
大数据分析领域的四大窘迫
在深圳大数据峰会上,永洪科技创始人&CEO何春涛依托他在BI和大数据分析20年的专业经验,为大家解析目前大数据分析领域的四个窘迫,以及5年内全球范围内大数据分析领域的发展趋势,并就2016上半年永洪科技可喜的进展状况向大家做了汇报。
大数据分析领域的四大窘迫
1、数据分析之数据准备瓶颈:OLAP
我们知道从上个世纪90年代,甚至包括80年代末,OLAP就已经被很好地使用了。但是我们知道企业的数据和运营的过程,是一个持续动态变化的过程,它需要在第一时间交给业务部门做数据分析,而OLAP做不到这一点。一旦有一个数据分析的变化,我们需要交给IT部门去重新构建OLAP。所以如果这个瓶颈不打掉,企业的数据化运营的链条是不通畅的,并且业务流程会很缓慢,同时企业的运营效率和竞争能力也会大打折扣。
2、大数据分析之找到答案瓶颈:静态报告
如果我们采用邮件的形式沟通,假设今天发出去,第二天才有回复,那这一天就浪费了。静态报告就跟邮件一样,我们需要的是一个及时交互的过程,对数据进行分析、发掘它的价值。假如看到报告后,我们就发现了一个问题,然后可能就会去问第二个问题。比如华南的几个业务增长发生了变化,上个季度可能是100%的增长,到这个季度增长降成了10%,这个时候我们就会去问为什么,但是静态报告是不能告诉我们答案的。这个问题只能再交给IT部门重新计算一遍,再给出一张静态报告。如果不打掉这个窘迫,会给企业数据化运营带来很大的挑战。
3、大数据分析之分析流程瓶颈:IT部门
一个企业里面有非常多的部门,假如有制造、市场、设计、人事、财务等部门。当这些部门有数据分析的需求时,他们都会递交给IT部门,然后IT部门的加班非常严重,他们疲于应付,但是这样做出的结果还非常不好,大家对IT部门的诟病都很深。比如做中秋节的策划,这个促销策划需要一些数据分析的报告来支撑。但是IT部门很可能在中秋节之前,还没有把报告交给市场部门,这会给企业的营销带来极大的不便。
4、大数据分析之厂商瓶颈:缺乏高质量的本土厂商
我们认为在国内缺乏高质量的本土厂商。以前大家在聊大数据分析这件事情时,很可能会说SAP、IBM等等,却没有一家真的做得很棒的本土厂商出现。也有一些本土大数据分析厂商,往往以非常低的价格和比较差的服务去做一些低端的市场。
我们知道其实在目前的中国,已经有非常多的好的企业,在各自的行业崛起。以前我们买一个电视机,可能要买东芝,后来我们可以买海尔。以前买空调需要买三菱,现在我们要买美的或者格力。在各个行业都发生了巨大的改变,有非常多的本土厂商在崛起,但是大数据分析这个领域,我们认为是没有的。所以这是我们非常大的一个责任,希望可以和诸位一起深入有效地合作,去改变这个现状,让本土的厂商可以提供已有的服务和产品,帮助大家做好大数据分析的支撑和服务的工作。
最近五年全球的大数据分析的趋势
1、探索性分析成为BI选型的唯一选择
这是Gartner2012年、2013年、2014年、2015年连续4年的数据分析的研究报告,提到的唯一的一个共性,探索性分析已经成为BI选型的唯一选择。在以前可能大家会说,数据分析我们就会用Cognos、BIEE或者BO,但是在今年Gartner的报告里面,Cognos和BO已经驱逐到第四象限,而BIEE已经被驱逐出去了。所以这样一个探索性分析的潮流,已经完全改变了数据分析的现状和未来。
为什么?就是因为之前我分析到的跟大家分享的那些瓶颈,其中业务人员自己动手基于数据做分析,从发现问题找到答案再采取行动,整个过程都已经变成了一个全球性的潮流。在这个方面,我也号召大家好好地审视一下自身的企业,到底应该怎么样构建下一代数据分析平台,去支撑未来5到10年的大数据分析的需求。
2、良好的企业管控下的探索式分析成为主流
早先业务人员使用数据分析,往往要使用一个离线的桌面程序,大家经常用的桌面程序是什么呢?Excel,还有包括后面出现的excel的高级升级版。这些离线的探索性分析的产品,在上个世纪90年代后期一直到2000年初,都获取了非常大的市场。
