错概率，保障了系统的稳定性和安全性。4.2 规模不断扩大

21世纪以来，随着人们对电的需求量越来越大，配电网规模呈现不断扩大趋势，具体表现在接入信息的种类、信息量、范围与以往相比，均有较大程度的改善。与此同时，电网调度自动化管理系统也应适应当前社会的发展需求，通过新技术、新设备的不断运用，达到提高安全性、稳定性和可扩展性的目的。4.3 系统间交叉面扩大

6.市场研究与大数据应用 篇六

现代产业与信息技术的发展使数据资源成为越来越重要的生产要素。爆炸式增长的数据量对多源、异构、高维、分布、非确定性的数据及流数据的采集、存储、处理及知识提取提出了挑战。大数据思维就是此环境中的产物,它并不局限于传统的基于因果关系的逻辑推理研究,甚至更多地通过统计型数据的搜索、分类、比较、聚类、关联等的分析和归纳,关注数据集内隐藏的相关性(支持度、可信度、关注度)。图灵奖得主吉姆·格雷将这种数据密集型的研究范式从理论科学、计算科学、实验科学中分离出来,成为“第四范式”[1]。

2008年《Nature》推出Big Data专刊[2]后不久,文献[3]将大数据计算称为商务、科学和社会领域的革命性突破。2011 年,《Science》的Dealing with Data专刊阐述了大数据对科学研究的重要性[4]。同年,麦肯锡公司发布关于大数据的竞争力、创新力和生产力的调研报告[5],分析了大数据的影响、关键技术及应用领域,进一步燃起学术界和产业界对讨论大数据的热情。美国政府于2013年3月宣布投资2亿美元启动“大数据研究和发展计划”[6],将其上升为国家战略。大数据被认为是继物联网、云计算之后,IT行业又一次颠覆性的技术变革。

云计算是利用互联网实现随时、随地、按需、便捷地访问共享资源池(如计算设施、应用程序、存储设备等)的计算模式[7],关注计算能力,并与关注知识提取的大数据技术相得益彰。

电力是社会发展的重要基础。随着全球能源形势的日益严峻,各国大力开展了智能电网的研究和实践[8,9]。其目标是建设一个覆盖整个电力生产过程,包括发电、输电、变电、配电、用电及调度等环节的实时系统,以支撑电网的安全、自愈、绿色、坚强及可靠运行[10]。而其基础则是电网广域全景实时数据的采集、传输、存储、分析及决策支持。

而愿景中的电网则是网架坚强、广泛互联、高度智能、开放互动的智能电网。文献[11]分析了智能电网大数据的产生与特点,指出已有的数据处理技术在智能电网的数据存储、处理和展示等方面所面临的挑战,已成为智能化发展的制约因素。 文献[12]探索了基于云计算的智能电网信息平台的可靠存储和高效管理。文献[13]研究了用户侧电力消费的大数据,从中挖掘其用电行为,以改进需求响应系统。

以电为核心的大能源体系正在成为全球能源的发展战略[14]:一次能源的清洁替代与终端能源的电能替代都必须依靠电网的输送才能大规模地实现。文献[15]指出,电力可靠性问题的顶层设计应该以大能源观为指导,不能局限于电力系统自身,还要分析其与一次能源、外界环境、管理政策、用户需求与方式变化间的交互,研究广义阻塞对电力系统安全性与充裕度的影响。

电力、能源及广义环境的多源、多态及异构数据的数量呈指数级增长,需要有相应的广域采集、高效存储和快速处理技术予以支撑。而从这些数据中挖掘知识及价值应用则使电力大数据的话题融入大数据的研究热潮。本文及其续文是笔者关于如何将电力大数据的思维应用到电力的广义可靠性、大能源安全及环境安全方面的思考。

1 大数据概念的演绎

1.1 定义

对“大数据”还没有统一的定义,通常指量大、多源、异构、复杂、增长迅速,无法用常规的方法处理的数据集合[16]。许多数据往往只在统计学观点上具有某种相关性,而不一定像传统应用的数据那样具有严谨的因果关系。对这样的统计关系型数据,只有当反映一个真实问题的数据量达到能在一定程度的统计意义上描述其真实面貌时,才能有效地提取知识,支持决策。而对于常规的因果关系型数据来说,数量的大小往往仅影响到计算资源,而与提取知识的方法关系不大。

因此,大数据与小数据之间并无绝对的界限,而是相对于目标问题而言的。大规模的数据量只是大数据概念的特征之一,也不应该用海量的规模作为大数据的必要条件。

大数据技术涵盖了从信息产生、采集、存储、转换、集成、挖掘、分析、计算、展示、应用及维护等数据全生命周期管理过程[17],需要具备从不同类型的多源异构数据中,快速提炼出有价值信息的能力。

1.2 基本特征

数据是以编码形式对自然现象、社会现象、试验仿真结果及经验的记录,包括数字、文字、图像、声音等形式。与传统数据相比,大数据具有四大显著特征4V,即量(Volume)、类(Variety)、速(Velocity)、值(Value)[18]。“量”是指数据容量足够大;“类”是指数据种类呈现多源多态特性;“速”是指实时性要求高;“值”是指数据价值密度相对较低。在数月的监控视频中,可能仅1~2s的画面有用,但通过关联数据的挖掘、分析和提取,却可能获得很高的信息价值。

一般认为,数据规模或复杂程度超出了常用技术按照合理的成本和时限来处理的能力,就可称为大数据。笔者认为如果统计型数据量对于具体目标问题来说,已经具有统计意义,就可以用大数据思维来处理。若为大数据设立数百TB的阈值,必将大数据思维束之高阁,扼杀了其广泛应用的生命力。

除了从因果、统计及博弈等数据关系的视角来对数据类型分类外,还可以按数据结构的视角将其分为三种类型:①结构化数据,即可以用二维表结构来逻辑表达的行数据,关系型数据库是其有效处理工具;②非结构化数据,是一类不能用有限规则完全表征与刻画的异构性数据,如图像、音频和视频等信息,它们之间不存在直接的因果关系,存在不相容性及认知的不一致性;③半结构化数据,介于上述两种结构之间的数据,可以用树、图等模型表达,如Web、办公文档及电子邮件等信息。据统计,随着社交网络、传感物联及移动计算等新技术、新渠道的不断涌现,企业中的半结构化或非结构化数据占比越来越大,有的已达80%。

1.3 思维方式

大数据技术的思维方式是:将采集到的经验与现象实现数据化与规律化,在继承传统的统计学、计算数学、人工智能、数据挖掘等方法的基础上,从单一维度转向多维度统筹融合,开发知识处理的新方法,从更深刻的视角,以更高的时效发掘多源异构数据,从而发现新知识和新规律,并实际应用的方法学。

