
大数据行业领域现状与展望
随着大数据技术和商业模式的进一步成熟,市场的焦点迅速从概念炒作向实际应用转移,越来越多的成功案例相继在不同的领域中涌现,大数据应用逐渐落地生根。
我国大数据行业虽处早期发展阶段,但已呈现春暖花开的可喜态势
大数据市场规模增速加快,各行业领域应用不断丰富
IDC预测,2015年全球大数据市场规模将从2010年的32亿美元增长到170亿美元,复合年增长率为40%。
2015年中国大数据市场规模将达到115.9亿元,增速达38%。未来随着应用效果的逐步显现,一些成功案例将产生示范效应,预计2016至2018年中国大数据市场规模还将维持40%左右的高速增长。
在大数据应用的部署情况方面,随着大数据技术和商业模式的进一步成熟,市场的焦点迅速从概念炒作向实际应用转移,越来越多的成功案例相继在不同的领域中涌现,大数据应用逐渐落地生根。
多方面因素制约,我国大数据应用仍处在早期发展阶段
1、数据的丰富和开放程度不够
丰富的数据源是大数据产业发展的前提。而我国数字化的数据资源总量远远低于美欧,每年新增数据量仅为美国的7%,欧洲的12%,其中政府和制造业的数据资源积累远远落后于国外。就已有有限的数据资源来说,还存在标准化、准确性、完整性低,利用价值不高的情况,这大大降低了数据的价值。
同时,我国政府、企业和行业信息化系统建设往往缺少统一规划和科学论证,系统之间缺乏统一的标准,形成了众多“信息孤岛”,而且受行政垄断和商业利益所限,数据开放程度较低,以邻为壑、共享难,这给数据利用造成极大障碍。
制约我国数据资源开放和共享的一个重要因素是政策法规不完善,大数据挖掘缺乏相应的立法,无法既保证共享又防止滥用,一方面欠缺推动政府和公共数据的政策,另一方面数据保护和隐私保护方面的制度不完善抑制了开放的积极性。因此,建立一个良性发展的数据共享生态系统,是我国大数据发展需要迈过去的第一道坎。
2、数据挖掘与分析工具有待完善
要以低成本和可扩展的方式处理大数据,这就需要对整个IT架构进行重构,开发先进的软件平台和算法。这方面,国外又一次走在我们前面。特别是近年来以开源模式发展起来的Hadoop等大数据处理软件平台,及其相关产业已经在美国初步形成。
而我国数据处理技术基础薄弱,总体上以跟随为主,难以满足大数据大规模应用的需求。如果把大数据比作石油,那数据分析工具就是勘探、钻井、提炼、加工的技术。我国必须掌握大数据关键技术,才能将资源转化为价值。应该说,要迈过这道坎,开源技术为我们提供了很好的基础。
3、模式创新和业务拓展尚显不足
虽然2015年大数据应用已延伸至各个领域,但应用模式多有雷同,应用模式创新还有待进一步加强。企业应用大数据的目的鲜有拓展新业务、开发新产品和创新增值服务,多是在改善现有业务、推销已有产品或控制成本等。尽管2014 年部分大数据应用尝试使用非结构化数据,但依然是将非结构化数据进行结构化处理后,再按照常规方法使用。
国务院连续发布政策文件,大数据已经上升至国家战略
在全球信息化快速发展的大背景下,大数据已成为国家重要的基础性战略资源,正引领新一轮科技创新。
目前,我国在大数据发展和应用方面已具备一定基础,拥有市场优势和发展潜力,但也存在政府数据开放共享不足、产业基础薄弱、缺乏顶层设计和统筹规划、法律法规建设滞后、创新应用领域不广等问题亟待解决。
2015年7月1日国务院连续发布《关于运用大数据加强对市场主体服务和监管的若干意见》、《关于积极推进“互联网+”行动的指导意见》、《关于运用大数据加强对市场主体服务和监管的若干意见》;2015年9月5日国务院印发《关于促进大数据发展行动纲要》的通知,政府连续出台的一系列关于大数据发展的指导意见及政策,标志着我国大数据产业已经上升至国家战略。
基于大数据的广阔发展前景,各省市也纷纷出台大数据发展规划。推动大数据相关产业发展和应用示范,正成为各地抢占新一轮经济和科技发展制高点的重大战略,积极将大数据作为提升本地发展的重要机遇。
国内外市场发展各有千秋,亚信着力发展大数据生态系统的建设
国际大数据产业发展更加成熟,竞争更趋激烈
1、市场增速略有放缓,应用成为新的增长动力
从Gartner 2014年最新的技术成熟度曲线中可以看出,大数据技术开始趋向于成熟,变得更加易于被行业市场应用,技术创新和商业模式创新推动各行业应用逐步成熟,应用创造的价值在市场规模中的比重日益增大,并成为新的增长动力。
2、竞争态势愈加激烈,融资并购成为市场热点
互联网企业龙头与传统 IT 巨头通过投资并购不断加强大数据领域布局,初步形成大数据产业链闭环,并在各行业拓展应用。谷歌、亚马逊、脸谱等互联网企业龙头和甲骨文、IBM、微软等传统IT 巨头,通过投资并购的方式不断加强大数据领域布局,初步形成贯穿大数据产业链的业务闭环,并在各行业拓展应用。
3、区域发展尚不均衡,信息化基础和数据资源是关键
