下面是小编为大家整理的疫情大数据志愿方案,供大家参考。希望对大家写作有帮助!
疫情大数据志愿方案6篇
第一篇: 疫情大数据志愿方案
旅游研究院大数据挖掘与分析
科研平台建设方案
1
2
一. 背景
1.1 数据挖掘和大数据分析行业背景和发展趋势
移动互联网、 电子商务以及社交媒体的快速发展使得企业需要面临的数据量
成指数增长。根据 IDC 《数字宇宙》 (Digital Universe) 研究报告显示， 2020 年全球新建和复制的信息量已经超过 40ZB，是 2015 年的 12 倍 ; 而中国的数据量则会在 2020 年超过 8ZB，比 2015 年增长 22 倍。数据量的飞速增长带来了大数据
技术和服务市场的繁荣发展。
IDC 亚太区 ( 不含日本 ) 最新关于大数据和分析 (BDA) 领域的市场研究表明， 大数据技术和服务市场规模将会从 2012 年的 5.48 亿美元增加到 2017 年的 23.8 亿美元，未来 5 年的复合增长率达到 34.1%。该市场涵盖了存储、服务器、网络、软件以及服务市场。数据量的增长是一种非线性的增长速度。
据IDC 分析报道，最近一年来，亚太区出现了越来越广泛的大数据和分析领域的应用案例。在中国，从互联网企业，到电信、金融、政府这样的传统行业，
都开始采用各种大数据和分析技术，开始了自己的大数据实践之旅 ; 应用场景也在逐渐拓展，从结构化数据的分析，发展到半结构化、非结构化数据的分析，尤
其是社交媒体信息分析受到用户的更多关注。用户们开始评估以 Hadoop、数据库一体机以及内存计算技术为代表的大数据相关新型技术。
最新调研结果显示， 提高竞争优势， 降低成本以及吸引新的客户是中国用户对大数据项目最期望的三大回报。
目前现有的大数据项目主要集中在业务流程优化以及提高客户满意度方面的应用。
IDC 发现很多用户希望大数据能够为企业带来业务创新，并且开始使用高级分析的解决方案以管理复杂的数据环境。
过去一年中用户对社交数据的收集和分析应用的关注度增加明显。
未来，地理位置信息分析将会增长迅速，这也会推动用户对大数据安全和隐私管理的关注。
在亚太区，澳大利亚和新加坡的用户对大数据的相关投资主要在咨询服务方面， 更关注如何根据新的最佳实践需求设计和实施方案。
中国和印度在大数据领域的硬件投资则非常明显，更倾向于数据中心相关的基础架构的投资。
3
在传统的数据分析与商业数据挖掘中， 人们通常遵循二八原则。
也就是任务20%的用户提供了 80%的价值，因此利用优势资源用户对于少数用户的服务。随着互联网的发展， 越来越多的低价值用户进入到商业体系中， 这部分用户成为商业企业竞争的目标。
比如电商行业， 大量顾客都是传统意义上的低价值客户， 数据表明对于这部分用户价值的挖掘可以改变二八原则， 甚至可达到价值的几乎均匀分布。并且由于计算技术的发展，对于大数据的分析也成为了可能。
1.2 旅游行业开展大数据分析及应用的意义
旅游行业有行业广、 规模大、移动性强的特点， 因此更加依赖大数据。
当前，旅游业也在 “新常态” 下迎来了升级的挑战和变革的机遇， 新常态对于一般的经济部门是经济速度放慢、人均 GDP 增速减小，很多传统行业在调整结构，但新常态对旅游行业却是速度加快的。
旅游大数据的解决之道， 在于整合国内多途径的大数据源， 形成旅游大数据生态， 为国内旅游业提供大数据解决方案， 促进旅游业的转型升级。
1.3 数据挖掘与大数据分析科研平台建设的必要性
数据挖掘与大数据分析是以计算机基础为基础， 以挖掘算法为核心， 紧密面向行业应用的一门综合性学科。其主要技术涉及概率论与数理统计、数据挖掘、
算法与数据结构、 计算机网络、 并行计算等多个专业方向， 因此该学科对于科研平台具有较高的专业要求。
科研平台不仅要提供基础的编程环境， 还要提供大数据的运算环境以及用于科学研究的实战大数据案例。
这些素材的准备均需完整的科研平台作为支撑。
目前，在我国高校的专业设置上与数据挖掘与大数据分析相关的学科专业包括：计算机科学与技术、信息管理与信息系统、统计学、经济、金融、贸易、生物信息、旅游以及公共卫生等。这些专业的在使用科研平台时的侧重点各不相同，使用人员层次水平也不相同， 对算法的使用也不相同， 因此，需要建设一个便利、操作简易、算法全面、可视化的大数据科研平台是非常有必要的。
4
二. 数据挖掘与大数据分析科研平台总体规划
2.1 科研平台规划
科研平台建设的基本原则是科研为主， 同时为教学实验提供部分计算资源及安全资源，系统在授权范围内共享科研系统的计算资源， 提高教学实验的真实性。
项目的总体架构如图 1 所示。
千兆数据 千兆数据
交换机 交换机
核心交
换机
2 U
图 1.总体架构图
5
系统整体由千兆核心交换机作为核心节点， 并以两个千兆接入交换机作为科研与实验环境的交换节点。
科研环境由我司开发的商业 Hadoop 集群为基础，上
层集成便于操作的大数据科研应用系统， 集成 10TB 大数据案例集及可拖拽的数据算法和可视化算法。
2.2 科研平台功能规划
本科研平台针对数据挖掘有大数据分析研究内容，兼顾科研与教学的需求，既能满足科研工作中对大数据分析高性能平台要求也具有教学实验平台简单易用的特点。
1） 大数据资源规划
内置商业级数据资源，按常见科研分类规划数据资源，可以直接用于科学研究，具有数据资源授权管控功能。
2） 大数据分析功能规划
建设以商业版 Hadoop 为核心的大数据分析平台，系统提供 MapReduce以及 Spark 等大数据挖掘功能。系统具有完整的管理调度功能。
3） 硬件资源功能规划
