搞清楚什么数据，数据结构，数据来源，数据含义，数据上下文，数据质量，数据局限性等等，是很麻烦的。数据湖和数据仓库的区别是什么？在数据湖中，您可以存储不需要结构化的数据，因此可以运行不同类型的分析，在大多数情况下，我们会发现数据的元数据缺失，数据的描述文档不存在或者文档中几乎没有有用的内容。
1、干货-钢企决策智能系统案例分享
钢铁行业是我国重要的原材料行业之一，迫切需要由“大”向“强”升级。在上一篇文章中，我们从奥林技术交付团队的角度分享了传统企业数字化转型的主要难点和痛点。本期分享钢铁行业数字化转型案例。大型钢铁集团是生产能力1000万元以上、纳税100亿元以上的大型钢铁联合企业。作为国内钢铁龙头企业，准备进一步落实新旧动能转换要求，计划通过减量置换建设先进的钢铁生产基地。
然而，这个钢铁集团的信息系统也面临着新的挑战:1 .数据的自挖掘率低。信息化存在很多问题，比如人工输入调整，多方输入导致数据不一致，信息及时协调错位等。2.信息闭环没有形成。数据分析存在核心数据管理无法独立升级、数据访问性能有风险、数据使用方式单一、系统内信息处理闭环未完全形成、数据分析能力相对较弱等问题。3.优秀的经验和知识没有固化。
2、铁打的云从科技流水的客户!亏损27亿上市背后为何AI企业难赚钱?
从云科技7月20日成功过会，率先与师旷科技、商汤科技、易图科技AI展开上市竞争，公司因此成为科创AI第一股。2018-2020年，从云科技累计亏损26.84亿元，此次在科技创新板公司募集资金37.5亿元。科技创新板上市也意味着公司可以缓解常年亏损带来的资金压力。AI公司赚钱太难了。相关报告显示，全球近90%的AI公司处于亏损状态，10%盈利的企业基本都是技术提供者，中国AI产业链90%以上的企业也处于亏损阶段。
3、中石油与华为联手,将60年石油勘探开发数据装进这个平台
中国石油集团有限公司(以下简称中石油)公布数字化转型最新进展。11月27日，中国石油在北京召开勘探开发梦想云2020发布会，发布了面向油气行业的工业互联网平台梦想云。中国石油勘探开发研究院首席专家龚在发布会上表示，该平台是一个通用、开放、可扩展的石油勘探开发人工智能计算平台，采用华为的云知识计算解决方案。
中石油希望该平台能够降低人工智能应用的门槛，为油气勘探开发的科研和生产管理提供智能分析手段，进一步帮助油气勘探开发实现“增储增产”和“提质增效”的目标。据中石油介绍，梦想云是目前国内油气行业最大的工业互联网平台，也是国内石油行业最大的拥有自主知识产权的数字技术平台。平台管理了中石油60多年的勘探开发数据，覆盖16个油气田公司、45万多口井、2.6万多个站库，积累了5PB的核心数据资产。
4、与数字经济有关的股票
第一只股票是易华录，在深圳创业板上市。该公司已经转型为一家数据湖企业。今年上半年，数字经济基础设施收入同比增长超过50%。公司以地方数据湖项目公司为基础，为地方企业提供数据资产服务和数据运营服务。第二只股票是数字郑桐，它也在深圳创业板上市。【扩展信息】数字经济作为一个经济概念，是人类识别、选择、过滤、存储和使用大数据(数字知识和信息)，引导和实现资源快速优化配置和再生，实现经济高质量发展的经济形态。
5、大数据失败案例提醒8个不能犯的错误
大数据失败案例提醒:不能犯的8个错误近年来，大数据旋风以“闪电般的速度”席卷全球，不仅在信息领域，也在经济、政治、社会等诸多领域，准备在其中占有一席之地。然而，很多公司进入大数据领域后都遭遇了“滑铁卢”。在此，本文盘点了一系列大数据失败项目，并深究原因，具有警示意义。过于相信数据。2008年，谷歌首次开始预测流感，并取得了不错的效果。它比美国疾病控制和预防中心提前两周预测了流感的爆发。
