京公网安备 11010802034615号
经营许可证编号:京B2-20210330
寻找大数据变现的突破口
随着去年国务院《关于促进大数据发展的行动纲要》的发布,中国大数据产业进入了高速发展阶段,大数据技术的创新和商业应用的脚步明显加快,大数据在细分领域的落地层出不穷,成为一场贯穿用户生活的互联网变革。
在这场变革里,BAT先知先觉率先发力,针对大数据动作频频——百度着重基于用户搜索行为的需求数据、阿里侧重交易及信用数据、腾讯掌控着社交关系数据。除此之外,金融、零售、快消、电商、媒体等领域的大数据案例也层出不穷。
“2016年是大数据行业最为关键的一年,中国大数据产业已经进入了实际应用阶段,还没有部署大数据的企业未来将会失去更多优势与竞争力。”在36大数据创始人刘金玲看来,今年是大数据行业的拐点,整个行业正处于爆发的前夜。
那么,大数据究竟往哪些方面能挖掘出巨大的商业价值?企业又该如何通过大数据获得更多的收益?7月6日,在北京召开的大数据商业应用与创新峰会上,众多业内人士对此展开了一场深入的探讨。
正处于爆发前夜
如今,大数据正在成为继云计算之后抢占市场制高点的又一领地。无论是企业级市场还是消费级市场,都与大数据发生着千丝万缕的联系。
根据互联网数据中心(IDC)的定义,大数据是指为了更经济地从高频率获取的、大容量的、不同结构和类型的数据中获取价值而设计的新一代架构和技术。最为重要的是,大数据对整个基础架构和软件、服务带来巨大商机。
IDC发布的报告预测,全球大数据技术及服务市场复合年增长率将达31.7%,2016年大数据市场规模将达到238亿美元,2017年这一规模还将达到324亿美元。2018年全球大数据技术及服务市场复合年增长率将达26.4%,规模将达415亿美元。
“大家现在已经不再空谈概念,而是大数据的商业模式,那些对大数据持有观望态度的传统企业,今年将会纷纷部署大数据。若企业今年还没有实施大数据战略,那么未来将会失去很多优势。”在刘金玲看来,我国大数据的技术已经相对成熟,整个行业开始步入实际应用阶段,并将进入高速发展时代。
“2016年下半年到2017年,中国大数据产业的竞争将会越来越激烈,拥抱客户快速迭代数据产品将是大势所趋。”神策数据创始人桑文锋补充道。
亚信数据大数据云平台部副总经理武源文同样表示赞同。他认为2016年中国大数据行业出现了很多大而全的数据聚合平台,预计到2017年,在全国一线、二线乃至三线城市将会出现更多垂直细分领域的大数据聚合平台。
数据流通将会产生巨额收益,在刘金玲看来,随着社交红利和人口红利的慢慢消失,未来肯定是竞争数据的时代。
仍缺少点想象力
大数据是如何赚钱的?刘金玲将其分为四个方向:解决方案、基础设施、工具/产品化服务、行业应用。
解决方案主要集中于智慧城市、公共交通、政务、反恐、环保、防灾等公共事业领域。从国家及各企事业单位招标的情况不难发现,该领域的招标额是巨大的(小到几百万大到几千万元),因此,目前大部分大数据公司都集中于这一领域淘金。
基础设施则是以技术为导向,包括数据库、数据工具、大数据引擎、软硬结合一体机以及借助数据做的API接口和Hadoop商业化版本等。另一个盈利点则是工具产品化服务,比如精准推荐、个性化推荐、商圈选址等,商家通过付费按需购买。
值得一提的是,行业应用将是大数据产生最大商业价值的领域,“因为它的技术趋向于成熟,数据也在逐渐被收集、分析。”刘金玲说,衣食住行、医疗、教育都是它的盈利方向,也是依托于传统行业和现有的行业去做的应用。
在刘金玲看来,大数据是非常性感、有意思的东西,它的表现形式也不是一堆代码,而应该是能执行的产品工具,但是目前大数据产品仍然缺少一些“想象力”。
“我们不能再以传统的思维、IT服务的思维或者外包的思维去做大数据。”刘金玲说,“并不是说传统数据库、统计学没有用,而是大数据到底该通过何种产品形态表现出来。”
