欢迎来到大屏幕显示业绩榜 [
多屏互动大数据可视化呈现平台让智慧城市建设成果“看得见”
类别：行业新闻发表于： 18:03
关键字：智慧城市 大数据 可视化 互动
&&& 今日重发此文的意义在于：大数据应用已经从上到下形成了共识，而在技术实现上只有通过多屏互动大数据可视化平台的建设，决策者才能看得见、看得懂、能随时随地正确决策！
&&& 未来五年建设法治国家，要做到依法治国，说到底就是：一切调查、分析、决策、行动和评价都将以数据为根本依据。要让数据会说话，首先，不仅要在指挥中心能看，还要在掌上随时能看，更要走着也能看，这就是多屏互动大数据可视化呈现平台建设的战略意义所在。其次，大数据可视化呈现是一门高科技和艺术，同样的数据由不同的人解读，可能会得到不同的结论，由此会对决策产生完全不同的影响，所以，深谙不同领域的专家才有资格担当起大数据科学家的重任，指导可视化团队将大数据处理之后，实现可视化呈现，其核心是让决策者“看得懂，能决策”。
&&& 据易观国际统计，2015年我国大数据市场规模已达102亿元，2017年有望达到170亿元。申万宏源报告分析称，10年后“大数据”可撬动万亿元级GDP。
&&& 邬贺铨院士说，“大数据的收集、存储、分析处理及使用，对智慧城市是很大的挑战。”本专题图说多媒体大数据可视化呈现这一智慧城市建设的明珠。
& & 一、大数据的基本概念
& & 下面这张图大家一定很熟悉，它是今年初央视展示的百度春节迁徙图。大数据是什么？几张图告诉你，玩大数据离不开用技术手段进行存储和分析，否则，更本谈不上应用。
& & 封面那张图说明，基于大数据的智慧经济时代已经来临，让我们顺着一张张图，穿越本期主题：智慧城市运行体征大数据可视化平台建设将如同巅峰上的明珠，须集合全行业的力量才能摘取。
& & 二、基于大数据的智慧经济
& & 基于大数据的智慧经济时代已经开始，除了零售业之外，咨询服务领域利用大数据将创造更多的价值，行业用户的需求存在很大的差异。
& & 智慧经济的核心就是：一切围绕大数据开展业务！
& & 三、城市运行体征监测是大数据的不竭之源
& & 假如我们身处一个物联网建设也已完成的城市，那么，下面的图告诉你大数据的不竭来源在哪儿？如何利用大数据来进行预警？数据业务平台用来干什么？城市运行体征是什么概念？地上、地下、地面的全面可视化将产生多少大数据？可视化意味着什么？
& & 请注意：城市运行体征数据可能每一秒都在变化，这就迫使我们必须构建：城市运营体征大数据中心。
& & 智慧城市中国（smartcitychina）微信公众平台分析师海峰认为，城市运行体征大数据中心要配备必要的可视化工具，以实现数据的可视化管理。比如，通过对城市进行三维建模，能够实时掌控城市的能耗热点，及时调度电网的供电，并通过对用电热点地区具体到楼、楼层、单元的耗能情况进行实时、长时间的统计分析，对其节能降耗给出具有实质意义的建议。
& & 从上述例子来看，城市运行体征大数据中心是在云计算、大数据、物联网三大技术支撑之上实现的，物联网是必不可少的前端数据采集工具。那些兼具云平台建设、大数据分析工具、物联网采集设备供应这三大能力的公司，最有可能成为顶尖的智慧城市运营商。
& & 四、城市需要对大数据进行可视化呈现
& & 城市为什么需要对大数据进行可视化呈现？原因在于：决策者要求必须做到“看得见、看得清、看得懂”。最为关键的要求是：看得懂。
& & 看不懂的大数据无法创造价值。
& & 看看下面的图：如果出现突发事件，只是看到视频是不够的！
& & 城市运行体征监测必须把各类信息实现可视化呈现，没有大数据可视化呈现，大数据应用就会成为一句空话。
& & 智慧城市中大数据无处不在，因此，必须把智慧城市运行体征大数据可视化平台建设列为首要，其基本功能是把城市运行体征中的静态和动态数据经由数据中心处理之后，呈现给政府决策人、行业用户及公众，从而实现城市的智慧运营，大幅提升经济的运行效率，极大地改善民生。
& & 智慧城市运行体征大数据可视化平台建设的过程就是不断完善技术和产品体系，实现智慧经济的过程，因此，说它是巅峰明珠一点也不过分。全世界都在为这个目标而努力。
