
大数据分析领域的四大窘迫
在深圳大数据峰会上,永洪科技创始人&CEO何春涛依托他在BI和大数据分析20年的专业经验,为大家解析目前大数据分析领域的四个窘迫,以及5年内全球范围内大数据分析领域的发展趋势,并就2016上半年永洪科技可喜的进展状况向大家做了汇报。
大数据分析领域的四大窘迫
1、数据分析之数据准备瓶颈:OLAP
我们知道从上个世纪90年代,甚至包括80年代末,OLAP就已经被很好地使用了。但是我们知道企业的数据和运营的过程,是一个持续动态变化的过程,它需要在第一时间交给业务部门做数据分析,而OLAP做不到这一点。一旦有一个数据分析的变化,我们需要交给IT部门去重新构建OLAP。所以如果这个瓶颈不打掉,企业的数据化运营的链条是不通畅的,并且业务流程会很缓慢,同时企业的运营效率和竞争能力也会大打折扣。
2、大数据分析之找到答案瓶颈:静态报告
如果我们采用邮件的形式沟通,假设今天发出去,第二天才有回复,那这一天就浪费了。静态报告就跟邮件一样,我们需要的是一个及时交互的过程,对数据进行分析、发掘它的价值。假如看到报告后,我们就发现了一个问题,然后可能就会去问第二个问题。比如华南的几个业务增长发生了变化,上个季度可能是100%的增长,到这个季度增长降成了10%,这个时候我们就会去问为什么,但是静态报告是不能告诉我们答案的。这个问题只能再交给IT部门重新计算一遍,再给出一张静态报告。如果不打掉这个窘迫,会给企业数据化运营带来很大的挑战。
3、大数据分析之分析流程瓶颈:IT部门
一个企业里面有非常多的部门,假如有制造、市场、设计、人事、财务等部门。当这些部门有数据分析的需求时,他们都会递交给IT部门,然后IT部门的加班非常严重,他们疲于应付,但是这样做出的结果还非常不好,大家对IT部门的诟病都很深。比如做中秋节的策划,这个促销策划需要一些数据分析的报告来支撑。但是IT部门很可能在中秋节之前,还没有把报告交给市场部门,这会给企业的营销带来极大的不便。
4、大数据分析之厂商瓶颈:缺乏高质量的本土厂商
我们认为在国内缺乏高质量的本土厂商。以前大家在聊大数据分析这件事情时,很可能会说SAP、IBM等等,却没有一家真的做得很棒的本土厂商出现。也有一些本土大数据分析厂商,往往以非常低的价格和比较差的服务去做一些低端的市场。
我们知道其实在目前的中国,已经有非常多的好的企业,在各自的行业崛起。以前我们买一个电视机,可能要买东芝,后来我们可以买海尔。以前买空调需要买三菱,现在我们要买美的或者格力。在各个行业都发生了巨大的改变,有非常多的本土厂商在崛起,但是大数据分析这个领域,我们认为是没有的。所以这是我们非常大的一个责任,希望可以和诸位一起深入有效地合作,去改变这个现状,让本土的厂商可以提供已有的服务和产品,帮助大家做好大数据分析的支撑和服务的工作。
最近五年全球的大数据分析的趋势
1、探索性分析成为BI选型的唯一选择
这是Gartner2012年、2013年、2014年、2015年连续4年的数据分析的研究报告,提到的唯一的一个共性,探索性分析已经成为BI选型的唯一选择。在以前可能大家会说,数据分析我们就会用Cognos、BIEE或者BO,但是在今年Gartner的报告里面,Cognos和BO已经驱逐到第四象限,而BIEE已经被驱逐出去了。所以这样一个探索性分析的潮流,已经完全改变了数据分析的现状和未来。
为什么?就是因为之前我分析到的跟大家分享的那些瓶颈,其中业务人员自己动手基于数据做分析,从发现问题找到答案再采取行动,整个过程都已经变成了一个全球性的潮流。在这个方面,我也号召大家好好地审视一下自身的企业,到底应该怎么样构建下一代数据分析平台,去支撑未来5到10年的大数据分析的需求。
2、良好的企业管控下的探索式分析成为主流
早先业务人员使用数据分析,往往要使用一个离线的桌面程序,大家经常用的桌面程序是什么呢?Excel,还有包括后面出现的excel的高级升级版。这些离线的探索性分析的产品,在上个世纪90年代后期一直到2000年初,都获取了非常大的市场。
