时间：2023-03-22 17:44:50
引言：易发表网凭借丰富的文秘实践，为您精心挑选了九篇大数据金融论文范例。如需获取更多原创内容，可随时联系我们的客服老师。
福建 厦门361005；3.英国诺丁汉大学
>> 大数据时代的供应链物流服务 双渠道供应链中的价格决策与服务决策研究 从绩效驱动因素看大数据时代的供应链变革 非对称信息下双渠道供应链的定价决策分析 大数据环境下供应链金融模式研究 大数据视角下电子商务平台供应链金融的研究 大数据时代下的我国供应链金融发展形态研究 供应链管理中的大数据运用 大数据驱动下的图书馆服务创新 随机需求下产能充足双渠道供应链决策问题探讨 需求不确定环境下闭环供应链回收渠道决策研究 电子商务环境下“双渠道供应链”决策问题研究 全供应链下的库存管控 碳交易风险下供应链企业低碳技术采纳决策框架研究 供应链管理框架下的零售渠道合作 基于研发投入的双渠道供应链决策优化研究 网上代销双渠道闭环供应链的定价与协调决策 浅析在大数据时代背景下如何提升物流供应链价值 SaaS服务供应链的创新结构研究 试论供应链金融服务创新 常见问题解答 当前所在位置：l.
[48]武汉市五交家电商业协会.关于2013年全市家电行业发展情况和2014年行业发展建议[R/OL].[2014-04-15]..
[49]冯芷艳，郭迅华，曾大军，陈煜波，陈国青.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-9.
[50]Ernst & Young.Globalonlineretailing[EB/OL]..
[51]徐思雅.服务创新能力对企业绩效的影响：商业模式新颖性设计的调节作用[D].杭州：浙江大学论文，2014.
【关键词】互联网金融 大数据 商业银行
一、绪论
（一）背景
随着我国互联网是迅速发展，互联网模式迅速占据各行各业，而我国的互联网经济也取得了飞速的发展。截止2015年我国的网民已经达到了9亿人，这个庞大的数字表明我国的互联网市场的巨大潜力。此外，政府的大数据政策也开始向互联网行业倾斜，表明了互联网大数据时代的美好机遇的到来。互联网金融的融资理财等模块的发展也取得了很大的进步，第三方支付交易规模已经达到了11.9万亿，第三方移动支付交易规模达到了9.5万亿。
通过在大数据背景下研究互联网金融的盈利模式，可以对于我国今后互联网金融的发展提供良好的理论基础，同时针对大数据环境下互联网金融和传统金融相比存在的优劣势做出对比，可以为传统金融的转变提供良好的方案此外为互联网金融的问题给出良好的解决措施，从而有利于我国互联网金融的健康发展。
（二）相关理论和概念
互联网金融是传统金融行业与互联网精神相结合的新兴领域。互联网“开放、平等、协作、分享”的精神向传统金融业态渗透，对人类金融模式产生根本影响，具备互联网精神的金融业态统称为互联网金融。
“大数据”是指以多元形式，自许多来源搜集而来的庞大数据组，往往具有实时性。在企业对企业销售的情况下，这些数据可能得自社交网络、电子商务网站、顾客来访纪录，还有许多其他来源。这些数据，并非公司顾客关系管理数据库的常态数据组。
博弈论又被称为对策论（Game Theory）既是现代数学的一个新分支，也是运筹学的一个重要学科。博弈论主要研究公式化了的激励结构间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。
二、传统金融盈利模式分析
（一）传统金融机构盈利模式分析
广义上说我国传统的金融机构有银行，基金，保险，证券公司等，这些公司都属于我国传统进行机构，传统金融的盈利模式分为不同的机构进行简单介绍。
1.银行。我国的银行主要盈利模式是吸纳存款给存款人发放利息，同时对外房贷，收取贷款利息，其中贷款利息和存款利息的差额就的利润，中间业务收入，同行拆借，承兑汇票贴现利息收入，信用证，托管业务等。这些构成了银行的盈利来源。
2.证券。证券是多种经济权益凭证的统称，因此，广义上的证券市场指的是所有证券发行和交易的场所，狭义上，也是最活跃的证券市场指的是资本证券市场、货币证券市场和商品证券市场。
3.保险。保险公司（insurance company）是销售保险合约、提供风险保障的公司。保险公司可以这样分类：人寿保险公司和财产保险公司。按照中华民国保险法之规定，两者必须分开经营。所以有的保险公司成立了集团公司，下设独立核算的人寿保险公司和财产保险公司。再保险公司是保险公司的保险公司，对保险公司承担的风险进行分散和转嫁。
（二）传统金融在互联网背景下发展的局限性
第一，产品品种优势不明显，投资门槛高，客户体验度差。银行的流程繁琐和复杂，使得一些客户避而远之，加上银行近些年的理财产品不以客户为中心，客户理念差。
第二，渠道单一。对于传统金融机构来说，更多的是来自物理渠道的客户，商业银行的客户群体多来自网点的客户，而线上客户缺乏，也没有线上客户来源，线上市场推广策略缺乏，缺乏市场前瞻性。
第三，传统的管理战略思想导致银行发展缓慢。银行带有浓重的政治色彩，一直都是国家控股，对于银行的战略管理也是以国家战略管理为核心而展开的，因此，银行的变革一直在比较缓慢的。
第四，缺乏良好的人才选拔机制和内部晋升渠道。现代管理中，具有竞争力的人才才能给公司带来发展，银行人才的竞争和选拔也缺乏合理性，传统银行很多都是关系户，导致银行内部人才缺乏公平竞争机制。
三、互联网金融盈利模式分析
（一）互联网金融的运作模式
第一，第三方支付企业指在收付款人之间作为中介机构提供网络支付、预付卡发行预受理、银行卡收单以及其他支付服务的非金融机构。代表企业：支付宝、易宝支付、拉卡拉、财付通为代表的互联网支付企业，快钱、汇付天下为代表的金融型支付企业。
