
大数据大而无用
互联网的发展可以用数据来衡量,大数据被世界经济论坛称为是新的石油、新的资产类别,其革命性不亚于蒸汽机车、电网、钢铁、空调及无线电。
2005年 互联网的数据总量为 300 亿 GB,思科估计 2013年 的规模预计超过当年的 20 倍。1990年 代至 2005年 被视为是互联网的第一波浪潮,这波浪潮为我们带来了电子邮件、Web、网上搜索以及宽带。这第二波浪潮,就指望着大数据给经济提供动力了。
但有个小问题:尽管 Web 流量飙升,但经济正处于萧条期。得益于计算机和互联网的革命,自 1970年 代一直稳步增长且持续到 2000年 代的生产率,自 2005年 以来却出现下降,这正好是大数据冒出来的时间。
因此一些经济学家开始质疑,大数据是否具备第一波互联网浪潮的那种影响力,与几个世纪的工业革命更没法比。有一种理论认为,大数据业是通过调动现有企业为了客户进行竞争,从而让经济更加繁荣,而非创造新的根本性的机会。
当然,有些公司,如 Amazon 和 eBay 等的确是为客户而战。但其他的公司却在蚕食传统产业的市场,广告、媒体、音乐、零售等无一幸免。
明尼苏达大学的经济学家 Joel Waldfogel 认为,数字产业与实体界是此消彼长的关系,所以认为数字的崛起会给经济带来净增长是疯狂的。西北大学的经济学教授 Robert J. Gordon 则认为把大数据比作石油只是个噱头。上个世纪,石油让交通革命成为可能,如果有人认为个人数据堪比石油和汽车,那一定是没有体会到上个世纪的现实(汽车取代马匹,空运取代道路)。
但也有经济学家认为大数据的经济冲击只需几年就将到来—只要大学培养出相应的数据处理人才,并且数据驱动初创企业开始招兵买马。当然,衰退可能会以经济学家无法掌握的方式掩盖数据革命的影响。还有人甚至怀疑最终我们当前对大数据和 “云” 的理解框架可能只是一座海市蜃楼。
数据必须充分发挥经济潜力才有可能。当然,像营销、制药业现在每天都在大量应用数据。
masFlight 就是这样的公司。这家公司采用大量数据来帮助航空公司减少燃油消耗并改善总体性能。Josh Marks 是这家公司的 CEO,尽管他的第一个使命是帮助自己的客户与其他航空公司为了顾客而竞争,但他也相信像自己这类公司追求的效率最终应该能发展全球经济。
但他也承认,目前 Web 上大多数的裸数据流的经济价值有限:分析师手上掌握的,对特定行业有着深刻理解的专业数据有用得多。他认为现在对实时处理超大数据集能力的宣传有些言过其实。
有的经济学家认为,新技术的真正价值往往是很难评估的,大数据也许早已给经济带来好处了,只是没有算进官方的经济数据里。比方说,Hulu 上面的小猫视频和电视节目给网上冲浪者制造了欢乐,那么经济学家是不是应该想办法给此类无形活动评估一下价值啊?此类活动是不是推动了 GDP 的增长?
此外基础设施投资往往要花费数年才能回收。西北大学的经济学家 Shane Greenstein 说,1990年 的铺设高速互联网的投资也是在最近才开始获利。但是他也指出,相对于第一波浪潮对经济活动的影响,大数据革命带来的影响更难看清。这种影响有可能只是有延迟,也可能没有价值。
但是数字未来学家喜欢拿电网的崛起与之对比。其想法是无所不在的互联网让数据和 “云” 无所不在,就像插座让电无所不在一样。
数字的对比是诱人的。Harold L. Platt 在《The Electric City》一书中描述的 19 世纪末 20 世纪初芝加哥电力飙涨的情况令人马上联想到今天数据的增长。
但已经 68 岁的 Platt 并不同意这种简单的类比。他说电力给制造、家庭生活、交通、上层和底层社会带来的革命数据时代未必就能做到。
不过,在芝加哥那头通过手机接收采访的 Platt 发现自己也无法回避这股数据洪流。正打着电话的他收到了自己已成年的孩子发过来的短信。“我得短信回复他们,否则他们就不会回我。所以我也得随大流。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12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 ...
2025-09-04