摘要：文章先分析了大数据时代下企业信息化建设趋势，随后介绍了面向大数据分析的企业信息化解决方案，包括解决方案平台体系结构、解决方案软件架构，希望能给相关人士提供有效参考。

关键词：大数据分析;企业信息化;解决方案

一、引言

在企业信息化发展中通常面临着大数据分析需求所形成的发展挑战，合理创建信息化处理方案是企业实现信息化发展的主要渠道。为此需要综合考虑大数据分析相关技术以及数据存储需求，借助分析数据处理以及海量存储技术，面向大数据分析合理创建企业信息化处理方案，把企业海量信息数据顺利转化成价值信息，为企业决策提供有效参考依据，为后期信息化建设奠定良好基础。

二、大数据

大数据作为某种庞大数据集，单纯利用人工方法不能顺利展开数据分析计算，数据借助特定方法可以联合构成多样化数据结构。相关数据结构可以为部分存在大数据分析需求的企业以及机构提供数据分析参考依据。大数据内某部分信息价值存在不确定性和不稳定性，而在海量信息内所提取数据具有较高价值[1]。

三、大数据分析技术特征

大数据并非以庞大的数据量为核心，其重点在于针对海量信息实施系统分析、研究和计算操作。在对相关数据信息进行综合处理基础上，挖掘出数据背后所隐藏的各种价值信息，提取有用信息。在社會信息技术持续发展中，不同企业、研究领域在实际发展中对大数据依赖性相继提升，并形成更多数据信息。基于此条件下，数据所存在的四种特性也产生明显变化，对于相关数据信息价值判断，主要由数据分析方法所决定。大数据分析技术在具体应用中主要包括以下几种方法：可视化分析、数据挖掘、分析预测、语言引擎、文件管理。可视化分析作为大数据的基础分析方法，可以通过图形方式呈现出数据特性，并针对数据特性实施综合对比分析，用户可以在数据内部发现某些关联特征。数据挖掘涉及多样类型算法，深入研究数据集组成结构，借助有效运算方法在海量信息数据内提取价值信息。大数据分析所涉及数据量较为庞大，借助数据挖掘手段可以于短时间内快速实现数据分析处理功能，优化提升数据应用价值。预测分析则是在数据挖掘基础上提取存在某种联系的数据信息，相关数据类型存在一定差异，按照数据类型要求建设具体模型，引入各种新型数据，针对未来事情发展实施准确预测。数据管理和数据质量会直接影响大数据分析结果。在数据分析中，针对高质量数据源实施有效的数据分析管理后，可以顺利提取各种价值信息[2]。

四、大数据分析技术

（一）云储存

数据存储方式会直接影响数据存储成本和数据分析成本。为此需要系统研究数据存储需求。通过大数据技术和云储存技术全面融合可以提升数据存储效率。云储存技术属于云平台内的分布式存储架构。各种数据管理以及分布式存储主要以数据中心为核心实施。联系角度差异针对数据中心实施合理划分，可以把数据中心分成三种结构形式，分别是混合结构、服务器为核心以及交换机为核心的结构模式[3]。

（二）数据分析模型

模型库子系统涵盖模型库管理系统以及模型库两部分内容，按照模型复杂性具体可以细分成复杂模型以及简化模型，按照模型结构可分成组合模型以及单一模型。模型类型多样，系统决策需要联系现实需求复杂的确定选择广义模型或单独模型开展分析工作。结合大数据分析过程实施科学判断，数据量大且结构复杂，简单分析组合模型，短期内无法实现数据分析功能。为此大数据分析中，想要进一步优化模型库，需要健全模型参数，保证模型满足数据分析要求，通过扩大模型数量，优化组合模型实现数据分析目标[4]。

