
大数据行业领域现状与展望
随着大数据技术和商业模式的进一步成熟,市场的焦点迅速从概念炒作向实际应用转移,越来越多的成功案例相继在不同的领域中涌现,大数据应用逐渐落地生根。
我国大数据行业虽处早期发展阶段,但已呈现春暖花开的可喜态势
大数据市场规模增速加快,各行业领域应用不断丰富
IDC预测,2015年全球大数据市场规模将从2010年的32亿美元增长到170亿美元,复合年增长率为40%。
2015年中国大数据市场规模将达到115.9亿元,增速达38%。未来随着应用效果的逐步显现,一些成功案例将产生示范效应,预计2016至2018年中国大数据市场规模还将维持40%左右的高速增长。
在大数据应用的部署情况方面,随着大数据技术和商业模式的进一步成熟,市场的焦点迅速从概念炒作向实际应用转移,越来越多的成功案例相继在不同的领域中涌现,大数据应用逐渐落地生根。
多方面因素制约,我国大数据应用仍处在早期发展阶段
1、数据的丰富和开放程度不够
丰富的数据源是大数据产业发展的前提。而我国数字化的数据资源总量远远低于美欧,每年新增数据量仅为美国的7%,欧洲的12%,其中政府和制造业的数据资源积累远远落后于国外。就已有有限的数据资源来说,还存在标准化、准确性、完整性低,利用价值不高的情况,这大大降低了数据的价值。
同时,我国政府、企业和行业信息化系统建设往往缺少统一规划和科学论证,系统之间缺乏统一的标准,形成了众多“信息孤岛”,而且受行政垄断和商业利益所限,数据开放程度较低,以邻为壑、共享难,这给数据利用造成极大障碍。
制约我国数据资源开放和共享的一个重要因素是政策法规不完善,大数据挖掘缺乏相应的立法,无法既保证共享又防止滥用,一方面欠缺推动政府和公共数据的政策,另一方面数据保护和隐私保护方面的制度不完善抑制了开放的积极性。因此,建立一个良性发展的数据共享生态系统,是我国大数据发展需要迈过去的第一道坎。
2、数据挖掘与分析工具有待完善
要以低成本和可扩展的方式处理大数据,这就需要对整个IT架构进行重构,开发先进的软件平台和算法。这方面,国外又一次走在我们前面。特别是近年来以开源模式发展起来的Hadoop等大数据处理软件平台,及其相关产业已经在美国初步形成。
而我国数据处理技术基础薄弱,总体上以跟随为主,难以满足大数据大规模应用的需求。如果把大数据比作石油,那数据分析工具就是勘探、钻井、提炼、加工的技术。我国必须掌握大数据关键技术,才能将资源转化为价值。应该说,要迈过这道坎,开源技术为我们提供了很好的基础。
3、模式创新和业务拓展尚显不足
虽然2015年大数据应用已延伸至各个领域,但应用模式多有雷同,应用模式创新还有待进一步加强。企业应用大数据的目的鲜有拓展新业务、开发新产品和创新增值服务,多是在改善现有业务、推销已有产品或控制成本等。尽管2014 年部分大数据应用尝试使用非结构化数据,但依然是将非结构化数据进行结构化处理后,再按照常规方法使用。
国务院连续发布政策文件,大数据已经上升至国家战略
在全球信息化快速发展的大背景下,大数据已成为国家重要的基础性战略资源,正引领新一轮科技创新。
目前,我国在大数据发展和应用方面已具备一定基础,拥有市场优势和发展潜力,但也存在政府数据开放共享不足、产业基础薄弱、缺乏顶层设计和统筹规划、法律法规建设滞后、创新应用领域不广等问题亟待解决。
2015年7月1日国务院连续发布《关于运用大数据加强对市场主体服务和监管的若干意见》、《关于积极推进“互联网+”行动的指导意见》、《关于运用大数据加强对市场主体服务和监管的若干意见》;2015年9月5日国务院印发《关于促进大数据发展行动纲要》的通知,政府连续出台的一系列关于大数据发展的指导意见及政策,标志着我国大数据产业已经上升至国家战略。
基于大数据的广阔发展前景,各省市也纷纷出台大数据发展规划。推动大数据相关产业发展和应用示范,正成为各地抢占新一轮经济和科技发展制高点的重大战略,积极将大数据作为提升本地发展的重要机遇。
国内外市场发展各有千秋,亚信着力发展大数据生态系统的建设
国际大数据产业发展更加成熟,竞争更趋激烈
1、市场增速略有放缓,应用成为新的增长动力
从Gartner 2014年最新的技术成熟度曲线中可以看出,大数据技术开始趋向于成熟,变得更加易于被行业市场应用,技术创新和商业模式创新推动各行业应用逐步成熟,应用创造的价值在市场规模中的比重日益增大,并成为新的增长动力。
2、竞争态势愈加激烈,融资并购成为市场热点
互联网企业龙头与传统 IT 巨头通过投资并购不断加强大数据领域布局,初步形成大数据产业链闭环,并在各行业拓展应用。谷歌、亚马逊、脸谱等互联网企业龙头和甲骨文、IBM、微软等传统IT 巨头,通过投资并购的方式不断加强大数据领域布局,初步形成贯穿大数据产业链的业务闭环,并在各行业拓展应用。
3、区域发展尚不均衡,信息化基础和数据资源是关键
