环保牵手大数据 佛企需反向挖掘数据价值

简介:

近几年,环保产业和互联网产业以愈发多样的形式拥抱彼此。环保是传统产业,其产业链条较长,囊括设计、生产、流通运输、服务等全过程,这些环节都具备和互联网结合的潜力。这一特点也赋予了整个“互联网+”环保业巨大的市场空间。在佛山,一场浩大的转型升级浪潮将环保号角吹得更响,强大的制造能力让佛山驻扎着不少环保企业的供应商。具备了需求与供应的两头优势,佛山的互联网+环保产业大有作为。

其实,在“互联网+”大潮袭来时,传统的环保企业是诚惶诚恐的。一方面,从传统产业到互联网的跨界是一件新事物,必然面临挑战。环保这个传统产业有自己的门槛,在涉足互联网时它会比消费类产业的适应效率慢一拍。加之环保市场的开放还不算充分,互联网+环保对需求端的感知同样会慢一拍。同时,环保事业的发展规范与要求在不断变化,再加上同样频繁更新的互联网行业,两者的结合可谓是变量与变量的叠加,让互联网+环保这一新兴产业也充满变数。

另一方面,不少互联网企业也跨界到环保领域一显身手。2014年8月,百度就跨界进入废旧电器回收行业,与传统环保企业合作开发一款应用,为居民提供O2O的旧物垃圾回收服务。同样在环保领域布局的还有高德。高德地图中的“躲避拥堵”就具有环保功能——匀速行驶状态下,汽车尾气排放较少。这些企业本身具有互联网思维和技术优势,让环保企业感受到一种危机感。

不过在佛山,互联网+环保却拥有巨大的成长空间。目前佛山正展开新一轮的制造业转型升级,这也倒逼各企业抬高了环保的门槛,催生了大量的环保产业市场需求。如对企业排污口各项排污指标进行在线监测,为企业提供环保指导建议等等,这些环保服务都与众多制造企业节能减排、提高资源利用率的转型需求恰好匹配。另一方面,佛山拥有完备的制造产业链和产品品类,本身也构成了环保加工业的一环,环保企业的一些仪器设备需要“佛山制造”的支持。

尽管环保产业是个战略新兴产业,备受重视,在插上互联网的翅膀后,该产业更具有了一定的战略前瞻性。但正如前面所提到,环保行业的规范要求不断在调整,新的环保法律法规的涌现都会成为行业的影响因素。正因如此,目前互联网+环保领域还没有出现占据垄断或绝对主导地位的企业。而这,也给了佛山环保企业一个突破的机会。

佛山制造业经历的大变革,不仅可以让环保成为产业转型升级的抓手,更可以壮大一批环保企业,推动它们成长为互联网+环保产业规则的制定者。

当然,佛山传统环保企业拥抱互联网,在真正壮大前,要解决不少难题。首先就是大数据。这一新生产要素也正是环境服务的核心。

以长天思源为例,我们在环保物联网方面深耕16年,依托云计算、物联网、大数据,实现环保管理全业务应用体系集成,涵盖污染源在线监控系统、VOC在线监测系统、环境第三方检测等业务。其中,数据是一切业务的基础。比如我们研发的佛山污染源在线监测系统项目,它提供了环保体系的基础数据,排污权、水权、碳排放权交易和环境金融,都能以它为依据去开展,我们借数据之力将该项目打造成环保产业的“中枢神经”。

然而如何进一步提升大数据的应用和服务价值,成了摆在环保企业面前的难题。尽管长天思源在这一领域探索多年,也仍有不少功课需要补。不少企业已经有意识地开始建立自己的“数据王国”,对他们来说强化数据应用的难点不在于技术层面,而在于认识和观念层面。后工业时代,企业的价值不仅体现在产品上,更体现在服务上。我们可以和一些专业大数据公司合作开发系统、建模、创立数据库,但若不懂如何运用数据服务客户,让数据增值,那么拥有以上这些技术工具也是徒劳。也就是说,挖到数据,递给客户,但如果不了解这其中能解决什么问题,企业的服务价值便大打折扣。

因此,对于佛山企业来说,最需要改变的是学会反向思考。把此前从技术端出发看问题的思维,转化为从用户的价值端寻找潜在需求。比如,根据环保污染物指标的改变提供相应的数据和监测服务。总之,智能化的数据分析、服务和模式的创新是佛企急需修炼的“内功”。

目前,包括佛山在内,全国环保产业市场化水平较低,企业服务模式较落后,加之政府环境数据的公开才起步不久,互联网+环保的产业拼图还有很大完善空间。在这种情况下,佛山要把握住在该领域出头机会。佛企要强化服务意识,政府应优化技术层面的产学研环境,共同培育大数据、环境跨界方面人才,多方努力共同擦亮佛山的互联网+环保产业品牌。

本文转自d1net(转载)

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
分布式计算 DataWorks IDE
MaxCompute数据问题之忽略脏数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
47 0
|
2月前
|
SQL 存储 分布式计算
MaxCompute问题之下载数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
38 0
|
2月前
|
分布式计算 关系型数据库 MySQL
MaxCompute问题之数据归属分区如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
35 0
|
9天前
|
数据采集 搜索推荐 大数据
大数据中的人为数据
【4月更文挑战第11天】人为数据,源于人类活动,如在线行为和社交互动,是大数据的关键部分,用于理解人类行为、预测趋势和策略制定。数据具多样性、实时性和动态性,广泛应用于市场营销和社交媒体分析。然而,数据真实性、用户隐私和处理复杂性构成挑战。解决策略包括数据质量控制、采用先进技术、强化数据安全和培养专业人才,以充分发挥其潜力。
13 3
|
12天前
|
运维 供应链 大数据
数据之势丨从“看数”到“用数”,百年制造企业用大数据实现“降本增效”
目前,松下中国旗下的64家法人公司已经有21家加入了新的IT架构中,为松下集团在中国及东北亚地区节约了超过30%的总成本,减少了近50%的交付时间,同时,大幅降低了系统的故障率。
|
1月前
|
分布式计算 DataWorks 关系型数据库
DataWorks报错问题之dataworks同步rds数据到maxcompute时报错如何解决
DataWorks是阿里云提供的一站式大数据开发与管理平台,支持数据集成、数据开发、数据治理等功能;在本汇总中,我们梳理了DataWorks产品在使用过程中经常遇到的问题及解答,以助用户在数据处理和分析工作中提高效率,降低难度。
|
1月前
|
存储 监控 大数据
数据仓库(11)什么是大数据治理,数据治理的范围是哪些
什么是数据治理,数据治理包含哪些方面?大数据时代的到来,给了我们很多的机遇,也有很多的挑战。最基础的调整也是大数据的计算和管理,数据治理是一个特别重要的大数据基础,他保证着数据能否被最好的应用,保证着数据的安全,治理等。那么数据治理到底能治什么,怎么治?
65 0
|
2月前
|
JSON 分布式计算 MaxCompute
MaxCompute问题之创建数据集失败如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
33 0
|
2月前
|
存储 分布式计算 DataWorks
MaxCompute数据问题之数据不一致如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
36 0
|
2月前
|
存储 分布式计算 DataWorks
MaxCompute数据之数据不一致如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
26 0