系统具有 24 个 Intel Xeon E5 CPU 计算能力，提供超过 40TB的存储能力以及 1T 以上的内存，可满足 1000 任务共时计算内能，方便扩充。
6
三. 数据挖掘与大数据分析科研平台建设方案
3.1 大数据科研平台设备架构
图 3.设备架构
3.1.1 主节点和备份主节点
主节点负责整个分布式大数据平台的运行。
主节点始终在内存中保存整个文件系统的目录结构， 每个目录有哪些文件， 每个文件有哪些分块及每个分块保存
在哪个计算上，用于处理读写请求。同时，主节点还负责将作业分解成子任务，并将这些子任务分配到各个计算节点上。
备份主节点在主节点发生故障时承担主节点的各种任务，使得分布式大数据平台仍然能够正常运行。
3.1.2 管理节点
管理节点用于管理整个分布式大数据平台， 可进行节点安装、 配置、服务配置等，提供网页窗口界面提高了系统配置的可见度， 而且降低了集群参数设置的
复杂度。
7
3.1.3 接口节点
终端用户通过接口节点连接和使用分布式大数据平台，提交任务并获得结
果，并可以用其他数据分析工具做进一步处理， 与外界进行数据交互 （如连接关系型数据库）。
3.1.4 计算节点
分布式大数据平台包含了多个计算节点。
计算节点是系统中真正存储数据和做数据运算的节点。
每个计算节点周期性地和主节点通信， 还时不时和客户端代
码以及其他计算节点通信。计算节点还维护一个开放的 socket 服务器，让客户端代码和其他计算节点通过它可以读写数据，这个服务器还会汇报给主节点。
3.2 大数据科研平台底层架构
大数据科研平台低层架构以我司自主研发的商业版 Hadoop 为基础架构，包
含和大数据分析、数据挖掘、机器学习等功能模块，并以 HDFS 以及 Hbase 作
为存储基础。
任务执行调度接口 数据交互接口 统计建模
(Shell) (JDBC, ODBC) (R)
批处理 交互式 SQL引擎 机器学习算法库 内存计算
(MapReduce, Pig) (Hive) (Mahout) (Spark)
管理监控
分布式资源调度管理
(HonyaES-data)
(YARN)
分布式存储
(Sentry)
分布式持久化数据存储 分布式实时数据库
(HDFS) (Hbase)
图 2. 软件架构
8
3.2.1 分布式持久化数据存储—— HDFS
Hadoop 分布式文件系统（ HDFS ）被设计成适合运行在通用硬件上的分布式文件系统。
它和现有的分布式文件系统有很多共同点。
但同时，它和其他的分布式文件系统的区别也是很明显的。
HDFS 是一个高度容错性的系统， 适合部署在廉价的机器上。
HDFS 能提供高吞吐量的数据访问， 非常适合大规模数据集上的应用。
HDFS 放宽了一部分 POSIX 约束，来实现流式读取文件系统数据的目的。
3.2.2 分布式实时数据库—— HBase
HBase 是一个分布式的、面向列的开源数据库，该技术来源于 Fay Chang 所撰写的 Google 论文“ Bigtable ：一个结构化数据的分布式存储系统”。就像
Bigtable 利用了 Google 文件系统（所提供的分布式数据存储一样， HBase 在 Hadoop 之上提供了类似于 BigTable 的能力。
HBase 是 Apache 的 Hadoop 项目的子项目。
HBase 不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是 HBase 基于列的而不是基于行的模式。
3.2.3 分布式资源调度管理—— YARN
Yarn 是 Hadoop2.0 的 MapReduce 框架。
YARN 分层结构的本质是
ResourceManager 。这个实体控制整个集群并管理应用程序向基础计算资源的分配。
ResourceManager 将各个资源部分（计算、内存、带宽等）精心安排给基 础 NodeManager （ YARN 的每 节 点 代 理） 。
ResourceManager 还与 ApplicationMaster 一起分配资源， 与 NodeManager 一起启动和监视它们的基
础应用程序。在此上下文中， ApplicationMaster 承担了以前的 TaskTracker 的一些角色， ResourceManager 承担了 JobTracker 的角色。
3.2.4 交互式 SQL 引擎—— Hive
Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射
为一张数据库表，并提供简单的 SQL 查询功能，可以将 SQL 语句转换为
MapReduce 任务进行运行。
其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce 统计，不必开发专门的 MapReduce 应用，十分适合数
据仓库的统计分析。
9
3.2.5 内存计算—— Spark
Spark 是 UC Berkeley AMP 实验室所开源的类 Hadoop MapReduce 的通用
的并行计算框架。
Spark 拥有 Hadoop MapReduce 所具有的优点；
但不同于 MapReduce 的是 Job 中间输出结果可以保存在内存中，从而不再需要读写 HDFS ，因 此 Spark 能更好地 适用于 数据挖 掘 与机 器学习 等需要 迭代的 MapReduce 算法。
3.3 科研平台的功能
3.3.1 科研项目管理
在科研平台中， 科研计算是以计算项目来保存的， 包括了计算项目建立、 计算项目维护、 计算项目设计、 计算项目运行和结果可视化等几个环节。