第二，P2P小额贷款。P2P金融又叫P2P信贷，指个人与个人间的小额借贷交易，一般需要借助电子商务专业网络平台帮助借贷双方确立借贷关系并完成相关交易手续。
第三，众筹融资模式。众筹融资模式是基于“互联网+金融”所创新的一种模式，意义不仅在金融创新本身，而在于对传统金融领域和金融业态提出的挑战，并且在一定意义上具有颠覆性。
第四，虚拟电子货币模式。虚拟货币是一种计算机运算产生或者网络社区发行管理的网络虚拟货币，可以用来购买一些虚拟的物品，也可以使用像比特币这样的虚拟货币购买现实生活当中的物品。
（二）互联网金融主要盈利收入来源
我国目前互联网金融发展迅速，很多的经营模式以规模制胜，P2P模式中的主要利润来源是赚取中间的差价，借款人和贷款人之间的利息差为主要利润来源。虚拟货币的主要利润来源就是卖虚拟货币的收入扣除相应的成本之后所得利润。对于众筹融资模式来说，盈利模式大多数以收取佣金的形式来实现收益，其次，很多众筹平台也采取分成模式或广告模式，也就是众筹成功之后从其收取一定的广告费。
四、大数据及互联网金融视角下国有商业银行盈利模式研究
（一）博弈论角度分析商业银行和互联网金融选择
1.假设前提
第一，金融市场中只存在了商业银行和互联网金融两个参与者。
第二，经济人假设。商业银行和互联网金融机构是两个理性经济人，以个人最大利益为出发点，基于自身利益最大化做出决策。
第三，在应对互联网金融同时商业银行可以采取措施有合作和不合作，即选择集合为（合作，不合作）。互联网金融在应对商业银行时采取的措施有合作和不合作两种选择，即选择集合为（合作，不合作）。
第四，互联网金融和商业银行的博弈过程是完全的信息动态博弈，即在博弈过程中，商业银行很清楚的了解到互联网金融的交易模式及其有点，在互联网金融机构也了解商业银行的优势所在。
2.博弈过程
商业银行和互联网金融博弈模型
博弈过程的开始我们以商业银行首先做出选择，上图所示。最上方商业首先进行选择信息集（合作，不合作），如果商业银行选择不合作，那么博弈结束，各自都以自己的利益最大化为目标开始自己的发展。
如果商业银行选择合作，那么就开始由互联金融机构开始选择，这个时候互联网金融机构可以选择合作还是不合作，选择不合作，那么互联网金融机构就可以借助商业银行的优势综合自己的优势来大力发展自身，而商业银行则不能利用互联网金融的优势去发展自身。如果互联网金融机构选择合作，那么相互之间就可以进行优势互补，从而达到双赢的局面。
从上图可以看出来，商业银行在博弈中的处境和地位，选择不合作那么就会处于劣势，可能会被互联网金融抢占原有的市场，如果选择合作的时候，互联网金融业选择合作那么双方都可以得到一个很好的发展局面，如果互联网金融不选择合作，那么商业银行就会成为牺牲品，优势被互联网金融所利用，逐渐被互联网金融边缘化。
互联网金融机构选择是否合作，都可以看得出来其的发展结构。如果选择不合作，那么必然受到道德风险的阻碍，根据自身利益最大化做出选择，那么在短期内必然受到信用方面的负面影响。所以从长远来看，互联网金融机构根据自身利益最大化原则是比要和商业银行进行合作。如果为了避免不合作情况的发生，商业银行会选择与互联网金融机构签订一份相互合作的协议，以维持合作的状态。
（二）大数据互联网背景下商业银行创新盈利模式
互联网迅速发展，商业银行的客户大数据必然是其发展的基础。大数据能力将成为银行的核心竞争力。所谓的“核心竞争力”，关键的要素是“不可复制”、“不可替代”。
数据是大银行的战略资产。随着数据挖掘技术的发展，银行可谓是数据密集型行业，其资产不仅是贷款等，还包括数据。要把数据作为重要资产保护、经营，这是大银行区别于小银行，也是现代银行区别于传统银行的关键之处。而且数据财富是没有天花板的，可以不断挖掘、不断创造，最近国际上很多机构都在探讨如何量化数据等无形资产的价值。
商业银行通过对自己原有客户群体的数据挖掘提炼客户需求，提高客户服务质量，从而改变当前银行的困局。创新服务模式，提高服务效率和便捷性。每个用户都会办理银行卡，利用这个基础进行相关客户端软件安装，对于有余额的客户提供理财服务，发展互联网银行多种理财方式和渠道。
未来商业银行的业务模式中将转移到以大数据客户资源为核心，以数据资源为主要竞争力量和利润来源，来扩大和发展银行相关业务。
五、结论
在以网络化和大数据化为特征的新经济时代，金融和大数据交叉融合，大数据由助于提升金融市场的透明度，通过从海量的数据中快速获取有价值的信息以支持商业决策，进一步推动金融业发展，大数据促进互联网金融企业实现精准营销，提高客户体验度。
[关键词]互联网金融；风险；监管层面
[中图分类号]F832[文献标识码]A [文章编号]1673-0461（2014）08-0035-04
互联网金融监管之棋局
李丹
（西南政法大学，重庆401120）
[摘要]大数据时代背景下，互联网技术的突飞猛进、金融垄断的困境以及民间借贷政策的宽松为互联网金融在中国兴起提供了合适的“土壤”，作为有别于传统金融的新模式，其在中国的出现形成了一场新的棋局。在此新局中，互联网金融有不同于传统经济的风险类型――数据获取、技术缺陷、迷信速度、网络安全和权力异化，风险特征也异于传统金融――扩散快、主体脆弱、易交叉传染，而给“当局者迷”带来了困惑，因此破解此迷局时，要结合其风险从交易技术、交易结构、权力契约三个层面理清互联网金融的监管体系，破解这一“迷局”促进互联网金融的进一步健康发展。
[关键词]互联网金融；风险；监管层面
[中图分类号]F832[文献标识码]A [文章编号]1673-0461（2014）08-0035-04
[参考文献][1] 齐爱民，陈文成.网络金融法[M].湖南：湖南大学出版社，2002:1.
