谈谈大数据在硅谷真实的应用案例

我在国内看到的那些大数据文章好像都比较空洞,我来写点硅谷正发生的真实应用案例。这些应用已基本解释清楚大数据如何提供决策参考,以及我们作为普通老百姓如何和它发生关系。

医疗领域

我要说的第一个案例是大数据如何减少美国医院急救数量。

因为美国急救价格很贵,而很多需要急救的病人没有医疗保险,美国政府在支付急救费用上承担着大量花费,但是最近一个非营利性组织 Code for America 发现:其实美国医院急救问题的症结不在于有很多人打急救电话,而在于总是有一部分人一次又一次打急救电话。

他们给我举的一个例子是:有个老人被发现一个月内有四次因为中风被送入急救室,但原因其实不是老人没有治疗中风的药,而是这个老人的家人总是在偷她的药片卖钱。

解决方法因此变得很简单了,那就是买一个带锁的医疗箱给她。自那以后,这个老人再没有中风过。

所以如果美国政府要省下费用,他们只需把这部分大量使用急救资源的病人找出来,然后在他们被送往急救前就解决他们身上更深层次的问题。接下来是怎么收集大数据,这就涉及到美国多个部门的合作:包括美国消防局、警察局和城市规划局。

因为消防局和警察局有每个急救电话的种类、地址和时间等信息,它们两个部门基本可以确定是哪些地址的患者在频繁打急救电话;而城市规划局(或工商局)有这个地址属于什么种类建筑的信息,它可以用来决定派遣什么样的人员前往。

比如如果一个月打 4 次急救电话的地址是“居民楼”,那就需要派一个护士过去看看什么情况;而如果一个月打 4 次急救电话的地址是“餐馆”,那就需要派其他种类的人去。

交通管理部门

交通其实是个大热点,每时每刻都在产生大量有价值信息,但不同交通信息系统目的是不一样的,比如地铁、地铁的检票站能够确定乘客从哪个站进、哪个站出;而调度系统则能确定在某个时段有几班车从哪里开往哪里。

这两个系统的数据分开各有各的用处,但如果将它们整合,基本就能知道某个时刻某班车上有多少乘客、拥挤度如何等,比如如果过分拥挤,你可以决定增加运力。

另一个例子是:一个乘客从 A 到 B,他需要先乘坐公交车,然后再乘坐地铁。通常,这个乘客数据是分别存在地铁和公交两个系统,所以数据到了美国交通管理部门,即使只是一个乘客从 A 到 B,它也会被认为是两次不同的行程。

但如果将公交和地铁数据整合后会发生什么呢?美国交通管理部门会把从 A 到 B 的两次旅行连在一起,确认为是一次行程,而如果发现有大量人的实际需求其实是从 A 到 B,而非是从 A 到某一个中间点 C,那么市政府就会考虑是否直接做一个从 A 到 B 的路线。

外卖公司

在旧金山送外卖的创业公司最近非常火,Sprig 和 SpoonRocket 都拿到了千万美金级别的融资,它们模式是在网上或手机上点单,然后自己雇人做健康营养的快餐,派人送到用户手中。重要的信息来了,Sprig在6月初招募 了 Uber 做大数据的 Angela Wise,而 SpoonRocket 也刚刚招募了一个人做大数据。

为什么一个做外卖的也对大数据这么热情?因为通过用户数据分析,他们能提前预测在哪个地区、什么时间用户订单可能会一下爆棚,由此,外卖公司可以提前调整运力并缩短用户等待时间,因为外卖公司的用户体验很大程度取决于能否在用户下订单后 10-20 分钟内把快餐送到。

这些公司也使用大数据做外卖车辆的路线优化,目的是保证如何以最有效、最省成本方式将快餐送到用户手里。

当然,美国这里的外卖不像中国写字楼里的外卖,它不是每天中午 11 点 30 分写个单子,然后 12 点送到,美国的外卖基本都是随时点、随时送,所以做预测就非常重要

而实际上,大数据应用也对公司扩张决策起到指导作用。比如 SpoonRocket 创始人告诉我,他正考虑跳出旧金山进入像洛杉矶、西雅图等西海岸其它城市,但进入哪个城市对 SpoonRocket 业务有最大好处?大数据可以帮他排出不同城市优先级,使 SpoonRocket 能选择优先进入的城市。

时间: 2024-10-09 15:36:18

谈谈大数据在硅谷真实的应用案例的相关文章

谈谈大数据时代web数据可视化探析

  数据可视化技术可借助人脑的视觉思维能力,帮助人们理解大量的数据信息,发现数据中隐含的规律,从而提高数据的使用效率.面对大数据深奥的面貌,如何才能让大型数据集变得亲切和易于理解,可视化无疑是最有效的途径.对大数据背景下的数据可视化应用展开研究,将有助于我们发展和创新数据可视化技术. 大数据时代的机遇与挑战 物联网.云计算.移动互联网.手机.平板电脑.PC以及遍布地球各个角落的各种各样的传感器,无一不是数据来源或者承载的方式.随着社交网络的普及,使得人们的行为和情绪的细节化测量成为可能.挖掘用户

谈谈大数据

大数据是用scala语言,和java有些不同又比java强大,省去了很多繁琐的东西,scala中的的接口用trait来定义,不同于java的接口,trait中可以有抽象方法也可以有不抽象方法.scala中的方法中还可以定义方法,这在java中是从来没有的. 大数据未来几年发展的重点方向,大数据战略已经在十八届五中全会上作为重点战略方向,中国在大数据方面才刚刚起步,但是在美国已经产生了上千亿的市场价值.举个例子,美国通用公司是一个生产飞机发动机的一个公司,这家公司在飞机发动机的每一个零部件上都安装

大数据告诉你真实车价:哪月哪天买车最便宜?

