這個世界是一座體育場, 我們都是活在當下的參賽者。
雖然肉眼看不見, 但往生者們一直在觀眾席為我們聲援。
我們要好好活在當下, 期待日後與他們重逢之日。

摘自《給活著的我們.致逝去的他們

春節連續假期的○六震,讓人沉痛不已。而發生在2011年3月11日的東日本大地震,至今已過五年,這是日本在第二次世界大戰結束之後,傷亡最慘重的災害。

大地震留給人類許多課題,其一是在政策層面如何規畫更完善的防災政策,像是地震逃生路線的通報機制。

課題之二,是在心靈層面如何為受災戶或往生者家屬善盡「逝者靈安,生者心安」的悲傷輔導。

對於第一個課題有興趣的讀者,這裡有部紀錄片,從大數據(big data)的觀點,思考三一一大地震逃生機制與決策。

公視「主題之夜」節目在2016年311日晚間22:00~23:30 播放NHK紀錄片《救命大數據》(另於313日下午13:00~14:30 公視HD頻道重播)。

本片彙整三一一地震當天,一百四十萬輛車的汽車導航系統資料以及手機定位資訊等,以及地震後一個星期內發出的一億八千萬條推特(twitter)推文。 

深入分析車流量與行車路線、簡訊與社群網站關鍵字等大數據(big data),與地震發生時間、逃生路線、傷亡情形之間的關係。從大數據的視角,引領我們思考如何改善防災政策,以能在天災發生時拯救更多生命。

【延伸觀賞】大數據防災計畫相關影片(請注意,內有海嘯影像,可能不適合地震與海嘯受災戶觀賞,以免引發創傷後症候群)

《救命大數據》預告

NHK大數據與地震日文網站 請選右上方NHKの取り組み

NHK大數據與地震英文網站( 請選右上方NHK's approach

NHK大數據與地震專案英文網站

NHK大數據與地震專案日文網站

《救命大數據》英文版片花(Disaster Big Data: Saving Lives Through Information):http://goo.gl/FJLSpC 

 

 

(以下轉載自公視「主題之夜」官網:http://goo.gl/bSAhgf

  2011年3月11日下午2點46分,一場芮式規模9.0的強震襲擊日本。30分鐘後,最高達40公尺的巨型海嘯淹沒東北海岸的許多區域,造成15891人往生,2579人失蹤,6152人受傷。這是日本在二戰過後傷亡最為慘重的一次災害。

  但在這個資訊科技發達的年代,由手機和汽車導航系統產生的大量數據,變成另一種新的「生命紀錄」,以不同形式保存在網路空間裡,稱為「大數據」(big data)。

  這些資料提供一種前所未有的視角,重新檢視這場大型災難。

  一個個看似乎互不相關的數據,卻可能是災難當下攸關生死的生命抉擇。  

公視  

(圖片來源:公視主題之夜官網)  

  2012年9月一項計畫展開,目的是利用大數據研究東日本大地震(日本有觀測紀錄以來規模最大的地震)。

  動員11個組織、500位研究者,共同參與這個大數據防災計畫。

  各式各樣的大數據,透過這項計畫獲得彙整,包括:地震後一週內發送出的一億八千萬條推特推文、地震當天140萬輛車的汽車導航系統資料,以及手機定位資訊等。
  大數據揭開了東日本大地震先前不為人知的圖像。從手機定位系統顯示的受難者位置,可以看到許多受難者聚集在政府指定的疏散點,反而慘遭滅頂之禍,「這場災難中很多人死在他們以為安全的地方」。
  

公視主題之夜_救命大數據1  

(圖片來源:公視主題之夜官網) 

  倘若他們能把握時間逃到高地,而不是集中在疏散點,許多人本應可以獲救。

  大數據另一個令人震驚的發現是,地震剛發生時,約有2萬1千人位在即將被淹沒的區域,然而,到了海嘯來臨時,在淹沒高危險區的人不減反增,比地震剛過之後更多

  為什麼明知有海嘯的威脅,可是卻有更多人進入淹沒區?車輛導航系統的數據回答了這個問題。

  根據紀錄,有許多人中途停下回頭駛向內陸,呈現一個V字形。這其實是為了趕回家去接摯愛家人的救援任務。然而,許多為了家人冒險回到淹沒區的人們,面對的卻是動彈不得的車陣。 

公視主題之夜_救命大數據3

 (圖片來源:公視主題之夜官網)  

