京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据走进繁华之后的企业应用磨合期
没有一个IT术语如大数据这般在瞬间被大家口口相传、每个人能说出所以然;也没有一个技术如大数据这般谁都能说却谁也不能说全;没有一个IT方案如大数据一样给予企业最美好的业务设想。大数据从国家层面到各行各业再到各个企业,都有其用武之地,甚至是未来发展的根基和法宝。
但是在被不断地认可之后,却总是有些隐忧存在。正如一个人处在巅峰时,受到的肯定愈多的时候,一定有很难被发现的弱点。大数据就是这样,被业界一片看好,从厂商到企业,大数据就这样用了很短的时间变得看上去很繁华。而繁华之后,其进入的应该一个是沉淀期。我们应该看到尽管大数据一再被肯定,但是其作为的成果并不多。尽管所有企业都知道大数据的好,但是去做的也不多。
只有小部分CXO拥护用大数据来加速转变
目前我们可以看到很多企业对于大数据的理解和应用都是相对简单的。而对于企业的高层来说,可能都知道数据的重要性,但是真正地借助大数据进行一些变革的并不多。
在去年,IBM在关于大数据的调研报告《分析:价值蓝图》中就指出,只有一小部分的高管(CXO)是大力用户用大数据和分析来加速决策制定和转变。其中的一个数据是,四分之一的CEO和COO率先提倡使用分析洞察。这是针对2013年的市场调研情况,这个比例比2012年增加了10%,但是却远没有达到一个繁华的状态。
所以其实从企业内部来说,可以认知到数据的重要性,但是并没有真的用起来。
这里面的原因有很多次,有整个产业发展成熟度的问题,也有厂商技术产品的原因。但是我们这里主要是具体到企业应用层面,这里主要是存在三方面的原因。
企业原始积累的数据并不能够足够支撑做相应的分析。大多数中国企业的信息化发展也是经历了相对粗放的过程,尤其在数据的积累上并没有做的很好。很多企业目前还是在整个相应的业务系统,以解决信息孤岛的问题。所以在这种数据基础上,企业还很难做相应的分析,更谈不上从数据分析中去创新了。
第二个方面原因是新获得数据的成本相对较高。很多说企业可以更加去了解自己的客户,知道他们所想、分析出潜在需求等等。但是对于多数企业来说,要去获得这些数据,人力成本和经济成本相对都比较高,所以更多的还是在观望状态。更多的企业是能把BI做清楚就已经很好了。
最后对于大数据的理解程度在企业内部也是层次不齐的。前面提到CEO和COO的主动性更强,因为这两个角色主要是站在业务角度。而大数据毕竟也会涉及到技术维度,这个主要是CIO层面。所以其实一个大数据项目要真正的在企业里进行,必然会触及很多部门,而每个部门的出发点和理解程度不一样,就相应地加大了大数据项目的开展。
所以,看到这些原因,我们会发现尽管大数据在声音上一片繁华,而真正在企业里的认知和应用才刚刚开始。而这种开始,我们更应该看到和挖掘的是一些典型的应用和最可能、最容易实现的领域,以大数据循序渐进地度过应用的磨合期。
大数据更加贴近个人服务层面
大数据和分析无疑依然会是2014年企业应用中最为热门的环节之一。调研机构Forrester刚刚发布的一个报告中就认为,企业客户将会更加主动地参与中国BI、大数据和分析领域的投资,尤其是银行/金融和零售组织机构。CIO们也必然会迎来关于大数据的众多讨论,其中包括大数据架构、预测性分析使用案例以及大数据相关技能和培训事宜。
而事实除了这种技术架构和技能层面的,对于企业而言,最核心的问题应该是找到大数据可发挥作用的领域。
Forrester提到的几个领域其实有个很大的共同点都会是与企业的终端个人客户体验有很大关系。而除了提到的金融、零售之外,事实像医疗、互联网这些领域,也会是大数据的爆发应用的行业,而应用的突破点应该就是在提高客户体验上。
在2013年的时候,我们也看到了一些这样的案例。比如IBM大数据方案在中网赛事中的应用,其一个很大的作用是提高个人网民对赛事的关注和参与度。另外更多的像我们之前提到的几个行业,一个很大的需求就是如果利用大数据提升客户体验。
比如金融行业,更多的传统金融机构的服务流程都相对比较复杂,这也是为什么互联网金融会给这个领域带来很大的冲击。因为现在的消费者更期待的是更加人性化、个性化的服务。
所以我们由此可以看到,之后大数据应用的大面积普及的突破点依然还是在这种直接对终端消费者的服务层面上。当然这种应用方向,对于企业原有的商业模式、工作流程都会是挑战。比如,原来企业的新产品设计的方向等可能更多取决于内部产品部的想法,而之后更需要做的是用大数据得来消费者的期待,然后再以此为根据去做相应的设计;而我们前文提到的,CXO的不同看法也必然是个挑战,CXO之间因为客户的导向而需要彼此磨合工作方式。
但是大数据全面进入企业应用,必然需要经历这样的磨合和沉淀,才能带来沉淀之后的又一次繁荣。
另外,对于一些相对传统的领域,大数据更大的作用是促进企业开始重视、整合数据,并对现有的数据有一定的分析能力,帮助企业更加了解自己、梳理业务流程。
因此总的来说,我们更认为大数据除了各种美好的设想之外,对于企业来说更应该是一步步建设过程。当经历了各种繁华的讨论之后,大数据在2018年应该走向的是企业应用的磨合期,磨合之后才会有更多的惊喜。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14