大数据的发展趋势有哪些？

发布网友发布时间：2022-03-27 14:35

共6个回答

热心网友时间：2022-03-27 16:04

——更多数据来源及分析请参考于前瞻产业研究院《中国大数据产业发展前景与投资战略规划分析报告》。

大数据与AI、5G、IoT等应用为公有云创造了巨大的需求，扮演着大数据基础设施服务提供者的角色，在大数据核心诉求的存储和计算能力上给予不可或缺的支撑。

大数据又赋能公有云行业的发展，将更好地参与到行业应用与数据变现的发展，催生大量的行业应用，为云服务未来扩充发展提供想象空间。积极的国家*将持续推动各行业企业积极上云，拥抱数字化转型，公有云服务应用场景特别是数据应用不断拓宽。

近几年我国云计算行业的市场规模和渗透率均在持续增长，使得我国公有云市场进入了一个新的发展阶段。除此之外，在5G商用以及AI等技术发展的推动下，我国公有云市场规模始终保持高速增长趋势，根据中国信息通信研究院的数据统计，2018年，中国公有云市场规模达到437.4亿元，较2017年增长65.2%。

2012-2018年中国公有云市场规模统计及增长情况

数据来源：前瞻产业研究院整理

IT基础设施建设日益完善，服务质量持续提升，中国公有云市场有望迎来更广阔的发展空间。在大数据市场，PaaS市场保持稳定增长，而私有化大数据平台因为提供服务仍然是各家大数据企业的主要收入来源。

5G将成为物联网增长的引爆点，将催生出新的业态和独角兽企业

5G的低延时、高速率、高容量等特性，将使物联网设备安装数量呈现爆发式发展，一批“未来感”十足的物联网应用正从概念变成现实，在孕育庞大市场的同时，也酝酿着物联网产业的一场深刻变革。IoT所产生巨量数据，既是数据应用的重大挑战，也是大数据产业发展的巨大机遇。

5G技术主要特点分析情况

资料来源：前瞻产业研究院整理

不断增长的物联网热潮正在吸引大量投资和技术突破。更多企业将抓住机会提供更好的物联网解决方案，并将带来更多收集大量数据、管理和分析数据的方法。未来，5G加持下的IoT将产生众多的独角兽企业。

单一大数据平台正向大数据、人工智能、云计算融合的一体化平台发展，中国在一体化大数据平台自主技术创新上独辟蹊径，取得突破

目前人工智能技术已步入全方位商业化阶段，并对传统行业各参与方产生不同程度的影响，改变了各行业的生态。传统的单一大数据平台已经无法满足用户的应用需求，而将大数据、人工智能、云计算融于一体的大数据分析平台，将成为一个联系IT系统与从员工、客户、合作伙伴、社会，到设备的一个全生态的核心系统。

近年来，中国人工智能产业发展迅速，语音识别和计算机视觉成为国内人工智能市场最成熟的两个领域。自2015年开始，中国人工智能产业规模逐年上升，据中国信通院数据，2015年到2018年复合平均增长率为54.6%，高于全球平均水平(约36%)。2018年，中国人工智能产业市场规模已达到415.5亿元。

2015-2018年中国人工智能产业市场规模统计情况

数据来源：前瞻产业研究院整理

热心网友时间：2022-03-27 17:22

1.数据分析成为大数据技术的核心
数据分析在数据处理过程中占据十分重要的位置，随着时代的发展，数据分析也会逐渐成为大数据技术的核心。大数据的价值体现在对大规模数据集合的智能处理方面，进而在大规模的数据中获取有用的信息。要想逐步实现这个功能，就必须对数据进行分析和挖掘。而数据的采集、存储、和管理都是数据分析步骤的基础，通过进行数据分析得到的结果，将应用于大数据相关的各个领域。未来大数据技术的进一步发展，与数据分析技是密切相关的
2.广泛采用实时性的数据处理方式
在现如今人们的生活中，人们获取信息的速度较快。为了更好地满足人们的需求，大数据处理系统的处理方式也需要不断地与时俱进。目前大数据的处理系统采用的主要是批量化的处理方式，这种数据处理方式有一定的局限性，主要是用于数据报告的频率不需要达到分钟级别的场合，而对于要求比较高的场合，这种数据处理方式就达不到要求。传统的数据仓库系统、链路挖掘等应用对数据处理的时间往往以小时或者天为单位。这与大数据自身的发展有点不相适应。大数据突出强调数据的实时性，因而对数据处理也要体现出实时性。如在线个性化推荐、股票交易处理、实时路况信息等数据处理时间要求在分钟甚至秒极。要求极高。在一些大数据的应用场合，人们需要及时对获取的信息进行处理并进行适当的舍弃，否则很容易造成空间的不足。在未来的发展过程中，实时性的数据处理方式将会成为主流，不断推动大数据技术的发展和进步。
3.基于云的数据分析平台将更加完善
近几年来，云计算技术发展的越来越快，与此相应的应用范围也越来越宽。云计算的发展为大数据技术的发展提供了一定的数据处理平台和技术支持。云计算为大数据提供了分布式的计算方法、可以弹性扩展、相对便宜的存储空间和计算资源，这些都是大数据技术发展中十分重要的组成部分。此外，云计算具有十分丰富的IT资源、分布较为广泛，为大数据技术的发展提供了技术支持。随着云计算技术的不断发展和完善，发展平台的日趋成熟，大数据技术自身将会得到快速提升，数据处理水平也会得到显著提升。
4.开源软件的发展将会成为推动大数据技术发展的新动力
开源软件是在大数据技术发展的过程中不断研发出来的。这些开源软件对各个领域的发展、人们的日常生活具有十分重要的作用。开源软件的发展可以适当的促进商业软件的发展，以此作为推动力，从而更好地服务于应用程序开发工具、应用、服务等各个不同的领域。虽然现如今商业化的软件也是发展十分迅速，但是二者之间并不会产生矛盾，可以优势互补，从而共同进步。开源软件自身在发展的同时，为大数据技术的发展贡献力量。