（三）资源弹性调度

结合大数据形成特性分析，大数据的分析需求具体可以分成非周期性和周期性需求两种形式。其中周期性需求会在特定时间段内重复出现。为此需要提前准备好数据处理资源，满足数据分析需求。非周期性需求不存在固定时间周期，大部分事情存在突发性特征，为此需要弹性分配不同资源。面对企业中的海量信息，利用云计算技术能够针对大数据实施统一管理规划，并借助MAPREDUCE模型实施数据的批量分割处理，借助云计算质量服务协议，全面优化提升服务质量[5]。

五、大数据时代下企业信息化建设趋势

（一）数据分析能力提升

在企业信息化发展中，大部分企业初步形成一体化系统平台，全面集成各种信息资源，相关系统平台可以充分满足企业中的日常业务活动需求，但在企业设备检测、内部运行以及综合管理中所形成海量信息呈现出一种指数级增加趋势，信息网络的数据交换、分析处理能力、信息存储、网络信息传输、信息互动以及信息呈现等方面无法满足企业新时期发展目标，使企业信息化过程中遇到全新挑战。为此需要企业信息化准确把握新时期发展需求，不断创新发展。

信息时代下，企业在经营发展中所面临庞大业务信息量需要企业进一步提升自身数据分析水平。传统模式下，单纯对几台服务器设备进行升级改造扩大空间存储容量的方法已经无法满足新时期剧烈增加的数据分析和存储需求，为此需要全面提升数据分析平台整体扩展性，优化整体容错能力。因为企业计算资源持续增长，为有效减少硬件成本投入，平台应该支持合理创建异构环境，如此能够帮助充分利用各种闲置计算资源。除此之外，数据分析过程需要尽量拉近和数据的距离，帮助控制数据传输所形成时间成本。

（二）关联聚合复杂数据

对于企业内部各种复杂业务活动信息，需针对多样类型的信息数据实施全面整合，强化不同数据内在联系。企业日常经营生产中所形成的大数据信息包含生产信息、运营信息以及管理信息等内容，除此之外，还包含ERP一体化管理系统以及协同办公平台、图片视频以及地理信息、日志等信息数据。相关数据信息除了结构化数据之外，同样涵盖各种半结构信息以及非结构性数据，不同部门对于信息内容类型、信息查询处理性能以及处理频率等方面具有不同要求，为此需要系统分析平台针对多样形式异构数据源进行综合集成，准确提取相关数据信息，并从中对实体和关系进行有效提取，针对多样的数据信息实施全面聚合后并进行数据整理关联，对各种数据信息按照相同结构定义实施有效储存。从整个行业发展层面分析，数据模型定义不合理，核心数据管理不足，不同系统数据拥有不同规范标准，无法实现全面集成共享，增加了数据挖掘的难度，削弱数据应用实效性。

（三）海量信息筛选

各种价值信息通常会隐藏在海量信息数据内。而企业的信息采集一致性、完整性以及实时性等方面无法进一步满足数据时代管理要求，采集准确性以及采集效率有待提升，企业中的各种价值数据分布于海量信息内，比如监控视频，在持续监控中，其中的价值设计可能仅占几秒钟。为此便需要企业中的数据分析平台针对各种价值信息进行全面采集，做好数据分析工作，同时对其中的噪声信息实施有效过滤，把数据传送至分析、存储设备当中，进一步改善数据信息价值密度。

（四）高时性处理数据信息

企业不同业务活动中形成各种类型数据信息，其中实时性数据信息以及准实施性数据信息快速增长，进一步超出传统形式的事务性数据，为此需要企业中的信息系统形成良好的实时分析处理以及高速处理能力，更好支持各项决策设计制定。此外，对于规模飞速扩大的信息数据，相关分析处理系统应该针对各种复杂分析查询活动实施快速响应，对企业各个不同部门的业务分析诉求进行动态响应，更好应对不断变化的业务数据环境，针对需求变化进行系统分析，合理控制数据准备时间，提高数据分析速率。

（五）数据信息可视化处理

企业在日常生产管理中面临多种类型数据信息，不同数据关系較为复杂，而现有信息化对策无法将海量信息内在联系直观、准确呈现出来，企业决策层无法合理利用数据信息开展各项业务活动，为此需要借助可视化手段处理相关信息，针对大数据技术实施可视化改革，准确反映出企业日常经营生产活动所呈现出来的不同数据状态，对企业生产管理问题以及发展趋势进行准确分析，迎合企业管理层发展要求。

