京公网安备 11010802034615号
经营许可证编号:京B2-20210330
从概念到应用 大数据产业刚刚开始
当互联网与IT技术对传统产业的改造越来越深入,全社会的信息化程度越来越高时,各行各业会产生大量的用户大数据。
大数据已经成国家战略,事关中国经济的转型与升级,以及中国在全球经济、政治、文化上的竞争力。
在2015年第四届中关村大数据日的活动上,分享嘉宾来自各行各业。从个人出行到工业大数据,从能源到企业服务,大数据正快速与企业结合,拥有勃勃生机。围绕着“共享共融数创未来”这个主题,在第四届中关村大数据日上,各位嘉宾发表了自身的精彩观点。
从概念到应用落地
过去几年,大数据还只是谈论概念,现在已经有了诸多应用。比如,在打车行业,如何利用大数据进行司机与乘客路线更精准的匹配,而不同场景、不同时段,用户出行的特点不同,司机也有不同的喜好与熟悉的区域,如何动态地将这两者匹配,实际上是大数据的难题。
同样,在工业领域,一整套数据的标准、主数据、数据仓库,甚至BI,亦可以优化工业化生产,提升效率。这其中模型数据化、数据产品化,是工业大数据,两个重要的探索方向。
而在民生领域,以龙信思源为代表的大数据公司,为政府、社会组织及研究团队,提供了大量的数据产品支持,这也促进了整个民生行业大数据的发展。
中国的大数据产业,才1500米,而未来的路是万米之长。这其中蕴含的机会也有很多。目前,大量的大数据创业公司,围绕数据交换、数据建模、数据分析、数据可视化、数据集成、数据仓库、数据行业应用等大数据产业链各个层面,开始创业。据了解,目前,大数据已经成为全球知名VC投资的重要方向,并且各个阶段企业的融资步伐,也开始加快。
当大数据产业链、行业应用逐步发展完善之后,大数据将会形成质变,创新整个社会形态。
宽带资本董事长田溯宁认为,大数据不仅引起数据的量变,还会引起整个企业经营形态发生变化。过去,工业时代是以产品为中心,而大数据时代,需要的是围绕客户运营,依据客户需求,给出合适的数据产品。并且,可以实时将客户需求与产品进行较好匹配。“在客户最需要的时候,站出来,这比什么都有效。”
大数据的3大挑战
大数据是从信息技术的底层来捕捉信息化的共性基础和未来发展趋势。大数据技术是底层技术,基础性、内蕴性、普适性可以给各个行业助力。但大数据的基础性、底层性,也带来了一些挑战。
中国科学院院士、大数据专家徐宗本认为,大数据行业的真正挑战来自三个方面:一是原来的分析基础要变化,要融合统计学、计算理论基础、逻辑基础。二是,计算技术也需要重新革新,无论是存储、计算语言、还是计算方法都需要重新来过。三是,大数据做出来的结论对不对,还无法大规模验证,这是目前面临的最大挑战。
在三大挑战中,应用层的挑战当属榜首。大数据,看上去很美,但对大多数人来说,更是雾里看花。如何将抽象的数据变成一个个可以在现实中实践的产品,这些需要各行各业进行深入探索。
目前,大数据的浪潮才刚刚开始,许多传统产业看到了这方面的价值,但是并没有获得收益。而如果大数据没有相关的产业基础,亦很难有更多的务实创新。行业人士一致认为,未来,大数据的机会与挑战皆在与行业的结合上。
未来的路要怎么走?
大数据产业,既独立于行业,有自身的产业链条;又依赖于各个行业,形成大数据应用的广度与深度。
共享经济这个词近两年很流星,除了实物类的共享外,还引领了数据层面的共享。Airbnb、滴滴打车、优步,这些都实现了物理资源的共享。而在IT界,云计算是将每个人需要的计算能力,汇聚到一起,形成一点对多点的需求。而在共享经济时代,不必将资源和计算的方式连接在一起,大众将自身拥有的资源共享,成为多点对多点的关系。在这一模式下,大数据也可以作为一种资源共享出来。
目前,国内进行的数据共享,主要围绕数据互换、数据定价、数据反馈等层面来进行。举个例子,一个利用大数据进行金融创新的企业,其获得的数据源主要来自于几个方面:用户、合作的场景与客户、第三方征信数据。与合作场景\客户往往通过数据互换、数据反馈来进行。而与第三方征信公司,数据往往通过数据定价来完成。
与会专家不少认为,由于数据定价模式还不完善,数据只处于交换阶段,这使得大规模的数据交换无法进行。未来,还会是通过数据交换平台来完成。
行业人士一致认为,未来,数据交易市场目前还处于发展初期。未来,数据交易市场还从服务、IT应用、行业开发等各个方面,来形成数据产品,进行流通。并且,数据流通不是一个空话,这里也非常需要多行业多企业的数据聚合,将交易市场这个大平台,实现最大化。
不少大数据创业公司,致力于大数据交易。但是,数据堂CEO齐红威的观点颇具代表性,他表示,数据交易平台会遇到几个核心问题。:一是直接的数据交易无法实现。不少数据涉及个人隐私,有一些处于灰色带这些数据需要脱敏之后,形成相关的产品之后,才能使用。并且,不少数据是涉及国家安全的,这些数据,就不能使用,这是每一个大数据公司的底线。
二是,数据提供方和数据需求方的需求并不对等。目前,数据提供方想要的是对自身数据的不断补充,以及对自身数据产品的调整与研发。而同时,数据需求方,则希望能够整合多家数据,完善自身的数据体系。现在,每家公司都认识到自身的数据资产价值,对于数据的开放、合作上的积极性还需要进一步提高。
