京公网安备 11010802034615号
经营许可证编号:京B2-20210330
国内大数据应用潮起,发展形势稳好
大数据是继云计算、物联网之后IT产业面临又一次颠覆性的技术变革。权威数据显示,2012年大数据对全球IT开支直接或间接推动达960亿美元,而到2016年,这一数字预计将达到2320亿美元。据国内有关机构初步预算,未来中国大数据潜在市场规模有望达到近2万亿元,将给IT行业开拓了一个新的黄金时代。
分析人士指出,大数据时代来临,行业变革才刚刚开始,未来前景广阔。就目前发展来看,国内对大数据的应用领域还较为狭窄,主要集中在金融、物流、公共等三个领域。
公共领域:
交通司法等行业领衔大数据运用
目前我国在公共领域对大数据的运用主要集中在电力行业、智能交通、电子政务、司法系统等四个方面。
电力行业:大数据对该行业的应用主要体现在智能电网上,通过获取人们的用电行为信息,智能电网能够实现优化电的生产、分配以及消耗,有利于电网安全检测与控制(包括大灾难预警与处理、供电与电力调度决策支持和更准确的用电量预测)、客户用电行为分析与客户细分,电力企业精细化运营管理等多方面,实现更科学的电力需求管理。
智能交通:交通运输部今年7月份下发通知,将对公共交通信息化应用系统建设、相关支撑系统建设、数据资源与交换系统建设提供资金支持。在政策利好支撑下,可以从以下三方面掘金智能交通领域。一、从事城市交通系统建设、高速公路信息化建设等领域的上市公司。
电子政务:通过政府信息化,大数据能够提高政府决策的科学性和精准性,提高政府预测预警能力以及应急响应能力,节约决策的成本。以财政部门为例,基于云计算、大数据技术,财政部门可以按需掌握各个部门的数据,并对数据进行分析,做出的决策可以更准确、更高效。另外,也可以依据数据推动财政创新,使财政工作更有效率、更加开放、更加透明。
司法系统:公安市场大规模的信息化和装备投资产生了海量的非结构化数据,公安的实战应用是大数据的重要应用领域。
金融领域:
大数据所带来的社会变革已经深入到人们生活的各个方面,日常的出行、购物、运动、理财等等。金融业面临众多前所未有的跨界竞争对手,市场格局、业务流程将发生巨大改变。未来的金融业将开展新一轮围绕大数据的IT建设投资。
据悉,目前,中国的金融行业数据量已经超过100TB,非结构化数据迅速增长。分析人士认为,中国金融行业正在步入大数据时代的初级阶段。优秀的数据分析能力是当今金融市场创新的关键,资本管理、交易执行、安全和反欺诈等相关的数据洞察力,成为金融企业运作和发展的核心竞争力。
目前,以大数据为代表的新型技术将在两个层面改造金融业。宏源证券表示,一是金融交易形式的电子化和数字化,具体表现为支付电子化、渠道网络化、信用数字化,是运营效率的提升;二是金融交易结构的变化,其中一个重要表现便是交易中介脱媒化,服务中介功能弱化,是结构效率的提升。
伴随着大数据应用、技术革新及商业模式创新,金融业中的银行和券商也迎来巨大的转变。此外,腾讯、阿里巴巴等互联网企业也在凭借其强大的数据积累和客户基础,进军金融业,开拓新的盈利点,这也成为金融产品在线销售的一大推动力。
从银行业来看,业内人士表示,互联网环境改变了金融客户的行为习惯,并且促进交易信息透明化,交易成本显着降低。此外,交易行为和信息数据的掌握方拥有更多的话语权。在互联网技术的推动下,金融行业、互联网行业之间的界线日渐模糊,行业融合日渐深入。
数据显示,2012年年末,四大行网银客户数量已经超过了4.3亿户,招行个人电子银行交易替代率达到了90.66%。交通银行电子银行分流率现已超过76%,而三年前的这一比例还在50%。
从证券业来看,分析人士认为,互联网证券并不是传统证券行业在互联网上的外延化扩张,它将会借助网络技术打造出新的网络证券模式,颠覆性地改变券商的传统经营模式。
在大数据的冲击下,券商现有的业务将各有进退。经纪业务首当其冲,将最先面临转型压力。另外,投行通道中介重要性逐渐衰弱,历史上作为投行收入核心的IPO业务利润贡献度将有所下降。还有,券商资管的下一个爆发点在于集合理财业务、资产证券化和信用业务。大数据将进一步加深资管业务的精细化和专业化,助力这些板块获得新的突破。
总之,随着大资管时代的来临,证券、基金等金融机构迫切需要打通渠道通路,平衡渠道体系格局,低成本高效率的网络渠道有助于帮助证券、基金实现这一目标。
大数据将给各行各业带来变革性机会,但真正大数据运用仍处于发展初级阶段。据美国麦肯锡咨询机构在其一份关于大数据研报中指出,大数据已经对美国健康医疗、欧洲的政府公共管理、个人位置数据、美国的零售业及制造业等五个部门产生了重大的经济影响,其中在公共管理领域,每年产生约2500亿美元(约合1.54亿元人民币)的潜在价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27