但是后来从Gartner的研究报告我们可以看到,很多企业尤其是大中型企业已经发现,如果采用离线的分析工具来对数据进行分析,数据的使用是缺乏良好的安全管控的,有可能非常重要的销售数据、生产数据,被分发到企业每个人员的终端笔记本上去了,这对企业的数据管控来说是非常可怕的。
我们目前构建数据分析,尤其对外提供数据分析的时候,有一个说法叫“数据不出口,数据服务要出口”,是什么意思呢?数据的原料是不能够离开这个企业的,但是数据的服务是可以从这个企业递交给第三方的。那么去中心化的探索性分析被放弃了,很重要的一点就是我们需要在良好的企业管控之下,去进行有序的、高质量的、高安全性的数据化运营工作。
3、云计算成为必然趋势
我们可以发现一个大趋势,最近这5年云计算已经变成了一个现实了。像国外的AWS、IBM,他们已经成为云计算非常大的玩家,在国内我们也看到有腾讯云、阿里云等众多的玩家。云计算改变了企业的IT服务,但是从TEWI和Gartner市场的统计报告我们可以看到,几乎所有大数据分析的厂商,他们收入的90%还是来自于线上的数据。为什么?这是一个很现实的问题,就是我们企业里面的数据,绝大多数的企业的数据,是不允许离开这个企业的。
所以我们分析这件事情的时候认为,企业的数据化运营工作,会变成一个以私有云和公有云混合到一起的服务工作。它肯定不会是以前单纯的私有云的服务,也不会是大家想象的可能在未来5年,全部变成了公有云的服务,它会变成一个混合架构。
4、分析应用市场将涌现巨大的创业机会
目前大数据分析的相关技术还在持续的演进当中,包括云计算、深度分析、自然语言等技术正在不断地成熟,并且会被引进到大数据分析这个领域里面,帮助企业更好地进行数据的价值发掘工作。
另外我们看到,商业智能与分析是一个充分竞争的全球化市场,它对创业者的要求是非常高的。比如说,永洪最开始创立的时候,就需要跟Cognos、BO一起去竞争,因为这个市场是没有任何壁垒的,它不需要牌照,在全球是一体化的竞争工作。所以当我们创业者要去做这个领域的时候,一定要确保自己在这个领域具备足够强的竞争力。另外我们也发现,虽然在平台和支撑上面创业的机会不是很多,但是在应用市场这个机会非常的多。所以这给我们做垂直化应用的企业,带来了很多的机会。
下一个趋势,我们认为分析应用市场将会涌现出巨大的机会,永洪内部培训很多同事,如果他们想做垂直的产品,我们也会把永洪的平台开放给他们,让他们基于永洪的产品去做像制造行业、银行、能源、交通各个领域的垂直产品的分析。我们认为分析市场将来会标准化,如果有人基于某个平台构建好一个分析应用之后,他可以快速地递交给全球各地的用户,这是基于标准化的前提所能够达到的一个结果。那么在标准化基础上,会诞生几家很巨大的平台厂商。
5、大数据分析未来有望像PC和汽车一样成为企业标配
BI与大数据分析领域,我们认为它还是处于比较早期的阶段,像20年代的汽车行业。20年代汽车还是一个非常小众的市场,没有进入每个家庭。它也有点像80年代的PC行业,当时整个上网机会还不是特别的多,如果要上机,我们需要单独到一个IT中心去进行上机的申请和最后上机的实际操作。但是大家知道,从80年代以后到90年代到2000年,PC变成企业和家庭里面每个人的标配,到后来我们的手机变成每个企业和家庭的标配。那么大数据分析将来也会变成企业里的每个业务人员的标配。
我们认为这在将来一定会变成现实的,这是在现在和将来永洪和大家一起持续努力的一个方向。我们要让企业里的每个人,都可以成为我们的用户,都可以因为我们的数据分析的能力,给自己赋能。这就是永洪的一个愿景:释放数据的价值,人人都是数据分析师。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python 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, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04