
国内大数据应用潮起,发展形势稳好
大数据是继云计算、物联网之后IT产业面临又一次颠覆性的技术变革。权威数据显示,2012年大数据对全球IT开支直接或间接推动达960亿美元,而到2016年,这一数字预计将达到2320亿美元。据国内有关机构初步预算,未来中国大数据潜在市场规模有望达到近2万亿元,将给IT行业开拓了一个新的黄金时代。
分析人士指出,大数据时代来临,行业变革才刚刚开始,未来前景广阔。就目前发展来看,国内对大数据的应用领域还较为狭窄,主要集中在金融、物流、公共等三个领域。
公共领域:
交通司法等行业领衔大数据运用
目前我国在公共领域对大数据的运用主要集中在电力行业、智能交通、电子政务、司法系统等四个方面。
电力行业:大数据对该行业的应用主要体现在智能电网上,通过获取人们的用电行为信息,智能电网能够实现优化电的生产、分配以及消耗,有利于电网安全检测与控制(包括大灾难预警与处理、供电与电力调度决策支持和更准确的用电量预测)、客户用电行为分析与客户细分,电力企业精细化运营管理等多方面,实现更科学的电力需求管理。
智能交通:交通运输部今年7月份下发通知,将对公共交通信息化应用系统建设、相关支撑系统建设、数据资源与交换系统建设提供资金支持。在政策利好支撑下,可以从以下三方面掘金智能交通领域。一、从事城市交通系统建设、高速公路信息化建设等领域的上市公司。
电子政务:通过政府信息化,大数据能够提高政府决策的科学性和精准性,提高政府预测预警能力以及应急响应能力,节约决策的成本。以财政部门为例,基于云计算、大数据技术,财政部门可以按需掌握各个部门的数据,并对数据进行分析,做出的决策可以更准确、更高效。另外,也可以依据数据推动财政创新,使财政工作更有效率、更加开放、更加透明。
司法系统:公安市场大规模的信息化和装备投资产生了海量的非结构化数据,公安的实战应用是大数据的重要应用领域。
金融领域:
大数据所带来的社会变革已经深入到人们生活的各个方面,日常的出行、购物、运动、理财等等。金融业面临众多前所未有的跨界竞争对手,市场格局、业务流程将发生巨大改变。未来的金融业将开展新一轮围绕大数据的IT建设投资。
据悉,目前,中国的金融行业数据量已经超过100TB,非结构化数据迅速增长。分析人士认为,中国金融行业正在步入大数据时代的初级阶段。优秀的数据分析能力是当今金融市场创新的关键,资本管理、交易执行、安全和反欺诈等相关的数据洞察力,成为金融企业运作和发展的核心竞争力。
目前,以大数据为代表的新型技术将在两个层面改造金融业。宏源证券表示,一是金融交易形式的电子化和数字化,具体表现为支付电子化、渠道网络化、信用数字化,是运营效率的提升;二是金融交易结构的变化,其中一个重要表现便是交易中介脱媒化,服务中介功能弱化,是结构效率的提升。
伴随着大数据应用、技术革新及商业模式创新,金融业中的银行和券商也迎来巨大的转变。此外,腾讯、阿里巴巴等互联网企业也在凭借其强大的数据积累和客户基础,进军金融业,开拓新的盈利点,这也成为金融产品在线销售的一大推动力。
从银行业来看,业内人士表示,互联网环境改变了金融客户的行为习惯,并且促进交易信息透明化,交易成本显着降低。此外,交易行为和信息数据的掌握方拥有更多的话语权。在互联网技术的推动下,金融行业、互联网行业之间的界线日渐模糊,行业融合日渐深入。
数据显示,2012年年末,四大行网银客户数量已经超过了4.3亿户,招行个人电子银行交易替代率达到了90.66%。交通银行电子银行分流率现已超过76%,而三年前的这一比例还在50%。
从证券业来看,分析人士认为,互联网证券并不是传统证券行业在互联网上的外延化扩张,它将会借助网络技术打造出新的网络证券模式,颠覆性地改变券商的传统经营模式。
在大数据的冲击下,券商现有的业务将各有进退。经纪业务首当其冲,将最先面临转型压力。另外,投行通道中介重要性逐渐衰弱,历史上作为投行收入核心的IPO业务利润贡献度将有所下降。还有,券商资管的下一个爆发点在于集合理财业务、资产证券化和信用业务。大数据将进一步加深资管业务的精细化和专业化,助力这些板块获得新的突破。
总之,随着大资管时代的来临,证券、基金等金融机构迫切需要打通渠道通路,平衡渠道体系格局,低成本高效率的网络渠道有助于帮助证券、基金实现这一目标。
大数据将给各行各业带来变革性机会,但真正大数据运用仍处于发展初级阶段。据美国麦肯锡咨询机构在其一份关于大数据研报中指出,大数据已经对美国健康医疗、欧洲的政府公共管理、个人位置数据、美国的零售业及制造业等五个部门产生了重大的经济影响,其中在公共管理领域,每年产生约2500亿美元(约合1.54亿元人民币)的潜在价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03