《大數據時代》讀后感5篇

　　“大數據”在物理學、生物學、環境生態學等領域以及軍事、金融、通訊等行業存在已有時日，卻因為近年來互聯網和信息行業的發展而引起人們關注。以下是小編整理的《大數據時代》讀后感，希望對大家有幫助！

　　《大數據時代》讀后感1

　　對于暢銷書刊、熱點話題、時尚科技，始終不太感興趣。書刊，喜歡有一定年份的。話題，鐘情于務虛的觀點。新奇的產品于我無緣，習慣使用成熟的科技產品。既不清高，也非冷漠，就是要與現實保持一定的距離，給自己留一點思考的空間。這一習慣最近破了例。由于工作的原因，耳濡目染，“大數據”這個新興概念開始頻繁步入我的視野。按捺不住內心的好奇，網購《大數據時代》，手不釋卷，三天讀完，頗有收獲。此書有如下特點。

　　首先，作者站在理論的制高點上，條理清楚地闡述了大數據對人類的工作、生活、思維帶來的革新，大數據時代的三種典型的商業模式，以及大數據時代對于個人隱私保護、公共安全提出的挑戰。其次，文中的事例貼近現實生活，貼近時代，令讀者既印象深刻，又感同身受。此外，作者沒有使用大量的專業術語，沒有假裝一副專業的面孔。縱觀全書，遣詞造句，均通俗易懂。

　　作者認為大數據時代具有三個顯著特點。

　　一、人們研究與分析某個現象時，將使用全部數據而非抽樣數據。

　　二、在大數據時代，不能一味地追求數據的精確性，而要適應數據的多樣性、豐富性、甚至要接受錯誤的數據。

　　三、了解數據之間的相關性，勝于對因果關系的探索。“是什么”比“為什么”重要。

　　作者指出，隨著技術的發展，數據的存儲與處理成本顯著降低，人們現在有能力從支離破碎的、看似毫不相干的數據礦渣中抽煉出真知爍見。在大數據時代，三類公司將成為時代的寵兒。一是擁有大數據的公司與組織。如政府、銀行、電信公司、全球性互聯網公司(阿里巴巴、淘寶網)。二是擁有數據分析與處理技術的專業公司，如亞馬遜、谷歌。三是擁有創新思維的公司，他們可能既不掌握大數據，也沒有專業技術，但卻擅長使用大數據，從大數據中找到自己的理想天地。

　　面對即將來臨的大數據時代，個人將如何應對自如？這是個嚴肅的問題。

　　《大數據時代》讀后感2

　　去年的“云計算”炒得熱火朝天的，今年的“大數據”又突襲而來。仿佛一夜間，各廠商都紛紛改旗換幟，推起“大數據”來了。于是乎，各企業的CIO也將熱度紛紛轉向關注“大數據”來了。有一張來自《程序員》微博的漫畫很形象。我覺得這張圖，很真實地反映了現實中小企業云計算，大數據的現狀。

　　不過話又還得說回來，《大數據時代》是本好書。

　　當然，很多IT知名人士也大力推薦，寫了好多讀后感來表述對這本書的喜歡沒看此書之前，對所謂大數據的概念基本上是一頭霧水，雖則有了解關注過現在也比較火熱的BI，覺得也差不多，可能就是更多的數據，更細致的數據分析與數據挖掘。看過此書后，感覺到之前的想法，只能算是中了一小半吧---巨量的數據，而另一前：著眼于數據關聯性，而非數據精確性，或許才是大數據與現時BI的不同，不僅僅是方法，更多的時思想方法。不過坦白講，到底是數據的關聯性重佳，還是數據的精確性更好，還真的需要時間來檢驗一下，至少從現在的數據分析方法來論，更多的傾向于數據的精確性。

看完此書，我心中的一些問題：

　　1、什么是大數據？

　　查了查百度百科，是這樣定義的：大數據（bigdata），或稱巨量資料，指的是所涉及的資料量規模巨大到無法透過目前主流軟件工具，在合理時間內達到擷取、管理、處理、并整理成為幫助企業經營決策更積極目的的資訊。大數據的4V特點：Volume、Velocity、Variety、Veracity這個好像是IBM的定義吧。

　　以個人的觀點來看：數據海量，存儲海量都是大數據的基本原型吧。

　　2、大數據適合什么樣的企業？

　　誠然，大數據的前提是海量的數據，只有擁有巨量的數據資源，方能從中查找出數據的關聯性，才可以讓通過專業化的處理，讓其為企業產生價值。針對電信運營，互聯網應用這樣海量用戶的數據的大企業，也是在應用大數據的道路上擁有得天獨厚的條件，但是針對中小企業呢？銷售訂單數據？若非百年老店，估計數據也是少得可憐，能用的可能只有消費者數據了吧。貌似大多數廠商，用來舉例的也就是消費都購買行為分析為最多。

　　同樣，在公共事業類的政府機構，大數據的作用也許也能很好的發揮。反而感覺在大多數中小型企業應用大數據，似乎有點大題小作。書中說：大數據是企業競爭力。誠然，數據是一個企業的核心無形資源（利用得好的話），但是否所有的數據，或都換則方式說：所有的企業都以大數據為競爭力，是否真的合適么？是否在中小企業中，會顯示得小題大做呢？

　　3、大數據帶來的影響

　　當一波又一波的IT技術熱潮源源不斷地向我們鋪面而來的時候，你甚至都沒有做好準備，你都要開始迎接它所給你帶來的影響了。經過物聯網，云計算的推波助瀾下，大數據開始登場了。但它到底給我們帶來了什么呢？

