京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据正在改变经济意义
微软CEO比尔·盖茨说过:“信息流是企业的命脉,数字神经系统会使你以思考的速度经营商务,这是在21世纪成功的关键。”确如其言,21世纪的企业发展越来越凸显信息的重要性。如今的情形,并非是没有信息或者信息不够,而是经常表现为“到处是水却没有一滴水可以喝”。柯勒律治这句诗歌,正好用来形容如同宇宙大爆炸般飞速扩张的“数字世界”。建立在云计算基础上的大数据分析,成为了企业竞争和决策行为的焦点。
根据一项估计,人类历史上90%的数据都在过去两年中产生。2014年,国际数据公司预测,数据世界已增至4.4亿万亿字节。如果将如此庞大的信息量存储在苹果平板电脑ipad中,叠加起来的ipad的厚度可达到地球至月球距离的2/3。这预示着我们已经进入了大数据时代。
当传统的葡萄酒业遇上大数据,嘉露酒庄和IBM实现了双赢互惠。IBM有好几个智慧地球项目与水资源保护、城市超本地化天气预报有关,这些先进技术被运用到了农业经济学中,研究人员根据葡萄园在地温、种植方式、土壤类型等方面的差异实施积极有效的个性化管理,试点项目取得了令人鼓舞的效果。嘉露-IBM实验的成功,为数据收集与分析提供了灵感,并转化为行动,带来了可观的效益。大数据主义时代已经来临。
美国《纽约时报》资深撰稿人,媒体记者史蒂夫·洛尔,在其新著《大数据主义》中选择IBM作为书的主角之一,重点介绍该公司在大数据领域的发展历程。IBM通过推广“智慧的地球”实现了企业转型,在商业与技术的交汇处找到用武之地。IBM的成功表明,人们真的在利用数据引导决策活动,大数据正在改变经济的意义。在作者看来,大数据不仅是技术革新,而且将引发管理革命,大数据不再执着于因果关系,而是强调“万物皆有关联”。从数据中寻找相关关系,通过这种关系对未来做出预测,是大数据方法论的核心思想。大数据无疑为人类认识世界、解决问题提供了比传统更全面、更周密的视角,可以帮助人们更容易看清事物的复杂性,并通过分析采取更高效的行动。
作者提出,煤、铁和石油是推动工业革命进程的三大生产性资产,而信息经济时代的主要原材料则是大数据。《大数据主义》有见地的解释了大数据技术如何引发一场新的革命,并促进新一轮经济效率的提高和创新。互联网规模的海量数据集将被用于几乎各个领域、行业和企业,探索、预测和提高效益。作者还进一步探讨了新技术革命如何改变人类决策方式——人们更加依赖于数据和分析,而不是直觉和经验;同样,大数据还将改变领导力和管理的本质。
史蒂夫·洛尔的日常工作包括负责撰写《纽约时报》的科技博客Bits,因此他的文风通俗平易,十分适合大众阅读。他围绕自己长年任职编辑、记者期间采访的代表性人物和知名公司,通过突出典型、以点带面的样本分析方式,清楚地传达了“大数据主义”理念。该书主角除了IBM,还有一位年轻人——杰夫·哈梅巴赫。《大数据主义》既像一部大数据代表人物杰夫?哈梅巴赫的成长史,又像一本关于大数据进军不同领域的评论著作。作为大数据主义思想的典型代表,通过哈梅巴赫在脸谱网、Cloudera等公司以及医疗领域职业生涯的变迁,不难看出数据技术与方法不断发展的步伐。哈梅巴赫率领的团队,帮助企业使用Hadoop分析庞大的数据,并宣称“把数据给我们,我们来管理”。史蒂夫·洛尔通过IBM和哈梅巴赫两个典型案例以及书中涉及的微软、乔布斯、谷歌等企业情况,运用流畅的语言生动揭示了大数据对于企业发展的特殊意义。
本书的更大亮点是,强调了大数据的主题是决策行为。信息资源的价值在于充分利用,而如何利用又取决于人的决定。这个观点将本书作者从“唯技术论”中解脱出来。作者提醒了计量方法可能存在的局限性。声音过于嘈杂,容易让人致聋。那么,到底哪些数据是有意义的?计量必要性与计量短视性间会产生冲突和矛盾。作者并不讳言数据分析可能导致的失败。例如,金融领域采用数学模型的危险性在次贷危机中已经暴露无遗。作者认为,虽然决策活动对数据与分析的倚重与日俱增是大势所趋,但同时,我们还要让常识发挥应有的作用,经验与直觉仍然在决策中占有一席之地,而好的直觉又往往建立在大量数据的综合基础之上。此外,还必须时刻警惕,云系统并非多数人想象得那么可靠,一旦其脆弱和不稳定性导致事故,就可能像病毒迅速扩散,难以挽救。而且,企业收集信息过程中,对个人隐私的侵犯以及道德伦理上的各种争论,仍然是大数据经常被诟病支出。奇虎360公司董事长周鸿祎提醒道,“大数据时代带来一个非常重要的挑战,就是安全的挑战。平衡好大数据应用与用户隐私之间的关系,应该成为企业关注的焦点。本书在向我们展示大数据的商业前景和经济潜力的同时,也提醒我们警惕伴随大数据而产生的隐私"黑洞"”。
思路决定出路,眼光影响成败。如何应对迎面而来的大数据时代,企业需要考虑很多问题:数据采集的渠道够广吗?数据关联能不能找到规律?决策方向是不是正确?企业行为有没有到达公众容忍边界?企业能不能在实现个体利益的同时做到普惠大众?在可预计的未来,这些都将很快成为普遍的企业生存法则。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12在数据分析日常工作中,Excel数据筛选是数据清洗、数据提取、样本筛选的核心基础操作。传统Excel手动筛选、函数筛选方式,面对多 ...
2026-08-12 很多数据分析师精通Excel函数和数据透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么 ...
2026-08-12在数据分析、统计建模、数据挖掘与商业调研过程中,原始数据往往无法做到绝对干净规整。受系统故障、人工录入失误、设备误差、突 ...
2026-08-11在数据分析工作中,聚类分析是典型的无监督学习方法,核心作用是依据数据自身的多维特征,将相似样本自动划分为若干类别,实现“ ...
2026-08-11 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-11AB实验是互联网产品迭代、营销优化、功能升级的核心科学验证手段,通过流量随机分组、对照组与实验组对比,科学验证策略、功能、 ...
2026-08-10在MySQL数据库优化中,索引是提升查询效率、降低数据库IO开销、优化系统性能的核心手段。普通单列索引仅适配简单查询场景,面对 ...
2026-08-10 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-08-10在数字化市场调研体系中,大数据与小数据是两类核心调研数据形态,分别对应海量行为统计与精准样本深度调研。行业普遍存在认知误 ...
2026-08-07数据透视表是Excel、WPS中最核心的数据分析工具,凭借快速汇总、分组统计、动态筛选的优势,被广泛应用于销量统计、业绩复盘、数 ...
2026-08-07 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-08-07在商品销量、市场需求、营收规模等业务数据中,季节性波动是最普遍、最核心的数据特征。零售快消、食品餐饮、家电服饰、电商行业 ...
2026-08-06在流量红利消退、市场竞争白热化的商业环境中,传统依托经验、跟风投放、广撒网式的营销模式,逐渐暴露出成本高、精准度低、转化 ...
2026-08-06