
物联网和大数据趋势的赢家:云计算供应商_数据分析师考试
物联网将推动对数据中心的大规模投资,但这些数据中心将由亚马逊、微软和谷歌运行。不难看出物联网(IoT)和大数据趋势的赢家:云计算供应商。根据IDC表示,在未来四年内,IoT将需要750%更多的数据中心容量。
这意味着大量的服务器、网络设备等。但这些钱并不会流向业界传统供应商,虽然有些供应商可能提供亚马逊等需要的差异化产品,但这是一小部分。毕竟,亚马逊、微软、谷歌等云计算领导者通常不会购买IBM和传统数据中心供应商的产品,因为他们的需求太专业,并要求他们构建自己或高度定制的白盒产品。
因此,尽管IoT和大数据趋势将推动新的数据中心投资,但它们也将改变供应商格局,可能是永远地改变。
物联网是一种自然的力量
虽然可穿戴设备、汽车等设备中的传感器正在吸引公众的关注,但现实是,数据中心在支持着不断发展的IoT市场。在很多方面,收集数据是最容易的部分,而处理和分析数据则是很难的部分。这个问题需要不断增长的硬件和软件来解决。
IDC预计,到2019年,数据中心容量将要增长750%来解决IoT数据工作负载。正如IDC数据中心和云计算副总裁Rick Villars表示,“鉴于联网设备的数量和收集的数据量,企业必须将其IoT服务平台需求放在数据中心水平,而不是单台服务器或存储设备。”
然而,问题是很少有企业能够有效地做到这一点,很多企业走向了相反的方向。正如IDC所指出的,“IoT部署中需要的灵活性和规模将确保大部分这种数据中心容量位于服务供应商(云计算)数据中心。”
云计算已经准备就绪
但不要担心,这些云计算供应商都在期待处理这些工作负载。事实上,正如《华尔街日报》的Dan Gallagher指出,“IDC预测,到2018年,云计算市场将会增加一倍以上,达到1270亿美元。这也是为什么亚马逊、谷歌和微软都在不惜一切代价留在这个市场的原因。”
Redmonk分析师Stephen O’Grady称这主要是源于规模经济:“大型供应商给市场带来的规模经济非常巨大。因为他们能够购买更大数量,他们的可变成本降低;他们的固定成本被分摊到更大数量的客户群;他们的相对效率会增加,随着规模推动自动化和改进过程;他们能够吸引和保留人才来解决技术挑战等。”
因此,虽然是根据企业构建多少数据中心来处理其规模来衡量成功,但IoT会快速发展,让有限数量的大型供应商包揽成功,例如Facebook、Twitter、谷歌和亚马逊云计算服务(AWS)。
即使是那些认为他们能够战胜这些强大对手的供应商,你真的想应战吗?AWS数据科学主管Matt Wood称,使用停滞发展的硬件资产非常难以运行复杂的数据科学查询。他认为,弹性是数据科学必不可少的因素,对于物联网也是如此。
你的数据中心供应商完蛋了
无论是谁在构建数据中心,有一点是明确的:这些云计算建设者会直接找到台湾ODM厂商来制造满足其特殊需求的硬件。这些云计算供应商不会再购买现成的硬件或软件:而是将其数据中心的所有方面都视为是至关重要的专有知识。
在构建自己的数据中心的过程中,亚马逊已经显着消减了成本并提高了性能。为什么呢?因为他们在试图去除一切无关内容,只满足其实际需求。
那么,这意味着什么呢?
这意味着我们未来的云计算硬件供应商实际上是构建或购买他们自己定制硬件的云计算供应商。
在本质上,这意味着供应商会退出企业数据中心市场,虽然云市场正飞速发展,总之,数据中心市场正在进行重塑:更少的惠普和IBM,更多的AWS和微软。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29