大数据视角下的智慧信息服务：应用实践与未来趋势

吴 丹 刘子君

(武汉大学信息管理学院，武汉，430072)

1 智慧信息服务的内涵与特征

1.1 大数据对信息服务的影响

随着数字信息技术、网络技术的飞速发展，不同领域的数据规模空前增加[ 1]。根据麦肯锡的报告，在世界著名的咨询机构，世界总数据量在2020年将达到15—20ZB[ 2]。大数据是指数据的量级超过现有数据分析工具能力，需要在特定的时间内挖掘、收集、存储、处理和分析的数据集[ 2]，需要大数据技术才能分析该数据集，从而获得更深入、更有价值的见解，并做出更及时的决策[ 3,4]。大数据研究的结果使许多领域受益。根据麦肯锡的报告，大数据的应用主要在五个领域，即全球制造业、零售业、医疗保健和医疗行业、政府部门和私人生活领域[ 2]。相关的研究结果表明，大数据有利于世界经济的增长和改善医疗保健和公共管理问题[ 5]。大数据给信息服务行业带来了新的机遇，增强了信息服务摄取、处理、分析和分发内容的能力。众多信息服务公司都建立了大数据分析平台，以增强大数据分析能力。谷歌、Facebook、IBM和微软均建立了大数据研究中心和其他公司合作收集、分析和利用大数据。中国三大互联网公司——腾讯、百度和阿里巴巴都建成了大数据平台，进行大数据应用研究，使其信息服务朝智能化、精准化的方向发展[ 6]。

1.2 智慧信息服务的含义

信息服务是面向用户的信息需求，通过信息的收集、处理和分析，向用户提供有价值的信息，帮助用户解决特定问题，从而实现信息增值的过程。在大数据时代，信息服务会朝着智慧信息服务的方向发展，区别于普通的人工信息服务，智慧信息服务利用大数据智能收集、存储与分析的相关技术，通过机器智能与人工智能的结合，向用户提供智能信息服务。这是大数据时代背景下信息服务的必然要求，也使得信息服务更加全面高效。

1.3 智慧信息服务的特征

信息服务发展为智慧信息服务，深受大数据发展的影响。大数据的数量之大、种类之多、速度之快、价值之高决定了智慧信息服务需要收集大量的数据进行全面分析，对不同类型的数据进行个性化分析，高效快速处理数据、深度挖掘数据价值[ 7]。庞大的数据规模要求智慧信息服务全面收集大量的数据并对其进行全面分析，而非抽样分析或是用部分代表整体。数据的高速增加要求数据收集、数据挖掘和数据分析应在最短的时间内尽快地进行，以便充分挖掘这些数据的潜在价值[ 6]。数据的多种类代表数据是从不同的来源获得的，并以不同的格式呈现，结构化、半结构化、非结构化的大量数据要求智慧信息服务针对不同种类的数据采用不同的数据存储与分析方式，有针对性地进行数据分析。Acker等指出大数据的另一重要特点是价值，大数据的价值意味着挖掘和分析大数据可以为智慧信息服务行业创造价值[ 8]。麦肯锡以美国医疗保健业和零售业为例进行了一项研究，观察大数据如何为这些行业创造价值，研究发现如果这两个行业充分挖掘大数据的潜在价值，可以减少美国医疗保健行业7.9%以上的国家财政支出，可以增加整个零售业60%以上的利润[ 2]。智慧信息服务的成功案例说明大数据的价值决定了智慧信息服务可以创造更高的价值。

2 文献回顾

收集和存储大量数据的行为可以追溯到20世纪50年代初，当时第一台商用大型计算机被引入并应用于信息服务。在20世纪50年代初至90年代中期，计算机、存储和数据网络的成本高昂，数据增长相对缓慢，这时的信息服务主要应用于业务支持和交易信息系统。直至20世纪末大数据的出现和大数据技术的发展，信息服务才发展为智慧信息服务。智慧信息服务的发展在大数据驱动下主要经历了三个阶段。

2.1 在线数据挖掘驱动下的智慧信息服务(1994—2004年)

早期的电子商务公司和在线搜索公司是大数据时代的主要数据贡献者，智慧信息服务植根于社会网络分析，用于优化搜索结果[ 9]。Web使用挖掘、Web结构挖掘和Web内容挖掘等Web挖掘技术被用于分析用户的在线活动，完善用户体验，提高智慧信息服务的质量。Web使用挖掘是应用数据挖掘技术在线发现Web用户的使用模式，使用数据捕获Web用户的身份及其浏览行为，通过跟踪单个用户的鼠标点击、搜索和浏览模式，使向用户提供个性化的服务成为可能[ 10]。Web结构挖掘是分析一个网站或一个网页结构的过程。典型网站的结构包括网页作为节点和超链接作为连接相关页面的边。Web结构挖掘是基于超链接结构，对网页进行分类[ 11]。谷歌的PageRank，通过社会网络分析方法，分析网页的超链接结构，根据他们的受欢迎程度或重要性对其进行排名[ 12]。Web内容挖掘是从网页内容中提取有用信息的过程，其中最常见的是文本挖掘，从非结构化文本中提取信息，并大量利用信息检索(IR)和自然语言处理(NLP)等技术进行分析处理，可应用于个性化网页信息抽取、网页聚类和诈骗邮件、垃圾邮件过滤等智慧信息服务。

2.2 社交网络数据挖掘驱动下的智慧信息服务(2005—2014年)

社交媒体的发展为大数据时代注入了新的活力，智慧信息服务开始注重社交媒体的情感分析和社会网络分析，在数据驱动下决策[ 13]。在社交媒体中，厂商可以通过与消费者直接接触，或者分析社交媒体的用户情绪、喜好，充分进行市场调研[ 14]。社交媒体分析可以为公司提供消费者角度的需求，理解社交媒体的用户分析可以帮助公司的生产更加符合用户需求。社会网络分析是通过模拟社会网络动态和增长来测量社会网络结构、连接、节点和其他属性的过程，可以从两个参与者之间的标签、社交交互、内容共享和投票中推断出用户关系[ 15]。社交网站如Facebook、Twiter、LinkedIn都提供了结构化的信息接入，实现个人信息的在线共享和社会化[ 16]。社会网络分析使用了各种技术来理解网络结构[ 17]，更好地服务于智慧信息服务。

2.3 物联网数据挖掘驱动下智慧信息服务(2015至今)

