联盟成为大数据生态建设重要模式

简介:

我国政府对大数据产业的发展高度重视,2015年8月,国务院出台《促进大数据发展行动纲要》。2016年3月,国家“十三五”规划纲要提出,实施国家大数据战略,加快政府数据开放共享,促进大数据产业健康发展。2017年1月17日,工业和信息化部正式印发了《大数据产业发展规划(2016~2020年)》(以下简称《规划》),这为我国大数据产业的科学发展提供顶层指导。

在国家和各地政策的大力支持、产业内各参与者的持续投入的背景下,2016年,中国的大数据产业继续保持了迅猛的发展态势,针对大数据的IT投资规模由2015年的124.9亿元,增长至2016年的179.5亿元,增速达43.7%。

我国的大数据产业还处在初始发展阶段,无论是社会还是产业,对大数据的需求还有巨大的挖掘潜力。在市场和政策的双重刺激下,赛迪顾问认为,大数据产业的高速增长态势将继续保持,预计2017年,增速将保持在40%以上,针对大数据的IT投资规模将突破250亿元。

大数据产业快速发展

2016年,我国大数据产业生态化进程加快,上海大数据联盟、中国大数据产业生态联盟等行业组织纷纷成立,数据源、解决方案提供商、研究机构、投资方、行业用户等生态参与者之间的联系更加紧密。

特别是2016年8月,中国大数据产业生态联盟的正式成立,为大数据产业内的共生互赢、交流合作搭建了平台,成为我国大数据产业生态建设的一大标志性事件。

区域集聚效应初步显现

在区域发展方面,我国2016年大数据产业的集聚效应初步显露,形成了京津冀、长三角、珠三角、西部地区和东北地区五个各具特色的产业集聚区。

其中京津冀地区打造大数据协同发展体系,长三角地区城市将大数据与当地智慧城市、云计算发展紧密结合,珠三角地区在产业管理和应用发展等方面率先垂范,中西部已经成为大数据产业发展新的增长极,东北地区将行业大数据作为发展重点。

企业融资估值日趋增高

经过前几年的发展,我国大数据产业格局日趋成熟,处在A轮融资阶段的初创型企业占比有所减少,越来越多的企业走向了B轮甚至C轮的融资。而这些进行B轮或C轮融资的企业,由于经受过市场的检验,赢得了投资人的信任,融资估值也日趋增高。

过去两年,大数据的热潮催生出大批大数据企业和解决方案。2017年,随着大数据产业的日趋成熟,各界对大数据的理解不断加深,大数据产业内的优胜劣汰将更加明显。

一部分在技术层面领先,或在行业扎根程度与实践积累较深的优秀企业,将拥有更大的话语权与竞争力;而另一部分技术水平不突出,且对细分行业理解不深、缺少行业资源的大数据企业,将在业务的开展开拓中面临较大困难,甚至逐渐被市场淘汰。

行业内竞争的加剧,将放大产业内的投资风险。而随着虚拟现实、人工智能、Fintech等投资热点的不断涌现,大数据产业也不再是资本炒作的最佳领域。

可以预见,大数据产业内的投资热度将有所下降,投资规模、频率的增长会有所放缓。但这并不意味着大数据产业已丧失投资价值,恰恰相反,大数据产业内值得投资的主题依然众多(如金融大数据、医疗大数据、工业大数据),只是对投资对象的选择将更趋于谨慎理性。

产业进入投资冷静期后,资本将更有针对性地流向优质的企业和项目,从而进一步促进行业内的优胜劣汰,同时投资方获得投资回报,融资方获得发展助力,形成产业的良性发展。

重点行业领域迎来应用爆发

作为大数据产业中最核心,同时也是最具价值的环节,数据应用将成为大数据产业下一阶段发展的重点。赛迪顾问判断,随着国家对“健康中国2030”“中国制造2025”战略的大力推进,医疗和工业的大数据行业应用有望在2017年迎来爆发。

以上两个领域均具备数据量大、影响面广、信息化程度相对较高的特点,且分别在民生、经济方面具有较强影响力,行业应用将呈现明显的示范带动效应。

其中,医疗大数据应用将重点聚焦在医院健康医疗数据信息的管理、基于数据分析的诊断辅助、智慧医疗便民体系建设等内容,而工业大数据应用则重点聚焦于用物联网、大数据技术进行生产流程管理的智慧化生产、基于市场需求分析的柔性生产与供应链管理等内容。

本文转自d1net(转载)

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
目录
相关文章
|
5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 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
528 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
303 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
476 2
|
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)
366 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)
307 0
|
分布式计算 资源调度 大数据
【决战大数据之巅】:Spark Standalone VS YARN —— 揭秘两大部署模式的恩怨情仇与终极对决!
【8月更文挑战第7天】随着大数据需求的增长,Apache Spark 成为关键框架。本文对比了常见的 Spark Standalone 与 YARN 部署模式。Standalone 作为自带的轻量级集群管理服务,易于设置,适用于小规模或独立部署;而 YARN 作为 Hadoop 的资源管理系统,支持资源的统一管理和调度,更适合大规模生产环境及多框架集成。我们将通过示例代码展示如何在这两种模式下运行 Spark 应用程序。
754 3
|
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)
211 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。