
大数据时代,为什么我们需要寻找“数据侠”?
当我们在谈论大数据的时候,我们在谈论什么?人们希望通过分析大数据,更了解过去发生了什么、现在正在流行什么、未来会怎样,希望数据能为人们所用,给企业发展以决策依据,给政府政策以公共价值,给普通人以启发。
2016年6月3日,第一财经旗下数据新媒体DT财经和上海开放数据创新应用大赛(SODA)联合举办“寻找数据侠”活动,正式宣布启动“数据侠”计划。这也是今年上海开放数据周的第一场重磅活动。
参加当天活动的“数据侠”嘉宾,分别在各自的领域都是数据分析和可视化的大牛。他们分别来自:交大复杂网络控制实验室(SODA大赛上一届冠军团队)、清华同衡城市数据实验室、地理大数据服务商GEOHEY、感知城市数据科学研究院、北京腾云天下科技有限公司(TalkingData)、镝次元数据传媒实验室、阿里云、蚂蚁金服、同济大学设计与创新学院以及第一财经商业数据中心。
大数据变革的时代,人们面前呈现同样的技术壁垒:使用产品和服务的时间多、接触背后数据的机会少,利用工具对数据进行分析、决策更是难上加难。普通民众和大数据之间似乎总隔着一层屏障。
侠者,助人之人也。他们希望,能够召唤整个行业中最会玩数据、最有数据开发能力和技术的Geek们,对冰冷的数字进行深度挖掘和呈现,使之具有温度,再开放给公众,让每一个普通人能够共享大数据的红利。
2016年夏季,上海开放数据创新应用大赛(SODA)将启动今年的赛事。SODA从政府手中取得了大量与城市生活息息相关的数据,开放给参赛者,让数据侠们通过对数据的深度理解、增值开发和创新应用,来解决城市中的问题,服务于城市中的每一个人。
DT财经,第一财经与阿里巴巴合力打造的数据新媒体,接触着整个行业第一手的数据,描绘着商业时代数据和消费云图,探索着数据如何推动商业的发展。如今,通过轻松易读的卡片式新闻创作形式、PGC(专业生产内容)讲述数据与现实之间的故事、可视化创作、多渠道分发……DT财经已经让更多的人站在数据的角度看商业,用新闻的方式解读数据,让数据有了温度。
而SODA和DT财经联手,正是开放数据的两端:SODA负责从政府手中调取最原始、最权威的数据,而DT则负责将数据呈现出的价值以最符合传播学规律方式分享出去——只是,这当中还欠缺最关键的一环:谁来调取、分析这些数据,谁来制作面向公众的开发工具?他们想到了更加具有专业主义的数据侠们。
在交通领域,数据侠们可以通过交通信息工程和通信技术,有效地分析交通数据,更好地减少交通负荷和环境污染、保证交通安全、提高运输效率;在体育领域,数据侠们可以通过分析运动员的运动表现数据,提供比赛分析决策,乃至避免伤病;在医疗健康领域,“可穿戴设备”已经收集到人体生理数据,自动传入云端,进行数据分析与处理,与医生诊断结合,给出诊断或康复建议……
中国工业设计研究院副总裁张柏军表示:“通过开放数据周和‘寻找数据侠’计划,期望能够有更多的人群了解开放数据的理念,了解现有的开放数据资源,并在力所能及的情况下可以尝试开放流通自有的数据资源。我们也希望更多的普通市民能够在此次活动周中,学习到数据相关的知识,掌握一定的技术,从而能够以城市主人翁的身份对这座城市给予更多的关注,利用开放的数据和数据侠们一起来共建上海,让这座城市更美好。”
DT财经主编王小乔表示:“数据侠们更专业,数据到了他们手里才能被更加精准、稳妥应用,但产生出的价值往往难以传送到普通人手中。而DT财经能够提供的,正是这样一个开放的平台和多渠道的分发。”她希望此次的“寻找数据侠”活动,能够网罗各路对数据有研究、有兴趣、有独特见解的人,让他们自由生产对数据的各种观点与看法。
DT财经将会以开通专栏的形式,为数据侠的优质内容提供各个新媒体平台的传播渠道。未来还会不定期的为数据侠们创造线上线下的交流平台。总之,通过持续提供优质的数据化内容,让数据有温度,更加人性化,为用户提供一个有价值有温度的数据内容入口,从而开放数据解释权,打破数据鸿沟。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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