& & 五、城市运行体征大数据中心建设
& & 在智慧城市运行体征大数据可视化平台建设时，必须构建一个城市运营体征大数据中心，利用人工智能、机器智能、商业智能的技术、产品和工具，对肉眼无法解读的大数据进行分析，并藉由3D技术、仿真技术、多屏互动技术实现的屏进行呈现。
& & 决策人看懂了，才能理解，最终做出决策。
& & 值得关注的是：大数据的采集、存储、传输、分析、显示呈现这个过程就是打造智慧经济的过程，需要全行业的密切配合，任何割裂前后端的业务都不可能独善其身，尤其是在工具领域蕴含巨大的商机，但是，看看那密密麻麻的外国品牌名字，就知道国内显然处于落后状态。
& & 大数据说起来容易，做起来，挺吓人。数据量从PB到EB、再到ZB，看看需要多大的存储空间吧？
& & 云存储可是大赢家，不管你数据有用或没有用！
& & 如果玩不起，现在退出这个市场还来得及，免得劳而无获。
& & 5.1 要利用高新技术
& & 5.2 3D、虚拟、多媒体呈现对大屏提出了很高的要求
& & 5.3 现实与虚拟实景相结合推动了实景信息采集行业的发展
& & 5.4 大数据可视化将成为一大产业
& & 5.5 数据可视化将以热点的方式呈现，让人看得懂
& & 5.6 城市存储的视频数据可追溯，从而实现全时空可视化
& & 5.7 数据处理的全流程
&&& 5.8 数据层
& & 5.9 数据库
&&& 5.10 大数据分析技术
& & 5.11 大数据安全
& & 5.12 大数据工具
&&& 5.13 知识管理将成为新业态
& & 5.14 物联网是大数据采集必不可少的
&&& 5.15 海量存储考验集成商
& & 5.16 大数据意味着：财富、竞争力和资源
&&& 5.17 大数据全产业链的价值
&&& 5.18 政府办公流程也产生大数据
&&& 5.19 通过大数据分析完善政务流程
& & 六、智慧城市大数据可视化呈现
& & 大数据可视化呈现才能实现智慧决策，让我们看看都有哪些可视化呈现的例子。
&&& 七、智慧多屏互动大数据呈现平台
&&& “智慧多屏互动大数据呈现平台”或许将是未来支撑智慧城市运行体征大数据可视化平台建设的核心标准部件，其特点是：综合采用各类最新的显示技术设备实现多屏互动，从而利于实现可视化的通信、沟通、协作、分享、存储等功能，彻底摒弃传统的信息沟通方式，打破人与人、单位与单位等之间因地域限制带来的信息孤岛，在大数据可视化提供的支撑之下，让决策人做出更加智慧的决策。
& & 静态和动态数据的同屏显示是最大的特点之一。
&&& 结束语
& & 智慧城市建设路漫漫，智慧城市运行体征多媒体大数据可视化平台建设需要全中国整个新一代信息产业的支持才能实现。
责编：邓蕊玲
来源：智慧城市中国
您可能感兴趣的相关资讯
电话：186-；029-
邮箱： 或 &
请选择您要订阅的信息：
每天会将您订阅的信息发送到您订阅的邮箱！
* 订阅邮箱：
* 单位名称：
每天会将您订阅的信息发送到您订阅的邮箱！
精彩案例推荐
承建商：间距规格：P25　面积：4000平米　大数据可视化平台
随着数据时代的到来，数据的分析、挖掘与可视化已经成为了信息技术发展的迫切需求，其中可视化为人类洞察数据的内涵、挖掘数据价值提供了非常重要的技术手段。在此前提下软通动力进行了可视化方面的技术研发，建立了辅助快速搭建可视化系统的平台。
软通大数据可视化服务平台主要包括时空可视化、图表可视化等数据可视化的需求。在时空可视化方面，平台包括二维GIS、三维GIS、2.5维GIS的地理空间可视化效果，并提供对应的空间分析服务；在图表可视化方面，平台积累了基础图表及高级图表库，满足可视化系统的图表需求。
除此之外，平台提供可视化服务，包括远程控制服务等，辅助实现可视化系统的特有功能。通视平台具有通用性，可在多个行业及业务方向上进行可视化应用。
展厅大屏可视化解决方案
行业信息动态展示大屏
每个行业都需要对各自的产业动态、市场波动、行情走势、技术发展等领域进行随时的关注和跟踪，这样才能有针对性的进行产业规划、战略实施、市场营销等动作，赢得市场先机。
