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
在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16