
大数据时代带来的大变革
大数据时代的来临,带给我们众多的冲击,每个人都应当与时俱进、不断提升,放弃残缺的守旧思想,大胆接受新的挑战。
探讨大数据时代将给我们带来哪些变革,首先要搞清楚什么是大数据,其次,要厘清大数据会带来哪些变革,最后,要思考如何应对大数据时代的挑战。
什么是大数据?
国际数据公司定义了大数据的四大特征:海量的数据规模(vast)、快速的数据流转和动态的数据体系(velocity)、多样的数据类型(variety)和巨大的数据价值(value)。仅从海量的数据规模来看,全球IP流量达到1EB所需的时间,在2001年需要1年,在2013年仅需1天,到2016年则仅需半天。全球新产生的数据年增40%,全球信息总量每两年就可翻番。
而根据2012年互联网络数据中心发布的《数字宇宙2020》报告,2011年全球数据总量已达到1.87ZB(1ZB=10万亿亿字节),如果把这些数据刻成DVD,排起来的长度相当于从地球到月亮之间一个来回的距离,并且数据以每两年翻一番的速度飞快增长。预计到2020年,全球数据总量将达到35~40ZB,10年间将增长20倍以上。
需要强调的是:所谓大数据并不仅仅是指海量数据,而更多的是指这些数据都是非结构化的、残缺的、无法用传统的方法进行处理的数据。也正是因为应用了大数据技术,美国谷歌公司才能比政府的公共卫生部门早两周时间预告2009 年甲型H1N1流感的暴发。
厘清大数据带来了哪些变革
就像电力技术的应用不仅仅是发电、输电那么简单,而是引发了整个生产模式的变革一样,基于互联网技术而发展起来的“大数据”应用,将会对人们的生产过程和商品交换过程产生颠覆性影响,数据的挖掘和分析只是整个变革过程中的一个技术手段,而远非变革的全部。“大数据”的本质是基于互联网基础上的信息化应用,其真正的“魔力”在于信息化与工业化的融合,使工业制造的生产效率得到大规模提升。
简而言之,“大数据”并不能生产出新的物质产品,也不能创造出新的市场需求,但能够让生产力大幅提升。正如,《大数据时代:生活、工作与思维的大变革》作者肯尼思·库克耶和维克托·迈尔-舍恩伯格指出:数据的方式出现了3个变化:第一,人们处理的数据从样本数据变成全部数据;第二,由于是全样本数据,人们不得不接受数据的混杂性,而放弃对精确性的追求;第三,人类通过对大数据的处理,放弃对因果关系的渴求,转而关注相互联系。这一切代表着人类告别总是试图了解世界运转方式背后深层原因的态度,而走向仅仅需要弄清现象之间的联系以及利用这些信息来解决问题。
如何应对大数据带来的挑战
第一, 大数据将成为各类机构和组织,乃至国家层面重要的战略资源。
在未来一段时间内,大数据将成为提升机构和公司竞争力的有力武器。从某一层面来讲,企业与企业的竞争已经演变为数据的竞争,工业时代引以自豪的厂房与流水线,变成信息时代的服务器。阿里巴巴集团的服务器多达上万台,而谷歌的服务器超过了50万台。重视数据资源的搜集、挖掘、分享与利用,成为当务之急。
第二,大数据的公开与分享成为大势所趋,政府部门必须身先士卒。
2013年6月在英国北爱尔兰召开G8会议,签署了《开放数据宪章》,要求各国政府对数据分类,并且公开14类核心数据,包括:公司、犯罪与司法、地球观测、教育、能源与环境、财政与合同、地理空间、全球发展、治理问责与民主、保健、科学与研究、统计、社会流动性与福利和交通运输与基础设施。同年7月,我国国务院就要求推进9个重点领域信息公开工作。正如李克强总理所强调的,社会信用体系建设包括政务诚信、商务诚信、社会诚信的建设,而政务诚信是“三大诚信”体系建设的核心,政府言而有信,才能为企业经营作出良好示范。作为市场监督和管理者,政府应首当其冲推进政务公开,建设诚信政府。为此,国务院通过《社会信用体系建设规划纲要(2014~2020年)》,要求依法公开在行政管理中掌握的信用信息,提高决策透明度,以政务诚信示范引领全社会诚信建设。
第三,机构组织的变革与全球治理成为必然的选择。
在工业时代,以高度的专业分工形成的韦伯式官僚制组织形态,确实具有较高的效率。然而,这种专业化分工一旦走向极致,就容易出现分工过细、庞大臃肿、条块分割等弊端,无法有效应对新的挑战。大数据技术提供了一种解困之道:在管理的流程中,管理对象和事务产生的数据流只遵循数据本身性质和管理的要求,而不考虑专业分工上的区隔,顺应了全球治理的需要。
1990年,时任国际发展委员会主席勃兰特,首次提出“全球治理”的概念。所谓全球治理,指的是通过具有约束力的国际规制(regimes)和有效的国际合作,解决全球性的政治、经济、生态和安全问题,以维持正常的国际政治经济秩序。为了顺应全球治理的浪潮,我国应当构建自己的全球治理理论。深化对全球化和全球治理的研究,为世界贡献中国对全球治理的先进理念。
当然,构建我国最新的全球治理理论,当务之急是构建我们的国家治理理论,夯实基础。《中共中央关于全面深化改革若干重大问题的决定》指出,“全面深化改革的总目标是完善和发展中国特色社会主义制度,推进国家治理体系和治理能力现代化”。这充分体现了与时俱进的治理理念,切中了我们国家运行中的核心问题。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18