京公网安备 11010802034615号
经营许可证编号:京B2-20210330
传统IT列强和互联网新贵们如何应对大数据浪潮
本文是给对于大数据和IT知识有一定基础的朋友看的,不是普及大数据基本概念的,对某些词汇和说法需要你自己去查看一些相关资料。当然本文也不谈什么高深技术,谈的是不同的公司做大数据这个生意的理念和战略思路。
我先说一个基础,然后再讨论本文的具体问题。关于大数据的说法很多,有理解的不同,也有出于不同同目的,而导致的理解和说法不同。大数据最早脱胎于原来的经营分析BI(Business Intelligence),而BI是为了解决人们对于企业经营数据多维度的分析和洞察,从而支撑企业领导人做决策。
大数据
大数据的概念,不管是4V(Volume、Velocity、Variety、Value)还是5V(多了一个Veracity)等各种定义,还是全体数据、快速处理、相关关系等三大大数据核心特征,这些都是偏理论化的理解,是最基础的东西,这里就不去细说了。在实际的大数据应用中可以看成两种类型:
1)加入大数据元素的BI革新,可以看作BI Plus。除了分析企业内部经营类信息之外,还可以融入大量以前看起来不相关和不可利用的数据,图片、日志、社交及其数据等等都在它的范畴之内。
2)大数据大平台,是以海量数据为核心,进行复杂行业建模和大量自学习,数据来源于各种渠道。最终形成一个统一的大数据服务平台。
总的来说,很多大的IT公司其实提供的是BI Plus大数据解决方案,而大的互联网公司做的其实是第二种。从宣传上,它们都被称为大数据。
接下来我以问题和回答的方式来阐述这两种大数据是如何存在于市场格局上的:
大数据来了,带来的数据洪水,当然对于传统IT厂商来看,是支撑大数据,例如Cisco、IBM、Oracle、HP等,但是无一例外的是,他们走的是高端路线,和互联网厂商支撑大数据的大相径庭。行业对此的看法也是不一致的,大数据应该是低成本,还是高成本的?
关于所谓的高端路线,对于Oracle、IBM这类大公司,可以这么理解,他们关注的是大、中型企业客户中的大数据销售机会,并且带有很多的行业属性。
基于传统IT列强在对行业理解和行业解决方案成熟度、渠道合作伙伴、ISV等领域的基础,他们选择这些能为他们带来收入的中高端客户作为目标。从销售上看,主要是销售大数据解决方案,而不是大数据服务,行业知识、领域专家等资源需要靠IT大公司的原有行业合作伙伴来提供助力。
这些IT公司提供大数据解决方案,本身算不上大数据的用户,但是不妨碍他们开发出市场上具有竞争力的大数据解决方案,当然,将来IT列强们也会把大数据大量用在公司内部。
互联网公司通常对于行业(非IT行业)积累的底蕴要差很多,互联网的大数据通常是以通过大数据为自己产生价值为主,他们首先是大数据用户,然后才会考虑去输出大数据的价值。
这就决定了两者对于大数据的出发点、说法和做法不同。它们之间完全是互相理解的,但是并不妨碍在公开场合的争论和相互打击,这毕竟是商业社会。
总的来说,大中型企业有能力自己购买和构建大数据解决方案,作为内部使用,这些企业在大数据IT方面的收入可以支撑IT厂商的收入增长。而大数据的真正大平台,还需要靠互联网公司来推动。
大数据技术的进步,无论互联网公司还是IT公司都会做出自己的贡献,但是目前看起来,传统IT公司目标是大中型客户,而互联网公司目标是中小型客户;互联网公司的优势在于他们具有大数据运营和服务的能力,这个在未来将会产生很大影响。
大数据分析最终的结果一定是结构化的,这样看来传统的BI的价值更大。目前IT公司们都在宣扬这个理念,他们采用什么样的策略?
我不完全认同大数据的分析结果一定是结构化的这一个说法,虽然目前看起来是这样。我觉得真正的核心在于大数据的分析结果是可视化的和可理解的。结构化还是非结构化都只是可视化之前的状态和步骤。
关于传统厂商在BI和大数据结合上的布局,通过Oracle、Teradata等公司的做法,我们可以这么理解:他们选择了一个渐进的思路,把大数据作为原有BI来源的一个补充,BI进行小幅度改造即可兼容大数据(BI Plus)。这样通过原有BI解决方案和新的大数据解决方案的结合,可以在尽可能少改变的情况下,利用新的大数据理念带动原有BI解决方案和产品的销售。
在大、中型企业中,原有BI的投资已经很多年了,IT厂商的思路是在这个基础上进行修修补补,虽然不像互联网巨头那样可以没有顾虑地推广全新的解决方案,具有很强颠覆性,但是,这种方式更易于受到企业客户的欢迎、接受和买单。
互联网巨头们,通常没有历史遗留问题需要去考虑,所以他们引领的大数据浪潮,更多的是从完全新建和颠覆的角度去做的,毕竟它们自己就是这么做大数据的。
从市场来看,企业用户的大数据项目基本都是传统IT公司把持和提供服务的。互联网公司的大数据理念、方案和服务虽然看起来很美,却还不具有对外大规模输出的能力,或许3-5年后会比较明朗。
大数据对传统IT企业来说有多大威胁?大数据来了,对传统软件厂商的冲击是什么,他们认为大数据技术和传统的软件的技术是什么关系,如何保护传统的价值?
这是一个经常会被人问到的问题,其实这个问题是有些不很明确的。从IT整个大行业来看,大数据技术只是软件技术应用中的一种,如果说冲击,大数据对于传统的BI确实具有替代效果和冲击。
大数据是从一个点(BI或者说类BI)去发力和颠覆。云服务是从一个面(平台层)去发力和颠覆。
这种冲击也是一个渐变的过程,所以IT公司也会不断调整投资和业务方向,不能适应的就会被市场抛弃。如果IT厂商目光短浅,仅仅立足于保护传统BI的价值,那么可能前途堪忧,好在大数据的发展速度并不是很快,传统IT列强们可以有足够的反应时间。
对于大数据领域,所有大的IT厂商都在边看边改变,也正是这种思路,导致大数据这个领域发展速度不够快。
最后,从大的方面说一下自己的看法。对于IT行业来说,大数据只是一个热点,原本由IT领域引导的一个热点,现在变成所有的行业都在热议的一个话题。也从另一个侧面说明了IT领域对热点把握的能力。
近些年来成功的IT热点——微机、互联网、Web 2.0、SOA、云计算、大数据、人工智能这些不都是IT领域开发和宣传出来的理念吗?看看这些历史,会觉得大数据不是那么特殊。
IT行业也在优胜劣汰,适合的留下,不适合的死掉或者被收购,新的IT趋势会引领行业发展,同时也在改造IT行业。人工智能提出好几十年了,到现在也还不具有大规模推广的能力。
对于大数据发展速度会有多快,如果更细化来看待分为两种情况:
如果把大数据看作BI Plus,那么会发展得很快;如果看做理想中的“大数据大平台+人工智能”,那么我想发展速度不会很快。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19