京公网安备 11010802034615号
经营许可证编号:京B2-20210330
最新大数据产业现状和主要子行业介绍
大数据从源到流到汇聚应用,包含数据入口、数据融合处理、数据应用三个主要过程。从前到后看,这三个过程分别对应于数据资产领域、数据融合与处理相关领域、数据应用相关领域。
1) 数据资产领域
“数据正在成为一种(战略)资产”已经是行业的共识。大数据很大程度上是随着社会信息化程度提高而在近期产生的,即是以前没有或无法获取且正在不断生成的“新(fresh)”数据。不同的公司把握着各个数据入口,而把握数据资产的企业也必然成为大数据的首批和直接受益者。从公司业务模式上,数据资产公司可以区分为纯数据资产公司和兼数据资产公司;从数据类型上,数据可以区分为交易数据(含询价等)和交互数据。
纯数据资产公司指其产品和业务即为数据本身,代表企业如友盟和个信互动等。友盟(Umeng)将核心代码植入各种移动应用,向移动应用创业者提供应用统计分析、用户反馈等服务,目前,国内主流开发者大多是友盟的用户,超过18万的移动应用从友盟服务中获益。个信互动的个推平台,面向公众提供专业的手机推送解决方案,并向开发者提供推送的BI数据,目前的接入用户已经超过6.8亿。
不难看出,该类公司有几个特征,
一是处于数据流中某个基础性的控制节点;
二是在控制节点后聚集了一整类的兼数据资产型公司;
三是标的数量很少,一个具体领域(如手机的信息推送或者应用统计服务)只能容纳下1-2家企业;四是该类企业处于底层,较少为非业界人士所知。
兼数据资产公司相对纯数据资产公司显然更多,下表按照交易数据与交互数据对其进行分类整理。
表格中所列示的都是规模较大、有所成绩的明星企业,因为如果数据没有相当深度和广度的累积,价值将非常低。但是,我们看到不断有新的企业成长起来,百花齐放百家争鸣,抢夺已有的入口或者开辟全新的入口。
2) 数据融合与处理相关领域
在数据融合与处理相关的领域,主要解决包含两个方面的问题:一是数据标准化与有效性整理;二是面向过程(具体目的)的数据处理与粗提取。
典型的案例如征信数据库,商业银行与各信贷主体之间每天都在发生着海量交易,交易一旦发生则记录进入各商业银行数据库(录入人员通过人机交互过程完成数据的标准化和预处理),每天晚上各商业银行后台对数据进行整理和加密,次日将信贷主体与信用数据加密通过专用接口将数据包提交到征信数据中心,然后征信中心将各数据包加成导入到征信数据总库进行更新,完成数据标准化和有效性整理并形成更新后的数据状态。而面向过程的数据处理与粗提取,比如对某信贷主体的征信数据进行查询后,可通过插件进行破产风险(企业)或信用评分(个人)的简单核算,不同金融机构可设置不同的标准,根据自身风险政策完成初步的可否授信、授信额度大小的批量化评估。
较成熟的类似机构包括彭博、万得、同花顺等,目前均局限于金融行业,但每个行业都有不同的数据整合入库的需求,而数据标准的制定及数据汇聚的执行是其难点所在。另外,在大数据的融合与处理相关领域,两个绕不开的点为基础软件(数据库软件)和云计算。
3) 数据应用相关领域
如上文所述,掌握数据资产的企业群是大数据的首批和直接受益者,因为他们会自然、方便的对大数据进行把玩、加工、消化、利用。而随着应用价值的逐步体现及大数据产业的发展,应用将必然扩张到生产生活的方方面面,广泛影响各行各业。
麦肯锡针对美国各个行业应用大数据的潜在价值提升做了一个评估,从其中我们可以看到,大数据的应用将使得金融保险、信息技术、公共管理、贸易物流等领域获得极大的价值提升。
首先我们按照从硬件-基础软件-应用软件-信息服务和数据生成-存储-处理-应用两条线各4个维度来划分大数据的产业结构,涉及11大类主要的产品和服务:采集设备、存储设备、服务器、数据库软件、采集监测软件、智能搜索与分析软件、系统集成、IT基础设施服务、咨询实施服务、信息安全以及云计算。
以上11种主要产品和服务都是大数据的重要构成,缺一不可,但其中基础软件(数据库软件和分布式文件系统)、应用软件是大数据产业价值转化变现的最关键部分,云计算对大数据的广泛应用有着举足轻重的意义,其他7种在某种意义上则是在原有基础上持续更新并与大数据发展配套的过程。
在软硬件和信息服务领域的垂直划分中,我们认为商业智能带动的应用软件、云计算和信息安全是国内大数据发展的三家马车,也是更可能有所作为的地方。
1) 硬件与基础软件
大数据爆炸增长带动硬件和基础软件发展。
存储和服务基础设施用于存储产生的数据,是数据周期的第一站。随着“新摩尔定律”逐步得到验证,预计大数据将呈现越来越快的增速,同时大数据中非结构化数据占比也将逐步提高,这直接推动着存储和服务器行业的大发展。如何更快、更好、更准确地把数据分门别类、按需存储,提高存储性能和计算能力,是存储器和服务器提供商面临的新问题。基础软件提供商主要是提供操作系统、数据库软件等,对已经存储好的数据资源进行高效管理,是存储器、服务器的下游环节。存储器、服务器等硬件设备的发展也将直接带动基础软件的升级。
国际巨头垄断上述领域,寡头格局已经形成。
EMC、IBM、HP、Sumsung、Oracle等国际巨头在硬件与基础软件领域精耕细作多年,市场竞争格局基本稳定,寡头竞争态势明显。因为其基础软件的优势,又逐步向更下游的应用软件等领域渗透,不断完善自身产品线,提升客户粘性。领先的技术优势、丰富的客户资源、强大的并购能力等构建了国际巨头的护城河,使得国内企业短期内很难超越。
