
如何面对“大数据”
面对大数据,必须拿出鲜明的态度。我们不能做一个事不关己的旁观者,至今没有关于大数据的相关规划甚至明确定义。当“大数据时代已经来临”的论调日渐喧嚣时,我们不能只进行概念炒作,使这一仍然朦胧的产业“未富先老”。
对于大数据的描述,没有比阿尔文·托夫勒更浪漫的了:大数据是“第三次浪潮”的华彩乐章。作为一名颇有成就的未来学家,早在上世纪80年代他就作出了这样的预言。然而,大数据真正凸显自身价值,却是在互联网大行其道以后,再准确一点说,也就是这两年,大数据才在全球范围内“火”了起来。
与智能手机、3D打印这些可以亲身体验的划时代产品相比,大数据显得虚无缥缈、难以捉摸,但从未来前景预测,大数据给这个世界带来的改变,或许会更大、更难以想象。
大数据的横空出世,有赖于短短几年出现的海量数据。据统计,互联网上的数据每两年翻一番,而目前世界上90%以上的数据都是最近几年才产生的。当然,这些海量数据仅仅是“大数据”概念的一部分,只有具备4个“V”,也就是Volume(海量)、Velocity(高速)、Variety(多样)、Value(价值),关于大数据的定义才算眉清目楚,而最后一个“V”大数据在具体应用中实现怎样的价值,恰恰是决定其未来走向的关键。
在大数据发端的美国,一些大型企业已经在利用数据赚取利润。沃尔玛存储着数千家连锁店在65周内每一笔销售的详细记录,通过分析购买行为了解客户;eBay通过购买网页搜索的关键字,精确计算出每一个关键字为eBay带来的投资回报,五年内广告费用降低99%。在国内,一些互联网企业也在主动拥抱大数据,凡客诚品将自己定位为一家“数据公司”,专门成立了数据中心;百合网分析注册用户的年龄、地域、学历等数据,形成独有的商业模型。
那么,此情此景是否真的表明,大数据时代已经到来?这恐怕是一个过于乐观的判断。
目前涉及大数据的企业,多是在数据利用上单打独斗,而大数据时代到来的重要标志,应该是大批专业级“数据买卖商”的出现,以及围绕数据买卖形成的,贯穿于收集、整理、分析、应用整个流程的产业链条。
至少从目前来看,要从大数据这个藏量巨大的金矿中淘到金子,并没那么容易。但一个令人振奋的事实是,经过一些先行者的不懈探索,大数据这一“华彩乐章”正发出日益恢宏的回响。
IBM、甲骨文、SAP近年纷纷斥巨资收购数据管理和分析公司,这些互联网巨头这么做的原因只有一个:唯有将海量数据进行有效处理和分析,才能向客户提供有价值的东西。在它们带动下,数据分析技术将日渐成熟,从而围绕大数据逐步形成一个极其庞大的新市场。
巧妇难为无米之炊,掘金大数据的首要一点,还是谁拥有更多、更有价值的数据。社交网络、移动互联网、信息化企业都是海量数据的制造者,脸谱公司手中掌握着8.5亿用户,淘宝注册用户超过3.7亿,腾讯的微信用户突破3亿,这些庞大用户群所提供的数据,正在等待时机释放出巨大商业能量。
由此可见,在必然到来的大数据时代,有两种企业将在“大数据产业链”中处于重要地位,一是掌握海量有效数据的企业,一是有着强大数据分析能力的企业。
我们完全可以预测,在不久的将来,脸谱、腾讯等海量数据持有者要么自我延伸成为数据分析提供商,要么与IBM等企业密切对接成为上下游合作企业,大数据产业链将在某个爆发时点到来之际,以令人惊讶的速度成长壮大。
实际上,大数据不只互联网企业在唱独角戏,制造、销售等各领域企业都将受到大数据深远影响,先知先觉者已主动融入其中,例如海尔就利用阿里巴巴的数据分析用户喜好,实现电器个性化定制。我们毫不怀疑,大数据将对现有商业思维进行新一轮颠覆,未来企业最为核心的竞争力,或许不是人才,不是商业模式,而是对大数据的掌控分析能力。
面对大数据,必须拿出鲜明的态度。当美国奥巴马政府已将其上升到国家战略时,我们不能做一个事不关己的旁观者,至今没有关于大数据的相关规划甚至明确定义。当“大数据时代已经来临”的论调日渐喧嚣时,我们不能故伎重演,大肆进行概念炒作,使这一仍然朦胧的产业“未富先老”。
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