京公网安备 11010802034615号
经营许可证编号:京B2-20210330
中国离大数据“潮头”还差几步_数据分析师培训
“在中国,数据正日益成为决策的依据,创新的源泉,推动从制造到创造的转变。”阿里云总裁胡晓明在此间举行的“2015贵阳国际大数据产业博览会暨全球大数据时代贵阳峰会”上这样表示。与会的企业家和专家认为,中国发展大数据产业力度空前,但在新一轮技术变革中,要想勇立“潮头”,还需突破“各自为战”和“一哄而上”等障碍。
从IT到DT,中国的步伐越来越快
“从每一代信息技术变革来看,中国的步伐是越来越快。”京东大数据部副总经理邢志峰说,在传统的IT时代,中国是西方的“追随者”,不断学习先进的技术。在移动互联网时代,中国与国际社会“并驾齐驱”,其中腾讯、阿里巴巴等企业与国外同类企业不相上下。进入“互联网+”的DT时代,中国一些大数据企业和人才甚至处于国际“领跑”地位。
他说:“中国拥有全球最大的人口基数和数据量,背后的‘数据金矿’也最大。以前非常向往国际大企业的大数据人才,现在愿意在国内的企业发展。”据预测,2020年中国数据总量将达到8.4ZB,占全球数据总量的24%,届时将成为世界第一数据大国和“世界数据中心”。
业内人士认为,随着宏观产业环境的不断优化,中国大数据产业链正在加速形成。众多互联网企业围绕大数据展开的技术研发、应用创新取得进展,医疗卫生、金融、交通等传统行业也在积极利用大数据进行有效探索。
记者了解到,中国部分互联网公司在大数据应用方面处于全球领先水平,他们建立了大数据平台,在分布式系统、超大规模数据仓库、深度学习等关键技术上有所突破。数据采集。存储、处理、分析、服务的大数据产业体系日趋成熟。
工业和信息化部副部长怀进鹏在会议上表示,当前中国“无论是技术储备、产业基础和政策发展环境,都为大数据、云计算的发展创造了先机,也做好了重要的支撑和基础。”
强劲势头中存隐忧
此次博览会云集了来自北京、上海、浙江、贵州等地的上百家大数据企业。企业家们在畅想中国大数据前景时,对当前各地发展大数据产业“各自为战”和配套设施“一哄而上”的局面表示了担忧。
胡晓明说,现在各地互联网数据中心建设存在泛滥现象,有的地方,市、县、乡都在搞大数据、云计算,“全民大数据”容易导致新一轮的硬件建设,造成资源浪费,对数据集聚有负面作用,“并不是建起了数据中心就有数据”。
一些专家指出,在全球金融市场低迷、中国经济转型的背景下,发展大数据产业是一种“现实选择”。不少欠发达地区对此寄予“弯道超车”厚望,各地自行探索难以形成合力,发展过程中容易出现重复建设,对大数据产业健康发展埋下隐患。
同时,政府部门信息共享和公开,以及涉及个人隐私和商业机密的专门法律法规和政策环境不够完善。政府和垄断部门的信息共享和开放程度不够,众多“信息孤岛”造成大数据产业的数据资源不够丰富。而企业拥有的大数据技术和计算能力却无用武之地,陷入“巧妇难为无米之炊”状态。
在记者采访中多家企业反映,即使拿到公共大数据,但由于政府部门条线分割严重、缺乏数据存储规范标准,这些数据十分杂乱,融合成本高昂,企业难以承受。“很多记录下来的数据没有规范化,也没有对数据存储进行设计,即使在同一个行业,数据也是‘一人一个模样’。”百度大数据部副总裁陶海亮说。
香港城市大学教授马建和中国信息协会大数据专委会副主任委员文金言认为,目前中国大数据产业距离“潮头”的差距还表现在大数据处理工具是“他山之石”,一些知名企业用的都是国外的数据处理技术,自主核心技术突破还有待时日。
清晰定位防其“野蛮生长”
确立大数据思维被认为是突破大数据发展障碍的重要抓手。有专家指出,当前一些地方政府缺乏“数据治理”意识,形成了做决策靠经验判断的惯性思维。一项针对我国主要部委信息化部门的调查显示,近4成的部门负责人没有意识到大数据可以帮助提升业务能力。
此次产业博览会上,一些与会者提出,政府应制定清晰的大数据、云计算顶层设计。从数据主权、数据创新能力、关键技术、人才、数据研究、覆盖全行业的产业链、法制环境支持等关键要素入手,研究大数据发展趋势,评估大数据对政府、经济与社会运行所带来的革命性影响
同时,制定未来5年或更长时间的发展目标、发展原则、关键技术、重点任务、行动计划和保障措施等规划,以协同政府各部门、各行业主管单位、企事业单位和个人等各方面的力量,形成共同发展的氛围。
邢志峰说,解决“信息孤岛”问题,最为迫切的是政务公开,“越多政务数据被公开,就会创造越多的机会和价值”。政府应加快推进数据的分级和公开,同时采用政府购买服务的方式,带动数据资源成为社会治理,优化城市管理和经济决策的重要资源。
国家信息中心专家委员会副主任宁家骏认为,各地数据中心的建设规模应以产业实际需求为导向,做到精细化设计,针对性开发,促进大数据产业形成良好、可持续的发展生态环境,而不是任其“野蛮生长”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 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 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21