2) 商业智能应用软件
商业智能的体系和意义
从数据的最终利用深度来区分,商业智能划分为数据报表、数据分析、数据挖掘三个层次。其中,报表系统只是简单地进行数据管理,描述企业已经发生的事件,比如Excel、水晶报表、Reporting Service等报表系统;数据分析师对数据进行优化分析,解析造成企业
目前状况的深层次原因,比如OLAP技术;数据挖掘则是对数据进行分析预测,发现知识、预测未来。商业智能的最终目的,是为了产生更好的商业决策。
商业智能的实现过程是通过收集来自企业内部和外部各种数据源的不同数据,提取有用信息,经过数据清洗、转换、重构进入数据仓库或数据集市,然后通过合适的查询和分析工具、数据挖掘工具、联机分析处理工具对数据进行加工处理,最终转化为知识。从商业智能系统建立的技术角度看,构建一个完整的商业智能系统涉及到的核心技术主要有数据仓库(DW)技术、联机分析处理(OLAP)技术、前端分析展示技术和数据挖掘(DM)技术等组成。
国内现状
国内供应商专注于报表软件、应用软件和解决方案等领域。国内BI厂商的共同特点是,产品线不全,厂商实力相对较弱,基本可以分为三类:第一类是从报表工具、展示工具软件等延伸而来的厂商,这类厂商占绝大多数,如润乾、尚南科技等;第二类是从ERP等管理软件延伸而来,如用友、浪潮、金蝶等,专注于战线工具和分析模型方面,并开始向应用软件和行业解决方案转型;第三类是专业BI厂商,如菲奈特融通、东方国信等,专注于BI应用软件和行业解决方案。国内厂商在数据仓库、数据集市、BI 工具平台软件等方面,缺乏有竞争力的产品。
3) 云计算
云计算的三种服务交付模式:IaaS(基础设施即服务)、PaaS(平台即服务)和SaaS(软件即服务)。
IaaS
指的是以服务形式提供服务器、存储和网络硬件。这类基础架构一般是利用网格计算(GridComputing)架构建立虚拟化的环境,因此虚拟化、集群和动态配置软件也被涵盖在IssS中,这方面代表有亚马逊的弹性云服务,ServePath下的GoGrid等;
PaaS
指的是以服务形式提供给开发人员应用城市需开发及部署平台,让他们可利用此平台来开发、部署和管理SaaS应用程序;这种平台一般包含数据库、中间件及开发工具,所有都以服务形式通过互联网提供;PaaS 也是SaaS 模式的一种应用,这一层面的代表有Google App、Force.com、MOSSO等;
SaaS
指的是通过浏览器,以服务形式提供给用户应用程序;SaaS是一种软件布局模型,其应用专为网络交付而设计,便于用户通过互联网托管、部署及介入;SaaS应用软件的价格通常为“全包”费用,囊括了通常的应用软件许可证费、软件维护费以及技术支持费,将其统一为每个用户的阅读租用费;SaaS可以通过浏览器把应用程序作为服务提供给成千上万的用户;这一层面的代表有Salesforce.com、google map、office live等;
云计算厂商则可以细分为平台提供商、系统集成商和服务提供商。
平台提供商
云计算需要能够实现虚拟化、自动负载平衡、随需应变的软硬件平台,这部分的提供商主要是传统的软硬件生产商,如Vmware、Oracle、Sun、IBM、Cisco等;国内的相关公司包括浪潮信息、华胜天成、华为、中兴、方正科技等;
系统集成商
帮助用户搭建云计算的软硬件平台,尤其是企业私有云:代表厂商包括IBM、HP、Google、AT&T等;国内公司包括华胜天成、浪潮软件、东软集团等;
服务提供商
包括为企业和个人用户提供计算和存储资源的IaaS公司、为应用开发者提供开发平台的PaaS公司、SaaS应用服务提供商;代表厂商包括Amazon、Rackspace、GoGrid、Force.com、Google、Salesforce等;国内公司包括鹏博士、网宿科技、神州泰岳、用友、金蝶、焦点科技、生意宝等。
4) 信息安全
信息安全越发重要,迎来发展契机。
信息安全产品覆盖硬件、软件及服务;细分领域众多,竞争激烈且龙头各异。
安全硬件主要包括防火墙/VPN、入侵检测/防御系统(IDS/IPS)、统一威胁管理(UTM);安全软件主要包括内容安全与威胁管理、身份管理、访问控制等;安全服务主要包括安全咨询、等级评测、风险评估、安全审计、运维管理、安全培训等方面。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 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 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 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。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 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 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21