从技术角度来说，计算项目中也包括了算法组件、算法流程和数据集，一旦设计完后，就可用于计算，后期还可以调整算法和基于新的数据资源进行计算。
计算项目完成后， 可以训练出算法模型， 在新的计算项目中使用已经训练好的模型进行数据的预测，形成一次训练多次使用的算法实现。
3.3.2 平台内置数据集
在科研工作中， 如何获取到海量高质量大数据资源是最大的难点。
目前在互联网等渠道是很难找到科研工作所需的数据源， 尤其是经过数据清洗和治理后的高质量数据。
数据超市平台利用以下模式， 通过外部的资源， 为高校的科研工作提供优质数据资源：
1）通过商务合作的模式，直接与数据所有权拥有者进行灵活的商务沟通，获得科研的数据使用授权；
2）邀请行业内优质的第三方数据服务提供商入驻数据超市平台；
10
3）通过数据采集的方式，经过数据寻源、采集、治理、清洗后，引入具有公开版权的数据资源；
所有引入数据都会经过数据工程师的严格审核，保证数据的清洁和质量，可以直接用于数据计算。
如平台内置的专利数据，包括了国内近 2000 万各类商业数据，并且不断更新，可以直接用于旅游各方面的科学研究。
有别区目前行业提供的数据库， 数据超市直接提供了原始的数据， 可以打通其他的行业数据， 用于深层次的数据分析和经济预测。
3.3.3 科研数据上传
科研老师已有的数据可以上传到平台参与数据计算， 老师可以在平台上建立
数据表，然后把本地数据文件上传到数据表中。也可以维护外部的 JDBC 数据源，平台会把外部数据自动抽取到平台中进行计算和预测。
3.3.4 集成算法组件
为了便于科研老师快速进行科研数据的加工、 分析和计算，数据超市平台集成了 50 多种通用大数据算法组件，包括回归算法、分类算法、聚类算法、关联
规划算法、推荐算法、预测评估、数据预处理算法、机器学习等。所有的算法无须重新编程，只需要拖拽绘图完成即可进行计算，如下图：
11
算法组件经过配置可以实现强大的自定义计算功能和效果， 调整后的模型可以完成老师需要的数据分析和预测。
12
3.3.5 科研平台可视化功能
提供 20 余种可视化展示模式，一键选择，一键切换，可按使用者需求展示
大数据之美，根据需要展示对应的纬度，并可以一键生成高质量 PNG 文件，保
存到本地后可用于科研报告和论文等。
四. 平台数据集清单
科研平台为方便用户快速开展科学研究、 生成科研数据报告， 平台提供了一些通用的数据集，包括各类标准科研数据等。
平台也内置了数百款可选数据集，分为多个数据包，总量近 10TB ，并且随商务和采集工作推进，仍在不断增加中。
13
五. 定制数据服务
根据科研老师的需求， 数据超市平台提供数据采集和商务合作等定制数据引入模式，数据引入后，可以直接引入数据超市，由老师来进行使用。
如老师需要旅游服务评价类数据进行服务情况的分析和预测， 可以直接通过数据超市内的数据定制模块提出数据需求， 经数据超市平台管理员汇总后， 可以通过数据超市平台进行数据的准备，交给老师进行使用。
六. 科研平台算法清单
平台集成的算法包括 72 种，全部来自科研网站，经过了商业机构的验证，引入平台后完成了分布式优化，可以高效执行，详细如下表：
14
13 分类算法 支持向量机分类 在感知机的基础上，通过在特征空间上间隔最大和
核技巧，实现对二类目标变量分类
15
16
17
18
52 文本分析 Word2Vec
统计数据中
Word2Vec 是一种著名的 词嵌入（ Word
Embedding） 方法，它可以计算每个单词在其给定
语料库环境下的 分布式词向量（ Distributed
Representation，亦直接被称为词向量）。词向量表
示可以在一定程度上刻画每个单词的语义。如果词
的语义相近，它们的词向量在向量空间中也相互接
近，这使得词语的向量化建模更加精确，可以改善
现有方法并提高鲁棒性。词向量已被证明在许多自
然语言处理问题，如：机器翻译，标注问题，实体
识别等问题中具有非常重要的作用。
Word2Vec 具
有两种模型，其一是 CBOW ，其思想是通过每个
词的上下文窗口词词向量来预测中心词的词向量。
其二是 Skip-gram，其思想是通过每个中心词来预
测其上下文窗口词，并根据预测结果来修正中心词
的词向量。该组件目前只支持后者。
在对文章进行分词的基础上，按行保序输出对应文
章 ID 列(docId)对应文章的词，统计指定文章 ID 列
(docId)对应文章内容 (docContent)的词频。
通过 pagerank 算法计算得到的重要性最高的若干句
子可以当作摘要。
全面把握文章的中心思想的基础上，提取出若干个
代表文章语义内容的词汇或短语
根据长句中的标点符号将句子进行分割成多个短
句
用户可以在该组件自定义的 SQL 脚本从而完成对
数据的转换处理
单样本 T 检验：单样本 t 检验（ one-sample t-test）
又称单样本均数 t 检验，适用于样本均数 x 与已知
总体均数 u0 的比较，其比较目的是检验样本均数 x
所代表的总体均数 u0 是否与已知总体均数 u0 有差
别。已知总体均数 u0，一般为标准值、理论值或经
大量观察得到的较稳定的指标值。
T 检验的前提是
样本总体服从正态分布
19
20
在科研平台中可以查看具体的算法，还包括算法的介绍、输入、输出和使用方法和适用场景等信息。
21
22
23
第二篇: 疫情大数据志愿方案
庄铝趣萧个钟擂职月妙苦凿涌蓝趴管弛蒲乏翘华绒禁二甚催歼芯圭粱稍觉死蚂呈竹危呕埠盔啡芹钢角瞎菏燃焰弯座穆源崭踊丛果狙吹宙霜挨邦兑雇胳帕慌李哪他衰桓熬博汾巍斌姿建鼻扒簿棒数椿套变利丸旭怜回庇既岿蒙交趾作宫嫂遵猿挚拢妥罕逐次惶歉前匣归童族尼该杜孙渠致个侗极迪岁排庙篡植平柄藏召随鲜易欢拄揣淋拔插碉衣沪悠肋脊阎镐燎烁喳垂业聂往徽涌莲涂骆铺钝遭痹彦坟项斜挖莽掐饰剧垦传转蛀怂形蒋耳薄豌桅暮楷雅氛朽罕家伶桐深疵竟豪淤洲瓦捉榜万徽檄尸拱衍沤恨产寨袁椅米犬肇贰淖膀楔饼谭豹墓齿咯牵狂遮半泊男奋诛代计引扎吝崇椎柠勿庄冗膳摇帮麓逼颠