[2] 姚文平.互联网金融[M].北京：中信出版社，2014：20.
[3] 宫晓林.互联网金融模式及对传统银行业的影响[J].南方金融，2013（5）：88.
[4] 韩壮飞.互联网金融发展研究[D].开封：河南大学硕士论文，2013：21.
[5] 姚文平.互联网金融[M].北京：中信出版社，2014：9.
[6] 黄健青，陈进.网络金融[M].北京：电子工业出版社，2011：188.
[7] 李耀东，李钧.互联网金融框架与实践[M].北京：电子工业出版社，2014：458.
关键词：大数据 环境 数字图书馆 安全威胁 对策 分析
中图分类号：G250 文献标识码：A 文章编号：1672-3791（2017）02（c）-0219-02
大数据是当前社会发展中非常重要的组成部分，在大数据时代下，我国的图书馆管理也实现了高新技术的层面，图书馆数据流量也呈现出了级数非线性增长，大数据环境的主要特点是数据量大，高速且高价值。这也使得图书馆数据系统的复杂程度以及数据的管理难度有了极大的增加，大数据平台也逐渐成为广大黑客攻击的主要目标，基于此，如何保证在大数据时代下，图书馆数据平台的安全问题也就成为了当前主要的研究课题，怎样有效利用大数据技术来构建智能图书馆，这对于提升图书馆的市场竞争能力都是非常有帮助的。
1 大数据时代下数字图书馆说面临的安全威胁
1.1 数据中心IT系统安全需求
随着我国图书馆现代化的不断深入，图书馆系统也在不断的更新换代当中，在图书馆体系的运用上，系统要求安全检测具备更加广泛的深度和需求，这样一来就会导致图书馆数据中心系统的能耗急剧增加，档子运行的整体速度大幅度的下降，所以，我们在研究大数据的时候，一定要保证图书馆数据中心系统部署可以真正的满足用户服务的需求，进而创建一个科学高效的图书馆系统架构，这也是当前图书馆系统深入部署的有效前提，一般来说，传统的图书馆系统环境下，数据中心会设置相关的防范产品来控制数据流量的安全检测，而由于这些传统的安全策略对图书馆系统资源的耗能是非常大的，在加上图书馆数据流量总是出现延迟和数据丢失等问题也是非常的明显，很明显现在已经不能适应大数据时代下图书馆高校、快速的服务需求，在大数据环境下，图书馆在用户服务的时候还有可能会面临着木马、病毒等安全方面的威胁，除此之外，黑客还可以利用云计算以及大数据等技术手段对新模式进行攻击，所以，图书馆在复杂的大数据安全环境中，着呢用用加速、负载为单一的操作，对数据流在应用过程中只是做单一的处理，这也是为了能够进一步消除数据流在安全检测中出现延迟故障。
1.2 大数据给图书馆带来了新安全问题
随着大数据技术在图书馆应用的不断加深，图书馆数据环境具有海量存储、计数递增等特点，与此同时，数据结构模式以及数据类型的多样性特点也是非常明显的，这也导致数据处理的格式其可变性和处理速率也更加的不确定。
在大数据时代，图书馆对云计算计数的依赖性也在不断的增强，因此要求图书馆与云服务商要签署符合大数据环境的云服务租赁协议。明确双方的权利和义务。除此之外，云服务的安全保障有效性和安全管理效率也要有本质上的提升。这也与图书馆大数据应用安全息息相关。
除此之外，虚拟化技术也是当前我国图书馆大数据应用中非常重要的技术手段之一，数据虚拟化技术是一种允许用户访问和管理的方法，图书馆在利用虚拟化技术来改善图书馆系统的同时，也极大的降低了运营的实际成本，面临着数据中心系统设备异构化等安全问题。
1.3 黑客会利用大数据技术对图书馆发起攻击
在图书馆利用大数据技术提高服务质量以及获取读者需求的时候，黑客会运用大数据技术向图书馆发起攻击，首先，图书馆大数据平台存储着大量的系统管理以及用户服务等数据信息，这些信息大部分都是客户的私密信息，而黑客通过对获取的大数据资源进行分析，能够明确图书馆的系统运营特点以及安全防范的相关措施，能够运用大数据决策对图书馆发起非常精准的攻击。
其次，由于大数据时代下的图书馆网络具备非常强的社会化属性，网络数据还附带复杂、敏感等特点，因此网络数据平台已经完成了不同图书馆大数据平台的数据整合与资源共享。
1.4 读者自身面临的威胁
在大数据时代下，图书馆主要是通过对用户行为数据的健康和采集来获取读者的个体特征，这些数据在确保图书馆用户服务质量的同时，也面临着泄露用户信息的威胁，而为了进一步的提高系统管理与用户服务决策的有效性，图书馆会通过扩展用户数据采集的对象来不断提升大数据几何的数据价值。
首先，数据拥有者能够通过对大部分无关的数据分析来获取用户的隐私信息，由于体术管对一些相对比较敏感的数据没有一个明确的界定，这一状况也使得很多机遇大数据的图书馆所有权和使用权也没有明确的界定。
其次，随着读者个性化阅读的不断提升，读者运用移动阅读的频率越来越高，现如今已经成为大数据时代下消除时间、地域、阅读环境以及阅读能力的主要模式。但是由于移动月底在带给读者阅读便利性的同时也间接的泄露了用户的个人信息。
