
大数据逐渐成为国家竞争力新体现_数据分析师考试
推行大数据战略的原因
(一)大数据已成重要的战略资源
大数据是与自然资源、人力资源一样重要的战略资源。美国提出,大数据的战略地位堪比工业时代的石油。美国的大数据产业发展步入大规模商业化阶段,已广泛渗透到经济、政治、教育、安全和社会管理等众多领域。奥巴马团队把大数据分析运用到竞选,通过对近两年搜集、存储的海量数据进行分析挖掘,寻找和锁定潜在的己方选民,运用数字化策略定位拉拢中间派选民及筹集选举资金。欧盟认为大数据是促进经济增长的重要力量。2011年12月欧盟报告指出,欧盟公共机构产生、收集或承担的地理信息、统计数据、气象数据、公共资金资助研究项目、数字图书馆等数据资源的全面开放,预计每年将会给欧盟带来400亿欧元的经济增长。英国经济与商业研究中心?CEBR?2012年研究报告进一步证实了大数据的经济价值,2011年英国私企和公共部门企业的数据资产价值为251亿英镑,2017年预计将达到407亿英镑。韩国认为公共数据已成为具有社会和经济价值的重要国家资产。“智慧首尔2015”计划指出,“首尔开放数据广潮是开放性的数据中心,已有33个数据库、880个数据集,为用户提供十大类的公共数据信息,包括育儿服务、公共交通路线、巴士到站时间、停车位、各地区天气预报及餐厅推荐等涵盖生活方方面面的信息。
(二)大数据已成企业发展的巨大引擎
“脸谱”、“网飞”项目的成功,标志着信息技术企业加快推动大数据业务的发展。近年来,IBM热衷于数据挖掘和数据分析领域的收购,先后出资160亿美元收购了超过30家大数据企业;Oracle收购石油、电气和供水DataRaker公司推动大数据深入应用;Microsoft、Google、Intel等信息类跨国公司纷纷转型为大数据公司。传统企业也积极探索利用大数据创新业务模式,如福特汽车公司在硅谷创立实验室,处理大量汽车相关数据。英国最大的连锁超市特易购已经开始运用大数据技术采集并分析其客户行为信息的数据,总结特定顾客的消费习惯、近期可能的消费需求,从而制定有针对性的促销计划,为特易购提供更加高效的营销模式。大数据技术的开源项目为个人创业提供了机会,初创企业不断涌现。2011年6月麦肯锡研究报告指出,大数据的使用将成为未来提高竞争力、生产力、创新能力以及创造消费者盈余的关键要素,成为领军企业与其 他企业之间最显著的差别。
企业已开始认识到数据战略对企业运营以及企业未来发展方向的重要性。日本Gartner的调查报告指出,大约六成以上的企业正在积极考虑活用大数据。同时,预计到2016年,积极致力于大数据项目的日本大企业的数量将增加一倍,其中七成将有IT部门之外的经营及事业部门参与。企业开始重视对大数据价值的深入分析与挖掘,推动企业决策机制从“业务驱动”向“数据驱动”转变。大数据正在推动企业的决策模式、运营模式和竞争模式的创新,企业大数据战略快速推进,成为企业发展战略的重要组成部分,构成新的盈利模式。
(三)大数据应用发展迅猛
近几年,大数据发展已得到了广泛关注,应用已经遍地开花。美国的经验证明:互联网行业、商业智能与咨询服务领域、零售行业受益最大,医疗、卫生、交通、物流甚至生物科技、天文等领域开始认可大数据带来的价值。麦肯锡报告指出,大数据为美国的医疗服务业每年节省3000亿美元,为欧洲的公共部门管理每年节省2500亿欧元,为全球个人位置数据服务提供商贡献1000亿美元;帮助美国零售业净利润增长60%,帮助制造业在产品开发、组装等环节节省50%的成本。市场研究公司MarketsandMarkets预测,2013年至2018年,全球大数据市场的年复合增长率为26%,预计将从148.7亿美元增长至463.4亿美元。
(四)创新成为大数据战略出台的直接动因
