
大数据时代三个“关键词” 不懂你就OUT了
数据化有狭义和广义之分。从狭义看,数据化是指将事物及其运动转化为可识别信息的过程。从广义看,数据化是指利用基础数据全面认知并优化改造客观世界的过程。数据是一种客观存在,把这些客观存在的数据找出来,就是数据化的过程。如何有效获取数据?其重要手段就是利用大数据,这本身也是数据化的集中体现。
大数据不同于小数据。相对于大数据而言,过去我们熟悉的标准化统计数据就是小数据。大数据之所以在网络时代快速发展,是因为有一系列幕后的推动力量,包括摩尔定律的作用、互联网与移动互联网的发展,以及社交网络、传感设备、智能终端、智能制造的出现等,正是这些力量促使了大数据爆发性增长。从种类上看,大数据不仅包括传统的统计数据,还包括实时、连续发生的交易数据、行为数据、传感数据,等等。其基本特点是多杂碎快。
大数据之所以重要,是因为它能做很多过去的小数据做不了的事情。大数据的作用可以简单归纳为5个效应:一是识别效应,它可以识别身份、位置、状态、真假;二是重现效应,它可以再现过去的场景,实现过程的追溯;三是关联效应,通过对数据的相关分析、联想分析、聚类分析,可以找出事物之间的联系;四是溢价效应,大数据的应用可以产生新的数据,有利于发现事物变化的内在规律;五是预测效应,利用大数据可以对经济、天气、灾害、疾病以及人类的行为进行预测分析。
数据化是信息社会的重要标志。人类经过农业社会、工业社会,现在已经进入了信息社会。信息社会一定是高度信息化的社会,也一定是高度数据化的社会。尤其是大数据技术的出现,使过去不可计量、存储、分析和共享的很多东西都被数据化了,这标志人类在寻求量化世界的道路上前进了一大步,人们认识世界的能力有了空前提高。就像我们现已熟知的定式、公理、公式,客观上早就存在,一经被人发现就变得非常有价值,成为我们行动的利器。数据也是这样,过去我们没有技术和手段,不能大量发现和捕捉到它。现在我们有了大数据技术,就离发现事物的本质及其变化规律更近了。所以说,有了大数据,所有可以数据化的信息都被数据化了,人类认识和改变世界的能力也就大大提升了。
关键词2
升维:数据化能力决定竞争能力
“升维”一词来自于科幻作家刘慈欣的小说《三体》。在这里借用这个词汇想表达的是,人类从农业社会、工业社会到信息社会,就是一个不断升维的过程。对于农业社会而言,工业社会就是升维。对于工业社会来讲,信息社会就是升维。信息社会与工业社会之间的竞争,不是在一个维度,更不在一个层次。
信息革命已经将人类带进了信息社会。所谓信息社会,就是建立在工业社会之上,全面实现信息化,并体现出以人为本、可持续和包容发展理念的新型社会。今天的中国,正处在重要转型期。虽然我们面临许多困难和挑战,但在创新、协调、绿色、开放、共享的新发展理念引领下,新型工业化、信息化、城镇化、农业现代化和绿色化进程势必持续向前。因此,当工业社会升维到信息社会时,我们的城镇和乡村也会随之加快信息化进程。
仅以城市为例,工业化城市升维到信息化城市,而信息化城市的重要标志之一,就是高度数据化。城市的基础设施、经济、社会、政务、生活等都将在“升维”的过程中实现高度的数据化。概括地讲,就是一切都将“用数据说话,靠数据决策,依数据行动”。信息革命是推动城市数据化的主要动力。我认为,未来的推动力将会来自以下几个方面:一是信息化,全球经济发展的推动力;二是网络化,连接一切;三是宽带化,“极速”宽带不是梦;四是智能化,智能产品、智能工厂大量涌现;五是服务化,服务环节创造的价值可以占到90%以上;六是社会化,管理运营的社会化;七是生态化,从价值链向生态圈转型;八是平台化,企业运营、政府治理都将平台化。围绕上述发展趋势,决定城市竞争力的核心要素,将包括:数据采集能力、数据处理能力、数据传播能力、数据利用能力、数据安全能力等。未来城市之间的竞争将体现为数据化能力之间的竞争。
关键词3
数据开放:大数据战略的突破口
实施国家大数据战略,关键在于推进数据资源开放共享。推进大数据战略,并不需要政府花钱大量补贴和建立这一领域的新兴产业,只需加快政府数据开放共享,就能催生一个重要的新增长点——新型的服务业。建立大数据的基础设施,可以让经济增长潜力迅速迸发出来,这是因为公司可以用这些数据创造价值,进而可能创造新的服务行业。数据已经在那儿了,开放没有什么成本,赢得的却是新的发展机会。
需要说明的是,大数据战略中的数据开放,与我们常说的信息公开有所不同。以往的信息公开往往是政府将加工好的信息放到网上去,而数据开放则强调开放更多的基础数据,比如,交通大数据、通信大数据等。让基础数据流动起来,才能够真正释放其应有的价值,才能够通过这些数据去整合资源,创造出新的商业模式和新的业态。近年来,国内已有不少城市和企业开展了类似的数据开放应用活动,通过数据开放产生经济和社会价值的实践,让人们逐渐认识到数据的价值和数据开放的重要性。总之,信息社会已经来临,现在的行动,决定未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09