
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
CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11