前言：中文期刊網精心挑選了數學建模數據處理方法范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
數學建模數據處理方法范文1
關鍵詞 : 三維建模 ; 立體測圖 ; 真正射影像
Abstract: The 3D model of city is a city terrain, over ground and underground artificial built (structure) three-dimensional expression of the building, to reflect the spatial position, city of object geometry, texture and attribute information. This paper introduces the basic principle, 3D city modeling technology, production process, technical characteristics of the content.
Key words: 3D modeling; stereo mapping; true orthophoto
中圖分類號：P25 文獻標識碼：文章編號:
引言:城市三維建模旨在綜合運用“3S”技術、三維建模與可視化技術，以多尺度遙感對地觀測技術為手段、以1:1000標準分幅和行政單元為基礎作業單元，設計一套人機交互方式的城市三維建模技術流程，利用DEM、DOM、TDOM、DLG構建城市建筑物的幾何模型，實現從DOM、TDOM和帶有定向參數的原始影像上提取建筑物各個面的紋理，并對紋理信息進行處理，最后在建筑物幾何模型上粘貼紋理生成城市三維模型。從而以較低的建設成本，較高的建模效率滿足城市三維建模的要求，實現對城市現狀的三維模型快速建立，滿足不同用戶的需求，為城市管理提供可視化的手段。
一、城市三維建?；緶蕜t
1）分幅建模
為了便于數據庫存儲和系統調用，以1:1000標準分幅為單位作為建模的基本單位，DLG、DOM、DEM和TDOM也相應的以此單位分幅。
2）地物取舍
在城市三維模型中需要反映出城市的主體結構，對較大型建筑物要反映出其真實形狀，對于小型建筑物，對全局影響不大的地物可以進行綜合，以紋理影像代替細節。通過對地物的綜合取舍可以有效地提高建模的效率。
3）特殊建筑物
由于地表存在大量的非規則建筑物，例如鏤空建筑物（涼亭、加油站等）這種有頂部，而下面為空的建筑物，利用航空攝影方法進行建模只能表現建筑物的頂部結構，而不能構建出內部結構，因此需要對這類建筑物進行單獨建模。
4）模型優化
建模場景中單個物體的面數不能太多，可以首先在二維矢量圖中對建筑物的邊線進行綜合，將距離較近的線進行綜合，使建筑物的形狀盡量規則、簡單，這樣可以降低整個場景的面數，在紋理貼圖時也可以節省時間，同時還可以提高交互場景的運行速度。
5）建模效率
需要采用高效的建模方法來構建地物模型。針對復雜地物，盡量把模型做成是可以組裝的；對于需要手動建模的地物，選擇建模軟件（3DSMax、Maya、Sketchup、Mudbox、VirtuoZo、Photoshop等）進行建模。
二．三維模型制作技術路線
三維模型數據既應滿足數字城市又應滿足數字規劃兩方面的需求，將同時保證數據精度和美觀度。因此建模方法以影像作參考依據，對測區范圍內航空攝影的高重疊率遙感影像進行處理，并產生出建模過程中所需要的DSM、DEM、DOM和TDOM數據。通過全數字攝影測量系統采集到的矢量數據，基于DSM、DEM進行立面處理得到建筑物的幾何模型，然后將建筑物幾何模型投影到帶有定向參數的航空攝影遙感影像和TDOM上，自動提取建筑物的紋理信息，最終生成建筑物完整的三維模型。三維模型制作技術路線如圖1。
圖1 三維模型制作技術路線
