京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据的概念从问世到现在已有5年历史,这个概念从诞生到发展在全球引起了一次又一次热潮,经久不衰。为什么会这样?
从历史和全局战略认识大数据
大数据的浪潮翻涌至今,我认为有两个重要因素在起推动作用。第一个是人类社会在发展过程中对信息的渴求。在人类社会发展的所有时间里,信息一直是人和人类社会发展的最重要的内容。但是为什么直到5年前才“突然”出现大数据的概念?就是第二个因素——以传感技术、互联网、移动智能终端为代表的一系列新的信息技术,使得信息的获取、利用、集聚在数量上发生了突飞猛进的变化。
从这样的角度去分析,由于技术和信息内在的联系,我们会看到这两支力量在未来大数据为代表的信息时代的重要性将会进一步凸现,这是历史的角度。
我们还需要从全局的角度再来看一下大数据。2011年大数据概念产生的时候,当年4月份英国《经济学人》刊登了一篇专题文章论述“第三次工业革命”,指出大数据在其中发挥着重要作用。
是这样吗?至少我们看到了一系列重大变化:产业互联网、工业4.0、先进制造业、智能制造、中国制造2025……从中国2008年开始持续推进两化融合到两化深度融合,从电子商务到3d打印,从远程治疗到智慧治疗,从远程教育到智能教育……一系列经济和社会发展的新概念都在发生变化,我们从这样的发展变革中看到所有这些变化背后都有大数据在其中发挥着极其重要的作用。
为什么我们要从这两个角度去看大数据?由于技术进步和社会发展的需求,人类社会发展进入新的历史阶段,新的基础性技术力量和新的资源概念正在诞生。这个新的技术力量使信息技术和工业技术融合在一起,使我们从产品服务、生活管理等方面有了一个迈上新台阶的生产力构建。这个生产力构成的背后是人类社会自工业革命以来,由物质和能源建设的进步推动的社会发展演变成由能源、信息、产业三种资源共同推动社会的发展。
因此,大数据的热潮有其必然性、深刻性和广泛性。因此我们要重视大数据,用好大数据,否则便不能跟上历史发展的潮流。
从问题和价值导向来推动大数据产业
大数据技术我们面临什么问题?价值在哪?制高点在哪?
从技术的角度来看,主要有两大问题:一是大数据以每隔几年提升一个数量级的角度看,如今的计算机处理体系——以芯片为基础的处理体系机构是不是适应大数据发展的需要?答案很清晰,不是。迄今为止,以x86为代表、以arm为代表、以存储芯片为代表的三个芯片架构从逻辑上来说都不符合大数据处理的需求,所以要从芯片开始重构适合大数据发展的处理需求。也即,要有新的芯片和新的处理结构,这是问题价值制高点。当真正满足大数据处理的芯片被设计出来,谁就站上了制高点。
从产业角度看,大数据产业大概可以分为两类:一类是“技术变成产业”,就像当年数据库管理系统变成了数据库公司,当真正的大数据处理芯片和计算架构形成时还将会形成新的产业;另一类是各个企业、机构甚至个人——以后我们很多“个人”都可以变成大数据的拥有者。
千万不要小看这点,我们对历史总是很容易健忘。20年前,很多机构包括中央部门,数据库量级是以g为代表的,而今个人都可以拥有t级的数据。这样的企业、机构、个人如何使数据管理应用成本更低、效率更高,这需要产业的支撑。因此谁能为这些“个体”的大数据应用提供便利,谁就会在发展过程中形成增值的发展基础。
然而从应用的角度看,大数据最重要的含义不在上述技术和产业,而是在于,所有企业、机构和个人如何将大数据变成我们提升能力、提升竞争力、提升生活质量的来源。那么在这个命题上,当前大数据应用的主要问题是什么?
我认为第一个问题是,数据有没有用、能不能用,能不能变成提高劳动生产力和提高市场占有率、提高创新能力、降低成本提升效率的源泉。这是社会进步的根本所在,也是大数据的本质所在。
所以,不管是企业还是机构,在讲大数据应用的时候,首先要解决的问题是“大数据能贡献什么价值”,然后通过这样的分析再去看大数据在哪,怎么才能得到。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21