
大数据是一种技术性战略资源 可开启创业时代
创新驱动发展战略是广东经济发展的“核心战略”和“总抓手”,科技创新是创新驱动的核心。大数据技术正在带来一次革命,大数据不仅意味着海量、多样、迅捷的数据处理,更是一种新的生产要素、一种创新资源和一种新的思维方式。大数据可以从产业结构、传统制造业升级、商业组织、“互联网+”和“大众创业,万众创新”等方面影响经济增长方式,助推创新驱动发展。
大数据技术,绝不仅仅是信息技术领域的变革,更是一种技术性战略资源,它使各种物质生产要素因新技术的介入而提高创新能力,形成内生性增长。
一、作为一种新的生产要素,大数据技术促进经济结构转型
大数据推动经济增长的积极作用,不仅意味着更高水平的生产力,还意味着经济结构的转型。
其一,与大数据时代对应的经济结构是智能经济。智能经济是以人脑智慧、电脑网络和物理设备为基本要素构成的经济结构和增长方式。大数据时代必将催生很多创新产业,重构甚至颠覆某些行业传统的产业链。
其二,大数据可推动突破性技术的研发,促进企业创新,改变产业格局。大数据的核心是预测,精准预测建立在对大量结构性和非结构性数据进行相关性分析的基础上。企业可以利用大数据研发其他领域的专业技术,为企业技术创新提供广阔空间,而这些新技术具有突破性,拥有改变整个产业格局的潜力。
其三,大数据服务渗透到传统行业,推动传统产业升级
大数据的应用对产业结构优化具有积极影响。目前大数据最大的应用前景是在传统产业。一是因为几乎所有传统产业都在互联网化,二是因为传统产业仍占据了GDP的大部分份额。大数据已经与社交媒体、电子商务、广告营销、金融等行业发生紧密的融合,专业化的大数据服务已开始渗透到农业、建筑、能源、体育、餐饮、音乐等传统行业,挖掘数据价值,改造和优化传统行业的企业管理、产品服务设计、商业模式等环节。这一趋势在未来将会得到进一步强化,并将极大推动传统产业的升级。
二、用大数据开启创业时代
大数据分析的好处是在海量样本的基础上使分析大数据的技术门槛降低。此外,大数据技术在萌芽阶段就是开源技术,无偿供给全世界的开发者使用,后续包括Hadoop等底层技术均为开源性质,也没有任何专利门槛。在舍恩伯格看来,“算法”可撬动大数据的创业时代。也就是说,只需要拥有对于数据分析的思路也即一套“算法”,创业可以有很多新的可能。首先,你不需要是统计学家、工程师或者数据分析师,就可以轻松获取数据,然后凭借分析和洞察力开发可行的产品。其次,将众多数据聚合,或者将公共数据和个人数据源相结合,新数据组合能开辟出产品开发的新机遇。第三,大数据服务有利于创业公司的涌现。订阅式定价模式是未来大数据服务的方向,即顾客无需维护硬件、电源和工程维修资源,服务完全根据顾客的需要而定:顾客有需要时,就可以使用更多功能;不需要时,功能就会减少。大数据服务的优势在于,顾客只为使用的东西消费。这尤其对创业公司有利,它们可以避免高昂的先期管理服务器和存储基础设施的投入。
三、作为一种新的思维方式,大数据思维引发科研方式的变革,促进科技创新能力的提高
过去我们认识世界的方式主要是通过“因果关系”,现在又多了一个方法—“相关关系”。大数据分析形成的“相关关系”为我们认识世界提供了一种新方法,引起科研方式的深刻变革,形成创新的新动力。
大数据技术的一个重大意义在于其能够影响科学研究本身的发展,使科学从过去的假设驱动型转化为数据驱动型。传统科研方法大都采用假设和验证的方法来分析问题产生的原因,进而寻求解决途径。应用大数据技术,人们开展科学研究不再是从提出自己的假设出发,而是先进行数据分析,然后再提出科学假设。大数据时代,知识技术创新模式正在从这种求因果向重相关发生转变,各领域的科研人员可以充分利用大数据快速挖掘事物间的相关性,预测事物发展的方向和趋势,从而实现知识技术创新。
对许多科学与工程学科领域而言,大数据技术能推动大学和工业实验室的基础研究,能加快取得新发现的速度。在推动信息技术的进步上,大数据技术更是起到重要的直接作用。为了应对大数据技术提出的挑战,科学家和工程师们必须要在信息技术领域作出重大创新:需要开发能以更高的速度处理如此复杂的海量数据的高性能计算技术;要求数学家和统计学家开发能够分析这些数据的新算法;要求数据分析专家运用新的技术从数据中“萃取”更大的、甚至意想不到的价值。
四、数据开放激发社会的创新活力
数据开放,可充分利用蕴藏着的社会能量,调动大众的智慧。数据是知识生产和创新的资源,通过互联网开放数据,就是将原来由部分社会精英垄断的知识和创新资源,开放给大众,进一步调动大众智慧,推动大众创新。每个人贡献一点点,大数据就可能还原事件的真相,或者推动某种创新。例如,开源项目、开源社区、开放性创新联盟组织的兴起,有效降低了产业技术的壁垒,推动更多的创业者介入。
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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26