若可以用简单的表达式直接描述某问题的结果与变量之间的关系,那么即使其数据量很大,也不一定属于大数据思维。当数据之间没有或还不能严格描述其因果关系,而数据集已相对地具备统计意义,就需要并可以采用大数据思维来处理。例如:对于一个市场调查的数据集,如果仅仅求取人群对某种商品的需求分布,那么思维方法并不会因为数据集是否海量,而改变常规的数据处理思维。但如果要从人群对该商品众多技术、经济、全程服务特性等各方面要求中提炼出有助于提高企业竞争能力的决策支持,那就需要有新的思维方法,包括信息挖掘与利用的思维、模式及方法,以帮助人类获得更深刻的洞察力。

关注统计关系的思维方法,同样可以应用于有限数据集上[19],只是其结论的可信度可能受到影响。

1.4 大数据技术的挑战

1.4.1 大数据的采集与集成

利用各种传感器及终端,采集反映物理世界、市场经济与人类行为等现象的静态/动态的异构数据,成为人、机、物三元世界的信息纽带[20]。其挑战主要体现在:①从结构化数据为主,向结构化、半结构化与非结构化的三者融合的变革;②数据来源的多样化,特别是移动终端的广泛应用,使大量数据需要同时带有时间与空间的标志;③有用信息被淹没在大量无关或弱相关的数据中,或需要处理低质量及局部缺损的数据。

1.4.2 大数据的存储

大量多态异构数据的高效、可靠、低成本存储模式是大数据的关键技术之一,对多源多态数据流之间的交互索引与转换效率影响很大。

数据压缩技术可以减少数据传输量及提高存储效率,但也增加了数据处理环节及计算负担[21]。分布式存储要权衡对存储空间及实时性的影响:对实时数据采用实时数据库或内存数据库;对核心业务数据采用传统的并行数据仓库系统;对大量的历史和非结构化数据采用分布式文件系统。

算法在处理复杂结构数据时相对低效,故希望事先为复杂结构的数据建立索引结构来帮助搜索,并合理地将非结构型数据结构化。

1.4.3 大数据的分析

需要关注大数据的形态描述、基本运行规律及其可控性。其中,最复杂的是人类社会行为信息,其决策行为必须与物理系统及信息系统相结合。

目标领域的信息若能与关联领域的信息相结合,则不但知识量得以增加,而且更有可能揭示综合性、交叉学科的未知知识,甚至从统计型数据中发现其(准)因果关系。知识的涌现性反映在模式、行为和智慧上。例如:将提高风机效率的研究与气象信息、电网信息联系,其效果将大大提升。大数据与云计算为之提供了数据资产的保管、搜索的技术,但也不是数据越多越好,而信息的提炼与知识的发现一般很难通过直观方式的分析和解读来获取。

数据驱动的分析方法包括:聚类、判别、回归、识别、隐变量、主因分析、时间序列。需要处理大规模的不定解问题,及必要时信息的补充问题,利用特征的相关性来发展统计学,有效地表达高维随机变量函数的联合概率分布。

用以发现知识的技术有:遗传算法、神经网络、数据挖掘、专家识别、回归分析、聚类分析、关联分析、数据融合、机器学习、自然语言处理、情感分析、空间分析、时间序列分析及其他计量学方法。一个例子是Google采用机器学习和神经网络来分析服务器群的数据,掌握大量变量之间的交互。神经网络在无显式编程下自适应学习,大大提高服务器群的效率,发现普通人注意不到的复杂互动关系。

随着大数据的应用从离线走向在线,甚至实时,所面临的系统复杂性、数据复杂性和计算复杂性挑战更为严峻。目前虽然出现了一些较为有效的方法,如流处理模式、批处理模式,及两者的融合[22],但仍未有一个相对普适的(准)实时的分析处理框架,在合理精确性的前提下实现快速的随机优化。

1.4.4 大数据的易用性

易用性应该贯穿在大数据的集成、存储、计算、分析,乃至展现等整个业务流程[23]。从技术层面看,可视化、人机交互及数据起源技术都可有效提升易用性,但仍存在元数据的高效管理的难点。元数据是关于数据的组织、数据域及其关系的信息,是描述信息资源的重要工具。

1.4.5 大数据的安全性

数据可靠性和通信网络安全性至关重要。必须研究各种广域量测数据和仿真数据的完备性、适时性和价值的评估技术,研究在广域信息不完全条件下的分析、控制技术。

“8·14”大停电前的几个月,北美电力可靠性委员会(NERC)警告说,随着电力业务的复杂化,越来越多的电力公司不遵循2002年发布的非强制性的安全导则,致使一些数据采集与监控(SCADA)网络被蠕虫破坏。大数据安全是一项包括技术层面、管理层面、法律层面的社会系统工程,其保障体系的框架由组织管理、技术保障、基础设施、产业支撑、人才培养、环境建设组成。应该研究数据源和传输的可靠性,研究信息系统故障或受到攻击时的行为,以及信息的阻塞、淹没、丢失和出错对大能源可靠性的影响。

移动互联时代中,人们在不同场合产生各种数据足迹;大数据技术将大量行为信息聚集在一起,就很可能暴露其隐私。由于尽可能地获取信息本来就是应用大数据技术的目的,故与隐私权的保护存在着矛盾。如何协调共享与隐私,需要制度与监管的保证。

现有的数据安全保护技术主要针对静态数据集[24],包括开放与防御的平衡,防止数据被窃取或篡改。但仍需要解决动态信息的安全性问题。

1.4.6 大数据的应用

大数据学科的兴起与人类需求密切相关,其中的信息挖掘及知识提炼环节必须与待求解问题紧密结合,而应用环节则是大数据技术发展的动力与归宿。因此,大数据研究应该遵循问题导向、需求牵引及数据共享的原则。必须结合具体的目标问题,将采集到的低价值的大数据加工成高价值的思想或知识,大数据技术才有生命力。若没有应用企业的深度参与,若不能按照商品的规律运行,大数据技术就难以真正取得收效。此外,若没有各管理部门对数据共享的落实,大数据技术也只能是纸上谈兵。

知识作为资源,需要像物质资源那样分配及流通。为此,需要对知识产品定价,并从数据使用的视角揭示信息流与科学活动的内在规律。

目前对大数据应用的关注,主要集中在商业与服务业这些以统计关系为主的领域[25],较少涉及具有较强因果关系的领域,如电力系统及能源市场等领域。笔者认为,是否能成功地将统计关系、博弈关系与因果关系取长补短,是大数据技术能否扩大应用领域的一个关键。

