
管理者的炼成以及国内大数据公司的挑战
大数据时代,商业智能领域发展迅猛,国内外IT巨头都纷纷抢滩这个领域,一些新型中小软件企业也涉足其中。随着国内BI厂商的崛起,商业智能领域已经不再只是国外各大巨头的舞台,国内厂商也逐步被用户熟知和认可。
北京永洪科技正如所有创业型公司一样,在成长初期一定是步履艰辛。但是现在永洪科技已经签订了数个大数据软件产品和服务的采购合同,帮助客户从大数据中发掘巨大的价值。它是如何做到的呢?带着这些疑问,记者找到了北京永洪科技的CEO何春涛先生。
何春涛从事商业智能产品的研发和应用工作十几年,在高性能及大数据商业智能的相关领域工作了五年。其负责的研发团队多次获得国际奖项,包括JavaOne、JDJ Readers' Choice Awards等。他也参与了一些机构的商业智能系统的建设工作,包括麦考瑞银行、世界卫生组织、AT&T等,在商业智能、高性能商业智能、大数据商业智能等领域具备丰富的实战经验。
在建外SOHO的办公楼中,我第一次见到了何春涛。何总是一个非常Open的人,可能和他长期从事技术开发与国外的工作经历有关,在和他的交谈中并没有我想象的那种压力,整个环境非常的融洽。
以下是采访原文
问及他从技术研发转做管理中遇到那些困难?
要转变成一个管理者是有比较大的困难的。在这个过程中,你必须独立并自信地去当好一个团队的领导者,忽然之间,你就要面对一大堆的事,要鼓舞大家的士气,要保持团队的活力,要让大家都集中于某些他们可能并不关心的目标上,从一个侧重技术技能并以任务为重的技术人员,要转变成一个侧重人际交流并以结果为重的管理者,这个过程绝非易事。同时对我来说最困难的两件事情是:第一,我的说话方式比较直接,这可能和我的国外经历有关系;第二,我这个人比较容易感情化。这些都给我的管理工作带来一定的影响,中间的酸甜苦辣只有自己才能体会,可以说是一个涅盘重生的心理历程。
在谈到目前国内的大数据市场以及永洪科技最初创立的原因?
目前国内大数据市场主要由IBM、SAP、EMC、HP、Microsoft等跨国公司分享。我们之所以要做这个市场,是基于产业思考深思熟虑之后的结果。“棱镜计划”一出全球一片谴责之声。但是除了谴责美国之外,对国人而言,更珍贵的是不断的反思。这个世界是建立在自然的基础上的,所以优胜劣汰,弱肉强食是注定的法则。与其不断地谴责美国的棱镜计划,倒不如脚踏实地地提升行业竞争能力,并对中国制造更多的关注和信任。我想,国内的大数据市场,需要真正有实力的本土厂商参与,并最终主导。
目前各个行业都面临一个海量数据的问题,您认为如何才能在海量数据中发现有价值的信息呢?
这个话题很广了,每个行业面临的数据价值其实都是不一样的,这没有一个标准答案。从商业价值上考虑,应该围绕自己的核心业务、结合线上线下的多元数据,收集、存储并消化自由的大数据,分布打造有价值的数据应用。我只能从我个人以及用户对大数据的使用和理解方面谈谈看法,基本可以分为以下几类:
大数据运维,比如说电信的流量控制监控系统,把他们所有的基站互联网数据收集上来进行监控,这样通过把运维搞起来,业务能更好的运行。
企业洞察力,比如说我们可能会在大数据平台的前后增加数据分析功能,通过静态的KPI来看业务,这时候我们数据的价值并没有很好的利用起来,导致我们企业的洞察力比较低,我们通过结合大数据和分析技术,去更好的、更深化的把我们的数据利用起来,这样我们就不再是静态的,我们可以动态的按需在一定的广度和深度和对我们数据进行挖掘,增强企业的洞察力。
将数据作为原料,比如我们以前上决策,这种分析报告我们一般都会让IT部门去做,这时候一般都需要一两周,而且IT部门的工作本来也比较多。如果我们结合一些实时大数据的技术,比如说离线计算、在线计算等等,我们就可以实时、快速的把这些分析报告拿走,可以提升我们决策的能力。这点艾瑞就做的很好。
新的商业模式,比如说广电行业有很多的资源,比如像广播、电视台,并且还有很多大家耳熟能详的主持人、明星,他们做的事情是什么呢?他们会跟银行共同的去策划,做发卡,发完卡之后,通过它们的媒体资源组织大家进行各种各样的消费比如我喜欢玩,比如我喜欢购物就做购物的线路,然后再通过它的主持人、频道推荐给各个商家。他做完之后把所有链条上的数据收集回来。收集回来之后就跟商家做各种的优化和谈判,包括我们前端的银行做优化和谈判。
作为一家提供商业智能产品和服务的本土BI厂商,和一些国际上的服务商相比核心竞争力在哪里?有哪些解决方案呢?