1）立體攝影測量技術
基于航空攝影測量和空三加密技術快速搭建三維城市模塊，能夠獲取高精度的建筑高程信息，保障數字城市業務對高精度城市模型的需要。同時其高效、真實、精準的特性為業務應用快速提供準確的數據源，方便用戶盡快開展行業應用。
2）真正射影像（TDOM）處理技術
與普通數字正射影像產品的區別是：三維建模區所用的背景圖對所有建筑物都進行了中心投影糾正，從而保證建筑物無投影差。
利用全數字攝影測量系統，在立體環境下采集建筑物幾何特征信息。攝影測量系統所采集的建筑物矢量數據，是制作三維建模區背景圖的數學基礎，利用此數據對正射影像數據進行再次精糾正，即可消除建筑物投影差。
正射影像數據精糾正之后，利用專業的正射影像鑲嵌軟件，為任何來源的正射影像提供完全自動的整塊的色彩平衡和無縫鑲嵌。
三．城市三維模型數據生產
1）矢量采集
利用全數字攝影測量系統，在立體環境下采集建筑物幾何特征信息（圖2）。
圖2 建筑物矢量采集
2）三維模型生成
利用專業三維建筑物制作軟件自動生成建筑物三維模型（圖3）。
圖3 自動生成三維模型數據
3）頂部紋理貼圖
由于真正射影像已經消除了建筑物投影差，使得矢量信息與影像信息能夠完美疊加，由此可以對影像頂部紋理信息進行準確裁切，并自動提取，附著在建筑物三維模型數據上（圖4）。
圖4 頂部紋理自動提取
4）建筑物側面紋理貼圖
a.影像貼圖模型側面紋理
本項目城市建筑物影像貼圖模型側面紋理部分采用影像貼圖，提取正射影像作為建筑模型的側面紋理（圖5）。
圖5 影像紋理模型
b.照片貼圖模型側面紋理
照片貼圖模型采用實地采集照片作為側面紋理（圖6）。
圖6 照片紋理模型
四．三維模型制作技術特點
1）利用數字微分糾正技術，改正原始影像的幾何變形，對影像進行重采樣，使影像視角被糾正為垂直視角而形成的影像圖。而傳統正射影像并不是完全消除了投影差的所謂“真正射”。
2）避免了高大建筑的傾斜對其它地物的遮擋。
3）圖上的所有人造三維物體，例如建筑物和橋梁等，都被安放在它們真正的位置上，沒有產生由高度的起伏而引起的位移。
4）利用真正射影像和數字地表模型進行疊加可以很方便地生成三維城市地面模型。由于建筑物等已經被糾正到垂直視角，所以三維建筑等的頂部影像能夠和數字地表模型完美疊加。
5）在高架橋、立交橋等人工修建的橋梁處，因采用三維建模制作，故在真正射影像上我們采用還原原始地面的方式，使其在三維場景中顯示地更真實。
五．結論
城市三維建模是以立體測量三維建模為主要工作內容，建模要求模型結構完整、平面和高程精度高、重點道路和市中心區域模型效果精美。最終建模成果可配置于三維地理信息平臺上，用于展示及輔助決策，未來成果的應用將延伸到地下管線、數字城管、規劃等，初步構建以三維仿真為技術基石，城市綜合管理為目標的數字虛擬城市。
參考文獻：
[1] 熊祖強．工程地質三維建模及可視化技術研究[D] 武漢：中國科學院武漢巖土力學研究所，2007．
[2] 高山.三維城市模型若干關鍵技術的研究[D].武漢：武漢大學，2004
數學建模數據處理方法范文2
【關鍵詞】大數據 人工智能 算法設計
1 大數據的發展概述
大數據指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合。大數據包括海量的數據信息與高強度的數據處理能力，大數據是相對于傳統數據處理應用程序來說，不足以處理大型、復雜的數據集的新型處理模式，包括分析、捕獲、數據整理、搜索、共享、存儲、傳輸、可視化查詢、更新和信息管理。大數據通常僅指使用預測分析、用戶行為分析或某些其他高級數據的分析方法，這些方法從數據中提取價值，很少涉及特定大小的數據集。數據集分析可以發現新的聯系與信息?？茖W家、企業高管、醫學從業者、廣告和政府都定期在互聯網搜集大數據，這些數據在金融、城市信息學和商業信息學等領域更為重要?？茖W家在電子科學工作中遇到了很多需要處理海量數據的問題，涉及氣象學、基因組學、復雜物理模擬、生物學和環境研究等。大數據包括文本、圖像、音頻、視頻，它通過數據融合可以完成未來數據的機器學習，大數據通常是數字交互的無成本的產品。越來越成熟的概念更清楚地描述了大數據和人工智能之間的區別，人工智能使用具有高信息密度的數據的描述性統計來測量事物、檢測趨勢等。大數據使用歸納統計和來自非線性系統識別的概念，從具有低信息密度的大量數據集中推斷出法則，例如回歸、非線性關系和因果效應，以揭示關系和依賴性或者進行結果和行為的預測。