2 电力大数据

2.1 问题的提出

从能源系统看,它包括电网和非电的能源网两部分;电力系统应该在能源的清洁替代与电能替代中有效地承上(一次能源)启下(终端能源),兼顾左右(与其他二次能源协调)。

从信息系统看,它包括专用通信网与互联网(Internet)两部分。专用网用于对信息安全性或实时性要求高处,但由于非开放式的接入,故不适合与广泛用户的互动;互联网用于开放场合,但信息安全及实时性差。显然,两者对于信息系统来说都不可或缺。

能源革命需要的是能源系统的全部组分与信息系统的全部组分的深度融合[26],即大能源系统与大信息系统组成的信息能源系统,而不是局限于它们的某个子集之间。但是,智能电网的研究范畴基本上局限于能源系统中的电力系统与通信系统中的专用网[27],因此其信息物理融合的概念也就局限于“电力生产信息+电力系统”。作为能源革命重要环节的“一次能源系统及终端能源系统”,以及作为信息革命重要环节的“网络金融及需求侧参与信息”却并没有得到应有的重视。

显然,目前的智能电网框架中的专用通信网的功能需要从电力系统扩展,不但涉及各种非电的能源环节,而且涉及相关的非能源环节,以更好地支持对电力可靠性及经济性的研究,并支撑综合能源安全、能源经济安全及环境安全。另一方面,开放的网络经济及广泛的用户参与都需要互联网的支持,互联网数据的管理与挖掘成为非常重要的任务。

整个能源行业在转型发展中面临的机遇和挑战,来自一次能源的压力、环境安全的紧迫性、电力系统内外复杂性的增加、运行环境及扰动事件的不确定性与风险的增大、经济与技术的发展、市场改革的要求。为了应对上述挑战,必须提高数据的及时性、完整性、一致性及信息安全防御能力,提高对数据的管控能力,消除数据壁垒、存储无序且不一致的现象,完善对外部环境、基础设施及人才队伍的掌控。

从传统的电力数据演变为电力大数据,跨领域的时空扩展将电力系统的界面条件从确定性变为时变性,同时也增加了多时间尺度的动态复杂性[28]。涉及各类数据的采集、集成、存储、管理、知识挖掘、决策支持、可视展现等技术,也反映了电力及综合能源数据的管理、知识的挖掘和应用等一系列推进能源生产、转换、输送、消费方式的创新思维。其中的互联网数据大多为传统数据库不支持的非结构化类型,包括图片、视频、音频、地理位置信息、网络日志、博弈行为、金融动态、政策法规。数据的在线或实时处理,往往呈现出突发及涌现等非线性状态演变现象,难以预测。

为此,信息创新必须与能源革命在更高层次上深度融合,特别是在一次能源中的清洁替代及终端能源中的电能替代上,不但将协调优化的概念提升到综合能源流的范畴,而且推动电能更主动发挥在一次能源与终端能源之间的核心纽带作用,实现能源生产模式与消费模式的革命。

但是,将大数据技术局限于互联网数据也是片面的。通过专用网或仿真网获取的数据,包括智能电网概念中已涉及者,以及有待外拓的非电能源领域与非能源领域中的数据问题,同样存在大量的挑战。既然讨论的是信息物理融合问题,那么其框架就更不应该在信息系统内部或能源系统的内部设立藩篱。

当前的研究都在一定程度上受限于物理系统中的藩篱或信息系统中的孤岛。例如:①稳定性与经济性的研究都针对给定的边界条件,不能真实反映上下游环节的变化对电力系统的影响;②充裕性问题被粗犷处理为固定比率的备用容量,无法适应大规模不确定性的可再生能源及充放电用户的入网;③决策过程基本无法考虑博弈行为的影响;④忽视了信息系统本身可靠性的影响;⑤缺乏对电力系统外部环节的自适应能力。

要突破上述藩篱与孤岛,就必须遵循以电力系统为核心环节的大能源系统在大数据时代下的发展理念,顺应管理体制及技术路线的变革。

2.2 电力大数据的特征

一方面,电力大数据具有大数据的共性,包括目标领域向其他相关领域的扩展,以及数据类型向非结构型及非因果型数据扩展,时间维度向多尺度的流数据扩展。由此形成大量的异构异质数据,包括数字、文本、图形、图像、音频、视频等静态和不同时间尺度的动态数据,以及大量统计关系与博弈关系的数据,都需要快速处理。

另一方面,电力大数据必然继承了能源行业数据的特征,包括大量的因果关系数据、高维的时空数据,广域的监测控制,快速的时间响应及实时控制数据。除了电力系统的状态外,还需要获取并分析相关领域的数据,并处理部分数据缺失时的不确定性。

运行工况或故障场景都会影响系统的稳定性和控制策略。中国的电网现在已普遍实现了在线的量化分析功能,按实测工况和典型故障来指导预防控制,并向自适应的紧急控制与系统保护发展[29]。但若要有效地应对极端自然灾害环境,则还需要采集并处理大量非结构型的视频、语音、图片,并与电力系统分析功能有机结合。大规模间歇性可再生能源(RES)与电动汽车(EV)的入网对电力充裕性与备用调度提出挑战,要求大大提高对风电、太阳能发电及EV充放电的预测精度,这就需要处理大量非结构型的地理及交通动态数据。为了应对相继故障,基于常规因果关系型数据的分析算法也应该解决多米诺效应的演化路径及实时评估的经典难题。

2.3 电力大数据的类型

除了按数据结构等大数据概念来划分电力(能源)系统大数据,还存在其他视角,列举如下。

1)按业务领域,电力大数据可分为:①规划运行类,包括电力规划、电能生产、运行监控、设备检修等数据;② 企业运营类,包括企业发策、运营、电力市场、用户信息等数据;③企业管理类,包括人财物资、资本运作、企业资源计划(ERP)管理、协同办公等数据;④非电的能源类,包括各种一次能源、非电的二次能源、终端能源使用模式等数据;⑤非能源类,包括气象、环境、碳资产、宏观经济政策等数据。