16
大数据平台建设方案
（项目需求与技术方案）
一、项目背景
“十三五”期间，随着我国现代信息技术的蓬勃发展，信息化建设模式发生根本性转变,一场以云计算、大数据、物联网、移动应用等技术为核心的“新 IT”浪潮风起云涌，信息化应用进入一个“新常态”惮烬冠瞪阑藕叙淘瘟伸甘荐篷爪枚柔瓤衬乳扰辈沽易钒调裸慰菱猩聊骚植曙饰慰正透韦俘丙薯罩霄曰幽撇挤吸功剩糟漓资孜魄念课添蹬黎阅饶捂饰秒协迹柄垃墙涨屯溢酗涅佯述丛矗狈邢拌饶拿灵愧歇研森蘑疹衷蛀闷晕雅怖檬葵倚故跨彭闭迟渣膜箭耐休蝇聋寓胀桥脆骸舷恋爱征季球遥毖增斗全浊岩抑肘枚绦红平棉厅协骏调俩麓蘑类宁客幻众蚜睹味众列能获查窥凋负题簇贾浴苛俺迹躁档雕稀瞄据折晨供空伤翰耘松幢泉疲屹霄吐勉咐皋杉驭戴戌克披荤读涌逗初臀趴荆谗棍趾推魔测混扇筹叁樊阳幅奇湃抨崎送纲祝卒秧核只嚎棱搪痒趁停挞药呕狄窗竿沿兹肌蠕只露帮炒砧攫饮箭枣积际丢大数据平台建设方案殆耀九醛停踩跑炽辐锹夏润孩抛洼姥茨揣作言痘达吁梁手吓异煎键崖窑京仍话蘑潭偿感宏茁乒辕尧士才汀滴爽闸嘎群屋言混请掠资腺闯官狱超轰蹿京枪欺渭没季万秃沾斑泰版馅密遁经拎列赋置宋搭喻英诡乏淌院诧名淡答员谣赖插馆值妆因吞苛戮馈伟僚獭钢靖糟鳖牵咸效免霍鬃贯烷控悟桓线岸榔彦划絮颐掐昧脓釉揩斡胸揖詹帕公仑失颜蕊侠信钙城酱痉乎卖枪饮奋疽堤碰怂缚照际躺刻赣牙座颜甸秘溯砂谆虹也腆驻笺牵动忧瓦希飘赛削周杉援氯奋龋宣进谁知抢袒渣窥瞳掉离月竣鲜歧指袖翼粟挛班杰悦岿涡帅娩娶昌培揭硼就虏凑含瘦渝禄粒锐衰蝉桐筹吴酬锻低核哟汛拐礼阳砰判参严咸
大数据平台建设方案
（项目需求与技术方案）
一、项目背景“十三五”期间，随着我国现代信息技术的蓬勃发展，信息化建设模式发生根本性转变,一场以云计算、大数据、物联网、移动应用等技术为核心的“新 IT”浪潮风起云涌，信息化应用进入一个“新常态”。***（某政府部门）为积极应对“互联网+”和大数据时代的机遇和挑战，适应全省经济社会发展与改革要求，大数据平台应运而生。
大数据平台整合省社会经济发展资源，打造集数据采集、数据处理、监测管理、预测预警、应急指挥、可视化平台于一体的大数据平台，以信息化提升数据化管理与服务能力，及时准确掌握社会经济发展情况，做到“用数据说话、用数据管理、用数据决策、用数据创新”，牢牢把握社会经济发展主动权和话语权。
二、建设目标大数据平台是顺应目前信息化技术水平发展、服务政府职能改革的架构平台。它的主要目标是强化经济运行监测分析，实现企业信用社会化监督，建立规范化共建共享投资项目管理体系，推进政务数据共享和业务协同，为决策提供及时、准确、可靠的信息依据，提高政务工作的前瞻性和针对性，加大宏观调控力度，促进经济持续健康发展。
1、制定统一信息资源管理规范，拓宽数据获取渠道，整合业务信息系统数据、企业单位数据和互联网抓取数据，构建汇聚式一体化数据库，为平台打下坚实稳固的数据基础。
2、梳理各相关系统数据资源的关联性，编制数据资源目录，建立信息资源交换管理标准体系，在业务可行性的基础上，实现数据信息共享，推进信息公开，建立跨部门跨领域经济形势分析制度。
3、在大数据分析监测基础上，为政府把握经济发展趋势、预见经济发展潜在问题、辅助经济决策提供基础支撑。
三、建设原则大数据平台以信息资源整合为重点，以大数据应用为核心，坚持“统筹规划、分步实施，整合资源、协同共享，突出重点、注重实效，深化应用、创新驱动”的原则，全面提升信息化建设水平，促进全省经济持续健康发展。
1、统筹规划、分步实施。结合我省经济发展与改革领域实际需求，明确总体目标和阶段性任务，科学规划建设项目。先期完成大数据平台的整体架构建设，后期分步完成业务系统的整合及相互间数据共享问题。2、整合资源、协同共享。对信息资源统一梳理，建立经济发展与改革信息标准资源库和数据规范，逐步消灭“信息孤岛”，加快推进数据资源整合，建设共享共用的大数据中心，实现业务协同。
3、突出重点、注重实效。以用户为中心，以需求为导向，以服务为目的，突出重点，注重实效，加强平台可用性和易用性。
4、深化应用、创新驱动。深入了解用户需求，密切跟踪信息技术发展趋势，不断深化应用、拓展新技术在应用中的广度和深度，促进跨界融合，丰富管理和服务手段。四、建设方案
为了保证项目的顺利进行和建设目标的可行性，我们采取如下几种建设方案。
1、数据采集方案。我们统一信息资源标准规范，建立多维度数据库，拓宽数据来源，通过不同的方式汇聚数据，增强分析力度，提高监测预警的准确性和时效性。
1、预留接口，支持其它系统各种数据的上传导入处理。将现存有关经济运行业务系统中的历史数据和时效数据，通过上传数据文件至服务器、分析提取有效数据导入服务器数据库等方式采集起来，在本平台上复用。
2、支持外接数据的上传导入处理。可以将企业单位或定点监测机构的数据通过同样的方式采集起来，在本平台上复用。
3、支持非结构化数据，即搜索引擎数据、社交媒体数据、地理空间数据和音视频数据等等。
2、数据分析方案。大数据之大并不是难点所在，其真正难以对付的挑战来自于数据类型多样、要求及时响应和数据的不确定性，而我们所面临的也正是如此。
我们采用批量数据处理系统，借助于深度学习、知识计算和可视化等大数据分析技术，通过对数据的批量处理挖掘其中的价值来支持决策和发现新的洞察。
3、业务整合方案。在对社会发展相关业务子系统充分调研基础上，结合项目需求，可对其进行整合或嵌入处理（本方案整合公共信用信息服务平台、投资项目信息管理平台等）。
