京公网安备 11010802034615号
经营许可证编号:京B2-20210330
中国惠普李时:2015大数据的真正落地是挑战
“在未来很长一段时间里,所有企业面临的IT核心问题都将是大数据的问题。因此,亟需将自然人、机器,以及所有IT系统所产生的数据,进行统一的集成和分析,而不管数据源在哪里,数据形态是怎样的”,这是中国惠普有限公司中国区副总裁、软件集团新任总经理李时在谈到2015应用趋势时表示的。
面对2015年,中国惠普软件集团的最大挑战是怎么样把大数据从一个概念真正地落地到为客户产生价值,即怎么样真正地结合企业用户的需求和惠普Haven大数据引擎的优势,把企业运营中所产生的大数据最终转化为用户的价值。这也是中国惠普软件集团在新的一年中拥有的最大机会。
李时坦言,“大数据的真正落地,一个最大的挑战和制约,是既懂大数据技术又懂业务还懂本地应用的人才的缺失。”中国惠普早两年就开始实施基于人才培养的大数据中长期发展战略了。“我们跟中国很多的地方政府进行合作,创立大数据人才培训基地、解决方案培训中心和大数据应用示范基地,就是希望通过现在的一些投入,在解决人才问题的同时,也能够有一些大数据解决方案的孵化,真正地做到大数据的落地。”
Haven大数据引擎实现100%信息利用率
经历这么多年IT的普及和发展之后,大部分企业的IT基础架构已经部署得非常好了。然而,企业又开始面临的一个新难题,即如何应对一个数据爆炸增长且多样性裂变的新常态、新现实——企业的IT系统在产生大量的数据,机器或者传感器也在产生大量数据;与此同时,企业中的每一个员工每天在发微信、发微博、拍照片的过程中会产生大量的数据,企业内外部运营中涉及的每一个传感器和摄像头,也同样会捕捉大量的视频数据和机器数据。另外,还包括企业所处社会生态的空气污染检测的数据、楼宇自动化产生的数据等等。
要想使这些大数据产生最大化的价值,惠普认为智能互联是最需要解决的一个问题,企业需要把自然人、机器,以及所有IT系统产生的数据做一个统一的集成和分析,而不能仅仅孤立地分析某一个渠道或某一种数据。
惠普Haven堪称一个高速的大数据的引擎,它能实现100%的信息利用率、出色的应用交付管理,打造可持续的市场营销优化,瓦解黑客入侵,并交付卓越的用户体验。
“具体来说就是,我们把业务数据、机器数据和自然数据的这三种数据,统一整合到Haven平台之上。因为其主要组成包括开放架构的Hadoop集成,因此能把所有原始的大量的数据做一个统一的存储、压缩和快速索引。然后,通过Autonomy产品,对自然数据或者非结构化、半结构化数据,进行统一的分析和认识;同时,也可以通过Vertica对结构化数据库里的行和列的数据,进行总体的分析。在安全性方面,通过惠普ArcSight安全产品,可以保证大量数据在可管可控的方式下被访问、被分析。此外,惠普还针对不同行业和不同业务场景,提供各种不同的应用,让数据在不同的维度产生价值。”
特别值得关注的是,最新发布的HP Haven OnDemand,还实现了大数据和云的结合。Haven OnDemand开放了所有的用户编程接口,这使Vertica、Autonomy不仅能为大企业客户所接触到,还能为个人开发者所接触到。让广大的开发者利用结构化和非结构化分析的能力,来开发适合他们的数据产生价值的下一代应用。当然,另一重要之处在于,Haven OnDemand还可以帮助企业把现有的数据迁移到云端,并把在云端的数据做一个全面的整合分析,为用户提升销售、降低运营成本或提升用户满意度。
大数据落地的实质是本地行业创新
针对大数据在中国落地还很慢的看法,李时并不完全认同。他介绍说,Autonomy在中国已有200多个行业用户,Vertica的用户增长也非常快,尤其是在电信、金融和政府等行业领域。
之所以市场上鲜有大数据案例的剖析和介绍,其原因是很多行业用户的大数据应用大多涉及某一企业的最新创新点、涉及企业的核心转型。比如,金融行业用户在考虑通过Vertica来做互联网金融授信和风险控制;通信行业用户在考虑通过Vertica来做网络优化,他们希望通过对现有客户的分析,更好地设计适合的产品,使客户留在现在的通信公司;他们还希望通过客户画像,更有针对性地做精准营销等。
相比之下,国外的行业用户更开放一下,他们在大数据应用上,也走得更远一些。比如,全球最大的社交媒体Facebook,在近几年业务爆发性增长的情况下,面对着每小时要加载几十个TB的数据的挑战,以应对超过10亿的客户访问。这种情况下,经过非常周密的、详细的技术验证之后,Facebook最终没有选择自己开发的基于Hadoop的解决方案,而是选择了Vertica,来支持基于移动端实时数据的业务需求。
再比如,在政务领域,伦敦奥运会通过大量采用Autonomy产品,做到了通过实时摄像头,对视频和音频的分析。同时,新西兰的奥克兰安全城市项目,也是通过Autonomy产品为城市服务,实现了对车型、号牌的分析和对摄像头的分析,实时监控犯罪事件的发生,以及城市交通流量的变化等。
对于大数据应用在中国落地慢的原因,李时认为最大的阻碍是中国目前尚缺乏既懂大数据技术又懂业务还懂本地需求、本地应用的人才。为此,李时制定出软件集团2015年的三大发展战略。
“首先是把惠普全球在云和大数据方面领先的解决方案和产品带到中国,包括HP Mobile Center、HP Propel和 HP Service Anywhere等;第二是创建基于惠普软件产品的合作伙伴的生态系统,共同推出更多适合中国的大数据落地方案;第三是基于惠普的服务体系,为客户提供更好的服务,提升用户的满意度。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16