大数据带来六种全新商业模式

简介:
人们认为“数据是新型石油”,一种需要企业加以利用和改进的天然资源。这是事实还是炒作?Mohamed Zaki解释说,虽然许多公司已经从大数据中获益,但这也提出了严峻的挑战。

 

政府机构已经宣布加快大数据研究,而且根据Gartner公司的调查,2013年64%的公司正在投资——或打算投资大数据技术。Gartner公司也指出虽然企业相信大数据的优势,许多公司也正在从大数据中获取利用价值。但问题是他们往往倾向于数据收集方面的技术,而没有思考大数据如何才能创造价值。

大数据正在为大型公司和小型企业创造价值。成熟企业在很多领域利用大数据技术提升他们的业务和服务,另一方面,初创企业也正在利用大数据开发许多创新产品和商业模式。

在剑桥服务联盟,一个制造部门的研究所,我们与众多行业中的杰出企业接触时,看到与大数据有关的重要机会和挑战。

以一家制造、销售、租赁其产品并提供保养和维修服务的公司为例。它的产品包括收集了大量数据的传感器,使公司能够进行远程监测并诊断问题。

如果该数据与现有的业务数据,先进的工程分析手段和前瞻性的商业情报相结合,该公司就可以提供一个“状态监测服务”,能够分析和预测设备故障。对于客户来说,意外的宕机就会成为过去,维修成本会降低和两次服务之间的间隔期也会延长。智能分析,甚至可以告诉企业如何更高效地使用设备。原始设备制造商(OEM)和经销商认为这种方法是提高他们的配件和维修业务的新方式而且也能增加配件的销售。它也能加强与现有客户的关系,吸引需要保养维修服务的新客户。

在一个完全不同的领域,一场教育革命正在进行中。大数据正在巩固一种新的被称为“能力教育”的学习方式,这种教育模式正在美国的高校推广。一批高校利用大数据技术个性化地开发他们的课程,每个学生都可以随时随地学到他们喜欢的课程并取得进步。

以前的课程模式是,学生们必须在学年开始的时候到学校报到,不管他们的个人水平如何,他们都要努力学习课程直到毕业。在新的数据驱动模式下,大学将能够监控和衡量学生的表现,看看他们需要多长时间完成特定的课程任务,成绩如何。课程设计考虑到学生的喜好,他们的成绩和他们可能遇到的困难。对于学生来说,这是适合他们需求的一个更加灵活的学习方法,并让他们有机会更快地毕业。对于大学来说,这意味着提供更好的素质教育,提高学生的成绩,并能够更有效地安排他们的工作人员,符合他们的技能和利益。

为了获取有价值的大数据,企业必须能够捕捉,存储,分析,可视化和解释这些大数据。而这些步骤没有一个是简单的。

其中的一个主要障碍是缺乏“数据文化”,数据文化是指数据完全嵌入在组织思想和实践中。而且公司也面临着一系列数据管理和处理的挑战。

例如,状态监测服务依赖于卫星系统或数字电话系统的数据传输:有时这些技术根本没有覆盖。大多数组织都有大量的数据以不同的格式存储在不同的系统中:使这些数据汇集在一起非常困难。

在服务契约环境下,数据所有权是个大问题,客户认为数据是他们的,是因为他们的使用而产生的,而服务商认为数据是他们的,因为数据是由他们的系统进行处理的。

在复杂的数据景观方面,安全性——管理数据的访问以及创建强大的检查跟踪系统——也是一个重大的挑战,因为要符合数据保护法规。许多组织也缺乏数据技术,如数据和文本挖掘模型,其中包括统计建模,预测技术,预测模型和委托代理模型(或优化模型)。

一些成熟的企业可能会发现他们很难摆脱根深蒂固的做事方式,而初创企业却有能力创造新的商业模式。在剑桥服务联盟,我们了解到他们为了更好地了解大数据的商业模式,一直在用创新的方法经营。这个结果应该可以帮助不同规模的企业,了解大数据如何改变他们的业务,不仅仅针对初创企业。我们已经确定了六种不同类型的商业模式。

免费数据收集器和聚合器:社交数据流服务提供商Gnip公司,通过各种渠道收集数据,大部分都是免费的,然后对数据进行过滤和完善,并根据客户需要的格式向他们提供数据。

数据分析服务:这些公司通常为客户提供分析数据的服务,这些数据通常是由客户提供的。例如Sendify公司,为企业提供实时的调用者情报,所以当有电话打进时他们看到打电话的人的很多相关的附加信息,这会帮助企业增加他们的销售机会。

数据生成和分析:公司通过众包、智能手机或其他传感器生成自己的数据,他们也提供分析服务。这个例子包括GoSquared Mixpanel和Spinnakr公司,他们通过使用一个跟踪代码在他们客户的网站上收集数据,分析数据并使用web界面提供报告。