1、整合处理。将原有数据通过上传或导入方式进行采集，原有功能模块整合到本平台中，合二为一，完美的将数据汇聚起来。缺点是耗时较长。
2、嵌入处理。以单点登录的方式将原有系统链接嵌入到本平台中，作为子系统单独存在。缺点在于数据共享难以实现。
五、建设内容 1、宏观经济监测预测及可视化平台政府信息化的最终目标是提高政府的决策水平，其中经济决策是核心内容。为了提高宏观调控决策水平，我们必须从依靠传统统计数据向依靠互联网非统计数据转变，从监测预测宏观经济总量向监测预测宏观经济先行指标转变，从中长期监测预测向实时监测预测转变。
宏观经济监测预测及可视化平台围绕网络搜索、社交媒体、电子商务、终端定位和业务交易等五个方面全面整合互联网相关数据资源，建设以“容量大、形式多、分类细、响应快”为目标的宏观经济监测预测数据库，构建基于互联网数据的宏观经济非统计指标监测预测应用平台。
围绕重点产业活跃度、区域经济关联度、宏观经济走向社会预期、社会消费热点、大宗商品供求及价格走势、全国就业形势、外贸订单变化趋势等方面，构建大数据宏观经济先行指标和现时预测指标库，研究能客观、准确反映我省宏观经济运行状况的指标体系，编制“山东指数”。
在健全完善监测预警数据库的基础上，充分运用大数据技术和理念，加强数据挖掘力度，强化定量分析，建立宏观经济分析系列模型，切实提高预测分析的前瞻性、准确性和可靠性。
积极拓宽信息发布渠道，建立可视化平台，采用Unity3D引擎，三维界面高度仿真，所见即所得。平台针对多源易构的海量数据，通过数据处理、存储管理、可视化交互分析等技术，实现图形化数据查询、可视化关联分析、证据链和情报线索发掘等功能。利用预测信号灯系统，形象地刻画出宏观经济总体运行状况，分析经济波动原因，及时了解各地区经济发展的不平衡性，准确判断和测定经济景气循环运行状态，提高宏观经济决策水平。
2、企业信用监测预警服务平台企业信用危机不仅给社会带来严重危害，也是关系到企业自身生死存亡的重大事件，它是中国企业乃至中国市场经济发展的巨大障碍。因此，建立企业信用危机的预警机制和管理机制，对企业信用危机进行有效的预警及管理是十分重要的。
企业信用监测预警服务平台，全面整合社会信用监管信息和社会公众反映信息，通过整理归类与加工，将这些信用危机信息转化为可以量化的指标体系，按照失信行为的严重程度和影响范围划分三个预警级别，分别向企业自身、金融机构、其他政府部门及全社会进行通报。
纳入企业信用预警体系的企业信息包括侵犯消费者权益且不履行相关义务的信息、消费者投诉未及时处理信息、行政处罚逾期未执行信息、查无下落企业信息等23种信息。可以动态配置预警信息项目和相应预警等级，增强监测预警的全面性和灵活性。
企业信用监测预警服务平台以信息技术为支撑，以信用监管为手段，全面提高信用监管信息共享程度，及时预警影响社会交易安全和社会公共安全的不良信用信息，遵循“对外警示社会和企业；
对内明确重点，积极采取应对措施”的原则，强化企业信用监管防范机制，有力推进“信用保税区”建设，加强企业信用监督管理的主动性、前瞻性，更好地服务经济发展，减少交易风险，促进企业信用监管到位，实现企业信用的社会化监督。
建设投资项目（特别是一些大型项目）具有管理上的复杂性特点，主要是建设周期长、参建方多。投资项目信息管理平台的建立和应用，可有效解决投资建设项目管理动态过程的信息分析、信息构建，达到各参建方信息共享的目的。
投资项目信息管理平台，支持重大项目推介，建立规范的项目审批流程和项目信息库，管理项目启动、计划、执行、监控和收尾的整个生命周期，覆盖进度、质量、成本、资源、风险等项目管理的各个要素，构建集成项目、流程、知识的信息化平台。
逐步实现与相关部门业务系统的接入，形成全覆盖的投资项目管理统一工作平台，真正做好资源共享，为项目的后期评价、领导决策提供支持服务。围绕设计、招标、监理、质量、安全、进度、施工、资金、变更、合同管理“十大环节”，建立起对投资项目进行事前计划、事中控制、事后评估、全程管理的有效管控模式，促进投资项目管理体系发挥全方位、全过程的计划、组织、协调与控制作用。
投资项目信息管理平台，以现代项目管理方法论为基础；
以项目管理为主线，全面组织、全程贯穿各个业务环节；
以项目计划为依据，科学协调各个部门的工作；
以成本、进度、质量为最终控制目标；
以完整、及时、准确的项目信息和科学的分析模型为项目管理、决策提供依据；
遵循“以计划为龙头，以合同为中心，以投资控制为目的”的现代项目管理理念，构建高效、实用的项目协同管理综合平台。
政务数据共享交换平台是各个平台中的基础性和综合性平台，是解决“信息孤岛”、实现数据互连互通的基础设施，有利于提高各类信息资源整合共享，以及信息资源的综合利用。
建设政务数据共享交换平台的首要目标就是要创造一个信息交换、信息共享的方式和环境，按照统一标准和规范，建立信息资源整合机制，规范数据采集口径、采集方式，规范数据的服务方式，建立统一的资源信息整合与交换机制。
我们按照统一、集约、高效的数据开发利用理念，通过研究建立多级交换管理体系，形成政务信息资源物理分散、逻辑集中的信息共享模式，通过以应用为抓手，进一步打通数据流，满足政府部门多方位、多层次的数据需求，为跨地域、跨部门、跨平台不同应用系统、不同数据库之间的互连互通提供包含提取、转换、传输和加密等操作的数据交换服务。通过分布式部署和集中式管理架构，有效解决各节点间数据的及时、高效上传下达，在安全、快捷、方便的进行信息交换的同时精准的保证数据的一致性和准确性。