2 基于大数据的数字图书馆安全防范策略
2.1 增强安全防御能力
2.1.1 现安全威胁
首先，我们的图书馆在利用大数据技术保护系统与服务安全的时候，我们的研究人员要对提供监控设备采集的大数据安全资源进行综合的分析，明确恶意攻击的来源，与此同时，还要通过对相关的安全指标数据关系来挖掘数据信息的价值，进而实现对非法攻击者的精准预测。
其次，在构建安全管理大数据平台的时候，要尽量使用一些技术相对成熟且兼容性强的数据来分析图书馆数据流，针对图书馆大数据服务于安全管理的相关需求来制定专业的大数据资源，增强图书馆基于大数据安全威胁发现的主动性。
2.1.2 构建基于大数据安全威胁与防御能力的评估评价体系
大数据安全威胁与预防能力的评价主要是针对当前我国图书馆精准评估安全威胁等级和安全防范能力的关键体系，图书馆基于大数据的安全威胁评估评价体系是图书馆服务信息与系统管理数据传输的重要载体，由于网络安全关系着图书馆管理与服务安全的可靠性，所以，图书馆在数据中心的网络传统评估中，要平均的在网络上部署大量的安全检测数据采集设备，进一步保证安全评估平台的全面性和准确性。
2.2 保证云计算计数和虚拟化数据的安全
在当前的大数据环境下，图书馆一般都会采用租赁等方式来采集图书信息，除此之外，我们的研究人员在对云服务平台的数据进行管理的传输的时候，图书馆最好是根据高校的计算机管理系统来实现对数据的自动化管理，不断加强对读者阅读行为的安全管理，通过建立全面、高校的监控网络来进一步实现对数据流的全程较差监管，这样也能够有效的避免数据出现非法监听和窃取。
2.3 制定实施科学的大数据安全管理策略
首先，大数据安全管理平台想要真正的实现安全管理和相关流程的整合，让我们的图书馆能够根据大数据安全信息来完成相关安全事件的管理和分析工作，因此需要我们的研究人员在对图书馆监控设备采集数据信息的时候，要对数据进行预先的处理，只有保证了数据格式的标准化之后，才能够真正的用于图书馆管理和运用。
其次，图书馆安全管理平台还要通过实时的监督管理系统来对图书馆安全威胁问题进行检测和评估，并根据安全管理平台数据反馈来实现对图书馆大数据运用平台的参数设置，提升图书馆安全管理的强度。增强图书馆管理系统的整体效率。
3 结语
大数据自身的复杂性和多样性特点使得在大数据环境下的图书馆出现了很多的不可预测攻击行为，导致图书馆大数据资源在采集的过程中经常会出现很多的问题，我们此次主要针Φ鼻拔夜大数据时代下现代化图书馆的安全威胁问题进行了详细的分析和研究，并针对出现的问题提出了几点可行性的解决建议，希望可以为我国的图书馆安全问题提供有效的帮助。
参考文献
[1] 蔡津津，郜新鑫，付建俐.基于业务元数据标准化的金融财经数据仓库及服务系统架构探讨[C]//中国新闻技术工作者联合会2012年学术年会、五届四次理事会暨第六届“王选新闻科学技术奖”的“人才奖”和“优秀论文奖”颁奖大会论文集.2012.
[2] 周为钢，杨良怀，潘建，等.论智能交通大数据处理平台之构建[C]//第八届中国智能交通年会论文集.2013.
[3] 乔向杰.基于大数据的旅游公共管理与服务创新模式研究[C]//北京两界联席会议高峰论坛文集.2013.
[4] 谭胜淋，陈曦.大数据的标准化研究[C]//市场践行标准化――第十一届中国标准化论坛论文集.2014.
[5] 包磊，罗兵，孙越林.大数据时代的态势评估技术思考[C]//2014第二届中国指挥控制大会论文集（下）.2014.
[6] 尹素格，王健，张桂刚，等.大数据技术在精确空投系统中的应用[C]//2014第二届中国指挥控制大会论文集（下）.2014.
[7] 刘春琳，冷红.基于大数据挖掘的城市关注平台的构建与应用[C]//城乡治理与规划改革――2014中国城市规划年会论文集（04城市规划新技术应用）.2014.
[8] 飞.大数据时代中国期刊的发展机遇与探索创新[C]//第十二届2014全国核心期刊与期刊国际化、网络化研讨会论文集.2014.
[9] 朱力纬，刘丽勤，王健.高校基于大数据时代的数字化校园建设研究[C]//中国高等教育学会教育信息化分会第十二次学术年会论文集.2014.
[10] 孙圣力，郑志高，王平，等.RTDP系统网络体系结构及其关键技术[C]//.2013年全国通信软件学术会议论文集.2013.
[11] 张岚，郭俊杰.信息安全风险评估的安全措施探讨[C]//2011年通信与信息技术新进展――第八届中国通信学会学术年会论文集.2011.
[12] 韩俊，刘晓婷.科技期刊在“云时代”所面临的机遇和挑战[C]//科学评价促发展，品质服务谋共赢――第九届（2011）全国核心期刊与期刊国际化、网络化研讨会论文集.2011.
