
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23