内容如下：
1、大数据对商业模式影响
2、大数据下地质项目资金内部控制风险
3、医院统计工作模式在大数据时代背景下改进
4、大数据时代下线上餐饮变革
5、基于大数据小微金融
大数据(big data)，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中大数据指不用随机分析法（抽样调查）这样捷径，而采用所有数据进行分析处理。大数据的5V特点（IBM提出）：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性）。
(一)题名(Title,Topic)
题名又称题目或标题。题名是以最恰当、最简明的词语反映论文中最重要的特定内容的逻辑组合。
论文格式相关书籍 论文题目是一篇论文给出的涉及论文范围与水平的第一个重要信息，也是必须考虑到有助于选定关键词不达意和编制题录、索引等二次文献可以提供检索的特定实用信息。论文题目十分重要，必须用心斟酌选定。有人描述其重要性，用了下面的一句话：“论文题目是文章的一半”。对论文题目的要求是：准确得体：简短精炼：外延和内涵恰如其分：醒目。
(二)作者姓名和单位(Author and department)
这一项属于论文署名问题。署名一是为了表明文责自负，二是记录作用的劳动成果，三是便于读者与作者的联系及文献检索(作者索引)。大致分为二种情形，即：单个作者论文和多作者论文。后者按署名顺序列为第一作者、第二作者……。重要的是坚持实事求是的态度，对研究工作与论文撰写实际贡献最大的列为第一作者，贡献次之的，列为第二作者，余类推。注明作者所在单位同样是为了便于读者与作者的联系。
(三)摘要(Abstract)
论文一般应有摘要，有些为了国际交流，还有外文(多用英文)摘要。它是论文内容不加注释和评论的简短陈述。其他用是不阅读论文全文即能获得必要的信息。摘要应包含以下内容：
①从事这一研究的目的和重要性;
②研究的主要内容，指明完成了哪些工作;
③获得的基本结论和研究成果，突出论文的新见解;
④结论或结果的意义。
(四)关键词(Key words)
关键词属于主题词中的一类。主题词除关键词外，还包含有单元词、标题词的叙词。
主题词是用来描述文献资料主题和给出检索文献资料的一种新型的情报检索语言词汇，正是由于它的出现和发展，才使得情报检索计算机化(计算机检索)成为可能。主题词是指以概念的特性关系来区分事物，用自然语言来表达，并且具有组配功能，用以准确显示词与词之间的语义概念关系的动态性的词或词组。
技巧—：依据学术方向进行选题。论文写作的价值，关键在于能够解决特定行业的特定问题，特别是在学术方面的论文更是如此。因此，论文选择和提炼标题的技巧之一，就是依据学术价值进行选择提炼。
技巧二：依据兴趣爱好进行选题。论文选择和提炼标题的技巧之二，就是从作者的爱好和兴趣出发，只有选题符合作者兴趣和爱好，作者平日所积累的资料才能得以发挥效用，语言应用等方面也才能熟能生巧。
技巧三：依据掌握的文献资料进行选题。文献资料是支撑、充实论文的基础，同时更能体现论文所研究的方向和观点，因而，作者从现有文献资料出发，进行选题和提炼标题，即成为第三大技巧。
技巧四：从小从专进行选题。所谓从小从专，即是指软文撰稿者在进行选则和提炼标题时，要从专业出发，从小处入手进行突破，切记全而不专，大而空洞。
寿险行业数据挖掘应用分析
寿险是保险行业的一个重要分支，具有巨大的市场发展空间，因此，随着寿险市场的开放、外资公司的介入，竞争逐步升级，群雄逐鹿已成定局。如何保持自身的核心竞争力，使自己始终立于不败之地，是每个企业必须面对的问题。信息技术的应用无疑是提高企业竞争力的有效手段之一。寿险信息系统经过了多年的发展，已逐步成熟完善，并积累了相当数量的数据资源，为数据挖掘提供了坚实的基础，而通过数据挖掘发现知识，并用于科学决策越来越普遍受到寿险公司的重视。
数据挖掘
数据挖掘（Data Mining，DM）是指从大量不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、有用的信息和知识的过程。其表现形式为概念（Concepts）、规则(Rules)、模式(Patterns)等形式。