 汽車導航系統的數據還揭露海嘯襲擊時令人痛心的一刻,許多受難者因卡在完全崩潰的交通系統內而罹難。

  大數據能否也成為未來救災的武器呢?日本在2013年2月舉行一場會議,討論東京發生大地震的因應對策。

  會議成員包括醫療單位、消防員、日本自衛隊成員和許多私人企業。他們的目標是超越組織界線共同使用大數據,建立起即時掌握整體災難狀況的新系統。

  逝者已矣!然而,這些承載著受難者生命軌跡的數據所解讀出來的資訊,或許能成為人類未來面對災難時的救命工具。 

公視主題之夜_救命大數據4

(圖片來源:公視主題之夜官網)

  導演:Hirofumi Abe
   Hiroki Sano
   Nozomu Ishida
   Kotaro Koike
出品年份:2013
出品公司:NHK

******

如同前述,地震留給人類許多課題,其一是在政策層面規畫更完善的防災政策,例如地震逃生的通報機制;課題之二,則是在心靈層面為受災戶或往生者家屬做好「逝者靈安,生者心安」的悲傷輔導。

關於第二個課題(悲傷輔導),以下從《給活著的我們.致逝去的他們》這本書中摘錄以下幾段話,希望逝者靈安、生者心安:

根本沒必要擔心死亡。肉體的死亡,任誰都無法避免。死後的世界,其實是緊鄰我們身邊的另一個世界。到了那裡,我們一定能遇見想要「重逢」的人。只是在那之前,我們必須先做好一件事,也就是好好走完自己的人生。何謂好好走完人生呢?意即「了解真正的自己」。我們必須趁著活在世上的時候,頻頻自問自答:「何謂無愧於天的生存之道?」盡情體驗各式各樣的經歷後,最終回歸「那個世界」;我想,這應該就是人世運行的法則吧。

每個人都是為了能替人類帶來貢獻而過著這一生,是某個偉大的存在讓我們活在這世上。不擔心死亡的到來,快樂地度過每一天,是被賦予人生的我們所肩負的使命,而「享受當下」,正是最重要的關鍵字。

◎死代表肉體之死,這是確切的事,但我們的靈魂卻能永續長存。基於這層含意,我可以公開地說,已故的親友一直都在我們身旁守護著我們,而這的確是事實。坦白說,這也是人自古以來所擁有的感性之一。這種感性即是「緣分」。緣分是相連的;緣分是自己與某人之間的連結。如果與活在世上的人有緣分,與往生者自然也有緣分。

死並不代表結束。我們的靈魂會永存。人的本質本來就不是肉體,而是靈魂,所以不論是生病還是變老,都毋須害怕。

留在人世的我們,就像正在體育場上比賽的選手,而往生者則坐在觀眾席上,注視著我們,為我們聲援。這當中隔著一面單面鏡,從體育場看不到觀眾席,但從觀眾席看得到我們。

有各種苦難等著在體育場上參賽的我們,但我們必須加以克服,解決問題,學習在名為人生的這場競賽中所需的各種技能。快樂的學習肯定有之,不過,讓人痛苦的學習也不少。在我們筋疲力竭、感到苦惱時,觀眾席就會傳來「別認輸」的聲援。而當我們平安度過難關時,眾祖先們會拍手喝采,對我們說一句:「幹得好。」

雖然聲援和拍手不會化為聲音傳到我們的耳朵裡,但我們總能在某個當下、某個瞬間真實地感受到。雖說情況因人而異,但當你感應到某種感覺,百思不得其解時,或許就是一直關心你、守護你的人,正在向你傳達訊息。請好好重視這種感性。雖然看不見形體,仍要對其說一聲:「託您的福,謝謝您。」並請好好期待日後與他們再次相逢的那一天到來。

這個世界是一座體育場,
我們都是活在當下的參賽者。
雖然肉眼看不見, 但往生者們一直在觀眾席為我們聲援。
我們要好好活在當下, 期待日後與他們重逢之日。

給活著的我們‧致逝去的他們:東大急診醫師的人生思辨與生死手記》(おかげさまで生きる作者: 矢作直樹 譯者:高詹燦 

syukatsu  

【悲傷輔導相關書籍】

悲傷輔導與悲傷治療:心理衛生實務 工作者手冊》(Grief counseling and grief therapy: A handbook for the mental health practitioner)

悲傷-走出親人》 

《災難與重建:心理衛生實務手冊》( Disaster Response and Recovery : handbook for mental health professionals

走在失落的幽谷:悲傷因應指引手冊》(Lessons of Loss

安慰的藝術》(The Art of Comforting

悲傷輔導相關資源:

安慰的藝術:如何陪伴受創悲傷者https://goo.gl/4XGKPA台灣臨床心理學會災難與創傷心理工作小組製作)

 

【延伸閱讀】《Big Data大數據的獲利模式圖解案例策略實戰》(ビッグデータの衝撃)

 

 城田真琴(Makoto SHIROTA)/著  鐘慧真、梁世英/譯

 

 ISBN:978-986-6031-36-6  經濟新潮社20138月出版

 

【導讀】

創造「偶然的幸運」(serendipity),正是巨量資料技術不斷前進的動力台灣野村總研諮詢顧問股份有限公司副總經理 陳志仁)13

【推薦序】

 當商業智慧隱藏在雲深不知處(國立交通大學經營管理研究所教授 楊千)19

 Big Data, Big Intelligence:從資料、資訊到情報(和沛科技股份有限公司總經理 翟本喬)23

 當巨量資料與社會脈絡交集(英國開放知識基金會地區大使 徐子涵 Schee)27

 DataDataData:我們活在廣袤的資料流中(資深部落客 鄭緯筌Vista)30

 老大哥在看著你:Big Data? Big Brother?英商巴克萊銀行台北分行董事總經理 劉奕成)33

前言 39

第一章    什麼是巨量資料

資料洪流(The Data deluge) 48

巨量資料的3V特性 49

廣義的巨量資料 54

為什麼到現在巨量資料才受到眾人的矚目?(1)巨量資料的民主化 55

為什麼到現在巨量資料才受到眾人的矚目?(2)硬體性價比的提升與軟體技術的進化 56

為什麼到現在巨量資料才受到眾人的矚目?(3)雲端服務的普及 58

從「過去的可視化」到「預測未來」:商業智慧與巨量資料的交會 65

從點(交易資料)到線(互動資料)的分析 67

巨量資料分析的起源 69

第一章重點整理 71

 

第二章    支撐巨量資料的技術

人才短缺 74

什麼是Hadoop? 74

與日俱增的套件 78

眾多套件版本並存的原因 82

NoSQL資料庫 83

創投也對Hadoop、NoSQL開發企業投以熱切的目光 88

巨量資料時代的資料處理基礎 90

備受矚目的分析資料庫 91

串流資料(即時資料)處理 94

自行開發串流資料處理技術的網路公司 96

機器學習、統計分析等 97

自然語言處理、其它 101

第二章重點整理 103

 

第三章    以巨量資料為核心競爭力的企業   歐美企業篇

快速成長之網路公司運用巨量資料的技巧 106

eBay:每天產生50 TB的資料 109

遠超乎想像的巨量資料產生速度/eBay的資料分析基礎

Zynga:披著遊戲開發商的外衣的資料分析公司 114

社群遊戲經濟學的重要指標/提升病毒係數的機制/遊戲其實是資料驅動營運/三次點擊原則

Centrica:引進智慧電表分析能源消耗模式 120

英國電費、瓦斯費收費的實際狀況/引進智慧電表後的影響

卡特琳娜行銷集團:以「收銀台優待券」設計顧客的消費行為 126

儲存了超過一億人份的消費紀錄/預測顧客的消費行為,帶動門市買氣

第三章重點整理 131

 

第四章    以巨量資料為核心競爭力的企業   日本企業篇

日本國內也開始運用巨量資料 134

小松(KOMATSU):日本運用巨量資料的先驅 134

如何處理原始資料?

瑞可利(RECRUIT):徹底運用Hadoop資料分析,成功改造企業文化 138

幾乎全公司上下都用Hadoop/支撐瑞可利巨量資料分析的Hadoop基礎/成功的祕訣在於組織體制/對於瑞可利而言,Hadoop的「真正價值」究竟是什麼?

GREE:資料驅動型營運方式是快速成長的原動力 147

與其相信一人的判斷,不如相信數千萬人的資料/資料驅動型營運方式的根基來自對於日誌資料的執著/具備多種技能的專業人士齊聚一堂/將溝通不良減至最少的團隊體制

日本麥當勞:在現實世界實現一對一行銷(One-To-One Marketing)  158

劃時代優待券背後的周全準備/把焦點集中在做為集點卡的行動電話與智慧型手機

第四章重點整理 163

第五章 巨量資料的運用模式

巨量資料的運用案例166

精準推薦商品或服務/行為定位廣告/運用地點資訊的行銷/糾出盜刷/顧客流失分析/預測設備故障/驗出異常/改善服務/預測路況/預測電力需求/預測感冒流行/預測股市行情/油資成本的最佳化