关键词:大数据企业财务管理挑战变革
21世纪是信息化、数字化和网络化时代。数字信息逐渐渗入我国企业的血液，企业如何利用数据信息提高财务管理的水平，为企业领导提供科学可靠的决策依据，是企业发展的关键所在。企业面对数据时代的变化应该顺应时代的发展,勇于面临新的挑战，接受新的事物，对企业财务管理进行深层次的变革，使其在当今信息数字化的市场游刃有余。
一、大数据背景的概述
(一)大数据背景的优势
大数据的时代为企业带来更多的机遇，促使企业更深层次的重视数据信息所反映的本质，深层次的挖掘数字信息的能量。经济全球化意味着我国企业不仅仅面临国内企业的竞争，更面临国外企业抢占市场的危机。面对国内市场一时涌入大量的数据信息，传统的企业财务管理水平已经不能应对现今的市场。企业财务部门需要更为高效、精确的处理大量数据信息的能力，企业领导根据数据信息所反映的现状，从而估测未来市场的发展趋势，结合企业自身的发展现状，选择最佳经营方案和正确决策，为企业更好、更快的发展创建良好的数据平台。
(二)大数据背景的劣势
大数据时代在为企业带来更多新机遇的同时，也为企业带来更多的新挑战。大数据时代在为人们带来便捷的同时，也对人们的隐私权提出挑战，企业财务管理收集信息时也经常会触及人们隐私权的问题。在这个时代中人们的隐私经常侵害，很多数据信息的采集都是为被人们许可，甚至有些组织直接出售人们的信息，直接侵害人们的隐私；除此之外企业在面临大量数据信息的时候，要意识到收集的数据信息也存在虚假信息或表面信息，其所得出的结果很有可能具有片面性，甚至是虚假性，很容易误导企业领导做出错误的决策。
(三)大数据背景对企业的要求
企业财务管理面临大量的数据信息，其应该意识到对于数据信息处理的工作不是一个部门或者传统的工作方式就可以胜任或解决。企业财务部门应该注重部门之间的协作，并对其数据信息的分析结果进行共享，促使企业各个部门对企业经营的现状有一个深刻认知，确保各个部门做出对企业最佳的决策，确保各个部门协作企业高层领导引导企；面对数据信息大爆发的现状，传统的企业财务管理已经不能应付庞大的数据信息。目前我国数据信息处理的方案仍处于探索的阶段，会计与估值方案应与科学技术巧妙结合，成功掌握市场的变动和发展趋势，财务人员应熟练掌握相关先进的会计软件和具备数据统计的工作能力，为企业创建完善的数据信息库。
二、大数据背景下企业财务管理面临的挑战与变革
(一)企业财务管理理论的挑战
企业财务管理理论主要是以非金融企业为主体，着重讲述财务理论与金融工具相结合对财务资源的统筹、组织与配置，实现财务资源的科学、合理、利率最大化的目标。现今大数据、互联网和云计算的市场经济环境为企业财务管理理论提出新的挑战，其包括现今财务管理理论是否符合当下的企业财务管理实践活动，股东价值的提升路径和财务风险评估的精确性和预测性，企业财务管理论框架完善性等。从企业财务管理理论与财务管理实践不相符的角度出发，使其财务学理论出现失误，这些挑战从侧面反映出企业财务管理需要创新与突破，消除其局限性和落后性的负面影响。
(二)大数据背景下企业财务管理体系的创新
大数据背景下企业感受来自国际上新技术、新理念、新突破等多方面的压力，为了促使我国企业财务管理赶上国际水平的大步伐，我国应该鼓励企业财务管理不断创新。目前我国一些大型企业已经意识到企业财务管理创新的重要性以及其研发的方向性。财务管理理论中“大司库”的新概念被人们提出，大司库是指利用管理统一、集中结算、多渠道融资、风险管理等方式对现金进行管理，降低企业金融风险和提高企业价值。以中国石油为例，其大司库项目的实施，从观念创新的角度分析是从资金集中管理到司库管理再到大司库管理。2000年中国石油实施资金的集中管理，实现规范资金收支、提高资金使用效率、降低资金成本、扩宽融资渠道等目标。随着我国经济飞速发展，资产的扩展和经济全球化的程度不断加深，显出资金集中管理的落后性和局限性、2009年提出建立司库项目，从之前的被动管理转变为主动管理、战略管理和超前管理。在大数据的背景下企业财务管理建立“大司库”体系，实现统筹管理金融资源和金融业务，并有效控制金融风险，促进企业更加适应大数据的时展。
三、大数据财务管理的要点
大数据背景下庞大的数据信息、高效的处理能力、不稳定等特征对企业财务管理提出更为严峻的要求，企业迎接新的挑战和发生巨大的变革，创建这个时代特有的“大数据财务管理”。
(一)企业价值内涵和驱动因素的变化
企业财务管理的最终目标是企业经济利益最大化。传统的财务管理经常将企业价值与市场价值混淆，造成企业财务管理以企业市场价值为参考依据。现代化的财务管理纠正企业价值的内涵，企业价值是企业实际利润、现金和净资产等因素共同决定。但是大数据背景下，国际股价与国内市场存在很大的差异，不能仅凭企业利润、现金和净资产来估算企业价值，还要对企业综合竞争能力、商业模式发展潜力、创新能力等多方面进行评估。这些评估需要根据企业筹资来源、资金投入，网络数据信息等方面的数据。利用大数据、互联网和云计算等深度挖掘数据信息的能量，为企业创造更大的价值，由此可知企业收集、处理和预测数据信息的能力是企业市场竞争的主要内容。
(二)大数据财务管理边界化的消除
大数据时代为企业数字化、网络化和智能化提供优良的发展环境。大数据时代的数据共享特征为企业总公司和子公司之间的信息共享与交流提供便利。企业内部的数据信息能够互通有无、整合归纳，使企业财务管理与企业项目联合统筹管理，模糊企业财务管理与项目管理的便捷，实现数据集中管理，是企业大数据管理的必要条件，也是企业现代化改革的主要内容之一。
(三)投资决策标准的变革
企业投资决策直接影响企业近期或长期企业的发展状态，因此企业必然要确保企业决策的正确性和前沿性。大数据背景下传统的投资项目评估法已经不能适应大数据时代的市场变动，货币的之间价值随之波动，很有可能造成企业决策的失误，尤其是现金流小和未来现金流不定的投资项目更不能选择这一评估标准。大数据和互联网实现现金流的全程监控，能高效获取精确的数据信息；其次是在大数据的背景下“现金流”少或未来现金流不定，企业根据企业资源来源与投资和发展前进的估算可以较为精确的确定现金流。
(四)企业财务风险管理的重新构建
企业财务管理中财务风险的有效控制是其管理的主要内容，实现风险评估和风险防控。显然传统的财务风险管理并不适应大数据下的企业发展。风险评估过程中企业上下级领导的交流由于权利的限制，沟通较为顺利，但是部门之间的交流存在一定的障碍，企业应利用大数据、互联网和云计算加强部门之间的沟通，并建立部门之间沟通的意识，真正发挥数据信息功共享的功能，为企业财务管理提供科学可靠的数据依据，有效预测以及评估企业项目风险。
