近日，中国管理科学学会大数据管理专委会、国务院发展研究中心产业互联网课题组、社会科学文献出版社共同举办的《大数据应用蓝皮书：中国大数据应用发展报告No.1（2017）》发布会在北京举行。本书是国内首本研究大数据应用的蓝皮书。
蓝皮书旨在描述当前中国大数据在相关行业及典型代表企业应用的状况，分析当前大数据应用中存在的问题和制约其发展的因素，并根据当前大数据应用的实际情况，对其未来发展趋势做出研判。
蓝皮书认为，从应用的角度看，大数据并非一个全新的产业，而是与已有产业融合，对已有模式的改造、升级和替代。制约大数据发展的往往并不是大数据本身，而是大数据所应用的行业和领域原本存在的问题，如行业管制、行政垄断、要素不能自由流动，等等。因此，推动大数据应用的发展，需对不当的行业管理模式进行改革，对既有利益格局进行调整。即便在企业内部，大数据应用也不仅仅是个技术问题，而且是涉及业务流程重组和管理模式变革的问题，是对企业管理能力的一个考验。
大数据应用的三个关键点
大数据应用的三个关键点是数据从哪里来？数据怎么用？成果谁买单？
数据从哪里来？
关于数据来源，普遍认为互联网及物联网是产生并承载大数据的基地。互联网公司是天生的大数据公司，在搜索、社交、媒体、交易等各自核心业务领域，积累并持续产生海量数据。物联网设备每时每刻都在采集数据，设备数量和数据量都与日俱增。这两类数据资源作为大数据金矿，正在不断产生各类应用。国外关于大数据的成功经验介绍，大多是这类数据资源应用的爱游戏app下载。还有一些企业，在业务中也积累了许多数据，如房地产交易、大宗商品价格、特定群体消费信息，等等。从严格意义上说，这些数据资源还算不上大数据，但对商业应用而言，却是最易获得和比较容易加工处理的数据资源，也是当前在国内比较常见的应用资源。
在国内还有一类是政府部门掌握的数据资源，普遍认为质量好、价值高，但开放程度差。许多官方统计数据通过灰色渠道流通出来，经过加工成为各种数据产品。《大数据纲要》把公共数据互联开放共享作为努力方向，认为大数据技术可以实现这个目标。实际上，长期以来政府部门间信息数据相互封闭割裂是治理问题而不是技术问题。面向社会的公共数据开放愿望虽十分美好，但恐怕一段时间内可望而不可即。在数据资源方面，国内“小数据”、“中数据”应用并不充分，试图一步跨入大数据时代，借机一并解决前期信息化过程中没能解决的问题，前景并不乐观。另外，由于中国互联网公司业务主要在国内，其大数据资源也不是全球性的。
蓝皮书分析指出，数据从哪里来是我们评价大数据应用的第一个关注点。一是要看这个应用是否真有数据支撑，数据资源是否可持续，来源渠道是否可控，数据安全和隐私保护方面是否有隐患。二是要看这个应用的数据资源质量如何，是“富矿”还是“贫矿”，能否保障这个应用的实效。对于来自自身业务的数据资源，具有较好的可控性，数据质量一般也有保证，但数据覆盖范围可能有限，需要借助其他资源渠道。对于从互联网抓取的数据，技术能力是关键，既要有能力获得足够大的量，又要有能力筛选出有用的内容。对于从第三方获取的数据，需要特别关注数据交易的稳定性。数据从哪里来是分析大数据应用的起点，如果一个应用没有可靠的数据来源，再好、再高超的数据分析技术都是无本之木。
数据怎么用？
数据怎么用是我们评价大数据应用的第二个关注点。《大数据纲要》规划了许多大数据应用领域和方向，包括公共部门和产业领域，实际上是提出了许多需要大数据解决的问题或期待大数据完成的任务。如何解决这些问题，如何把数据资源转化为爱游戏平台，实现产品化，这是我们特别关注的问题。大数据只是一种手段，并不能无所不包、无所不用。我们关注大数据能做什么、不能做什么，现在看来，大数据主要有以下几种较为常用的功能。
追踪。互联网和物联网无时无刻不在记录，大数据可以追踪、追溯任何一个记录，形成真实的历史轨迹。追踪是许多大数据应用的起点，包括消费者购买行为、购买偏好、支付手段、搜索和浏览历史、位置信息，等等。
识别。在对各种因素全面追踪的基础上，通过定位、比对、筛选，可以实现精准识别，尤其是对语音、图像、视频进行识别，使可分析内容大大丰富，得到的结果更为精准。
