大数据经典案例分享：

智慧城市，一个城市，大概有十几万的摄像头在城市里面，每秒都会发数据到云端的数据中心里面，每天有TB级别的数据需要处理，并且需要实时的反馈，这个场景需要实时处理的技术。

车联网，我们有一个客户做车联网，他大概一个城市每台电脑上，都要装终端，这个终端每分钟会发一个路况的信息发到云端，要发一亿条数据到云端里面，并且是每分钟进行一些计算，实时的判断路况，给用户最好的行车建议。

金融证券，比如金融交易电话交易是一个主流的方向，我们为一个证券的机构构建了一个非常大的云平台，有几百亿条数据放在后台里面，可以实时的提供数据的分析，数据的接口，让他们快速的运行。

电信，我们这边在移动那边有一个案例。我们在一个省里面，我们把一个省的所有上网的信息，都加载到我们的集权里面，我们的集权可以把一些统计反馈给他们，支撑他们一些业务的支撑系统，还有商业技能，还有统计相关的。

能源，主要用于电厂电网的监控，用电信息采集的分析。

电商，实时的推广广告给用户，他们可以做商品模型的分析，把最好的产品推荐给用户。比如说互联网里面，有一个商品模型，还有信用分析。我有一个朋友是做信用分析的，在十几秒钟之内把这个人的数据进行一个分析，给用户做一个评级，迅速的判断这个用户是不是值得放贷款给他。

为什么需要大数据实时的分析？

第一、实时的决策，量化交易，可以实时的计算数据，迅速的判断我是买股票还是不买。

第二、提高业务效率。

第三、对于到数据，我们可以自由的尝试一些新的算法，或者是新的策略。这样通过实时的尝试，我们可以快速发现新的观点和机会。

第四、提供业务产出。

大数据的挑战是什么呢？

首先是要快：10秒以内，100毫秒为佳给出结果。互联网公司，百度他们希望100毫秒给出结果。一些金融机构他们希望微秒给出结果，需要实时的能力，第一点就是快，就是实时的分析。

第二、就是大，针对的数据量，是10亿每TB的级别。之前我们认为数据超过1000万不算大。我们现在碰到最大的集权，大概是接近万亿条数据这样的级别。

第三、可以做各种各样的分析操作。最简单的是查询，也可以是逻辑复杂一些的算法和数据分析。

有哪些技术可以选择？

第一个是hadoop。它本身是谷歌研发出来的，它是在大数据方面的算法，对于TB数据，在大方面没有问题，并且操作多样化。因为他上线的工具有很多的算法都是非常不错的。但是它的快比较尴尬，他需要一分钟以内才可以，他很多要做一个reduce，需要很长的时间。

第二、NoSQL（非关系型的数据库）。在大方面，应该可以支撑大。Hbase可以满足大的特点，它可以做到一个大。Hbase底层是数据库，只能支持简单的查询。Hbase很难做一些逻辑复杂的数据分析和挖掘。比如说淘宝那边，他们可能比较有钱，他们用大量的硬件和大量的开发成本，有一套Hbase的数据开发集群。对于中小企业，和传统的企业是不的太适合用No SQL做分析的。它需要巨大的硬件成本和开发成本。

传统的数据库甲骨文支持大数据的分析吗？支持算法可以，但是天生对大的数据运算比较吃力。