京公网安备 11010802034615号
经营许可证编号:京B2-20210330
中国企业需要怎么来面对大数据时代的来临
显然,大数据这一变革并非一蹴而就,而仍处在稳定的量变阶段。某种意义上,Teradata天睿公司的业绩本身就能证明这一行业确实正在增长,截至 2012年12月31日,Teradata天睿公司第四季度营收为7.4亿美元,同比增长10%。2012年全年营收为26.65亿美元,同比增长 13%。
Bill Franks认为,对企业来说最困难的事情不在于怎么来做选择、来实施大数据分析,大数据与传统的数据相比,需要去改变企业流程与文化,先行者将会保持领先,而跟随着将会错失机会。现在大数据的炒作确实已经到了顶峰了,但炒作的下面也有数据价值的存在,企业应该敏感地抓住这一机遇。
大数据的泡沫与真实价值
不知不觉间,大数据热潮席卷了整个IT产业,与其他种种风潮一样,大数据也存在着商业性的夸大和炒作。2011年惠普出价是103亿美元收购了Autonomy,最终这笔投入被视为非常失败的收购。对于这种现象,Bill Franks表示,大数据泡沫的破裂是一件好事。
他表示,现在大数据的炒作确实已经到了顶峰了,但炒作的下面也有数据价值的存在。炒作的泡沫破裂是一件好事,以上世纪90年代的互联网泡沫破裂为例,当时大量的人力和资金被投入互联网领域,此番景象就像今天的现在大数据。但随着互联网泡沫破裂,产业有了一些动荡,但泡沫破灭后真实的价值体现出来,互联网最终还是改变各个行业或者每个人。
大数据热潮也是一样,即使话题的炒作会冷却,但是大数据分析的价值会继续下去,重点是如何采取正确的策略、流程和方法去从大数据分析中获得价值。应该更多地专注一些建设的东西,比如需要哪些投资,需要培养哪种技能去实施大数据应用等。
他认为,大数据领域确实有些收购有估值过高的情况,但并不意味这种收购就没有任何价值。几乎所有的数据都有其递增的价值。尽管数据的价值有时被高估了,但就大数据整体而言,它会给我们带来极大的影响。
大数据的核心并不仅仅是技术
Bill Franks对诸多大数据的宣传中刻意强调技术门槛并不满意,他认为,90%以上的企业可以用他们90%的现有需求和技术、工具来解决现在的大数据问题。大数据真正可以解决的问题不是技术问题,而是人、文化、流程或者基础设施。
他强调一点,自己撰写《驾驭大数据》这本书不是为了对Teradata进行推广,主要是希望帮助人们去面对这种大数据时代,是面向整个行业、大众的一本书,也不是要通过这本书要来关注Teradata自己的业务流程或者具体产品,而是提供一种针对整体大数据的做法和想法。
他介绍,最困难的事情不在于你怎么来做选择、来实施大数据分析,而是决定采用什么样的方法来更好地发挥大数据的价值,而且能够改变它的流程。与那些传统的数据相比,大数据需要去改变流程与文化,很多企业不愿意去改变传统的方式,但竞争对手可能就领先一步去做,几年之后再去跟上去做的话,就会错失很多机会。
据悉,在《驾驭大数据》一书里,Bill Franks刻意强调了文化和理念,并提出一个分析创新中心的概念。他认为,依靠创新中心,企业拿出少量预算、人力资源、技术资源等做一些存在一定风险和结果尚未确定的小实验,可以用最小的代价实现文化的转变,进而适应大数据时代的节奏。
给中国企业的忠告
对刚刚涉入大数据浪潮的中国企业,Bill Franks举了一个冲浪的例子来加以忠告:
过去30年我可能在同一个海滩上,同样的浪潮进行冲浪了。后来,我换一个新的海滩,面对一些新的浪潮的时候,我就需要用一种新的方式去冲浪,需要使用新的冲浪板,但由于我过去30年的经验,很快就能适应新的浪潮。对人员的培训也是这样的,过去有一些数据分析经验的人才,只需增加一些新的对大数据分析的培训也能很快上手。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06在 CDA(Certified Data Analyst)数据分析师的工作中,“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户 ...
2025-11-06在分类变量关联分析中(如 “吸烟与肺癌的关系”“性别与疾病发病率的关联”),卡方检验 P 值与 OR 值(比值比,Odds Ratio)是 ...
2025-11-05CDA 数据分析师的核心价值,不在于复杂的模型公式,而在于将数据转化为可落地的商业行动。脱离业务场景的分析只是 “纸上谈兵” ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-04【2025最新版】CDA考试教材:CDA教材一级:商业数据分析(2025)__商业数据分析_cda教材_考试教材 (cdaglobal.com) ...
2025-11-04