京公网安备 11010802034615号
经营许可证编号:京B2-20210330
物联网超越大数据成为最热门技术_数据分析师
据福布斯中文网消息,市场调研公司高德纳(Gartner)在上周发布了最新的新兴技术成熟度曲线(Hype Cycle for Emerging Technologies)。去年,大数据享有至高无上的地位,处于高德纳所说的“期望膨胀高峰期”。但现在,大数据已经跌入“幻灭的低谷期”。物联网取而代之,占据了成熟度曲线的最高点。在2012年和2013年,高德纳的分析师们认为,物联网还需要10年以上的时间才会达到“生产率稳定期”。但今年,他们认为物联网只需要5到10年时间就会达到这个最终成熟阶段。高德纳表示:“在我们、我们客户和我们合作伙伴的商业和IT版图上,物联网正成为一个充满活力的组成部分。”
今年成熟度曲线上的一个新面孔是“数据科学”,预计它将在2到5年时间里达到稳定期。与其说它是一项或一套具体的技术,不如说是一个处理大数据的学科。值得指出的是,盖特纳仍然认为大数据还有5到10年时间才会达到稳定期。盖特纳在《成熟度曲线特别报告》(Hype Cycle Special Report)中写道:“虽然对大数据的兴趣依然不减,但它已经离开高峰期,因为该市场已经安定下来,有了一整套合理的方法,新的技术和实践被添加进现有方案。”这话似乎说得有点过早,在某种程度上与5到10年才会成熟的判断相矛盾,这说明高德纳并不是完全确信该市场已经“安定下来”。
物联网超越大数据成为最热门技术
特别报告是高德纳编写的免费文档,很好地概述了“119个领域里2,000项技术、服务和趋势的市场推广和价值认知”。高德纳分析了从2013年到2014年在成熟度曲线上所处位置、达到稳定期所需时间、曝光度和采纳度方面变化最大的技术、服务和学科,发现他们所说的“力量的四条纽带(社交、移动、云端和信息)”与成熟度曲线高峰期部分里那些变化最明显的技术高度相关。高德纳特别指出,数字业务和物联网是对成熟度曲线早期阶段具有很大影响力的两个趋势。
与分析学和移动基础设施一样,物联网也是从创新的萌芽期(成熟度曲线的第一个阶段)向期望膨胀后的高峰期迅速移动的推动力之一。例如,分析能力和工具即服务——盖特纳称之为商业分析平台即服务(baPaaS)——向上移动了12个位次。另一个例子是信息技术(IT)与运营技术(OT)的融合移动了9个位次。盖特纳表示,IT与OT的融合是指标准化IT技术越来越多地用于OT供应商的产品,IT与OT的结合是组织机构对这些变化的反应。越来越多的可用数据和越来越复杂的相关分析是成熟度曲线中某些趋势迅速崛起的推动力。
对于高德纳对新兴技术起伏的判断,皮尤研究中心(Pew Research Center)的互联网、科学和技术研究主管李·雷尼(Lee Rainie)作出了如下评价:“虽然成熟度曲线不是严格地以数据为基础,但高德纳分析师们对技术采纳状况作出的判断常常与其他优秀观察者的看法相一致。在特定创新应该处于曲线什么位置的问题上,有时会有争议,但该曲线所勾勒的总体趋势很少受到质疑。”
2014年标志着新兴技术成熟度曲线这个有用的工具已经问世20周年。该工具旨在跟踪人们对技术和商业创新的周期性兴趣爆发和经常性失望的起起伏伏。高德纳副总裁兼著名分析师贝特西·伯顿(Betsy Burton)谈到了成熟度曲线作为跟踪创新及其商业影响力如何逐渐演变的工具,以及2014年版的新变化。伯顿说:“很多时候,我们看到的是人们的注意力从支持信息、应用、云端系统和大数据的基础设施,转向我们如何运用云计算、大数据和社交的某些能力来解决现实的商业问题。我们正目睹人们的注意力从技术本身转向将这项技术实际运用到现实的商业需求和商业成果中。”
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