物联网的发展使大数据驱动的智慧信息服务领域更加广泛。物联网是指一个大数据技术环境，设备和传感器上有惟一标识符可以在互联网上共享和协作,没有任何人工干预，物联网及物联网应用程序生成图片、音频和视频等众多形式的数据，丰富了大数据的来源，也使得智慧信息服务的应用领域更加广泛[ 18]。通用电气正在开发互联网传感器,从设备读取数据来部署航空和医疗操作；农业综合企业也使用互联网传感器管理资源,比如水、粮食存储和重型设备,以降低农业生产成本,增加粮食产量[ 19]。对于很多物联网应用,越来越多的数据由传感器实时收集，对其进行分析是智慧信息服务的重要基础[ 20]。这种分析不仅用于监控现有条件也可以预测未来事件，在金融和医疗等行业有巨大的应用发展潜力，例如,分析嵌入在患者周围的传感器可以监测患者的生理和行为变化，发现和预测紧急的医疗需求[ 21]，也可以应用在电子交易的金融行业，通过金融监管预测行动可疑的事件和欺诈性的金融活动。

3 各领域智慧信息服务的应用实践

在各行各业大数据发展的推动下，智慧信息服务应用的领域和范围不断扩大。本文通过大量的文献调研，集中研究智慧信息服务的典型应用领域和重点研究方向，总结智慧信息服务的发展趋势。文献调研表明，智慧信息服务的研究方向主要集中在政务服务、文化服务、医疗服务和商务服务四个方面。

3.1 数据驱动的智慧政务服务

3.1.1政府数据开放共享

政府拥有的数据量庞大且多样，从财政收支到商品价格再到人口普查、天气、疾病率等等，政府数据的开放共享既是对政府透明度的要求，也是释放数据的社会和商业价值，提高公众参与性治理的重要方法[ 22]。政府是许多不同领域中最大的数据生产者和收集器[ 23]，所有数据，无论是学校地址、地理空间数据、环境数据、运输和规划数据，还是预算资料，都具有社会和商业价值。通过发布这样的数据，政府鼓励利益相关者对其进行创新，创造新的服务。政府数据通过门户网站开放共享也可以有效提高政府的参与性治理效果[ 24]。提升政府透明度也意味着公众不仅可以访问政府数据，还可以使用这些数据。通过利用政府的数据，公民有机会积极参与治理过程，而不是偶尔在选举中投票。

政府开放数据运动源远流长，从2003年欧洲的公共部门信息公开运动[ 25]，到2011念美国总统奥巴马的政府开放数据倡议，到2013年八国开放数据[ 26]。众多的政府开放数据运动也推动了开放政府数据门户的建立，如data.gov.uk，Data.gov和data.gov.sg，帮助公民和利益相关者获取有关地方或国家的政府信息。政府机构公开相关数据时，会考虑到感知利益、组织准备和外部的压力三大因素，并根据这些因素制定战略规划。在数据转化方面，Wang等建议政府将数据视为自然资源，一方面坚持释放原始数据，另一方面对数据进行清理、识别和提取，以满足双重标准的可读性[ 27]。Ubaldi提取和集成各国政务公开出版指南，提出政府开放数据要遵循出版生命周期流程，改善数据的最终可用性[ 28]。政府开放数据的制度框架设计商Lane策划设计了一个共同的可互操作的数据基础设施，作为政府数据安全使用链接管理数据的骨干单元，它将保证数据提供者访问它们的数据[ 29]。

政府数据开放共享是智慧政府提供智慧政务服务的基础，尤其是在政府拥有的数据量非常庞大的背景下，数据的开放共享是提高政府透明度和参与性治理的重要方法，更方便了数据价值的全面挖掘。大数据存储技术的发展便利了政府数据门户网站的数据展示，大数据清理技术提高了政府数据资源的可用性，大数据的互操作技术方便了政府数据的互通，政府数据的开放共享在大数据发展的驱动下不断完善。

3.1.2智能舆情分析与预警

随着计算技术的发展和物联网的兴起，城市越来越多地产生新的数据集。目前全球有90亿个相互连接的设备，预计该数字在2020年将增长到240亿台[ 30]。这为政府的舆情分析与预警了带来了巨大的机遇与挑战。一方面，未来的城市是数据驱动的城市，城市规划都是采用数据驱动的决策，可以提供更好的服务，满足城市居民的需求变化。例如在伦敦，通过对庞大的用户交通数据的实时跟踪，政府不断优化航线以适应客流的变化规律，并鼓励更多的公共交通的使用，既方便了居民和游客的城市交通出行，也达到了更好的环保效果[ 31]。另一方面，城市的信息系统面临着巨大的数据挑战，它们必须管理和利用大量的动态的、变化的、详细的、相互关联的、低成本的数据集[ 32]。

政府对城市的智能数据监控是舆情分析与预警的重要基础。智能城市数据监控是建立在数字城市、物联网和云计算的基础之上的，它实现对人类的感知、控制和智能服务，并具有实体性，通过城市智能管理为大众提供智能服务。智能舆情分析需要使用一个共同的平台，使数据采集和监控、测量和分析、优化和控制集中在一个系统中[ 33]。在纽约，市长数据分析办公室确认需要一个数据仓库系统来连接所有城市部门的数据，该系统包含来自各个部门的数据，包括火灾、建筑物检查和执行情况等，对与火灾有关的一系列数据进行分析，预测建筑火灾的危险性[ 34]。

交通堵塞是现代城市中最普遍的问题之一。在大数据时代，城市的各个角落分布着传感器，开发人员可以订阅这些实时数据流以预测交通问题，构建动态路径规划系统，实时为用户推荐出行路线。Liebig等利用德国都柏林的交通数据进行交通预测和出行路线推荐，帮助居民避免拥挤的街道，当交通问题出现时，通过增加城市交通各传感器产生数据的速率和传感器的数量，更加迅速地获取交通数据[ 35]。在社会感知传感器方面，Musto等人提出了一个综合模型将用户自产信息作为传感器，使用智能手机和社交网络，帮助交通预测[ 36]。在优化货运交通堵塞方面，Shi等提出了一个架构，实时采集由车载系统传送的数据，可以监控多达4600个油罐车每五秒发送一次的数据，很好地解决了货车运输堵塞问题[ 37]。实时数据管理对交通运输非常重要，在交通事故预防中也有巨大作用。对实时的交通变量如交通工具数量、平均速度、标准偏差检测器等等的实时监控可以防止交通问题，在交通事故中也可以帮助采取行动减少次生事故发生的可能性[ 38]。