通过软通大数据可视化服务平台建立行业的可视化大屏系统，从而使得管理者能够随时得知产业动态与发展的趋势。通过不同的方面，进行数据结果展示，有针对性的展示和了解各个细节的问题并分析结果。通过宏观与微观相结合，为市场决策提供数据支撑和建议。
智慧城市运营中心大屏
通过软通大数据可视化服务平台建立智慧城市可视化大屏系统，城市管理者可以通过大屏幕动态了解城市的产业经济运行状态，包括GDP、税收、产业发展等；能够了解城市项目建设的进展，直观反映进度与时间、成本与质量的关系；了解民生服务工程的效果并查漏补缺。通过与视频监控系统的结合，能够联动多部门进行综合治理工作，工作任务和时间顺序安排、执行情况能够清晰呈现。
行业应用系统可视化解决方案
软通大数据可视化服务平台支持不同行业及业务应用系统的建设，如产业经济、公共服务、城市管理、环境资源、旅游、交通等。通过结合行业现状及业务方向，对不同的行业应用提供有针对性的解决方案，以可视化服务平台为基础平台，快速搭建行业的可视化应用系统。
具体的行业及应用方向可包括空气质量监测、环保舆情监测、循环经济、旅游可视化、交通可视化、产业经济可视化等多个方面。&&&
软通大数据可视化服务平台，是通过视觉表现形式，对数据进行探索、展现以及表达数据含义的一个辅助可视化平台
增加数据价值
平台将枯燥的数字转换为容易掌握和理解的画面，探索常规统计方法很难挖掘到的信息，增加数据的可用性和价值。
数据可视化呈现
平台利用面向文本、网络(图)、时空、多维的可视化技术，把数据置于视觉空间中，让可视化图形呈现数据中隐含的信息和规律。
快速的技术实现
软通大数据可视化服务平台是一个&“把数字变活”的加工厂。通视利用成熟的可视化技术、丰富的组件库和可视化效果模板，为客户快速创建绚丽的可视化效果。根据平台提供的API能够完成大数据挖掘、分析、可视化展示的整个需求。
通过使用可视化平台，能够满足客户如下需求：
实现可视化系统的快速设计与搭建，提高系统可视化部分的实施效率。&
通过平台提供的图表及空间控件，可更容易的实现炫酷的可视化效果。&
通过平台，可减少可视化业务系统建设的开发成本。&
软通大数据可视化服务平台的团队可针对客户需求，提供定制化得可视化方案、设计，以专业的角度为客户提供咨询帮助。&
可视化团队可根据方案，以平台为基础提供定制开发服务，用丰富的可视化经验实现客户要求的可视化应用程序。&
城市政府决策者&
政府业务部门&
高校科研单位
（2016.4-至今）电子商务项目&
（6.5）廊坊政务可视化大屏项目&
（2016.2-至今）产业大数据项目&
（6.1）商机招标可视化&
（5.12）人才流通可视化&
（5.10）舆情监测可视化项目&
（6.1）环保可视化&
（6.8）应急宝
&2018版权所有 软通动力信息技术（集团）有限公司 京ICP备号全球最牛的28个大数据可视化应用案例（下）_36大数据_传送门
全球最牛的28个大数据可视化应用案例（下）
随着大数据在人们工作及日常生活中的应用，大数据可视化也改变着人类的对信息的阅读和理解方式。从百度迁徙到谷歌流感趋势，再到阿里云推出县域经济可视化产品，大数据技术和大数据可视化都是幕后的英雄。今天，我们将连载由Teradata独家提供的来自全球28个大数据可视化应用案例第四部分。本系列4篇文章为36大数据独家专稿，任何不表明来源36大数据和Teradata以及本文链接http://www.36dsj.com/archives/41648的转载均为侵权。公众号也是如此。接第三篇：二十、查询系列作者：Yasmeen Ahmad关于洞察这张可视化图表产生于一个分析过程中，其分析的对象是对Teradata整合数据仓库（IDW）的数据库查询记录（DBQL），而图表中这个仓库的使用者是一家英国的银行。DBQL描述了SQL命令（查询），这些命令是操作者为了能够检索到数据仓库的表格中存放的数据而发出的。这一分析过程的目的是通过查询识别出表格的使用情况，区分出“冷门”和“热门”的数据组，并把较低利用率的数据组和孤立的工作在仓库平台中设定为“将卸载”的。