2)按时间维度可分为:①背景及法规数据;②历史数据;③调查及预测数据;④在线实测数据;⑤仿真推演数据。

3)按数据采集来源可分为:①书本及文档;②专用网数据;③互联网数据;④问卷及调查;⑤交互博弈及仿真结果。

2.4 电力系统的数据量

常规SCADA系统按采样间隔3~4s计算,10 000个遥测点每年将产生1.03 TB数据(12B/帧×0.3帧/s×86 400s/d×365d×10 000遥测点);广域相量测量系统的采样率为100次/s,10 000 个遥测点每年将产生495 TB数据。美国PGE公司每个月从900万个智能电表中收集超过3TB的数据。国家电网公司的2.4亿块智能电表,年产生数据量约为200TB,而整个国家电网公司信息系统灾备中心的数据总量,接近15 PB。 以2004年山东系统(97台机、462条母线、702条支路)为例,设在线每5min对220kV以上线路的三相永久故障分析一次暂态稳定性,仿真时长10s,仿真步长0.01s,则一年内将产生1 092TB的数据量。当大规模的间歇性分布式可再生能源入网后,发电侧计及气象数据的实时监控的数据量比传统发电成倍增加。智能配电、智能电表、电动汽车和用电技术的发展也大大增加了需求侧的数据量。电力企业的精细化管理,与一次能源、环境、交通、市政等外部系统的联系日益深化,对数据量的依存度也越来越高。

2.5 电力大数据对电力可靠性的支撑

整合各种广域系统采集的静态和动态数据,包括雷电场、台风风力场、山火场等非结构型数据与常规的电力数据及仿真信息相结合,从所获的现场实测或仿真得到的时间响应曲线中提取深层知识。以支持稳定性与充裕性的量化分析及自适应控制,协调故障前的预防型博弈,故障后瞬时的故障隔离和预测型紧急控制,检测到违约症状后的校正控制,以及系统崩溃后的恢复控制。在此基础上,综合防御框架还应该实现多道防线的时空协调,通过协同各道防线和各种控制手段,最大限度地减少大停电的风险。

信息的可靠性是分析和决策的物质基础;机理分析和量化分析则通过数据挖掘来深刻掌握电网的行为特性[30];正确的决策是为了能以最小的风险代价来最大限度地满足电力需求。互为补充的相量测量单元(PMU)、远方终端设备(RTU)和仿真数据共同满足系统在空间中和时间上的可观性和可控性[31]。需要研究在不完备数据下,如何将信息论和系统论相结合,从数据中挖掘深层信息。

在电力的长期可靠性分析与控制方面,需要考虑社会、经济、科技、能源与政策等发展的不确定性,以及各种博弈行为的影响,将目前依靠主观判断的方式逐步提升为基于混合仿真推演的方式。

3 信息能源系统的大数据平台

3.1 电力(能源)系统运行数据的采集

关系数据库强调完整性及一致性,云计算强调可扩展性,但难以保证实时性。Internet的TCP/IP协议在流量控制和数据纠错时会产生10ms量级的时延,难以满足实时控制,特别是紧急控制的要求。

RTU和SCADA系统可以用低成本采集大量的广域数据,并满足静态可观性,但没有统一时标,采样周期长、时延大,只能抽取慢速动态特征。故障录波和保护信息系统就地记录大量暂态信息,可支持故障的事后分析,但上传的滞后时间长,难以实时应用。

PMU数据不依赖于系统模型和参数,可在统一时标下快速采样,提供系统实际的时间响应曲线,用来校核仿真模型和参数,并提供仿真的初值。但受价格限制较难满足高可观性。

20年来的研究热点之一是将PMU用于实时稳定性分析及开环控制,根据受扰后短期实测数据预估稳定性,并在失稳前选择并执行控制措施,但至今未能用于稳定分析和开环控制。文献[32]明确指出,在非自治因素下单纯依靠轨迹的外推来预测并不可靠,并且即使在没有时间约束的离线环境下,要对有数学模型的仿真曲线进行稳定性量化分析也非易事。若在计算已有轨迹的稳定裕度时没有模型参数可用,其量化分析就更难。更重要的是,只有通过仿真才能在措施实施前确认其效果。不与仿真工具结合,就难以按合理的保守性来确保控制的充分性。其根本原因是:在事前,PMU无法观察到控制措施的效果,也无法在不依靠系统模型及参数的前提下求取实测轨迹(特别是稳定轨迹)的稳定裕度。PMU在应用上的这个瓶颈是本质性的,不可能真正突破。

现场伪量测是对广域数据加工中挖掘出来的数据;仿真伪量测是在仿真中产生的数据。它们的正确性受到模型、参数、初值和算法等的限制。

3.2 电力(能源)系统的大数据平台

随着数据采集环节的质量提高、成本降低,以及各种广域数据采集系统的数据共享,可以通过更多数据来全面掌控电力与能源。为此,需要将各种广域监测系统和数值仿真系统置于统一的平台中,有助于数据挖掘,识别相继故障的先兆特征、临界条件和传播模式,从而提高预警水平,增强防御停电灾难和事后分析的能力。

由硬件资源、基础软件、网络通信、数据集成、计算支撑、应用支撑、安全管控等环节构成的大数据平台支持多源多渠道异构数据的即插即用、融合与管理,支撑各种开发、应用及信息展示功能的即插即用。通过基于数学模型的因果型数据、无因果关系的统计型数据以及参与者博弈行为的融合,管理各类能量的生产、转换、输送及使用,调度与仿真数据的集成与管理。

4 结语

虽然当前关于大数据的应用案例大多发生在互联网企业中,但传统的电力及能源企业也在思考如何从关于大数据的空泛介绍走向实际应用。特别是除了直接依赖互联网的电力金融业务及面向消费的个性化服务以外,在基于传统数据的系统分析与控制领域中,如何融合电力及能源的统计关系数据、因果关系数据及博弈行为数据,发挥大数据的价值。例如:间歇性能源及负荷预测,引导需求响应及节能减排,降低停电风险,反窃电,堵塞经营漏洞,优化资产全寿命周期管理等方面。特别是:如何使企业决策从当前基于常规数据及主观经验的模式,发展为基于数学模型、参与者及多代理模型的混合仿真的沙盘推演模式。其中的多代理模型就需要大数据技术的支撑。这关系到电力大数据技术是否能进入到通常由因果关系数据一统天下的物理系统分析领域。为此,思维方式需要重大变革。

摘要：大能源思维将电力视为能源生产与消费全流程中的枢纽环节,藉此推动上游一次能源的清洁替代与下游终端能源的电能替代,支撑能源的可持续发展。大数据思维将各种数据资源从简单的处理对象转变为生产的基础要素。这两种思维的融合,使电力大数据成为大能源系统广泛互联、开放互动及高度智能的支撑,包括:广域多时间尺度的能源数据及相关领域数据的采集、传输和存储,以及从这些大量多源异构数据中快速提炼出深层知识并发挥其应用价值。作为两篇论文中的开篇,在演绎大数据基本概念、结构类型及本质特征的基础上,归纳电力大数据的特点。针对综合能源,通过基于数学模型的因果型数据、无因果关系的统计型数据以及参与者博弈型数据的融合,构建信息能源系统的知识挖掘平台。其续篇将讨论信息能源系统,并通过若干案例,反映大数据思维对提高大能源经济性与可靠性的贡献。