画像。通过对同一主体不同数据源的追踪、识别、匹配，形成更立体的刻画和更全面的认识。对消费者画像，可以精准推送广告和产品；对企业画像，可以准确判断其信用及面临的风险。
提示。在历史轨迹、识别和画像基础上，对未来趋势及重复出现的可能性进行预测，当某些指标出现预期变化或超预期变化时给予提示、预警。以前也有基于统计的预测，大数据大大丰富了预测手段，对建立风险控制模型有深刻意义。
匹配。在海量信息中精准追踪和识别，利用相关性、接近性等进行筛选比对，更有效率地实现产品搭售和供需匹配。大数据匹配功能是互联网约车、租房、金融等共享经济新商业模式的基础。
优化。按距离最短、成本最低等给定的原则，通过各种算法对路径、资源等进行优化配置。对企业而言，提高服务水平、提升内部效率；对公共部门而言，节约公共资源、提升公共服务能力。
上述概括并不一定完备，大数据肯定还有其他更好的功能。当前许多貌似复杂的应用，大都可以细分成以上几种类型。例如，贵州推行的“大数据精准扶贫项目”，从大数据应用角度，通过识别、画像，可以对贫困户实现精准筛选和界定，找对扶贫对象；通过追踪、提示，可以对扶贫资金、扶贫行为和扶贫效果进行监控和评估；通过配对、优化，可以更好发挥扶贫资源的作用。这些功能也并不都是大数据所特有的，只是大数据远远超出以前的技术，可以做得更精准、更快、更好。当然，技术无法左右利益，贵州扶贫目标的完成，并不是有了大数据就万事大吉了。
成果谁买单？
成果谁买单是我们评价大数据应用的第三个也是最后一个关注点。道理很简单，不创造价值的应用不是好应用。能不能创造价值，关键看谁买单。我们不需要那些靡费公帑的“样板”工程、“面子”工程，也不需要那些炫耀神技、制造概念的创富故事。我们关注大数据的应用是否实实在在提升能力、改善绩效。如果大数据用于自身的产品设计、营销推广、资源配置，那就看企业竞争力是不是提升了，看企业最终是不是比以前更赚钱了。如果大数据用于为第三方提供服务，那就看是不是有人愿意付费、愿意持续付费。但如果是用于公共领域，还要看政府或公共部门的付费值不值，不仅仅是从出资方的视角看值不值，还要从老百姓的视角看值不值。
当我们面对一项大数据应用时，只要简单问一问上面三个问题——数据哪里来、数据怎么用、成果谁买单——就能揭开许多“伪装”。比如，许多应用并没有可靠的数据来源，或者数据来源不具备可持续性；还有些应用并没有技术或市场支撑，只是借助大数据风口套取政府部门或一些投资者的“傻钱”罢了。当然，如果经得起上述“大数据三问”，也并不一定算得上优秀，但也离优秀的大数据应用不远了。表1列举了本书中收集的几个案例，从数据来源、应用方式和创值空间三个角度，可以清晰揭示大数据是如何应用的。当然，这些案例反映的大数据应用既非面面俱到，也不是尽善尽美。我们希望通过这些实际的案例表明大数据应用踌躇前行的步伐和未来发展的前景。
工业大数据面临三大制约因素
1、工业大数据安全和开放体系亟待建立
数据安全和数据开放体系建立是工业大数据大规模应用的两个重要前提。如前所述，我国多数工业企业的信息化建设基本上均是由业务部门在业务开展过程中根据自身的局部需求出发，开展建设，缺少统一规划，形成了部门割据的信息化烟囱，导致数据编码不一致，系统之间不能相互通信，业务流程不能贯通。因此，我国工业企业无论在数据的总量上，还是数据的质量上，均和欧美发达国家制造企业存在较大差距，且由于行业垄断或商业利益等原因，数据的开放程度也不高。
另一个制约我国工业大数据应用发展的重要因素是政策法规体系不健全。工业大数据的开发和利用既要满足工业企业典型应用场景的业务发展需求，也要防止涉及国家、企业秘密的数据发生泄露。而目前，我国在工业大数据的利用、评价、交换以及信息安全保护方面的法律法规尚有待进一步健全，这在很大程度上抑制了工业大数据应用的广度和深度，不利于工业大数据生态系统的建设和培育。
2、基于工业大数据的企业管理理念和运作模式变革