欧美发达国家拥有先发优势,处于领导地位,中、日、韩、澳大利亚、新加坡等国分别发挥各自优势,紧紧跟随。其他多数国家发展相对缓慢,还停留在概念炒作和基础设施建设阶段。
4、产业生态不断优化,基础设施建设更加合理
Hadoop、Spark、Storm等开源技术得到更广泛的认可和应用,大数据技术生态圈形成。同时,各国政府、企业和产业组织非常重视大数据产业生态建立和环境优化,不断地通过建设基础设施,制定法律法规、政策体系和数据标准,完善大数据生态环境,提升国家对数据资源的掌控能力和核心竞争力。美国、日本、韩国、澳大利亚等国家加强数据中心、宽带网络、无线网络、大数据研发中心和实验基地等基础设施建设。
国内大数据产业发展紧随其后,人才培养逐渐加速
1、规模增速略有提高,与全球增速差距仍较大
2015年我国大数据市场规模同比增长38%,比2014年28.4%的增速提高9.6个百分点,但与全球47.72%的增速仍有不小的差距。随着我国大数据快速发展,我国大数据市场规模在全球大数据市场规模中的比重将越来越大,并最终与全球增速保持同步。
2、互联网企业表现强势,国外企业进入我国市场
百度、阿里巴巴、腾讯、京东等互联网企业抓紧布局大数据领域,纷纷推出大数据产品和服务,抢占数据资源。传统 IT企业开始尝试涉足大数据领域,其产品和服务多是基于原有业务开展,未能撼动互联网公司的领先地位。初创企业受限于数据资源和商业模式,还要面对互联网企业的并购行为,竞争实力尚显不足。
3、区域产业聚集现雏形,合作协同发展成常态
我国大数据产业集聚发展效应开始显现,出现京津冀区域、长三角地区、珠三角地区和中西部四个集聚发展区,各具发展特色。
4、大数据基础研究受到重视,专业人才培养加速
Gartner公司预测,大数据将为全球带来440万个IT新岗位和上千万个非IT岗位。麦肯锡公司预测美国到2018年需要深度数据分析人才44万~49万,缺口14万~19万人;需要既熟悉本单位需求又了解大数据技术与应用的管理者150万,这方面的人才缺口更大。
中国是人才大国,但能理解与应用大数据的创新人才更是稀缺资源。大数据的相关职位需要的是复合型人才,要能够对数学、统计学、数据分析、机器学习和自然语言处理等多方面知识综合掌握,近年来,中国互联网三巨头BAT(百度、阿里、腾讯)均耗费巨资投入大数据发展,纷纷建立大数据研究院、大数据实验室等,提供大数据专业服务,一批大数据专业分析公司也应运而生。
亚信公司“人力资源校园项目”计划正在全国重点高校实施,亚信与北京理工大学、北京邮电大学、北京航空航天大学、浙江大学、南京大学等国内一流高校深入合作,成立实习基地,建立人才培养计划和招聘制度。
亚信不仅每年定期从北京理工大学软件学院吸纳即将毕业的学生实习,同时,会派遣经验丰富的高级软件人才作为客座教授,将实践经验与理论结合,为在校学生定期开课,传授工作中所需要的技能和知识,从而帮助亚信、云基地突破人才瓶颈,实现构建亚信产业大数据生态系统的目标。
2016年大数据行业增长将成为常态,行业关注领域将发生变化
云计算模式将颠覆软件行业,一切皆服务
根据Gartner对中国企业的最新调研,云服务是排在第一位的技术议题,主要细分市场包括Iaas,Paas和Saas。在中国互联网领域,云计算的IaaS、PaaS和SaaS已经是典型业态,传统企业正在向产业互联网的方向发展,云计算正在逐步渗透产业互联网各个垂直领域,软件公司在云端“重生”,具备低成本高速扩张能力。
未来5年,大数据与云融合依托云提供大数据服务的公司将大量涌现,未来的产业图景中,共享经济将从个人扩展到企业,企业将以其最擅长的能力模块和最稀缺的资源模块参与API经济,从而使API价值最大化 。
大数据市场规模持续扩大,行业关注热度发生变化
IDC最近发布的报告显示,全球大数据技术及服务市场复合年增长率(CAGR)将达31.7%,2016年收入将达238亿美元;中国大数据市场规模将从2011年的7760万美元增加到2016年的6.17亿美元,未来5年的复合增长率达51.4%,市场规模将增长近7倍。
另外,随着国内政策的变化,通信、制造、物流行业政府支持热度有所下降,通信行业的政策热度降幅较大;政府与金融行业的政策热度将持续高涨。
国家政策引导,各部委和地方政府将加大扶持力度
2016年随着我国国家层面的大数据战略思路逐渐成型并确定发布,将引导和推动大数据快速、健康、有序发展。各部委、各地方将继续出台和实施与大数据相关的政策文件、专项、行动计划等。政策内容将随着对大数据本质的认识加深而愈发明确,有关配套工作也将有序推进,将会有更多的地市陆续设置大数据专业管理部门。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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