
大数据能量爆发遭遇瓶颈:技术+管理
“大数据的进一步发展显然面临着很多的技术瓶颈,而且还是一个长期的问题。”日前,Gartner 数据中心首席分析师张瑾接受ZDNet记者采访时非常直接的指出了这个问题。
金融机构利用大数据反欺诈、运营商利用大数据提供个性化服务、零售企业利用大数据挖掘更多销售机会……当然还有,诸如大数据可以挽救信任危机、大数据可以减少无用功、大数据可以……大数据开启的貌似是个全新的商业领域,而企业真正地领会大数据的内涵、利用好大数据则需要从技术和业务到意识和管理通盘考虑。
技术瓶颈短时间内难突破
张瑾在采访时分析了一个目前很常见的现象:很多领域、很多企业都已经开始重视数据分析,而且也在各自的领域做着相应的尝试。如平安城市的人员就会研究人脸识别、气象领域在研究更多的气象数据如何利用、教育领域研究如何个性化教学等等,每个领域甚至每个企业在做着自己的大数据探索。
“最后会产生一大堆特定的基于各个行业的应用。”张瑾说到。而这个现象会造成的问题就是,某一领域的研究应用成果很难放到其他领域里用,因为无论是数据类型、数据模型都会不一样。
所有的领域之间没有通用特定的技术模板,甚至每个企业的情况都会不一样。这样就很难促使大数据的能量和价值能迅速全面的发挥出来。
按照IT界的发展规律,一般这个时候会有两种类型的“人”跳出来承担这个责任。一是一些领域的集成商,但是张瑾认为对于集成商而言,大数据买卖很难做。“集成商更希望说做出一个项目后,可以复制到其他项目中,而不是为每一个领域、每一个企业定制一套方案出来。”还有一种是,现在很多领域都有行业厂商,这些厂商一般针对特定的行业,如电信、金融、能源等等提供IT解决方案。但是这类厂商的技术积累也没有那么深,而大数据的应用却从硬件到软件技术还有企业的商业模式和组织结构等都有很高的要求。
张瑾告诉记者,大数据难的是没有一个通用的解决方案将非结构化数据结构化,同时可以建立好的模型去分析这些数据。
当然,目前来说从整体市场看,结构化数据依然占着很大的比例。这类数据的分析技术相对简单成熟,但是其数据量也越来越大,对于很多企业而言原有的数据处理方案也不太适用了。
IT部门失控 IT架构呈现“混合”状态
因为很多企业开始进行数据分析,而这对其原来的IT架构会产生一定的影响。张瑾认为这种现象更大的影响会是在IT部门,在某些企业里甚至会带来IT部门对IT失控的后果。
经过多年的发展,多数企业的IT部门已经可以相对成熟地控制企业的IT运营,包括与业务部门的对接。而大数据的到来,有很多业务部门的需求现有的IT条件无法及时响应实现,业务部门只能自行寻求外包,这时必然会挑战到内部的IT管理。
张瑾说,理论上CIO应该将企业对IT需求都会集中管理,然后具体地实施体现到IT各个环节,甚至对IT基础架构和组织架构进行的调整。而如今,很多CIO普遍无法解决大数据带来的需求。
与此带来的还有一个影响是企业的IT架构会是一个并行的状态。“有些企业为了满足大数据的需求,会另行一套架构来做数据分析,这与原来的传统IT架构并行存在。”张瑾说,这对于CIO的管理而言是一个极大的挑战。
面对这种情况,业界也有流传着“CIO无用论”,因为大数据就是逼着一些不懂技术的人去干技术的活儿。对于CIO的价值问题,张瑾的看法相反。他认为,这恰恰是CIO的机遇,因为如今的环境更加说明了IT对于业务发展和市场竞争的重要性,CIO要做的是主动了解业务,积极迎接和胜任这份工作。
“我们并不鼓励所有的CIO都去创新、去做吃螃蟹,但是对于新的事物,尤其新的IT部门在企业中的角色变化技术,CIO们应该主动地去迎接。而且CIO应该是更加主动地站在业务需求的角度上,去发展这些技术,让技术优势成为企业业务的核心竞争力。”张瑾说原本大数据的解决,原本是个技术问题,但是若想让其发挥价值,CIO则不能单纯地把其作为技术问题来看待。
总结
大数据促使着企业IT部门更加主动地走到业务端,而事实,未来企业的IT部门本就不会只是支持部门,其会真正地按需提供服务的部门。
张瑾在采访中,也提到了云计算。从目前的应用来看,私有云依然会是众多企业的选择,公有云的障碍在于安全和服务内容的问题。Gartner日前有个统计指出,到20167年,全球企业的IT预算里面只有35%会用到分配给公有云。
对此,张瑾认为CIO们可以部分地尝试公有云,也可以真正去理解用户体验的内涵。“这更利于CIO们可以很好地定位IT部门,更加重视业务部门的用户体验。”
因为未来的IT架构必须可以很快速地实现提供服务,尤其是在日益激烈的竞争环境中,可以让业务部门以速度和质量来取胜。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 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 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02