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
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