京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据,未来已来
日前,在成都的一次大数据会上,各位顶级专家都不约而同地提到了大数据还远未成熟的观点。我也很赞同这个观点,大数据在今天,依然属于前沿科学,它在很多行业和细分领域,都还很不成熟。然而,这并不代表我们还要再徘徊等待,无所作为。相反,在一些细分领域,在一些特定的“点”,我已经看到了星星之火。与我所经历过的其他新兴市场并无不同。我坚信,这些星星之火必将燎原!大数据,未来已来。
大数据拐点已现
在过去的时间里,我们听到越来越多的公司,在越来越多的行业里,用着他们的内外部数据,用他们的大数据处理技术,帮助用户解决了他们的问题。
判断大数据市场是否进入拐点,以我过往的经验,有三个重要的特征来评价:
在特定的领域,针对特定的人群,数据积累已经可以满足特定应用的基本要求;
在特定的领域,针对特定的人群,大数据的处理技术已经可以很好地满足特定应用的需求;
第一、二点不难理解,一个新市场的成熟总是先从一些“点”,再及“线”,最后才成“面”,乃至从局部发展成全面的成熟。大数据,目前还处于“点”的阶段。所以,目前还无法考虑“面”的问题,只能具体问题具体分析,下面的方法论里会提到这一点。我可以很确切地告诉大家,我们不但找到了一些“点”,而且正在为他们用数据以及我们的数据处理技术提供有价值的服务,帮他们解决了很棘手的问题,创造了价值!
这里面值得一提的是第三点。相信很多大数据的从业者都是互联网背景的人,我不是单纯的互联网人。相反,在过去的十数年里,我一直从事电信和金融行业的服务。一个市场的兴起和发展,行业的推动力是不可忽视的。大数据,恰好在国家“互联网+“的战略背景下发展起来的。它的应用场景远不仅是互联网!我们看到,大数据已经渗透到很多行业中去,并正在为各行各业解决一些实际的问题。虽然,目前还有一些这样那样的不足,也有很多冠以大数据,其实并非大数据的项目在展开,但毕竟现在正在举国家之力在推进大数据产业,其中必然有真正的大数据项目和大数据公司受益,这对大数据整个产业的发展和市场的早日成熟都是非常有利的。
所以,有一种大胆的猜测,由于国家的介入,势必会大大缩短大数据产业、大数据市场的成熟的时间。不要把目光只停留在互联网,大数据改变的可远远不止互联网应用!
你准备好了吗?
我经常问自己,如果大数据浪潮来了,应该做好哪些准备?如果你不想错过这次浪潮,是时候该思考这个问题了。
首先要做的,就是对自己有一个定位,你在将要成熟的产业链里扮演一个什么角色?对大数据公司的划分方法有很多,比较常见的是按照提供技术的细分来划分的。我个人比较喜欢用产业链的角色来划分。在2016年1月1日的《大数据跑马圈地的时代已过,逐渐清晰的产业格局将上演厮杀》一文中阐述过四种角色的划分,即数据交换商,数据优化商,算法提供商以及解决方案提供商。这四种角色的定义到目前为止我依然认为是合理的。具体的定义可参照原文,这里就不做更多解释了。
有了一个定位,清楚了自己将在未来产业格局中扮演的角色,接下来就是选择市场了。传统行业市场和互联网的消费市场,是完全不同的两个市场。我个人目前选择的是前者,但我从来不认为后者不好,只是个人经历的原因,我对前者更有把控力,后者的想象空间可能会比前者大。
对于行业市场,也有两种,一种是改变原有的行业,一种是解决一些新兴行业的新问题。前者可能会慢一些,因为背负的东西太多,可从另一个角度来看,一旦实现改变,未来的红利还是相当可观的;后者可以说是可遇不可求,一旦遇上,因为本身需要快速地发展,背负的东西很少,所以可能会比较快地切入市场,并伴随这个新兴市场一期成长。这两种情况目前我们都遇到了,都在做。
一个新的市场,不要期望一天就成熟起来。一个市场的早期,一定会有一些“点”先成熟起来,那么我们就针对这些点,依靠对数据的理解,对大数据技术的掌握,为其提供服务,解决他们遇到的问题。切不可求大求全,因为数据的成熟度还远未达到,整个行业的体系建设还远未成熟。我们能做的,绝不是等待徘徊,而是积极地寻找这些“点”,并倾注全力去解决问题,等待“线”乃至后续的成熟。我们需要不断地积累经验,这样才能在一旦市场成熟时,我们已经积累了足够的经验和资源去跟大厂商抗衡,才能在未来成熟的产业格局中占有一席之地。否则,等待一切都水落石出时,哪里还能有你的立足之地呢?
大数据落地的方法论
很多公司喜欢一步到位,做产品也如此。一上来就高屋建瓴,面面俱到。我不能否认这种做法的科学性,在成熟行业里,这是正确的。但是在新兴行业里,这是可能就是致命的。
在一个新兴行业里,人们对市场的理解就如盲人摸象。有的说是柱子,有的说是鼻子,有的说是一堵墙,其实都不是。看过“雕爷”的一本书,很赞同他的一个观点,互联网的项目,经常是看的是A,落地的是B,在C上赚了钱,在D上发了家。其实,并不是只有互联网项目如此,所有的早期市场都如此,具有很多的假象和欺骗性。
2012年正是移动互联网火热的时候,百花齐放百家争鸣。但从数据的角度来看,各家都面临着极大的不确定性(数据稀疏而且规律性差,存在很多“噪声“)。因为用户的使用习惯尚未养成。除了阅读、听音乐等少量的用户已经养成的使用习惯,多数应用还属于探索阶段。尤其对于O2O而言,单位面积的使用人数的匮乏(密度不够),直接导致了应用的可用性。在这种环境下,人们对市场理解是片面的,不稳定的,错误的概率极高。
所以,对新市场而言,不要静态地去看待问题,而要高度动态地密切关注着一些“表象”的演变。这就带来了做新市场新业务的方法论,小投入,小周期,小产品的快速迭代。
新市场不需要大兵团作战,兵力再多也展不开,因为具有太多的不确定性。我以往的成功经验,是利用精干的小分队,在众多不确定性中找到确定性,先做下去。做新市场,如同对弈。出招,市场反馈,再调整,再出招,不断地在动态中调整自己的方向,直到最后的成功。这绝不是一个静态的过程,要在动态中捕捉到真正的机会。不断地利用已知的知识和反馈,已确定的信息,去推断其他未知的不确定性,逐一落地。我常把做新市场新业务的过程比作一个古老的PC游戏—挖地雷。我们就是用已知的,确定的因素,去推断未知的,不确定的因素,直至将所有的地雷挖干净,取得胜利。
做新市场新业务,初期的步子不要迈得太大。本着谨慎的心态,小步快走,以高度的敏感和深入的洞察力去贴近市场,摸到市场的脉搏,与市场共舞。
大数据,没有旁观者。因为我们每个人每天都会产生着越来越多的数据。大数据的脚步已经离大家越来越近,大数据,未来已来,我已经准备好了,你呢?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28