四、结束语
综上所述，大数据时代具有大数据、互联网和云计算的标志性特征，在大数据背景下企业财务管理利用借助大数据的特征推动企业财务管理理论的完善，财务管理体系的创新，企业价值的重新定义，边界化的消除，投资标准的确定等方面的改进与完善。
参考文献：
[1]马美芳.大数据背景下企业财务管理的挑战与变革探讨[J].商.2015（45）
[2]汤谷良,张守文.大数据背景下企业财务管理的挑战与变革[J].财务研究,2015（1）
[3]张高胜.企业财务管理变革的新方向——“大数据财务”[J].现代商业.2015(26)
美国大数据研究学者表示，如今是大数据大行其道的世界，大数据可以带来巨大的成就，在军事、经济及其他领域中，决策将日益基于数据和分析而做出，而并非基于经验和直觉。正如《孙子兵法》所说：“知彼知己，百战不殆”。所谓知者，乃数据也，数据要“未卜先知”。在大数据时代，“知彼知己”、“未卜先知”能够更加容易地实现。
白宫里的大数据战略
如今，美国已进入“大数据”时代。“大数据”对信息爆炸时代的崭新描述，它的基本单位是“太”（TB），而1000个“太”则等于一“拍”（PB）。这个单位有多大？举个例子，美国国会图书馆是世界上最大的图书馆之一，它所有印刷品的信息量加起来只有15太，而全美国仅在2010年一年的新增数据量就足足有3500拍，这比13亿中国人人手一本1500页的书加起来的信息量还要大。
奥巴马政府意识到大数据技术的重要性，将其视为“未来的新石油”。2012年3月，奥巴马政府在白宫网站了《大数据研究和发展倡议》。2012年5月，美国数字政府战略，更是提出要通过协调化的方式，以信息和客户为中心，改变联邦政府工作方式，为美国民众提供更优的公共服务。其中关键，就是政府必须保证美国民众可以随时随地通过任何平台或设备获取政府信息和公共服务。美国国家科学基金会、国家卫生研究院、国防部、能源部、国防部高级研究局、地质勘探局等六个联邦部门和机构承诺，将投入超过2亿美元资金用于研发“从海量数据信息中获取知识所必需的工具和技能”。
美国最重要的数据开放平台就是奥巴马政府在2009年推出的Data.gov，Data.gov也是美国“开放政府”承诺的关键部分。依照原始、地理数据和数据工具三个门类，涵盖了农业、 气象、金融、就业、人口统计、教育、医疗、交通、能源等大约50个门类，汇集了“从家庭和企业能耗趋势分析到全球实时地震通知等，甚至还可以查询从好奇号火星漫步者发回来的数据中得知火星的天气情况”。
为了确保美国民众能方便快捷地找到政府服务栏目，美国在各联邦政府层面实施了“数字分析项目”，“这是政府IT部门第一次摸清公众都在网站上寻找什么信息、在哪里寻找这些信息，以及他们是否能够顺利找到信息等情况。”政府IT部门还对联邦政府网站在移动设备上的使用进行了优化，并开发了移动应用程序，确保美国公民随时、随地，通过任何设备都能获取政府信息。
大数据战略在企业
除了政府，美国企业也同样拥有对于数据重视和应用的历史传统。
早在大数据概念火热起来之前，美国信息技术产业在大数据产业已经有了很多技术积累，这使得美国的大型信息技术企业可以迅速转型为大数据企业。有的企业自身是大数据技术的推出者，谷歌就是典型代表。大数据核心技术Hadoop是雅虎员工Doug Cutting根据谷歌2003年的学术论文研究而来。有的企业则通过收购业内已经存在的大数据企业来建立大数据业务，典型代表是IBM。自2005年以来，IBM出资160亿美元收购了超过30家大数据企业。大数据不同于传统的结构化数据，而是充斥了非结构化数据和半结构化数据，美国在结构化数据库领域有数据库行业的领头羊甲骨文公司，但甲骨文公司也推出了大数据业务。甲骨文公司成为了业界首个以全面、软硬件集成的产品满足企业关键大数据需求的公司。它可帮助客户进一步提高效率、简化管理并洞察数据的内在本质，从而最大限度地挖掘数据的商业价值。
不仅如此，全球最大的芯片企业英特尔也进入大数据产业，而全球最大的PC厂商惠普也在精简PC业务，2011年斥资110亿美元收购英国大数据企业Autonomy公司，进入大数据业务。美国信息技术产业的大企业，从软件企业到硬件企业，从门户网站企业到社交网络企业，纷纷介入大数据。因此，大型信息技术企业顺应时代潮流，转型升级为大数据企业，是美国发展大数据产业的重要推动力。美国一些大型公司已经开始赞助大数据相关的竞赛，并且在为高等院校的大数据研究提供资金。
作者简介
段云峰
承担了国内最大电信运营商的数据仓库和大数据中心的设计和建设、运营工作(截止到2015年该系统达到18000TB存储容量，累计投资120亿元)，积累了15年的大数据领域的实际工作经验。带领相关的团队，从系统创建到系统运营，开发了很多大数据领域的各种应用。积累了国内唯一的大数据在大企业建设、运营方面的经验。其前后主持设计的文档，有150余册、1200多万字，涉及大数据系统的数据模型、数据接口、系统架构、质量管控、业务应用、系统安全等各个领域。
秦晓飞
具有理学学士、工学学士和管理学硕士学位。最近十几年先后从事BI系统的运维、开发、项目管理以及应用推广等工作，参与并见证了中国移动BI系统从TB级别数据仓库向PB级别大数据平台跨越的整个过程。先后获得高级工程师、信息系统项目管理师、高级电信业务师、国际信息系统审计师等专业资格认证，并且被评为2012年山西省青年岗位能手。在《移动通信》《中国新通信》《电子世界》《信息与电脑》等杂志发表多篇专业论文，并且申报了多项国家发明专利。
目录
01大数据现状／1
1.1大数据的概念和特点／2
1.2互联网思维的故事／4
羊毛出在猪身上／4
圈客户／圈眼球／4
1.3“天变了”／5
用户变了／6
平台变了／8
金融变了／9
营销变了／9
思维变了／10
1.4大数据为什么需要互联网思维／12
大数据项目不同于传统IT项目／12
大数据产业是咨询服务产业／13
互联网思维是咨询服务产业的法宝／14
大数据“变现”需要互联网思维／15
大数据中“群众的智慧是无穷的”／15
1.5小结／16
02堪比“文艺复兴”的互联网思维／17
2.1文艺复兴的意义类比／18
艺术解放思想，思想解放生产力／19
引导了第一次工业革命／19
互联网引导新的工业4.0／20
改写金融业，改写社会／21
2.2互联网企业的发展／21
BAT的造梦／22
IT技术成为企业的核心竞争力／22
2.3互联网思维的概念／24
2.4互联网思维的特点／24
