京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据正在改变经济意义
微软CEO比尔·盖茨说过:“信息流是企业的命脉,数字神经系统会使你以思考的速度经营商务,这是在21世纪成功的关键。”确如其言,21世纪的企业发展越来越凸显信息的重要性。如今的情形,并非是没有信息或者信息不够,而是经常表现为“到处是水却没有一滴水可以喝”。柯勒律治这句诗歌,正好用来形容如同宇宙大爆炸般飞速扩张的“数字世界”。建立在云计算基础上的大数据分析,成为了企业竞争和决策行为的焦点。
根据一项估计,人类历史上90%的数据都在过去两年中产生。2014年,国际数据公司预测,数据世界已增至4.4亿万亿字节。如果将如此庞大的信息量存储在苹果平板电脑ipad中,叠加起来的ipad的厚度可达到地球至月球距离的2/3。这预示着我们已经进入了大数据时代。
当传统的葡萄酒业遇上大数据,嘉露酒庄和IBM实现了双赢互惠。IBM有好几个智慧地球项目与水资源保护、城市超本地化天气预报有关,这些先进技术被运用到了农业经济学中,研究人员根据葡萄园在地温、种植方式、土壤类型等方面的差异实施积极有效的个性化管理,试点项目取得了令人鼓舞的效果。嘉露-IBM实验的成功,为数据收集与分析提供了灵感,并转化为行动,带来了可观的效益。大数据主义时代已经来临。
美国《纽约时报》资深撰稿人,媒体记者史蒂夫·洛尔,在其新著《大数据主义》中选择IBM作为书的主角之一,重点介绍该公司在大数据领域的发展历程。IBM通过推广“智慧的地球”实现了企业转型,在商业与技术的交汇处找到用武之地。IBM的成功表明,人们真的在利用数据引导决策活动,大数据正在改变经济的意义。在作者看来,大数据不仅是技术革新,而且将引发管理革命,大数据不再执着于因果关系,而是强调“万物皆有关联”。从数据中寻找相关关系,通过这种关系对未来做出预测,是大数据方法论的核心思想。大数据无疑为人类认识世界、解决问题提供了比传统更全面、更周密的视角,可以帮助人们更容易看清事物的复杂性,并通过分析采取更高效的行动。
作者提出,煤、铁和石油是推动工业革命进程的三大生产性资产,而信息经济时代的主要原材料则是大数据。《大数据主义》有见地的解释了大数据技术如何引发一场新的革命,并促进新一轮经济效率的提高和创新。互联网规模的海量数据集将被用于几乎各个领域、行业和企业,探索、预测和提高效益。作者还进一步探讨了新技术革命如何改变人类决策方式——人们更加依赖于数据和分析,而不是直觉和经验;同样,大数据还将改变领导力和管理的本质。
史蒂夫·洛尔的日常工作包括负责撰写《纽约时报》的科技博客Bits,因此他的文风通俗平易,十分适合大众阅读。他围绕自己长年任职编辑、记者期间采访的代表性人物和知名公司,通过突出典型、以点带面的样本分析方式,清楚地传达了“大数据主义”理念。该书主角除了IBM,还有一位年轻人——杰夫·哈梅巴赫。《大数据主义》既像一部大数据代表人物杰夫?哈梅巴赫的成长史,又像一本关于大数据进军不同领域的评论著作。作为大数据主义思想的典型代表,通过哈梅巴赫在脸谱网、Cloudera等公司以及医疗领域职业生涯的变迁,不难看出数据技术与方法不断发展的步伐。哈梅巴赫率领的团队,帮助企业使用Hadoop分析庞大的数据,并宣称“把数据给我们,我们来管理”。史蒂夫·洛尔通过IBM和哈梅巴赫两个典型案例以及书中涉及的微软、乔布斯、谷歌等企业情况,运用流畅的语言生动揭示了大数据对于企业发展的特殊意义。
本书的更大亮点是,强调了大数据的主题是决策行为。信息资源的价值在于充分利用,而如何利用又取决于人的决定。这个观点将本书作者从“唯技术论”中解脱出来。作者提醒了计量方法可能存在的局限性。声音过于嘈杂,容易让人致聋。那么,到底哪些数据是有意义的?计量必要性与计量短视性间会产生冲突和矛盾。作者并不讳言数据分析可能导致的失败。例如,金融领域采用数学模型的危险性在次贷危机中已经暴露无遗。作者认为,虽然决策活动对数据与分析的倚重与日俱增是大势所趋,但同时,我们还要让常识发挥应有的作用,经验与直觉仍然在决策中占有一席之地,而好的直觉又往往建立在大量数据的综合基础之上。此外,还必须时刻警惕,云系统并非多数人想象得那么可靠,一旦其脆弱和不稳定性导致事故,就可能像病毒迅速扩散,难以挽救。而且,企业收集信息过程中,对个人隐私的侵犯以及道德伦理上的各种争论,仍然是大数据经常被诟病支出。奇虎360公司董事长周鸿祎提醒道,“大数据时代带来一个非常重要的挑战,就是安全的挑战。平衡好大数据应用与用户隐私之间的关系,应该成为企业关注的焦点。本书在向我们展示大数据的商业前景和经济潜力的同时,也提醒我们警惕伴随大数据而产生的隐私"黑洞"”。
思路决定出路,眼光影响成败。如何应对迎面而来的大数据时代,企业需要考虑很多问题:数据采集的渠道够广吗?数据关联能不能找到规律?决策方向是不是正确?企业行为有没有到达公众容忍边界?企业能不能在实现个体利益的同时做到普惠大众?在可预计的未来,这些都将很快成为普遍的企业生存法则。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16