
避免大数据产业招商低端庸俗化
2015年,全国各地一批大数据产业园、数据中心建立,各地也在争建大数据交易所,大数据产业进入真正落地的元年。同时,工信部也正在研究编制大数据“十三五”产业发展规划,引导产业发展。
围绕大数据产业链和地方如何布局“大数据产业”,21世纪经济报道记者采访了参与大数据产业“十三五”规划制定的中国电子信息发展研究院电子信息产业研究所所长安晖,他认为,大数据的分析挖掘服务是产业核心中的核心,也是最具有商业价值的一部分。
他建议,地方政府不应该盲目夸大引入数据中心的作用,还是要优先引进以数据分析挖掘为核心业务的大数据产业体系,而不是把一些附加值较低的产业作为重点;其次,还是要做需求导向的招商引资,要和当地经济社会发展的实际情况相符合,要让大数据能够在当地实现价值。
大数据分析挖掘服务企业成长性好
《21世纪》:有人说大数据是未来的石油,发展大数据的价值在哪里?这些价值如何实现?市场对大数据的认可程度如何?
安晖:孙子兵法说,多算胜少算不胜。拿什么去算?其实就是靠信息,而数据就是信息的表现。掌握的数据越多,在处理能力与之匹配的条件下,对决策往往也就越有帮助。从大量数据中发掘出有用的信息,以及信息之间的关联关系,这是大数据的核心,也是大数据商业价值的最高端。
在这里我们可以把数据和信息等同,大数据产业对信息的加工就是对知识的加工,这实际上是知识经济的一种形式,知识经济的成果是非常有价值也非常容易变现的。市场对大数据的认可程度非常高,因为实际经营中企业需要这样的有用信息。
从数据的生命周期来说,可以将大数据企业分为数据的采集、整理、存储、分析挖掘和数据应用这几个部分,应用里包括数据的可视化。在这个生命周期里,每个方面都会涉及相应的软件、硬件开发和服务。数据的分析挖掘服务是产业核心中的核心,也是最具有商业价值的一部分,其他的可能跟传统的IT行业没有区别。
《21世纪》:你觉得目前国内整个大数据产业链上达到比较高产值的企业有哪些?有没有一些代表性的企业?
安晖:大数据行业的核心是数据的分析和挖掘,这实际上是一种智力型服务。过去为了提供一个完整产业链,往往把软硬件的研发生产、数据收集等行业都加入到大数据产业中去了,这就使得大数据产业的概念广了很多,不用发展大数据产业也有很多规模非常大的企业。需要注意的是,如果大数据产业发展的核心比如数据分析挖掘、可视化呈现,包括大数据应用的增长上不来,这样的规模毫无意义。我们认为这是一种大数据产业的“庸俗化”:产业链上肯定有低端的和高端的环节,做不了有知识性和服务性的高端环节,转而做低端环节,这实际上是产业的低级化发展。
从纯粹的大数据企业角度来说,国内现在确实有了一批专业从事大数据分析挖掘的服务型企业。可能短时间内其中还没有规模特别大的,但这批企业的成长性都非常好。
《21世纪》:现在国内企业的责任分工上下游关系是否清晰?或者都是数据的收集、储存、分析和应用一把抓?
安晖:大部分还是比较清晰的。比如我们和发改委一起调研过一家公司,这个公司就专门从事商贸大数据挖掘。在国外收集国外市场需求和价格的变化,把这些数据整理完之后卖给国内的出口公司。
国内还有一些整合数据服务和数据平台建设的公司。我国的数据产业还处在起步阶段,摸索怎么把散乱的数据整理好收集好,也是一个很重要的探路工作。
大数据中心不能做成“硬盘”
《21世纪》:包括贵阳、重庆、武汉在内,各地纷纷出台大数据产业规划,都提到引进大数据企业。一些大企业也将把数据中心建在贵阳,这样的数据中心建立对于当地意味着什么,有没有实际效果?
