
大数据的大热潮催生出了现下很多新技术的市场,但真正的价值在于这些技术之间的相互连接、以及技术和工具与应用之间的连接,这种连接能让我们的工具和应用向终端用户传递更多的珍贵洞察。
据IDC预测,大数据分析及其相关的市场的复合年增长率达到26.4%,将在2018年发展到415亿美元的规模。实际上,IDC认为到2020年分析技术将成为所有国家经济增长的关键动力。
Teradata公司的SunilJose,他将说明大数据分析行业的现状、其发展的主要动力和挑战以及大数据在2016年的发展。
1.2015年大数据分析行业的状况是怎样的?现在大数据领域中的哪一方面还待改善?
大数据再也不只是代指数据量很大的数据,其实它是能够决定一家公司成败的关键要素。各类组织都开始意识到,采取大数据分析将能够改变游戏规则,它同样也是市场领先者和失败者之间存在的重要区别。2015年,整个印度市场以及当地的企业大体上都相信大数据能为IT组织带来便利,但整个市场却还未能确认大数据将为他们的业务功能带来哪些具体的便利。
然而,每个垂直行业中少数几个的顶尖创新者都在促成这件好事的发生,他们通过将大数据整合到现有的数据和分析生态系统当中,从而不断地为公司创造价值。当企业即将开始自己的大数据之旅时,考虑现有的计算能力是非常重要的。
如果在运行大型的低频工作的同时必须处理其他工作流,那么即使是对于最强大的系统,这仍然是一种消耗。企业应该勇于创新,因为大数据可以而且也能够改变所有事情。好的大数据工具组能够在最低成本、近乎于实时地提供可拓展、高性能的分析技术,满足商业用户不断增长的数据存取需要。
此外,数据自由化带来了新技术和新的数据采集方式,通过获取洞察支持决策制定、提高运营效率,开创了前所未有的新业务场景。
2.您能举几个例子,说说过去几年里大数据为哪些行业创造了价值、带来了改变吗?
2015年,大数据在客户、金融、风险管理和运营方面都崭露头角;2016年我们将重点关注这几个领域的分析技术。我们又再次强调了云技术,同时数据安全也成为了每个组织的必需品。此外,开源技术和移动商业智能将改变行业。最重要的是,预测性分析和规范分析将是下一颗冉冉升起的明日之星。
在2016年,我们将看到很多重要的发展趋势,比如多极分析、数据民主化、分析消费化、对物联网的更高关注,然而最重要的是,我们将看到分析技术将超越对事实的复述,而能够将多个有影响力的分析结果进行结合,推动人们的行动。
3.就您刚才说到的可能在2016年产生影响的关键领域,您能挑选几个详细说说吗?
接下来的一年里我们将看到大数据分析领域有很多大动作,这就包括:
云端的大数据分析:有分析师预计,由于我们已经在不断地产生并收集大量的数据,并且在不同组织及组织间不同的部门当中需求也在不断增长,未来的大数据将会是本地部署和云端部署的结合。
多极分析:根据数据类型和所需分析的不同,需要经过不同的流程和不同的场所才能完成数据的收集和分析。这个过程不仅关系到处于两级中的常规数据流,同时也需要联合分析,这样才能跨越组织部门创造连续的视图。
Connectionanalytics的商业价值:Connectionanalytics能够分析每个个体的行为以及他们与其他个体或群体间的联系。这种信息对于寻求向目标群体进一步推广产品和服务的企业来说具有非常关键的价值。我们也同样观察到,有越来越多的企业正通过社交媒体来突显他们的客户关怀。
虽然社交媒体分析并不是什么太新的事情,但正在重要的是在这些关键的平台上分析并理解消费者的行为——了解沟通的渠道是什么、跟消费者交谈的是谁、他们在谈论的是什么。
社交联系变得越来越复杂,用户数量也呈指数增长,它们共同向运算规模提出了挑战,为数据处理和结果解读带来了困难。数据的爆发实际上加剧了这种问题,不管现在的科技进步如何努力迎头赶上、引领潮流都无济于事。
“探索区域”的发展:客户不断在社交媒体上进行互动,公司就越来越需要不仅仅是记录这些对话,更要理解客户在网上的行为究竟如何。在2016年,高级分析和数据存储速度将带来巨大改变。数据存取的速度将保证信息的实时处理,从而保持公司的竞争优势。在印度和其他地区,对这项技术的需求预计将会稳步上升,最后逐渐发展为一个全新的数据研发和分析的枢纽,这个枢纽就是“探索区域”。
4.能分享几个Teradata在最近几个月里为了优化产品组合而做出的关键决策吗?
我们做出的关键而意义重大的决定都在大数据分析和物联网领域。我们专注于帮助客户以无缝对接且可拓展的方式,同时使用开源技术和我们的分析平台。我将提到几个我们最近做出的公告仅供参考。
Teradata的开源咨询公司ThinkBig是我们在去年收购的子公司。ThinkBig是第一家提供了综合的Hadoop管理服务的公司。在去年10月,Teradata宣布新加入两项软件功能,旨在帮助客户操作物联网数据。这两项功能分别是TeradataListener和基于Hadoop的TeradataAster分析。
接下来,Teradata还将把自己有名的数据库对接服务于亚马逊网络服务云(AmazonWebServicescloud)。这将是第一个针对公有云的数据库,它是从专有的硬件根系中研发出来的。正如迪纳研究公司的研究总监TonyCosentino所说,这将为Teradata带来更多的优势。
最后,今年六月,Teradata向开源的Presto社区做了重大投资。Presto是一套基于Hadoop的SQL框架,最初是针对Facebook开发,用来支持其大型数据仓库中的交互式查询。Presto可以利用Hadoop之外的数据存储进行查询,就包括NoSQL、关系型数据库和专有数据库。所以,Teradata将Presto定义为一款能对数据库查询进行快速应答的工具。
5.在未来的1到2年间,Teradata主要工作的方向在哪里呢?
Teradata正致力于开发开源的大数据技术,让各类组织能够更快、以更低风险地实现技术部署。今年,我们在好几个领域取得了重大进展,就包括Hadoop和其他数据库之间的数据交换。
同时,我们还为基于Hadoop的有效数据管理提供整合的大数据解决方案,这也是我们最关注的领域,在该领域当中的还有大数据存储应用、利用极致压缩、数据安全和数据治理。
我们正积极投资于大数据项目的安装及咨询的托管业务。重要的不仅仅是拥有技术解决方案,还要有为客户成功施行项目的技能。所以,我们在这一块做了非常重大的投资。我们还将继续支持多系统环境以及事件驱动的系统,来实现整个分析环境的有效监管、预警和控制。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-02