大数据的发展为政府智能舆情分析与预警提供了可能，城市的大量数据驱动了智慧城市的发展，也为城市信息系统提出了挑战，需要城市智能监控并建立完善的智能仓储系统，对城市数据进行统一处理，以更好地实现智能预警。交通堵塞问题也在大数据时代得到了解决，可以利用城市传感器、社会感知用户传感器和车辆传感器来实时监控和分析交通情况，及时预警交通堵塞和交通事故等问题。

3.2 数据驱动的智慧文化服务

3.2.1公共文化服务云体系

大数据时代，公共文化服务在数据的驱动下更加智慧化。Sultan等人强调了云计算对文化未来发展方向的影响[ 39],Bartoš等论述了在文化服务体系中应用云服务的可行性，提出了云服务在帮助博物馆保存文化遗产方面的积极意义[ 40]。Hyvönen提出在文化体系的发展过程中，可以运用网络语义技术以便加速文化资源的收集和保护工作[ 41]。

公共数字文化云服务系统的服务主体由图书馆、档案馆、博物馆、美术馆等公共文化机构组成，通过云计算技术将公共文化机构的资源封装起来形成公共数字文化云资源，实现对资源及服务的统一调度，为公共文化机构提供按需敏捷的智能化服务创造资源基础。服务手段主要包括云服务平台和各种终端设备[ 42]，用户只需通过电脑、手机、电视机等终端就可以随时随地享受地方公共数字文化云服务。同时，利用更多的推广途径和平台，拓展新的公共数字文化云服务的传播媒介，借助APP、QQ、微信等手段加强公共文化机构与用户的互动，让用户主动参与到公共数字文化云服务的建设中来。

作为传统知识信息服务中心，图书馆在文献存储和数据管理中发挥着重要作用。图书馆不可避免地会受到大数据的影响，建设公共文化服务“云平台”可以颠覆传统图书馆的管理模式。目前，图书馆的现状是：读者想看爱看的书图书馆没有或太少，图书馆采购的书读者又往往不爱看[ 43]，这样的供需不对称是我国各级各类图书馆中普遍存在的矛盾。“云平台”实现书店销售数据、图书馆馆藏书目和读者信息数据对接，今后市民到书店购书就可以实现两种选择：第一，自己花钱购买；第二，在书店即可用身份证办理图书馆的借阅证件，选择借阅。“云平台”可以解决图书馆资源的选择问题，也可以提高书籍资源的流通率。一切以读者需求为本，把读者的自主权、选择权通过技术手段落到实处[ 44]。

博物馆作为公益性文化服务机构，是社会公共文化服务体系的重要组成部分，博物馆文化遗产保护面临的形势迫切需要以大数据为支撑。先进的技术推动了博物馆向虚拟博物馆的发展，如数字媒体、Web3D、VR、AR、触觉和手持设备，引导和推动虚拟博物馆的发展[ 45-47]。虚拟博物馆是一个虚拟的博物馆，没有墙壁、位置和空间边界，但拥有真正博物馆的所有信息，世界各地的游客都可以线上访问，许多著名的博物馆如大英博物馆、卢浮宫、佛罗伦萨博物馆都提供了虚拟博物馆服务[ 48]。Horn等人通过大量的用户实验数据分析，总结出大型科学数据集的可视化交互有助于促进对博物馆中复杂科学概念的学习。这些展品可以作为自然历史博物馆的一种方式，可以更好地为游客创造真实的学习经验[ 49]。移动应用服务和网站服务也是博物馆云服务的重要方面，Nelson等设计实现了一个博物馆移动应用，一方面为游客提供随时随地的大数据服务，游客可以提问，虚拟游览，另一方面工作人员可以分析游客日志数据，利用数据挖掘了解游客的访问历史和喜好，利用日志文件的数据挖掘来更好地理解访问者的游览体验，优化博物馆的服务[ 50]。此外，博物馆的网站服务提供了各种访问方式，即网络、内部网、个人电脑(PC)、平板电脑或智能手机，以便为不同年龄、不同背景、不同知识的参观者提供随时随地的虚拟访问[ 48]。

以图书馆和博物馆为代表的公共文化服务体系在大数据的驱动下更加智慧化，同样的，公共文化云服务体系的构建将进一步提高服务效率。图书馆可以通过云平台的数据服务优化资源选择和搜索服务，通过数据互操作提高数据访问和可重用性，结合外部资源数据和用户数据提供个性化的用户服务。博物馆也在大数据可视化和虚拟现实技术的推动下向虚拟博物馆发展，随时随地为用户提供服务。

3.2.2文化大数据融合服务平台

大数据时代，传统的公共文化服务的管理和运营模式已经远远跟不上时代的需要，各级文化机构的信息资源不能有效共享，资源利用率低，信息孤岛效应明显，缺乏信息资源的聚合和整合，一方面给群众带来了极大的不便，另一方面也不能充分发挥公共文化服务的作用[ 51]。运用云计算、云存储和大数据技术，建设一个全方位覆盖、多终端访问、跨平台多通道发布的公共文化信息网状结构平台，市民可通过电脑、手机、移动终端和电视接入平台，享受一站式公共文化服务，包括知识服务、艺术欣赏、文化传播、虚拟场馆、交流互动等内容[ 42]。以上海为例，作为国际文化大都市，公共文化服务融合体系的建设已日趋完备，图书馆、博物馆、美术馆、剧院、文化活动中心等设施构建了完整的、立体的文化大数据融合服务体系，公共文化产品供给繁荣[ 52]。在公共数字文化资源整合项目方面，以国家为首的文化大数据融合共享工程是由文化部、财政部等部门共同组织实施的，它是面向广大基层群众的公共数字文化服务惠民工程，融合了全国公共文化机构的公共数字文化资源，并通过“国家数字文化网”展现给公众。此外，各地政府也纷纷推出了一系列具有地方特色的文化大数据融合服务项目，如天下湖南、北京记忆、广州记忆、边疆万里数字文化长廊等。以广州记忆为例，广州市国家档案馆牵头的“广州记忆”项目致力于整合地方文献，该项目以广州发展历史为主线，综合汇集了广州市著名的旅游景点、名人典故、历史事件、风土人情等资源[ 53]。