安晖:如果只是单纯地把数据中心放在一个地方,就像是放了一个硬盘在那,并不算高产值的产业。很多地方引进大企业的数据中心,实际上是想引进相应配套企业。地方政府希望相关数据加工处理业务等高附加值的业务也跟进入驻,而且能利用数据中心把相应的技术人才和产业公司聚集过来,起到“磁铁”的作用。
当然,从理论上说,随着大数据、云计算的发展,数据中心的建设可能帮助到未来智能终端、云端结合的发展,这有可能是一个方向。这种理论虽然各地都在发展应用,能不能实现、如何实现还在探索。
此外,针对整个大数据产业体系而言,如果说真的能做到大数据服务落户,对地方经济的拉动会非常明显。一方面大数据产业本身作为知识经济的一部分,它的业务是高增值性的。另一方面大数据产业的发展非常有利于其他行业的发展,有很强的正外溢性。举个例子,交通大数据如果在北京得到良好应用,日均拥堵时间能减少15分钟以上。
《21世纪》:很多地方在做交易平台,有中关村的数海交易平台、数据堂的datamall,还有武汉等地方政府的大数据交易平台。交易平台的建立对地方意味着什么?
安晖:地方能把大数据交易平台建起来肯定是好事。但我个人对一段时间内地方能不能建立起完善的市场化大数据交易平台持谨慎怀疑态度。比起建立平台,各地政府现阶段更应该推动政务数据的开放。要加快向服务型政府转型,特别是服务意识上的转变,要有政府数据的归属权属于全社会、数据是用来服务社会的意识,其他的标准拟定都是技术性问题,都不难。
《21世纪》:地方引进大数据企业需要哪些区位优势?在引进过程中有哪些需要注意的地方?
安晖:对大数据产业来说,目前被地方政府当做一种新经济业态,也是产业转型的重点。对于地方来说,发展大数据主要还是看其人才资源和应用需求。另外大数据产业不能独立存在,必须和各个行业领域相结合,所以要有应用需求。
需要注意的地方,首先要优先引进以数据分析挖掘为核心业务的大数据产业体系,而不是把一些附加值较低的比如数据中心的产业作为重点;其次,要做需求导向的招商引资,和当地经济社会发展的实际情况相符合,要让大数据能够在当地实现价值。具体来说,招进来的企业一定要和实际数据应用需求相结合,比如农业大省就完全没有必要引进工业大数据企业;第三,要警惕一些所谓的大数据企业,这类企业在面对地方官员时往往喜欢混淆大数据的概念,有的还片面夸大数据中心的作用。
还没有真正意义上的大数据交易
《21世纪》:目前大数据交易行业的标准怎么样?还有哪些规则待拟定?地方如何打造数据交易平台。
安晖:现在整个大数据行业还处在一个初期的、肆意生长的阶段,没有统一的官方行业标准。
交易平台和数据企业之间没有明确的界限。从研究者的角度出发,第一,大数据交易平台作为独立的第三方,不能参与数据的处理;第二,平台要负责制定行业规则,包括交易规范和数据标准等等各个方面;在行业规则制定完善的将来,则要负责监督和管理。就具体职责而言,首先是撮合交易,帮助数据需求方和供给方顺利进行交易;其次在数据进行交易时,对交易数据进行审查,不是去审查数据内容,而是确保数据的合法性,防止“黑数据”的出现。
目前大家都不知道该怎么做,我们还没有看到一起真正意义上的大数据交易,目前应该鼓励多做探索和尝试,边探路边完善规则。
《21世纪》:工信部信息化和软件服务业司组织召开了大数据产业“十三五”发展规划编制第一次工作会议。十三五规划会涉及哪些方面的内容?
安晖:第一,这是我国第一个关于大数据产业的“十三五”规划,将会对行业发展起到引导性作用;第二,有利于技术产品服务的创新;第三,推进大数据产业实现在重点行业的应用;第四,是制定相应标准规范。这些指导性意见的出台,对未来五年的大数据发展起到一定作用。我预计未来会在大数据资源开放共享、大数据交易、大数据安全、大数据标准、大数据行业应用等领域开展工作。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01