7.司法公正与大数据 篇七

关键词：大数据 司法公正 同案同判 价值分析

十八届四中全会将“依法治国”定为主题，表明了国家对法治化建设的决心。“司法公正”作为法治化的一个重要指标，是司法界需要不断强化的一个目标。如何将抽象的司法公正目标进行落地，本论文做了一次工具层面的尝试。

1 研究目标：用大数据技术来提升司法公正

1.1 司法公正的个案目标。习主席提到“让民众在每个司法案件都感受到公平正义”，即司法公正在个案中如何得到落地。同案同判是司法公正非常好的一种阐释，同案同判的形象特征，最符合不具有法律专业知识的民众的直观感受。

1.2 同案同判的实现方法：从传统个案到大样本。同案同判传统的落地方式，是法官在个案审判过程中，利用个人司法实践经验，对当前需要裁判的案件，根据法律规定，比照之前类似的裁判案件，得出当前案件的结论。这种方式依赖于个体法官的能力、经验和司法习惯，难免会出现个体之间的差异，及自由裁量权可能会出现系统性偏差，从而影响到宏观层面的司法公正，因此，还必须考虑从大量司法案件实践整体上来获得裁量的一致性。

1.3 大数据与同案同判。随着信息技术在法院信息化建设中的不断发展，所有的案件信息，以电子化的方式集中在一起，这就为深入利用这些案件信息数据提供了基础条件。

每一个案件信息，都是一次社会冲突矛盾的法律解决过程，案件信息中包含着丰富的司法裁判规则，如何將这些裁判规则抽取出来，为未来的司法实践提供规则参照。这样一个命题，利用大数据技术能够充分的解决。

2 大数据技术如何实现同案同判

2.1 同案同判大数据应用的理论和操作含义。所谓“同案”，在操作层面，并非普通意义上指的“相同案件”或“同类案件”，而应该聚焦到待裁量问题和案件背景两个方面。按照三段论的逻辑，一个案件需要裁量的问题，对应该问题有关的案件背景信息，法律规范，这三个方面是我们构建同案同判大数据解决方案要关注的要素。要得出待裁量问题的法律结论，需要分析案件相关背景信息，适应对应的法律规范，最终导出结论。每一个经过裁判的案件，都包含若干个这样的过程。我们设计大数据解决方案的目标，就是为法官匹配出最接近当前待裁量问题和案件背景信息的案件，法官通过对这些“相似”案件的比较，导出当前案件的若干结论。

据此，我们需要实现对历史案件“待裁量问题”的自动分析提取，对“相关案件背景信息”的自动分析提取。如何将“待裁量问题”、“相关案件背景信息”进行分析提取，并获得相似性的归类以便于提供比对。类型学是一个可实现的方法论。即我们要将“待裁量问题”、“相关案件背景信息”进行类型化，以相同的类型来提供比对。

那么，为确定“类型化”已达到法律上的相似性，不同的案件类型（民事、刑事、行政），应该选择不同的类型化的路径。

在刑事法律层面，按照罪名、犯罪主体、犯罪主观方面、犯罪客体、犯罪客观方面、事实与证据、量刑来进行分类，每个分类角度在不同罪名下，再进行更细的二级、三级甚至更多级的分解，最终，会找到两个在法律类型方面一致的案件。请注意，这种一致是针对“待裁量问题”、“相关案件背景信息”的类型一致，而不能泛指整个案件。

民商事法律，可以从案由、主体、客体、内容、事实与证据、法律责任等方面来进行层层分解。

行政法律，可以从案由、诉讼主体、行政行为、事实与证据、法律责任等方面来进行层层分解。

根据比对方式的不同，可以将“待裁量问题”分为定性法律问题和定量法律问题两类。对于“待裁量问题”需要依据的“相关案件背景信息”，可以分为单一要素比对和综合要素比对两种方式。

综上所述，通过类型学、三段论、法律构成理论等，可作为我们构建“同案同判大数据分析技术” 专业理论基础。

2.2 大数据技术实现同案同判操作框架体系的步骤。实现同案同判的大数据应用的基础就是创建一个同案同判的数据仓库，在数据仓库上进行大数据应用。对创建一个同案同判数据仓库的步骤分析如下：第一步，采集案件信息数据。从各种数据来源，采购案件信息数据。数据来源包括案件信息管理系统、电子档案库等。数据种类包括结构化数据、半结构化数据、非结构化数据。第二步，数据处理。为了实现同案同判的应用目标，需要将各类数据，以案为基本单位进行数据的结构化处理。结构化的标准，来源于上述的同案同判理论和操作设计思路。这里，重点需要处理的是针对非结构化的裁判文书文档数据的结构化处理工作。需要研究一套能够从裁判文书提取案件裁判规则体系的自动化技术，来实现数据的结构化目标。第三步，数据主题设置。同案同判是要解决一个个的具体法律问题，而这些法律问题，以及海量的案件信息数据，形成一个庞大的案件信息海洋，需要对这些信息按照主题的方式进行存储，以提供下一步的大数据分析应用。

2.3 大数据技术提供的同案同判大数据分析技术成果设计。同案同判大数据技术根据对案件裁判文书的智能分析，或通过手动勾选案件信息，自动关联系统案例库中的历史生效案例，并进行多维度比对分析，为法官办案过程中可能产生的案件定性或裁量问题提供同案比对参考。其具体功能如下：①同案自动关联功能。同案自动关联功能涉及的案件相关信息来源分为两个途径：a通过各案由（罪名）下的案件信息动态模板中信息项的勾选，系统可自动关联检索案例库中符合条件的历史案例，供法官查阅参考；b导入案件裁判文书，系统通过文书智能分析引擎自动分析提取文书相关案件信息，并在案例库中关联检索相关历史案例，法官可逐一进行案件比对参考。②同案案例自动分类功能。系统将关联检索出的历史案例分为本院案例、上级院案例、本省案例以及权威案例，同时在每类案例中又分为完全匹配检索条件的案例和包含检索条件的案例，便于法官分类查阅。③同案案例统计分析功能。系统能够将关联检索出的历史案例进行统计分析。以量刑比对为例，系统能够自动分析出关联案例中的量刑最重值、量刑最轻值、量刑平均值及量刑最多值，同时自动生成线状图、散点图等多种统计图表。④同案案例比对功能。系统能够对检索关联出的历史案例进行单个文本内容查看、待决文书与历史案例文书内容比对以及案件信息比对。a单个文书内容查看。法官可对检索出的历史案例文书进行文本内容查看，同时可根据系统自动提取出的文书案件信息进行准确回溯定位，能够快速查看该案件的相关信息内容。b待决案件与历史案例文书内容比对。法官可对待决案件文书与历史案例文书进行内容比对查看，同时可根据系统自动提取出的两文书案件信息进行准确回溯定位，能够对两案件相关案件信息内容进行快速查找与审阅。c待决案件与历史案例文书案件信息比对。系统可将待决案件文书与历史案例文书中的案件信息全部展示出来，法官能够直观的看到两案件中涉及的案件信息，并进行比对参考。

