京公网安备 11010802034615号
经营许可证编号:京B2-20210330
IBM与数慧:讲述城乡规划的大数据故事
河南郑州造价270万元、横跨四个路口的过街天桥,只使用了5年就要拆除了!这个天桥附近有学校、医院、大型超市,极大缓解了附近的人流压力,为什么要拆除它?原因是要建地铁。这是城市规划的问题!“城市规划需要很多部门协同,要把不同部门的信息用起来;城市规划还是知识密集型工作,必须有大数据来分析、支持。”IBM业务分析、企业内容管理及能源电力解决方案开发总经理吉燕勇说。
城乡规划新需求
城乡规划行业亟待迈入大数据时代:城乡规划是城市建设的先行性工作,涉及海量信息和多个部门协调。以大数据分析实现“智慧规划”是“智慧城市”建设的抓手或引导者。
上海数慧系统技术有限公司是做城乡规划信息化服务的供应商,在城乡规划信息化领域占据IT咨询的头把交椅。2002年进入城乡规划信息服务至今,数慧公司在城市规划行业的用户数已经超过110个(2013年),约占中国所有城市的1/6。
上海数慧系统技术有限公司董事长元哲起对城市规划有颇多感悟,“不管是国家提出的新型城镇化、美丽乡村,整个新型经济转型,总体来讲,城乡规划在政府职能里、在国民经济里起的作用和重要性用什么语言描述都不为过。一个城市变成什么样,城乡规划拥有优先权利。以前,我们整个国家在城市规划这个环节上比较粗放,科学性不够。比如不少人住在天通苑、回龙观、大兴等位于城市近郊的人口密集区,这些区域被叫做卫星城。这些地方都是规划局先规划出来的,为了缓解中心城区的压力,所以才有了土地拍卖,才盖了房子,修了地铁。但我有朋友住在回龙观、天通苑,每天起床第一件事是就排队进地铁,每天要在路上耗费很长时间。人口虽然外迁了,但是城市越来越拥堵。通往卫星城的交通干线永远是单向堵车,另一个方向车流稀少,交通资源浪费。后来有人专门做过统计,市区拆迁之后,人们还是会回市中心来工作。城市做产业结构调整,发现人们耗在通勤上的时间每年在增加,离住的地方距离越来越远,我们没有大数据技术以前没法做到规避这样的事,没有数据就无法判断是不是得把人迁出市中心后交通就不紧张了。大城市都在朝现代服务业转变,产业结构已经转变了,其实也不只是北京,全世界都是这样。现代服务业是不会跑到郊区的,要盖写字楼,肯定还是要去CBD、金融街、中关村等地方。人最后是要跟经济要素关联循环的,这些要素之间在做规划的时候有要做好有效的匹配。人口外迁了,用什么可以固定住人?是制造业。比如亦庄这一带好一些,周边的产业和人结合得很好。考虑到自然要素、历史等等因素合在一起的时候,没有大数据支撑平台做不到。”
作为城乡规划信息化服务的供应商,上海数慧系统技术有限公司要面对两类客户:城乡规划政府部门(比如城市规划局、住建厅);城市规划的具体设计和规划部门(如城市规划院)。城乡规划是一个十分复杂的行业,其特点是:数据量大,存在大量结构化和非结构化数据;业务流程复杂,需要不同部门之间的协作和多层审批;属于知识密集型行业,如历史文献、审批文件、地理信息等信息属于专业领域信息。因此,城乡规划行业亟待运营大数据与分析实现转型:构建新一代城乡规划业务处理系统,提高行政办公效率和灵活性,从而提升应对突发事件能力,提升多部门协作,降低成本。
大数据时代城乡规划新思路
说到大数据技术在数慧的应用,元哲起开玩笑说:“我们不小心生在了一个变化快的时代和变化快的行业,这促使我们必须更敏捷地思考,让我们不能懒惰。其实我们一直在关注大数据技术,用户的需求也在不断涌现。从前年底的时候,忽然间形势来得非常迫切。原来我们只是一两个人在大数据方面探索,跟踪新技术,忽然间用户需求开始变得复杂。不是技术推动了大数据应用,是应用逼迫着我们要去让大数据技术来满足应用。用户提出的需求,过去单一的传统的IT技术已经满足不了。”
围绕大数据技术,数慧花了很长时间去评估,去寻找这样的技术。元哲起认为基于大数据服务的底层支撑技术,没有十年、二十年更长时间的积累是不行的,要能实实在在地解决用户的问题。围绕大数据应用,积累很重要。数慧要找一家技术全面,能实际解决用户问题的合作伙伴,合作伙伴要有技术含量极高的系统,能让用户有极致的应用体验,数慧找到了IBM。
数慧高度认可IBM在大数据与分析领域的实力:IBM在内容管理、流程管理,知识管理,数据仓库的应用,和构筑规划行业平台构建方面具备优势。希望通过合作共同帮助某城市规划局建立城市规划业务处理平台。
对IBM自身而言,在2015年成立了IBM数据与分析事业部,把所有的数据和分析,包括各种咨询、硬件全整合到一起,帮助客户提供更高效的服务。IBM在中国市场的战略是“Made with China”,跟中国市场一起成长。口号提出来以后,有很多落地的方式,在中国研发中心主要是依靠技术联合创新(Technology Partnership)的方式,把落地深化下来。以前跟客户、合作伙伴做很多合作,传统是如果对方买IBM的产品,IBM从实验室里为其提供服务,提供支持,做了很多年;去年开始在实验室里展开了更深入的合作,吉燕勇总结了以下几点:
首先,所有人都非常懂IBM核心产品开发。
其次,更重要的是IBM实验室里几千人有创新能力,产品长什么样已经定型了,但还要继续往下做,比如在智慧城市领域和数慧合作,IBM希望这些人根据行业需求一起进行创新,把大数据分析在这个行业里落实下来,把创新能力带到数慧,带到各个行业。
第三,IBM还有很多资产,以前不敢想象IBM把源代码在中国市场开放了,去年开始,IBM的芯片里,在数据库里从去年开始开放源代码,开放核心的资产,包括在行业应用里开放一起使用。
IBM整合大数据的业务,希望通过整合能力帮助行业在大数据方面进行转型,包括帮助专业的从业人员进行转型,帮助用户和合作伙伴提升自己应用大数据的能力。IBM与数慧合作做了很多年,从去年开始用这样深入合作的方式,双方一起投资,进行联合创新。双方将进一步拓展技术联合创新模式。此前数慧与IBM在WebSphere领域建立联合创新实验室,将IBM全球领先的技术、人才带到数慧,有益于提升数慧的技术优势,实现市场、合作伙伴、IBM三方共赢。从而带动整个城市规划领域在大数据应用方面的变革。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06