
IDC对2016年大数据、云计算等领域的7个预测
本文是市场研究机构IDC对2016年大数据、云计算等领域的7个预言:数字化转型将达到巨大规模、每个公司将会成为软件公司、重新定义各种CxO角色和各项活动、云计算将会是新IT、大数据将变得更大并且更丰富等。
上图是IDC发布的2016年排名前10的预言,首席分析师Frank Gens奉劝企业要么转型要么消亡,并指出2016年的首要主题是“数字化转型相应扩大。”Gens还指出,规模是“展开争夺数字化成功的关键要素”,同时警告企业,“成也规模,败也规模”。
在未来的几年,数字化转型(DX)将推动“一切事项皆IT”。IDC所称的DX经济上成功是指使用诸如移动设备、云计算、大数据分析、物联网、人工智能和机器人等技术来“通过新产品、新商业模式、新顾客、供应商和经销商关系建立竞争优势”。
以下是笔者基于IT产业、数字化转型和CIO议程网络直播编辑的2016年IDC预测版本。
数字化转型将达到巨大规模
在未来的三到五年,企业致力于大规模的数字化转变,产生DX经济的涌现。承认“大规模亲密的客户关系”这一看似悖论的术语,IDC预计这将是组织必须面对的最大、最为复杂的企业范围内DX倡议,需要一个基本的文化和运作转型。此外,企业将继续大力拓展客户群,并且不得不积极推出更具个性化的客户服务。
由于DX经济的定价之低令人沮丧,因此,必需扩大客户规模。IDC激励企业为“全球500万用户服务”。扩大客户群体以及如何与他们互动无疑会增加收益,维持市场份额。
Gens在IDC网络直播中指出:“IT支出由做全新的事情推动,而不是使用新技术做旧事情”。
每个公司将会成为软件公司
DX经济(大规模运营)将“主要由代码驱动”。企业增长和竞争的能力越来越取决于其数字化创新能力”——他们软件开发团队的规模和才能。DX经济中,“代码加数据等于创新”。
这使得“软件开发工程师”成为21世纪最具魅力的工作。企业将争相雇佣他们做这些至关重要的工作,而软件设计师的关键作用是创立新的、产生收益、提高生产力的应用软件;挖掘新技术(例如物联网)潜能;嵌入数据分析。
重新定义各种CxO角色和各项活动
在许多公司,CEO将直接参与数字化转变方案,以确保其成为公司总体战略的主要组成部分。CEO还会积极参与招聘最优秀的软件开发工程师,而且“必须明白作为科技公司需要极其大胆的声明”。业务线(LOB)高管将要管理软件开发工程师并必须擅长于技术管理。
CIO将必须适应他们以及他们组织越来越多面对市场的角色,同时也努力发展和维护公司内部关系,与业务主管合作,并深入到软件设计师工作的业务部门中。
新的管理职务,即首席数字官(CDO)是必需的,不过这可由精通商业的CIO来填补。CIO必须有IT转型计划,从作为基础设施的管理者转变为服务的提供者。当数字化转型忽视IT时,他(和CIO)能作为“真正的变革推动者”和“转化引擎”。
云计算将会是新IT
“云优先”将如同“云计算是企业IT化的新核心”一样成为企业IT化的新口头禅,IDC的Gens如是说。云端将会发现最“功能丰富的IT产品”。
具备先进DX方案的企业将建立行业云平台并且/或者与其合作,来扩大他们的数字化供应和销售网络。公有云市场将有重大的整合(减少到6个“大平台”),同时,行业云平台会快速发展。随着云平台、GE和其他在建中心的增长,建立创新团体、重新发明他们的行业和怎样大规模产生和扩散创新极为重要。
大数据变得更大
DX经济的成功将取决于建立鲁棒性“数据管道”的能力,在该管道中企业的数据双向流动。新的APP中嵌入数据分析(提供认知服务),并在未来数年中,顶级的最新投资领域出现在语境理解和自动选择下一个最佳动作功能两方面。公司将指望自己的数据赚钱,而且参与到“数据竞赛”中来推动创新。
IDC表示,掌握“认知”是必须做的事情,其建议2016年当务之急是机器学习,因为“在你行业中的很多初创公司已经使用它来对付你了”。
物联网将是DX经济的关键推动因素
在几乎每个行业中,物联网设备和解决方案都有可能重新定义行业竞争优势。IDC预计最活跃的物联网发展将围绕制造、运输、零售和医疗保健行业展开。
未来IT产业洗牌
其中,一部分今天重要的IT供应商将会被收购、兼并、缩小规模或者重新定位。在这种环境下,企业必须要不断地监控和评估他们供应商和合作伙伴所提供的解决方案,准备好按需调整这些关系。也许比任何其他经济部门更残酷的是,若在IT行业中玩,要么做出改变,要么消亡。
面对IT产业增长的波动性,IDC建议IT采购者增加在供应商/合伙人管理方面的投资,奉行公开和多源的策略,并想方设法分担风险和回报。
———————-
正如Gens在今年网络直播中提醒听众的一样, 去年IDC预言 “截止2018年前,每个行业排名前20的企业中的1/3会被已数字化转型的竞争对手瓦解”。当时,Gens奉劝所有行业的公司去“亚马逊化”自身,但也预言“亚马逊化”工作将会由亚马逊完成。
确实,亚马逊和其他天生的网络公司(也称为“数字原生代”),例如谷歌和Facebook,不需要“数字化转变”,他们定义了“数字化”。这引出一个问题:“DX经济”将由相对年轻的公司控制,从商业上讲,这些公司已经将其发展道路上的一切进行数字化转变,以“IT”作为他们的生意,而不是“功能”或者“服务”?
IDC预测,截止2018年,对于67%的全球2000强企业来说,数字化转变将是关键策略,并且截止到2017年,超过50%的IT预算将花费在新技术上。根据CIO调查,这意味着当下IT投资分配的空前地快速转变。仅举一个例子,德勤公司最近调查发现,在受雇于全球主要大公司的超过1200名高级技术高管中,仅有15%的CIO正投资新型技术,并且仅有16%的IT预算花费在“商业创新”。这与Gens声明的在未来数年“IT花费由做全新的事情来推动”形成鲜明对比。
在IDC预言中,有关DX经济的进展中可能存在的挑战和障碍,几乎没有任何参考。预言中所提及可能减缓快速转变(而未提及作为减速障碍)的唯一影响因素是隐私反弹和安全(而后者仅在物联网背景下)。
然而,这是商业的本质。预言者不会说模棱两可的话,谈论可能发生的情形,或者为什么他们的预言可能错误或者不现实。他们期望为给我们提供量化的确定性事情,并警告我们,如果不遵循这通往将来的唯一道路,我们将“陷入混乱”。不过,我相信,若把他们的预言作为一个伟大的当代传统智慧的总结,则非常有价值,并且还能作为讨论和辩论过去几年所发生事情的坚实基础。
IDC在占卜的水晶球中看到了DX经济,Garter公司则召唤出可编程经济(一个大量技术促成的传统价值交换概念方面的转变,允许个人和智能机器定义价值,并决定如何交换)。
行业分析公司(诸如IDC和Garter)期望告诉我们将来会是什么样子,以及他们所提供的商品。Tim Berners-Lee这样的发明家和创立亚马逊、谷歌、Facebook这样雄心勃勃的企业家,创造未来。然而,大多数情况下,将来是意想不到的,没有人能预测。
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