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
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 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 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 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 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19