
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
随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29CDA 数据分析与量化策略分析流程:协同落地数据驱动价值 在数据驱动决策的实践中,“流程” 是确保价值落地的核心骨架 ——CDA ...
2025-08-29CDA含金量分析 在数字经济与人工智能深度融合的时代,数据驱动决策已成为企业核心竞争力的关键要素。CDA(Certified Data Analys ...
2025-08-28CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-08-28