随着体育设备、物联网技术、体育传感器、工业软件以及工业企业管理信息系统等在工业企业的广泛应用，综合利用各种感知、互联、分析以及决策技术，通过实时感知、采集、监控现场制造加工状况、物流情况、生产准备情况、技术状态管理情况，并开展数据挖掘分析，急需工业大数据平台和相关技术的支撑。
工业大数据应用目的是推动工业企业基于对内外部环境相关数据的采集、存储和分析，实现企业与内外部关联环境的感知和互联，并利用工业大数据分析技术开展挖掘分析，支撑工业企业基于数据进行决策管控，提升企业决策管控的针对性、有效性。
3、工业大数据人才缺乏制约产业发展
工业大数据技术应用的关键是揭示各种典型工业应用场景下，各种数据的内在关联关系，因此，工业大数据技术的应用者不但要掌握工业大数据的相关知识和工具，还需要深刻了解制造业典型业务场景，并结合工业大数据的分析和可视化展示情况，结合业务场景进行合理解读，此外，还需要结合业务场景进行爱游戏平台的制订和管理决策，以上工业大数据人才的要求将大大制约工业大数据产业发展进程。
整体上，工业大数据对复合型人才的能力需求更强烈，目前我国工业大数据的高级管理决策人才、数据分析人才、平台架构人员、数据开发工程师、算法工程师等多个方向均存在较大缺口，极大阻碍了工业大数据产业的发展。
工业大数据技术和应用的四大发展趋势
1、工业大数据应用的外部环境日益成熟
以工业4.0和工业互联网为代表的体育化制造技术已成为制造业发展的趋势，体育化制造技术的研究和应用推动了工业传感器、控制器等软硬件系统和先进技术在工业领域的应用，体育制造应用不断成熟，一方面正在逐步打破数据孤岛壁垒，实现人与机器、机器与机器的互联互通，为工业数据的自由汇聚奠定基础，另一方面进一步增强了工业大数据的应用需求，使得工业大数据应用的外部环境日益成熟。
2、人工体育和工业大数据融合加深
工业大数据的广泛深入应用，离不开机器学习、数据挖掘、模式识别、自然语言理解等人工体育技术清理数据、提升数据质量和实现数据分析的体育化，工业大数据的应用和安全保障都离不开人工体育技术，而人工体育的核心是数据支持，工业大数据反过来又促进人工体育技术的应用发展，两者的深度融合成为发展的必然趋势。
3、云平台成为工业大数据发展的主要方向
工业大数据云平台是推动工业大数据发展的重要抓手。传统的互联网大数据处理方法、模型和工具难以直接使用，增加了工业大数据的技术壁垒，导致工业大数据爱游戏平台非常昂贵，云平台的出现，为工业企业特别是中小型工业企业随时、按需、高效地使用工业大数据技术和工具提供了便宜、可扩展、用户友好的爱游戏平台，大大降低了工业企业拥抱工业大数据的门槛和成本。
4、工业大数据将催生新的产业
除了云平台，新的大数据可视化和自动化软件也能大大简化工业大数据的数据处理、分析过程，打破了大数据专家和外行之间的壁垒。这些软件的出现使得企业可以自主利用工业大数据，做相对简单的工业大数据分析，以及外包复杂的工业大数据应用需求给专业工业大数据服务公司，从而催生新产业，包括工业大数据存储、清理、分析、可视化等相关的软件开发、外包服务等。
国防大数据：抢占未来战争制高点的基石
大数据时代的国防建设需要新的国防战略思想体系来指导。未来作战是各军种一体化行动的联合作战，国防大数据生之于此，并可以更好地为未来联合作战服务。
国防大数据是大数据在国防与军事领域的应用，是保卫国家主权、统一，领土完整和安全而展开的军事活动所生成的各种数据资源，是综合了国防和大数据的需求，表现了国防大数据主要的内涵和特点。
国防大数据要求处理数据更高效、数据来源更可靠、数据安全系数更高，注重将重大国防和军事任务进行数据融合，注重信息防御和数据安全管理，例如国防动员数据、军事情报、战场的实时动态、武器使用维护数据等。掌握国防与军事大数据的优势，才能打赢未来信息化战争，真正地把握未来战场的主动权。
与传统的大数据概念相比，国防大数据综合了大数据定义和国防应用需求，它具有大数据的一般特征，又具有其独特的军事特性。归纳起来，它继承了传统大数据“4V”特点，又具有其独特的“6S”特性。
