数学里的两把利剑大数据+分析学

　　本文分别对大数据和分析学做一个介绍和总结，并分别对两个知识点进行对比分析，让大家对大数据和分析学有一个更深入的了解，并对自己的开发工作中灵活运用带来启示。课课家教育提醒您：要好好阅读哦~

　　在石油和天然气行业，数据都是以太字节(TB)和拍字节(PB)来表示的。这两个词语对于你来说或许有些陌生，下面我给你打个比方，一切就清晰明了了。

　　一个吉字节(GB)相当于七分钟的高清视频;一个太字节(TB)等于1024个吉字节(GB);而一个拍字节(PB)等于1024个太字节(TB)，相当于13.3年同样的高清视频。

　　每天全球油气行业都会产生数百个太字节(TB)的数据，每年总计达一个拍字节(PB)数据，也就是13.3年的高清视频了。在这里举个例子，在北美1200英里的管道里每天都会产生大约1TB数据。

　　把这些数据转化为可用的信息的学科称为分析学，它将成为油气行业削减成本方面的新前沿学科。

　　2014年2月，美国通用电气公司(GE)软件研究院副总裁Bill Ruh在卡尔加里举行的“通用电气公司Mind + Machines”研讨会上说：“任何事情都可以进行分析”。

　　分析基本上是在大量的数据中寻找有意义的模型，它运用数学、统计学、计算机编程和操作等方面的知识将问题性能进行量化分析。

　　在分析数据时发现的模型可以用来预测未来的资产设备表现，以确定设备性能可以提高的范围，同时可以通过识别故障区域在故障发生前制定风险管理计划。

　　Ruh说：其他工业部门已经使用分析学方法来提高生产力从而降低成本。通用电气公司在电力行业中已经取得了成功，运用分析法来优化风力发电机的电力生产。通用电气公司改变了风力发电机组安装前使用计算机建模的传统方法。

　　“我们想，如果将历史数据进行优化会怎样?这意味着要对风力发电机产生的数据进行解析并应用这些信息。这一结果增加了5%的电力输出和20%的利润，而风力发电机组并没有发生任何物理变化。”

　　Ruh表示：作为快消品的手机产业压缩了数字传感器技术的成本，网络连接的低成本完全可以使所有油田设备联网，分析现成的数据流。通用电气公司认为通过数据分析油气行业可以提高设备的可靠性和利用率，从而提高运营效率。

　　Ruh 表示，“你可以从零停机、零差错中赚取很多钱，毕竟油气行业一旦发生维修状况造成的损失将是巨大的。”

　　通用电气公司油气软件服务部门总经理Ashley Haynes Gaspar说：“使用分析学方法最大的好处是优化处理了整个油气项目，而油气项目得到优化是最重要的，我们相信，利用分析学你能更有效率地从地球上采出更多的石油，在油气行业中将增长6%-8%的潜在产出。”

　　最近，信息技术供应商已经尝试对油气行业进行数据分析并找到解决方案，但目前还没有成功。目前的计算公式是在手机中常见的，基于应用系统进行模拟并将其分解成可管理的部分。

　　自通用电气公司在加拿大工业推动数字油田的六个月以来，出现了一系列成功基于app的方法。其中一个例子是Apache公司正努力提高电潜泵性能的操作。

　　Apache公司在北美和世界各地有成千上万的电潜泵。由于进行了实时监控，德克萨斯基地公司已经收集了大量的电潜泵性能数据、地下岩层特征和地质信息。

　　Apache公司与通用电气公司合作分析了这些数据，针对不同油井选择不同的电潜泵，然后提高泵的运行时间并成功预测这些泵的使用寿命。

　　这一系列工作有助于Apache公司避免重大的生产损失，其中最大的好处是可以将此成功经验快速复制至整个行业。

　　据该公司称，全球电潜泵性能提高1%后，将额外提供超过50万桶/天的原油。即使在油价如此低的今天，这也相当于每年会额外产生数十亿美元的效益。

　　Apache公司的成功来自于对硬件和软件的充分利用，一般被称为资产性能管理(APM)。实时监控器将一连串数据传输到中央设备，在那里他们被相应的大数据分析软件处理，然后找出最优方案。

#p#分页标题#e#

　　通用电气公司油气测控加拿大区总经理Orvil Smith 说：“通过我们与客户所做的工作发现，大数据分析是有所作为的。在以往，当一个电潜泵失灵时，企业将花费很长时间才能使油井恢复生产。”

　　但如果你能在设备失灵前就预见到这个问题，就会知道什么时候该把它停下来并更换上提前准备好的新部件，这样就可以避免长时间停机带来的损失。

　　小知识：

　　大数据特点：

　　大数据大数据分析相比于传统的数据仓库应用，具有数据量大、查询分析复杂等特点。《计算机学报》刊登的“架构大数据：挑战、现状与展望”一文列举了大数据分析平台需要具备的几个重要特性，对当前的主流实现平台——并行数据库、MapReduce及基于两者的混合架构进行了分析归纳，指出了各自的优势及不足，同时也对各个方向的研究现状及作者在大数据分析方面的努力进行了介绍，对未来研究做了展望。

　　大数据的4个“V”，或者说特点有四个层面：第一，数据体量巨大。从TB级别，跃升到PB级别;第二，数据类型繁多。前文提到的网络日志、视频、图片、地理位置信息等等。第三，处理速度快，1秒定律，可从各种类型的数据中快速获得高价值的信息，这一点也是和传统的数据挖掘技术有着本质的不同。第四，只要合理利用数据并对其进行正确、准确的分析，将会带来很高的价值回报。业界将其归纳为4个“V”——Volume(数据体量大)、Variety(数据类型繁多)、Velocity(处理速度快)、Value(价值密度低)。

　　从某种程度上说，大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。明白这一点至关重要，也正是这一点促使该技术具备走向众多企业的潜力。

　　大数据最核心的价值就是在于对于海量数据进行存储和分析。相比起现有的其他技术而言，大数据的“廉价、迅速、优化”这三方面的综合成本是最优的。

　　分析学：

　　17世纪以来在微积分学发展的基础上形成的数学大分支。它曾和几何学、代数学并列为数学中的三个要分支,并从18世纪以来相对独立地得到很大的发展,经被认为是数学的一个最大分支。分析学研究的内容分析学包括哪些内容是随着学的发展过程而不断变动的。17～18世纪的分析学，以说是以无穷小分析为主，即以微积分学、无穷级数主，还包括经典的变分法、微分方程、积分方程和复函数的一些基本内容。

　　小结·：读了本篇文章是不是在大数据和分析学上面又有很多感悟呢?有没有学的一些知识呢，大家是不是感觉学到的还远远不够。如果您还有问题或者想在学到更多知识，课课家平台欢迎您的咨询哦~