巨量資料的運用模式分類171

個別優化 × 批次處理型/個別優化 × 即時資訊型/全體優化 × 批次處理型/全體優化 × 即時資訊型

巨量資料的運用深度182

掌握過去與現狀/發現行為模式/預測/優化

【專欄】動態定價(dynamic pricing)187

巨量資料運用的真正價值189

第五章重點整理192

第六章    巨量資料時代的隱私權問題

隱私權與創新的兩難 194

美國國會也表示關注 196

製作網路個資檔案的是與非 197

請勿追蹤(Do Not Track) 203

《消費者隱私權保護法案》 206

採用選擇性參與方式的歐盟 211

《歐盟資料保護綱領》也進行修正 212

日本的法令架構是《個人資訊保護法》加上分別針對各行業訂定的指導原則 215

向第三方提供資訊上採用選擇性參與方式 218

日本政府的評估狀況 219

經濟產業省以「資訊大航海計畫」為契機開始評估 219

總務省由生活紀錄的角度展開討論 222

線索就在與使用者的「對話」 229

實體世界裡的行為追蹤 230

第六章重點整理 232

第七章    開放資料時代的到來與資料市場的興盛

「活用外部公開資料」的選項 236

風起雲湧的連結開放資料(LOD, Link Open Data)運動 236

影響擴及開放式政府 241

如雨後春筍般不斷出現的新創企業 244

透過比賽促進資料運用 246

落後一步的日本 248

日本國內因三一一大地震而略有進展的開放資料使用 251

資料市場的興盛 254

商業模式各有不同 260

熱絡的資料市場存在著不容忽視的課題 261

第七章重點整理 263

第八章    面對巨量資料時代該有的準備

巨量資料時代的企業IT策略 266

開始邁向資料分享的日本企業 270

擁有原始資料的好處 272

供應商的新商機在提供「資料整合服務」 273

誰能成為資料整合公司 275

美國的支付服務業者朝向資料整合公司發展 277

讓原始資料搖身一變成為「貴重資料」的絕妙資料組合 280

全世界對資料科學家的需求愈來愈高 282

資料科學家需具備的技能 284

資料科學家需具備的資質 289

相關人才嚴重不足 290

相關研究所開始設立 293

鉅額資金流向巨量資料分析企業 297

日本也開始展開資料科學家搶人大戰 299

最後的一道關卡──組織體制與企業文化 301

朝向資料驅動型企業邁進 303

第八章重點整理 305

謝詞 306

參考文獻 308

圖表索引 316

 

