
大数据公司如何从大数据中获取价值
大数据公司该如何从大数据中获取价值
在人们意料之中,大数据产业在今天上升到了很高的地位!
8月6日,工信部的消息显示,大数据产业十三五规划编制工作已正式启动,日前已在工信部信息化和软件服务业司组织下,召开了规划编制第一次工作会议,成立了规划编制小组,讨论了规划编制工作方案、规划草案、任务分工、近期工作安排等。
大数据产业的未来,越来越值得人们期待。但如何从大数据上获取价值,却是一个很让人头疼的问题。
就在前几天,笔者读到一段很“不合潮流”的话。在一次演讲中,华为轮值CEO徐直军表示:“华为不是一个数据公司,不经营数据,永远不从数据上获取价值。而是与更多和合作伙伴一起来保护我们客户的数据,使客户数据更安全,解决客户面向未来的问题,使客户真正实现信息化!”
对于他的说法,我是持怀疑态度的,甚至感到他说的很不严谨。如果从文字上细细琢磨的话,对客户数据的保护其实也是一种对大数据的利用,保护大数据带来的价值,也是大数据的变现。大数据时代的安全防护,难道不也是一种产业分支吗?在别人利用客户大数据发广告的时候,你保护了这些大数据,除非你是免费的,否则怎么会没有价值产生?即便是360的免费杀毒,也在别的地方产生价值了。华为的大数据,又怎么能独善其身?
很显然,没有人可以游离于大数据的价值之外。不再搞一些文字方面的纠缠了,其实我举徐直军这段话的目的,无非是想说明这一点:“大数据,不经意间就会产生价值。”于是,再回到一开始那个问题:“大数据公司该如何从大数据上获取价值?”
对于这个问题,一直以来我个人的观点是这样的:“第一,大数据必须要利用,否则就是浪费,同时弃之不用也对我们的发展不利。第二,大数据的利用要遵循三个原则,一是不能以影响用户体验为代价,二是不要采取非法手段去牟利,三是应该确保大数据的利用是在绝对安全的前提之下,或者最大限度的安全之下。第三,大数据要有公众监督,不能暗箱操作,要有透明性。”
我之所以持有这样的观点,是因为这几个问题是目前外界对大数据比较关注但也很容易被忽视的问题。目前,人们纠结于利用或不利用大数据,却忽略了怎么用,怎么好好的用,怎么用好。虽然目前大数据还没有做到真正的商业化,但之前一些关于大数据的“警报”却必须引起我们的重视,比如社保信息泄露,比如某些电商的信息泄露等等。
对于我的问题,以及这几个观点,笔者向大数据解决方案提供商成都数之联科技CEO周涛请教。周涛是这样回答我的。
关于大数据本身,他认为,“大数据”是“数据化”趋势下的必然产物。数据化最核心的理念是:“一切都被记录,一切都被数字化”。
对于这个观点,我是赞同的,因为这就是大数据的本质。“天空没有留下翅膀的痕迹,但我已经飞过”,这只是诗歌,不是现实。
对于如何从大数据上获取价值,周涛认为:“对此,我们要做得是1,解决‘信息过载’的问题,即通过自动化、规模化的方式为每一个用户找到他感兴趣或者需要的信息;2、从非结构化的数据中挖掘出价值,甚至在尽可能少损失有价值信息的前提下将其结构化;3、在数据隐私和安全得以保障的前提下,从关联的数据中挖掘出‘一加一远大于二’的价值。”
周涛的观点,应该是从企业角度来说的。按我理解,应该是这样三个应用步骤:“一,如何提取大数据;二,如何优化大数据;三,如何合理利用大数据。”说的虽然简单,但很清晰。尤其是“一加一远大于二”的说法,很有启发性。
不过,对此我还有几点疑问:“第一,提取大数据的方法有了,但大数据的主人是否愿意让企业提取呢?比如,我购买商品,留下了我的信息、地址甚至电话,这些我是不愿意让别人提取的。第二,大数据优化的过程中,有价值的信息留下了,但那些在商家眼里无价值的信息怎么处理?一旦所谓无价值的信息被遗弃,最终落入别有用心的人手里,那会怎么样呢?”同时,我还有一个宽泛一点的问题,大数据的安全该如何保证呢?
真正的物联网时代还没有到来,但已经近在咫尺,大数据公司该如何从大数据上获取价值,这是个必须要思考的问题。对于我的问题和忧虑,我很希望周涛或者是其他的行业人士能给我一个解答。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23