
大数据可以创造出更高质量的价值
作为最早洞见大数据时代发展趋势的数据科学家之一,舍恩伯格在数博会“数据资产化发展论坛”上发表了《大数据的大价值》主题演讲。舍恩伯格认为,大数据是可以反复使用的资源,人们可以利用大数据创造出更高质量的价值。
舍恩伯格说,如今,数据已经成为了有价值的公司资产、重要的经济投入和新兴商业模式的基石。虽然数据还没有被列入企业的资产负债表,但这只是一个时间问题。人们必须意识到数据价值,并合理加以利用。
什么样的数据可与未来潜在因素发生更加紧密的联系?舍恩伯格认为,关键就在于让数据“说话”,展现出数据之间真正的联系。通过小数据到大数据的累计,可以创造出更高质量价值。就像拍一个人骑马,随着照片数量的增加,画面就会连续起来变成电影那样,小数字增量到大数据也是一个质变。
对于如何利用数据做出决策,舍恩伯格以一个英文学习软件Duolinga为例。这个软件通过数据研究发现,西班牙母语的人学习英文会犯很多错误,所以他们根据反馈的数据又开发出了对西班牙母语人士最好的学习课程。数据帮助Duolinga发现了看问题的新角度,并创造出了比其他产品更优秀的软件,因此,数据能够帮助人们做出更加准确的决策。
舍恩伯格认为,数据产生的价值从过去到现在已经发生了改变,在过去的小数据时代,人们是根据一个问题去搜集回答这个问题的数据,得到针对这个问题的答案,就像找到了水面上的冰山,而忽略了水面以下大部分具有价值的数据。而在未来,数据大部分的价值都藏在水面下,在对数据的重复使用当中,人们可以更多地挖掘出冰山下面的那一部分价值。比如一个来自MIT的初创公司,通过每天搜集10亿项阿里巴巴、亚马逊等电商网的数据,并作出针对通货膨胀比率的预测,2008年9月之前,他们就通过这些数据预测出了经济危机。
舍恩伯格指出,谷歌的无人驾驶车之所以比大众、宝马、奔驰生产的无人汽车效果更好,其原因就在于他们的数据和经验更多。谷歌通过不断地使用和试验,累计了大量的数据来让其系统获得更好地学习,就像人工智能的不断进化也是要依靠试错数据的累积,而这也体现出大数据的价值。
舍恩伯格说,未来当人们意识到大数据的价值后,它将会在一些行业带来颠覆性变革。例如,医疗研究应该将以万计的人、数以万计的数据资料进行接合,才能加速医疗行业发展。现在中国已经有了数据中心、贵阳有了大数据交易所,又有大体量的人口样本,应该有信心将医疗数据投入研究之中,推进医疗发展。
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