传统的信息系统已经无法支撑文化数据管理，文化数据来源更加多样，异构的数据需要更加复杂的信息系统支撑，信息系统也需要利用传感器网络提高用户体验[ 54]。Schreiber等人描述了一个智能感知上下文辅助浏览文化环境——SCRABS，并将其应用于意大利的国家文化信息系统融合项目中，由计算机科学家、人文专家、考古专家等跨学科的项目专家组成，实现图书馆、博物馆等实际应用场景的融合文化环境[ 55]。

公共文化信息资源的聚合和整合、构建文化大数据融合服务平台是解决公共文化资源分散、资源利用率低和信息孤岛问题的重要解决方式，国内外都有文化大数据融合服务平台的案例，推进文化大数据的传播共享。

3.3 数据驱动的智慧医疗服务

3.3.1精准医学知识发现

随着大数据在各个行业的发展，医疗保健行业也产生了巨大的数据量[ 56]。世界人口快速增长，对医疗保健的质量和效率产生了更高的要求，医疗保健行业的很多决策需要由数据来驱动。数据分析工具可以让医疗专家收集和分析病人的数据，精准发现医学知识，这同样是普通病人了解医学知识的重要途径。

一个能够提供与身体各部分对应的疾病医学知识和信息的信息服务系统对医学知识的发现是非常有用的。Kim等人构建了基于人体3D模型的医疗信息服务系统[ 57]。该系统将人的身体分成骨骼、肌肉、内脏和皮肤这四个类别，然后用3Dsmax建模，人类3D身体结构可以用3D查看器观看。用户在3D查看器中选择人体的特定部分，系统就提供与所选部件相关的疾病的详细医学知识。3D查看器的优点是能够逼真地、直观地观察人体的结构，获取有关疾病的医学信息包括有关病因、症状、治疗、预防、推荐食品以及相关医疗机构等信息，也可以帮助医疗专家实时发现疾病信息。

除了面向医疗专家的医学知识发现系统，面向普通病人或潜在病患的医学知识发现系统有助于从病源上帮助医学知识普及和发现。在社区生活场景中，Brennan等人建立了一个社区医疗信息服务系统，为每个居民提供个性化的服务，提供专业科学的医学疾病知识，并记录社区内的居民信息行为，帮助医疗专家发现医学知识和相关疾病[ 58]。

智慧医疗服务需要面向用户提供精准的医学数据和知识，这是医学知识发现和普及的重要方面，大数据3D建模技术可以为用户提供生动直观的医学知识信息服务系统，帮助用户和医疗专家精准发现医学知识，在用户生活场景中的精准医学知识信息服务系统可以为用户提供个性化的医学信息服务。

3.3.2医疗大数据监护与预测

大数据可以通过对病人的数据监护，帮助预测流行病的医疗保健和疾病治疗，通过医疗数据分析，避免可预防的疾病，提高生活质量。大量的医疗数据分析可以使医生尽早发现疾病的征兆，尽快采取治疗措施。

医院可以通过监测病人的健康状况，分析病人和病房内的各种健康参数来进行疾病预测。环境智能(AmbientIntelligence，AmI)的出现提供了更好的医疗保健，无论是在医院的病房内，还是病人的家里，环境智能技术被应用于疾病的监护和预测。Jain等人设计了一种算法，将病人的房间看作一个特定的环境，通过病人的出入状态，生成对病人身体状态的准确预估。通过在病人家庭安装环境智能传感器，监控病人健康信息，起到预防的作用[ 59]。

流行感冒是一个重大的公共卫生问题，需要全面的监测和预防系统，疾病监测通过不断观察疾病传播，对减少疫情造成的危害起到了重要作用。医院大数据用于监测流感免疫学科是实时的，可以通过向有关人群提供额外的特征或更早提供信息。Ding等人通过研究医院电子病历临床医疗大数据，建立回归模型寻找与流感有强相关的信号信息(发病症状、查询流感的强度和次数)，从医院数据的角度监控预防流感[ 60]。互联网通常是人们寻求卫生信息的第一个地方，医疗门户网站和社会媒体是美国互联网用户流行的在线卫生信息资源[ 61]。Twitter拥有超过3.2亿的月活跃用户，大量的用户数据可以应用于生活的许多领域。相关研究已经成功地表明，从Twitter用户收集的信息可以用来检测大型流感的爆发[ 62,63]。Achrekar等人建立了一个实时的疾病监测系统，自动跟踪Twitter上与疾病相关数据，并将输出数据实时可视化为交互式地图[ 64]，预测疾病暴发。Kang等人对Twitter数据进行情感分析和地理编码，用美国国家地理杂志地图可视化情感和地理信息，实时监控流感舆论信息[ 65]。此外，许多应用程序也提供流感信息，这些信息的主要来源是疾病控制和预防中心(CDC)[ 66]。谷歌使用搜索词来预测流感趋势[ 67]；Flunearyou4和SickWeather5收集流感信息的位置信息，将流感病例可视化为地图上的标记；Li等人设计实现的appHHeal使用了一种新的数据模型整合地方疾病控制和预防中心(CDC)流感信息、流感症状和流感预防行为，将其可视化，显示实时动态变化[ 68]。

医疗大数据的监控和预测可以帮助用户预防疾病，帮助医疗专家尽早采取治疗措施。利用大数据智能环境传感器，无论病人是在病房还是家里，医疗专家可以实时监控病人的身体状况。通过研究临床医疗大数据，医院可以使用建模回归等数据分析方法来监控预防疾病。此外，社交媒体等互联网数据也是疾病数据信息的重要来源，可以辅助疾病监控与预测。

3.4 数据驱动的智慧商务服务

3.4.1商业智能决策

大数据分析，也被称为大数据挖掘，是从大数据中发现可操作的知识模式的过程。大数据为企业创造新业务、开发新产品和服务、改善业务运营提供了巨大的潜力。利用大数据分析可以创造效益，如节约成本，更好地进行决策，提供更优质的产品和服务[ 69]。大数据驱动的智慧商务服务主要在个性化营销、优化定价和降低成本三个方面帮助智能决策。

(1)个性化营销

通过利用多种来源的大数据，企业可以提供个性化的产品和服务建议、优惠券和其他促销优惠。梅西百货等主要零售商使用大数据分析购物者的偏好和情绪，优化他们的购物体验。一些公司已经开始使用社交媒体的数据来评估信贷风险和融资的潜在客户需求，为他们提供不同类型的金融产品[ 70]。

