京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的质量机遇
出差在外,想选择一家适合自己的酒店。只需在手机App上输入对酒店的个性化要求,手指轻轻一按,几十家甚至上百家酒店就立马一一呈现在眼前。卫生条件、服务态度、餐饮特色、地理位置……通过查看大量网友的点评和酒店分数排名,你可以在短短几分钟内方便快捷地寻找到自己心仪的酒店;出门办事,同样只需在App中下单,2~3分钟后一辆专属于你的专车就会到达指定地点。车上不仅提供了标配的矿泉水和充电器,还有司机发自内心的热情服务。
这只是我们身边依靠大数据改变生活方式的两个例子。在我们所享受到的方便快捷、优质服务的背后,就是大量以往消费者消费数据的支撑,而你对此次消费或服务的评价和反馈又将为这个大数据库增加新的信息。8月19日,国务院常务会议通过了《关于促进大数据发展的行动纲要》,提出要开发利用好大数据这一基础性战略资源。毫无疑问,我们已经进入了大数据时代。那么,大数据将给中国质量带来什么?
质量就是数据
武汉大学质量发展战略研究院早在几年前就开始了质量大数据的研究,取得了不少成果。几年来,他们对质量大数据的语义进行了分析,建立了食品、电器、通用产品三个语料库,建立了大数据监测网站和数据分析模型。
在谈到“质量”与“大数据”的关系时,院长程虹阐明了自己的观点:“质量离不开数据,质量的本质就是数据。”程虹说,无论在产品的生产环节还是在销售环节,都要依赖于大量的数据。在产品的检验检测中,离不开数据;在政府的质量监管中,同样离不开数据。
《关于促进大数据发展的行动纲要》中特别提到,要在城市建设、社会救助、质量安全、社区服务等方面开展大数据应用示范。大数据对质量的重要性已经成为很多质量人的共识。中国计量学院经管学院质量发展研究院教授周立军认为:“大数据是信息公开的基础,对于提高决策的科学性、有效性都有很大的帮助;大数据对开展质量预警的作用也很明显,可以让发出的质量预警更加精准;在建立企业信用系统过程中,大数据也被寄予厚望,能够发挥很大作用。”
缺乏消费领域的质量数据
山东大学质量管理研究中心主任温德成在谈到质量大数据时,首先讲到的是质检系统的质量大数据。“质检系统收集了很多质量数据,但这些数据还没有得到很好的整合、分析和应用。”温德成提到了质量监督抽查,“监督抽查中获得的产品质量数据很多,绝不仅仅是一个合格率、不合格率的问题。如何利用好这些数据,是大数据时代质检部门应该首先思考的问题。”温德成也介绍,在国外,掌握大量数据的其实并不是政府,而是一些社会机构。这些机构收集了大量来自市场、来自消费者的评价和反馈,这些数据正是目前我国所缺乏的。
缺乏消费领域的质量数据,这也是程虹从事质量大数据研究以来最深刻的感受。“以前,质量控制是基于生产过程的控制;但是现在,成功企业的质量控制恰恰不是基于生产导向,而是基于消费导向。也就是说,来自消费者、来自市场的数据比来自生产过程中的数据更有意义。遗憾的是,我们现在没有这部分数据,我认为这是我国质量大数据发展的一个瓶颈。如果一个企业不知道自己的客户需要什么、喜欢什么,不掌握这些质量大数据,要想做好产品,恐怕很难;同样地,如果一个政府不知道市场的真实情况到底是什么,不掌握这些质量大数据,要想做好质量监管,同样也很难。”
技术将发挥重要作用
选餐厅先看大众点评,选酒店先看酒店分数排名,选专车先看以往乘客评价……互联网上这些大量的数据就是来自消费者、来自市场。专家们认为,利用好质量大数据,不仅可以解决政府监管的很多难题,甚至可以迎来中国质量发展的一次革命性机遇。
作为一名普通消费者,程虹说自己最近喜欢上了一件事情,那就是坐Uber(优步)专车。在自己的一篇文章里,程虹详细分析了专车服务的质量大数据是如何颠覆传统的出租车运营监管机制。出租车最大的难题,无非就是信息不对称,也就是“人找不到车,车找不到人”。但是,互联网尤其是移动互联网,包括实时定位技术,使司机和乘客不用付出更多的搜索成本,就能找到彼此。因为大数据让双方之间信息透明、信息对称了。至于政府所关心的车辆服务质量问题,市场其实早就给出了答案,根本用不着政府操心,乘客的评价和结算的延迟支付,都会让专车司机不敢稍有懈怠地去提供高质量的服务。“以前让政府头疼的高峰时间打不着出租车、出租车服务质量不好等难题,在大数据时代,就这样轻松地被市场解决了。政府的角色应该从出租车的管制者变成大数据平台的提供者。”程虹认为,这是典型的质量大数据解决政府做不到的事情的应用案例。
程虹坦言,技术一小步,制度一大步。“大数据这个新技术已经来了,我们的监管制度也必须发生变化,甚至是革命性的变革与之配套,才能让新技术真正发挥出神奇的力量。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26