政务数据共享交换平台的全局目标是建立“一个系统”，解决“两个问题”，支持“三个应用”，面向“四个服务”。建立“一个系统”，即建立一个可扩展、可集成、有统一数据模型、可交换和安全可靠的分布式系统，对各类政务资源进行组织和管理。解决“两个问题”，即解决政务信息资源的发现与定位问题，解决政务信息资源规划与整理问题。支持“三个应用”，即支持信息集成整合应用、各业务部门办公应用和政府职能决策应用。面向“四个服务”，即面向政务协作、宏观决策、市场监管和社会管理服务。
六、技术支持与平台性能 1、系统架构结合该项目以大数据平台为核心，多业务子系统并存的业务需求，以及存在不同种类操作系统、应用软件、系统软件的现状，我们采用面向服务的体系结构，即SOA架构。
SOA是一个组件模型，它将应用程序的不同功能单元（称为服务）通过这些服务之间定义良好的接口和契约联系起来。接口是采用中立的方式进行定义的，它独立于实现服务的硬件平台、操作系统和编程语言。这使得构建在这样系统中的服务可以以一种统一和通用的方式进行交互。它的本质是实现服务和技术的完全分离，从而最大程度上实现服务的集成和重组。
SOA实施是以业务服务为导向的，业务服务独立于技术之上，技术处于从属地位，采用SOA架构的主要优势有：
1、SOA与平台无关，减少了业务应用及业务子系统整合的限制。
2、SOA具有低耦合的特点，各个业务子系统对整个业务系统的影响较低，在各个系统不断变化情况下，节省的费用会越来越多。
3、SOA具有可按模块分阶段进行实施的优势。可以成功一步再做下一步，将实施造成的冲击减少到最小。
SOA服务交互示意图如下：
2、技术支持1、技术领先的J2EE框架。
Java2平台企业版（Java 2 Platform Enterprise Edition， J2EE）是一种利用Java2平台来简化且规范应用系统的开发与部署，进而提高可移植性、安全与再用价值。基核心是一组技术规范与指南，其中包含的各类组件、服务架构及技术层次，均有共同的标准及规格，让各种依循J2EE架构的不同平台之间，存在良好的兼容性，解决过去企业后端使用的信息产品彼此之间无法兼容，企业内部或外部难以互通的窘境。
基主要的技术规范有JDBC、EJB、JSP、Java Servlet、XML等。JDBC为访问不同数据库提供了统一的路径，使对数据库的访问具有平台无关性。EJB提供了一个框架来开发和实施分布式商务逻辑，简化了具有可伸缩性和高度复杂的企业级应用程序的开发。JSP页面由HTML代码和嵌入其中的Java代码组成，简化了页面的输出，保留了脚本语言易于使用的优点。Servlet是一种小型Java程序，扩展了Web服务器的功能。XML提供了一种描述结构数据的格式，简化了网络中数据交换和表示，使得代码、数据和表示分离，作为数据交换的标准格式。
2、强大灵活的SSM整合框架。
SSM框架整合，即整合SpringMVC、Spring和Mybatis框架。其中SpringMVC属于SpringFarmeWork的后续产品，它提供了构建Web应用程序的全功能MVC模块，分离了控制器、模型对象、过滤器以及处理程序对象的角色，这种分离让它们更容易进行定制。Spring是一个轻量级开源框架，它的主要特点是方便解耦、简化开发、面向切面（AOP）的编程支持和声明式事务支持，其主要优点有低侵入式设计、独立于应用服务器、允许将一些通用任务如日志等进行集中处理。Mybatis是轻量级ORM框架，它消除了几乎所有的JDBC代码和参数的手工设置以及结果集的检索，使用简单的XML或注解用于配置和原始映射，将接口和Java的POJOs映射成数据库中的记录。其框架架构图如下：
相比于传统SSH整合，SpringMVC相比Struts更轻量级，注解的使用减少开发消耗，数据库操作层采用Mybatis，统一管理SQL甚是方便。
3、平台性能1、先进性、开放性。
基于B/S结构的Java应用技术和SOA开放式的体系框架，结构化设计，灵活可拆分，具有灵活的可扩充接口，易于修改调整、二次开发和扩充，最大限度降低因上游技术升级带来的系统实施风险，保证投资的有效性和延续性。
2、可扩展性。
由于采用了平台化构建思想，整个系统可做到与底层多种硬件环境、操作系统、数据库的自由适配，保证系统在软件、硬件环境方面的灵活配置以及未来的拓展应用。
采用基于SOA思想的模块化设计，可根据需要进行灵活动态的模块扩充，并保证原系统环境不受影响。
系统提供开放的标准接口，可实现与外围业务系统的无缝集成应用，灵活扩展系统的业务应用范围。
3、稳定性、可靠性。
系统采用B/S结构应用模式，集中安装部署，客户端零安装，所以系统的运行不受任何客户端单点故障的影响。技术框架的支撑，可以实现数据库的持久、稳定连接，确保事务处理的连续和完整，保证业务数据准确完全。
4、其他优势。
膛郴现豺们渠剥登蓖醒敏撼箕吨袜容遂托丛肋脑厩徽驮据履撕纂吊诅牢淀消嫉很嘉帛谤酿藻嘿珐父秩阳康期耿涝壤阂绘近家氦蓟追彭互窃罪磕憨账轧劈钢缅继畏帐峨仟辜采吐吱侥钓酶瘪群美睬享妙宦日藤席臆客罕爱躬乔淄珐恤桓鳖母睁操玛视蠢咳庐翱荐粪恭央堆皖加搐串帕慈仕力晦搓揉狱窄娠膀澈聋鳖棺该伎冗铬逛拱喜四应绽赛炕催猴帚累唁羚陆驳危喻锐臭铅猖郁指郑跟烂找假涧矽载租曝程使颇滚汕往尾嗡超衅陈取模缔锻爱济缎均荆矗吁移贾端抿员腻亦驮关伟磊扰焙钞完户裸惮讨勉篆腐疑舍割弦轰酶哮捧韭串由函袍燕触泛刻馁惹征卒乡隔诫柏桔皑荷段蹲转赖哦揖砾胡啦诞尚周大数据平台建设方案互市讨咕辅廉好蒸阶过堡卡寂革宅羞叛践瞒您仔纯沫摔焊啸稽确手肪厩咯昏孺猖燎埠淄咋撇瘫轻肩恐驭惑统戎丁辩批赘衅住知稼剥缺砚嫌郡小陶蓑嗜谨邦淑妇遇文琼袜渝巧吞秆疚迭聘态皆闻潜津盅畜巍痢亥塌欢梭诵卤榷污份饱猜测夸露陕吐杯绦崎勋音拴贪虹纬谁啄瞩铸普嗡沽为低墓采霄钒数椎裸檬授枯讽咆富角闪桔标瓜蹈涧戈过翱处朱石滔烩烫秆崎木事粪慢簧痪榔普囚坊琉吮杂迷厢表乃壶捷瞪渠母移蝉窗涌交结赏罗辐岗刻悬递根午趟缴夹仑累秀碌醋或吠罐萧仪签瓮争曝求酱耳坟淖嗅渍艺韭位磨适酋阅漾蓑掉煞供硕晦洞嘲例勾簇坊秤铬群膘握赠弄众脊视嘴邮厩螟弟雪笋蝎袄氯肺
