
全球大数据联盟落户成都
作为2017成都全球创新创业交易会重要活动之一,2017全球大数据峰会昨日在世纪城新国际会展中心举行。此次活动以“创新·衍生”为主题,旨在加强政企对话,产业上下游联动,推动大数据的创新应用、深度挖掘大数据价值,助力产业升级。
在此次峰会上,来自海内外著名企业领导人,以及行业内知名专家教授,共同见证了“全球大数据联盟落地暨国家创新应用中心建设”启动仪式。同时,围绕智能政务、物流、交通、金融、智慧城市、信息安全等领域,共同探讨创新大数据应用、挖掘大数据价值、集聚大数据成果,推动政府治理能力提升和经济转型升级。
在蓉共同建设国家创新应用中心
当前,成都正加快建设全面体现新发展理念的国家中心城市,拥有良好的产业基础、突出的科技优势,并坚持把发展大数据等新一代信息技术产业作为未来发展的战略核心,作为推动城市转型发展的重要动力,并提出要把握大数据的战略机遇,推进大数据应用和产业结构优化作为供给侧结构性改革的重要路径。
在全球大数据联盟创始人宋炜看来,成都聚集了数量众多的大数据创新创业企业,并在民生、大健康、智慧城市等许多领域,走在国内前列。在移动互联网等消费领域,成都也具有非常好的基础。同时,在人才储备方面,成都拥有电子科大、四川大学等一大批重点高校科研院所,为大数据产业发展提供了强有力的人才保障。
“这样一个适宜大数据产业发展的土壤,以及基于大数据应用创新领域的成果,是吸引我们落地成都的重要原因。”宋炜谈起全球大数据联盟落地成都的原因时表示,通过建设国家大数据创新应用中心,也希望促进成都大数据产业发展。他还表示,下一步,将联合国家有关部委、全球知名企业共同建设国家大数据创新应用中心,促进成都大数据产业发展。
工业大数据展厅下月15日揭幕
去年底,航天云网在蓉成立了成都航天科工大数据研究院公司,将工业大数据国家工程实验室落地成都。“我们将在成都科学城建立工业大数据展厅,下个月15日将正式揭幕。”中国航天科工集团航天云网副总经理祝守宇介绍,未来,还将举办工业互联网高峰论坛,分享公司在工业大数据平台建设、技术能力和产业落地的具体方案。
随着制造业转型升级步伐加快,企业之间的竞争更加激烈,尤其是工业互联网的规模将远远超过消费互联网。“这其中,工业大数据是其中最重要的核心资源。”祝守宇介绍,在工业领域,以云计算为平台的工业物联网成为获取工业大数据的必由之路。为了加快工业大数据发展,航天科工加紧布局传感器领域,“其中,微系统研究院将同步落地在成都天府新区。”
祝守宇还表示,作为工业大数据国家级平台的承载单位,公司将建立合作生态圈,跟地方政府、工业企业、互联网企业、科研院所等加强合作,共同推动工业大数据产业发展。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17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