金融危机迫使政府提高政策透明度,创新政府管理方式,以改变目前面临的困境。大数据的适时出现,成为促进管理创新,提高公共服务效能,刺激经济增长的最重要推动力。日本的大数据战略以“开创新市场,促进经济增长”为核心。美国的大数据战略以提高美国的科研、教育与国家安全能力和社会管理能力为重点。欧盟的开放数据战略以开放数据为核心,以创新、增长和透明治理为引擎。韩国以“利用大数据解决市民小烦恼”,构建智慧城市所需基础设施,促进信息技术和公共服务产业的进步与发展。
推行大数据战略的主要做法
(一)站位高,合力推进
发达国家已充分认识到大数据的战略价值,将其置于国家战略高度加以推动。美国认为其重要性堪比“信息高速公路”计划。2012年3月29日,美国发布了《大数据研究和发展计划》,同时组建“大数据高级指导小组”,涉及美国国家科学基金、国家卫生研究院、能源部、国防部等6个联邦政府部门,政府还倡议企业、科研院校和非盈利机构集中资源,共同促进大数据发展,在国家战略层面形成了全体动员格局。欧盟认为,大数据是创新工具、创新资料,其开放数据战略从欧盟全局的高度要求成员国共同推动大数据的发展,协调成员国与欧盟的行动战略,沿着修改补充法律、资金投入、建立公共信息平台等方面推进。新加坡政府认为大数据是“未来流通的货币”,政府各部门合力从基础设施、产业链、人才、技术和立法五大方面系统推进大数据建设,弥补了企业发展大数据的不足,极大促进了大数据的发展和应用。
(二)突出重点,巨额投入
政府有选择地对大数据进行重点投入。美国是大数据的领跑者,政府投入2亿美元重点资助大数据分析以及大数据在医疗、天气和国防等领域的应用。法国政府以新兴企业、软件制造商、工程师、信息系统设计师等为目标,投入1150万欧元用于支持7个投资项目。英国在经济低迷、财政吃紧的背景下,政府注资6亿英镑支持发展8类高新技术,其中大数据技术拔得头筹,获得1.89亿英镑的资金,其中节能计算是其重要的支持对象。联合国“全球脉动”战略,目标是促进全球经济增长,重点是预测某些地区的失业率、支出削减或是疾病爆发等现象,利用数字化的早期预警信号来提前指导援助项目
(三)整合数据,加强公共基础平台建设
政府适度公开、有效整合数据,建立公共基础平台成为了大数据战略发展的重要内容。2009年,美国Data.gov正式上线,按原始、地理数据和数据工具三个门类开放数据。截至2012年11月,Data.gov共开放388529项原始数据和地理数据。为进一步完善Data.gov平台的功能,加入了数据的分级评定、高级搜索、用户交流以及和社交网站互动等新功能。同时,美国还构建了OGPL平台,提供开源的政府平台代码并允许任何城市、组织或者政府机构创建开放站点。英国政府发布新的政府数字化战略,旨在使政府服务实现“默认数字化”,即“数字服务简单方便,任何可以使用的用户都会选择数字化服务,而不能使用的用户也不排除在外”。英国承诺2015年前开放有关交通运输、天气和健康方面的核心公共数据库,并将投资1000万英镑建立世界上首个“开放数据研究所”。“欧盟开放数据战略”将重点加强在数据处理技术、数据门户网站和科研数据基础设施三方面的投入,旨在欧洲企业与市民能自由获取欧盟公共管理部门的所有信息,建立一个汇集不同成员国以及欧洲机构数据的“泛欧门户”。
(四)应用拉动,加快发展
政府高度重视、积极推动大数据的应用,创造需求,加快了大数据产业化和市朝进程。美国最具代表性,大数据政府、民间应用广泛,产业化进程快。政府在公共政策、舆情监控、犯罪预测、反恐等领域已开始依据大数据分析辅助决策。以大数据应用增强社会服务能力。人口、交通、医疗等公共事业部门通过大数据的挖掘,实现了对人口流动、交通拥堵、传染病蔓延等情况的实时分析。如佛罗里达州迈阿密戴德县将数十种关键县政工作和迈阿密市紧密联系起来,帮助政府在制定治理水资源、减少交通拥堵和提升公共安全等方面决策时提供了更好的信息支撑。国防部确定了“从数据到决策、网络科技、电子战与电子防护、工程化弹性系统、大规模杀伤性武器防御、自主系统和人机互动”等7个重点研究领域,目的是推进大数据辅助决策,实现由数据优势向决策优势的转化。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29