京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据代表未来,投资力度增强
大数据以“降低信息不对称和提高决策有效性”为目标,可广泛作用于几乎所有行业,必将掀起一场新的革命。目前,大数据已经迎来了高速发展的黄金成长期,我们看好其发展趋势,推荐投资者提高对其中孕育机会的关注度。
从源到流看,大数据涵盖数据入口、数据融合处理、数据应用三个过程;按照物理分层,大数据又可以分为硬件、基础软件、应用软件和信息服务四个维度。每一个细分领域都正在不断演进,存在不少问题也孕育着巨大的机会,万千创业者不断地寻找着新的突破口。
目前制约大数据更好更快发展的主要问题有以下几点:
一是数据的归属权不清晰,各家数据资产型企业私密占有平台数据,制约着大数据的融合及发展;
二是数据有效性将直接影响到大数据的应用水平,从源数据到分析样本的采集过程需要大量人工干预;
三是配套软硬件成熟度不够:适宜处理海量数据的数据库软件尚未成熟,私有云的普及程度也不高;
四是数据尚未获得真正意义上的定价和产业化。
基于对大数据的研究,我们判断,未来3-5年的中期投资思路主要包括新数据入口、新模式、数据融合处理和商业智能4个方面。其中,新入口方向推荐关注新型人机交互模式的可穿戴设备、准入门槛低并找到了硬需求作为切入点的智能家居、基于食药品生产追溯的物联网等相关企业;新模式方向推荐关注针对新入口的底层统计公司、“以免费服务获授权数据”和“有偿返还数据给用户”三种可能的创新;数据融合处理方向推荐关注针对金融业务的征信创业及私有云相关企业;商业智能方向推荐关注对细分行业有深刻理解的大数据应用软件及SaaS云服务供商。综合标的数量、确定性、所需投入和价值等因素考虑,重点推荐针对细分行业的大数据应用软件和SaaS云服务提供商、私有云解决方案提供商,追踪关注新入口的发展,并发掘相应的底层统计公司(类似针对移动应用的友盟)。
大数据代表未来
1) 环境驱动
数据产生成本逐年下降,政府和企业对大数据的投资力量日益增强,新的数据源正不断产生并壮大,大数据蓬勃发展的外部环境因素已经成熟。
成本逐年下降
根据IDC的判断,数据产生成本是符合反摩尔定律的,即数据产生成本大概每两年下降一半;而这一趋势,最起码会持续到2015年。
大量新数据源
互联网世界完成从Web1.0到web2.0的过渡,移动互联网日趋成熟,物联网长足发展,高粘性、强(实时快速)互动性、去(弱)中心化、全民媒体等特征明显呈现,线上与线下深度融合,各种(人人、人机)交互的网状结构更加复杂与饱满,全新数据源层出不穷。
各种电商平台、O2O入口、电子支付平台等的发展,让我们可以捕捉到海量的商业交易活动行为痕迹;同时,SNS、自媒体、LBS 技术等的高速发展可以较好地呈现不同主体的关系链、偏好、兴趣、习惯等信息;前述两者共同让面向主体的识别与判定变得更加容易和精准;娱乐、媒体、医疗保健、视屏监控、物联网等则让我们进一步加深了对自己和环境的理解。
投资力度增强
从国家层面看,2012年3月9日,奥巴马政府投资2亿美元启动“大数据研究与发展计划”,希望增强手机海量数据、分析萃取信息的能力。预计欧盟、中国等主要经济实体也很可能跟进出台相应引导政策。在公司层面看,Google、微软、IBM、Oracle与BAT等国内外巨头均加强了在大数据相关领域的布局。根据麦肯锡预测,到2015年跟大数据相关的全球投资总额将增加到5.2万亿美元。
2) 需求驱动
我们认为整个人类都一直并将继续面对和突破四个约束——能源约束、信息约束、智慧约束和审美约束。其中,能源约束指人类生存、改善、发展所需的材料和泛能量之总和,能源是一定的,总量取决于人类的活动半径,利用水平则依赖于智慧和信息;信息约束指人类做决策所需要的非实物形态、非价值观和方法论的信息(具有一定一次性的特点)总和,信息正通过监测、取样、记录、保存而不断生成和更新迭代;智慧约束指人类生产或决策所需要的价值观、方法论等信息综合处理研判能力及知识,智慧通过人类不断的探索、试错行为产生新信息并再处理、再研判、再探索的行为而更新完善,并指导未来的决策;而审美约束0则指不同实体的亿万条效用曲线的共性和个性,在短期审美不易改变,很大程度作为人类思考和行为的指南针,长期则也会受智慧及信息影响而缓慢变迁。在这四个约束条件的共同作用下,人类通过不断探索、试错去寻求改善,从一个个旧的稳态发展到一个个新的稳态和帕累托均衡,以终为始,周而复始。
海量的,多种类的,以前没有或无法获取但正源源不断生成的大数据将直接而迅速地在较大程度突破信息约束,为突破智慧约束提供了广度和深度都前所未有的素材和原料;而“大数据”另一个特征——速度(信息快速处理能力)又能帮助我们在现在和不远的未来将这些素材和原料进行有效提取与再加工,形成知识演进和智慧积累,加快对智慧约束的突破;并指导我们更好的发现自己(审美约束,即亿万条效用曲线),理解和开发环境(能源约束),提高行为有效性。
因此,大数据直接而深度的影响信息约束和智慧约束,并间接的影响到能源约束和审美约束,我们认为他非常深度的契合了人类发展的需求,从需求层面讲必然代表未来的方向。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13