(2)优化定价

企业可以利用来自客户的互动大数据，适当调整商品价格[ 71]。西尔斯利用大数据帮助设定价格，给忠诚顾客定制优惠券，通过在零售行业部署了一个大型的Hadoop集群，利用开源技术来保持大数据的低成本，将大量的商品供应数据与其他零售商的价格进行比较，以便动态定价。易趣网还使用开源Hadoop技术和数据分析来优化价格和客户满意度，为了达到拍卖物品的最高价格，易趣网分析了以往有关物品的拍卖数据，推荐出最优的拍卖价格[ 72]。

(3)降低成本

大数据降低了许多公司的运营成本。根据埃森哲的数据，使用大数据分析的公司在供应链问题上的反应要比那些不使用数据分析的公司更快更有效[ 73]。大数据分析可以方便需求预测，实时跟踪出货过程以优化分销网络管理[ 74]。通用电气针对西南航空公司的飞行效率，分析飞行和运营数据，以节省燃料[ 75]。大数据也可以帮助零售业大幅降低成本，特易购是一家欧洲超市，通过在所有冰箱配备传感器每3秒监测一次温度，分析冰箱数据，优化了冰箱的温度，每年减少约2500万美元的能源成本[ 76]。

大数据的驱动使得商务决策智能化。在个性化营销方面，通过分析用户的消费数据、社交数据和信用数据等多种类型的数据，企业可以精准化营销，提供个性化的商品选择；在定价方面，企业可以利用用户的互动大数据和同行业的数据进行比较分析，适当调整价格，确定最优价格；在成本方面，对供应链问题的大数据分析可以帮助降低运营成本，零售业的成本也可以通过大数据实时监控和分析来控制。

3.4.2大数据风险控制

数据分析可以在许多方面给银行和金融市场公司带来好处，除了个性化营销、优化定价和降低成本，风险分析和欺诈检测也是非常重要的分析方向，可以帮助规避潜在风险，实现智能交易，降低风险程度[ 77]。基于大数据的风险分析和欺诈检测可以为金融机构提供更多的商业机会，获得市场和客户更全面的看法。

商务风险控制的数据一方面来源于市场数据，一方面需要推特等社交网络数据对市场数据进行补充。Alessia等人建立了一个早期预警系统，实时监控市场数据，识别金融系统由于信贷和资产价格的发展而引起的变化，控制金融危机的风险[ 78]。Giudici等人展示了如何将基于Twitter的风险网络系统与金融市场数据中的数据相结合，通过建立数据融合的贝叶斯模型，预测金融市场的风险[ 79]。信贷增长是一个预测金融危机和银行危机的重要因素[ 80]，Qin等人建立的风险预警模型中重点考虑了这一要素[ 81]。

除了数据驱动的风险预警系统研究设计，如何大规模实时高效地进行数据计算分析也是一个重要的研究方向，尤其是在金融市场的风险控制方面，数据分析的延迟意味着分析的贬值，特别是对于一些高时效性的分析，如股票交易的风险管理[ 77]。另一方面，迅速增长的数据洪流在短时间内就会影响到金融市场的各个方面，这种挑战要求金融机构提高数据分析和风险控制的效率。纽约交易所已经使用大数据分析来检测非法交易的新模式，他们需要处理两百万兆字节数据实时分析结果，因此数据分析的速度至关重要[ 82]。

大数据分析可以帮助商务风险分析和欺诈检测，有效规避商务风险。对商务风险的控制需要实时监控市场数据，也需要监控社交网络数据和信贷数据。大数据风险控制对数据计算与分析的速度有着非常高的要求，需要对大规模的数据实时计算分析，建立高效的风险预警系统。

4 大数据视角下的智慧信息服务发展趋势展望

4.1 大数据开放共享为智慧信息服务提供数据来源

政府拥有大量的财政收支、商品价格、普查结果等数据资源，政府数据的开放平台和体系制度已相对成熟。除政府大数据的开放共享，各个医疗机构、文化服务机构和商务机构的大数据资源还亟待开放，医疗机构临床大数据的开放可以帮助医疗专家分析疾病案例，更好地研究治疗措施，也为普通大众了解疾病和医学知识提供了入口，完善了医疗体系；文化服务机构大数据的开放有助于用户数据和资源数据的全面分析，帮助提高服务质量；商务机构的大数据开放对商务智能决策和安全透明交易至关重要，也使得交易更加公平，缓解了信息不对称等问题。大数据开放之后需要数据的标准化以实现不同数据资源之间的共享，解决数据开放之后的信息孤岛问题，追求开放资源的标准化共享将成为智慧信息服务发展的趋势之一。

4.2 大数据融合使智慧信息服务更加全面

不同领域的大数据融合使得智慧信息服务可以融合多个领域的数据资源，进行综合全面的分析，既可以综合多个领域的资源服务于特定领域，又可以将智慧信息服务应用于更多的领域。以信用数据的智慧信息服务为例，对信用的分析不仅要考虑信用历史、履约情况和身份信息，还要综合行为偏好数据、消费数据及人脉关系信用数据，综合多个领域的数据可以使智慧信息服务更加全面有效。从早期电子商务公司和在线网络公司的个性化推荐智慧信息服务，到基于社交网络分析的智慧信息服务，再到物联网环境下政务、文化、医疗和商务等行业的智慧信息服务，智慧信息服务的应用领域呈现出快速扩大且深入的趋势，随着各领域大数据的爆炸性增长、开放共享和融合，智慧信息服务的应用领域也会朝着更加广泛和深入的方向发展。

4.3 大数据挖掘使智慧信息服务更加精准化

大数据最重要的特点之一是数据量大，Gartner(2015)预测，世界上连接使用的设备量将在2020年之前达到240亿台[ 30]。大量的数据本是低价值的，但大数据分析与挖掘将把数据转换成高价值的战略资产。对于商家而言，通过对大量的用户行为数据进行分析，发现共同的兴趣点或痛点，进行精准化营销，将取得事半功倍的效果；对使用可穿戴医疗设备如血糖监测仪、脉搏血氧仪、血压监视器的患者的生理条件进行数据挖掘可以帮助医疗专家精准发现患者的疾病，尽早预防和治疗；精准扶贫方面，通过对扶贫对象的个人基本情况、家庭信息、医疗信息等大量数据的分析挖掘，精准识别贫困对象的状况，对不同程度的贫困对象实施不同程度的扶贫。智慧信息服务大数据挖掘的重要价值在于对大量数据的精准化与个性化服务，这也是智慧信息服务的重要发展趋势之一。