这些圆点（节点）代表着存在数据仓库中的表格，而这些线则代表在一个SQL命令中同时使用了两个表格，它们共同展示了一项查询工作对于两个相互关联的表格的依赖性。这张可视化图表的中心是一些高度相关的表格，它们中的大部分是查询表（也称做维度），常常与其他数据表联合使用，并为它们提供额外的描述和背景信息。大量用户使用这些查询命令来获取这些查询表格和其他表格，这十分契合于整合数据仓库。同时，这张可视化图表强调了两组十分紧密联结的表格，每一组都代表服务于一个业务运用的表格组。所以这些表格组经常同时被不同的业务运用查询。在图表的边缘有众多与其他表格有着少量联系的表格，相对来说它们不怎么经常被用到，而当被查询到时，它们通常以孤立的形式存在。所以这些表格（及它们组成的工作）可以从主要的数据仓库中转移出来，而放到一个相对“冷门”、在高性能磁盘上花费更少、处理能力相对较弱的平台上。分析方法这个西格玛可视化图表是用Teradata Aster平台生成的，它展示了对DBQL中的SQL命令的分析。这些分析针对“选择”命令，命令的对象为保存在数据仓库中的查询表格或视图。数据库中的表格和视图在数据集里以节点的形式存在。如果一个SQL命令中同时调取了两个表格或视图，那么两个节点之间就会建立起链接。这形成了创建图表的基础，描述了表格间的依存性。在使用协同过滤技术和可视化西格玛图表展示表格中的数据集时，可能会发现被包含于孤立的工作中的表格组，它们相对来说不经常被查询到。所以，这些表格组会被建议归为“将卸载”的，方便负责管理不同平台上数据集的IT人员的工作。作者介绍：（同第三篇有介绍）Yasmeen Ahmad二十二、Stars and Stripes作者：Christopher Hillman关于洞察我们把在美国执行的临床药物试验收集到的结果资料视觉化成图表。药物试验通常非常复杂且牵涉了在长时间累积的资料。试验通常涉入不止一人，病人会被分成许多队伍。每一队会有不同的特性，比如特别的用药顺序。结果会有大量的资料包含不同的试验药物以及观察到的结果。我们将资料视觉化来寻找试验药物及负面副作用之间的关连性。图表上的四个星星呈现出同一个药物试验资料利用不同视觉化方式所得的结果。每五个形成星星的点都表示一种药物或药物变种在试验中施用在队伍中每个病人。在中间的点代表病人体验到的一种不希望有的副作用。不同药物及副作用间的连结用线条来表示。我们现在可以轻易的观察到在星星外围的每一种药物与在中间的副作用之间的连结。这里也呈现四种不同的视觉化变形。每一个在不同物件的过滤器都标记了一个特别的发现。举例来说，某种负面副作用及一种药物之间的连结或在五种药物试验及副作用之间使用颜色来强调连结的强度。分析方法这份资料较复杂且在使用图表工具软体之前涉入需多处理步骤。首先，利用网站clinicaltrials.gov 的工具下载其上的报告。下载的档案格式为XML，在分析之前这些XML 档案需要经过Teradata Aster MapReduce 函数作前处理。根据文字探勘(Text Mining) 函数从报告中撷取关于特别药物的副作用名字，使得点跟线的资讯可以在关联式表格中建立。从表格中储存的资讯就可以画出图表以及计算出不同的量测资讯。在处理资料遇到的挑战有异常值(outlier) 及遗漏值(missing value)。有这四种呈现方式使得我们可以在资料中看到不同的重要的模式。线的颜色跟药物及副作用之间的连结强度有关。这些资料发布在公开网域并且可以从clinicaltrial.gov 及FDA.gov 取得。作者介绍Christopher Hillman （连载第二篇有介绍）二十一、单一麦芽取样员作者：Kailash Purang关于洞察你的分析能彻底地简化错综复杂的事物吗？能根本区分出细微的差别吗？能完全理清苏格兰威士忌长达700多年的历史吗？凯拉什.普让说：可以，只要将苏格兰威士忌大师的专业味觉武装上他的数据集就行。他的视觉化将86种单一麦芽威士忌品牌按12种风味特征分成了若干风味群组，例如香甜味、烟熏味、蜂蜜味和果仁味。