随着大数据涉及的范围越来越广，企业已经不甘于停留在与传统分析结合的第一阶段，而是想要运用大数据的扩散性，形成一种锐化的见解。简单来说就是，某些企业的营销人员不单单想要获得一般性的统计数据—消费群体的家庭住址、年龄阶段、性别比例，而是想要更进一步了解到消费群体购买行为中所包含的各类元素，即使消费者仅仅是在路上漫步时发生的或在洗手间无聊时发生的信息元素。

针对此类情况的分析，社会媒体已经开始使用新型的网络工具了。如某天你在登录Facebook的时候，会在一两秒内收到网站新数据库的工具图片介绍，还会附上链接。上面会有在某某城市，有和你喜欢做一样事情的人；你刚刚访问过的网页，你的朋友也访问过……诸如此类的，就是这些社会媒体网站正在挖掘哪怕只有一丝关联性和扩散性的、精准而复杂的大数据。

为了更好地分析大数据之间的关联性和扩散性，Facebook使用了HBase。HBase是Apache（世界使用排名第一的Web服务器软件）的另外一款产品，使用了独特定义的一组表格。我们来举个例子：如果表格的关键词是一个人，表列中的关键属性就可能有关于这个人的兴趣爱好或居住地等，HBase可以像Hadoop（一个分布式系统基础架构，由Apache基金会所开发）一样执行大数据处理产品的能力，以更迅速、更精细的方式来分析数据之间的连接。

除了这些，大数据在扩散性上面还具有其他优势，如网购、社会经济、民生、交通，等等。汽车方便了人们的出行的同时，也增加了城市的拥挤程度。以北京的交通为例子。

北京有一个交通智能化分析平台，其数据通过分析源自路网摄像头、传感器、轨道交通、旅游、地面公交、出租车、客运等行业方方面面的数据，得出了这样的一个结果：高速ETC数据每天50万条；4万辆的浮动车每天会产生近2000万条记录；出租车运营为数据为每天100万条；交通卡刷卡的记录为每天1900万条；手机定位数据为每天1800万条……此外，还计算出了北京的人均上班平均用时为52分钟，全国平均人均上班用时39分钟。这些海量的数据，在体量和产生速度上都对存储和处理能力提出了非常高的要求。

当然了，这些交通网络的形成并不是凭借人类的想象，而是通过精准的数据测算出来的。这个过程就是如今最实用的大数据分析。在实际应用中，大数据有多种形式，还会衍生和扩散各类数据。如果仅仅是依靠传统的方法解决交通，如限行、限流，也只是治标不治本。不过，如果转变一下思维，稍微变动一下城市设计，或是采取不同的城市规划，甚至是安装略有不同的交通信号灯，都能为交通提供一些便利。

我们以美国的大城市为例：

美国第一大人口城市纽约，有着800万城区人口，人均每天开车42公里。不同于北京的交通拥堵，纽约虽然拥挤人口密集，但并没有影响人们的出行。在纽约最繁华的曼哈顿区，有近70%的居民会选择公交出行，再加上纽约的公交系统十分密集，使得交通路线四通八达，因而，整个城市的运转效能得到了最大的发挥。

大数据的扩散思维不仅着重于大局，还方便了人们的出行生活。当你打车想要去某地时，你不必为了不熟悉路线而慌张，也不必担心出租司机绕路，只需要悠然自得地掏出手机，搜索一下两地的距离，最佳路线会在几秒之内呈现在你眼前。

的确，能够在最短的时间内到达自己想要的地点，还不任人宰割，这不仅是每个乘客的急迫需求，也是手机搜索服务不变的追求。

眼下，我们最真实的资讯获取以及扩散模式就是：每天上下班，利用等公交、地铁的空闲，用手机浏览各种信息，看到一些有趣的信息就会分享到微信朋友圈或微博等社交平台，以供大家浏览和点赞。周末或假期，人们不停地玩手机或电脑，从互联网中搜寻好的去处、好的美食，再约几个好友相聚，谈天说地……

这些，都依赖于大数据的精准分析和扩散性功能。