京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据的概念从问世到现在已有5年历史,这个概念从诞生到发展在全球引起了一次又一次热潮,经久不衰。为什么会这样?
从历史和全局战略认识大数据
大数据的浪潮翻涌至今,我认为有两个重要因素在起推动作用。第一个是人类社会在发展过程中对信息的渴求。在人类社会发展的所有时间里,信息一直是人和人类社会发展的最重要的内容。但是为什么直到5年前才“突然”出现大数据的概念?就是第二个因素——以传感技术、互联网、移动智能终端为代表的一系列新的信息技术,使得信息的获取、利用、集聚在数量上发生了突飞猛进的变化。
从这样的角度去分析,由于技术和信息内在的联系,我们会看到这两支力量在未来大数据为代表的信息时代的重要性将会进一步凸现,这是历史的角度。
我们还需要从全局的角度再来看一下大数据。2011年大数据概念产生的时候,当年4月份英国《经济学人》刊登了一篇专题文章论述“第三次工业革命”,指出大数据在其中发挥着重要作用。
是这样吗?至少我们看到了一系列重大变化:产业互联网、工业4.0、先进制造业、智能制造、中国制造2025……从中国2008年开始持续推进两化融合到两化深度融合,从电子商务到3d打印,从远程治疗到智慧治疗,从远程教育到智能教育……一系列经济和社会发展的新概念都在发生变化,我们从这样的发展变革中看到所有这些变化背后都有大数据在其中发挥着极其重要的作用。
为什么我们要从这两个角度去看大数据?由于技术进步和社会发展的需求,人类社会发展进入新的历史阶段,新的基础性技术力量和新的资源概念正在诞生。这个新的技术力量使信息技术和工业技术融合在一起,使我们从产品服务、生活管理等方面有了一个迈上新台阶的生产力构建。这个生产力构成的背后是人类社会自工业革命以来,由物质和能源建设的进步推动的社会发展演变成由能源、信息、产业三种资源共同推动社会的发展。
因此,大数据的热潮有其必然性、深刻性和广泛性。因此我们要重视大数据,用好大数据,否则便不能跟上历史发展的潮流。
从问题和价值导向来推动大数据产业
大数据技术我们面临什么问题?价值在哪?制高点在哪?
从技术的角度来看,主要有两大问题:一是大数据以每隔几年提升一个数量级的角度看,如今的计算机处理体系——以芯片为基础的处理体系机构是不是适应大数据发展的需要?答案很清晰,不是。迄今为止,以x86为代表、以arm为代表、以存储芯片为代表的三个芯片架构从逻辑上来说都不符合大数据处理的需求,所以要从芯片开始重构适合大数据发展的处理需求。也即,要有新的芯片和新的处理结构,这是问题价值制高点。当真正满足大数据处理的芯片被设计出来,谁就站上了制高点。
从产业角度看,大数据产业大概可以分为两类:一类是“技术变成产业”,就像当年数据库管理系统变成了数据库公司,当真正的大数据处理芯片和计算架构形成时还将会形成新的产业;另一类是各个企业、机构甚至个人——以后我们很多“个人”都可以变成大数据的拥有者。
千万不要小看这点,我们对历史总是很容易健忘。20年前,很多机构包括中央部门,数据库量级是以g为代表的,而今个人都可以拥有t级的数据。这样的企业、机构、个人如何使数据管理应用成本更低、效率更高,这需要产业的支撑。因此谁能为这些“个体”的大数据应用提供便利,谁就会在发展过程中形成增值的发展基础。
然而从应用的角度看,大数据最重要的含义不在上述技术和产业,而是在于,所有企业、机构和个人如何将大数据变成我们提升能力、提升竞争力、提升生活质量的来源。那么在这个命题上,当前大数据应用的主要问题是什么?
我认为第一个问题是,数据有没有用、能不能用,能不能变成提高劳动生产力和提高市场占有率、提高创新能力、降低成本提升效率的源泉。这是社会进步的根本所在,也是大数据的本质所在。
所以,不管是企业还是机构,在讲大数据应用的时候,首先要解决的问题是“大数据能贡献什么价值”,然后通过这样的分析再去看大数据在哪,怎么才能得到。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24