京公网安备 11010802034615号
经营许可证编号:京B2-20210330
当“大数据”落地,当技术接轨商业
这些书中,公认的以舍恩伯格的《大数据时代》为“国外大数据系统研究的先河之作”、“迄今为止关于大数据最好的一部着作”,那么,在众多所谓的“《大数据时代》之后必读之作”的书单中,大卫·芬雷布的《大数据云图》则更胜一筹、实至名归。它开启了大数据从理念启蒙到商业应用的时代,而身为作者、同时也是大数据集团(Big Data Group)创始人的大卫?芬雷布的被业界誉为“大数据商业应用引路人”.究竟,他指引了什么,贡献了什么?
首先就是“大数据云图”(Big Data Landscape),这也是中文版的书名(英文原版书名Big Data Demystified,直译为“掀开大数据面纱”)。为了让更多人理解大数据,并从中得到启发和受益,芬雷布和他的合伙人通过对包括网络科技新贵、传统商业巨头在内的数百家公司进行了跟踪、评估,绘制了一幅大数据领域应用全景图,也就是着名的“大数据云图”,而且每隔一定周期进行更新。通过它,我们可以知道现有各家企业在大数据领域扮演了什么角色,做了什么,以及有哪些空白等待后人去填补。也就是说,大数据的商机在哪,一看云图便知。随着“大数据云图”的广泛流传,大卫·芬雷布声名鹊起,找上门的咨询业务也络绎不绝。于是,芬雷布就从早先的“科技创业者”(他先后创办数家科技公司,很多被大公司收购)一下子变成了“科技引路人”.
其次在于“可视化”,芬雷布提出,它是“数据中发掘机遇的重要工具”.这一点有别于一般的大数据着述。在芬雷布看来,将信息可视化能有效抓住人们的注意力。“有的信息如果通过单纯的数字和文字来传达,可能需要花费数分钟甚至几小时,甚至可能无法传达;但是通过颜色、布局、标记和其他元素的融合,图形却能够在几秒钟之内就把这些信息传达给我们”.可视化是压缩知识、传递信息的一种方式。芬雷布提到了“数据界的达·芬奇”的爱德华·塔夫特,后者早在20世纪出版了《定量信息的视觉展示》一书,而该书就是“以视觉方式传递数据信息”的经典着作。而芬雷布专门花了一章的篇幅阐述“数据可视化”,其意义在于,强调了大数据理性之余的感性一面。事实上,大数据界的许多观点显然偏离了这点,常常倒向模型、算法、数学这一边。芬雷布的这一观点与IBM等业界英雄所见略同,而从理论上的“数据可视化”到实践中的“大数据云图”,芬雷布走在了前面。
不过,仅仅有方法论是不够的,首要的得在观念和思维上有所改变。例如维克托·舍恩伯格在《大数据时代》中要人们在逻辑上放弃“因果”转而“相关”,冯启思在《数据统治世界》里在统计学上提出要“关注异常值,而非平均数本身”(特别是小概率的力量)。在《大数据云图》中,芬雷布将“大数据”推向了极高的位置,视其具有决定下一个大机遇的重大战略意义。他说,数据、算法和速度让计算机能作出更好的决策和预测,从商业到生活甚至到飘忽不定的感情,一切都可以分析。
基于大量实证案例的支撑,芬雷布完全有这样的乐观和自信看待大数据的未来。在书中提到的许多公司应用中,不难发现在研发设计到管理销售,从教育、医疗到电子、汽车再到音乐、建筑,大数据的影子无处不在、并且发挥着不可忽视的作用。而像亚马逊、谷歌、IBM、Facebook、LinkedIn、Twitter、Netflix等公司对大数据的应用已经习以为常、开始得心应手。例如作为社交网络巨擎的Facebook 使用大数据来追踪用户在其网络的行为,通过识别你在它的网络中的好友,从而给出新的好友推荐建议,用户拥有越多的好友,他们与 Facebook之间的黏度就越高。更多的好友意味着用户会分享更多照片、发布更多状态更新、玩更多的游戏。像商业社交网站LinkedIn则使用大数据在求职者和招聘职位之间建立关联。有了LinkedIn,猎头们再也不用向潜在的受聘者打陌生电话来碰运气,而可以通过简单的搜索找出潜在受聘者并联系他们。与此相似,求职者也可以通过联系网站上其他人,顺利地将自己推销给潜在的雇主。可以这么说,现在业界对于大数据的认识可不再是“数据大”或者Volume(大量)、Velocity(高速)、Variety(多样)、Value(价值)的“4V”这么简单、表面化了。大数据“真的”广泛进入商用。至于对比舍恩伯格《大数据时代》中提到的应用实例,《大数据云图》更新颖、更前沿、更接近正在发生的未来。
不仅如此,除了“大数据将影响所有方面”外,大卫·芬雷布至少以下两个观点值得注意。第一,他认为下一个获得重大发展的是在应用领域,这个领域通过各种技术的手段,能够真正的把数据变成生产力。过去的几年中,大部分的投资都是在数据基础设施方面,未来人们会看到在应用层有更大的发展。第二,他介绍自己喜爱铁人三项运动(游泳、骑车、跑步),平时通过技术手段,将自己在整个运动过程中产生的数据进行搜集和分析,这里面包括了运动过程中的热量、心率、运动的轨迹、跑的长度等,然后不断自我优化、自我提升。通过这个现身说法,芬雷布实际上指出了可穿戴智能设备对大数据应用的推波助澜的作用。这也可以理解为,下一步移动互联时代,大数据是随时随地的、无时无刻的。商家通过把越来越多的移动端放到消费者的手里,更好的了解消费者在移动端和各个场景中的消费习惯。这意味着,在未来几年中,大数据与移动终端、与云计算的结合,将会孕育更多的商机,会有更多的新的创业者在这个方向开创出新的企业和事业。对此,在《大数据云图》中,专门有一章就叫“谁是下一个上市的数十亿美元项目”.
当“大数据”落地,当技术接轨商业,芬雷布向我们展示了一场已经发生而且将影响深远的商业变革。对于读者而言,应该心领神会:在理想情况下,企业应当具备一种能够让数据分析贯穿于整个组织的视野,分析应该尽可能地接近实时。通过观察谷歌、亚马逊、Facebook和其他科技领袖企业,我们看到了大数据之下的无限可能--当务之急,现在需要做的就是让企业尽快融入大数据战略中。
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数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12