京公网安备 11010802034615号
经营许可证编号:京B2-20210330
以解决问题的姿态玩大数据_数据分析师
2011年,著名管理咨询公司麦肯锡声称:“数据已经渗透到当今每一个行业和业务职能领域,成为重要的生产因素。人们对于大数据的挖掘和运用,预示着新一波生产力增长和消费者盈余浪潮的到来。”由此引发了大数据的热潮,美国政府2012年宣布投资2亿美元启动“大数据研究和发展计划”,IBM,微软、谷歌、亚马逊等大型企业纷纷投入。中国政府紧接着提出“十二五国家政务信息化建设工程规划”,北京、上海、广东等地陆续推出大数据研发战略,阿里、百度、腾迅、华为等大型企业都已涉足该领域,更有许多新兴企业致力于此,大数据成为了继物联网、云计算、移动互联网之后,又一个信息技术产业发展的制高点!
所谓大数据,必须有足够大的数据量才能发挥它的价值。但是,由于现阶段互联网数据真实性的问题,物联网数据量不够的问题,以及数据安全的问题,对大数据走向应用产生了较大束缚,以至于大部分大数据应用只能存在于“实验室中”,且大数据厂商开始纠结单点上的数据精度,单这一点便是有悖于大数据发展常规的。
在如此现状之下,罗克佳华—这家有着计算机系统集成一级资质,属“应用基因”系的企业涉足大数据,是否能够独善其身,让大数据概念回归本位呢?且看罗克佳华董事长李玮在接受本刊专访时的“如是说”。
我们不是实验室
“罗克佳华做大数据,从不追求一个点的精度,我又不是实验室!我要通过广泛布点的方式获取更多的数据,找到源头,提供解决问题的依据,也就是说,罗克佳华从来不做实验室里的大数据,只从解决问题的角度做可用的大数据。”李玮一句话,态度明确:我—罗克佳华做的所有工作都是以解决问题为目的,以应用为宗旨。
李玮说,首先罗克佳华是一家标准的物联网企业,因此就要做物联网企业该做的事。那么,物联网企业该做什么呢?“我们认为,物联网的规模性必定导致集中的数据服务,也就是说物联网的大量感知终端将产生前所未有的集中的数据量,而这些集中数据通过各种算法,依据各种需求,将延伸出无以数计的服务,这些服务才是物联网的真正价值所在。”而罗克佳华这些年,不管是卖设备,还是卖解决方案,都没落下一件事,就是提供服务。因此,在物联网时代,依据物联网发展线路图,罗克佳华将自己的发展布局做了更为清晰的调整:走云+端之路,“云+端的意思,就是物联网技术和数据服务的结合”。
如何提供更好的服务,罗克佳华也并非一开始就找到了门路。比如在环保监测方面,也做了多种尝试,比如先是重视监测,后来才发现“点多面广的综合监测”得到的效果更好,便将轻监测、广布点的模式推广到其他诸如农业溯源、煤矿安全等领域中。
例如罗克佳华为北京通州做的环保物联网系统,将所有的环保信息化系统进行整合,并结合大家关注的空气质量问题,在全区范围布设了 500个监测点,进行物联网监测,同时将各个工业污染源、农村面源、汽车尾气等导致空气质量变化的排放清单进行实时分析,不仅做到了物联网监测,也充分发挥了数据分析优势,实现了对空气质量的预警预报,以及对环保工作的综合优化管理。
愿景VS红线
至此,罗克佳华的“智能端”和“云服务”形成了一种相辅相成的促进作用,计划在几年内成为节能、环保领域内最强的物联网服务型企业。但成功之路必有坎坷,云+端模式要发展有一个非常重要的基础条件,即政府和行业对数据质量、价值、权益、隐私、安全等产生充分认识,出台量化与保障措施。也就是“数据权属”和“企业观念”两个问题。而正如前文所言,中国目前仍处在大数据的起步阶段,相关立法颇多空白,国内企业的意识也有待转变。
罗克佳华的服务方式是通过监测系统获得真实有效的数据进行分析,可几乎所有用户都在系统布设之后谈及数据保密问题,对项目产生了巨大的干扰。更有甚者,罗克佳华曾试图将一些污染源数据向同行的企业开放,便于他们在对比中提高自己,但这些隐去了名字的数据在不久后就被企业告了状,最后由政府出面叫停。
“物联网数据经常会触到红线,数据运营,如履薄冰啊!”李玮直言数据权属问题是挡在他们身前的“拦路虎”,更是他们将来必须解决的核心问题。不说罗克佳华有许多政府合作项目,导致权属问题更加复杂,光是环境数据及工业设备信号等公共数据如何界定、如何共享都已是非常纠结的问题。
不过,虽然有这方面的忧虑,但毕竟前路漫漫,还有许多未知数,罗克佳华在行动上并没有丝毫的犹豫。本着应用为先的原则,只要是有利于推广和应用的项目,不管是政府买单或是市场化,他们都会积极去做。为了拿出更加专业的精品,他们更以开放的姿态寻求跨界的合作企业和专家团队。“我们做技术的,做好技术,社会要发展,体制待改善,机会就有的。物联网数据要和同行业开放才会更有活力和竞争力,开放的意识形态才会造就开放的国家。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21 很多数据分析师每天盯着几十个指标,但当被问到“这套指标要支撑什么业务目标”“指标之间是什么逻辑关系”“业务变化时如何 ...
2026-05-21在数据驱动决策的时代,数据质量直接决定分析结果的可靠性与准确性,而异常值作为数据清洗中的核心痛点,往往会扭曲分析结论、误 ...
2026-05-20 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标在所有行业都适用”“哪些指标只对电商有意义”“二者如何搭 ...
2026-05-20Agent的能力边界,很大程度上取决于其掌握的Skill质量和数量。传统做法是靠人工编写和维护Skill,但这条路很快会遇到瓶颈。业务 ...
2026-05-20在统计分析中,方差分析(ANOVA)是一种常用的假设检验方法,核心用于分析“一个或多个自变量对单个因变量的影响”,广泛应用于 ...
2026-05-19 很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“什么是指标”“指标和维度有什么区别”“如何定义指标值的计算规则和 ...
2026-05-19想高效备考 CDA 一级,拒绝盲目刷题、冗余学习?《CDA 一级教材知识手册》重磅来袭!以官方教材为核心,浓缩 13 章 103 个核心考 ...
2026-05-19在数据统计分析中,卡方检验是一种常用的非参数检验方法,核心用于判断两个或多个分类变量之间是否存在显著关联,广泛应用于市场 ...
2026-05-18在企业数字化转型的浪潮中,很多企业陷入了“技术堆砌”的误区——上线了ERP、CRM、BI等各类系统,积累了海量数据,却依然面临“ ...
2026-05-18