京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据走进繁华之后的企业应用磨合期
没有一个IT术语如大数据这般在瞬间被大家口口相传、每个人能说出所以然;也没有一个技术如大数据这般谁都能说却谁也不能说全;没有一个IT方案如大数据一样给予企业最美好的业务设想。大数据从国家层面到各行各业再到各个企业,都有其用武之地,甚至是未来发展的根基和法宝。
但是在被不断地认可之后,却总是有些隐忧存在。正如一个人处在巅峰时,受到的肯定愈多的时候,一定有很难被发现的弱点。大数据就是这样,被业界一片看好,从厂商到企业,大数据就这样用了很短的时间变得看上去很繁华。而繁华之后,其进入的应该一个是沉淀期。我们应该看到尽管大数据一再被肯定,但是其作为的成果并不多。尽管所有企业都知道大数据的好,但是去做的也不多。
只有小部分CXO拥护用大数据来加速转变
目前我们可以看到很多企业对于大数据的理解和应用都是相对简单的。而对于企业的高层来说,可能都知道数据的重要性,但是真正地借助大数据进行一些变革的并不多。
在去年,IBM在关于大数据的调研报告《分析:价值蓝图》中就指出,只有一小部分的高管(CXO)是大力用户用大数据和分析来加速决策制定和转变。其中的一个数据是,四分之一的CEO和COO率先提倡使用分析洞察。这是针对2013年的市场调研情况,这个比例比2012年增加了10%,但是却远没有达到一个繁华的状态。
所以其实从企业内部来说,可以认知到数据的重要性,但是并没有真的用起来。
这里面的原因有很多次,有整个产业发展成熟度的问题,也有厂商技术产品的原因。但是我们这里主要是具体到企业应用层面,这里主要是存在三方面的原因。
企业原始积累的数据并不能够足够支撑做相应的分析。大多数中国企业的信息化发展也是经历了相对粗放的过程,尤其在数据的积累上并没有做的很好。很多企业目前还是在整个相应的业务系统,以解决信息孤岛的问题。所以在这种数据基础上,企业还很难做相应的分析,更谈不上从数据分析中去创新了。
第二个方面原因是新获得数据的成本相对较高。很多说企业可以更加去了解自己的客户,知道他们所想、分析出潜在需求等等。但是对于多数企业来说,要去获得这些数据,人力成本和经济成本相对都比较高,所以更多的还是在观望状态。更多的企业是能把BI做清楚就已经很好了。
最后对于大数据的理解程度在企业内部也是层次不齐的。前面提到CEO和COO的主动性更强,因为这两个角色主要是站在业务角度。而大数据毕竟也会涉及到技术维度,这个主要是CIO层面。所以其实一个大数据项目要真正的在企业里进行,必然会触及很多部门,而每个部门的出发点和理解程度不一样,就相应地加大了大数据项目的开展。
所以,看到这些原因,我们会发现尽管大数据在声音上一片繁华,而真正在企业里的认知和应用才刚刚开始。而这种开始,我们更应该看到和挖掘的是一些典型的应用和最可能、最容易实现的领域,以大数据循序渐进地度过应用的磨合期。
大数据更加贴近个人服务层面
大数据和分析无疑依然会是2014年企业应用中最为热门的环节之一。调研机构Forrester刚刚发布的一个报告中就认为,企业客户将会更加主动地参与中国BI、大数据和分析领域的投资,尤其是银行/金融和零售组织机构。CIO们也必然会迎来关于大数据的众多讨论,其中包括大数据架构、预测性分析使用案例以及大数据相关技能和培训事宜。
而事实除了这种技术架构和技能层面的,对于企业而言,最核心的问题应该是找到大数据可发挥作用的领域。
Forrester提到的几个领域其实有个很大的共同点都会是与企业的终端个人客户体验有很大关系。而除了提到的金融、零售之外,事实像医疗、互联网这些领域,也会是大数据的爆发应用的行业,而应用的突破点应该就是在提高客户体验上。
在2013年的时候,我们也看到了一些这样的案例。比如IBM大数据方案在中网赛事中的应用,其一个很大的作用是提高个人网民对赛事的关注和参与度。另外更多的像我们之前提到的几个行业,一个很大的需求就是如果利用大数据提升客户体验。
比如金融行业,更多的传统金融机构的服务流程都相对比较复杂,这也是为什么互联网金融会给这个领域带来很大的冲击。因为现在的消费者更期待的是更加人性化、个性化的服务。
所以我们由此可以看到,之后大数据应用的大面积普及的突破点依然还是在这种直接对终端消费者的服务层面上。当然这种应用方向,对于企业原有的商业模式、工作流程都会是挑战。比如,原来企业的新产品设计的方向等可能更多取决于内部产品部的想法,而之后更需要做的是用大数据得来消费者的期待,然后再以此为根据去做相应的设计;而我们前文提到的,CXO的不同看法也必然是个挑战,CXO之间因为客户的导向而需要彼此磨合工作方式。
但是大数据全面进入企业应用,必然需要经历这样的磨合和沉淀,才能带来沉淀之后的又一次繁荣。
另外,对于一些相对传统的领域,大数据更大的作用是促进企业开始重视、整合数据,并对现有的数据有一定的分析能力,帮助企业更加了解自己、梳理业务流程。
因此总的来说,我们更认为大数据除了各种美好的设想之外,对于企业来说更应该是一步步建设过程。当经历了各种繁华的讨论之后,大数据在2018年应该走向的是企业应用的磨合期,磨合之后才会有更多的惊喜。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23数字化转型已从企业“可选项”升级为“必答题”,其核心本质是通过数据驱动业务重构、流程优化与模式创新,实现从传统运营向智能 ...
2026-01-23CDA持证人已遍布在世界范围各行各业,包括世界500强企业、顶尖科技独角兽、大型金融机构、国企事业单位、国家行政机关等等,“CDA数据分析师”人才队伍遵守着CDA职业道德准则,发挥着专业技能,已成为支撑科技发展的核心力量。 ...
2026-01-22在数字化时代,企业积累的海量数据如同散落的珍珠,而数据模型就是串联这些珍珠的线——它并非简单的数据集合,而是对现实业务场 ...
2026-01-22