2 大數據技術中的算法分析
2.1 神經網絡算法
神經網絡系統是由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。神經網絡是一種計算方法，基于神經單元的大集合，解決由軸突連接的生物神經元的大群集的問題。 每個神經單元與許多其他神經單元連接，并且可以對所連接的神經單元的激活狀態影響中實施抑制。每個單獨的神經單元可以具有將所有其輸入的值組合在一起的求和功能。在每個連接和單元本身上可以存在閾值函數或限制函數，使得信號在傳播到其他神經元之前必須超過極限。這些系統是自學習和訓練的，而不是明確編程的，并且在傳統計算機程序中難以表達的，這種方案在特征檢測領域中效果很好。神經網絡的目標是以與人類大腦相同的方式解決問題，現代神經網絡項目通常使用幾千到幾百f個神經單元和數百萬的連接， 這比人類大腦的復雜性還要少幾個數量級，更接近于蠕蟲的計算能力。 為了訓練它們，通常發生幾千次交互循環。 神經網絡已被用于解決使用普通的基于規則的編程難以解決的各種各樣的任務，如智能化學習。歷史上，神經網絡模型的使用向高級人工智能的方向移動，其特征在于包含在具有一些動力系統的認知模型的參數中的知識。
2.2 灰色關聯度分析
灰色關聯分析方法，是根據因素之間發展趨勢的相似或相異程度，來進行歸納和評價，作為衡量因素間關聯程度的一種方法?；疑P聯度分析使用特定的信息概念。它定義沒有信息為黑色的情況以及具有完美信息為白色的情況，這些理想化的情況都不會出現在現實世界的問題中。事實上，這些過渡階段的情況被描述為灰色。因此，灰色系統意味著其中部分信息是已知的并且部分信息是未知的系統。根據這個定義，信息質量形成從信息的缺乏到完整信息的存在過渡過程。由于不確定性總是存在，灰色分析可以得出一系列關于解決方案的清晰陳述。在一個極端情況下，這種方案無解，在另一個極端情況下，具有完美信息的系統具有獨特的解決方案。在中間情況中，灰色系統將給出各種優化的解決方案?；疑治鲈噲D找到最好的解決方案，提供了確定一個好的解決方案的技術來解決現實世界的問題。
3 大數據平臺的設計
3.1 平臺層
大數據分布式存儲系統：研究大規模、非結構化數據的存儲問題，突破大數據的存儲、管理和高效訪問關鍵技術，當前需要構建至少 PB 級存儲能力的大數據平臺才能滿足一般的科研和應用需求。
分布式數據挖掘運行時系統：突破 MapReduce 技術的局限，研究有效支持迭代、遞歸、層次及集成機制的海量數據挖掘編程模型和運行時系統，構建大數據運行時系統。
3.2 功能層
高可擴展性大數據挖掘算法：基于云計算的分布式大數據處理與挖掘算法，構建高可擴展的大數據處理與挖掘算法庫，實現 TB 級數據的建模能力。
分布式工作流引擎：基于云計算的分布式工作流調度、負載均衡技術，構建高效分布式工作流執行引擎。
交互式可視化分析技術：啟發式、人機交互、可視化數據挖掘新技術，實現大數據挖掘的高度人機交互功能。
3.3 服務層
基于 Web 的大數據挖掘技術：Web 的大數據挖掘方法和流程，實現易于使用的基于 Web 的大數據挖掘技術，構建基于 Web 的大數據分析環境。
基于Open API 的大數據挖掘技術：Open API 的大數據挖掘方法，研究大數據挖掘開放接口、開放流程，構建基于 Open API 的大數據分析模式。
4 大數據算法的應用分析
4.1 數據挖掘