通过简单的图像形式展示，我们都可以了解到在各种各样的单一麦芽威士忌品牌之间有何异同。每一个点（或节点）代表一个单一麦芽威士忌的品牌。每条线（或边界）代表威士忌间相似性程度，线条越粗越暗，威士忌的风味就越相似。因此相似味道的单一麦芽威士忌的自然集群形式会更加紧密、更高度地相互联系。这种分析方法可以适用于食品科学研究。它可以与市场份额和市场配置文件数据相匹配，开创新口味风格，旨在吸引高价值部分，或重新定位现有的品牌，引进新的领域。它还能为酒吧或者零售商提供备忘单，当一位客人最喜欢的单一麦芽威士忌品牌没有事，他们能够立即获得专业知识，向顾客推荐新的品牌或替代品牌。这种分析还能为每天的消费者提供一种有趣的方法，去探索一个非常复杂的话题。如果你喜欢一种品牌的威士忌味道，现在你可以尝试其他味道相似的品牌，或者去探索其他完全不同味道的品牌。不论哪种方式，你都必将拥有一个无与伦比的美好夜晚。干杯，凯拉什！酒吧见吧？分析方法这个Teradata Aster 可视化是Aster Lens生成图像的成像代表。它使用了斯特拉思.克莱德大学的威士忌分类开放数据集，包含了86中单一麦芽威士忌品牌、12个专家评定的风味特征，以及这些威士忌厂家的地理坐标信息。它使用余弦相似性将不同风味的威士忌进行分组，并配合一些没有固定风味特征的单一麦芽威士忌形成的零散数据。例如，有些单一麦芽威士忌没有香味或没有药味，这就会产生很多零风味的评级。这些零风味评级数据的增加很可能成为影响数据集群的一个决定性因素，而余弦相似性则能很好的处理这些数据。Aster Lens可视化是利用Teradata Aster 的挖掘算法功能（GraphGen）创造出来的。同等大小的节点代表着同等重量的不同单一麦芽威士忌，其连接程度代表其相似性大小。作者介绍Kailash Purang （此系列文章连载第二篇有介绍）二十三、财富之冠（其一）作者：Kailash Purang关于洞察境外汇款是一项收费的金融服务，这类服务对金融机构来说相当重要，因为它们意味着无风险的收入。因为有一部分的费用是针对转入/转出活动进行征收的，这就意味着针对“谁将在哪里向什么人汇多少金额的款项”进行预测将成为确定销售和营销活动的关键步骤，有效地吸引交易双方并有效地增加汇款客户数量。凭借着这个思想，这幅图表阐释了转账时资金的转移过程：某行客户向其它客户转账时，交易过程中要经过往来银行，最终才能到达目标银行，送到收款人的账户中。人气更高的往来银行在图中被标记为较大的绿色圆点，而接收款项的小银行则是较小的白色圆点；白色的线表示资金从机构客户流出，绿色的线则表示资金流回银行客户。这张图表帮助银行了解并放大观察价值链的关键部分，它突出显示了使用往来银行作为汇款交易参与方的银行客户，并显示出这些客户进行转账的地点和频率。我们的客户是一家跨国银行，在全世界均有业务分布，但主要关注东盟高增长的那些经济体。他们把高价值目标定为他们进行了运营但是没能使整个交易的资金和费用都保持在集团内部的国家。进一步对图中的白点（客户）进行研究，可以发现交易之间的关系，它们会形成海外支行网络、紧密联系或相关的公司网络、或者是买方和供应商的网络。通过发现这些联系紧密的公司群并研究它们的运营领域，我们的客户可以判断每个客户的重要性，并由此在当地或跨区域地向他们提供恰当并具有战略意义的营销和销售活动。分析方法这张Teradata Aster可视化图表是Aster Lens产出图表中Gephi图的范本。这张图表利用了客户的转账数据，转账金额超过25万美元。Aster的协同过滤功能过去被用来确认交易参与方之间关系的深度和强度，而现在利用Aster Lens的Cfilterviz功能，这一部分功能实现了可视化。图中圆点的大小代表交易参与方介入类似交易的数量，连线的粗细表示连线双方进行类似交易的数量。所以处于众多交易之中的往来银行成为了较大的节点，而其他的点则比较小。作者介绍Kailash Purang（同上）二十四、财富之冠（其二）作者：Kailash Purang关于洞察境外汇款是一项收费的金融服务，这类服务对金融机构来说相当重要，因为它们意味着无风险的收入。