另外,只想象不做那也只是假把式,大数据产品还缺乏一定的执行力。“想象力、技术需要落地,而不是飘在云端,没有人在意你的看法,只有人在意你做出了什么东西。”刘金玲表示,可执行性是目前大数据行业最缺的东西。
事实上,对于当今的企业而言,数据就是一种重要的战略资产,它就像新时代的石油一样,极富开采价值。如果能够看清大数据的价值并且迅速行动起来,那么,在未来的商业竞争中定会占得先机。
但是,目前无论大数据应用在哪一个领域,商业模式并不是都很成熟。
“如果部署大数据架构两到三年没有见到成效,很多公司都会撤掉这个项目或者不再投入预算。所以下一步如何让大数据产生价值,应用到行业当中去是我们应该思考的重要课题。”刘金玲说。
商业模式待探讨
如果把大数据当作未来的石油,发动机又是什么?那就是更直接快速的商业模式。
“大数据最兴奋的点不在商业,其实应该放在政府的智能管理上。”中国传媒大学教授沈浩表示,2017年大数据行业将会出现更多实质性的应用,政府数据的逐一开放将刺激全行业,衍生出更多的商业模式。
实际上,很多大数据特别是敏感的数据都掌握在政府手中,国内领先的移动数据服务商聚合数据曾经在此做过多种尝试,包括跟运营商和电力行业合作,但整个合作过程非常缓慢。究其原因,聚合数据技术总监邵加佳分析道,一方面是资源问题,一方面是决策问题。
“很多时候科技的发展是超过了政府服务的想象力或者它的边界的,我们通过政府跟公司合作的方式,推动政府往前看更远一步,通过数据未来的合作,不管是在民生或是商业方面将会提供更多的应用。”邵加佳说。
“政府是拥有大数据和开放大数据以及制定大数据开放策略的重要一方,如果政府借助于商业,开放更多的API接口,那在这个方面大数据会带来更多的应用。”沈浩说。
奥维万象COO郭梅德则表示,信息孤岛必须要打破,行为数据、运营数据、零售和交易数据进行打通,打通之后我们的数据才可以真正应用和落地。他表示,奥维万象2017年将持续开放更多家电生产和制造的相关数据,智能化制造在家电行业应用会更加广泛,数据的开放和流通应该是未来的趋势。
“2016年下半年到2017年,大数据行业竞争肯定越来越激烈,大家会越来越发现大数据是有前途的行业。”在桑文锋看来,从发展趋势来看,大数据会越来越贴近于应用方向,会与应用结合得越来越紧密,比如航空和零售。另外一种趋势是,大数据公司中什么都能干的公司会越来越少,取而代之的肯定会是更为专业的公司。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在互联网产品运营、用户增长的实战场景中,很多从业者都会陷入一个误区:盲目投入资源做推广、拉新,却忽视了“拉新后的用户激活 ...
2026-02-06在机器学习建模过程中,特征选择是决定模型性能的关键环节——面对动辄几十、上百个特征的数据(如用户画像的几十项维度、企业经 ...
2026-02-06在CDA(Certified Data Analyst)数据分析师的日常实操中,表格结构数据是贯穿全流程的核心载体,而对表格数据类型的精准识别、 ...
2026-02-06在日常办公数据分析中,我们经常会面对杂乱无章的批量数据——比如员工月度绩效、产品销售数据、客户消费金额、月度运营指标等。 ...
2026-02-05在分类模型(如风控反欺诈、医疗疾病诊断、客户流失预警)的实操落地中,ROC曲线是评估模型区分能力的核心工具,而阈值则是连接 ...
2026-02-05对CDA(Certified Data Analyst)数据分析师而言,数据分析的价值不仅在于挖掘数据背后的规律与洞察,更在于通过专业的报告呈现 ...
2026-02-05在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29