數據挖掘是發現大數據數據規律的計算過程，涉及人工智能、機器學習、統計和數據庫系統結合的方法，它是一個跨學科的計算機科學子領域。數據挖掘過程的總體目標是從數據集中提取信息并將其轉換為可以理解的結構以供進一步使用。除了原始數據分析外，它涉及數據庫和數據管理方面、數據預處理、模型和推理、復雜性考慮、結構整合處理、可視化和在線更新。數據挖掘是一個熱門的領域，并且經常應用于各種形式的大規模數據或信息處理，主要包括收集、提取、存儲、分析和統計以及計算機決策支持系統的應用，包括人工智能、機器學習和商業智能。實際的數據挖掘任務是大量數據的自動或半自動分析，從而提取先前未知的數據存在模式，例如聚類分析、異常數據檢測和關聯規則挖掘、順序模式分析等，這通常涉及使用諸如數據索引的數據庫技術。數據收集、數據準備或結果解釋和報告都不是數據挖掘步驟的一部分，但是作為附加步驟屬于整個數據挖掘過程。數據挖掘、數據捕獲和數據窺探是指使用數據挖掘方法對較大數據集的部分進行抽樣分析。雖然這些數據集太小，不足以進行可靠的統計推斷以得出更多有價值的信息。然而，這些方法可以用于創建新的假設，以測試更大的數據群體。
4.2 機器學習
機器學習是計算機科學的子領域，它使計算機能夠學習而不用明確編程。從模式識別和計算學習理論在人工智能的研究演變而來，機器學習探索學習對數據進行預測算法的研究和構建，這樣的算法克服了嚴格的靜態程序指令數據驅動的預測或決策，通過從樣本輸入來建立一個模型。機器學習在一系列計算任務中使用，其中有著明確算法的設計和編程是不可行的，比如垃圾郵件過濾、檢測網絡入侵者或惡意內部人員、光學字符識別、搜索引擎和計算機視覺，這些方面都沒有明確的算法表示。機器學習與計算統計密切相關，并且經常與計算統計重疊，計算統計也集中在通過使用計算機的預測中。它與數學優化有著緊密的聯系，它將方法、理論和應用領域傳遞到現場。機器學習有時與數據挖掘相結合，后者的子領域更側重于探索性數據分析。機器學習也可以是全自動化的，用來學習和建立各種實體的行為預測，然后用于發現有價值的異常情況。在數據分析領域，機器學習是一種用于設計適合預測的復雜模型和算法的方法，在商業應用中，這被稱為預測分析。這些分析模型允許研究人員、數據科學家、工程師和分析師通過學習數據中的歷史關系和趨勢來產生可靠的、可重復的決策和結果并揭示隱藏的規律。
5 總結與展望
大數據技術算法的創新是一條光明而曲折的路，在這條路上會出現很多難題與挑戰，這個任務長期而又艱巨，需要結合實際經驗，不斷地進行總結歸納。為實現自身的長遠發展而進行大膽革新，利用創新思維進行現代化建設，從而大踏步地走向智能化的大稻莘⒄鼓勘輟
參考文獻
[1]陳曉，趙晶玲.大數據處理中混合型聚類算法的研究與實現[J].信息網絡安全，2015（04）.
[2]楊婷婷，林昌露，劉憶寧，張勝元.基于多方排序協議的安全電子投票方案[J].計算機系統應用，2015（08）.
[3]文坤，廖瑛，楊雅君.帶有空間機械臂的航天器系統慣性參數辨識[J].飛行器測控學報，2015（04）.
[4]何鋒，谷鎖林，陳彥輝.基于編輯距離相似度的文本校驗技術研究與應用[J].飛行器測控學報，2015（04）.
[5]黃冬梅，杜艷玲，賀琪.混合云存儲中海洋大數據遷移算法的研究[J].計算機研究與發展，2014（01）.
[6]孔凡新，劉麗.云環境下的隱私保護密文排序查詢[J].計算機工程與設計，2014（01）.
[7]何清，李寧，羅文娟，史忠植.大數據下的機器學習算法綜述[J].模式識別與人工智能，2014（04）.
[8]程芳權，彭智勇，宋偉，王書林，崔一輝.云環境下一種隱私保護的高效密文排序查詢方法[J].計算機學報，2012（11）.
[9]王茜，楊正寬.一種基于加權KNN的大數據集下離群檢測算法[J].計算機科學，2011（10）.
[10]陳書讓.超大數據量的快速排序法[J]. 物探化探計算技術，2000（04）.
