京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据发展五大关键要素
目前,大数据正成为推动企业效率提升和管理变革的强大力量,一些企业正利用互联网与物联网等带来的海量数据,通过挖掘、分析与业务应用,赢得优势。它正成为经济繁荣的催化剂,在美国,大数据已经被提到了国家战略的高度。但如何发展大数据呢?从新加坡的经验来看,政府在其中起到关键性的作用。
新加坡政府抓住了大数据发展的五大关键要素:基础设施、产业链、人才、技术和立法。它在其中发挥了关键角色,尤为值得一提的是,这五个要素是普通企业所做不到的,而新加坡政府正好填补了企业的短板。
大数据基础设施方面:一个国家在信息和存储等方面的基础设施,决定了大数据时代的海量数据能否汇集、传达,存储和应用。为了为大数据的发展提供良好的基础,新加坡在基础建设投资方面毫不吝啬。新加坡是世界十大高速网络架构之一,并承载了东南亚地区半数以上的第三方数据中心储存量。新加坡已确立其作为全球数据管理枢纽的地位,汇集了东南亚超过50%的商业数据托管及中立运营商数据中心。
大数据产业链方面:在大数据产业链中,横跨了包括数据提供者、存储商、分析和挖掘商,以及应用企业等。对于企业,往往只有应用能力,却缺乏获得、存储和分析与挖掘大数据的能力。而在这方面,当然要依靠产业链中相应的服务商,但政府在产业链建设中发挥了关键性的作用。
在数据挖掘方面,鼓励大学设立数据挖掘和分析平台,2012年,新加坡管理大学(SMU)推出的“Livelabs”创新平台,旨在增强新加坡在消费者和社会行为领域的数据分析能力;鼓励企业设立数据分析中心,一些企业通过在新加坡设立数据分析中心,洞察亚洲市场需求,已成功地实现了区域市场业务的拓展。2011年,劳斯莱斯(Rolls-Royce)与新加坡科技研究局(A*STAR)下设的高性能计算研究院合作成立了计算工程实验室,在智能数据分析领域进行合作研究。
新加坡信息通信研究院(I2R)拥有全亚洲最大的数据挖掘团队之一。
承担数据提供者角色,主动披露政府掌握的数据,在大数据建设中,这一点至关重要,因为毕竟政府是最大的数据拥有者。但是让政府能够主动开放自己的数据,并不是一件容易的事,而新加坡政府却做到了这一点。新加坡土地管理局(Singapore
Land Authority)研发的电子地图(OneMap),就为基于位置的服务(LBS)的企业提供了开放数据平台。
新加坡陆路交通管理局则通过公共数据开放计划开放新加坡交通数据,鼓励企业甚至是个人开发提升公共交通效率的应用软件。
新加坡环境局(NEA, National Environment Agency)与多家企业合作,研究如何收取降雨量,并通过掌握不同地区环境的数据,来预测哪个地区接下来会爆发热带地区可能产生的疾病。
大数据人才方面:目前企业应用大数据过程中往往最缺少数据人才,培养数据人才要充分发挥政府的作用。为了成为全球领先的数据分析中心,新加坡政府在这方面的努力可谓不遗其力。
它与企业以及本地高等院校开展合作,确保毕业生获得必备的专业知识和技能。目前,新加坡在数据分析领域开设了4个硕士课程以及5个本科课程,提供侧重于具体行业应用的多学科研究方法。
在新加坡经济发展局的协助下,亚洲顶尖学府新加坡国立大学(NUS)和IBM将开展合作,共同成立新加坡国立大学商业分析中心。该中心旨在帮助在校学生以及在职人员提升商业分析领域的最新职业技能,为未来数据分析工作打好基础。
大数据技术方面:大数据存储、分析和挖掘技术与产品往往需要巨大投资,但是一般的企业无法承受这样的投资,此时政府的作用就尤为重要。而新加坡在其中,从来就没有缺位。
信息通信研究院(I2R)与中国搜索引擎巨头百度在东盟自然语言技术开发领域进行合作。这一技术如被普遍应用,将为企业进军新兴的东盟市场创造空前机遇。
此外,数据分析会被应用在分析社会认知领域。新加坡高性能计算研究所(IHPC)是率先开发此项技术的研究所之一。通过对人们第一印象的建模研究,企业可以更好地了解亚洲消费者。这项技术能够帮助企业预测消费者对新产品的反馈。
在立法方面:大数据的发展总是伴随着与个人隐私权的冲突,而能否通过立法明确保护个人隐私权是大数据能否良性发展的关键,而新加坡在这方面做得很充分。新加坡于2012年公布了《个人资料保护法》(PDPA)。《个人资料保护法》作为一项较为宽松的立法,旨在防范对国内数据以及源于境外的个人资料的滥用行为。该法案的出台使公民得以进一步了解个人资料的使用途径;同时,在进行个人信息处理的过程中,也加强了企业与客户之间的信任程度。
新加坡在收集、存储大量数据的基础上,对数据进行有效的分析与应用,从中获得经济价值。到2017年底,预计数据行业将为新加坡经济贡献十亿新元的增值,并培养2,500名跨领域数据分析专业人才。
而所有这一切在于新加坡对于大数据的战略定位,对于自然资源稀缺的新加坡而言,“利用数据作为资源”是非常好的选择,新加坡经济发展局资讯通信与媒体业执行司长吴汭刚认为,“对于新加坡,数据就是未来流通的货币,而我们目前所做的就是将新加坡打造成全球数据管理中心,从而有能力与企业合作,将数据的潜在价值转化为可见的商业利润。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19