圖表索引

【圖表1-1】表示巨量資料特性的三個V  50

【圖表1-2SuicaPASMO電子貨幣每月使用次數  53

【圖表1-3】廣義的巨量資料     54

【圖表1-4】硬碟每GB價格的變遷  57

【圖表1-5】在decide.com詢問亞馬遜(Amazon)平板閱讀器Kindle Fire最佳購買時機的結果  60

【圖表1-6】在decide.com詢問三星(Samsung)平板電腦Galaxy Tab 1.01最佳購買時機的結果 61

【圖表1-7】在decide.com詢問索尼(SONY46吋液晶電視BRAVIAKDL-46BX420)最佳購買時機的結果        62

【圖表1-8FlightCaster提供航班起降準點預報的案例      63

【圖表1-9】商業智慧(BI)的發展過程  66

【圖表2-1Google2004年發表關於MapReduce的論文    75

【圖表2-2Google與開放原始碼基礎技術的對應關係       76

【圖表2-3Cloudera公司的Hadoop套件   79

【圖表2-4Hadoop的商用套件與支援服務  80

【圖表2-5】主要供應商對Apache Hadoop所貢獻出的程式碼行數(截至2011年為止)   81

【圖表2-6RDBMSNoSQL資料庫的不同之處      84

【圖表2-7】支持巨量資料的甲骨文(Oracle)軟體群  87

【圖表2-8HadoopNoSQL相關企業接受創投挹注的金額(至2011年底的累計數字)  89

【圖表2-9】網路公司所自行開發的串流資料處理引擎 98

【圖表3-1eBay資料分析基礎架構概覽       112

【圖表3-2eBay運用之各種資料分析基礎架構的驗證結果(%    113

【圖表3-3Facebook遊戲排行榜(2012428的統計數字)      115

【圖表3-4】針對智慧電表大量資料進行模式識別的案例     124

【圖表3-5Centrica提供給用戶之線上服務的案例一  124

【圖表3-6Centrica提供給用戶之線上服務的案例二  125

【圖表3-7Centrica所提供之iPhone專用App  126

【圖表4-1】小松的建築機械、車輛事業營業額結構     135

【圖表4-2】小松KOMTRAX概況    136

【圖表4-3Hadoop運用於Hot Pepper的產品推薦郵件服務    140

【圖表4-4carsensor.net實現的分群與關聯分析        141

【圖表4-5】瑞可利的組織結構 144

【圖表4-6】引進Hadoop之後的變化     146

【圖表4-7GREEDeNA之營收及銷售利潤的趨勢圖    148

【圖表4-8GREEDeNAZynga之營業額與銷售利潤的趨勢圖        151

【圖表4-9GREEDeNAZyngaARPU的趨勢圖   152

【圖表4-10】病毒傳播效應的模式化       153

【圖表4-11】傳統遊戲業一般水平分工型工作組合與GREE追求的垂直整合型工作組合的概念圖 156

【圖表4-12】手機優惠券與門市的讀取機       160

【圖表4-13】日本麥當勞達成一對一行銷的過程   161

【圖表5-1】巨量資料的運用模式     171

【圖表5-2】個別優化×批次處理型模式的概念圖   172

【圖表5-3】美國先進保險公司提供Pay as You Drive方案(依據簽約車主駕駛習慣享有保險費折扣)原理        173

【圖表5-4】個別優化×即時資訊型模式的概念圖   175

【圖表5-5】全體優化×批次處理型模式的概念圖   177

【圖表5-6Google所提供的reCAPTCHA服務  179

【圖表5-7reCAPTCHA服務的網站首頁畫面     180

【圖表5-8】全體優化×即時資訊型模式的概念圖   181

【圖表5-9】動態定價的案例     187

【圖表6-1Amazon Silk使用協議 198

【圖表6-2Amazon Silk的常見問題(FAQ     199

【圖表6-3Firefox5.01Do Not Track功能       205

【圖表6-4】日本的個人資訊保護相關法律架構概念圖 215

【圖表6-5】針對民間業者的主要個人資訊保護相關指導原則     217

【圖表6-6】將姓名、地址資料庫與消費資訊資料庫分別管理的案例 221

【圖表6-7】六點顧慮原則 227

【圖表6-8】可由使用者控制廣告內容的Hulu Ad Tailor       229

【圖表7-1LODLinked Open Data)的概念圖        237

【圖表7-2】大地震之前海地共和國首都太子港的開放街圖(OpenStreetMap     240

【圖表7-3】大地震發生後(2010114時點)海地共和國首都太子港的開放街圖     240

【圖表7-4Data.gov上公開的美國聯邦政府資料中心整合構想的執行狀況    242

【圖表7-5】由海外連結至Data.gov的訪問量:依照國別造訪數排序前十名   243

【圖表7-62009NYC Big Apps比賽中獲得冠軍的WayFinder   247

【圖表7-72010NYC Big Apps比賽中獲得冠軍的Roadify 248

【圖表7-8】以機器可讀格式公開政府資料的國家和地區     250

【圖表7-9】根據文部科學省公開的「都道府縣別環境輻射能水準調查結果」製成的「全國輻射值地圖」        252

【圖表7-10Factual所公開的資料集案例     255

【圖表7-11】微軟所營運的Windows Azure Marketplace   256

【圖表7-12Infochimps公開的資料集案例  258

【圖表7-13Amazon所營運的Public Data Sets on AWS        260

【圖表8-1】活用巨量資料的策略架構     267

【圖表8-2】活用巨量資料的四種策略     269

【圖表8-3】資料整合者所扮演的功能     274

【圖表8-4】因VISAGap的策略合作而實現的Gap Mobile 4U     278

【圖表8-5】資訊圖表的示意圖 286

【圖表8-6】資料科學人才的新供應來源示意圖     292

【圖表8-7】資料科學家參與資料生命周期的所有階段 293

【圖表8-8】商業智慧專家與資料科學家的大學主修科目差異     294

【圖表8-9】商業智慧專家與資料科學家的學歷差異示意圖 295

【圖表8-10】創投基金對巨量資料相關新創企業的投資額(累計)   298

 

 

QB1109 Big Data大數據的獲利模式 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

《Big Data大數據的獲利模式圖解案例策略實戰》

 (ビッグデータの衝撃)

 城田真琴(Makoto SHIROTA)/著

 鐘慧真、梁世英/譯

 ISBN:978-986-6031-36-6

 經濟新潮社20138月出版

, , , , , , , , , , , , , , , , ,

EcoTrend 發表在 痞客邦 PIXNET 留言(0) 人氣()