3 本研究的价值分析

①为司法公正提供了一个公开的平台：司法诉讼活动的各类主体，都能够通过该软件获得基本一致的司法结论，信息不对称问题得到极大的解决，司法更受类似案件约束而不受外力影响得到更大的保障。②让司法人员能够快速的找到类似案件，参考获得裁量的结论，司法效率得以极大的提升。③为社会公众、机关和其他团体、当事人提供了一个可以看得见、摸得着的司法裁判工具，司法效果得以极大的提升。

4 小结

综上所述，大数据是世界最新的技术革命、观念革命和商业革命。当今时代谁能够抢占大数据研究先机，谁就能在未来社会拥有更多的控制权。大数据技术在司法中的应用不仅可以有效地提升其办案效率与质量，而且还保证了司法的公正性。大数据可以运用到各行各业。加强大数据的司法应用，是人民法院推进司法为民和公正司法的必然要求，是信息化建设的必然趋势。本文首先分析了运用大数据技术提升司法公正的可能性，再就大数据技术如何实现同案同判进行了分析，最后还进行了价值分析，从而提升了本研究的科学性。

参考文献：

[1]孙海龙，高翔.科技应用与司法公正的思辨[J].人民司法，2012（01）.

[2]郑小苗.民事案件同案同判的法理问题[J].盐城工学院学报（社会科学版），2005（04）.

[3]龙世发.“同案同判”的法理分析[J].人民论坛，2011（11）.

8.市场研究与大数据应用 篇八

我国智慧医疗与大数据发展形势

发展条件日趋成熟。个人、医疗机构以及相关企业对智慧医疗与大数据的需求迫切，医院信息化水平的提升，医疗卫生体制改革，奠定了市场和政策环境基础。

医疗云平台建设步伐加快，正成为智慧医疗的重要支撑。医疗云平台布局全面、层次丰富，形成国家、省、地市和县的四级区域人口健康信息平台，在建设主体和运营模式上形成了政企合建、市场运营的良好局面。

医疗大数据来源多样化且快速增长。我国医疗大数据主要由医院临床数据、公共卫生数据和移动医疗健康数据三大部分组成，数据来源多样且增长迅速。

智慧医疗与大数据产业链条初步形成。以医院、医生、患者等入口，在医院信息化、可穿戴设备、在线医疗咨询、医药电商、健康商业保险等领域蓬勃发展，产业链条初步形成。

智慧医疗与大数据商业模式创新加快。医药电商服务协助医药分开，在线问诊导诊服务模式重构传统医患关系，远程医疗助力分级诊疗，智慧医疗与保险融合创新发展。

各地智慧医疗与大数据建设呈现多层次阶梯式发展格局。我国各地区智慧医疗与大数据应用呈多层次阶梯式分布，初步形成了应用先行区、特色应用区、初步应用区、发展起步区等四大类。

我国智慧医疗与大数据问题解析

我国智慧医疗与大数据在发展过程中，存在着诸多问题。数据标准不统一、归属权不明确，数据共享面临多重阻碍；难以进入核心医疗应用领域，尚无完善的利益激励机制打破旧利益格局；目前整体缺乏有效的运营机制，线上下线医疗闭环难形成，缺乏可行的盈利模式；医疗与信息技术复合型人才缺口巨大；产业的可持续发展战略规划和体系不健全，缺少顶层设计，行业监管缺位。

智慧医疗与大数据的百人会共识

基于对我国智慧医疗与大数据的内涵、发展形势、问题的分析，对智慧医疗与大数据的认识形成以下六点基本共识：

智慧医疗和大数据是医疗行业发展的必然趋势。在技术及社会需求的共同推动下，智慧医疗和大数据加速医疗产业的重构，智慧医疗和大数据发展是必然趋势。

医疗大数据应用助力实现智慧医疗服务。医疗大数据利用互联网以及大数据技术进行数据挖掘和分析，应用在医院管理、药品研发及销售、保险服务等多领域，使医疗行业运营更高效，服务更精准。

智慧医疗有利于提高优质医疗资源的配置效率。重组优化医疗资源配置是未来医疗改革的主要方向和核心诉求，智慧医疗推动医疗卫生服务模式和管理模式的转变，实现医疗治疗的合理有效配置。

个人健康数据归属权亟需界定。个人健康数据归属权不明确将阻碍医疗大数据的采集、应用，产生信息安全问题，不利于智慧医疗的发展，亟需国家出台法律界定。

智慧医疗和大数据发展需要国家顶层设计。做好顶层设计、统筹规化、规范管理，制定相应发展规划和产业政策，从技术、管理、应用层面连通各个单位的信息孤岛。

智慧医疗服务体系需要逐步实现AAQES。建立公民够得着（Access）、付得起（Afford）、质量高（Quality）、公平性强（E-quality）、可持续（Sustainability）的医疗服务体系。

智慧医疗与大数据前景展望

智慧医疗与大数据应用进入快速发展期。随着大数据、云计算等新技术的发展，智慧医疗与大数据已呈现快速发展态势，在医疗信息化、移动医疗、医药电商、可穿戴设备、在线医疗服务等医疗及健康服务多个领域迅速发展。据国家发改委披露，2018年以前，我国要建成国家政府数据统一开放门户，医疗领域数据将优先开放，未来几年将是医疗大数据快速发展的时期。根据贵阳数据交易所预测，2014年中国医疗大数据应用市场规模为6.06亿，预计到2020年，这一数值将达到390亿元。

a.线上医疗数据服务市场前景广阔。线上医疗数据服务以挂号为切入点，服务包括在线问诊、在线挂号、在线咨询、移动医疗、远程医疗等，将整个医疗服务流程放到线上，优化就医流程。目前，在线医疗数据服务（问诊、挂号、咨询）呈现稳定增长，随着移动医疗高速发展，在线医疗数据服务企业加速布局移动医疗，移动医疗应用软件数量激增，结构日益丰富，融资频发，2014年中国移动医疗市场规模为30.19亿元，预计到2020年将达到310.90亿元。（图2所示）