从规模（Volume）上讲，大量的国防大数据研发项目提供了丰富的情报来源，随着现代数据获取手段和能力的提高，国防数据已经达到了PB级规模；
从种类（Variety）上说，国防数据包括国防战略数据、国防动员数据、国防”科技数据、军事训练数据、装备保障数据等多种类型的数据，包含文本、图像、视频、音频、光电信等多种表现形式，种类混杂、处理难度高；
从速度（Velocity）上看，各类传感器、雷达、卫星产生的高速数据流，相比当前民用数据管理系统，写入速度大大加快；从数据价值（Value）方面分析，国防大数据对于国家安全、作战指挥、军事训练、行动决策、装备保障、军事ayx爱游戏平台下载管理等方面起着至关重要的作用。
一是超复杂性（Super Complexity），国防大数据涉及面广、种类多样、信息维度高、冗余度大，分析处理难度远大于民用大数据；
二是超保密性（Super Secrecy），军用数据直接关乎国家的安全，是敌方窃取的重点，需要更安全高效的保障；
三是高机动性（Speed Deployment），当前战场形势瞬息万变，战场环境复杂，国防大数据应具备陆海空天电网空间灵活调配和互联互通的能力；
四是高安全性（Security），国防大数据在处理、存储过程中更多地考虑是否遭受打击等问题，因此其环境保障能力应较强；
五是强对抗性（Strong Countermeasures），国防大数据在情报侦察、武器控制、军事训练等方面体现了非合作的特征，也时常出现数据伪装欺骗、数据非法窃取等现象；六是强实时性（Sooner），战场机会稍纵即逝，处理数据速度越快、指挥链越短，越能更快地抢占先机，赢得战争的胜利。
习近平主席曾在网络安全和信息化会议上指出：没有信息化就没有现代化，没有网络安全就没有国家安全，要制定实施国家网络安全和信息化发展战略、宏观规划和重大政策，不断增强网络安全保障能力，信息技术十分重要，在国防军事领域运用大数据技术势在必行，也是实现中国梦、强军梦的具体战略举措。因此，在数据日益开源的情况下，充分利用国防大数据的价值，对于国防和军事现代化建设具有重大意义。
首先，大数据是制订国防和军事战略计划的基础，构建国防和军事大数据技术平台，是科学制定国家战略的重要环节。大数据的重要特点之一是全数据，而不是样本数据，建立国防大数据仓库，可以详细记录和获取国防和军事领域所需要的全部数据，避免出现以偏概全的情况；通过对大量数据采集、分析、处理和配置，结合人工体育、计算分析等方法挖掘分析，可以发现有价值的规律，完成科学的预测，帮助制订合理有效的国防战略规划。
其次，大数据是进行信息化战争研究的重要手段，在战场情报获取、作战指挥决策等方面能够发挥重要作用。对战争的传统研究模式可以感知交战过程和作战结果，却无法模拟复杂多变的战场态势，无法呈现战争内在的关联和规律。运用大数据分析技术可以对各渠道得来的海量信息进行实时化、体育化处理和仿真模拟，更加科学地分配兵力兵器，形成高效的打击方案。
最后，大数据是打破体系内壁垒的有效方法。我军刚刚进行了一体化联合作战的改革，很多体制机制还不健全，原有的各军兵种之间的差异和壁垒很大。此前，各军兵种之间各自为战，各自拥有自主的指挥平台，没有实现互联互通，数据规模不等、格式不一、质量各异，无法实现共享。通过大数据加强一体化指挥作战平台的建设和数据共享，加强各基层部队搜集数据、存储数据、共享数据的意识，可大大提高体系作战能力。
当前，依靠经验直觉进行作战指挥的优势正在急剧下降，大多数军事强国已经认识到利用国防大数据的意义，将大数据技术作为国防科技发展的重要方向。美军投入巨额资金，确定了“数据支持决策、弹性系统设计、网络空间战、电子战与电子防护、反大规模杀伤性武器、自主系统和人工系统”等重点研究领域。对于我国来说，加强国防军事数据的发展建设也刻不容缓。充分利用国防大数据的潜在价值，树立大数据理念、完善制度机制、加强数据专业技术人才培养、构建大数据决策支持系统，对推动我国国防和军队建设具有重要的战略意义。
金融大数据将成为宏观决策和监管的新工具