欧美发达国家拥有先发优势,处于领导地位,中、日、韩、澳大利亚、新加坡等国分别发挥各自优势,紧紧跟随。其他多数国家发展相对缓慢,还停留在概念炒作和基础设施建设阶段。
4、产业生态不断优化,基础设施建设更加合理
Hadoop、Spark、Storm等开源技术得到更广泛的认可和应用,大数据技术生态圈形成。同时,各国政府、企业和产业组织非常重视大数据产业生态建立和环境优化,不断地通过建设基础设施,制定法律法规、政策体系和数据标准,完善大数据生态环境,提升国家对数据资源的掌控能力和核心竞争力。美国、日本、韩国、澳大利亚等国家加强数据中心、宽带网络、无线网络、大数据研发中心和实验基地等基础设施建设。
国内大数据产业发展紧随其后,人才培养逐渐加速
1、规模增速略有提高,与全球增速差距仍较大
2015年我国大数据市场规模同比增长38%,比2014年28.4%的增速提高9.6个百分点,但与全球47.72%的增速仍有不小的差距。随着我国大数据快速发展,我国大数据市场规模在全球大数据市场规模中的比重将越来越大,并最终与全球增速保持同步。
2、互联网企业表现强势,国外企业进入我国市场
百度、阿里巴巴、腾讯、京东等互联网企业抓紧布局大数据领域,纷纷推出大数据产品和服务,抢占数据资源。传统 IT企业开始尝试涉足大数据领域,其产品和服务多是基于原有业务开展,未能撼动互联网公司的领先地位。初创企业受限于数据资源和商业模式,还要面对互联网企业的并购行为,竞争实力尚显不足。
3、区域产业聚集现雏形,合作协同发展成常态
我国大数据产业集聚发展效应开始显现,出现京津冀区域、长三角地区、珠三角地区和中西部四个集聚发展区,各具发展特色。
4、大数据基础研究受到重视,专业人才培养加速
Gartner公司预测,大数据将为全球带来440万个IT新岗位和上千万个非IT岗位。麦肯锡公司预测美国到2018年需要深度数据分析人才44万~49万,缺口14万~19万人;需要既熟悉本单位需求又了解大数据技术与应用的管理者150万,这方面的人才缺口更大。
中国是人才大国,但能理解与应用大数据的创新人才更是稀缺资源。大数据的相关职位需要的是复合型人才,要能够对数学、统计学、数据分析、机器学习和自然语言处理等多方面知识综合掌握,近年来,中国互联网三巨头BAT(百度、阿里、腾讯)均耗费巨资投入大数据发展,纷纷建立大数据研究院、大数据实验室等,提供大数据专业服务,一批大数据专业分析公司也应运而生。
亚信公司“人力资源校园项目”计划正在全国重点高校实施,亚信与北京理工大学、北京邮电大学、北京航空航天大学、浙江大学、南京大学等国内一流高校深入合作,成立实习基地,建立人才培养计划和招聘制度。
亚信不仅每年定期从北京理工大学软件学院吸纳即将毕业的学生实习,同时,会派遣经验丰富的高级软件人才作为客座教授,将实践经验与理论结合,为在校学生定期开课,传授工作中所需要的技能和知识,从而帮助亚信、云基地突破人才瓶颈,实现构建亚信产业大数据生态系统的目标。
2016年大数据行业增长将成为常态,行业关注领域将发生变化
云计算模式将颠覆软件行业,一切皆服务
根据Gartner对中国企业的最新调研,云服务是排在第一位的技术议题,主要细分市场包括Iaas,Paas和Saas。在中国互联网领域,云计算的IaaS、PaaS和SaaS已经是典型业态,传统企业正在向产业互联网的方向发展,云计算正在逐步渗透产业互联网各个垂直领域,软件公司在云端“重生”,具备低成本高速扩张能力。
未来5年,大数据与云融合依托云提供大数据服务的公司将大量涌现,未来的产业图景中,共享经济将从个人扩展到企业,企业将以其最擅长的能力模块和最稀缺的资源模块参与API经济,从而使API价值最大化 。
大数据市场规模持续扩大,行业关注热度发生变化
IDC最近发布的报告显示,全球大数据技术及服务市场复合年增长率(CAGR)将达31.7%,2016年收入将达238亿美元;中国大数据市场规模将从2011年的7760万美元增加到2016年的6.17亿美元,未来5年的复合增长率达51.4%,市场规模将增长近7倍。
另外,随着国内政策的变化,通信、制造、物流行业政府支持热度有所下降,通信行业的政策热度降幅较大;政府与金融行业的政策热度将持续高涨。
国家政策引导,各部委和地方政府将加大扶持力度
2016年随着我国国家层面的大数据战略思路逐渐成型并确定发布,将引导和推动大数据快速、健康、有序发展。各部委、各地方将继续出台和实施与大数据相关的政策文件、专项、行动计划等。政策内容将随着对大数据本质的认识加深而愈发明确,有关配套工作也将有序推进,将会有更多的地市陆续设置大数据专业管理部门。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 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, ...
2025-09-05