作者簡介
李躍（1979-），男，黑龍江省大慶市人。研究生學歷。現為大慶師范學院講師。
數學建模數據處理方法范文3
關鍵詞 計算機軟件；工程預算；應用
中圖分類號：TP3 文獻標識碼：A 文章編號：1671-7597（2013）14-0097-01
經過長久的發展，計算機軟件在工程預算領域取得了巨大的成就，為工程預算帶來了巨大的便利，并且計算機軟件的飛速發展，特別是預算軟件的應用對于數據處理量非常龐大的工程預算來說，可以大大的提高工作效率。通過預算軟件的作用使工程預算人員得以從沉悶、繁瑣的工作中解脫出來。
1 工程預算應用計算機軟件的必要性
工程預算是一項龐大的、連貫性的、數據量非常大的工作，這種工作對于預算人員來說的負擔非常大，傳統的手工預算編制要對大量的定額條目和計算表進行大量重復的校對，耗費了許多時間和精力。因此應用計算機軟件的第一個優點在于可以顯著的提高工作效率，并且能夠避免許多人工計算的錯誤。并且隨著我國市場經濟體制不斷完善，建筑工程行業的競爭日益加劇，建筑企業要想保持市場競爭力，就必須改變傳統的手工預算編制手段，通過利用現代計算機軟件技術，提高建筑招投標控制中工程預算的質量?，F代社會中，計算機已經深入到各行各業中，應用計算機預算軟件，能夠有效的提升預算工作的效率和質量，對大規模信息進行匯總、保存和查詢，可以將預算工作的大規模信息與計算機軟件強大的數據處理功能緊密
結合。
2 計算機軟件在工程預算中的應用效果
2.1 可量化工程量的自動計算
根據目前的工程預算實際情況，對于最早的將工程量的信息表數據輸入數據庫中進行計算的形式，已經實現了由計算機軟件自動對工程預算量自動求和、統計和計算的功能，減少了人工計算的量，提高了效率，減少了工作量等問題。
2.2 價格共享的網絡機制
作為目前最為便捷的通信方式，網絡可以及時準確的為建筑工程的預算提供材料、勞務等價格信息，通過建立價格信息資源管理網絡系統，通過對工程預算方面的信息進行資源共享，讓有權限的預算人員通過驗證即可對信息資源進行利用，有效的提高預算工作的效率和準確度。
2.3 圖形工程量的集成化
傳統的工程預算最為復雜的就是工程圖紙的自動化處理和識別，而第三代算量軟件則有效的解決了這個難題，通過對圖形文件進行標準化工程量描述，不僅可以實現建筑施工過程的虛擬，并且對于工程圖結構部位及尺寸等方面數據可以做到明晰辨認，自動在網絡價格系統中索取相應的工程量單元，自動對價格進行預算。因此，既可以提高工程預算的自動化水平，又能保證設計數據的一致性，工程預算實現自動化分析和比較，并且可以根據實際情況對工程項目做出有效調整。
3 計算機軟件在工程預算中的應用
3.1 辦公軟件與工程預算的結合
建筑工程預算的第一次質變是隨著辦公、表格制作和數據處理軟件的普及而發生的，因為利用EXCEL軟件強大的計算功能和數據庫功能，可以在只輸入一次公式，進行多次邏輯相同的運算。通過EXCEL軟件進行工程預算可以改變過去手工預算的緩慢，大大減少了手工計算量，并且便于對數據進行儲存有利于二次利用。但是EXCEL等辦公軟件仍然存在缺陷，就是其對于復雜數據的錄入仍沒有改進，手工操作的量仍然很大，特別是工程量的計算仍然離不開繁瑣的手工操作。
3.2 第一代專業算量軟件
從辦公軟件給工程預算帶來極大的便利之后，接著就出現了專業的工程預算軟件，其主要原理是與手工算量表類似的，通過對不同的工程部位進行不同的算量表劃分，再由預算人員將數據從圖紙中轉移至計算機，其實這類軟件與EXCEL沒什么太大的差別，因此仍然沒有解決錄入繁瑣的問題。
3.3 二維圖形法算量軟件的應用
