
大数据、云计算可以使CIO不会在盲目采购IT设备而是考虑云服务,减少成本,提升IT管理水平。
开展大数据、云计算需要CIO解放思想、大胆运用新技术,把落后的方面赶超上去。
未来我们看到随着大数据、云计算、移动等技术的应用与发展,我们看到也将推动提升企业CIO在企业中的地位,甚至有可能CIO和CEO合二为一,对于企业发展有非常大的好处。
未来我们看到随着大数据、云计算、移动等技术的应用与发展,我们看到也将推动提升企业CIO在企业中的地位,甚至有可能CIO和CEO合二为一,对于企业发展有非常大的好处。
【比特信息化】大数据、云计算等技术已经深入渗透到企业中,对于企业的业务以及IT都形成了巨大的挑战,特别是现有的环境下作为企业的IT负责人如何在这些技术环境下做好IT管理,并且把它们成功应用企业中,已经成为CIO所要思考的问题。面对现状,本期比特网百家讲坛我们邀请了来自中国水利水电科学研究院的IT总监傅红旗,就当前大数据、云计算环境下企业IT管理以及全面拥抱新技术进行了解读,为行业用户开展大数据、云计算提供参考。
大数据 云计算 变革企业IT
中国水利水电科学研究院(以下简称研究院)是中国最早建立的面向全国的水利水电综合科研机构,成立于1958年,由中国科学院水工研究室,水利部北京水利科学研究院和电力工业部水电科学研究院三单位合并而成,它是水利发电方面权威机构主要负责如大型水坝的建体、水流水能的计算,然后应用到工程中去。从研究院的IT应用来看,研究院IT发展可谓有起有伏,可追溯到上个世纪80年代,80年引入了国外的M180中型机、大型机以及到90年代的各研究所引入小型机,目前各个院、各个专业研究所更多采用小型机。对于研究院的IT管理,因研究院下属多个研究所,每个研究所他们更多是IT的使用者——使用计算机作业务计算,而IT管理还需要依赖专业的IT人员来解决,因此,在研究院中设立了网络中心,主要帮助研究所做IT管理以及新技术应用等工作比如最早通过与相关服务商的合作引入的财务软件、OA、ERP系统以及BPM。
正如刚才所言,网络中心除日常IT管理外同时会考虑先进的IT技术应用比如大数据或者云计算,那么,当这些新技术引入后会对企业以及IT管理带来哪些价值和挑战呢?对于此,傅红旗认为,现在进入大数据时代IT主要面临数据的管理和存储问题,而在云计算方面更多是来自安全的问题。从价值的角度来看,研究所过去撤销了计算中心,原本要打算恢复计算中心,但今天随着云计算的成熟,促使我们在虚拟服务以及云服务方面的考虑,可能会改变恢复计算中心的计划,有可能不会在盲目采购IT设备而是考虑云服务。减少成本,提升IT管理水平。
傅红旗再次强调了安全的重要性。目前我们所处的云计算环境存在一个安全的问题比如硬件服务商留下后门,因为研究院的数据涉及到国家安全比如水坝在和平时期它是一种能源储备但是在战争时期,它就是一个破坏危险的因素。所以,在这些方面对于运算数据要有一个安全的保障。
对于云安全的防范应分为两方面:第一、技术防范;第二、人为防范,主要包括人文学、社会学等。目前更多的技术防范,技术防范现在是要求相关的安全部门能够做一些更切实的工作比如微软和中软合作期间把源代码93%是公开交流,能够提供一定的安全防范。基于此,“我们不想做封闭式的数据采集,我们也希望将来所有科学的计算数据进行国际交流,但是安全问题必须要保障。”而对于云服务商则言则需要保障站在任何时间、任何地方都可以提供云服务,对于客户来讲,则能够在任何地点任何时间都要以使用云服务,这是未来的趋势。
迎接大数据 云计算 CIO要有开放的心态
今天的大数据、云计算已经成为一种发展趋势,虽然还有许多的问题要解决,但这一趋势已经迫使我们必然去主动接受,对于企业的IT管理者而言,要想做好企业的IT管理以及满足业务的需求,必然要有充足的准备和应对良方。傅红旗建议,“企业的IT负责人或者CIO的思想要更加开放,应该承认技术不足,勇于应用新产品,了解他们的内容和技术,做好我们自身防范之后融合新技术中。我们在技术方面还需要大踏步追赶,需要CIO解放思想、大胆运用新技术,把落后的方面赶超上去。IT从业者要接受最新的观念来解决业务工作才是当务之急。首先自己要开放尽快接受新知识”
比如不同行业企业的相关部门可以把一些非核心业务通过采用公有云来进行办公,使得各个机构在日常办公中尽快融入云服务,而对于一些关键部门则可以采用私有云服务。在大数据方面现在对于数据会产生“疲劳感”暨每天的数据量非常大,想获得数据分析结果比较难,因此在这种“疲劳感”下,企业可以把30%的核心的数据掌握在企业自身中,而其它70%的数据完全可以在云上运行比如通过服务商的大数据、云平台,数据处理70%的工作量由服务商来做则大大减轻IT负担、节省能源空间,提升企业IT效率。
未来我们看到随着大数据、云计算、移动等技术的应用与发展,我们看到也将推动提升企业CIO在企业中的地位,甚至有可能CIO和CEO合二为一,对于企业发展有非常大的好处。
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