
马云:刷脸支付,淘宝购物,赢在大数据时代
数据时代,也许阿里的新口号是:刷脸支付,淘宝购物。
赢在数据时代,你准备好了吗?
马云刷脸了
最近,马云参加在德国举办的汉诺威IT博览会(CeBIT),其作为唯一受邀的企业家代表,在开幕式上作了主旨演讲,并现场为中国副总理马凯和德国总理默克尔演示了蚂蚁金服的Smile to Pay扫脸技术,并当场刷自己的脸给嘉宾买礼物!
我在多个培训场合提到了刷脸时代,现在看来,这个时代的脚步声已经悄然而至。
刷脸技术背后是基于数据。
数据经济来了
正如马云说,现在是D ·economy,不仅仅是数字经济,应该是数据经济,在数据经济,所有的东西都会被改变。
人类史上有几次革命。如果第一次和第二次技术革命释放了人的体力,那这次技术革命释放了人的脑力,是脑力在革新。
未来的世界,我们将不再由石油驱动,而是由数据驱动;未来的世界, 生意将是C2B而不是B2C,用户改变企业 ,而不是企业向用户出售——因为我们将有大量的数据。制造商必须个性化,否则他们将非常困难。
我们此时,既要看到外在光鲜亮丽的形式以及承载的实用功能,也要深入研究内在流动的东东。
我们也许看到像苹果这样的创新公司告诉我们未来的样子。但更要铭记有一种东西将会在机器中流动,那就是数据。
笨蛋,问题是大数据
未来的世界,所有的制造商他们生产的机器,这些机器不仅会生产产品,它们必须说话,它们必须思考。机器不会再由石油和电力驱动,机器由数据来支撑。
未来的世界,企业将不再会关注于规模,企业不再会关注于标准化和权力,他们会关注于灵活性,敏捷性,个性化和用户友好。 关键取决于你是否拥有数据并善于利用数据。
在数据时代,世界将会因此变得非常美丽,同时也非常富有挑战性。
在这个时候,我们姑且再相信马云一回。
他说: 不是科技改变了世界,是科技背后的梦想改变了世界。 如果是科技改变了世界,我不会在这儿,我没有被训练成一个科技专家,我对电脑一无所知,我对互联网也了解的不多。但是我有一个强大的梦想,我要帮助中小企业。
外星人都向数据看齐了,你是不是也得跟上。
我想起了当年克林顿竞选时的口号。
当年美国总统大选,年轻的克林顿与刚刚打赢了第一次海湾战争的老布什总统展开对决时,凭着 “笨蛋,问题是经济” 这一句名言,成功地杀入了白宫。
现在我们的口号也许是, 笨蛋,问题是大数据。
《数据之巅》告诉我们什么
所以,我们需要研究研究大数据的书。今天聊聊涂子沛的《数据之巅》。他现在已经是阿里的人了,你就知道阿里重视数据的程度了。
结合本书,我有几个观点,可以分享一下:
第一,让机器学习来使用数据,实现智能化。
大数据的兴起标志着社会向智能化的社会迈进和转型。
马云刷脸,这就是知识学会使用数据,实现智能化。未来会产生更大的变革。
第二,设备越来越小,传感器无处不在。
传感器在干什么?传感器在收集数据。一句话是万物皆联、无处不计算。
现在Twitter上一天产生的数据量相当于以前一百多年产生的数据量,这部分微博、微信数据称之为非结构化的数据,因为这部分数据的爆炸引起了大数据时代的到来。
其实手机也是一种传感器,它在给twitter、微博、微信搜集数据,未来各种智能穿戴设备,智能家居、智能汽车、智能家电都在收集数据。
未来,一切都得靠数据说话,智能地表达。
第三,思维大变革,先换一个懂大数据的脑袋。
什么东西变革了,不容易改变。那就是思维。这个时代用数据说话远远不够,我们要改变思维方式。我们现在要从数据当中寻找知识、启迪、规律,用数据去预测未来,用数据去管理社会,更要用数据创新。
像Google的无人驾驶汽车一样,因为我们正在迈向一个智能型的社会,所有的创新都离不开数据。
最后,数据操控一切,别和机枪比武功。
试想,机器的运算速度和精度同人脑相比,哪家强?这还用问吗?
这就导致一个问题,我用大数据进行操控了,你还在那用眼瞧,用笔记,你就已经彻底地输了。
用马云之前在传统零售行业与互联网的比喻, “就像在机枪面前,太极拳、少林拳是没有区别的,一枪把你崩了。”
未来有大数据的企业和没大数据的企业,也是一样,即使机枪和武功的分别。
记住,所有机器流动的是数据。
举一个例子:德国队已经把传感器装到了每一个队员的身上,装到了足球上面。一场比赛下来6000万条记录,一个球员控球时间的长短、传了多少个球、奔跑的加速度是多少、奔跑的长度是多少,这些全部都可以计算。
以后发奖金,针对性训练,评估状态,战术安排全都有了精细化参考手段。
这也指出,数据给我们带来了精细化的管理。
此时,德国队就是一个有数据的机器,如果和中国队比,就相当于机器和人比,一个有大数据的流动,一个是一帮废材的运动。
你觉得我们输在不努力、不专业、不敬业,其实, 我们很可能会输给时代。
你的企业也是一样。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11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