免费数据知识发现:这个模式是免费提供数据和分析。例如,Gild公司通过自动评估应聘者发布的代码并进行打分,来帮助企业招聘开发人员。

数据集成服务:这些公司从多个内部源获取数据并对数据进行汇总,然后通过一系列用户友好、通常是可视化界面,将结果反馈给用户。在教育领域,从多个教育项目和网站汇总的数据时刻帮助教师监控学生的表现。

多源数据混聚和分析:这些公司将客户提供的数据进行汇总,大多是免费的数据源,并对客户数据进行分析,以丰富或基准数据。例如welovroi是一个基于网络的数字营销公司,监控和分析工具能够使企业跟踪大量不同指标。它还能集成外部数据,并保证营销活动的成功的基准测试数据。

这告诉我们什么?敏捷和创新的初创企业正在创建全新的基于大数据的商业模式,并获得巨大的成功。这些模式激励更大的公司(中小企业和跨国企业)去考虑他们如何从数据中获取价值的新方法。

但这些成熟企业想要这样做的时候会面临重大的障碍,如果他们想要成功也需要颠覆目前的商业模式。世界经济引擎将转向状态监控服务,以教育领域为例,要提供一个完全创新的教学方法。如果当机会出现的时候,企业不能创新,那么他们会失去竞争优势,处于落后地位,只能去努力追赶他们的竞争对手。


本文作者:佚名

来源:51CTO

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
相关文章
|
分布式计算 Kubernetes Hadoop
大数据-82 Spark 集群模式启动、集群架构、集群管理器 Spark的HelloWorld + Hadoop + HDFS
大数据-82 Spark 集群模式启动、集群架构、集群管理器 Spark的HelloWorld + Hadoop + HDFS
1206 6
|
分布式计算 资源调度 Hadoop
大数据-80 Spark 简要概述 系统架构 部署模式 与Hadoop MapReduce对比
大数据-80 Spark 简要概述 系统架构 部署模式 与Hadoop MapReduce对比
552 2
|
消息中间件 监控 数据可视化
大数据-79 Kafka 集群模式 集群监控方案 JavaAPI获取集群指标 可视化监控集群方案: jconsole、Kafka Eagle
大数据-79 Kafka 集群模式 集群监控方案 JavaAPI获取集群指标 可视化监控集群方案: jconsole、Kafka Eagle
592 2
|
12月前
|
存储 Java 大数据
Java 大视界 -- Java 大数据在智能家居能源消耗模式分析与节能策略制定中的应用(198)
简介:本文探讨Java大数据技术在智能家居能源消耗分析与节能策略中的应用。通过数据采集、存储与智能分析,构建能耗模型,挖掘用电模式,制定设备调度策略,实现节能目标。结合实际案例,展示Java大数据在智能家居节能中的关键作用。
|
分布式计算 资源调度 大数据
大数据-110 Flink 安装部署 下载解压配置 Standalone模式启动 打包依赖(一)
大数据-110 Flink 安装部署 下载解压配置 Standalone模式启动 打包依赖(一)
492 0
|
分布式计算 资源调度 大数据
大数据-110 Flink 安装部署 下载解压配置 Standalone模式启动 打包依赖(二)
大数据-110 Flink 安装部署 下载解压配置 Standalone模式启动 打包依赖(二)
382 0
|
DataWorks Kubernetes 大数据
飞天大数据平台产品问题之DataWorks提供的商业化服务如何解决
飞天大数据平台产品问题之DataWorks提供的商业化服务如何解决
|
存储 分布式计算 druid
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
392 1
大数据-152 Apache Druid 集群模式 配置启动【下篇】 超详细!(一)
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。对象如用户、账号、商品等,通过唯一ID记录其相关事件,如操作日志、交易记录等。这种模式下的统计任务包括无序计算(如交易次数、通话时长)和有序计算(如漏斗分析、连续交易检测)。尽管SQL在处理无序计算时表现尚可,但在有序计算中却显得力不从心,主要原因是其对跨行记录运算的支持较弱,且大表JOIN和大结果集GROUP BY的性能较差。相比之下,SPL语言通过强化离散性和有序集合的支持,能够高效地处理这类计算任务,避免了大表JOIN和复杂的GROUP BY操作,从而显著提升了计算效率。
|
SQL 存储 算法
基于对象 - 事件模式的数据计算问题
基于对象-事件模式的数据计算是商业中最常见的数据分析任务之一。这种模式涉及对象(如用户、账户、商品等)及其相关的事件记录,通过这些事件数据可以进行各种统计分析,如漏斗分析、交易次数统计等。然而,SQL 在处理这类任务时表现不佳,特别是在有序计算方面。SPL 作为一种强化离散性和有序集合的语言,能够高效地处理这类计算,避免了大表 JOIN 和大结果集 GROUP BY 的性能瓶颈。通过按 ID 排序和分步计算,SPL 能够显著提高计算效率,并支持实时数据处理。