其实对于国际服务商来说,我们的优势有两点:第一,我们的产品,永洪研发团队从08年就开始做大数据产品研发,曾经服务于欧洲、澳洲、美洲等地的跨国企业和全球机构,并取得了重大成功。这些经历说明:永洪研发团队有着国际一流的研发水平,Yonghong大数据产品处于国际领先的地位。对于大数据,这些传统BI厂商形成了一体机和分布式数据仓库两种解决思路。然而,一体机对大多数企业而言几乎是天价;分布式数据仓库产品按流量收费,价格稍低,不过一TB数据也要几十万。这样的大数据产品,大幅提升了BI应用的整体拥有成本(TCO),给国内企业客户带来了沉重的压力。永洪 BI通过完全自主知识产权的数据集市产品(Z-Data Mart)支持大数据, Z-Data Mart汇聚了数十项自有专利,涵盖了分布式存储和计算、库内计算和库内计算、内存计算、分布式传输和实时通信等关键领域。Z-DataMart性能卓越,产品成熟,有数家电信运营商和IT服务商采购并投入关键业务的生产环节。第二,我们是本土厂商,属于主场作战,尤其是在这个大数据作为国家战略的环境下,我们具有一些先天的优势。
永洪科技的基础设施是如何解决的?
对于基础社区的建设,我们一般都是让企业自建的,我们负责提供产品和设计方案,然后企业选择自建或者租用其他的基础设施。
可否介绍一下目前永洪科技的技术团队规模和结构是怎样的?
你进来的时候就能看见,目前我们这边的研发团队大概有十来个人的规模,其中很多都是8-10年的老员工,我们有着相同的梦想,相同的目标,因此可以一直走到现在。同时我们对于员工还会进行一系列的分红,让他们在这里既能脚踏实地又能追逐梦想!
你觉得未来大数据发展的方向是什么?有哪些热门技术?
我认为当前热门的大数据技术主要包括以下内容:
用于大数据存储的Hadoop HDFS,以及衍生的数据库HBase
批处理大数据项目有Hadoop MR,它最新版本是YARN。衍生项目有数据仓库Hive和机器学习Mahout
实时处理大数据的项目有:Spark以及衍生的数据仓库Shark、Cloudera Impala
用于流计算的项目有Apache Storm
商业大数据产品有一体机例如PureData、Exadata、Hana、MPP DW例如Vertica、Aster Data、GP、MPP DM例如 Yonghong DM
未来比较看好实时大数据技术的原因是实时大数据技术能够让企业对大数据进行探索式和交互式分析,相比于之前没有灵活性和动态性的批处理大数据技术而言,它将大大提升发掘大数据价值的效率和可能性。
你觉得未来永洪科技要继续发展面临的困难和挑战是什么?
赢得用户就得靠产品的创新和性能,只有产品能够获得用户的青睐,公司才能生存下去,所以说首先得做好自己的产品。同时在中国最大的挑战不是市场的大小而是市场的健康程度,这个健康分为相关的法制法规和大家选择产品时的心里成熟度。
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在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09