　　1）預測未來書中以Google成功預測了未來可能發生流感的案例來開篇，表明通過大數據的應用，可以為我們的生活起一個保駕護航的指向標。實質很簡單，技術改變世界。

　　2）變革商業大數據所帶來的商機，同時會衍生出一系列與大數據相關的商業機遇與商業模式，數據的潛在價值會源源不斷地發揮作用可以容易想到的是未來有專門的數據收集，數據分析，數據生成的一條數據產業鏈產生。影響的，當然是IT公司

　　3）變革思維書中所說：因為有海量的數據作基礎，未來，我們可能更關注數據的相關，而非精細度。對這條，本人還是持保留意見的。

　　《大數據時代》讀后感3

　　如今說起新媒體和互聯網，必提大數據，似乎不這樣說就OUT了。而且人云亦云的居多，不少談論者甚至還沒有認真讀過這方面的經典著作——舍恩佰格的《大數據時代》。維克托·邁爾舍恩伯格何許人也？他現任牛津大學網絡學院互聯網研究所治理與監管專業教授，曾任哈佛大學肯尼迪學院信息監管科研項目負責人。他的咨詢客戶包括微軟、惠普和IBM等全球企業，他是歐盟互聯網官方政策背后真正的制定者和參與者，他還先后擔任多國政府高層的智囊。這位被譽為：大數據時代的預言家“的牛津教授真牛！那么，這位大師說的都是金科玉律嗎？并不一定，讀大師的作品一定要做些功課才好讀懂，才能能與之進行一場思想上的對話。

　　舍恩伯格分三部分來討論大數據，即思維變革、商業變革和管理變革。

在第一部分”大數據時代的思維變革“中，舍恩伯格旗幟鮮明的亮出他的三個觀點：

　　一、更多：不是隨機樣本，而是全體數據。

　　二、更雜：不是精確性，而是混雜性。

　　三、更好：不是因果關系，而是相關關系。對于第一個觀點，我不敢茍同。

　　一方面是對全體數據進行處理，在技術和設備上有相當高的難度。另一方面是不是都有此必要，對于簡單事實進行判斷的數據分析難道也要采集全體數據嗎？

　　我曾與香港城市大學的祝建華教授討論過。祝教授是傳播學研究方法和數據分析的專家，他認為一定可以找到一種數理統計方法來進行分析，并不一定需要全部數據。聯系到舍恩伯格第二個觀點中所說的相關關系，我理解他說的全體數據不是指數量而是指范圍，即大數據的隨機樣本不限于目標數據，還包括目標以外的所有數據。我認為大數據分析不能排除隨機抽樣，只是抽樣的方法和范圍要加以拓展。

　　我同意舍恩伯格的第二觀點，我認為這是對他第一個觀點很好的補充，這也是對精準傳播和精準營銷的一種反思。”大數據的簡單算法比小數據的復雜算法更有效。“更具有宏觀視野和東方哲學思維。對于舍恩伯格的第三個觀點，我也不能完全贊同。”不是因果關系，而是相關關系。“不需要知道”為什么“，只需要知道”是什么“。傳播即數據，數據即關系。在小數據時代人們只關心因果關系，對相關關系認識不足，大數據時代相關關系舉足輕重，如何強調都不為過，但不應該完全排斥它。大數據從何而來？為何而用？如果我們完全忽略因果關系，不知道大數據產生的前因后果，也就消解了大數據的人文價值。如今不少學者為了闡述和傳播其觀點往往語出驚人，對舊有觀念進行徹底的否定。

　　世間萬物的復雜性多樣化并非非此即彼那么簡單，舍恩伯格也是這種二元對立的幼稚思維嗎？其實不然，讀者在閱讀時一定要看清楚他是在什么語境下說的，不要因囫圇吞棗的淺讀而陷入斷章取義的誤讀。比如說舍恩伯格在提出”不是因果關系，而是相關關系。“這一論斷時，他在書中還說道：”在大多數情況下，一旦我們完成了對大數據的相關關系分析，而又不再滿足于僅僅知道‘是什么’時，我們就會繼續向更深層次研究的因果關系，找出背后的‘為什么’。“[i]由此可見，他說的全體數據和相關關系都在特定語境下的，是在數據挖掘中的選項。

　　大數據研究的一大驅動力就是商用，舍恩伯格在第二部分里討論了大數據時代的商業變革。舍恩伯格認為數據化就是一切皆可”量化“，大數據的定量分析有力地回答”是什么“這一問題，但仍然無法完全回答”為什么“。因此，我認為并不能排除定性分析和質化研究。數據創新可以創造價值，這是毫無疑問的。舍恩伯格在討論大數據的角色定位時仍把它置于數據應用的商業系統中，而沒有把它置于整個社會系統里，但他在第二部分大數據時代的管理變革中討論了這個問題。

　　在風險社會中信息安全問題日趨凸顯。如何擺脫大數據的困境？舍恩伯格在最后一節”掌控“中試圖回答，但基本上屬于老生常談。我想，或許凱文·凱利的《失控》可以幫助我們解答這個問題？至少可以提供更多的思考維度。正如舍恩伯格在結語中所道：”大數據并不是一個充斥著算法和機器的冰冷世界，人類的作用依然無法被完全替代。大數據為我們提供的不是最終答案，只是參考的答案，幫助是暫時的，而更好的方法和答案還在不久的未來。“謝謝舍恩伯格！讓大數據討論從自然科學回到人文社科。由此推斷，《大數據時代》不是最終答案，也不是標準答案，只是參考的答案。

　　此外，在閱讀此書之前還必須具備一些數據科學的基本知識和基本概念，比如說什么叫數據？什么叫大數據？數據分析與數據挖掘的區別，數字化與數據化有什么不同？讀前做些功課讀起來就比較好懂了。