b.个人健康管理及咨询快速发展。随着生活水平提高，以及老龄化社会和各种慢性病的出现，人们对健康的需求年年增长，健康消费将不断升级。个人健康领域将会受到关注，健康咨询、健康管理等领域的企业将会快速成长起来。针对不同收入对象以及年龄阶段，尤其是针对高端收入人群的健康管理与咨询，具有巨大的市场空间。

c.可穿戴设备的市场前景十分乐观。BI Intelligence预测2018年全球可穿戴设备出货量将达到3亿台，按平均每台42美元的出货价格计算，2018年全球可穿戴设备销售规模将达到120亿美元。我国可穿戴市场，目前利用可穿戴设备的大数据医疗健康服务仍不完善，市场以硬件的销售为主，预测2016年后，随着大数据服务的进展，除了硬件销售外还将包含数据服务费用，据预测2020年我国可穿戴医疗设备市场规模将有望接近260亿元。（图3所示）

d.医药电商市场规模迎爆发式增长。随着政策利好、社会需求高涨，医药电商发展迅速，大型区域性连锁药店积极向线上转型，互联网巨头、传统医药企业、新兴医药企业也纷纷瞄准这一领域，成为投资热点。中国医药电商交易规模呈上升态势，预计2020年B2C医药电商市场规模将达到746.83亿元。加快“互联网+”与医药产业的深度融合、拓展医药产业供应链已成为行业共识。

e.健康商业保险呈阶梯式上升趋势。目前健康商业保险的普及率比较低，但是随着医疗大数据的发展与渗透，个性化的健康保险服务也将会在医疗领域占有一席之地。2014年我国健康保费收入为1587亿元，在税收优惠等政策的支持下，未来几年将是我国健康险发展的黄金时期，预计到2020年，健康保费收入将超过8000亿元。

智慧医疗与大数据将重构医疗行业秩序。智慧医疗的商业模式涉及医政、医药、医保、商保等一系列体系的重建，而最核心的仍然是“医疗质量和病人安全”。智慧医疗将重构以患者为中心的行业秩序，逐步形成家庭健康管理、社区医疗服务、智慧医院三级递进，并具备迅速响应、相互辅助、完整协同等特性的医疗服务架构。

家庭健康管理的普及转变了大众被动接受医疗服务的观念，能够激发个体对自身健康状况的主动可控潜能，是实现智慧医疗快速响应的基础环节。具备健康感知功能的智能可穿戴设备能够激励、引导大众健康生活，不但调动了个人对于健康管理的积极性，还能有效预测和预防疾病发生。在身体状况出现问题时，专业性不断提高的在线问诊平台还能以最快速度满足患者对于常规疾病的自诊和用药需求。

社区医疗则将侧重点放在疾病预防、慢病护理、健康教育等方面，使普通大众能够便捷获取较高品质的医疗卫生服务和全面完善的终身健康管理。同时，通过物联网技术，社区医疗服务可以在诊断、治疗、康复等各个环节加深与上级医院的业务交流，有效调配医疗资源并大大提高诊疗效率。

在医院层面，不断完善的智慧化建设将提升患者在诊疗全流程的服务体验。导诊环节，病人可以在线上确定自己应该去什么医院，到什么科室，找什么医生。网络预约、微信预约、手机APP预约等多样化的分时段预约方式也让患者省去了不必要的候诊时间。在康复环节，患者可以通过多种方式与医生互动咨询康复进展的需求，促进医患沟通，使医生服务最优化。除此之外，智慧医疗能够突破传统医疗模式的禁锢，通过在线问诊和远程医疗实现优质医疗资源的跨时空配置，帮助病人免去不必要的到院就医。

智慧医疗还能够促使不同医疗机构间建立起医疗信息整合平台，将各机构之间的业务流程进行整合，使医疗信息和资源可以共享和交换，跨医疗机构也可以进行在线预约和双向转诊，这使得“小病在社区，大病进医院，康复回社区”的居民就诊就医模式成为现实，从而大幅提升了医疗资源的合理化分配，真正做到以病人为中心。

医疗大数据推动精准医疗时代到来。精准医疗是指根据个体基因特征、环境以及生活习惯精确判断疾病干预和治疗的最佳方法。对于医生来说，就是通过比对病人信息与大数据样本并进行生物信息学分析后，为临床决策提供精确支持和依据。随着生物医学大数据分析技术的不断进步，精准医疗将为病人提供更精准、高效、安全的诊断及治疗。

近年来，基于基因测序和生物大数据应用的不断成熟，使精准医疗从概念到落地实施成为可能。美国医学界在2011年首次提出了“精准医学”的概念，2015年1月20日，奥巴马在美国国情咨文中提出“精准医学计划”，2015年美国创新新战略中明确把精准医疗作为美国在医疗领域的未来发展战略，计划在2016年投资2.15亿美元分别用于百万人群规模的医疗研究、肿瘤基因组学研究、跨系统数据标准和要求制定等项目。我国政府也加快开展了发展精准医疗的全面部署。国家卫计委和科技部等相关部门正在研究定制精准医疗战略规划，国家科技部牵头成立了精准医疗战略专家组，并提出中国精准医疗计划，“十三五”期间我国将启动精准医疗重点科技研发计划，选择性地在全国各个具备条件和优势的区域中的医院和社区内建设示范中心。与此同时，北京协和医院、四川大学华西医院等三甲医院开始筹建精准医疗研究中心。华西医院计划开展总数达一百万人的全基因组测序，建立数据库和样本库用于分析疾病发生和发展的规律，为精准医疗奠定基础。

随着我国智慧医疗与大数据的应用不断成熟，必将推动精准医疗技术不断向前发展。2015年8月，贝瑞和康与阿里云宣布共同打造以中国人群基因组数据为核心的数据云，实现对个人基因组数据的精准解读。贝瑞和康自主构建的中国人群基因组大数据库目前已包含超过四十万份基因组数据，蕴含了海量的中国人群基因突变信息，对这些信息的深入挖掘将极大提高中国人遗传病诊断的效率和精准程度。

精准医疗的发展还需要借助智慧医疗搭建临床转化科学研究平台，把各种现代科技手段集成地运用于传统医疗，包括组学技术、数字影像、系统生物学、信息科学等等，通过智慧医疗的手段和传统医学的融合创新，最后成为精准医疗的体系和范式。正在筹建中的清华大学精准医学研究院就将建成一个开放、共享的科研平台。同时，其重点建设的健康科技孵化器将把企业和科技研发结合起来，实行产学研一体化，从而推动精准医疗的发展。