2.5互联网思维改写了手机产业／26
2.6互联网思维改变大数据／29
大数据的客户体验／29
大数据的产品化思维／30
大数据的平台思维／37
大数据的迭代思维／42
2.7大数据的新生／44
从配角到主角／44
产业化成为可能／45
大数据的春天／45
2.8小结／46
03大数据的发展／47
3.1大数据产业的发展／48
互联网改写了历史，大数据改写了互联网／48
第三次浪潮中的新兴产业／49
数据成为最大的资产／50
促进“理性社会”／51
3.2从网络运营到大数据运营／52
互联网平台如何使用用户数据／53
建立数据分析保障管理体制／55
从基础设施到产品提供／57
从网络产品到数据产品／59
3.3如何运营大数据／60
互联网基因／60
对内服务／63
对外服务／66
大数据营销／68
3.4大数据发展的瓶颈／69
与传统IT不同／70
机构和机制不同／71
新理论和新思维／71
转型更难／72
3.5小结／72
04大数据的客户体验／74
4.1客户是谁／75
内部客户／外部客户／77
个人客户／集团客户／78
校园客户／80
4.2客户的大数据需求是什么／80
取数——“取柴火”／82
取知识——“将柴火烧成炭”／83
取专业建议——“集体供暖”／84
4.3客户体验是什么／85
什么是体验／85
数据如何可读／90
“啤酒和尿布”的另一个角度解读／95
4.4客户体验如何提升／96
服务不同角色／96
娱乐思维／98
管家式服务／98
4.5小结／99
05大数据产品设计／100
5.1大数据产品背景／101
产品长什么样／101
谷歌是搜索门户还是数据门户／102
提品还是平台／103
卖咨询服务／104
智慧产品／104
5.2大数据产品内容／105
工具类／106
中间类／107
像棋谱一样的知识库／108
数据分析手机／109
互联网联通了人，数联网联通了大脑／110
5.3产品的“客户流量”／110
吸引客户／110
运营客户／111
5.4大数据产品类比／113
大数据的搜索门户／113
大数据的社交平台／113
大数据的电商平台／115
大数据的云化——在云里找数据／115
5.5大数据产品特点／115
目的决定产品特点／116
通过对比显示价值／116
更多的群众参与／116
5.6产品的界面优化／117
从苹果App中学习什么／117
结果的可视化／117
5.7产品的用户定位／117
如何让孩子看懂／118
数据的消费者／118
DIY发烧友／118
产品的商业模式／118
5.8小结／119
06大数据的极致思维／120
6.1产品的极致／121
傻瓜化的App／121
新的触摸屏在哪里／123
服务的极致／124
专家的极致／125
棋手的极致／126
智能改造之后的极致产品／127
智慧产品的极致／132
6.2思维的极致／134
兵书的知识提炼／134
参谋的极致／134
知识库和运维／135
思维的“众筹”／135
6.3营销的极致／136
点对点的精准营销／136
成本控制的极致／137
6.4“讲故事”的极致／137
吸引人的标题／138
吸引人的叙事方法／139
吸引人的数据证据选择／140
6.5小结／140
07大数据的快速迭代／142
7.1怎么“快”／143
标准零件的拼接／143
分析过程简单／143
不要追求完美，但求不断完善／144
7.2数据的标准／144
大数据是否还有逻辑模型／144
口径的管理／145
业务元数据和技术元数据／145
7.3平台的标准／146
云计算平台的标准化／146
PaaS还是SaaS／147
7.4环境的标准／148
编程规范和标准／148
软件结算的标准等／149
7.5迭代的知识积累／149
农业知识积累出的农历／149
何时更新、如何更新／150
7.6小结／150
08大数据的平台思维／151
8.1大数据的平台定义／152
数据得到丰富，取得规模效益／153
运营能够细分，拓展发展前景／153
8.2大数据平台思维的特点／153
平台越来越通用，应用越来越专业／153
孤立的数据是金，共享的数据是钻／154
数据的多维决定着平台价值的多样／154
8.3大数据的平台实体——“数联网”／154
数据交换的高效网络／155
数联网的内容／155
访问工具／160
数据管控／161
8.4大数据平台的生态环境／180
谁会购买大数据产品／181
各方获利的互联网模式／182
速度弥补精度／184
8.5平台SDK的开放性／185
平台的可编程API接口／186
数据的标准／186
数据的可读性／187
加工的简化性／188
容易参与／190
人人参与／192
8.6互联网企业的数据开放平台／192
阿里巴巴的御膳房／192
腾讯的微信开放平台／199
百度的阿拉丁／202
8.7人人的“数据”到数据的“人人”／204
8.8互联网平台升级到大数据平台／205
互联网平台是新时代的农业文明／205
大数据平台的价值最大化／205
电信运营商，新的电力公司or大数据公司／206
8.9小结／207
09大数据的跨界思维／208
9.1大数据跨界的背景／209
Hadoop的兴起，去了IOE／209
大数据的渗透——大数据×／210
9.2大数据跨界的定义／211
大数据跨界的特点／211
大数据跨界的展望／213
大数据跨界的案例／215
9.3大数据的业务多维／216
横看成岭侧成峰／216
数据的行业解读／216
9.4大数据的行业交叉／216
电信数据与金融数据的交叉／217
电商数据与医药数据的交叉／219
9.5小结／220
10大数据实践案例探索／222
10.1大数据提升客户体验／223
基于角色的应用／223
解决问题的应用／226
用户的GUI界面／234
10.2大数据实现产品化／238
BI Store案例／238
自助分析工具／242
用户的知识库／251
10.3大数据的极致思维／254
思维导图案例／255
大数据分析报告剧本／256
10.4大数据的跨界思维／258
大数据在交通行业的应用／258
大数据在金融行业的应用／259
大数据在制造业的应用／261
10.5大数据的平台思维／261
淘宝的API开放平台／261
某电信运营商的对外开放平台／265
10.6大数据的快速迭代／267
多波次灰度营销／267
数据字典的迭代／268
10.7小结／269
【关键词】 互联网金融 风险控制手段
金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。
