
当“大数据”落地,当技术接轨商业
这些书中,公认的以舍恩伯格的《大数据时代》为“国外大数据系统研究的先河之作”、“迄今为止关于大数据最好的一部着作”,那么,在众多所谓的“《大数据时代》之后必读之作”的书单中,大卫·芬雷布的《大数据云图》则更胜一筹、实至名归。它开启了大数据从理念启蒙到商业应用的时代,而身为作者、同时也是大数据集团(Big Data Group)创始人的大卫?芬雷布的被业界誉为“大数据商业应用引路人”.究竟,他指引了什么,贡献了什么?
首先就是“大数据云图”(Big Data Landscape),这也是中文版的书名(英文原版书名Big Data Demystified,直译为“掀开大数据面纱”)。为了让更多人理解大数据,并从中得到启发和受益,芬雷布和他的合伙人通过对包括网络科技新贵、传统商业巨头在内的数百家公司进行了跟踪、评估,绘制了一幅大数据领域应用全景图,也就是着名的“大数据云图”,而且每隔一定周期进行更新。通过它,我们可以知道现有各家企业在大数据领域扮演了什么角色,做了什么,以及有哪些空白等待后人去填补。也就是说,大数据的商机在哪,一看云图便知。随着“大数据云图”的广泛流传,大卫·芬雷布声名鹊起,找上门的咨询业务也络绎不绝。于是,芬雷布就从早先的“科技创业者”(他先后创办数家科技公司,很多被大公司收购)一下子变成了“科技引路人”.
其次在于“可视化”,芬雷布提出,它是“数据中发掘机遇的重要工具”.这一点有别于一般的大数据着述。在芬雷布看来,将信息可视化能有效抓住人们的注意力。“有的信息如果通过单纯的数字和文字来传达,可能需要花费数分钟甚至几小时,甚至可能无法传达;但是通过颜色、布局、标记和其他元素的融合,图形却能够在几秒钟之内就把这些信息传达给我们”.可视化是压缩知识、传递信息的一种方式。芬雷布提到了“数据界的达·芬奇”的爱德华·塔夫特,后者早在20世纪出版了《定量信息的视觉展示》一书,而该书就是“以视觉方式传递数据信息”的经典着作。而芬雷布专门花了一章的篇幅阐述“数据可视化”,其意义在于,强调了大数据理性之余的感性一面。事实上,大数据界的许多观点显然偏离了这点,常常倒向模型、算法、数学这一边。芬雷布的这一观点与IBM等业界英雄所见略同,而从理论上的“数据可视化”到实践中的“大数据云图”,芬雷布走在了前面。
不过,仅仅有方法论是不够的,首要的得在观念和思维上有所改变。例如维克托·舍恩伯格在《大数据时代》中要人们在逻辑上放弃“因果”转而“相关”,冯启思在《数据统治世界》里在统计学上提出要“关注异常值,而非平均数本身”(特别是小概率的力量)。在《大数据云图》中,芬雷布将“大数据”推向了极高的位置,视其具有决定下一个大机遇的重大战略意义。他说,数据、算法和速度让计算机能作出更好的决策和预测,从商业到生活甚至到飘忽不定的感情,一切都可以分析。
基于大量实证案例的支撑,芬雷布完全有这样的乐观和自信看待大数据的未来。在书中提到的许多公司应用中,不难发现在研发设计到管理销售,从教育、医疗到电子、汽车再到音乐、建筑,大数据的影子无处不在、并且发挥着不可忽视的作用。而像亚马逊、谷歌、IBM、Facebook、LinkedIn、Twitter、Netflix等公司对大数据的应用已经习以为常、开始得心应手。例如作为社交网络巨擎的Facebook 使用大数据来追踪用户在其网络的行为,通过识别你在它的网络中的好友,从而给出新的好友推荐建议,用户拥有越多的好友,他们与 Facebook之间的黏度就越高。更多的好友意味着用户会分享更多照片、发布更多状态更新、玩更多的游戏。像商业社交网站LinkedIn则使用大数据在求职者和招聘职位之间建立关联。有了LinkedIn,猎头们再也不用向潜在的受聘者打陌生电话来碰运气,而可以通过简单的搜索找出潜在受聘者并联系他们。与此相似,求职者也可以通过联系网站上其他人,顺利地将自己推销给潜在的雇主。可以这么说,现在业界对于大数据的认识可不再是“数据大”或者Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)的“4V”这么简单、表面化了。大数据“真的”广泛进入商用。至于对比舍恩伯格《大数据时代》中提到的应用实例,《大数据云图》更新颖、更前沿、更接近正在发生的未来。
不仅如此,除了“大数据将影响所有方面”外,大卫·芬雷布至少以下两个观点值得注意。第一,他认为下一个获得重大发展的是在应用领域,这个领域通过各种技术的手段,能够真正的把数据变成生产力。过去的几年中,大部分的投资都是在数据基础设施方面,未来人们会看到在应用层有更大的发展。第二,他介绍自己喜爱铁人三项运动(游泳、骑车、跑步),平时通过技术手段,将自己在整个运动过程中产生的数据进行搜集和分析,这里面包括了运动过程中的热量、心率、运动的轨迹、跑的长度等,然后不断自我优化、自我提升。通过这个现身说法,芬雷布实际上指出了可穿戴智能设备对大数据应用的推波助澜的作用。这也可以理解为,下一步移动互联时代,大数据是随时随地的、无时无刻的。商家通过把越来越多的移动端放到消费者的手里,更好的了解消费者在移动端和各个场景中的消费习惯。这意味着,在未来几年中,大数据与移动终端、与云计算的结合,将会孕育更多的商机,会有更多的新的创业者在这个方向开创出新的企业和事业。对此,在《大数据云图》中,专门有一章就叫“谁是下一个上市的数十亿美元项目”.
当“大数据”落地,当技术接轨商业,芬雷布向我们展示了一场已经发生而且将影响深远的商业变革。对于读者而言,应该心领神会:在理想情况下,企业应当具备一种能够让数据分析贯穿于整个组织的视野,分析应该尽可能地接近实时。通过观察谷歌、亚马逊、Facebook和其他科技领袖企业,我们看到了大数据之下的无限可能--当务之急,现在需要做的就是让企业尽快融入大数据战略中。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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