這類軟件的主要功能在于對圖紙進行數據化處理，通過對數據進行圖形化處理。與第一代專業算量軟件相比，其最大的改變在于將二維的施工圖紙錄入計算機，通過計算機對施工圖紙進行工程量計算，并且對數據進行匯總。過去必須由人工進行的構件扣減和幾何關系判定等工作現在可以由計算機進行操作。這是對表格算量的一大質變，大大的提高了預算人員的工作效率，但是二維圖形算量軟件仍具有其局限性，特別是表格的錄入、特別復雜的圖形的錄入等，并且對于三維結構的構件無法進行自動化分析等問題，導致常常需要借助表格算量法，因此二維圖形算量軟件只是在一定程度上減輕了預算人員的工作量，這仍然是一種手工和計算機相輔相成的預算手段。
3.4 第三代算量軟件
雖然二維圖形算量軟件已經是一個質的飛躍，但是其數學模型存在不完備的缺陷，并且對于建筑無法實現進行虛擬，并且對于三維多層構件無法錄入，由于對復雜建筑物的計算過程容易出現誤差，因此其應用受到很大的限制。其最大的缺陷在于圖形操作平臺的不完善導致了預算人員無法降低工作量。一旦工程施工出現變更，缺乏功能較為強大的圖形處理平臺進行操作，正是在這種情況下三維軟件應運而生。在現代工程施工圖紙的設計往往是借助AUTOCAD圖形設計軟件完成的，由這一軟件設計出的電子圖本身帶有了預算需要的所有電子數據，因此如何提升預算工作的效率應該從這一點入手。第三代算量軟件具有強大的數據分析處理功能，可以識別電子設計圖紙，將圖紙上所有構件轉化為算量軟件上的數據，減去了過去需要手工輸入數據的環節。除了需要對構件進行修正之外，第三代算量軟件較過去的預算方法已經提高了幾個數量級的效率。并且其可以在計算機上對施工進行虛擬，從地基建設到裝飾等整個流程進行三維建模，簡單直觀，并且對于構件的扣減出錯基本上不會出現，過去需要反復查詢圖紙的情況已經不再出現。
5 結束語
我們所處的時代是高度信息化的時代，社會的高速發展，建筑市場的不斷完善，對于毫無效率的工作方式亟需摒棄，借助計算機軟件在各行各業的迅速滲透，提高工程預算的效率是企業提高效益的重要途徑。因此，在新的時代環境下，如何利用計算機軟件提高預算工作的效率和準確度，是建筑工程企業的重點課題。
參考文獻
[1]孫海偉，郭曉靜.如何有效進行工程造價管理[J].山西建筑，2007（12）.
[2]付建華.談工程量清單招標的實踐性[J].工程造價管理，2001（1）.
[3]宣云干，李巧生，徐永紅，唐進.基于CIM的信息化土木工程設計應用研究[J].江蘇建筑，2007（06）.
[4]成晟.工程項目計算機協同管理系統Autodesk Buzzsaw平臺在世博中心項目建設中的運用[J].智能建筑與城市信息，2009（09）.
[5]龍江英.政府投資項目主體缺位原因分析[J].貴陽學院學報（自然科學版），2010（04）.
數學建模數據處理方法范文4
[關鍵詞]大數據；企業；管理決策
doi：10.3969/j.issn.1673 - 0194.2016.06.038
[中圖分類號]F272 [文獻標識碼]A [文章編號]1673-0194（2016）06-00-02
正確的決策是企業公共競爭優勢的源泉，一項良好的決策能幫助企業產生更優的組織績效，其效果積累也會為企業造就更強的競爭優勢。伴隨云計算、移動計算等新興技術的興起，數據模式的高度復雜化和數據規模的爆炸式增長標志著全球已進入網絡化大數據時代。數據成為最重要的決策依據和基礎，能夠幫助企業進行更高效、更及時的管理決策，從而盡快創造新的商業機會和契機，轉變企業以往僵硬的商業模式。當前我國對大數據方面的研究多基于或限定于技術層面，鮮有從管理學角度、大數據角度來分析企業管理決策的研究。管理決策和大數據應如何定義？大數據是如何發揮影響企業管理決策效應的？諸如此類的問題尚需要系統研究。
1 大數據的定義
維基百科對大數據所作出的定義是：難以在一定時間內，通過常規軟件工具來對其內容進行采集、管理、處理等工作的數據集合。此外，麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。就筆者而言，以上均是基于大數據特征方面來對其進行定義的。國內很多學者也對大數據的定義作出了探索。以李國杰先生為代表的學者們將大數據定義為：不能在一定時間內通過傳統軟硬件工具和IT技術對其進行獲取、管理等的數據集合。而以馮芷艷為代表的學者們則認為大數據與大規模數據以及海量數據的概念相似，但相異之處是大數據在數據復雜性、產生速度等方面遠超現有的技能處理能力，且產生了巨大的產業創新契機。而以劉玉楓先生為代表的學者們認為大數據是指所涉及的資料量超過現有主流軟件和工具的承載能力，通過合理時間內采集、管理、整理等為企業經營決策提供更為積極的一種資訊。