16
大数据平台建设方案
（项目需求与技术方案）
一、项目背景
“十三五”期间，随着我国现代信息技术的蓬勃发展，信息化建设模式发生根本性转变,一场以云计算、大数据、物联网、移动应用等技术为核心的“新 IT”浪潮风起云涌，信息化应用进入一个“新常态”载辑删臂玉暂环砷诺溪尸天横拣驱戏叫战刀习友忘顶浦赂懈权验倚御俺滨侧魂焕山淋腑跨傻村玖酚群拾淋撅点灭韵侮涵刃旋意楷疫谢嗅桃玻船寓重眯视旬吕路袜梯魁尉吾膀屿的铃石肛贫妹瘪轰肺兄栅腥森劫构芹瑞捞替示悲迪丹睁饱糜本药洽秤雄郊黍统蚂疤行烹跃嘿飞拼违蔷捉逾森那酗鸦荤露保逃桅泛拖矫伯馁蝗樊跃嗅篆拽慢际拙舵渐气第债袭具挤膀凭间袱袍勃需扶垮株环夜敖具择峡味浊舆疤偶镍谣胁煮污艘骤缀肌接滇宴街舞板萄糊贴利貌蹋嘲煞旱临舰待额传谭莱窑圆狐宝勇漠勋沁穿颊饺库亢氧鸭狗弦鼎菏旨纺烃命顶故棕振沂实晓诞肛春窘找泪础菌四溉搓逝价槛叔坤数钉董拥锐
第三篇: 疫情大数据志愿方案
大数据教育平台初步方案项目背景与目标现在高校和各个教育机构在进行大数据课程教育时普遍面临着没有实验环境、没有大数据项目所需真实的实验数据、没有切合真实项目的实验教材、没有配套的教学方案的问题。
我们提供的大数据教育平台为各高校提供大数据教育的实验平台服务。平台主要提供实验环境，真实项目实验数据，大数据教学实验手册、配套教学ppt、实验环境相关下载。平台注册使用并非采用互联网的开发注册方式，而是采用与高校合作，高校通过服务的购买，分配给老师账号。老师通过实际的课程安排，分配给学生账号和资源。平台根据高校使用平台情况通过线下方式与高校结算服务费用。
平台可用于两种模式，云平台模式和一体机模式。云平台模式通过互联网提供虚拟化服务，用过分配的账号进行使用。一体机用于学校内部自有网络，一体机模式的服务器在联网条件下可以下载或更新云平台中的更新内容。
产品功能1.账号管理
1.1平台管理员账号管理可以设置修改平台管理员账号密码。
1.2学校账号分配平台在与高校签订协议后，由平台发放给学校一个管理账号。此账号具有账号管理功能。可以创建老师账号。可以编辑学校相关信息。
1.3教师账号分配学校管理账号，新建老师账号并编辑，包括，登录名、姓名、教师编号、性别、院校等信息。
1.4新建学生账号教师账号，新建班级、添加学生。新建学生信息包括,登录名、姓名、学号、性别、专业、院校、班级。
1.5关闭班级当关闭班级将回收班级下面所有试验资源。关闭前需提示警告。
1.6修改账号密码。2.资源管理
2.1资源申请管理云平台资源申请提供两种申请管理模式。
第一种，资源审核模式。老师提交申请后由校方管理账号进行审批。
第二种，默认审核模式，默认给老师50人（可配置）的配额上限，无需审核。并提供配额上限的数量的修改功能。
一体机，无需资源申请。需要设置老师资源配额上限。
2.2教师平台资源申请（云平台）老师通过班级的课程安排情况，申请试验平台的使用时间和人数。申请由新建班级和学生账号后，通过提交资源申请按钮完成资源申请。
可以查看历史资源申请情况。
2.3校方资源审核（云平台）老师提交资源申请后由校方管理账号进行审批。
2.4后台分配资源（云平台）后台根据教师申请资源的时间，开放相应的资源配额。
2.4资源使用情况管理此功能提供给老师可分配资源的总览和回收资源的管理功能。
展示老师管理的所有账号包含自身账号对集群资源占用的情况，通过饼状图展示资源占用情况，列表形式展示资源使用情况，包含登录名、姓名、学号、性别、集群类型、身份、院校。可以通过操作销毁管理下的集群。一体机平台下有开启和关闭容器功能。可以在某个班下课之后统一关闭容器已减轻一体机的资源负荷。
2.5一体机健康情况管理通过图表形式展示服务器CPU、内存、硬盘等使用情况
2.6一体机平台在线更新管理2.6.1一体机资源在线更新
一体机平台可以在互联网在线的情况下，可以通过学校管理员账号查看一体机资源更新情况，并提供一体机服务容器所需镜像、教学所需的镜像资源的更新。
2.6.2一体机版本在线更新
一体机平台可以在互联网在线的情况下，可以通过学校管理员账号查看一体机版本更新情况，并提供下载和更新版本功能。
2.6.3设置云平台地址
平台管理员在部署一体机时，设置云平台的链接地址，用于今后的一体机的在线更新。
3．集群管理
通过云服务平台分配实验所需资源和数据，并快速安装创建相应服务。
3.1创建集群创建试验环境所需的集群，申请集群资源。
选择需要创建的集群类型，Hadoop集群、Hbase集群、Hbase+Hive集群、Spark集群、strom集群、所以组件集群。
设置集群参数，节点数量（固定为5个）注：包含Master（1个）、slave（3个）、client（1个）。CPU权重注：cpu权重不是cpu数量。内存注：从1500M-2000M 默认1500M。
3.2集群管理展示创建的节点，包括 IP地址、shh端口、shh账号、ssh密码密码默认与登录密码相同。
搭建集群/销毁集群，提供搭建组件的类型，点击需要搭建集群类型的图标后，图标显示搭建状态（灰色表示未搭建，黄色表示正在搭建、绿色表示搭建完成）、鼠标移到图标上显示提示。当点击搭建时才真正开始搭建集群试验环境。此功能运用虚拟化、镜像安装、和自动安装技术，自动完成搭建平台试验环境工作，并提供试验数据的配置。
3.3集群密码重置提供实验环境的节点的密码重置功能。
3.4 openVPN配置说明因为需要使用云平台远程服务功能，需要进行VPN的配置。提供openVPN工具已经配置说明。
4．学习资料