为了合理应对企业相关信息数据的全面增长趋势，应该深入分析企业内不断增长的数据信息总量，面向大数据分析合理创建企业信息化处理方案，充分满足企业不断增加的处理诉求。

六、大数据分析为指导的企业信息化建设

（一）平台体系架构

此次研究中面向大数据分析，进一步提出企业信息化建设方案，联系大数据四种特性实施合理设计，结合大数据的海量数据特征，设计信息化方案中，可以设计分布式存储，为进一步控制信息存储成本，充分利用现有存储设备以及服务器集群，构建分布式存储系统，针对海量信息实施分布式存储。结合多样数据类型特征，实施非结构化、半结构化和结构化数据分析、集成。联系大数据的低价值密度特征，实施数据信息采集中率先做好数据分析工作，将其中各种无用数据和噪声信息去除，随后把数据信息传送至分析、存储设备内，注重提升数据整体价值密度。结合传统事务性数据的时变性以及实时性特征，选择具有较强实时性的在线分析数据开展系统分析，准确捕捉整个数据变化特征，构建实时有用信息。

以大数据分析为核心功能信息系统内，为避免数据分析系统内渗透其他噪声，实施数据采集中，需要针对繁杂的信息数据实施全面分析、过滤，突出数据分析功能，提升数据整体价值密度。结束有效信息采集工作后，借助云计算平台设置专门的资源池进行虚拟计算和存储，对应存储分析方式离不开存储技术和分布式分析技术的有效支持，针对相关信息数据实施合理存储，按照并行处理策略开展算法调度以及任务管理工作，加强数据信息的监控和调度，系统用户可以利用WEB浏览器、专门客户端、无线终端以及各种设备访问检索数据分析结果。

大数据分析为技术支持的信息系统构建过程，利用虚拟技术和云计算打造专门的存储模块与分析整理模块，为激发各个企业价值资源，提升资源利用率，可以利用虚拟机技术，迎合时代要求，设置先进服务器设备，打造服务器集群，使相关计算资源实现虚拟化发展，优化设备综合利用率，激发出设备价值。为改善机械设备所导致的信息丢失和遗漏问题，可以利用分布式结构为基础的冗余存储系统针对多样形式信息数据实施有效存储，提升数据信息可靠性，借助高性能软件帮助改善老旧硬件故障概率，提升设备利用率。面对企业生产经营中所形成的海量信息数据，为进一步改善表内较低的结构化查询效率问题，可以借助列存储为基础的数据管理取代传统模式关系型数据库，支持大数据集实施全面、高效管理。

为形成合理开发环境，需全面优化设备应用性能，提升计算功能，应用具有较高通用性的并行算法MAP-REDUCE创建并行处理系统，面向多样信息实施有效处理，按照不同数据节点把数据信息细化分解为多种项目，并将同一项目分解到多种机械设备内同步操作，优化计算分析效率，可以进一步细分成算法调度以及综合管理两部分，其中算法调度是对现有各种类型实现算法进行合理调用。项目管理主要针对多种任务实施并行管理、科学调度以及过程控制。主要利用HADOOP技术基础架构，通过HBASE系统管理海量数据信息，通过HADOOP分布式系统充当存储系统，虚拟机选择UBUNTU系统，设置MAP-REDUCE并行编程模型。HADOOP设置为主从架构，将相关数据信息进一步分解为不同数据模块，分别在各个存储节点中进行合理存储。集群由一定量DATANODES以及NAMENODE构成。NAMENODE充当中心服务器，负责对文件系统名字存储空间以及客户的文件访问活动实施有效管理，NAMENODE负责对不同节点信息存储实施有效管理。

