
数据洪流下的企业未来
大数据正在成为企业所需面临的巨大挑战,这种挑战不仅前所未有,而且对于企业而言,这并非市场的波动,或经济的周期那么简单。这意味着一种新的生产方式和生产工具的应用,也意味着人们将以新的方式来理解和传播知识、信息。
市场需要越来越多的知识整合者,灵活“善变”地应对市场需求。在此大数据洪流面前,创造大数据硬件条件的企业本身如何认知这一变革呢?LSI公司副总裁GautamSrivastava在近日接受了采访,谈论了他对于数据洪流下企业变革的认知。
LSI是一家半导体元器件设计生产厂商,产品主要用于优化网络存储的性能。这家企业去年业务收入达20.8亿美元,年增长率近10%。在2011年上半年,这家企业将外部存储业务以4.8亿出售给NetApp,随后以3.22亿美元收购了固态硬盘芯片厂SandForce。这意味着这家传统的服务器优化服务商将业务重心完全放到了云数据和移动网络上。
GautamSrivastava认为近年来IT行业的巨大变革都意味着数据正在疯狂增长。“从视频的大幅增长,到Facebook等社交网络产生内容量的猛增,企业和消费者产生的数据量在不断地增加,我们预计这个数据量以每年40%-50%的速度再增长。而与此同时,我们的整体技术架构的增长是缓慢的,大概年增长2%-3%。”GautamSrivastava说,他认为,人们将迟早要面对有限资源与膨胀信息之间的取舍。
另一个巨大的需求在于数据正在要求可移动与被分享,百度和腾讯近年来建立了巨大的数据中心就是为了适应数据的大幅度增长,而一旦这些数据被要求可以移动分享,则意味着人们使用数据将耗费更多的资源。
“这意味着中国未来的移动数据市场将有着非常巨大的增长,我估计这个数字是未来3年内有50%的增长,互联网用户将从5亿人增长到7.5亿,这基本上是很多国家市场的增长集合了。”GautamSrivastava说。
移动市场也拥有着巨大的发展机会,目前中国的移动用户约10亿人左右,这类用户也将迅速转化为移动互联网用户,这一市场拥有高市场渗透率和转化率。
此外中国政府对于互联网行业有着长期发展战略,政府也在正在复杂的互联网环境中寻求一个长期优化的发展方案。
更重要的是,中国的人口基数决定了未来五年内,将是中国年轻人拥有越来越多消费能力的时期,而他们从一开始就生活在“互联网时代”。
大数据更需要本土化
“为了迎合这一庞大的趋势,我们从一开始就意识到中国将从一开始就一个高端市场,很多市场问题都必须在中国本土环境下得以解决。”GautamSrivastava说。
G得出这一结论,一方面是看到了全球范围内工程人才出现短缺,而中国已培养大批年轻工程技术人员,中国国内市场需求飙升,需要本土化的技术解决方案,这也意味着中国将成为大数据专利等知识产权最为密集的地方。而这些知识产权将可以再全球范围内使用。
“中国可以说是硅谷的延伸,无论是客户还是知识产权。中国拥有越来越多硕士学位的技术人员,与硅谷类似,而中国客户与我们在硅谷遇到的客户一样,最为关注的问题都是如何解决数据洪流。”
“华为和中兴这样的企业未来增长机会巨大,”GautamSrivastava说,“因为未来中国互联网的移动性将增长迅猛,移动网络快速发展意味着对华为、中兴等企业的技术需求将大涨。”
除此之外,对于原有资源的优化和节能也将迎来市场的热捧。在迅速增长的数据消费面前,有限的基础设施资源有着再优化的需求。这样的市场趋势与节能趋势是相一致。
此外,基础设置智能化也将成为一个关键趋势。企业将需要针对不同的细分市场来制定不同的产品与服务。这也意味着,企业内部数据将有能力对不同类型的客户排序区分,这不仅意味着效率的提升,也意味着创新服务和产品的可能。
整合型人才将更为抢手
“一个有趣的发现是,我们发现大数据的发展催生出一种需要,就是企业需要对大数据进行快速甚至实时的分析。”GautamSrivastava说。
十年前,企业高管们所需要做的是,收集整年或者半年的数据,在做财报的时候对全年数据进行分析和整合,而现在不管是CMO还是CFO,CTO,都需要及时地分析大量相关数据,并敏捷低应对市场变化。
更重要的是,企业与市场沟通的方式也在发生变化,以往企业与市场的沟通是单向的。企业仅仅需要给出信息,找到合适的渠道去发布信息。而现在网络成为了企业与终端客户之间互动的主要工具,越来越多的企业在网络上及时地描述自我前景。单纯的技术门槛已经无法成为说服或者吸引市场的方式,整合数据,从技术提供商转变为解决方案的供应商,才是网络市场,这个信息爆炸的时代下,企业的生存之道。
“我们意识到大数据带来的变化,我们越来越需要这样的人才:他不仅了解技术本身,更了解客户遭遇问题的环境及背景,并懂得如何利用技术来提供解决方案。”GautamSrivastava认为,“另一个关键在于,我们需要越来越多的整合型人才,他不仅有能力把知识产权,客户知识产权结合在一起,而且能够最终设计出整个架构和方案。这是我们看到的全新趋势。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 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 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02