
中国企业需要怎么来面对大数据时代的来临
显然,大数据这一变革并非一蹴而就,而仍处在稳定的量变阶段。某种意义上,Teradata天睿公司的业绩本身就能证明这一行业确实正在增长,截至 2012年12月31日,Teradata天睿公司第四季度营收为7.4亿美元,同比增长10%。2012年全年营收为26.65亿美元,同比增长 13%。
Bill Franks认为,对企业来说最困难的事情不在于怎么来做选择、来实施大数据分析,大数据与传统的数据相比,需要去改变企业流程与文化,先行者将会保持领先,而跟随着将会错失机会。现在大数据的炒作确实已经到了顶峰了,但炒作的下面也有数据价值的存在,企业应该敏感地抓住这一机遇。
大数据的泡沫与真实价值
不知不觉间,大数据热潮席卷了整个IT产业,与其他种种风潮一样,大数据也存在着商业性的夸大和炒作。2011年惠普出价是103亿美元收购了Autonomy,最终这笔投入被视为非常失败的收购。对于这种现象,Bill Franks表示,大数据泡沫的破裂是一件好事。
他表示,现在大数据的炒作确实已经到了顶峰了,但炒作的下面也有数据价值的存在。炒作的泡沫破裂是一件好事,以上世纪90年代的互联网泡沫破裂为例,当时大量的人力和资金被投入互联网领域,此番景象就像今天的现在大数据。但随着互联网泡沫破裂,产业有了一些动荡,但泡沫破灭后真实的价值体现出来,互联网最终还是改变各个行业或者每个人。
大数据热潮也是一样,即使话题的炒作会冷却,但是大数据分析的价值会继续下去,重点是如何采取正确的策略、流程和方法去从大数据分析中获得价值。应该更多地专注一些建设的东西,比如需要哪些投资,需要培养哪种技能去实施大数据应用等。
他认为,大数据领域确实有些收购有估值过高的情况,但并不意味这种收购就没有任何价值。几乎所有的数据都有其递增的价值。尽管数据的价值有时被高估了,但就大数据整体而言,它会给我们带来极大的影响。
大数据的核心并不仅仅是技术
Bill Franks对诸多大数据的宣传中刻意强调技术门槛并不满意,他认为,90%以上的企业可以用他们90%的现有需求和技术、工具来解决现在的大数据问题。大数据真正可以解决的问题不是技术问题,而是人、文化、流程或者基础设施。
他强调一点,自己撰写《驾驭大数据》这本书不是为了对Teradata进行推广,主要是希望帮助人们去面对这种大数据时代,是面向整个行业、大众的一本书,也不是要通过这本书要来关注Teradata自己的业务流程或者具体产品,而是提供一种针对整体大数据的做法和想法。
他介绍,最困难的事情不在于你怎么来做选择、来实施大数据分析,而是决定采用什么样的方法来更好地发挥大数据的价值,而且能够改变它的流程。与那些传统的数据相比,大数据需要去改变流程与文化,很多企业不愿意去改变传统的方式,但竞争对手可能就领先一步去做,几年之后再去跟上去做的话,就会错失很多机会。
据悉,在《驾驭大数据》一书里,Bill Franks刻意强调了文化和理念,并提出一个分析创新中心的概念。他认为,依靠创新中心,企业拿出少量预算、人力资源、技术资源等做一些存在一定风险和结果尚未确定的小实验,可以用最小的代价实现文化的转变,进而适应大数据时代的节奏。
给中国企业的忠告
对刚刚涉入大数据浪潮的中国企业,Bill Franks举了一个冲浪的例子来加以忠告:
过去30年我可能在同一个海滩上,同样的浪潮进行冲浪了。后来,我换一个新的海滩,面对一些新的浪潮的时候,我就需要用一种新的方式去冲浪,需要使用新的冲浪板,但由于我过去30年的经验,很快就能适应新的浪潮。对人员的培训也是这样的,过去有一些数据分析经验的人才,只需增加一些新的对大数据分析的培训也能很快上手。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23