
大数据分析能力与企业市场份额关系
如今,大数据分析到底有多重要?McKinsey Global Institute(位于旧金山,是总部位于纽约的麦肯锡公司的研究机构)的高级合伙人Michael Chui(去年发布的麦肯锡大数据价值研究报告的作者之一)认为,在数据分析方面的能力将决定企业市场份额的得失。而且根据长久以来观察的结果,强者将会逾强(Whoever has will be given more,出自圣经之马太福音)。
“很快,我们就会看到那些领先的公司从中得到收益。”Chui说。海量数据的收集和分析已经在医疗健康领域得到了实际运用,麦肯锡在报告中预计该行业将从大数据中获得多达3000亿美元的收益,其中2000亿来自于相关成本的削减。
James Noga是Partners HealthCare System(位于波士顿的一家非营利性医疗机构)的CIO,他认为医疗行业已经认识到大数据分析能够极大地提升人类健康水平(即便不是最重要的因素)。“在我们这,即使只是基于一个很小的数据集,我们也能够通过分析来发现诸如Vioxx(一种已被发现有重大问题的药物)之类的问题”.
Noga认为尽管医院在大数据分析方面还不够成熟,但是情况正在一天天发生着变化。大量的数据正不断从医疗第一线汇集起来并经过整理和分析。Noga预计,随着人类基因组序列分析的成本降低,总有一天会给公众带来重大的福音。“无数的人正等着这些数据来进行分析利用。”Noga补充到。
数据蕴藏的新价值
Chui和Noga都参加了在马萨诸塞Cambridge举行的MIT斯隆CIO论坛,并作为数据专家阐述了大数据分析的诱人前景和面临的挑战。论坛由纽约时报的技术编辑Quentin Hardy主持,还包括The Corporate Executive Board Co.(CEB,位于华盛顿特区的一家咨询公司)的高级总监Shvetank Shah和Babson College(位于马萨诸塞Wellesley)的管理和信息技术教授Tom Davenport.
数据分析的用武之地绝不仅限于医疗健康领域(已经建立了一套规范的科学方法)或者消费品行业(已经拥有大量的用户数据)。比如,基于物流行业供应链而收集的海量数据也已经开始被用于对经济趋势的分析。
Hardy最近遇到了一个物流公司,其客户占了世界经济总量的3%到5%.该公司所拥有的数据对未来具有重要的指向作用,比如圣诞季的零售业状况和阿拉伯之春后约旦的走向。“我告诉他们,这些信息都可以在华尔街进行交易。”
Davenport是数据分析方面的高产作者,他最近专注在工业界并且预计大数据分析正给振兴美国制造业带来机遇。“通过数据分析,你可以及时发现问题并优化业务。”
流程和产品的数字化为企业开辟了另外一个天地。“我们可以毫无束缚地开始各种创新实践。”Chui说。
CIO在大数据分析中的角色
那么,在大数据分析中CIO应该承担什么样的角色呢?包括Partners Healthcare的Noga在内,至少有两位与会者强烈建议业务端来领衔分析工作。“我们有部分的责任,但分析是实实在在的研发工作,IT只是提供支撑。我们负责基础架构的事情 – 比如什么类型的计算适合放在公有云、私有云或者完全掌控的数据中心里。”Noga解释说:“就我自身来说需要理解分析技术,但是不应该成为责任人。分析事关企业战略,属于研发类型,应该由具备专业素养的人来担当数据科学家(data scientist)。”
这种看法的原因可以从一次相关的讨论结果(大数据和分析法学的挑战:数据聚积和偏好)中看出端倪:大数据时代的成功在于发现能够提升业务决策的模式。而这个过程中需要扎实的数学和技术功底,以及对业务的深刻认识。
Noga的看法得到了Davenport的赞同,后者以通用电子为例来加以说明。通用电子计划在投资超过10亿美元的全球软件中心(位于旧金山)招聘800位数据科学家。这些科学家将受聘于公司的研发部门。另外,惠普公司也在其战略规划团队中增加了数据科学家。“对此,我们给予完全正面的预期。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 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