
广东具备加快发展 大数据产业的基础和条件
一、缺乏高质量的数据,直接影响大数据的价值实现
其一,对大数据的理解和重视程度远远不够。长期以来,我们的文化基因当中,数据文化很弱。没有把数据作为一种方法论,作为一种价值观,作为一种社会运转尺度来看待。
其二,丰富的数据源是大数据产业发展的前提。目前数字化的数据资源总量远远低于美欧,其中政府和制造业的数据资源积累远远落后于国外。就已有有限的数据资源来说,还存在标准化、准确性、完整性低,利用价值不高的情况,这大大降低了数据的价值。
其三,数据共享程度低。政府、企业和行业信息化系统建设往往缺少统一规划和科学论证,系统之间缺乏统一的标准,形成了众多“信息孤岛”,而且受行政垄断和商业利益所限,数据开放程度较低,以邻为壑、共享难,这给数据利用造成极大障碍。
其四,政府业务数据库公开的广度和深度都有限。各级政府已实行网上政务信息公开,不过,主要是行政事务性信息的公开;实时的政府业务数据库公开尽管已经取得进步,但是,政务业务数据库中的很多数据目前还没有实现公开,很多数据因为部门利益和“保密”等因素,仅限于部门内部人员使用;已经公开的数据仅限于一部分基本信息和统计信息,更多数据还没有被公开。
二、缺少稳定可靠的公有云基础设施平台,不足以支撑企业创新和大众创业
首先,自主研发能力限制了公有云平台的发展。美国以Amazon为代表的IaaS服务商构建了生机勃勃的公有云生态系统,不过,我们是以私有云的建设为主。因为公有云的建设一定要自主研发才能做到,必须具备核心的技术能力,没有现成产品可以使用,没有任何捷径可走,而私有云的建设可以采购美国公司的成熟产品。
其次,云计算的基础技术方面,美国是领导者,包括服务器虚拟化、网络技术、存储技术、分布式计算、OS、开发语言和平台等核心技术基本上都掌握在美国公司手中,我们的产品开发大多数是两个路径,一是在美国开源软件基础上修改使用,二是产品引入销售,包装后形成解决方案。近10年来,虽然有腾讯、华为、中兴等公司在大力投入研发资源,很多创业公司也在进行技术研发,但能够真正掌握核心技术的云计算公司还是太少,积累依然不足,很难形成主导性的产业链。
第三,公有云的安全问题导致众多大中型企业对公有云的使用存在安全疑虑,因为企业数据上传到公有云就一定程度上失去了对数据安全的控制力。
三、大数据的技术影响力仍然有限
大数据的市场发展前景是非常广阔的。自2013年以来,大数据每年的市场发展增长率都在百分之百以上。不过,目前大数据还没有形成普遍应用的局面。
大数据应用基本上还是发散状,并没有形成燎原之势,应用也主要集中于互联网营销场景。大数据现有技术水平的主要受益产业仍然是云计算和各类基于云计算的商业模式,在信息基础设施普及率、社会开放性以及与网络智能交互技术的结合度没有达到一定能级时,大数据的应用是有限的,达不到面向社会的“无所不能”。
四、支撑数据服务的大数据产业链有待完善
大数据价值的实现需要一条成熟的大数据产业链给予支撑。
广东已具备加快发展大数据产业的基础和条件,大数据产业链也正在加速形成。作为一个独立的产业来看,大数据的产业体系能够应对绝大多数的产业应用需求。不过,存在以下问题需要解决,一是,在建设重点上,企业侧重于物理上数据存储能力建设,纷纷推出了各自数据中心项目,通常以容量来衡量成就,而国外企业则主要侧重分析工具手段和围绕用户的解决方案开发。二是,在建设方式上,广东企业往往采取“各自为战”、“平地起楼”的建设方式,从基础层面分头进行大数据存储或处理的开发。国外企业却多采用收购兼并、合作开发多种方式来进行建设,推进大数据存储、处理、分析综合发展,而不偏于一隅。三是,大数据面临巨大的安全性挑战,企业、个人数据的隐私保护,需要相应的核心技术来保障。四是大数据面临着有效存储、快速读写、实时分析等挑战,将对芯片、存储产业的发展产生影响。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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