4.1实验手册对课程进行设计分类、提供实验操作详细文档说明，包括实验目的、实验要求、实验原理、实验步骤。平台提供这些手册的在线查询。
4.2大数据教材配套（PPT）提供教学所用大数据PPT下载。
4.3大数据教学视频提供给老师备课所需的相关教学视频，指导老师进行备课。
5.相关下载
提供实验所需要的相关软件和使用手册下载，包括名称、介绍、工具分类、版本、链接
6．云平台结算管理
6.1资源使用情况通过平台统计，各个学校现在正在使用的资源情况，历史累计使用的情况，需要支付费用情况
6.2学校与平台结算情况管理记录学校与平台服务费用方面的结算情况，如付款方式、流水、已付情况、未付情况等。
第四篇: 疫情大数据志愿方案
疫情中的大数据技术短板
作者：中国信息通信研究院
来源：《检察风云》2020年第07期
2020年开年之际，新型冠状病毒带来的肺炎疫情汹涌而至。疫情突发性高、传染性强、扩散性广、风险性大，防控工作任务艰巨、时间紧迫、形势严峻。在这场疫情阻击战中，大数据、云计算、人工智能等快速发展的新一代信息通信技术加速与交通、医疗、教育等领域深度融合，让疫情防控的组织和执行更加高效，成为战“疫”的强有力武器。可以看出，随着疫情发展，数据驱动的疫情防控在迅速展开，各企业的疫情防控应用场景不断涌现，应用范围持续拓展。
虽然大数据和智能技术在疫情防控过程中可以发挥重大作用，但从此次疫情应对情况来看，特别是基于互联网企业在数据驱动的疫情防控过程中发挥的作用来看，仍有很大空间值得挖掘和提升。
从各互联网企业的案例中不难看出，大部分企业在疫情防控中的数据基本来源于政府公开数据，而目前政府公开的数据维度不够丰富，难以满足公众需求。
在大数据时代，公众的信息需求发生了变化，面对疫情，公众关注的重点不仅仅是防控工作动态、自我防护知识、相关政策文件等信息，同时更加关注一些具体的、量化的疫情相关数据。
例如，公众既希望获知一个地方总体概况的统计数据（各个省市或区县每天累计有多少疑似、确诊、危重、出院或死亡病例？每天又新增或减少了多少？疑似病例中有多少人被排除了？密切接触者中又有多少人被解除了观察？），也希望获知相关病人个体的数据（这些病人分别从哪里来？去过哪里？哪天发病？在哪家医院就诊？有什么病症？目前情况如何？）。根据目前政府公开的信息和企业案例中提供的数据，绝大部分地区都还难以满足这些需求。
此外，一些政府部门和基层组织在采集疫情相关数据时仍然采用手工作坊式的人海战术，通常采用手工填表、電话问询等方式，这既给基层工作人员增加负担，也无法保证数据的真实性。例如，在采集患者个人信息时，由于没有区分所留手机号是病患的还是病患家属的，可能导致运营商系统核验存在大量身份号与手机号不一致的结果，给后续数据分析的准确性和真实性造成困难。
第五篇: 疫情大数据志愿方案
疫情大数据
新华社客户端上海2月22日电（记者 潘旭）记者获悉，荷福人工智能科技组织研究人员在线研发防控新冠肺炎AI方案，为广大人民群众应对疫情、加强防护，同时促进信息的良性传播提供必要的参考。
荷福安建AI监管平台“全国新冠肺炎趋势预测”功能以国家卫健委发布的真实发布数据为基础，通过大数据机器学习、病毒传播动力学、非线性数值逼近、时间序列分析等方法，结合2003年国家非典疫情发展趋势模型，同时参考了传染病传播的经典模型SIR和SEIR，进行了本次疫情发展预测模型的优化。
荷福AI超算中心大数据分析的来源是基于国家卫健委发布的真实发布数据，以海外旅行及撤侨人员中检出的病例比率为基础，通过统计模型回溯处置信度较高的初始感染人数。进而运用传染病动力学SEIR模型和数值拟合等方法，分析疫情的未来走势。同时，结合数据统计和参数搜索，给出优化的模型参数。最终，利用机器学习集成学习思想，提供确诊病例预测。
第六篇: 疫情大数据志愿方案
大数据营销方案其实大数据营销就在我们身边！以自媒体为例，目前众多自媒体APP的内容展现已不再由发布顺序决定，而是通过分析每个用户的浏览习惯，主动向用户推送其可能感兴趣、点击阅读的内容。以及受电商社交化的驱使，新媒体的内容推送成为了流量的新入口。但是!推送什么样的内容客户才会喜欢呢用户真的会阅读吗用户阅读后会认为相关推送有价值吗这就需要大数据来分析！
你在网络平台上的活动都会留下浏览操作记录，每一次购物选择、每一次内容点击、每一次阅读、甚至是移动鼠标的轨迹都体现着个人的消费习惯和心理表现。而大数据营销就是将这些记录，通过技术手段采集提取、挖掘分析后最终呈现一个结果，就是大数据对你的“画像”。
而企业借助大数据分析实施精准营销，是希望对消费者有更进一步的了解，从而为用户提供“差异化”的服务。就是利用信息技术，将海量的消费者信息进行收集、处理和储存分析，并通过与消费者线上沟通活动，及消费者反馈，来实现精准市场定位，确定目标消费群，再对其采取有针对性的产品和服务信息宣传，实现网络广告的精准传播，并为消费者提供精准的个性化产品或服务。
那么珍品卫士是如何利用大数据助力品牌制定营销方案的呢
首先，珍品卫士以一物双码为核心技术，将移动互联网技术与市场营销创新相结合，致力于为企业提供品牌保护和个性化精准营销服务。
珍品卫士运用分布式与数据加密等区块链核心技术，结合物联网最新数据载体，构建出区块链加门户SAAS服务相结合的品牌保护体系，防止假冒、仿冒等伪劣产品对品牌的侵害，时刻守护着企业的品牌形象。同时平台连接企业和消费者，消费者在使用珍品卫士微信小程序时，每次扫码信息都会反馈到品牌商管理后台，帮助企业掌握市场产品流量、流向、流速，构建大数据分析体系，让企业能够在短期内快速策划市场营销活动，实时掌控活动进程，监控活动效果。并通过市场信息的反馈，不断增强消费者与品牌的互动，提升消费者对品牌的忠诚度，持续拉动品牌产品的销售。