京公网安备 11010802034615号
经营许可证编号:京B2-20210330
深挖大数据金矿
大数据的本质特征就是“大”。究竟“多大”才算“大”?“大”不是一个简单的数量,而是一个多维的无限的变量。概括起来说,“大”是一个五“V”空间:第一个维度是数量(Vol-ume),主要表现为数据量的快速增大;第二个维度是速度(Veiocity),主要表现为数据增长的速度在加快;第三维度是数据的多样性(Variety),主要表现为新的数据来源和新的数据种类的增加;第四个维度是数据的价值(Value),主要表现为对这些数据的使用和挖掘产生的价值;第五个维度,也是最重要的一个“V”,就是“数聚”(Variable),它使前面四个“V”的数据发生几何级数的变化,从而让数据实现从量变到质变的飞跃。
正如一位美国记者在一篇文章中写到的,大数据是什么并不重要,重要的是大数据正在改变人对世界的看法。在大数据时代,人获取信息的方式、交往或交友的方式、生活方式、生产方式、思维方式、社会组织管理方式都将被跨界、跨代颠覆式改变。
大数据是新的科技革命与新的产业革命交叉融合的引爆器,大数据让发达地区与欠发达地区站在同一个起跑线上。贵州发展大数据,是倒逼政府改革,推进产业转型的有益探索,是坚守发展和生态“两条底线”,发挥后发优势,实现后发赶超和绿色崛起的创新战略,也是新常态下东部与西部、沿海与内地、发达地区与欠发达地区经济的再平衡。这种再平衡将引发中国经济结构的深度调整,重塑中国经济版图。
全球化开放平台 引领“中国数谷”贵阳崛起
贵州商报:贵阳为何提出建立大数据战略重点实验室,实验室的建立有何实际意义。
连玉明:大数据战略重点实验室是根据贵州省委省政府、贵阳市委市政府发展大数据战略部署设计,在贵州省科技厅支持下,由贵阳市人民政府与北京市科学技术委员会共建的跨学科、专业性、国际化、开放型的跨区域研究平台,它依托贵州大学贵阳创新驱动发展战略研究院组建和运行。这是继建立中关村贵阳科技园、北京贵阳大数据应用展示中心之后京筑创新驱动区域合作又一重大成果,是国家实验室管理机制的一次创新实践,是贵州、贵阳发展大数据的重要里程碑。
大数据战略重点实验室是一个全球化的开放平台。实验室聚集国内外大数据相关专业研究者、管理者和决策者,搭建跨区域协作创新平台、专业化决策咨询平台、网络化成果转化平台和国际化合作交流平台,有助于创新资源和创新人才在贵阳聚合,引领“中国数谷”在贵阳崛起。
大数据战略重点实验室立足全球大数据发展趋势和中国大数据发展实践,以大数据发展的重大理论和现实问题为主攻方向,加强大数据发展全局性、战略性、前瞻性研究和咨询,建设具有较大影响力和国际知名度的大数据高端战略智库,奋力打造中国大数据发展思想和战略策源地。
跨界 跨代 跨区域 五大研究策源中国大数据发展战略
贵州商报:大数据战略重点实验室在做什么样的研究,怎么来服务和助推贵阳大数据产业的发展?实验室研究成果如何落地。
连玉明:大数据战略重点实验室的建立是从理论创新为突破口的。《块数据— 大数据时代真正到来的标志》《DT时代—从“互联网+”到“大数据×”》《创新驱动力— 中国数谷的崛起》三个专著的出版,标志着大数据战略重点实验室在贵州率先启航。基于此,大数据战略重点实验室以五大着力点开展研究及其成果转化:
一是着眼全球大数据发展趋势和中国大数据发展实践,建立全球大数据理论信息中心,建设中国大数据发展规划数据库,出版《全球大数据发展报告》。
二是构建块数据分析理论模型和应用模型,为贵州、贵阳乃至全国发展大数据提供理论支撑和方法支持。
三是研究、编制和发布“大数据指数”,包括大数据发展指数、大数据创新指数、大数据城市指数、大数据社区指数、大数据生活指数和大数据品牌指数。出版年度《大数据蓝皮书》。
四是建立DT空间,搭建众联、众创、众包、众筹创客平台,加快产学研联动,加速成果转化应用,建立国际创客空间。
五是建立“中国DT产业50人论坛”,搭建对外交流平台,打造中国大数据发展的思想和战略策源地。
这五项研究,无论是对贵阳发展大数据,还是中国发展大数据都是一种创新性的、极具前瞻性的研究和探索。必须说明的是,大数据战略重点实验室虽然建在贵州贵阳,但它并不是一个封闭的空间。它更多的是借助北京科技创新中心和国家创新平台的资源,成为一个跨界、跨代、跨区域的开放空间。这个开放空间是全球性的。我们完全超越传统的实验室运行和管理模式,发挥共建优势,整合社会力量,创新市场机制。我们秉承“不求所有、不求所在,但求所用”的原则,可以在北京、上海、杭州、武汉、广州等地建立研究基地,也可以与阿里、腾讯、百度等企业开展联合研究。对贵州、贵阳而言,我们引进的是新思想,转化的是新成果,真正成为助推贵州、贵阳乃至中国大数据发展的战略策源地、人才孵化器、创新试验场、政策先行区。
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