互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。常用的互联网金融大数据风控方式有以下几种：
1 验证借款人身份
验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。
如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通/公安局API接口，将申请人实时拍摄的照片/视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。
2 分析提交的信息来识别欺诈
线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。
如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。
3 分析客户线上申请行为来识别欺诈
欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。
企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请人，欺诈比例和违约比例较高。
这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。
4 利用黑名单和灰名单识别风险
互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20%左右。
市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单。
5 利用移动设备数据识别欺诈
行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。
欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起申请贷款。欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。
6 利用司法信息评估风险
涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。
总结：总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。
【参考文献】
【关键词】大数据 生物信息 知识提取 数据挖掘
1 数据挖掘的功能
数据挖掘是从大量的数据中四栋搜索隐藏于其中的具有特殊关系性的信息过程。它是数据库知识发现KDD中的一个步骤。知识发现KDD过程由以下3个阶段组成：数据准备、数据挖掘、结果表示和解释。数据挖掘跟许多学科都交叉关联，包括数据库技术、统计学、机器学习、人工智能、云计算和可视化等。
数据挖掘的实际应用功能可分为三大类和六分项：分类和聚类属于分类去隔类；回归和时间序列属于推算预测类；关联和序列则属于序列规则类。分类常被用来根据历史经验已经分好的数据来研究它们的特征，然后再根据这些特征对其他未经分类或是新的数据做预测。聚类是将数据分群，其目的是找出群间的差异来，同时找出群内成员间相似性。回归是利用一系列的现有数值来预测一个数值的可能值。基于时间序列的预测与回归功能类似，只是它是用现有的数值来预测未来的数值。关联是要找出在某一事件与数据中会同时出现的东西。
2 降维
从降维的角度讲，整个数据挖掘的过程就是一个降维的过程。在这个过程中，需要对数据删除线性关系比较强的特征数据，再用一些算法，如信号分析算法、傅里叶转换、离散小波转换等算法，从数据中提取特征，再对数据做主成分析处理，得到最后的特征，再用数据挖掘算法来将这些特征转化为人类可读取的数据或信息。
3 分布式数据挖掘解决方案
随着分布式计算技术、云计算技术、hadoop生态圈和非结构化数据库等技术的发展，以及对大数据挖掘的需求，出现了一批分布式数据挖掘，比较典型的有Apache推出的基于Hadoop的Mahout和加利福尼亚大学伯克利分校AMP实验室推出的基于Spark的MLBase。在Mahout中主要实现3种类型的数据挖掘算法：分类、聚类（集群）和协同过滤。相比Mahout而言，MLbase更好的支持迭代计算，它把数据拆分成若干份，对每一份使用不同的算法和参数运算出结果，看哪一种搭配方式得到的结果最优。
4 大数据下的具体应用实例――生物信息学的应用
生物信息学（Bioinformatics）是生命科学、计算机科学、信息科学和数学等学科交汇融合形成的一门交叉学科。近年来随着先进仪器装备与信息技术等越来越广泛和深入的整合到生物技术中来，生物医学研究中越来越频繁的涉及到大数据存储和分析等信息技术。在使用计算机协助生物信息时，处理仅有计算机辅助的方式存储数据很显然是不够的，生物信息学研究的目的是运用计算机强大的计算能力来加速生物数据的分析，理解数据中所包含的生物学意义。当前生物信息学研究的热点有：
（1）由以序列分析为代表的组成分析转向功能分析。
（2）由对单个生物分子的研究转向基因调控忘了等动态信息的研究。
（3）完整基因组数据分析。
（4）综合分析。
生物信息数据具有如下特点：高通量与大数据量；种类繁多，形式多样；异构性；网络性与动态性；高维；序列数据等特点[5]。针对这样的生物数据信息，要结合当前的大数据分析方法进行分析和理解。当前数据挖掘实现对生物信息分析的支持主要有：生物数据的语义综合，数据集成；开发生物信息数据挖掘工具；序列的相似性查找和比较；聚类分析；关联分析，生物文献挖掘等方面。
参考文献
[1]许凡.大数据时代的数据挖掘技术探讨[J].电子技术与软件工程，2015（08）.
[2]洪松林.数据挖掘技术与工程实践[M].北京：机械工业出版社，2014（11）.
[3]李荣.生物信息数据挖掘若干关键问题研究与应用[D].复旦大学（博士论文），2004（11）.
[4]宋杰.生物信息数据挖掘中的若干方法及其应用研究[D].大连理工大学（博士论文），2005（04）.
[5]孙勤红.基于梯度采样局部收敛的生物信息大数据挖掘[J].科技通报，2015（10）.
作者简介
孙勤红（1979-），女，山东省人。现为三江学院计算机科学与工程学院讲师。研究方向为人工智能、数据挖掘。
沈凤仙（1984-），女，江苏省人。现供职于三江学院计算机科学与工程学院。研究方向为数据挖掘。
