京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据大而无用
互联网的发展可以用数据来衡量,大数据被世界经济论坛称为是新的石油、新的资产类别,其革命性不亚于蒸汽机车、电网、钢铁、空调及无线电。
2005年 互联网的数据总量为 300 亿 GB,思科估计 2013年 的规模预计超过当年的 20 倍。1990年 代至 2005年 被视为是互联网的第一波浪潮,这波浪潮为我们带来了电子邮件、Web、网上搜索以及宽带。这第二波浪潮,就指望着大数据给经济提供动力了。
但有个小问题:尽管 Web 流量飙升,但经济正处于萧条期。得益于计算机和互联网的革命,自 1970年 代一直稳步增长且持续到 2000年 代的生产率,自 2005年 以来却出现下降,这正好是大数据冒出来的时间。
因此一些经济学家开始质疑,大数据是否具备第一波互联网浪潮的那种影响力,与几个世纪的工业革命更没法比。有一种理论认为,大数据业是通过调动现有企业为了客户进行竞争,从而让经济更加繁荣,而非创造新的根本性的机会。
当然,有些公司,如 Amazon 和 eBay 等的确是为客户而战。但其他的公司却在蚕食传统产业的市场,广告、媒体、音乐、零售等无一幸免。
明尼苏达大学的经济学家 Joel Waldfogel 认为,数字产业与实体界是此消彼长的关系,所以认为数字的崛起会给经济带来净增长是疯狂的。西北大学的经济学教授 Robert J. Gordon 则认为把大数据比作石油只是个噱头。上个世纪,石油让交通革命成为可能,如果有人认为个人数据堪比石油和汽车,那一定是没有体会到上个世纪的现实(汽车取代马匹,空运取代道路)。
但也有经济学家认为大数据的经济冲击只需几年就将到来—只要大学培养出相应的数据处理人才,并且数据驱动初创企业开始招兵买马。当然,衰退可能会以经济学家无法掌握的方式掩盖数据革命的影响。还有人甚至怀疑最终我们当前对大数据和 “云” 的理解框架可能只是一座海市蜃楼。
数据必须充分发挥经济潜力才有可能。当然,像营销、制药业现在每天都在大量应用数据。
masFlight 就是这样的公司。这家公司采用大量数据来帮助航空公司减少燃油消耗并改善总体性能。Josh Marks 是这家公司的 CEO,尽管他的第一个使命是帮助自己的客户与其他航空公司为了顾客而竞争,但他也相信像自己这类公司追求的效率最终应该能发展全球经济。
但他也承认,目前 Web 上大多数的裸数据流的经济价值有限:分析师手上掌握的,对特定行业有着深刻理解的专业数据有用得多。他认为现在对实时处理超大数据集能力的宣传有些言过其实。
有的经济学家认为,新技术的真正价值往往是很难评估的,大数据也许早已给经济带来好处了,只是没有算进官方的经济数据里。比方说,Hulu 上面的小猫视频和电视节目给网上冲浪者制造了欢乐,那么经济学家是不是应该想办法给此类无形活动评估一下价值啊?此类活动是不是推动了 GDP 的增长?
此外基础设施投资往往要花费数年才能回收。西北大学的经济学家 Shane Greenstein 说,1990年 的铺设高速互联网的投资也是在最近才开始获利。但是他也指出,相对于第一波浪潮对经济活动的影响,大数据革命带来的影响更难看清。这种影响有可能只是有延迟,也可能没有价值。
但是数字未来学家喜欢拿电网的崛起与之对比。其想法是无所不在的互联网让数据和 “云” 无所不在,就像插座让电无所不在一样。
数字的对比是诱人的。Harold L. Platt 在《The Electric City》一书中描述的 19 世纪末 20 世纪初芝加哥电力飙涨的情况令人马上联想到今天数据的增长。
但已经 68 岁的 Platt 并不同意这种简单的类比。他说电力给制造、家庭生活、交通、上层和底层社会带来的革命数据时代未必就能做到。
不过,在芝加哥那头通过手机接收采访的 Platt 发现自己也无法回避这股数据洪流。正打着电话的他收到了自己已成年的孩子发过来的短信。“我得短信回复他们,否则他们就不会回我。所以我也得随大流。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06