京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据落地进行时 从概念化走向价值化_数据分析师考试
过去几年大数据技术很火,经历几年时间的“酝酿”,我们可以看到今天的大数据已经从过去概念阶段逐步走向落地——众多的行业企业开始意识并且开始尝试大数据技术,但是实际上现在的大数据应用还存在争议有观点认为大数据虽然很火但它的实际运用、价值创造方面还有待于观察和发掘。那么,经历几年时间的发展大数据如今的现状究竟是怎样的?在近日召开的2015 SAS中国用户大会暨商业分析领袖峰会(以下简称峰会)上IT168记者有幸采访了SAS公司执行副总裁兼首席营销官Jim Davis、SAS公司大中华区总裁吴辅世、广发银行信用卡中心首席风险官王玉海等行业服务商以及用户听一听他们是如何看待大数据的价值、落地、应用现状的。
服务商、行业用户眼中的大数据
提到大数据,业界有观点称大数据现状是“关注的比投资的多、投资的比做得多、做的比懂得多、真正的懂得人比较少,懂得比赚的多”。在这样的一个现状下,作为大数据服务商如何来看待?对于此,SAS公司执行副总裁兼首席营销官Jim Davis认为,大数据已经开始应用,利用数据可以为企业带来非常大好的好处,企业应该把数据视为一个重要的企业资产跟企业的人员、人才、客户和设备都一样重要,它不仅仅是一个副产品应该高度重视这样的数据资产。现在处于我们处于数据爆炸的时代,各个行业企业以及机构没有选择,必须通过数据做出决定支持自身发展。
SAS公司大中华区总裁吴辅世认为,大数据走到落地实践阶段是必然的趋势,虽然全球都在萌芽阶段,但是发展是很正面积极。从技术层面来看,技术正在越来越成熟比如Hadoop存储过去只是概念而现在已经应用于很多的领域。所以,大数据落地在一步步的往前发展是正面的积极发展。
作为服务商对于大数据的看法是大数据正在逐步发展、积极落地,那么从行业用户的角度来看,他们又是如何来看待大数据的?对于此,广发银行信用卡中心首席风险官王玉海对于大数据持有不同的态度,他认为大数据在不同的行业应用不同但在金融行业大数据呈现“雷声大雨点小,有客观原因也有主观原因”。主观上金融业的企业文化没有改变过来,用产业兴衰的所谓的基因论来衡量,当上一波的产业浪潮获胜者巩固以后,不断地固化他的企业文化、思维模式、运营架构,这些基因不代表在下一波产业浪潮中能获胜,所以很多银行是安于现有组织架构和组织流程,对那些新生的创新性的事物有一个文化上天然的排斥感,所以,当我们说金融业应用大数据应该是最好的领域时,其实金融行业的小数据还没用好,文化上有一个不接受的排斥。
在成本和管理因素方面,不管从人力还是硬件,从数据结构还是数据源还都是传统意义上的这种模式。尤其是大数据要基于生命周期的数据管理方式,其实在目前金融业还是割裂的,碎片化的管理。尤其传统分析方法已经不适合大数据碎片式、非结构性的数据,像影像、图片、音频等非常好,但是一旦接触它很棘手,怎么样把非结构性的传统方法用于大数据管理?实际上从软件、硬件、基础设施上来看都没有完全成熟,成本更高了。现在传统银行每一个部门有它的成本控制,他不敢去冒险投入很多的财力、人力来开发而不能肯定它的回报,这是管理和成本的制约。
在技术方面,传统的数据库都是事物型的而不是分析型的数据库,IT人员习惯于从原数据抓过来,从文本文件变成一个数据仓库,但是分析是另外一个事情,他把分析和仓库割裂起来,由于技术原因和过去的管理机构,需要更大的储存和更强的技术能力,也就是云计算和Hadoop。
在人才方面也是一大挑战。大数据应用不仅仅是需要一些计算机行业的、数学行业的人才,它更需要的是对传统的金融领域和未来发展更了解、更熟悉,同时又有能力作数据搭建储存和分析,这些人才目前在市面上是非常稀缺,虽然每年大量的学统计和金融的大学生,但是他们是割裂的很多人是偏才,所以现在对银行来言,可以轻易给这些有这种能力的员工一百万到两百万的工资,但是仍然不好找。
大数据如何落地?
来自服务商、行业用户对于大数据的现状分析以后,我们可以看出大数据已经从概念开始逐步走向落地应用阶段,那么,对于行业的企业而言该如何借助大数据创造价值?对于此,Jim Davis指出,大数据带给企业的好处要满足四个条件:第一,基础设施;第二,相关人员或者人才,他们需要来理解并且帮助机构以及企业根据事实做出决策,他们需要具备相关的技能来进行数据和分析;第三,相关过程;第三,强有力的文化,在这个文化中愿意变革现在数据和分析不是可有可无的选择,任何企业和机构如果想要继续在前行道路上取得成功必须拥抱数据和数据分析。
王玉海指出,大数据应用的挑战并不等于悲观,虽然金融业应用大数据存在阻力和挑战,但是应用逐渐大数据化是需要一个过程。
SAS推动行业大数据落地
在推进行业企业大数据落的地进程过程中,作为领先的大数据服务商——SAS能够为行业企业提供什么样的服务或者产品支撑?吴辅世指出,过去几年 SAS为中国行业企业提供了优质的产品以及服务为助力大数据落地,比如我们的联想、华为等。正是借助SAS的大数据优质的产品,SAS中国成为在亚太区是以成长速度最快的国家和市场,目前,SAS重点服务四大行业领域的企业:第一,金融服务银行、保险企业;第二,制造业;第三,政府市场;第四,电信市场,除此之外未来在中国市场上SAS还要继续推广发展如医疗等行业,加速大数据落地步伐,促进企业健康成长。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-07-07【核心关键词】转化率、企业、策略、岗位、互联网、拆分、产品、运营、分析师、指标体系、数据分析、用户画像、数据诊断、产品 ...
2026-07-06在数据分析工作中,文本数据处理是高频刚需场景,用户评论、客服工单、日志信息、调研问卷、商品文案等数据都包含大量文本内容。 ...
2026-07-06