
简要分析全球大数据发展六大趋势
当前,大数据已成为继物联网、云计算之后的信息技术产业中最受关注的热点领域之一。随着大数据从概念渗透转向应用发展,大数据产业正处在蓬勃发展的孕育期与机遇期。大数据技术将在开源环境下不断提升,大数据产业将依赖快速聚集的社会资源,在数据和应用驱动的创新下,不断丰富商业模式,构建出多层多样的市场格局,大数据产业生态也将得到不断完善。大数据产业将成为引领信息技术产业发展的核心引擎,推动社会进步的重要力量。
一、开源成为技术创新主要模式
经过多年来的高速发展,大数据相关的数据采集、存储、分析、可视化等多个基础性技术领域已经取得较大的突破,形成了实用性强、稳定度高的技术能力,大数据整体技术体系已初步构建完成,未来大数据技术的发展方向将主要集中在非结构化数据的价值提取方面。
从大数据技术的发展历程上可以看出,大数据核心技术如分布式存储、云端分布式及网格计算均是依赖于开源模式,即通过开放式的平台,吸引全球开发者通过开源社区来进行代码的开发、维护和完善,从而集全球智慧推动大数据技术的不断进步,当前全球各大企业加大了对开源社区的赞助和智力投入,开源社区在大数据技术进步中将占据核心地位,开源模式将成为大数据技术创新的主要途径。
同时,大数据的技术发展与物联网、云计算、人工智能等新技术领域的联系将更加紧密,物联网的发展将极大提高数据的获取能力,云计算与人工智能将深刻地融入数据分析体系,开源模式在新技术的发展中举足轻重。
二、大数据聚集资源能力更加明显
大数据技术已经在商贸、交通、城市管理等多个领域中得到了应用,各产业领域未来的发展方向几乎都能和大数据挂钩,社会各界对大数据的未来充满信心,大数据产业正成为社会各类资源的聚集地。随着大数据产业的不断成熟,其对社会资源的吸引力将进一步加大。
各国政府均将发展大数据作为推动信息技术产业发展的重心,大数据成为“政策资源”的聚集地。美国、欧盟、日本、韩国等发达国家及地区均将发展大数据作为重要的国家战略,印度、俄罗斯等国家更是将发展大数据产业视作实现经济赶超的黄金机遇。
中小微企业和创业者对大数据热情高涨,大数据成为“智力资源”的聚集地。大数据产业是典型的知识密集型服务业,智力是大数据产业发展的推动力。当前,越来越多的中小微企业和创业者投身到大数据产业,力图依靠新兴技术获取快速发展。
社会各界加大了对大数据的投资,大数据成为“金融资源”的聚集地。近年来,全球各大企业对大数据的投入不断增加,不仅设立自己的大数据研发和应用中心,还通过并购等方式加大对大数据产业的布局。大数据创业企业也吸引了更多的市场关注,因而更容易获得投资机构的资金支持。
三、数据和应用将成为驱动创新的主动力
当前,大数据的技术体系逐步完善,大数据技术的开源模式有效降低了产业技术的壁垒,基础技术在大数据创新中的作用依然存在,但其重要性将逐步降低,大数据创新将更多地依赖于数据驱动和应用驱动。
数据驱动创新源于大数据的基础技术体系。在大数据技术体系中,数据的采集是一切的基础,而数据存储、分析、可视化均与数据模式紧密相关,传统的结构化数据将不再成为大数据中重点关注的内容,而大量存在的非结构化数据和半结构化数据带来的技术和应用领域是大数据的蓝海。多样类型的数据分析、复杂的数据组合、多源的数据融合等问题将成为大数据创新的重要聚焦点。
应用驱动创新源于大数据的价值释放机制。大数据应用的基础是数据的采集、存储等环节,而大数据的市场价值主要体现在对海量数据的分析和可视化。在不同行业中,大数据应用需求也不尽相同,数据的分析手段、可视化方式均有所区别,因此符合实际应用需求的价值获取将是未来大数据关注的重点,应用将驱动大数据解决方案提供商采取不同的数据源,使用不同的数据分析方法,进而推动产业创新。
四、商业模式伴随连接层次的加深不断创新
在大数据技术体系中,数据是各方连接的中心,而核心价值也是在不同的连接中体现的,大数据的商业模式将根据连接方式的不断拓展而持续创新。
大数据中初级的连接方式是数据源和中心的连接,从而带来了数据托管和数据交易商业模式。数据托管是当前最为成熟、最为普遍的大数据商业模式,本质是发挥规模效应从而降低数据信息的存储和查询成本。数据交易平台促进了大数据链的上下游整合和横向的多种产业整合,当前如亚马逊、微软等企业均建立了数据商店。