作為一種基礎性資源，大數據的商業價值絕不是只來自于數據本身，其更多源于企業采集、存儲、使用大數據的能力。如果對學者們的觀念進行整理歸納可以發現，這些基于大數據特征的定義多數強調大數據規模巨大到現有技術手段的處理能力難以承載。而那些基于其價值的定義也更多是對其價值實現的關注。當然，目前也有學者認為大數據的價值并不局限在數據本身，其只有上升到能力高度，其價值才能充分挖掘出來。
2 大數據對企業管理決策產生的影響
決策貫穿于企業管理的全過程，管理決策過程可分為情報收集、計劃選定等階段。企業的管理決策應涵蓋戰略決策以及在戰略決策過程中的各項具體決策，此類決策注重對組織未來和組織環境的預測，也注重組織內部資源配置和協調的實現。作為一項高度動態性和復雜性的管理行為，決策面對著信息收集、篩選、模糊性及各類沖突。大數據技術的逐漸成熟、數據的飛躍式碰撞，這些都對當前企業的管理決策產生重要影響。這方面的影響既涵蓋了決策主體和思維模式，也涵蓋了決策文化和組織模式等方面。
2.1 大數據對管理決策主體方面的影響
一項有效的決策需具備相應的決策程序、文化、組織等，但究其核心還是決策的制定者，即決策主體。企業決策主體一般分為兩類，一是企業高層管理者，高層管理者的職位權限能讓其在重大決策中發揮關鍵作用。二是基層員工或一般管理者。對一般管理者和基層員工來說，他們創造的產品、服務和價值等更貼近社會大眾的需求，這為其正確決策提供了便利。在此過程中，普通員工可以主動引導用戶參與到產品的設計、推廣、客戶關系管理等環節中去，并依據用戶的反饋，對產品、服務等加以改進，從而幫助企業實現快速發展?？梢?，普通員工也是企業獲取決策信息的重要來源。
在互聯網經濟時代，不同產業間的界限性越發模糊，而社會化決策也應用而生。在大數據背景下決策主體發生了轉變，從決策權歸屬來看，一些表現出色的員工開始參與決策，決策主體并不再局限于管理層；從企業決策信息來源分析，因信息技術快速爆炸和普及，普通民眾也可以成為大數據時代中的主角，均能通過數據利用參與或作出決策，這也意味著決策主體開始呈現多元化，正從企業精英向普通民眾擴展，決策者之間的特征也越發復雜化。
2.2 大數據對管理決策權配置方面的影響
大數據除影響決策主體外，也對企業管理決策權的配置方面產生著影響。筆者認為決策權配置主要包涵3個層面：①組織之間的決策權配置；②組織和外部環境間的決策權配置；③組織內部人員和部門、團隊之間的決策權配置。此外，決策權配置分權程度也決定企業的決策權配置模式究竟是集中式還是分散式。集中式決策權主要指在組織系統中，決策權被較高程度地予以集中，其意味著企業較高、甚至最高的管理層掌握著企業組織的大多數決策。而分散式決策主要指決策權在較低管理層次上的分散，讓各部門的管理者具備一定程度的自。
在大數據背景下，企業所能獲取的信息越來越多，決策組織也開始扁平化發展。信息技術能讓中低層管理者基于全局視野制定更好的決策，以金字塔型為標志的傳統組織結構逐漸被具備企業管理網絡化等特征的扁平式組織結構所取代。企業決策權的配置也應遵循此變化，分散式決策注定要成為大數據背景下主流決策模式，普通員工也將擁有決策權限。隨著大數據時代的到來，企業決策需更多人參與其中，因此，扁平化組織結構模式的優勢更為明顯。
2.3 大數據對管理決策思維方面的影響
