
拥抱大数据:“数”中自有黄金屋
新的石油”、“类似货币或黄金的新型经济资产”、“未来的自然资源”……
今天,当人们在评价种类广泛、数量庞大、产生和更新速度惊人的大数据时,几乎没有人会吝啬这些极富有渲染性甚至有些耸人听闻的话语。伴随着大数据在各行各业的探索之路的启程,其蕴含的巨大价值所显露出的“冰山一角”就已然拥有足以令世人惊叹的力量。
大数据究竟价值几何?
“当前,数据就是生产资料,对大数据的合理共享和利用,就会创造出巨大的财富。”中国工程院院士邬贺铨在接受《人民邮电》报记者采访时如是说。正因为大数据有着公认的“生产资料”的属性,因此其创造财富的空间,几乎是不受任何限制的,其触角可以延伸至各行各业。
从宏观经济到微观经济,从工业到农业,从制造业到服务业,大数据就如同埋藏在沙漠中的金子一样,正在散发出迷人的光芒。
正如邬贺铨所说:“大数据技术可以运用到各行各业,引发新的产业变革,带动新的产业发展。”来自美国研究机构的统计数据也有力地证明了这一点:大数据能够为美国医疗服务业每年带来3000亿美元的价值,为欧洲的公共管理每年带来2500亿欧元的价值,帮助美国零售业提升60%的净利润,帮助美国制造业降低50%的产品开发和组装成本。
谁率先把握住了大数据的机遇,谁就拥有了创造新的财富的可能,拥有了在激烈的市场竞争中傲视群雄的可能。
因为通过对海量数据的分析,可以发现行业的运行规律、市场的偏好与机会等这些最为宝贵的信息,从而让企业决策变得更加有的放矢。以一瓶价格并不贵、看似不起眼的矿泉水为例,基于对一线销售数据的实时分析与更新进行的经营战略和业务策略调整,居然能够带来销售额从20亿元到百亿元的提升,这正是发生在农夫山泉身上的真实案例。类似的案例越来越多,与此同时,大数据的价值也在各行各业中显露出来。现在,几乎无人会质疑大数据的价值,如何获取价值,则成为人们当前关注的焦点。
如何从沙漠中淘到黄金?
尽管大数据有着巨大的价值,但面对广阔的数字沙漠,如何才能发现埋藏于其中星星点点的黄金呢?
“今天的数据是泛滥的,低密度、杂乱无章、海量的大数据本身,并没有什么太多的价值,只有对大数据的挖掘和处理,才能产生价值。”北京航空航天大学校长、中科院院士怀进鹏向《人民邮电》报记者抛出了如是观点,而这正代表了时下业界的主流思潮。从大数据“不仅如此多,而且变化也如此快”的现状出发,“怎么才能挖掘出有价值的东西”,就成为淘金的必由之路了。对此,怀进鹏认为,必须依靠技术、科学的手段,例如寻找到最优的算法和最简单的算法。
事实上,大数据的兴起,与技术的进步几乎是相伴而生的。正如中国联通信息化事业部副总经理耿向东在接受记者采访时再三强调的那样:“过去,对数据的处理成本比较高,因此当人们在考虑到整体拥有成本这一巨大代价时,就会放弃对数据的处理;现在,不仅数据处理的手段变得丰富起来,而且成本也得到了降低,从而令人们能够方便、规模地应用大数据。”正是因为计算、存储等技术的飞速发展和成本的降低以及软硬件一体机等创新产品的出现,促使过去数据挖掘的两大难题迎刃而解,即存在着无法处理的数据和处理成本过高问题,最终让大数据实现了今天的价值化。
值得注意的是,应对数据挖掘的挑战,将围绕数据价值化的全过程。邬贺铨表示,从数据收集、数据存储到数据处理和结果的可视化呈现这四个环节,大数据技术的运用都面临着挑战。与此同时,一个全新的职业——数据科学家也正在诞生,而《哈佛商业评论》甚至称其为21世纪“最性感”的工作。
谁来保卫我们的“财富”?
与大数据创造的财富相伴的是人们自然而然产生的对于安全的渴望。因为缺少安全保证的财富,并不是真正地“抓”在了手中。可以说,安全是大数据不能回避而且在应用之初就必须给出解决方案的课题。
“没有坏数据,只有对数据的不合理使用。”微软研究及策略部门主管克瑞格·蒙迪用简单的一句话道出了大数据安全的核心所在。今天,当谁都可以利用数据挖掘工具获取、分析数据时,如同“皇冠上明珠”的大数据就面临着谁都可以触摸的危险。在大数据时代,如何避免数据被窃取和不合理使用?答案同样是依靠技术进步。例如,世界经济论坛在2013年2月即提出要通过高端科技来保护隐私,将安全策略的重心从管理转移到对数据的限制使用上来。
确保数据的合理使用,离不开技术和制度的“双管齐下”。例如,世界经济论坛就提出所有对于数据的使用都应该登记,同时对于那些违反规定滥用数据的人要采取处罚措施。而耿向东也表示,中国联通目前正在从技术和制度两方面入手确保数据的安全,例如对用户信息进行加密、为信息传输提供通道保护等。
不容忽视的是,对于“财富”的保护,反过来也会催生出新的商机。大数据正在重构信息安全市场,而那些能够率先切入这场变革的安全厂商,无疑会为未来抢占新的制高点奠定一个好的基础。
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