目前业内已有很多成熟的数据挖掘方法论，为实际应用提供了理想的指导模型。CRISP-DM（Cross-Industry Standard Process for Data Mining）就是公认的、较有影响的方法论之一。CRISP-DM强调，DM不单是数据的组织或者呈现，也不仅是数据分析和统计建模，而是一个从理解业务需求、寻求解决方案到接受实践检验的完整过程。CRISP-DM将整个挖掘过程分为以下六个阶段：商业理解（Business Understanding），数据理解(Data Understanding)，数据准备(Data Preparation)，建模(Modeling)，评估(Evaluation)和发布(Deployment)。
商业理解就是对企业运作、业务流程和行业背景的了解；数据理解是对现有企业应用系统的了解；数据准备就是从企业大量数据中取出一个与要探索问题相关的样板数据子集。建模是根据对业务问题的理解，在数据准备的基础上，选择一种更为实用的挖掘模型，形成挖掘的结论。评估就是在实际中检验挖掘的结论，如果达到了预期的效果，就可将结论发布。在实际项目中，CRISP-DM模型中的数据理解、数据准备、建模、评估并不是单向运作的，而是一个多次反复、多次调整、不断修订完善的过程。
行业数据挖掘
经过多年的系统运营，寿险公司已积累了相当可观的保单信息、客户信息、交易信息、财务信息等，也出现了超大规模的数据库系统。同时，数据集中为原有业务水平的提升以及新业务的拓展提供了条件，也为数据挖掘提供了丰厚的土壤。
根据CRISP-DM模型，数据挖掘首先应该做的是对业务的理解、寻找数据挖掘的目标和问题。这些问题包括：代理人的甄选、欺诈识别以及市场细分等，其中市场细分对企业制定经营战略具有极高的指导意义，它是关系到企业能否生存与发展、企业市场营销战略制定与实现的首要问题。
针对寿险经营的特点，我们可以从不同的角度对客户群体进行分类归纳，从而形成各种客户分布统计，作为管理人员决策的依据。从寿险产品入手，分析客户对不同险种的偏好程度，指导代理人进行重点推广，是比较容易实现的挖掘思路。由于国内经济发展状况不同，各省差异较大，因此必须限定在一个经济水平相当的区域进行分析数据的采样。同时，市场波动也是必须要考虑的问题，一个模型从建立到废弃有一个生命周期，周期根据模型的适应性和命中率确定，因此模型需要不断修订。
挖掘系统架构
挖掘系统包括规则生成子系统和应用评估子系统两个部分。
规则生成子系统主要完成根据数据仓库提供的保单历史数据，统计并产生相关规律，并输出相关结果。具体包括数据抽取转换、挖掘数据库建立、建模（其中包括了参数设置）、模型评估、结果发布。发布的对象是高层决策者，同时将模型提交给应用评估子系统.根据效果每月动态生成新的模型。
应用评估子系统可以理解为生产系统中的挖掘代理程序，根据生成子系统产生的规则按照一定的策略对保单数据进行非类预测。通过系统的任务计划对生产数据产生评估指标。具体包括核心业务系统数据自动转入数据平台、规则实时评估、评估结果动态显示、实际效果评估。规则评估子系统根据规则进行检测。经过一段时间的检测，可利用规则生成子系统重新学习，获得新的规则，不断地更新规则库，直到规则库稳定。
目前比较常用的分析指标有: 险种、交费年期、被保人职业、被保人年收入、被保人年龄段、被保人性别、被保人婚姻状况等。
实践中，可结合实际数据状况，对各要素进行适当的取舍，并做不同程度的概括，以形成较为满意的判定树，产生可解释的结论成果。
可以参考下面的
1、保险消费群体分析研究—以上海地区为例/以某险种为例
2、美元走势与某大宗商品价格走势相关性分析
3、基于多元统计的上海市各区县经济综合实力评价研究
4、上海市人口规模与结构变动趋势分析
5、GDP增速与居民收入增长变化相关性分析-以上海市为例
6、上海市居民幸福感现状的调查研究
7、上海市经济增长与环境污染的实证研究
8、上海金融学院《统计学》课程考核满意度的调查研究
9、上海市统计学本科毕业生就业的调查研究
10、上海市城乡收入差距变动及其对经济的影响研究
11、上海市经济增长、能源消费与环境污染间互动性研究
12、上海市主导产业的选择研究--基于聚类分析和因子分析
13、医药行业上市公司绩效评价--基于因子分析和聚类分析
14、创业板上市公司经营绩效评价研究--基于因子分析和聚类分析
15、电力行业上市经营绩效的实证研究--基于主成分分析、因子分析与聚类分析
16、航运中心建设背景下上海市物流需求预测分析——基于XX预测技术
17、上海市小微型科技企业融资能力的评估分析——基于XX分析方法
18、大学生网络购物影响因素的实证研究——以上海金融学院为例
19、大学生专业课自主学习的实证研究——以上海金融学院为例
20、自贸区建设背景下大学生职业能力的现实考量与培养策略——以上海金融学院为例
21、上海自由贸易区建设金融资源配置的统计数据分析及对策