三是,数据的版权问题。原始的数据由于各种没法使用,公司与产业需要的是脱敏感数据产品,那这些深度加工过的数据产品,版权究竟属于谁,谁能够使用。这些还需要进一步探讨。
四是,数据的加工。原数据可以使用的场景、交易的范围都被大大缩减了。而进行数据加工之后,可以使用的产品与场景,都骤然增多。
对于这4大问题,行业一致认为,除了通过市场化的企业力量,去创新方法,改装这些问题之外,还需要政府的主导力量。
中关村管委会副主任宣鸿表示,中关村管委会将全力支持大数据产业快速发展,从政策支持、人才引进、资源扶持等各个方面,全力支持大数据。
据了解,中关村管委会制订了中关村大数据产业发展促进路线图,面向2020年,中关村将着力引进100个大数据顶尖人才和100个创业团队,超前布局,人机交互、人工智能、虚拟现实等关键技术,落地5家一流的大数据究机构和5家交易评估机构,建设30个大数据共享应用平台,建设20个企业创业的孵化平台,建设3个大数据产业园并落地50个大数据的产业化项目。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据科学的工具箱中,析因分析(Factor Analysis, FA)、聚类分析(Clustering Analysis)与主成分分析(Principal Component ...
2025-12-18自2017年《Attention Is All You Need》一文问世以来,Transformer模型凭借自注意力机制的强大建模能力,在NLP、CV、语音等领域 ...
2025-12-18在CDA(Certified Data Analyst)数据分析师的时间序列分析工作中,常面临这样的困惑:某电商平台月度销售额增长20%,但增长是来 ...
2025-12-18在机器学习实践中,“超小数据集”(通常指样本量从几十到几百,远小于模型参数规模)是绕不开的场景——医疗领域的罕见病数据、 ...
2025-12-17数据仓库作为企业决策分析的“数据中枢”,其价值完全依赖于数据质量——若输入的是缺失、重复、不一致的“脏数据”,后续的建模 ...
2025-12-17在CDA(Certified Data Analyst)数据分析师的日常工作中,“随时间变化的数据”无处不在——零售企业的每日销售额、互联网平台 ...
2025-12-17在休闲游戏的运营体系中,次日留存率是当之无愧的“生死线”——它不仅是衡量产品核心吸引力的首个关键指标,更直接决定了后续LT ...
2025-12-16在数字化转型浪潮中,“以用户为中心”已成为企业的核心经营理念,而用户画像则是企业洞察用户、精准决策的“核心工具”。然而, ...
2025-12-16在零售行业从“流量争夺”转向“价值深耕”的演进中,塔吉特百货(Target)以两场标志性实践树立了行业标杆——2000年后的孕妇精 ...
2025-12-15在统计学领域,二项分布与卡方检验是两个高频出现的概念,二者都常用于处理离散数据,因此常被初学者混淆。但本质上,二项分布是 ...
2025-12-15在CDA(Certified Data Analyst)数据分析师的工作链路中,“标签加工”是连接原始数据与业务应用的关键环节。企业积累的用户行 ...
2025-12-15在Python开发中,HTTP请求是与外部服务交互的核心场景——调用第三方API、对接微服务、爬取数据等都离不开它。虽然requests库已 ...
2025-12-12在数据驱动决策中,“数据波动大不大”是高频问题——零售店长关心日销售额是否稳定,工厂管理者关注产品尺寸偏差是否可控,基金 ...
2025-12-12在CDA(Certified Data Analyst)数据分析师的能力矩阵中,数据查询语言(SQL)是贯穿工作全流程的“核心工具”。无论是从数据库 ...
2025-12-12很多小伙伴都在问CDA考试的问题,以下是结合 2025 年最新政策与行业动态更新的 CDA 数据分析师认证考试 Q&A,覆盖考试内容、报考 ...
2025-12-11在Excel数据可视化中,柱形图因直观展示数据差异的优势被广泛使用,而背景色设置绝非简单的“换颜色”——合理的背景色能突出核 ...
2025-12-11在科研实验、商业分析或医学研究中,我们常需要判断“两组数据的差异是真实存在,还是偶然波动”——比如“新降压药的效果是否优 ...
2025-12-11在CDA(Certified Data Analyst)数据分析师的工作体系中,数据库就像“数据仓库的核心骨架”——所有业务数据的存储、组织与提 ...
2025-12-11在神经网络模型搭建中,“最后一层是否添加激活函数”是新手常困惑的关键问题——有人照搬中间层的ReLU激活,导致回归任务输出异 ...
2025-12-05在机器学习落地过程中,“模型准确率高但不可解释”“面对数据噪声就失效”是两大核心痛点——金融风控模型若无法解释决策依据, ...
2025-12-05