京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据的商业价值到底有多大
当很多中国企业还在纠结于如何将数据演变为成熟的商业模式时,Teradata天睿公司已经开始协助客户实践数据时代(Data Time)变现的能力。
很多人听说过那则经典的“啤酒+尿片”的大数据营销案例,却不知道背后的诞生地却正是Teradata。低调的行事风格来源于Teradata一直践行的商业理念,“始终思考着能协助客户在驾驭数据的能力上提供哪些价值”,这是Teradata天睿公司大中华区首席执行官辛儿伦在接受《英才》记者专访时多次提到的一句话。
出身新闻世家的辛儿伦,年轻时的梦想是当一名新闻主播,但电脑科学是上世纪80-90年代的热门,听从了家人的建议,他选择了理工科。辛儿伦曾在微软公司工作近15年,任职微软大中华区副总裁负责企业事业部。加入Teradata 6年来,带领大中华区业务保持每年双位数的增长速度,并已经成为集团除美国以外的第二大市场。
80倍回报
大数据的商业价值到底有多大?
“可能是80倍的回报。”据辛儿伦介绍,Teradata曾帮助一家国内的领先快递公司利用大数据分析优化人力、物流、调度、计费模式以及清算方法等等,“如果将他们付给Teradata的投资成本算作1块钱,最终这家快递公司运用大数据分析方法,获得了约80块钱的回收利润。”
类似跨行业数据变现的案例还体现在帮助大型银行业进行社区银行的选址、旅游行业的数据分析等等,不过辛儿伦认为,“数据变现在全球还是刚起步的阶段,许多项目还处于雏形阶段,但这些项目一旦验证成功,它会向一对多或多对多的企业关系延伸,项目的范畴上会进行更大的拓广。可以说未来10—30年将远远超越当前我们所能想象到的。”
纵观公司的客户名单,仅中国市场就覆盖了政府公共服务、地铁、交通运输、航空、通信行业、银行、保险、证券、物流、快递行业、制造行业、汽车零售、电子商务等超过10个行业。
而寻找新的增长点也是辛儿伦和他的团队经常思考的问题,“过去这几年,我们在铁路运输、快递、航空发展特别迅猛。在行业的扩展方面,需要扩展更多的领域和产业,类似医疗,也是我们一直以来非常关注的。”
“我们已经不再仅仅是结构化的数据分析、数据仓库的提供商,已经是一个大数据分析解决方案的提供商。”辛儿伦认为Teradata所能服务的行业几乎是无边界的,“纵轴上讲,只要你有数据,不管是什么结构,都可以做信息的挖掘和数据的分析。从横轴上来讲,我们的客户是跨越多行业的延伸。”
随着中国经济体量的不断膨胀,各个行业积累了庞大的数据资产,且增长速度极快。很多中国企业已经意识到这些数据的商业价值和用途,但在驾驭数据,有效整合和分析,进而转换为信息价值以采取正确决策和行动的全过程中面临挑战。
“Teradata的核心竞争力是对信息的驾驭能力,对我们的客户,我们提供良好的方法论、顾问、咨询、产品、数据架构和成熟的建设经验,并融合一些好的开源技术,持续为客户创造价值。”辛儿伦告诉《英才》记者。
并购落地
连续16年蝉联Gartner数据分析领域领导者象限榜首,奠定了Teradata在数据分析这一领域的领头羊地位。
除了与中国客户深厚的合作关系,强大的技术以及商业理念以外,频繁的并购,实现数据分析生态系统的完善也是重要手段之一。
“Aster Data在当时被Gartner认为是全世界大数据供应商里的领导者。”辛儿伦对《英才》记者表示,“Aster Data在被Teradata集团总部收购后,第一时间就在中国落地。在过去三年半的时间,我们成立了专门负责在中国推广和服务的Aster Data技术团队,现在大中华区已经有几十家客户采用Aster技术。我要特别感谢我们的客户。”
最近几年,Teradata保持着强劲的并购势头。2014年公司收购了一家开源Hadoop部署咨询公司——Think Big Analytics。该年还收购了Hadoop元数据管理工具提供商Revelytix以及SQL-on-Hadoop厂商Hadapt。
而2011年花费2.63亿美元收购的非结构化数据处理工具软件厂商Aster Data Systems,被认为是最具代表性的一笔。
这些收购让Teradata在大数据经济的快速转型时代巩固原有阵地的同时,通过自身的持续研发,结合并购带来的新技术,有效地扩展了自己的市场半径。
“Teradata中国市场的业务量和增速5年前已经超过日本,大中华区已经是美国以外最大的业务板块。”辛儿伦说道。
定制经济
“20世纪七八十年代以来,IT产业一直是小I大T,未来将是大I小T。”根据辛儿伦的判断,过去二三十年的IT行业专注于Technology(技术)运用,以及技术研发的价值。但IT不仅仅是Technology,IT是两个课题,是Information(信息)和Technology(技术)。
“未来30年,大I小T的时代来临,政府、企业、企业的IT部门、IT供应商等,关注的主轴将会更多在Information这个课题,这将会是一个绝佳的机会,而且是一个最佳的发力时间点。”这对于大数据分析专家Teradata来说,未来想象空间巨大。
按照辛儿伦的理念,当前互联网产业变革所诞生的优秀企业都可以拿这个逻辑来理解。“互联网+传统产业的边界延伸更多的是驾驭信息的课题上,在信息变革和信息安全保障下产生多元化的商业模式、创新性的思维,而不只是技术的延伸。”
“同时,消费者的需求也产生自主式的革新,从注意力经济转化成为消费者意向经济。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
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