但是后来从Gartner的研究报告我们可以看到,很多企业尤其是大中型企业已经发现,如果采用离线的分析工具来对数据进行分析,数据的使用是缺乏良好的安全管控的,有可能非常重要的销售数据、生产数据,被分发到企业每个人员的终端笔记本上去了,这对企业的数据管控来说是非常可怕的。
我们目前构建数据分析,尤其对外提供数据分析的时候,有一个说法叫“数据不出口,数据服务要出口”,是什么意思呢?数据的原料是不能够离开这个企业的,但是数据的服务是可以从这个企业递交给第三方的。那么去中心化的探索性分析被放弃了,很重要的一点就是我们需要在良好的企业管控之下,去进行有序的、高质量的、高安全性的数据化运营工作。
3、云计算成为必然趋势
我们可以发现一个大趋势,最近这5年云计算已经变成了一个现实了。像国外的AWS、IBM,他们已经成为云计算非常大的玩家,在国内我们也看到有腾讯云、阿里云等众多的玩家。云计算改变了企业的IT服务,但是从TEWI和Gartner市场的统计报告我们可以看到,几乎所有大数据分析的厂商,他们收入的90%还是来自于线上的数据。为什么?这是一个很现实的问题,就是我们企业里面的数据,绝大多数的企业的数据,是不允许离开这个企业的。
所以我们分析这件事情的时候认为,企业的数据化运营工作,会变成一个以私有云和公有云混合到一起的服务工作。它肯定不会是以前单纯的私有云的服务,也不会是大家想象的可能在未来5年,全部变成了公有云的服务,它会变成一个混合架构。
4、分析应用市场将涌现巨大的创业机会
目前大数据分析的相关技术还在持续的演进当中,包括云计算、深度分析、自然语言等技术正在不断地成熟,并且会被引进到大数据分析这个领域里面,帮助企业更好地进行数据的价值发掘工作。
另外我们看到,商业智能与分析是一个充分竞争的全球化市场,它对创业者的要求是非常高的。比如说,永洪最开始创立的时候,就需要跟Cognos、BO一起去竞争,因为这个市场是没有任何壁垒的,它不需要牌照,在全球是一体化的竞争工作。所以当我们创业者要去做这个领域的时候,一定要确保自己在这个领域具备足够强的竞争力。另外我们也发现,虽然在平台和支撑上面创业的机会不是很多,但是在应用市场这个机会非常的多。所以这给我们做垂直化应用的企业,带来了很多的机会。
下一个趋势,我们认为分析应用市场将会涌现出巨大的机会,永洪内部培训很多同事,如果他们想做垂直的产品,我们也会把永洪的平台开放给他们,让他们基于永洪的产品去做像制造行业、银行、能源、交通各个领域的垂直产品的分析。我们认为分析市场将来会标准化,如果有人基于某个平台构建好一个分析应用之后,他可以快速地递交给全球各地的用户,这是基于标准化的前提所能够达到的一个结果。那么在标准化基础上,会诞生几家很巨大的平台厂商。
5、大数据分析未来有望像PC和汽车一样成为企业标配
BI与大数据分析领域,我们认为它还是处于比较早期的阶段,像20年代的汽车行业。20年代汽车还是一个非常小众的市场,没有进入每个家庭。它也有点像80年代的PC行业,当时整个上网机会还不是特别的多,如果要上机,我们需要单独到一个IT中心去进行上机的申请和最后上机的实际操作。但是大家知道,从80年代以后到90年代到2000年,PC变成企业和家庭里面每个人的标配,到后来我们的手机变成每个企业和家庭的标配。那么大数据分析将来也会变成企业里的每个业务人员的标配。
我们认为这在将来一定会变成现实的,这是在现在和将来永洪和大家一起持续努力的一个方向。我们要让企业里的每个人,都可以成为我们的用户,都可以因为我们的数据分析的能力,给自己赋能。这就是永洪的一个愿景:释放数据的价值,人人都是数据分析师。
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在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30