作為決策中的重要構成因素，決策主體思維的不同表現也決定在制定決策時，所依據的信息、方式等必然不同，且在決策制定的過程中也會予以表現。決策思維分為理性和感性，在大數據時代背景下，企業要盡量系統、全面、準確地收集信息，并通過數學方法來對其進行建模分析，從而挖掘出背后關系。傳統管理決策模式對管理者經驗和直覺判斷非常依賴，而新的管理決策模式將會改變此種現象，即由“依靠直覺進行的決策思維模式”，向“依靠數據進行的理性決策模式”轉變。
2.4 大數據對管理決策文化方面的影響
在不同文化作用下，企業管理決策的選擇方面必然存在差異。決策主體在目標確定、方案設計和決策完成的過程中，其文化價值觀均在這些方面發揮著作用。傳統管理決策多數取決于管理者對企業內外部環境的評估，主觀性顯著，企業更多關注管理者的思維情感，且管理者制定決策的決策文化也充斥著各種潛在的決策風險和事務。大數據時代來臨后，也為規避這些風險和失誤提供了契機。日漸成熟的分析技術及爆炸式的數據增長，都為企業更精準的預判提供了更多可能性。企業數據資源的獲取渠道越豐富，決策者作出正確決策的概率性就越高。隨著大數據時代的到來，企業要提升預判準確性須確立通過真實數據來確定企業決策的文化機制。有學者指出，管理者應注重相關關系，而非對因果關系分外關注，意思是企業應將關注的重點放在如何充分利用自身現有數據來發揮最大價值上，而不是只關注企業管理者腦中思考什么。
3 大數據和企業管理決策管理影響因素分析
大數據時代的到來既為企業帶來了大量商業機遇和契機，也產生了許多亟待解決的問題。同時，管理數據和大數據之間的關系也受到了多方面因素的影響，為此，筆者對影響大數據和管理決策關系因素予以充分關注，并在前人研究的基礎上，通過宏觀層面和微觀層面展開分析，對大數據中的數據政策、行業結構、政府支持、技術發展及人才配置等進行探究。
3.1 數據政策
數據在大數據時代中具有無與倫比的價值，其也成為新型商業模式和經濟投入的基礎因素。伴隨著數據規模擴展及數據價值被日益注重，大數據時代數據趨于跨組織便捷化和數字化，因此，在宏觀大數據背景下，數據政策是影響管理決策的最重要因素，此種數據決策一般包涵數據安全和責任、知識產權、隱私保護等方面的政策。數據本身存在可復制、可反復利用、泄密性高等特性，企業因此在為作決策而收集數據時經常要面對知識產權、隱私保護等方面的問題，為制定正確決策，獲取充分數據，企業必須攻克數據獲取障礙的難題。
3.2 行業結構
麥肯錫研究報告指出，大數據價值獲取難度很多時候會取決于行業結構和行業差異性?；跀祿鎯嵌龋袠I總體的大數據增長趨勢都很明顯，各個行業在數據存儲量上存在差異，產生和存儲的類型也各有不同。企業的數據強度高，進行決策時則更為有利。
3.3 政府支持
大數據不僅能為企業發揮卓越功效，在提高國家創新能力方面也起到重要作用。為此，大數據也被上升到了國家層面。政府扮演著政策制定者的重要角色。大數據可從信息通信技術基礎設施建立、數據安全保護和信息機制共享的建設等方面為管理決策提供幫助。
3.4 技術發展
相當比例的數據價值不是直接呈現給使用者的，其需要使用者對其進行創新性釋放分析。大數據技術是作為基礎對大數據和管理決策發揮著重要影響作用。容量大和速率較快的大數據工具也是大數據戰略中不可分割的組成部分。對決策來說，大數據技術是不可或缺的因素，企業應保持其技術和技能方面的不斷創新，從而有效應對數據洪流暴漲對其產生的新挑戰。
3.5 人才配置
隨著數據越來越廉價，數據處理和提取能力的價值便越發凸顯，而這期間，數據科學家和其他相關的信息專業處理人員地位尤為重要。數據分析和挖掘方面的人才匱乏，會嚴重制約企業數據分析挖掘能力的提升，也必然會對企業管理決策的質量和速率產生影響。為此，人才方面也是大數據影響管理決策的因素之一。
4 結 語
大數據引發了企業管理決策多方面的變化，也為管理決策創新提供了更多的機遇和思考方向。此外，大數據支持下的科學管理決策對企業商業模式和服務等的創新都極有裨益，因此，在大數據時代背景下，只有不斷提高決策速率和決策準確性，企業的效益才能實現長久、良性增長。
主要參考文獻