因为有一部分的费用是针对转入/转出活动进行征收的，这就意味着针对“谁将在哪里向什么人汇多少金额的款项”进行预测将成为确定销售和营销活动的关键步骤，有效地吸引交易双方并有效地增加汇款客户数量。凭借着这个思想，这幅图表阐释了转账时资金的转移过程：某行客户向其它客户转账时，交易过程中要经过往来银行，最终才能到达目标银行，送到收款人的账户中。人气更高的往来银行在图中被标记为较大的绿色圆点，而接收款项的小银行则是较小的白色圆点；白色的线表示资金从机构客户流出，绿色的线则表示资金流回银行客户。这张图表帮助银行了解并放大观察价值链的关键部分，它突出显示了使用往来银行作为汇款交易参与方的银行客户，并显示出这些客户进行转账的地点和频率。我们的客户是一家跨国银行，在全世界均有业务分布，但主要关注东盟高增长的那些经济体。他们把高价值目标定为他们进行了运营但是没能使整个交易的资金和费用都保持在集团内部的国家。进一步对图中的白点（客户）进行研究，可以发现交易之间的关系，它们会形成海外支行网络、紧密联系或相关的公司网络、或者是买方和供应商的网络。通过发现这些联系紧密的公司群并研究它们的运营领域，我们的客户可以判断每个客户的重要性，并由此在当地或跨区域地向他们提供恰当并具有战略意义的营销和销售活动。分析方法这张Teradata Aster可视化图表是Aster Lens产出图表中Gephi图的范本。这张图表利用了客户的转账数据，转账金额超过25万美元。Aster的协同过滤功能过去被用来确认交易参与方之间关系的深度和强度，而现在利用Aster Lens的Cfilterviz功能，这一部分功能实现了可视化。图中圆点的大小代表交易参与方介入类似交易的数量，连线的粗细表示连线双方进行类似交易的数量。所以处于众多交易之中的往来银行成为了较大的节点，而其他的点则比较小。作者介绍Kailash Purang（同上）二十五、叶子作者：Alexander Heidl and Kailash Purang关于洞察“叶子”融合了现实生活中的图像与数据可视化生动展示了未来的分析方向。随着在图形和速度的技术改进及资料视觉化的方便化，一种新兴形式是使用现实生活中的图像取代传统的图表。这样的影响是巨大的。这种令人难忘的技术图表并使用真实生活图像使得图表可以很容易地被任何人接受，即使是很小的孩子也可以看懂。营销人员可以运用现实生活经验来陈述产品的好处。例如，通过使用他们的农场的真实生活的图像与不同的作物生长，他们可以具体表达农民肥料和化学防护剂的好处，比起从传统的图表这样的一个销售信息具有显著的效果。Kailash Purang 在“叶子” 图像使用的“单一麦芽采样”数据集。在该图中，形成了叶片的脊柱的点（节点）是威士忌品牌，类似口味的威士忌会接近在一起。每个品牌链接到其他品牌的线（边缘），它们有一样的口味特征。其结果是这个近乎完美的树叶图像。因此，“叶子图”就是Kevin Slavin指的是在他在TED谈论由算法运行的世界- 这鼓励我们从现代的观点去思考有关数据和数学。（如果你对TED演讲有兴趣，您可以通过扫描QR码与您的移动设备观看）分析方法数据集是从Teradata Aster Lens环境提取出并且用Gephi处理；一个开放软体的工具，用于可视化数据分析和探索。“叶子”适用于径向轴线分布，从圆形辐射分布线性轴的节点。对轴线上的节点分组和排序沿着图形（叶）的直线中心产生节点。节点和弯曲的边绘制出叶子，然后由节点到边之间施加一个绿色的颜色渐层。“叶子”就显示在画面的右下角。由数据可视化产生的叶子会使用Photoshop跟现实世界的植物照片结合。这让我们看到真实叶子的生命在数位叶子旁边出现。作者介绍Alexander HeidlAlexander 是一个分析的艺术(The Art Of Analytics)的前期贡献者。他有一个异常强大的设计眼搭配熟练的技术来操作复杂的分析图像来洞察资料。 Alexander是分析的艺术(The Art Of Analytics)监制并与Teradata的数据科学家共同的工作。