京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26