-
统计
众包数据处理，CrowdFlower让你把繁琐的统计工作交给别人
提到运算法则，都会联想到制造出海量数据，而我们也经常忽略对这些数据的维护和清理，但这些工作都必须完成，以至于有时候甚至想烧毁报表。CrowdFlower正致力于利用众包来简化这个过程，该公司今天宣布，已经获得总和为1250万美元的资金来完善服务。
大数据表面上听起来很棒，每个公司可能都会有一个大规模的销售数字和人员统计数据库。但总是有些数据可能被放置在错误的字段，会出现某些字段是空白，或者信息不完整、不正确的情况。你不能指望机器来解决这些类型的问题。这些问题都需要手动操作。
这就是CrowdFlower的意义。它是一个拥有500万人的网络平台，为用户提供清洁数据和组织数据的有偿服务。需要服务的公司在网站上发布工作内容，就会有人按照自己擅长的领域接下相应的工作。
“我们有至少500万人参与其中。”CrowdFlower代言人Kelly Mayes在采访中指出 “其中既有普通的全职妈妈，也有高学位的专业人士。”
服务的项目可以包括搜索相关性优化、数据分类、图像注释、内容审核、情感分析、元数据创建、实时转录等等。
公司列出了客户名单，eBay，Edelman，EventBrite，家得宝(Home Depot)，VMWare和Venuelabs均在列。
本轮融资是由Canvas Venture Fund发起，参与投资的Bessemer Venture Partners和Trinity Ventures均为已有的投资者。这一次的投资将该公司融资总额提升至2800万美元，将用于帮助公司提高服务质量以及扩大客户群。
“我们五年前成立CrowdFlower，为的就是解决数据科学家们每天痛苦并耗时的数据大战。”首席执行官说卢卡斯Biewald在周三在一份声明中说道。
Source：VB
-
统计
大数据流程处理“三要”“三不要”
大数据时代处理数据的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。
具体的大数据处理方法确实有很多，但是根据笔者长时间的实践，总结了一个普遍适用的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，最后是数据挖掘。
大数据时代处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端(Web、App或者传感器形式等)的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
大数据时代处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
大数据时代处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
大数据时代处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测(Predict)的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。
整个大数据大数据时代处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。
【文章来源：199IT】
扫一扫 加微信
hrtechchina