（二）方案软件架构

大数据分析为基础在企业内部创建信息系统和软件架构中，可以将多种类型信息数据直接传送到企业多样部门系统内，包括生产管理、人力资源和财务处理等系统内。此外，不同业务系统于实际运行中同样会形成不同类型数据信息，各种基础数据和多样数据信息借助过滤集成层实施抽取、转化、清洗、语义分析以及集成后，借助挖掘分析层内优化仿真、信息挖掘等手段搜寻各种价值信息，同时借助相应方法展现给广大用户。基础数据层通常面向企业内部不同业务系统数据信息，涵盖不同传感器所采集的活动信息以及视频监控系统所采集的基础信息。相关数据来源较广，拥有多样化的数据类型，除了各种结构化信息数据，同时还涵盖在线检测设备以及传感器设备所采集的音频、视频和图像等非结构化信息。

应用系统层涵盖符合企业经营管理活动的多种业务系统，分为资产管理、物料管理、人力资源管理、经营生产管理以及财务管理等系统组成。相关管理系统在对各种基础数据进行实际应用中，容易形成新型数据，而多种类型数据信息联合基础信息共同传输至过滤集成层内实施全面集成和有效过滤。

过滤集成层为了提升数据信息质量和数据可信性，会对多种数据信息实施格式转化以及彻底清洗，对分析层数据进行深入挖掘中，需要对海量信息数据内所蕴含的知识、信息进行准确解释和分析，过滤集成层还需要针对不同异构数据源的采集数据实施全面集成以及有效抽取，合理提取实体数据以及内在联系，经过关联、聚合处理后选择标准定义结构对相关数据信息实施有效存储。大数据技术的分析模式会随数据持续增加呈现出动态变化，为此需要合理修正数据集成技术和数据抽取技术。为此合理创建行业本体库，选择以语义理解为基础的设计抽取模型，开发设计统一数据接口，并将相关信息传输至数据分析挖掘层内开展数据挖掘以及数据分析。

信息挖掘分析层可以针对企业海量数据内提取所需知识以及价值信息，数据平台需要针对不同部门业务活动特征以及系统管理需求针对各种信息数据实施综合分析。因为大数据技术主要以数据的实时处理为基础，利用机器学习算法提升数据处理实时性和信息处理准确性。构建云计算分析系统，按照流处理和批处理两种方式实施数据挖掘分析，高效处理大数据。

数据呈现和数据访问层则是借助合理方法把集成、抽取、分析数据结果展现在用户面前，确保用户可以通过最短时间得到最具价值的信息，这也是企业实现信息化发展的主要目的。对于大量的数据分析结果，不同分析结果之间存在一种复杂联系，为了预防错误方法对用户的不当引导，需要融入可视化技术，联系数据需求应用空间信息流、历史流以及标签云等方法，把大数据分析结果利用可视化手段为广大用户展示出真实、生动的形象，方便用户认识和理解，为了进一步加深用户对于最终数据处理结果的认可度，利用数据起源技术全面分析相关数据信息，追踪溯源，引领用户开展逐层分析，为科学决策提供有效帮助和科学指导。

七、结束语

综上所述，此次研究中促进数据高效存储技术以及信息高性能处理技术全面融合，整合数据挖掘和数据分析技术，面向大数据分析合理创建信息化解决措施，为企业科学决策提供有效参考，为企业信息化发展打好基础。

作者单位：刘磊    中国海洋石油集团有限公司

参  考  文  献

[1]范敏.大数据背景下中小制造业企业信息化转型的机遇与挑战[J].企业改革与管理，2021（24）：35-36.

[2]胡伟航.集团型企业档案信息化建设面临的挑战及应对策略[J].城建档案，2021（12）：48-49.

[3]盧山，王依寒.建筑企业信息化探讨——以某建筑企业信息化建设为例[J].工程经济，2021，31（12）：40-43.

[4]张咏梅.浅谈大数据分析模式下加油站设备全生命周期智能管理[J].中国信息化，2021（06）：83-84.

[5]黄梅.大数据背景下中小企业数据资源有效管理的对策研究[J].商场现代化，2020（10）：102-104.