
大数据应用号角正式吹响 建筑业信息化_数据分析师考试
建筑行业是最需要被互联网变革的行业,因为这是最大的大数据行业之一,却也是当前最缺少大数据的行业。
日前,国务院发布《关于运用大数据加强对市场主体服务和监管的若干意见》(下称《意见》),正式吹响大数据应用号角。对已经身处BIM和“互联网+”浪潮的建筑行业而言,如何处理和用好海量的工程相关数据,是实现信息化变革的最关键因素。
《意见》提出,要进一步健全创新体系,鼓励相关企业、高校和科研机构开展产学研合作,推进大数据协同融合创新,加快突破大规模数据仓库、非关系型数据库、数据挖掘、数据智能分析、数据可视化等大数据关键共性技术,支持企事业单位开展大数据公共技术服务平台建设。
建筑行业是我国的支柱产业,建筑全生命周期内会产生海量数据。2014年,我国在建项目达60余万个,其中房屋新开工面积18亿平方米,而每个项目都会涉及建设方、总包方、分包方、材料设备厂商、劳务公司、设计院、监理方、政府部门等,在此过程中会产生大量数据。有公开资料显示,平均每个建筑生命周期大约产生10T级别数据,相当于630万部《红楼梦》。
在从事工程项目管理多年的国有建筑企业某负责人王理看来,现阶段建筑企业还缺乏对信息化的有效应用,无法通过传统方法管理海量工程数据,从而实现精细化管理。管理的支撑是数据,项目管理的基础就是工程基础数据的管理,及时、准确地获取相关工程数据就是项目管理的核心竞争力。建筑行业大数据应用和BIM普及的核心,是基于企业核心数据的积累、存储和管理。
“现在很多国外公司想进入国内做建筑行业信息化,目前国内做得很有规模、很深入的公司也比较少,但很多企业都想借大数据和云计算这些新技术变革的机会努力做一些创新。”有行业分析师表示。
不过,王理分析认为,对于建筑行业的大数据挖掘来说,存在天然的行业壁垒。“首先是数据维度比较复杂,简单来看,既有建筑类数据,如建筑造价类数据、建筑结构类数据、建筑施工工艺类数据、建筑材料类数据,也有管理类数据;其次是我国的建筑法律法规和对专业的要求与国外不一样,各省市的建筑行业法律法规都不一样。在这种情况下,建筑行业的大数据挖掘成了一个高门槛行业。”他说。
信息增值改变行业“玩儿法”
虽然入门很难,但是大数据对建筑行业的改变非常大。《意见》也指出,要充分认识运用大数据加强对市场主体服务和监管的重要性。
以传统的工程造价咨询公司为例,拥有100个造价人员的公司至少会有两个人专门做询价,即找材料价格,而一个咨询师的年成本约30万元,两个人就是60万元。从收集材料厂商数据的成本来看,收集一个厂商的信息,大约一年需要140元,而目前国内的建筑材料生产厂商有约79万家,要把这79万家的材料信息收集回来,成本是非常高的。
信息增值改变行业“玩儿法”
“所以针对这一情况,我们努力做的事情就是把这些生产厂商的数据收集回来,结合一系列机器学习、数学建模、自然语言处理、搜索引擎等技术,把信息精细加工以后,提供给用户。这既可以节省很多人力成本,也可以在做招标、投标和审核时的预算中直接载入做过精加工的数据,方便进行各种调度。”大数据专家付永晖说。
工程造价信息化是行业趋势,企业数据库建设就是排头兵。有业内专家指出,通过BIM可以更好地处理造价管理工作,“多、快、好、省、准、全”地获取材价数据,构建企业核心数据库并进行有效管理。“这些都是工程造价行业从业者每天都要面对的问题,以前他们需要通过大量时间与人脉积累,去了解庞杂的产品造价和工程管理信息,而BIM和‘互联网+’能将一切都整合到网上,实现阳光、透明的采购流程,更好地搭建核心材价数据库、指标数据库、项目数据库、供应商数据库等。”他说。
王理则直言,基于互联网的信息增值服务改变了行业玩法。这种信息化、扁平化、互动化、可视化、精细化的增值服务,延伸了工程项目预决算管理的产业链,提升了建筑行业的产业链价值,呈现出新常态背景下从要素驱动、投资拉动向创新驱动、服务带动转变的特征。
信用建设必须以大数据为支撑
《意见》提出,要运用大数据加强和改进市场监管。建立国家统一的信用信息共享交换平台,整合金融、安全生产、质量监管等领域信用信息,实现各地区、各部门信用信息共建共享。充分发挥行政、司法、金融、社会等领域的综合监管效能,在招标投标、国有土地出让、企业上市、劳动用工、环境保护等方面,建立跨部门联动响应和失信约束机制。
事实上,去年发布的《关于推进建筑业发展和改革的若干意见》已经明确,要探索开展工程建设企业和从业人员的建筑市场和质量安全行为评价办法,逐步建立“守信激励、失信惩戒”的建筑市场信用环境。鼓励有条件的地区研究、试行开展社会信用评价,引导建设单位等市场各方主体通过市场化运作综合运用信用评价结果。国家发改委副主任连维良曾表示,信用建设必须以大数据为支撑,以大数据为支撑的信用建设手段,对于加强对市场主体的服务和监管具有非常重要的作用。
据了解,浙江、湖南、安徽、山东等多地已建立或筹建工程建设信用大数据平台、建筑市场数据库等,并定期发布失信违约“黑名单”。我国建筑市场中各方主体普遍存在信用缺失情况,诚信“短板”问题突出。一些企业不按工程建设程序办事,或违法转包工程,或关键技术岗位人员不到岗履职,或在施工中偷工减料,导致质量问题和安全隐患等。而通过大数据平台动态记录信息,通过建筑市场管理和施工现场监管有效联动,有助于更好地实现“数据一个库、监管一张网、管理一条线”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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