
大数据是核心资源互联网技术革命或将爆发
“未来智能制造就是跨界大数据,即用户大数据、制造流程大数据和供应链大数据三者打通。明年‘双11’,我们将会精确地备料和生产,储存多少零件,生产线什么时候开,这些都可以根据历史数据计算出来。”鸿海集团董事长郭台铭这样形容大数据的意 和他一样,本届世界互联网大会上,与会嘉宾几乎言必称“大数据”。阿里巴巴集团董事局主席马云甚至直白地将数据与前两次技术革命中的主角煤炭与石油相提并论:“这一次互联网技术革命,数据是核心资源,未来数据是生产资料,计算是生产力。”
大数据是核心资源 互联网技术革命或将爆发
大数据应用的基础,源自技术进步带来的效率提升和成本下降。英特尔中国区总裁杨旭表示:“拿DNA排序来说,10年前分析一个人要一个月时间,1000万美元;现在只要一周,1500美元,我们的目标是3年后达到24小时,500美元,这就是数据的革命。”
在中国工程院院士倪光南看来,大数据意味着4种能力。“一是集成和融合,海量数据汇集带来价值的提升;二是计算,通过云计算,能够被迅速利用;三是洞察,人们可以由此发现新的规律,重新认识事物间的关系;四是预见,能够帮助人们决策。”
4种能力交织,智慧应运而生。对于互联网公司来说,大数据应用早已不是镜花水月。美团点评CEO王兴在论坛发言中给出了一个有趣的数据。“我们每天有700万笔订单,但送一个外卖平均时间只有28分钟。速度来自同城即时调度配送系统,通过大数据分析,我们一方面对送货员的状态和分布有清晰了解,一方面会对消费者的需求有清晰统计和预测,并根据这两点来智能调配运力资源。”
招聘网站领英执行主席、联合创始人里德·霍夫曼同样讲述了大数据的大智慧。“在美国犹他州、英国曼彻斯特,我们都根据公司的需求数据和网站上的简历数据帮助城市进行分析,现在哪些行业能够提供工作岗位,未来的工作岗位是什么形态,目前失业人士又有哪些技能等。通过这些分析,城市就能够拿出有针对性的就业资源帮助大家重新就业。”
但是,大数据的能量并非仅仅止步于此,它也在促成新的商业模式。“哪怕在5年前,对于传统企业来说,还意识不到数据的重要性。但今天,数据已经成为我们新生态圈的中心。”卓尔集团董事长阎志告诉记者:“卓尔旗下有500万平方米的汉口北市场和300万平方米的天津电商城,基于对传统批发市场业务的熟悉,建立了目前年交易额超过430亿元的批发市场线上交易平台,就是为了要获得数据。依靠这些来自线下线上的数据资源,开始提供智能货运服务和基于供应链的金融服务,形成了自己的生态闭环。”在他看来,专业利用手中传统产业沉淀的数据资源,是传统企业转身的“关键”。
“真正场景化的大数据,能够形成新的商业逻辑。”WiFi万能钥匙总裁张发有举例说,“一个街边的美甲店,店主不可能负担得了户外广告或电视广告的成本,但是店主可以通过WiFi万能钥匙向周边5公里以内的年轻女性精准投递促销信息。这种精准投放能实现,是因为人和场景的匹配提升了广告的投放效率,进而降低成本。但前提条件是,你能为用户准确地画像,知道他们是什么样的人。”
在通往明天的路上,大数据应用的发展也并非一帆风顺。在中国科学院秘书长邓麦村看来,加强大数据专业人才培养是当务之急。“我们应创新人才培养模式,建立健全多层次、多类型的大数据人才培养体系,重点培养专业化数据工程师等大数据专业人才,大力培养具有统计分析、计算机技术、经济管理等多学科知识的复合型人才。”
对于更多从业者来说,最期盼政府能够更快更广泛地开放手中的数据资源。在17日举行的“互联网+出行”分论坛上,交通运输部与百度地图合作建设的综合交通出行大数据开放云平台“出行云”正式上线。作为全国首个交通领域的出行大数据开放平台,这一平台已接入全国15个省市交通运输主管部门的相关数据。百度地图开放平台总经理李志堂说:“促进政府开放数据,需要建立一个多赢的机制。‘数据换服务’是较为可行的思路,比如政府出于监管需求,要给货运车辆安装GPS设备,政府给我们数据,我们输出技术和能力,将它们变成路况,为公众和政府决策提供服务,这样政府就有比较积极的数据开放意愿。”
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