带你读《数据资产》第二章数据资产的相关概念2.4 大数据时代的到来和兴起(一)

本文涉及的产品
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: 带你读《数据资产》第二章数据资产的相关概念2.4 大数据时代的到来和兴起

2.4       大数据时代的到来和兴起

 

随着信息化的不断推进,数据被大量地生产和积累,从而形成数据资源。开发利用数据资源逐渐成为新的需求点,大数据技术从信息技术发展出来,独立形成一个新的技术分支,并迅速壮大。


1997年,美国国家航空航天局NationalAeronauticsandSpaceAdminis-trationNASA研究员 MichaelCoxDavidEllsworth在第八届 IEEE国际可视化学术会议中首先提出了大数据”术语,他们认为数据大到内存、本地磁盘甚至远程磁盘都不能处理,这类数据可视化的问题称为大数据问[41]20089Nature出版了一期大数据专刊,使得大数据在科学研究领域得到了高度重视。20123月美国政府发布了《大数据研究和发展倡议》BigDataResearchandDevelopmentInitiative,使大数据引起了很多国家和全社会的重[42]20135月,第 462  次香山科学会议给出了大数据技术型和非技术型两个定义。技术型定义:大数据是来源多样、类型多样、大而复杂、具有潜在价值,但难以在期望的时间内处理和分析的数据集。非技术型定义:大数据是数字化生存时代的新型战略资源,是驱动创新的重要因素,正在改变人类的生产和生活方式[43]


大数据时代,数据成为最热的词条之一,相关概念的关注度不断攀升。数据作为一种重要的战略资源,其价值被不断挖掘和创造,正在成为一种新的资产——数据资产。1997年,尤谷尔·阿尔甘Ugur   Algan发表的《勘探生产数据库分析——实用创建技术》AnatomyofanE&PDataBank: PracticalConstructionTechniques指出,数据资产的数量、质量、完整性以及由此产生的可用性受公司的市场价值和竞争定位直接影响[44]2009年,托尼·费希尔

TonyFisher出版《数据资产》,指出企业要把数据视为公司资产[7]。作为被高度关注的资源,只有能让机器读取的数据才有可能显示出有价值的信息,成为数据资产。

 

 

 

2.4.1         数据资产术语发展

 

1974年,理查德·彼得松提到数据资一词,认为数据资产包括持有的政府债券、公司债券和实物债券等[1]。随着时间的推移,人们对数据资产的认识在不断深入,其内涵和范围也在不断扩展。1997年,尤谷尔·阿尔甘在《勘探生产数据库分析——实用创建技术》中提到数据资产,认为公司的市场价值和竞争定位直接关系到其数据资产的数量、质量、完整性以及由此产生的可用性,并指出创建 E&P数据库是利用好数据资产的第一步[44]


2009年,托·费希尔在《数据资产》中指出数据是一种资产,企业要把数据作为企业资产来对待[7]2009年,国际数据管理协会(DAMAInternational)在《DAMA数据管理知识体系指南》TheDAMAGuidetotheDataManagementBodyofKnowledge)中指出,在信息时代,数据被认为是一项重要的企业资产,每个企业都需要对其进行有效管理[45]2011年,世界经济论坛(World Economic ForumWEF)发布的《个人数据:一种新资产类别的出现》Personal Data: The EmergenceofaNewAssetClass)报告中指出,个人数据正成为一种新的经济资产类别[46]2013年,《美国陆军信息技术应用指南》(ArmyInformationTechnologyImple-mentation Instructions)中将数据资产定义为任何由数据组成的实体以及由应用程序提供的读取数据的服务;数据资产可以是系统或应用程序输出的文件、数据库、文档或网页等,也可以是从数据库返回单个记录的服务和返回特定查询数据的网站;人、系统或应用程序可以创建数据资产[47]20184月,中国信息通信研究院云计算与大数据研究所发布的《数据资产管理实践白皮书(2.0版)》中将数据资产定义为由企业拥有或者控制的,能够为企业带来未来经济利益的,以物理或电子的方式记录的数据资源,如文件资料、电子数据等[48]2018年发布的《信息技术服务 治理 第 5部分:数据治理规范》(GB/T34960.52018)中,数据资产的定义是组织拥有和控制的、能够产生效益的数据资源[49]2019年正式生效的美国《开放政府数据法案》中将数据资产释义为可以组合在一起的数据元素或 数据集

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 
相关文章
|
1月前
|
存储 分布式计算 大数据
大数据-169 Elasticsearch 索引使用 与 架构概念 增删改查
大数据-169 Elasticsearch 索引使用 与 架构概念 增删改查
59 3
|
1月前
|
消息中间件 分布式计算 大数据
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
108 0
|
1月前
|
数据采集 数据可视化 大数据
大数据体系知识学习(三):数据清洗_箱线图的概念以及代码实现
这篇文章介绍了如何使用Python中的matplotlib和numpy库来创建箱线图,以检测和处理数据集中的异常值。
44 1
大数据体系知识学习(三):数据清洗_箱线图的概念以及代码实现
|
29天前
|
机器学习/深度学习 XML 分布式计算
大数据的概念
【10月更文挑战第16天】
49 4
|
1月前
|
消息中间件 存储 分布式计算
大数据-72 Kafka 高级特性 稳定性-事务 (概念多枯燥) 定义、概览、组、协调器、流程、中止、失败
大数据-72 Kafka 高级特性 稳定性-事务 (概念多枯燥) 定义、概览、组、协调器、流程、中止、失败
34 4
|
1月前
|
消息中间件 大数据 Kafka
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(二)
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(二)
29 2
|
1月前
|
消息中间件 NoSQL 大数据
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(一)
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(一)
34 1
|
1月前
|
消息中间件 NoSQL Kafka
大数据-116 - Flink DataStream Sink 原理、概念、常见Sink类型 配置与使用 附带案例1:消费Kafka写到Redis
大数据-116 - Flink DataStream Sink 原理、概念、常见Sink类型 配置与使用 附带案例1:消费Kafka写到Redis
134 0
|
1月前
|
存储 分布式计算 算法
大数据-105 Spark GraphX 基本概述 与 架构基础 概念详解 核心数据结构
大数据-105 Spark GraphX 基本概述 与 架构基础 概念详解 核心数据结构
48 0
|
1月前
|
消息中间件 分布式计算 Kafka
大数据-98 Spark 集群 Spark Streaming 基础概述 架构概念 执行流程 优缺点
大数据-98 Spark 集群 Spark Streaming 基础概述 架构概念 执行流程 优缺点
40 0
下一篇
无影云桌面