4.4 智慧信息服务更加注重数据的隐私和安全

数据通过智能算法生成知识、形成新的服务之后，可以转化为巨大的生产力，但这个过程的决定权掌握在收集数据、编写算法的人手中。如何寻找效益开发和隐私保护的平衡点成为研究热点。2013年，世界经济论坛发表了题为“释放个人数据的价值：从数据收集到数据使用”的报告，认为数据在自由流动中才能创造最大的价值，隐私管理的关注点应当是数据的使用，而不是数据的收集[ 83]。普林休斯顿大学的阿尔文德正在研究的数据隐私保护项目希望可以对大数据服务的营销手段实施逆向管控，完成信息服务机构或企业的隐私侵犯与歧视行为的“普查”工作[ 84]。数据审核与跟踪技术也是保护数据隐私和安全的重要方法，智慧信息服务的相关算法和技术的公开将成为未来的发展趋势，推动数据市场的繁荣和智慧信息服务的智能化。

5 结语

随着云存储、云计算和物联网等相关大数据技术的发展，智慧信息服务已经深入渗透至各行各业，尤其是在政务服务、文化服务、医疗服务和商务服务这些行业，数据驱动的政府数据开放共享和智能舆情分析与预警、公共文化服务云体系和文化大数据融合服务平台、精准医学知识发现和医疗大数据监护与预测、商业智能决策和大数据风险控制等领域。大数据开放共享将为智慧信息服务提供更多的数据来源，大数据融合将使智慧信息服务更加全面，大数据挖掘使智慧信息服务更加精准化，智慧信息服务也将更加注重数据的隐私和安全。

[1]AbdullahM.Bigdatamining:Aclassificationperspective[C]//InternationalConferenceonCommunication,ManagementandInformationTechnology,ICCMIT,2016.London:Taylor&FrancisGroup,2016:687-695.

[2]ManyikaJ,ChuiM,BrownB,etal.Bigdata:Thenextfrontierforinnovation,competition,andproductivity[R/OL].MckinseylCompany,2011-05.[2018-03-15].https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation.

[3]InstituteI.Thenextfrontierininnovation:Servicesinnovation[J].Research-TechnologyManagement,2011,54(2):60-61.

[4]ZikopoulosP,EatonC.Understandingbigdata:Analyticsforenterpriseclasshadoopandstreamingdata[M].McGraw-HillOsborneMedia,2012:50-55

[5]ChenCLP,ZhangCY.Data-intensiveapplications,challenges,techniquesandtechnologies:Asurveyonbigdata[J].InformationSciences,2014,275(11):314-347.

[6]ChenM,MaoS,LiuY.Bigdata:Asurvey[J].MobileNetworks&Applications,2014,19(2):171-209.

[7]PawarAM.Bigdatamining:Challenges,technologies,toolsandapplications[J].DatabaseSystemsJournal,2016,7(2):28-33.

[8]AckerF,SaundersS.ApproachingBigData:HarnessingAppinformationinsocialmarketing[A]//In:KubackiK,Rundle-ThieleS(eds).FormativeResearchinSocialMarketing.Singapore:Springer,2017:33-52

[9]FangX,SalvendyG.Customer-centeredrulesfordesignofe-commercewebsites[M].ACM,2003:41-52.

[10]SchaikPV,LingJ.Theeffectsofscreenratioandorderoninformationretrievalinwebpages[J].Displays,2003,24(4-5):187-195.

[11]HuarngAS.Web-basedinformationsystemsrequirementanalysis[J].InformationSystemsManagement,2003,20(1):50-58.

[12]KamvarS,HaveliwalaT,GolubG.AdaptivemethodsforthecomputationofPageRank[J].LinearAlgebra&ItsApplications,2004,386(2):51-65.

[13]O'ReillyT.WhatisWeb2.0:Designpatternsandbusinessmodelsforthenextgenerationofsoftware[J].Communications&Strategies,2007, (1):17-37

[14]KaplanAM,HaenleinM.Usersoftheworld,unite!Thechallengesandopportunitiesofsocialmedia[J].BusinessHorizons,2010,53(1):59-68.

[15]ZhengX,SchwartzZ,UysalM.Marketintelligence:Socialmediaanalyticsandhotelonlinereviews[M].AnalyticsinSmartTourismDesign.SpringerInternationalPublishing,2017:12-17.

[16]JamaliM,AbolhassaniH.Differentaspectsofsocialnetworkanalysis[C]//IEEE/Wic/ACMInternationalConferenceonWebIntelligence.IEEEComputerSociety,2006:66-72.

[17]WassermanS,FaustK.Socialnetworkanalysis:Methodsandapplications.[J].ContemporarySociology,1995,91(435):219-220.

[18]SharmaV,KumarR,KaurR.UAV-Assistedcontent-basedsensorsearchinIoTs[J].ElectronicsLetters,2017,53(11):724-726.

[19]GnanarajAA,JayanthiJG.AnapplicationframeworkforIoTsenabledsmartagriculturewasterecyclemanagementsystem[C]//WorldCongressonComputingandCommunicationTechnologies.IEEEComputerSociety,2017:1-5.

[20]RaunNF.SmartenvironmentusingInternetofThings(IOTS) -Areview[C]//InformationTechnology,ElectronicsandMobileCommunicationConference.IEEE,2016:1-6.

[21]SahaHN.Monitoringpatient'shealthwithsmartsmbulancesystemusingInternetofThings(IOTs)[C/OL]//IndustrialAutomationandElectromechanicalEngineeringConference(IEMECON),AtBangkok,Thailand,2017.DOI:10.1109/IEMECON.2017.8079568[2018-03-25].https://www.researchgate.net/publication/320596477_Monitoring_patient's_health_with_smart_ambulance_system_using_Internet_of_Things_IOTs.

[22]DunnA.Openinggovernmentdatasetsenhancesresearchandinnovation[J].MrsBulletin,2017,42(8):549.

[23]AttardJ,OrlandiF,ScerriS,etal.Asystematicreviewofopengovernmentdatainitiatives[J].GovernmentInformationQuarterly,2015,32(4):399-418.

