
大数据条件下的创新评估
一种方案可以获得大数据,只要设计这个系统是可以很容易采集数据,可以很清楚进行分析,接下来可以设计出针对性的解决方案。另一种方法是很简单的低成本,用现在的创新术语来讲就是朴素性创新。两种各有各的好处,如何评估哪个更好,情境很重要。
一、创新技术领域的评估
创新的价值评估要分不同领域来看,在技术领域,有定量和定性两种标准,定量可以分析技术产生多少销售额,定性可以分析市场、社会、时代和历史对技术本身的评价。
二、创新科学领域的评估
而在科学领域则面临的是发现。所以对于科学的评估,我国国情基本都是用数paper,管理学领域就是看SCI和SSCI,还有UTD24,但是定性也是在不停的反思,你的学术影响力到底大不大,是不是还是要有同行评价的方法,同行评价就是看这个圈子里其他专家是否认可。
三、创新产业领域的评估
第三个领域是产业域。国内的七宗罪,第一是以模仿为主,原创为辅。第二是关注渐进,轻视突破。第三是成本导向,忽略价值。第四是只管需求,不顾供给。第五是原创走红,不敢变革。第六是强调模式,不屑技术。最后一个是“网+”为主,制造为辅。所以现在仍然评估,缺少颠覆传统的勇气和眼光。哪种创新能够改变世界呢?归根到底我们为新而新,无异于缘木求鱼,追求短期效益,缺乏长远规划。
四、创新制度领域的评估
第四个域叫制度域,确切的讲叫体制域。不管是当年英国革命,确立了君主立宪制,还是后来我国自己的康有为的洋务运动,直到五四运动,再到改革开放,一直在制度体制方面做了很多工作。对于体制领域创新如何评估,如果说制度的改变、体制的改革,能够带来一定程度的生产生活改善,这个定量的评估该怎么做,或者是定性我们说解放生产力怎么评估,都是值得思考的问题。
五、创新文化领域的评估
第五是创新的文化域,在文化域中分析受欢迎的程度或者是公众接受的程度。对文化的创新应该遵照什么标准,定量指标看,对于公众是否提升了幸福指数。所以在不同的这些域里面,技术、科学、产业、制度和文化,应深入思考。
六、五大领域的关键词
五个不同的领域里有不同的关键词,技术领域是发明,科学领域是发现,产业领域是推广,制度领域是改革,文化领域是粉丝,在不同的领域里面创新,他们评估方法可能有所不同,但是也有相通的地方。解决问题可能有创造力,也可能没有创造力,有可持续性,也可能没有持续性,对于既有创造性又有可持续解决问题,对原来比较狭义的理解可能会产生不一样的效果。尤其是在我们学校教育科研里面,应该以定量为基础依据,以定性为重要参考。
七、相关数据分析
一些数据方面的基础工作,包括企业间的联盟数据库,跟“一带一路”的数据类似。首先,国家自然科学基金委他们一直很强调,建立中国企业基础数据库的重要性,目前为止获得了2001至2005年完整联盟的原始数据。关键的信息是这样的,包括成立时间、成员企业、联盟活动、种类如何、是否有研发生产的、专利信息等等,涵盖了十个高新技术企业、两千多个联盟3500个企业。目前还存在一些问题,需求如何,企业的名称有的时候不规范或不统一,企业的编号不一致,有的时候会重叠,专利数如何分配等。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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