京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何挖掘大数据巨大隐藏价值 听听他们怎么说
21世纪,大数据释放出的巨大价值,吸引了巨大眼光,政府利用大数据让政务更加公开透明,企业利用大数据分析用户消费习惯,创造更大的商业价值。据国家金融信息中心指数研究院在第十三届中国国际软交会期间发布的《新华(大连)软件和信息技术服务业发展指数报告(2015)》显示,2014年,全球大数据市场规模达到285亿美元,同比增长53.2%。
大数据发展速度迅猛,快于整个信息和通讯技术市场增长速度,成为IT市场的新增长点。以IBM为例,其已在大数据与分析领域投入250亿美金。事实证明,IBM的大数据策略是正确的。据了解,作为IBM转型的核心战略,去年其大数据业务增长了7%,营收达170亿美元。
那么要如何通过大数据提升企业的价值呢?这是当下许多企业困扰的问题。
每个行业都将受益于数据
来自上海纽约大学的专家去年发表评论:“大数据现在是谈的比投的多,投就是投资,投的比做的多,做的比懂得多,真正的懂得人比较少,懂得比赚的多,就是你赚到的钱。”,这说明了,大家都非常重视大数据,但是大数据真正转变为商业价值还是很少,大家都持观望态度。
SAS公司执行副总裁兼首席营销官JimDavis则表示,大数据已经不是空谈概念,已经开始应用了。任何一个行业都可以从数据中获益,如制造业,通过数据可以优化制造流程、监控制造流程,预测某地一个时间点具体需求;如通信行业,通过数据可以研究整个通信网络的负荷,提供合理的资费方案等;如政府机构,通过数据可以收集税收相关的信息。
“因此,我们处在数据爆炸的时代,大家都没得选择,必须做出决定,用数据来支持自己的发展。”JimDavis说道。
大数据应用有机遇更有挑战
广发银行信用卡中心首席风险官王玉海认为,虽然说数据的爆发,影响每一个行业,为行业的发展带来支撑,但就目前而言,各行业应用大数据的情况并不乐观。广发银行信用卡中心首席风险官王玉海表示:“虽然大数据应用已经势不可挡,但是仅就金融领域来看,我们仍然觉得雷声大雨点小。”他分析,主要有几大原因:
一是,金融业的企业文化没有改变过来,很多银行安于现有组织架构和组织流程,对新生的创新性事物有文化上天然的排斥感。“都说金融业应用大数据应该是最好的领域,但是其实我们小数据还没有用好,文化上有一个不接受的排斥。”王玉海表示;
二是,成本和管理因素,不管从实际硬件、数据结构、还是数据源,银行都还是传统意义上的模式,但是大数据是要基于生命周期的数据管理方式,所以银行从软件、硬件、基础设施上来看都没有完全成熟。传统银行每个部门都有成本控制,不敢冒险去投入很多财力、人力来开发,这是管理和成本的制约。
三是,技术的挑战,从技术层面讲,大数据应用需要更大的存储和更强的技术能力;
四是,人才的挑战,大数据分析不仅仅需要计算机、数学行业的人才,更需要对传统金融领域和未来发展了解和熟悉同时又有能力作搭建数据存储和分析,这样的人才并不好找。
大数据应用不仅仅是采用新的技术,对于企业来说,她是一场不小的变革。不过王玉海表示:“清楚我们大数据应用的挑战并不等于我们悲观,我认为我们还是非常有信心的,因为它需要一个过程。”
大数据成功应用案例
目前,全球各地已有很多的大数据应用成功案例。SAS与联合国合作,对全球贸易数据做了梳理、挖掘和利用。SAS公司执行副总裁兼首席营销官JimDavis介绍,联合国利用数据对全球的经济发展、卫生医疗都可以做出一些决策。还如,菲律宾出现超强台风海燕,使用相关的技术来分析哪些是最需要紧急救助的人士,可以把整个救灾力量和资源有限分配。
另外一个案例,联想与SAS合作,把大数据运用到让客户参与从设计开始到制造端整个流程的改造中。联想有很多的数据源,包括社交媒体、消费者满意度、消费者情感,通过这些大量的数据可以主动预防出现一些大的质量或者产品问题,来避免影响整个公司的品牌和形象。
平安直通是平安集团的数据管理的公司,它与SAS合作针,对客户的消费的行为特性,舆情等非结构数据进行分析,体察市场的变化,客户新的趋势,预测客户的偏好去向,在最需要的时间通过最有效的渠道,推荐最适合的产品。
更多大数据应用成功案例的出现,也给了企业更多的参考和信心,我们有理由相信,大数据出现应用会不断增多。真正的大数据时代即将到来,你准备好了吗?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13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