[24]GaoX,LeeJ.E-governmentservicesandsocialmediaadoption:ExperienceofsmalllocalgovernmentsinNebraska[J/OL].AmericanSocietyforPublicAdministration2017.DOI:10.1145/3085228.3085258[2018-03-15].https://www.researchgate.net/publication/315801688_E-Government_Services_and_Social_Media_Adoption_Experience_of_Small_Local_Governments_in_Nebraska.

[25]AlexopoulosC,ZuiderwijkA,CharapabidisY,etal.Designingasecondgenerationofopendataplatforms:Integratingopendataandsocialmedia[C]//InternationalConferenceonElectronicGovernment.Heidelberg,Berlin:Springer,2014:230-241.

[26]ArcelusJ.Frameworkforusefultransparencywebsitesforcitizens[C]//InternationalConferenceonTheoryandPracticeofElectronicGovernance.ACM,2012:83-86.

[27]WangHJ,JinL.Adoptionofopengovernmentdataamonggovernmentagencies[J].GovernmentInformationQuarterly,2016,33(1):80-88.

[28]UbaldiB.Opengovernmentdata:Towardsempiricalanalysisofopengovernmentdatainitiatives[J].OECDWorkingPapersonPublicGovernance,2013,27(3):11-15.

[29]LaneJ.Buildinganinfrastructuretosupporttheuseofgovernmentadministrativedataforprogramperformanceandsocialscienceresearch[J].AnnalsoftheAmericanAcademyofPolitical&SocialScience,2018,675(1):240-252.

[30]ConradieP,ChoenniS.Onthebarriersforlocalgovernmentreleasingopendata[J].GovernmentInformationQuarterly,2014,31:S10-S17.

[31]BlauerB.Buildingthedatacityofthefuture[J].AnnalsoftheAmericanAcademyofPolitical&SocialScience,2018,675(1):151-165.

[32]KhasnabishJN,VermaAP,RaoS.Implementingapublish-subscribedistributednotificationsystemonhadoop[C]//ICTandCriticalInfrastructure:Proceedingsofthe48thAnnualConventionofComputerSocietyofIndia-VolI.SpringerInternationalPublishing,2014:543-553.

[33]WelchEW,FeeneyMK,ParkCH.DeterminantsofdatasharinginU.S.citygovernments[J].GovernmentInformationQuarterly,2016,33(3):393-403.

[34]FeuerA.Themayor'sgeeksquad[N/OL].TheNewYorkTimes,2013-03-28. [2017-10-26].http://www.nytimes.com/2013/03/24/nyregion/mayor-bloombergs-geek-squad.html?pagewanted=all.

[35]LiebigT,PiatkowskiN,BockermannC,etal.Dynamicrouteplanningwithreal-timetrafficpredictions[J].InformationSystems,2017(64).258-265.

[36]MustoC,SemeraroG,LopsP,etal.CrowdPulse:Aframeworkforreal-timesemanticanalysisofsocialstreams[J].InformationSystems,2015,54:127-146.

[37]ShiQ,Abdel-AtyM.Bigdataapplicationsinreal-timetrafficoperationandsafetymonitoringandimprovementonurbanexpressways[J].TransportationResearchPartCEmergingTechnologies,2015,58:380-394.

[38]ParkH,HaghaniA.Real-timepredictionofsecondaryincidentoccurrencesusingvehicleprobedata[J].TransportationResearchPartCEmergingTechnologies,2015,70:69-85.

[39]SultanN,vandeBunt-KokhuisS.Organisationalcultureandcloudcomputing:Copingwithadisruptiveinnovation[J].TechnologyAnalysis&StrategicManagement,2012,24(2):167-179.

[40]BartošK,PukanskáK,SabováJ.Theapplicationofopen-sourceandfreephotogrammetricsoftwareforthepurposesofculturalheritagedocumentation[J].GeoscienceEngineering,2014,60(2):17-24.

[41]HyvönenE.Publishingandusingculturalheritagelinkeddataonthesemanticweb[J].SynthesisLecturesontheSemanticWeb:TheoryandTechnology,2012,2(1):1-159.

[42] 李文川, 陈承, 胡雅文. 公共数字文化云资源服务创新研究[J]. 图书馆,2017(2):18-23.

[43]ManeyK.BigdataonCampus[J].NewsweekGlobal,2012,162(8):99.

[44]WilliamsS.Bigdatastrategyapproaches:Business-drivenordiscovery-based?[J].BusinessIntelligenceJournal,2014,19(4):9-15.

[45]StylianiS,FotisL,KostasK,etal.Virtualmuseums,asurveyandsomeissuesforconsideration[J].JournalofCulturalHeritage,2009,10(4):520-528.

[46]Robles-OrtegaMD,FeitoFR,JiménezJJ,etal.Webtechnologiesappliedtovirtualheritage:AnexampleofanIberianartmuseum[J].JournalofCulturalHeritage,2012,13(3):326-331.

[47]CarrozzinoM,BergamascoM.Beyondvirtualmuseums:Experiencingimmersivevirtualrealityinrealmuseums[J].JournalofCulturalHeritage,2010,11(4):452-458.

[48]HuQ,YuD,WangS,etal.Hybridthree-dimensionalrepresentationbasedonpanoramicimagesandthree-dimensionalmodelsforavirtualmuseum:Datacollection,model,andvisualization[J].InformationVisualization,2016,16(2):126-138.

[49]HornMS,PhillipsBC,EvansEM,etal.Visualizingbiologicaldatainmuseums:Visitorlearningwithaninteractivetreeoflifeexhibit[J].JournalofResearchinScienceTeaching,2016,53(6):895-918.

[50]NelsonBC,BowmanC,BowmanJ.DesigningfordatawithaskDr.discovery:Designapproachesforfacilitatingmuseumevaluationwithreal-timedatamining[J].TechnologyKnowledge&Learning,2017(2):1-16.

[51] 祝莉莉. 山东社科论坛——“互联网+公共文化服务建设”学术研讨会会议综述[J]. 人文天下,2016(21):42-46.

[52] 童茵, 张彬, 李晓丹. 智慧技术推进公共文化融合休系建设[C]//2013年北京数字博物馆研讨会.北京：北京数字科普协会,2013:73-78.

[53] 凤凰网.“广州记忆”数字库启建[EB/OL].[2017-12-13].http://news.ifeng.com/gundong/detail_2012_04/13/13851798_0.shtml

[54]AlbaneseM,D'AciernoA,MoscatoV,etal.Amultimediasemanticrecommendersystemforculturalheritageapplications[C]//IEEEFifthInternationalConferenceonSemanticComputing.IEEEComputerSociety,2011:403-410.