媒体夸大了谷歌的成功，越来越多的人出于好奇搜索相关关键词，导致数据失真。低估大数据的复杂性。美国有几家专门做中小企业贷款的互联网金融公司。而中小企业贷款涉及的数据比较复杂，中小企业涉及到一些非常特殊的全行业数据，比如不同行业、不同范式的非标财务报表、合同等。他们没有很专业的知识，很难理解或者有时间去准确的挖掘出来。
6、复杂与失控的现实大数据平台的思考
复杂失控的现实:对大数据平台的思考“在大数据行业工作了这么多年，相信大家都有一种在泥潭里挣扎的感觉。搞清楚什么数据，数据结构，数据来源，数据含义，数据上下文，数据质量，数据局限性等等，是很麻烦的。在大多数情况下，我们会发现数据的元数据缺失，数据的描述文档不存在或者文档中几乎没有有用的内容。为了明确一项新任务的数据，我们可能需要咨询许多不同的人，每个人对数据的陈述并不完全一致。所有相关方沟通几次后，才能大致理清数据的概况。
自然，面对这些问题，我们会想，是否有一个平台可以有效地管理数据和数据利用的各个方面，让我们轻松了解数据的来龙去脉，借助各种强大的功能，非常方便我们轻松解决数据处理、数据探索、特征工程、分析建模乃至生产应用。简而言之，我们希望这个平台能够管理一切，管理所有关于数据、项目、工程的信息。
7、数据实现集中控制是数据处理的什么阶段?
这句话侧重于数据处理。如果有什么的话，我感觉如果数据处理集中的话，可以按照它的分段来处理。如果数据是集中的，那么一定是为了方便和更好的控制他。1.人工管理阶段:特征数据的管理者:人数据面向对象:一个应用数据的共享程度:无共享，冗余大；数据的独立性:不独立，完全依赖于程序数据的结构:非结构化数据控制能力:应用程序自己控制；文件系统阶段:特征数据的管理者:文件系统数据面向对象:一个应用数据的共享程度:共享性差，
8、银行或金融单位的数据分析岗需要具备什么能力?
银行推进数字化大数据的基本能力未来十年，大数据能力是银行的核心竞争力。全球各大银行都将建设大数据能力作为核心战略，积极投入市场营销、风险管理和运营管理。调查显示，大数据可促进交叉销售业务增长1030%，降低信贷成本1015%，降低后台运营成本2025%。但银行在大数据应用领域仍面临挑战。我们认为，国际领先银行从四个维度培育大数据能力:一是建立“数据湖”，完善数据基础设施。
通常每个项目都有单独的数据集，这导致数据集数量惊人，合并数据库的成本很高。由于上述原因，一些领先的公司转向了全行通用的数据系统通用分析层，从分散的数据源中提取数据，并将所有数据以非结构化的形式存储在数据系统中。所有数据都处于初始状态，没有经过典型的数据仓库处理，如结构化、集成或过滤。
9、数据湖和数据仓库的区别是什么?
01数据仓库(DataWarehouse)又称企业数据仓库，是一种面向主题的、集成的、相对稳定的反映历史变化的数据收集和存储系统。它聚合来自不同来源的结构化数据，以便在商业智能领域进行比较和分析。数据仓库是一个包含各种数据的存储库，并且是高度模型化的。数据仓库系统的功能可以实现跨业务线、跨系统的数据集成，为管理分析和经营决策提供统一的数据支持。
数据仓库在实时数据处理和非结构化数据处理方面较弱，在预警和预测方面的应用有限。02 DataLake数据湖(DataLake)是Pentaho公司的CTOJamesDixon提出的数据存储概念，即在系统或存储库中以自然格式存储数据的方法，作为一个集中式存储库，data lake可以存储任何规模的结构化和非结构化数据。在数据湖中，您可以存储不需要结构化的数据，因此可以运行不同类型的分析。