
解读2017中国大数据企业排行榜V3.0
首席数据官联盟发起人刘冬冬先生解读:2017年《中国大数据企业排行榜》V3.0已经是《中国大数据企业排行榜》的第三次更新了,第一版是2015年底发布的,一经发布就在中国大数据业界引起了很大的反响,众多知名企业高管、政府领导都强烈致电要求我们持续推出,帮助政府和企业快速的筛选大数据供应商以及帮助政府招商引资;
因此在业界专家们的支持下我们去年发布了第二版,未来我们将每半年发布一次中国大数据企业的排名更新,更好的服务于使用大数据的政府和企业。从去年第二版开始,我们发布排行榜的同时也推出了一系列相关报告,包括《中国大数据企业排行榜》、《中国大数据产业地图》、《中国大数据业产业分析》、《大数据企业评价指标》等。其目的在于使更多政府和传统企业能够更全面、更快速的了解中国大数据行业的发展。
每次的排行榜都凝结了首席数据官联盟专家组上百位专家们共同智慧,从产业发展分析到产业地图,再通过严格的评价指标体系(采用国家创新型企业的三级标准26个维度),最终得出本次排行榜。此次排行榜同时也得到了我们的同行,例如:中关村大数据产业联盟、中国大数据产业应用协同创新联盟、中国西部互联网大数据与产业联盟、西南大数据联盟、重庆大数据产业联盟、西北大数据产业联盟、南京大数据产业联盟、中国数据共享公约组织、深圳市大数据研究与应用协会等领导的认可,还得到:央企CIO联盟、华南CIO联盟、西南CIO联盟、西北CIO联盟、七邦CIO联盟、深圳CIO联盟、数据架构师联盟、Pentaho中国、China Hadoop Summit、海数据社区、Spago86社区等众多个知名组织专家们的支持。
本次出席发布会的大数据产、学、研、用代表:北京大学电子政务研究院副院长杨明刚、中科院计算机研究所博士生导师罗平、中国钢铁集团信息管理部总经理李红、中国黄金珠宝公司信息管理部总经理周韩林、三一重工流程信息化总部战略总监文博武、中华网创新业务总监熊锦华、中关村大数据产业联盟秘书长赵国栋等领导;往届代表:北京理工大学大数据搜索挖掘实验室主任张华平、中铝公司信息管理部副总文欣荣、达晨创创投大数据负责人窦勇、北京信息化协会副理事长马小东、China Hadoop Summit创始人何建军、宏碁电脑营销总经理黄峻涛、阳光信保数据开发部总经理安光勇等。
从覆盖面上讲,本次排名对近1100家大数据公司进行了考察。排行从41个应用领域、10个行业领域、13个智慧城市领域和8个大数据周边服务领域,总共64个细分+8个服务领域全面对国内大数据企业进行相对全方位的细分与展示。本次我们新增8个垂直行业和领域,并更新、调整了2个行业和领域分类。本次上榜企业共252家,其中同时在3个以上细分领域上榜的企业有13家,同时在两个细分领域上榜的企业有31家。
与2016年7月份发布的《中国大数据企业排行榜 V2.0》相比,本次新上榜大数据企业84家(占本次排名企业的33.3%),149家企业连续两次(去年和今年)上榜(占本次排名企业的59.1%)。只有107家企业排名与去年排名相同(占本次排名企业的42.5%)。共有9家企业因并购、股东变化、公司扩张、改制等原因,其公司注册名称发生了变化。还有64家企业出榜单上退了下来(占本次排名企业的25.4%),但这并不意味企业本身出了问题,而是其业务发生了变化,以及排行的细分领域也进行了优化等原因。另外,大数据行业的蓬勃发展,也吸引了大量的资本方和各行业的龙头企业(BAT等),因此原先以技术为主的大数据行业的游戏规则也发生了不少变化。背靠互联网龙头企业、资本方的所谓“新型”企业,以及各家上市公司依靠强大的资本实力和人力资源迅速代替了原先的企业。
通过本次行业排名,我们再次体会到了大数据行业迅猛的发展速度,而这些迅猛的变化大大提高了我们排名的难度。但同时经过近两个月的努力,我们也获得了许多非常宝贵的行业第一手资料。
从考评方法上讲,我们在国标体系的基础上完善了我们的评价指标。指标分成4个一级指标,包括评价企业的技术能力、健康度、创新驱动能力和它的知识产权能力。4个一级指标分成9个二级指标和26个三级指标组成。而在三级指标的设计上,我们全部采用了相对指标体系,以更真实反映企业活动的效率。因为大部分企业还是中小微企业,成立时间短,且体系不够完善等特点,但却具备了大企业所没有具备的创新能力和灵活性。而这些能力很难在财务指标中迅速体现出来,也不能准确地评价这些大数据企业的真实、客观的能力。
数据源:全部来源于政府部门和第三方权威机构的公开数据。而首席数据官联盟本身就有一大批大数据专家,包括舆情领域的专家。我们通过对社交等互联网数据的分析,侧面地获得了支持主观变量的数据。
另外,因资本方和具备资金实力的龙头企业的加入大大影响了整个排行榜,我们专门对资本市场进行了深度分析。通过分析我们发现:
1. 投融资主要集中在A、B、C轮;
2. 对于大数据行业,投资方更看重技术领域,把主要的资金投入到技术领域;
3. 同时投资也逐步往垂直行业延伸,如:金融、医疗、汽车等领域;
4. 一直处于大数据应用前沿的电商大数据应用并没有得到资本的青睐
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09