目前业内的金融大数据强调在微观层面的应用，例如评价消费者的信用风险、支持投资决策、识别金融主体的身份等。随着大数据分析和挖掘技术的不断提高，微观的金融大数据可以经过整合、匹配和建模，来支持宏观的金融监管和决策。传统的金融监管和决策以定性为主，辅助以简化的量化指标，对实际情况缺乏充分的把握，而大数据技术可以充分利用底层的细粒度的微观数据，整合分散的信息，融合不同维度的信息，带来具有及时性、前瞻性和更为准确的决策支持，提高监管水平和决策能力。本节将以金融系统性风险管理、银行存款保险费率的计算、对欺诈交易的检测和经济结构变化四个方面为例介绍金融大数据在宏观金融决策和监管中的应用。
（一）金融关联的系统性风险管理
金融危机之后，全球金融市场的关联性远胜于过去。市场的互动性一旦大大加强，就会导致流动性风险和系统性风险，造成市场恐慌。国内的信贷担保圈（多家企业通过互相担保或联合担保而产生的特殊利益群体）就是金融关联的典型代表。由于信贷市场的发展，关联的企业越来越多，互相形成担保圈，甚至形成一张巨大的网。在经济平稳增长期，担保圈会降低中小企业融资的难度，推动民营经济的发展。然而，一旦经济下行，担保圈就会显露其负面影响——加剧信贷风险。如若处理不当，极易引发系统性金融风险。过去几年，在南方企业担保流行的省份，往往一家企业出现信贷不良，一群企业遭殃，一个行业陷入泥潭，整个地区面临系统性风险，一些本来毫不相干，资金链正常，经营良好的企业也由于担保关联，跌入破产的深渊。
信贷市场担保圈问题一度愈演愈烈，传统的担保圈分析方法对理解、处理担保圈问题作用有限。企业之间担保贷款本来是一种中性的信用增进方式，恰当地使用会产生风险释缓作用，由于担保圈风险迭出，银行和监管部门把问题归结到担保贷款本身，目前各家银行采取了比较严格的限制条款来避免担保贷款的发生。
任何信贷产品都存在风险，金融机构本身就是经营风险的专业机构。本文的研究认为，从专业角度来说，担保圈风险发生的根本原因，是缺乏合适的风险管理工具，没有对担保圈进行正确的风险管理。
目前对于担保圈的量化风险分析存在以下问题。
首先是缺乏担保圈全量的大数据，没有足够的信息支撑。各家银行和当地的监管机构只有局部的企业担保关联数据，构不成完整的担保圈视图，风险信息有缺漏。无法了解整个担保圈相关企业的详细信息，因此处理具有系统性风险特点的担保圈风险具有很大的局限性。
其次是无法对担保圈风险进行建模，对风险进行正确的量化描述。传统的风险分析工具都是对单个企业进行风险建模，适合对企业的贷款金额、贷款质量以及信贷行为建模，对于企业之间的关联关系无法进行量化描述和风险分析。
因此我国有必要借助大数据的复杂系统分析方法，启动对担保圈的深入分析，为化解因担保圈引发的金融风险创造条件。要考虑到如下条件：一是央行征信系统已收集了大量丰富的企业担保关系数据。截至2015年底，中国人民银行征信中心为2146万企业建立了信用档案，有信贷记录的企业超过596万家，关联关系信息（仅限于有贷款卡的用户）超过2亿条。二是复杂网络技术已日趋成熟。复杂网络是由数量巨大的节点（研究对象）和节点之间错综复杂的关系（对象之间的关系）共同构成的网络结构。复杂网络分析技术针对越来越多、越来越复杂的事物之间的关联关系进行非线性建模，可以较好地解决大数据的数据量（Volume）、数据复杂程度（Variety）和处理速率（Velocity）等基本问题。
随着金融市场的创新和发展，金融风险变得越来越复杂，需要更多的数据支撑和复杂的数学模型来量化描述，大数据技术将成为未来金融风险管理的利器。
（二）银行存款保险费率的计算
2015年5月，作为金融市场化进一步深入的重大举措，银行存款保险制度正式开始实施，这不仅有利于稳定宏观金融，也对利率市场化后商业银行的稳健经营和有序竞争有利。存款保险费率的厘定是存款保险制度的一个核心，而保费的估算是设计存款保险方案中的难题之一。保费结构的设计，在很大程度上决定了存款保险对于参保银行的可接受度。想降低道德风险并减少逆向选择，取决于合理的保费结构。国内对于银行存款保险的研究以定性为主，对保险费率计算的量化分析比较欠缺。