大数据中级的连接方式是数据和价值的连接,数据关系挖掘和沉淀价利用的商业模式应运而生。关系挖掘是当前主流的大数据商业模式,是数据科学的主要应用方式,通过数据发现隐藏的相关性,从而实现商业指导、精准服务、决策服务。沉淀价值利用是将传统无意义或垃圾数据进行利用,从而得出有价值的结论,是大数据技术能力的重要体现。
大数据中高级的连接方式是需求和供给的连接,其商业模式如数据社交O2O。在这种模式中,数据成为连接网络各个节点的中介,个体作为网络节点可以通过数据相连,而大数据可以促进网络中个体间的交流,从而有效降低需求和供给之间的连接成本。
五、市场格局将呈现多层多样竞争态势
大数据正处在快速发展期,市场上呈现出各类企业竞相参与共同发展的态势。随着大数据的不断成熟,市场格局也将随之变化,呈现出截然不同的态势。
在数据采集领域,互联网企业根据自身的优势展开激烈的竞争。大数据数据源主要来源于三个方向:互联网数据、政府数据和企业数据,由于后两类数据的采集主体一般不变,市场相对稳定,而对于互联网数据,全球各大互联网企业已经认识到数据的价值,将在数据获取入口等方面展开激烈的竞争,小型企业在该领域很难有所作为。如我国百度、腾讯、阿里分别重点掌握着搜索、社交和电商数据。
在数据存储和交易领域,市场将呈现平台化发展趋势,大型企业将占据一定的优势。未来,随着云端数据中心的不断推进和企业存储能力的开放,数据存储将会更趋于集中,大型数据平台将应运而生。在该领域,传统大型IT企业和大型互联网企业将依靠其技术能力和数据资源,占据绝大多数的市场份额。
在数据分析和可视化等领域,市场将呈现多样化、定制化发展趋势,各类企业特别是中小企业将成为市场的主力。一方面,大数据技术的开源特征和企业级计算能力的开放使得大数据分析的技术门槛逐步降低;另一方面,应用需求的多样化使得定制化服务成为主流,小型企业能够获得更多的市场发展空间。当前,很多大数据创业企业均是针对该领域企业,为其提供各类多样化、定制化的服务方案。
六、数据安全保障能力得到提升
健全的数据分级制度为数据开放提供保障。当前大数据应用主要集中在互联网领域和政府治理两个方面。对于互联网数据,其中包含着大量的个人用户数据,个人隐私的保护不仅关系到个人的财产安全,还关系到社会的诚信建立和歧视消除,关系到大数据未来的健康发展。对于政府数据,其中包含着事关国家发展的数据,其可能对国家安全产生影响。数据开放已成为各界共识,健全的数据分级制度将在政府和产业界的共同努力下得以实现。
更加完善的技术审查制度为技术开放带来支撑。大数据技术的开源性是技术开放的核心体现,其具有两方面作用:一是降低了企业进入大数据领域的技术门槛,使得大数据领域充满活力,促进产业的快速发展;另一方面也使不法分子有了获取不当利益的技术手段,如通过大数据技术定向获取个人隐私,这将极大地危害整个产业发展,可能促使技术能力逐渐转为封闭。为了保证产业的快速健康发展,更加完善的技术能力提供和完备的审查机制将是政府和产业界的工作重点。
总体看,2016年全球大数据产业规模将继续扩大,加速发展趋势不变,我国应着眼于产业发展趋势,进一步布局大数据领域发展。一是促进政产学研用联合,积极利用开源模式和开放社区资源,加强大数据共性基础技术研发。二是制定实施政府数据开放计划,确立数据开放的机制、重点开放领域和实施步骤,推动公共数据资源适度、合理地跨部门分享和向社会开放。三是充分发挥政府及公共服务部门的引领和表率作用,加强大数据分析和应用,选择关系国计民生的重点行业领域,以应用模式创新和商业模式创新为重点,开展试点示范。四是妥善处理好发展创新和安全规范的关系,审慎监管、保护创新,探索和完善安全管理规范措施,切实保障数据安全。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL 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 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16