他擅长操纵Aster Lens和Gephi产生高品质、高水准的’艺术’的集合。Alexander目前住苏黎世，在法兰克福、德国附近长大，从伦敦金斯顿大学毕业。不久后，他开始了他的分析职业生涯，在不同行业和地理区域作为一个商业智能项目经理。在此期间，Alexander发现不同的视觉形象可以具备有效沟通信息的能力。特别是，当需要和各式各样的客户接触，无论是组织结构，专业知识水平和语言表达能力；他发现，图片和可视化都有助于形成众人的共同理解。因此，Alexander很早就对不同的视觉元素结构及样式的重要性感兴趣。今天，Alexander正在瑞士的Teradata作为一个跨行业的客户经理，协助各式各样的客户并寻找前景。他对视觉表现的激情发挥在他目前的工作，并与他的客户分享复杂的观念与分析见解。二十六、星门作者：Peter Wang关于洞察Peter Wang的“星门”是在打击网络欺诈、骇客和网路攻击的持续和复杂的战争中的“分析防卫武器”。匿名可视化是在台湾完成的一系列用于分析电信客户端阻止恶意网络攻击。“星门”的目的是发现并阻止黑暗的力量在网络世界滋长- APT攻击。进阶持续威胁（APT）是一组隐身和连续的计算机骇客过程，往往是由人们策划针对特定的实体。 APT通常针对组织和/或国家的商业或政治动机，也用于欺诈和犯罪目的。可视化使用的2300名员工一年的互联网使用的网络日志。它跟踪每个用户的网络浏览活动然后找出恶意行为的原点的详细用法路径。每个点（节点）表示由用户访问的网页。每行（或边缘）表示从其他网页到另一网页的路径。线的粗细大小代表访问时的时间，节点的大小代表我们计算网页的128种性质，如类别、信誉评分、访问次数、网页内容和数据包的生存时间（TTL）值。在“星门”中心的高度连接的节点越大表示那些没有装备安全防御软件或防火墙阻止恶意行为的高风险的网站。我们也可以看到他们连接到其他网站，这可能代表了高风险。周围外侧的节点是低风险的网站。从此发现我可以提升安全机制使得从根本上减少恶意活动的量。分析方法此分析使用Teradata Aster 及 Aster Lens。这个可视化使用了电信客户的安全日志并用Aster 及Gephi生成图表。它涵盖了超过2300位员工的一年时间的安全日志数据。在此分析工作，我们用nPath，图形，集群和文本分析功能。路径分析是这种模式分析的核心概念，因为它来源于网页，关键是要识别恶意行为的起源联动路径。我们用图来表示，并分析各节点之间的复杂关系，并以图表的形式呈现出来。作者介绍Peter WangPeter Wang是Teradata的创新中国数据科学家的重要团队成员并为银行和电信开创了新的分析技术。Peter是一名Teradata的资深大数据顾问于大中国区的大数据COE。他在OSS超过20年的电信行业经验，主要在信号分析和网络安全分析领域。Peter 住在台湾且在整个大中国区的工作，帮助银行和电信公司从解锁大数据的价值。他在大数据目前的角色之前，他是台湾Teradata 的行业顾问。在更之前他在台湾一家大型电信领导者远传担任OSS经理。二十七、Trapping Anomalies作者：Yasmeen Ahmad关于洞察这个可视化显示由保险公司发现的异常行为经纪人。透过其中的数据图表凸显了当有图形呈现这些连接后异常变得显而易见。点（节点）代表的是使用由保险公司提供了一个平台经纪人创建报价。节点之间的联系表明相关联的报价，即券商用以前生成的报价（点）做一些改变后创建一个新的报价（链接的节点）。典型的经纪行为表明一旦经纪人已经产生了报价，就只会有存取或如果报价寿命结束前决定刷新报价。这两个集群在中心（红色）描绘出异常行为，其中一个经纪人在更新少量的属性后不断改变和改回报价。这表明这个经纪人在测试保险公司的系统，试图了解定价引擎的工作原理，这是不欢迎的行为和滥用保险公司的系统。这一分析的目的是确定保险公司的经纪人是如何的使用制度和理解积极经纪人的行为提升产品的销售。这样做的目的是了解系统如何改进，以支持券商和提供更好的体验，以及支持保险公司的业务，并且可以教育业绩较不好的经纪人。这个欺诈性的发现是这种分析的副产品。