从国外信贷数据的应用情况来看，信贷数据有助于银行监管者准确评估监管对象的信用风险状况。对于建立了公共征信系统的国家来说，风险分析技术可以成为有效的监管工具，由于银行业的危机通常和高的不良贷款率相关，信贷数据常常用于信贷市场监控和银行监管，是银行监管统计数据的补充。因此，央行信贷大数据不仅可以帮助商业银行管理信用风险，还可以支持监管和宏观经济分析。未来的研究可以利用信贷大数据，基于预期损失模型来计算银行存款保险费率，从最基础的信贷数据单元开始计算，给保费制定提供更加及时、准确的决策支持。
（三）进行精细化的金融监管
技术进步加上日益复杂的市场，会使得金融监管机构的工作变得艰难复杂，但大数据技术的发展提供了化解之道，让金融市场维持良性运转成为可能。如金融监管机构正利用计算和“机器学习”算法的最新进展，扫描金融市场信息和公司财报，从中找出欺诈或市场滥用行为的蛛丝马迹。这些基于大数据分析技术的新型监管工具是金融交易欺诈侦查的未来，有越多的数据积累，其功能就将越强大。美国证交会几年前就推出了一个被称为“机械战警（Robocop）”的计算机程序（学名“会计质量模型”），用证交会的金融数据库检查企业利润报告，从中搜寻可能隐藏的异常行为——激进的会计手法或赤裸裸的欺诈。“机械战警”的具体情况、手法，透露给外界的信息甚少，但其基本思路是：通过大数据分析，发现多个可能暗示着潜在会计问题的重要指标。
（四）观测产业结构调整的新角度
金融大数据的深入挖掘还可以反映宏观经济变化的规律。例如，可以通过信贷大数据来观测产业结构的调整。截至2015年底，2146万户企业及其他组织被收录进企业征信系统，有596万户拥有信贷记录，该系统累计提供信用报告查询服务6.1亿次。该系统数据有三大特点：
一、全面，数据采集覆盖了国内绝大部分金融机构；
二、真实，所采集数据来自金融机构实际发生的每笔信贷业务，统计结果得自每笔业务数据汇总相加，数据可追溯从而可还原每笔明细；
三、时间跨度长，企业征信系统始自银行信贷登记咨询系统，2005年起提供对外服务，已运行了十年有余，意味着系统收集的数据超过十年，因此，对于分析国内企业的行业行为和行业情况很有价值。例如可以将这些账户级的信贷数据，逐层整合成企业级和行业级，利用大数据挖掘、分析，从信贷市场角度剖析产业结构的变化。
蓝皮书指出，金融大数据分析可以成为宏观金融决策和监管的有力工具，可以在市场化金融发展的过程中发挥重要的作用。与微观金融大数据的应用方面很多金融科技公司没有足够的金融大数据的情况不同，国内的金融大数据都掌握在政府和监管部门的手中，金融大数据的宏观应用有着良好的数据条件，更容易见到成效。
旅游大数据将支持智慧旅游城市建设加快推进
蓝皮书指出，大数据城市建设，核心是要打破信息壁垒，通过信息共享互通，提高效率，将一个个“信息孤岛”有效地串联起来，将信息高速公路转化为现实的产业生态体系建设，形成“线上一条路，线下一个圈”的线上线下联合发展模式，充分体现出“智慧”的特点。依托旅游大数据，形成以智慧城市基础设施为依托，以各级旅游集散中心为枢纽，以旅游大数据平台为信息中枢，以智慧旅游技术产品应用为媒介的分析系统，为旅游者提供导航、导游、导览、导购的全程式旅游服务。同时，通过基于大数据“云+端”的架构处理，确保旅游监管系统、旅游信息发布系统、景区管理系统数据的统一。例如遵义市重点开发了旅游资源基础数据库和旅游大数据分析系统，并在景区的游客中心、宾馆饭店大堂、大型商场影院、机场、汽车站、火车站等客流密集区或重要节点安装智慧旅游多媒体查询显示屏。通过这种面向市场一线的架构处理，监管部门可确保多种系统运营的同步性、统一性和即时性。
旅游大数据平台可以收集互联网，例如论坛、博客、微博、微信、电商平台、点评网等有关旅游评论数据，通过网评大数据库进行分词、聚类、情感分析，了解游客的消费习惯、价值取向，从而全面掌握旅游目的地的供需状况及市场评价，为政府和涉旅企业做决策提供依据。如百度大数据产品百度预测已初步具备类似功能，可以预测景区未来两日的人流及舒适度，为游客出行提供指导。
（来源：中国大数据网）
