京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的变革思维
信息时代,数据深刻影响着银行的未来发展。在全球庞大的人群和应用市场下,探索以大数据为基础的解决方案,深入洞察复杂且充满变化的市场成为了企业提高自身竞争力的重要手段。仅凭直观感受,任何人都能感觉到大数据时代已经来了。
维克托 迈尔舍恩伯格——《大数据时代》一书作者,牛津大学网络学院互联网研究所治理与监管专业教授,英国新闻周刊《经济学人》曾经将维克托迈尔-舍恩伯格定义为大数据领域最受人尊敬的权威发言人之一。2010年,维克托 迈尔舍恩伯格就已经开始对该领域进行了系统而深入的研究,并在《经济学人》上和数据编辑肯尼思库克耶一起,发表了长达14页的大数据专题文章,成为最早洞见大数据时代发展趋势的数据科学家之一。
大数据时代的思维变换
维克托 迈尔舍恩伯格在《大数据时代》中最具洞见之处在于,他明确指出,大数据时代最大的转变就是,放弃对因果关系的渴求,而取而代之关注相关关系。也就是说只要知道“是什么”,而不需要知道“为什么”。这颠覆了千百年来人类的思维惯例,对人类的认知和与世界交流的方式提出了全新的挑战。
这本书的价值体现在三个方面:第一,关于大数据的思维变换,重在大数据变革时代的价值与观念变化;第二,关于大数据影响商业变革的三个要素:即数据、技术与创新思维之间的互动;第三,是关于大数据泛化下的治理与隐私。
与中国企业相比,美国企业知道大数据价值并且能挖掘大数据的隐藏价值,从而获得最大利益,可以说他们已经建立了大数据思维,从而促使他们不断创新挖掘更好的数据。“美国收集的数据要比我们多得多,他们不光搜集可以理解的数据,他们也收集不能理解的数据,并且会花大量资源来存储这些数据,让数据一直有价值。”在维克托迈尔舍恩伯格看来,大多数企业还把大数据作为一种在市场营销手段,但是大数据还可以帮助人们改变商业模式以及盈利模式,这才是大数据最大的价值所在。“美国与中国相比,最不同一点就在于他们有大数据思维,懂得如何利用大数据的价值,但这并不代表中国无法逾越美国,中国的优势在于掌握数据量比较大,而在大数据时代‘大’也是非常重要的。”
城市的发展需要大数据,没有数据的辅佐城市就不会得到最优化的发展方案,大数据能帮助政府领导者进行更好的决策,尤其是公共政策的决策。城市需要知道如何建立基础设施来收集数据,同时要利用大数据开拓思路,让数据来说话,并且借助多方力量,即便是大数据方面的专家,但是并不一定有最正确的决定或最有效的方法来利用大数据,所以政府在这方面需要多听取私人企业或机构的意见,大数据时代合作、沟通、广泛吸纳意见是非常重要的。
维克托 迈尔舍恩伯格以伦敦为例谈道:“伦敦政府其实是从一家私人企业买了关于人们交通模式的数据,让政府惊讶的是人们的行动路线跟他们想象的完全不一样,所以在这一方面的帮助他们更好的优化交通,包括高速公路、停车场,以减少城市拥堵。”
谁是大数据“赢家”?
大数据所面临困境并不在技术方面,而是在数据流动方面。大数据时代,一个人的智慧不能帮助我们更好的利用大数据价值,所以要让数据流动起来,让不同的部门和不同的公司都参与进来,进而优化数据。
“更多的人会认为大数据只是用在企业营销方面,但是如果让他们知道大数据可以帮助孩子更好的学习、更好的生活居住条件,以及能够解决城市交通、居住等问题,他们慢慢发现大数据的好处,他们就会关心大数据。”维克托迈尔舍恩伯格谈道,“一方面,人们要信任大数据,不要害怕大数据暴露隐私,需要建立完善的大数据保护。不信任就导致人们不愿意让其他机构知道数据,如果不能使用这些数据就更谈不上大数据的价值。所以只有让他们信任数据,才能挖掘大数据价值。另一方面,一定要接受大数据使用限制问题,不要赋予大数据过多的意义。”
维克托 迈尔舍恩伯格理解的大数据赢家,并不是指本来就已经很成功而且在大数据时代同样成功的的公司,“我认为大数据的最大赢家应该是一些默默无闻的公司,因为大数据而发生飞跃性的变化,所以大数据时代最大赢家不可能是那些已经掌握大量数据的大公司,而是新兴创业、年轻人来工作的小公司,帮助他们在大数据时代成为非常有竞争力的企业。所以数据好比一座金山,但是数据在那里放着,这座金山就不会属于你,我们需要做的是了解并挖掘这些‘金子’,成为大数据的赢家。”维克托迈尔 舍恩伯格如是说。
大数据是看待现实的新角度,不仅改变了市场营销、生产制造,同时也改变了商业模式。数据本身就是价值来源,这也就意味着新的商业机会,没有哪一个行业能对大数据产生“免疫能力”,适应大数据才能在这场变革中继续生存下去。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 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 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24