保险公司可以使用这种视觉化作为证据来跟经纪人作后续的谈话。分析方法这种西格玛可视化描绘从保险公司为他们的经纪人提供的平台的数据进行分析。这个系统将记录由所述平台上的代理进行的所有操作。分析的初始部分涉及身份查验工作的平台和匹配经纪人的会话到一个特定的经纪人和客户。在这些会议上该分析侧重于记录由经纪人平台报价相关的行动。这些行动被抓获并建模为节点。每个节点代表了不同的会话客户所产生的报价。节点之间创建链接如果经纪人读取相同的报价并生成一个刷新的报价。图表分析找出由高度互连节点形成的两个异常大的不正常集群。作者介绍Yasmeen Ahmad（本系列文章第三篇有介绍）二十八、Branch社区之树作者：Qlik公司Todd Margolis关于洞察这张可视化图表被用于帮助开发和分析Qlik的开源程序员社区Branch，这个社区被设计成为一个互动性开放式的探索导航平台，而这个新的应用使得访客得以发现关于网站中用户、项目和它们之间关系的新含义。这张图表可以用来理解这个网络社区的社会动态，也能了解每个个体用户的行为。为了加深理解、获取洞察，关于相似性、类目、浏览量、评论和公司的元数据都被反映在这张图表中。图中的圆点代表不同的项目，其大小代表浏览量的多少，这使得我们可以方便快速地发现那些最受欢迎的项目。节点还反映了项目的参与者及评论的多少，使我们能够直观地看到不同项目中合作程度的高低。图中的圆点按照产品类目进行聚合并着色；圆点之间的连线则代表项目之间就相似程度和用户群的联系。图中最大的两个点集标识了Qlik社区对于可视化拓展的关注；此外还有七个中等大小、五个小型的点集，向我们展示了这个社区的发展空间。浅蓝色的线条连接着每个类目中的相似项目以及Qlik的两个主要可视化类目；绿色的连线给出了一个令人惊讶的信息：大多数贡献者倾向于跨越整个产品谱系开发项目，这也印证了Qlik分析平台的威力。分析方法这张网络可视图利用Qlik Sense生成。图中数据利用Kimono APIs从Qlik Branch网站中收集，并被存到Sense的储存器中。图中的分析主要关注哪些是已经公开的信息，之后也许会整合其他的网络分析技术。这张可视化图表利用到了HTML, Javascript, CSS和高人气的D3.js数据驱动可视化库。最初的图层基于把相似项目拉到一起的力导向图；为了按类目进行项目分类，之后又增强了聚合力图层；最后再利用Danny Holten的分层边缘捆绑算法画出连线。我们将来计划开始利用Teradata Aster的K最近邻聚类、朴素贝叶斯分类器等功能，创造更多关于这个数据集的洞察。这张图表依然保持着与新用户活动的互动，并每天进行更新。作者介绍Qlik公司Todd Margolis——————————————————本系列连载文章到此也就结束了，感谢Teradata公司带来这么精彩的数据可视化案例。想看全系列的朋友，建议上36大数据网站。百度“36大数据”直达哦。End.“感谢你耐心的看完，鞠躬ing。一直最用心，行业最强音。如果你觉得内容对你有帮助，希望你转载到朋友圈分享给更多的人。传递知识，传递快乐。回复对应数字，查看对应系列文章1数据可视化
5篇系列文章2推荐系统
5篇系列文章3机器学习
5篇系列文章4随机森林和支持向量机
5篇系列文章5成为数据科学家
5篇系列文章6大数据面试题
5篇系列文章7大数据工具
5篇系列文章8实践篇 大数据应用案例
5篇系列文章9新手上路，数据行业入门学习5篇系列文章36大数据是一个专注大数据创业、大数据技术与分析、大数据入门学习的商业新媒体。分享大数据在电商、移动互联网APP、医疗及金融银行等领域的落地应用。36大数据是百度大数据首席战略合作媒体。也是WeMedia自媒体联盟成员。网站：36dsj.comQQ千人群：投稿邮箱：36大数据微信dashuju36发干货/有价值的内容大数据女神dashujunvshen发布行业新闻、动向点击下方“阅读原文”查看更多↓↓↓
觉得不错，分享给更多人看到
36大数据 微信二维码
分享这篇文章
2月26日 19:23
36大数据 最新文章