[55]SchreiberFA,AmatoF,ColaceF,etal.Bigdatameetsdigitalculturalheritage:DesignandimplementationofSCRABS,asmartcontext-awarebrowsingassistantforculturalenvironmentS[J].JournalonComputing&CulturalHeritage,2017,10(1):1-23.

[56]BouzilléG,PoirierC,Campillo-GimenezB,etal.Leveraginghospitalbigdatatomonitorfluepidemics[J].ComputerMethodsandProgramsinBiomedicine,2017(154):153:160.

[57]KimSH,ChungKY.Medicalinformationservicesystembasedonhuman3Danatomicalmodel[J].MultimediaTools&Applications,2013,74(20):1-12.

[58]BrennanPF,CasperG.Observinghealthineverydayliving:ODLsandthecare-between-the-care[J].Personal&UbiquitousComputing,2015,19(1):3-8.

[59]JainA,BhatnagarV.Concoctionofambientintelligenceandbigdataforbetterpatientministrationservices[J].InternationalJournalofAmbientComputing&Intelligence,2017,8(4):19-30.

[60]DingD,LiJ,WangH,etal.Studentbehaviorclusteringmethodbasedoncampusbigdata[C]//InternationalConferenceonComputationalIntelligenceandSecurity.IEEEComputerSociety,2017:500-503.

[61]ChapmanA.DTCmarketingofgenetictests:Theperfectstorm[J].AmericanJournalofBioethicsAjob,2008,8(6):10-2.

[62]ChenL,AchrekarH,LiuB,etal.Vision:Towardsrealtimeepidemicvigilancethroughonlinesocialnetworks:IntroducingSNEFT-socialnetworkenabledflutrends[C]//ACMWorkshoponMobileCloudComputing&Services:SocialNetworksandBeyond.ACM,2010:4.

[63]ChewC,EysenbachG.PandemicsintheageofTwitter:Contentanalysisoftweetsduringthe2009H1N1outbreak[J/OL].PlosOne,2010,5(11):e14118. [2017-12-25].http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0014118

[64]AchrekarH,GandheA,LazarusR,etal.PredictingflutrendsusingTwitterdata[C]//ComputerCommunicationsWorkshops.IEEE,2011:702-707.

[65]KangEJ,KimSY,HwangIH,etal.Theeffectofprobioticsonpreventionofcommoncold:Ameta-analysisofrandomizedcontrolledtrialstudies[J].KoreanJournalofFamilyMedicine,2013,34(1):2-10.

[66]ByrdK,MansurovA,BaysalO.MiningTwitterdataforinfluenzasetectionandsurveillance[C]//InternationalWorkshoponSoftwareEngineeringinHealthcareSystems.ACM,2016:43-49.

[67]LazerD,KennedyR,KingG,etal.Bigdata.Theparableofgoogleflu:Trapsinbigdataanalysis.[J].Science,2014,343(6176):1203.

[68]LiN,ZhaoC,ChoeEK,etal.HHeal:Apersonalizedhealthappforflutrackingandprevention[C]//ACMConferenceExtendedAbstractsonHumanFactorsinComputingSystems.ACM,2015:1415-1420.

[69]DavenportTH.Bigdataatwork:Dispellingthemyths,uncoveringtheopportunities[M].HarvardBusinessReviewPress,2014:55-62.

[71]TanKH,JiG,LimCP,etal.Usingbigdatatomakebetterdecisionsinthedigitaleconomy[J].InternationalJournalofProductionResearch,2017,55(17):1-3.

[72]LeeI.Bigdata:Dimensions,evolution,impacts,andchallenges[J].BusinessHorizons,2017,60(3):293-303.

[73]ModusLink.Bigdataanalytics=Keytosuccessful2015supplychainstrategy[EB/OL]. [2018-03-15].https://www.moduslink.com/big-data-analytics-key-successful-2015-supply-chain-strategy/.

[74]WambaSF,AkterS.Bigdataanalyticsforsupplychainmanagement:Aliteraturereviewandresearchagenda[C]//11thInternationalWorkshoponEnterpriseandOrganizationalModelingandSimulation,Stockholm,Sweden,2015.Spriner,2015:61-72.

[75]AirlinesS.Howcorporateculturehelpedsouthwestairlinesbecomethebest:EmployeesaretheNo.1customer[J].StrategicDirection,2005(4):16-18.

[76]CresciS,PetrocchiM,SpognardiA,etal.Acriticismtosociety(asseenbyTwitteranalytics)[C]//IEEE,InternationalConferenceonDistributedComputingSystemsWorkshops.IEEE,2014:194-200.

[77]TianX,HanR,WangL,etal.Latencycriticalbigdatacomputinginfinance[J].JournalofFinance&DataScience,2015,1(1):33-41.

[78]AlessiL,DetkenC.Identifyingexcessivecreditgrowthandleverage[J].JournalofFinancialStability,2017,6(5):215-225.

[79]GiudiciP,CerchielloP,NicolaG.Twitterdatamodelsforbankriskcontagion[J/OL].Neurocomputing,2016(1).DOI:10.1016/j.neucom.2016.10.101. [2017-03-15].https://www.researchgate.net/publication/312087245_Twitter_data_models_for_bank_risk_contagion?ev=prf_high.

[80]MonetaryandCapitalMarketsDepartment.Globalfinancialstabilityreport,April2009:Respondingtothefinancialcrisisandmeasuringsystemicrisks[R].InternationalMonetaryFund,2009:15-21.

[81]QinX,ZhouC.Systemicriskallocationforsystemswithasmallnumberofbanks[R/OL].DeNederlandscheBankWorkingPaperNo.378(May22,2013). [2018-03-15].https://ssrn.com/abstract=2268513.

[82]ChenS,YangQ,XuS.Analytics:Thereal-worlduseofbigdatainfinancialservicesstudyingwithjudgesystemevents[J].JournalofShanghaiJiaotongUniversity,2016,21(2):210-214.

[83] 张璐晶. 复苏的经济 世界经济论坛授权本刊发布《2013—2014年全球竞争力报告》[J]. 中国经济周刊,2013(35):34-39.

[84] 史蒂夫·洛尔. 大数据主义[M]. 北京：中信出版社,2015:76-91.