区域医疗平台推动区域内医疗健康数据互联互通。数据互联互通是智慧医疗与大数据发展迈向下一阶段的重要步骤。值得肯定的是，我国各级医疗机构已经开始实施信息系统的接口改造，加快自身数据整合。全国三甲医院已基本实现院内数据互联共享，部分医院通过区域信息平台实现了区域内共享检查检验结果。

为了实现更大范围的医疗数据互联互通，还需要构建统一的区域医疗信息平台作为支撑。当前，我国正在积极打造国家级医疗卫生云平台，并制定统一的医疗健康数据标准规范。下一步，通过区域性医疗信息平台的标准化建设，加上国家医疗数据中心的枢纽作用，我国将加快实现以电子健康档案和电子病历为核心的数据共享。

《全国医疗卫生服务体系规划纲要（2015—2020年）》提出，到2020年我国将实现全员人口信息、电子健康档案和电子病历三大数据库基本覆盖全国人口并实现信息动态更新，同时全面建成互联互通的国家、省、市、县四级人口健康信息平台。目前，天津、上海、江苏、浙江、安徽、福建、山东、河南、湖南、重庆等10省（市）已建成省级信息平台，全国一半地市和30%的县区基本建立了区域卫生信息平台。随着全民电子健康档案和电子病历建档率的不断提高，区域医疗卫生信息的互联互通有望全面实现。预计到2016年，我国将建成标准统一、接口统一的国家级医疗信息化平台，各地医疗数据将在平台上实现互通互联。

新型商业模式开拓智慧医疗与大数据发展新空间。在线问诊导诊、远程医疗模式、医疗电商服务、可穿戴设备数据服务、PBM等方面医疗大数据商业模式创新将加速，拓展医疗行业发展空间。

a.在线问诊导诊模式：医生通过专业平台搭建的医患、医医网络空间，充分与患者沟通，以低廉的成本提供高效的医疗服务，这大大改善了医患信息不对称的局面。同时，区别于传统模式下的“患者——医院——医生”的就医模式，在线问诊、导诊的方式将医患沟通的双方直接联系起来，引导医生个人价值的体现方式的转变——由过去依靠医院和职称等级改变为依靠所提供的医疗服务的质量所带来的个人口碑，从而激发医生主动提高医疗服务质量的动力，医生的个人价值将被解放。通过增强医生与患者之间的联系，医生而非医院，将在未来医疗服务中掌握越来越多的话语权。2014年11月，国家卫计委和相关部门印发了《关于推进和规范医师多点执业的若干意见》，医生被逐渐解放，促进医生多点执业及自由执业体系的形成。这给在线问诊导诊服务，乃至整个智慧医疗产业，都带来了巨大的想象空间。

b.远程医疗模式：通过发展远程医疗服务模式，可以解决当前基层首诊和双向转诊制度实践中的痛点，从而引导医疗机构之间分工协调机制的完善，形成医联体模式，推动分级诊疗制度的建设。借助互联网高效易推广的特点，远程医疗服务模式将打破传统模式中的行政区划、专业局限和资源的限制，将大大带动分级诊疗发展。

c.医疗电商服务模式：医药电商将逐渐向服务型医药电商转变，以医药服务为核心，以沉淀的用药数据、健康数据和处方数据为基础，以用户的重复购买为目标，以社区辐射为纽带的O2O电子商务系统。把传统电商的优势、医疗服务和大数据分析相结合，为用户提供用药指导、处方审核等药事服务，提供线上线下健康咨询服务以及在线健康管理服务，有助于提高用户回访率与药品的重复购买率，有助于增强用户黏性构建终身购药模式。处方药能够在线交易且能够使用医保支付后，服务型医药电商有可能能够介入慢病管理。同时，基于药店联盟的药品销售大数据分析，将优化药品采购决策和药品配送方式，实现药品工业直达，降低运营成本。

d.医疗级可穿戴设备数据服务模式：比起单纯的运动或睡眠数据监测，消费者更愿意为医疗类产品买单，从运动健康向医疗保健方向的转变，或将是未来智能可穿戴设备发展的一大特点。医疗级可穿戴监测精度相对较高，可以介入到慢病的医疗诊断——监测——治疗干预的全过程，帮助医生和患者进行慢病管理。老年慢性疾病的监护与治疗占据相对较多的医疗资源，随着我国老龄化加剧所需的医疗资源可能会逐年增加；近年来“三高”人群数量增加较快，心脏病、高血压和糖尿病等将成为非常普遍的现象，用户需求急剧增加，而中国目前医疗级可穿戴设备几乎空白，未来发展空间巨大。医疗级可穿戴设备通过采集体征数据建立患者电子健康档案，健康大数据分析有助于帮助医生提供更好的医疗服务，同时有助于患者进行自我慢病管理。

e.PBM中国模式：三医联动可创造医保-医院-医药三者之间的合作和价格协商关系，不排除中国医保未来自设组织或者引入第三方来管控医院诊疗开药行为，并让这个组织代表医保部门与上游药企谈判药品终端价格。PBM发展后，最终可实现多样功能，如远程审方、专业用药咨询、会员管理、药品邮购业务等；专业用药咨询可以通过远程咨询方式实现，会员管理可以采用互联网慢病管理方式持续采集数据持续跟踪结果持续给予反馈治疗，药品邮购业务也是需要借助互联网和移动互联网在线提供信息咨询和网上下单工具等。

智慧医疗与大数据：战略与选择

面对智慧医疗与大数据的蓬勃发展，我国亟需统一医疗行业数据标准，强化医疗行业体制改革，推动建立新的健康产业生态体系，推进医疗大数据产业有序发展与深入应用。

统一医疗行业数据标准，明确各方产权归属。推进医疗大数据的立法工作，明确各方产权归属；制定基础类、信息类、应用类、安全类、设施类、管理类服务标准。

构建数据共享新模式，推动精准医疗发展。构建数据共享新模式，包括区域共享模式、医联体共享模式、数据服务外包模式、企业共享模式、个人共享模式等，开发基于大数据的医疗服务，推进精准医疗发展，开启个性化医疗时代。

强化医药卫生体制改革，构建利于智慧医疗的新体制。推进医疗行业体制改革，放宽市场准入限制，推进多点执业和医保支付制度的改革创新，完善药品流通体制，推动健康数据开放共享，构建有利于智慧医疗与大数据发展的新体制。

优化产业运营机制，推动建立新的健康产业生态体系。构建居民、企业、医院、医生等多主体深入参与，以个体为中心的新的产业协作体系。创新商业模式，建立新的利益机制，塑造新的产业利益格局。

加强顶层规划与市场监管，推动行业有序发展。加强行业的顶层规划和相关制度设计，明确行业发展目标、重点与技术路线图，建立权责清晰的行业监管体系。