2017-2021年中国大数据产业预测分析及全球市场规模预测

本文涉及的产品
数据管理 DMS,安全协同 3个实例 3个月
推荐场景:
学生管理系统数据库
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

一、有利因素

(一)政策利好

2015年7月,国务院出台了《关于积极推进“互联网+”行动的指导意见》,计划推动移动互联网、云计算、大数据、物联网等与现代制造业结合,促进电子商务、工业互联网和互联网金融健康发展。《指导意见》中涉及的11项重点行动几乎全部提到对于大数据的应用,从根本上肯定了大数据在推动互联网与实体经济融合中的重要作用。

2015年8月,国务院印发了《促进大数据发展行动纲要》。《纲要》提出未来5-10年我国大数据发展和应用应实现的目标,包括2017年底前形成跨部门数据资源共享共用格局,以及2018年底前建成国家政府数据统一开放平台。

2015年11月发布的《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》提出,拓展网络经济空间,推进数据资源开放共享,实施国家大数据战略,超前布局下一代互联网。这是我国首次提出推行国家大数据战略。

(二)数据价值

虽然大数据在国内还处于初级阶段,但是商业价值已经显现出来。首先,手中握有数据的公司站在金矿上,基于数据交易即可产生很好的效益。其次,基于数据挖掘会有很多商业模式诞生,定位角度不同,或侧重数据分析。比如帮企业做内部数据挖掘,或侧重优化,帮企业更精准找到用户,降低营销成本,提高企业销售率,增加利润。未来,数据可能成为最大的交易商品。伴随着各种随身设备、物联网和云计算云存储等技术的发展,人和物的所有轨迹都可以被记录。在移动互联网的核心网络节点是人,不再是网页。

并且,数据管理成为核心竞争力,直接影响财务表现。当“数据资产是企业核心资产”的概念深入人心之后,企业对于数据管理便有了更清晰的界定,将数据管理作为企业核心竞争力,持续发展,战略性规划与运用数据资产,成为企业数据管理的核心。数据资产管理效率与主营业务收入增长率、销售收入增长率显著正相关;此外,对于具有互联网思维的企业而言,数据资产竞争力所占比重为36.8%,数据资产的管理效果将直接影响企业的财务表现。大数据成为企业和社会关注的重要战略资源,并已成为大家争相抢夺的新焦点。

(三)相关产业发展

大数据离不开云处理,云处理为大数据提供了弹性可拓展的基础设备,是产生大数据的平台之一。自2013年开始,大数据技术已开始和云计算技术紧密结合,未来两者关系将更为密切。除此之外,物联网、移动互联网等新兴计算形态,也将一齐助力大数据革命,让大数据营销发挥出更大的影响力。

信息消费市场主要由信息产品和信息服务构成,信息产品包括功能手机、智能手机、平板电脑、微型计算机、智能电视、IPTV终端等网络化终端产品;信息服务主要包括语音服务、互联网接入服务、信息内容服务以及软件应用服务。随着宽带日益普及以及我国4G商用逐渐展开,促进民众消费者进行信息消费活动激增,相关的内容数据和行为数据的规模急剧膨胀,无论是内容管理、按需供应、消费行为研究、内容监管还是信用体系建立等多重角度,对大数据管理、分析能力和云计算处理的要求都有增无减,这都将带动大数据相关产业迅速发展。

二、不利因素

(一)数据安全

大数据时代数据安全面临的主要挑战有:第一,数据基础设施频受攻击,数据丢失及泄露风险加大;第二,新型网络威胁层出不穷,倒逼数据保护技术革新;第三,数据交易地下产业链活动猖獗,治理仍需长期展开;第四,数据跨境流动成为关注热点,监管机制面临挑战;第五,数据资源需求强烈,开放共享与安全保护矛盾凸显。

(二)非结构化

大数据包括大量非结构化数据和半结构化数据,非结构化数据库是指其字段长度可变,并且每个字段的记录又可以由可重复或不可重复的子字段构成的数据库,用它不仅可以处理结构化数据(如数字、符号等信息)而且更适合处理非结构化数据(全文文本、图象、声音、影视、超媒体等信息)。这些非结构化数据和半结构化数据在下载到关系型数据库用于分析时会花费过多时间和金钱,并且数据中的价值含量较低,难以从中得到有价值的信息。

(三)数据孤岛

在中国,数据孤岛现象还是很严重,还没有企业提供数据的统一存储、管理和再利用。为了让用户依赖自己的产品,企业不愿意将收集到的数据共享给其他人,而是自己采集、分析、呈现给用户。企业担心共享数据后,别家做出更专业的解读。但是,用户需要统一,需要知道他的数据存在哪儿了,需要在不同的界面来查看同一批数据。所以苹果推出了ihealth,谷歌推出了安卓wear,他们提供了统一的数据接口,让形形色色的可穿戴设备把自己的数据都汇总到他们哪里。这对产业来说是个好事,因为这样可穿戴设备可以专心去把设备做小、做时尚、做准确,后台的事儿交给这些巨头去完成,一些有专门医学资源的公司也可以取出数据来做解读,为用户做服务,这样产业链就会足够细分,每个环节都可以充分发育。