什么时候买车最便宜,来来,让大数据掐指给你算算…… “想买一辆车,希望在一年中,有这么一个月的那样一天,它的价格是全年中最便宜的.”这不是逗比的许愿节目,而每个人是否确实有过这样的心愿. 于是上网查,听各种专家说,然后中国的专家蜀黍告诉我们的一个答案是12月,更有意思的是来自于大洋彼岸的洋蜀黍们也这么说. 为 什么是12月,中国的专家蜀黍是这样解释的:12月份是私人购车的传统最高峰,也是政府和效益好的企业突击花钱的最高峰,厂家为了抢这个大蛋糕和向年度销 售目标冲击,都会较大幅度降价,因此这时候买

利用字符串和十进制逢10进位的特性实现大数据的算术运算。(加法案例)

java中普通的数据类型int,long等不支持大数据间的算术运算,会出现丢失精度的问题,甚至无法用现有数据类型表示. 例如:对这两个数做加法运算:1243543534646546546465465465464654+32423985348957348957348957348957348574=? 在java中Long类型已经无法表示了,Long类型的最大值为Long.MAX_VALUE=9223372036854775807. 但jdk类库中提供了BigInteger类型,可以解决. 这里我用

大数据之简单统计单词的案例在本地eclipse运行

这是利用eclipse的线程代替linuxe的进程去执行 第一步:首先要将已经下载解压后的hadoop配置好相应的环境变量 第二步: //创建配置文件对象        Configuration conf=new Configuration(true); 也就是下面的两行代码复制到创建配置文件对象的下面        //设置在本地运行的文件对象        conf.set("mapreduce.framework.name", "local");      

“大数据“基础知识普及

大数据,官方定义是指那些数据量特别大.数据类别特别复杂的数据集,这种数据集无法用传统的数据库进行存储,管理和处理.大数据的主要特点为数据量大(Volume),数据类别复杂(Variety),数据处理速度快(Velocity)和数据真实性高(Veracity),合起来被称为4V. 大数据中的数据量非常巨大,达到了PB级别.而且这庞大的数据之中,不仅仅包括结构化数据(如数字.符号等数据),还包括非结构化数据(如文本.图像.声音.视频等数据).这使得大数据的存储,管理和处理很难利用传统的关系型数据库去

大数据带来广袤无垠的想象空间,但也只是想象而已

?? 近日,有幸到贵阳学习了一圈大数据,多谢贵阳北斗空间崔师弟的支持和安排.显然,贵阳是一座超级牛逼的城市,将自已定位为高大上的"数据之都",已建成大数据展示中心和大数据交易所,贵州七朵云[电子政务云.工业云.智慧旅游云.智能交通云.食品安全云.电子商务云.环保云]已开始在天上飘,今年还轰轰烈烈地举行了国际大数据产业博览会,简直比北上广热闹多了. 小弟在此无意也无理评价贵阳的大数据建设得如何,毕竟只是听到许多的讲解和看到许多的DEMO,但是否真的用之于服政利企惠民?实际上没有去深究.参

提升大数据数据分析性能的方法及技术(一)

关于此文 最近在忙着准备校招的相关复习,所以也整理了一下上学期上课时候的学到的一些知识.刚好发现当时还写了一篇类似于文献综述性质的文章,就在这里贴出来.题材是关于大数据的,也是比较火热的一个话题,虽然现在接触的项目与大数据不太有关联,可能以后也不一定从事这方面的工作吧.就IT行业的研究成果来讲国外期刊无论是发表速度还是质量都是高于国内,所以参考的大部分都是当时最新在核心期刊上发表的论文,参考文献在最后一一列出.因为文章没有多少自己的创新点,仅仅是最新.最热技术或者分析的一个总结,所以放上来仅仅是

大数据之一:几个概念

大数据(Big Data) 大数据,官方定义是指那些数据量特别大.数据类别特别复杂的数据集,这种数据集无法用传统的数据库进行存储,管理和处理.大数据的主要特点为数据量大(Volume),数据类别复杂(Variety),数据处理速度快(Velocity)和数据真实性高(Veracity),合起来被称为4V. 大数据中的数据量非常巨大,达到了PB级别.而且这庞大的数据之中,不仅仅包括结构化数据(如数字.符号等数据),还包括非结构化数据(如文本.图像.声 音.视频等数据).这使得大数据的存储,管理和处