中投顾问对2017-2021年全球大数据市场规模预测

2014年,全球大数据市场规模达285亿美元,同比增加53.2%;2015年全球大数据市场规模达到384亿美元,同比增长34.7%。

综合以上因素,我们预计,2017年全球大数据市场规模将达到721亿美元,未来五年(2017-2021)行业年均复合增长率约为40.98%,2021年全球大数据市场规模将达到2,847亿美元。

图表 中投顾问对2017-2021年全球大数据市场规模预测

数据来源:中投顾问产业研究中心

2014年,中国大数据市场规模约为84亿元;2015年,中国大数据市场规模达到115.9亿元,增速达38%。

综合以上因素,我们预计,2017年中国大数据市场规模将达到221亿元,未来五年(2017-2021)行业年均复合增长率约为42.04%,2021年中国大数据市场规模将达到898亿元。

图表 中投顾问对2017-2021年中国大数据市场规模预测

数据来源:中投顾问产业研究中心

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
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 
目录
相关文章
|
22天前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
46 4
|
21天前
|
SQL 消息中间件 分布式计算
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
大数据-124 - Flink State 01篇 状态原理和原理剖析:状态类型 执行分析
57 5
|
2月前
|
存储 大数据 测试技术
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
在大数据环境中,数据存储格式直接影响查询性能和成本。本文探讨了 Parquet、Avro 和 ORC 三种格式在 Google Cloud Platform (GCP) 上的表现。Parquet 和 ORC 作为列式存储格式,在压缩和读取效率方面表现优异,尤其适合分析工作负载;Avro 则适用于需要快速写入和架构演化的场景。通过对不同查询类型(如 SELECT、过滤、聚合和联接)的基准测试,本文提供了在各种使用案例中选择最优存储格式的建议。研究结果显示,Parquet 和 ORC 在读取密集型任务中更高效,而 Avro 更适合写入密集型任务。正确选择存储格式有助于显著降低成本并提升查询性能。
344 1
用于大数据分析的数据存储格式:Parquet、Avro 和 ORC 的性能和成本影响
|
3月前
|
分布式计算 Hadoop 大数据
Jupyter 在大数据分析中的角色
【8月更文第29天】Jupyter Notebook 提供了一个交互式的开发环境,它不仅适用于 Python 编程语言,还能够支持其他语言,包括 Scala 和 R 等。这种多语言的支持使得 Jupyter 成为大数据分析领域中非常有价值的工具,特别是在与 Apache Spark 和 Hadoop 等大数据框架集成方面。本文将探讨 Jupyter 如何支持这些大数据框架进行高效的数据处理和分析,并提供具体的代码示例。
86 0
|
1天前
|
人工智能 供应链 搜索推荐
大数据分析:解锁商业智能的秘密武器
【10月更文挑战第31天】在信息爆炸时代,大数据分析成为企业解锁商业智能的关键工具。本文探讨了大数据分析在客户洞察、风险管理、供应链优化、产品开发和决策支持等方面的应用,强调了明确分析目标、选择合适工具、培养专业人才和持续优化的重要性,并展望了未来的发展趋势。
|
17天前
|
存储 SQL 分布式计算
湖仓一体架构深度解析:构建企业级数据管理与分析的新基石
【10月更文挑战第7天】湖仓一体架构深度解析:构建企业级数据管理与分析的新基石
22 1
|
22天前
|
存储 消息中间件 大数据
大数据-69 Kafka 高级特性 物理存储 实机查看分析 日志存储一篇详解
大数据-69 Kafka 高级特性 物理存储 实机查看分析 日志存储一篇详解
23 4
|
21天前
|
消息中间件 druid 大数据
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
26 2
|
21天前
|
消息中间件 分布式计算 druid
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
45 1
|
4天前
|
数据采集 分布式计算 OLAP
最佳实践:AnalyticDB在企业级大数据分析中的应用案例
【10月更文挑战第22天】在数字化转型的大潮中,企业对数据的依赖程度越来越高。如何高效地处理和分析海量数据,从中提取有价值的洞察,成为企业竞争力的关键。作为阿里云推出的一款实时OLAP数据库服务,AnalyticDB(ADB)凭借其强大的数据处理能力和亚秒级的查询响应时间,已经在多个行业和业务场景中得到了广泛应用。本文将从个人的角度出发,分享多个成功案例,展示AnalyticDB如何助力企业在广告投放效果分析、用户行为追踪、财务报表生成等领域实现高效的数据处理与洞察发现。
18 0