热心网友时间：2022-03-27 18:57

近几年我国云计算行业的市场规模和渗透率均在持续增长，使得我国公有云市场进入了一个新的发展阶段。除此之外，在5G商用以及AI等技术发展的推动下，我国公有云市场规模始终保持高速增长趋势，根据中国信息通信研究院的数据统计，2018年，中国公有云市场规模达到437.4亿元，较2017年增长65.2%。
根据2019年New Vantage Partners大数据和AI高管调查，来自接受调查的组织(例如美国运通，福特汽车，通用电气，通用汽车和强生)的高管中，几乎有72%认为他们没有成功建立了数据文化。1只有31%的人表示他们的业务是数据驱动的，而53%的人表示他们尚未开始将数据视为业务资产。超过一半(52%)的受访者承认，他们在数据和分析方面没有成功竞争。
随着可供组织使用的数据量不断增加，企业对投资数据科学家的需求变得越来越紧迫。

热心网友时间：2022-03-27 20:48

趋势一：数据的资源化
什么是数据的资源化，它指的是大数据成为企业和社会关注的重略资源，并且已经成为大家争夺的焦点。因此，企业必须要提前制定大数据营销战略计划，抢占市场先机。

趋势二：与云计算的深度结合

大数据离不开云处理，云处理能够为大数据提供弹性可拓展的基础设备，是产生大数据的平台之一。自从2013年开始，大数据技术已开始和云计算技术紧密结合，预计未来两者关系将更为密切。

另外，物联网、移动互联网等新兴计算形态，也将一齐助力大数据*，让大数据营销发挥出更大的影响力。

趋势三：数据科学和数据联盟的成立

未来，数据科学将成为一门专门的学科，被越来越多的人所认知。各大高校将设立专门的数据科学类专业，也会催生一批与之相关的新的就业岗位。

与此同时，基于数据这个基础平台，也将建立起跨领域的数据共享平台，之后，数据共享将扩展到企业层面，并且成为未来产业的核心一环。

热心网友时间：2022-03-27 22:56

大数据的未来发展趋势主要有以下几点：

趋势一：数据资源化

何为资源化，是指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。因而，企业必须要提前制定大数据营销战略计划，抢占市场先机。

趋势二：与云计算的深度结合

大数据离不开云处理，云处理为大数据提供了弹性可拓宽的基础设备，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，预计未来两者关系更为密切。除此之外，物联网、移动互联网等新兴计算形态，也将一起助力大数据*，让大数据营销发挥出更大的影响力。

趋势三：科学理论的突破

随着大数据的快速发展，就像计算机和互联网一样，大数据很有可能是新一轮的技术*。随之兴起的数据挖掘、机器学习和人工智能等相关技术，可能会改变数据世界里的很多算法和基础理论，实现科学技术上的突破。

趋势四：数据科学和数据联盟的成立

未来，数据科学将成为一门专门的学科，被越来越多的人所认知。各大高校将设立专门的数据科学类专业，也会催生一批与之相关的新的就业岗位。与此同时，基于数据这个基础平台，也将建立起跨领域的数据共享平台，之后，数据共享将扩展到企业层面，并且成为未来产业的核心一环。

趋势五：数据泄露泛滥

未来几年数据泄露事件的增长率也许会达到100%，除非数据在其源头就能够得到安全保障。可以说，在未来，每个财富500强企业都会面临数据攻击，无论他们是否已经做好安全防范。而所有企业，无论规模大小，都需要重新审视今天的安全定义。在财富500强企业中，超过50%将会设置首席信息安全官这一职位。企业需要从新的角度来确保自身以及客户数据，所有数据在创建之初便需要获得安全保障，而并非在数据保存的最后一个环节，仅仅加强后者的安全措施已被证明于事无补。

趋势六：数据管理成为核心竞争力

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。

趋势七：数据质量是BI(商业智能)成功的关键

采用自助式商业智能工具进行大数据处理的企业将会脱颖而出。其中要面临的一个挑战是，很多数据源会带来大量低质量数据。想要成功，企业需要理解原始数据与数据分析之间的差距，从而消除低质量数据并通过BI获得更佳决策。

趋势八：数据生态系统复合化程度加强

大数据的世界不只是一个单一的、巨大的计算机网络，而是一个由大量活动构件与多元参与者元素所构成的生态系统，终端设备提供商、基础设施提供商、网络服务提供商、网络接入服务提供商、数据服务使能者、数据服务提供商、触点服务、数据服务零售商等等一系列的参与者共同构建的生态系统。而今，这样一套数据生态系统的基本雏形已然形成，接下来的发展将趋向于系统内部角色的细分，也就是市场的细分;系统机制的调整，也就是商业模式的创新;系统结构的调整，也就是竞争环境的调整等等，从而使得数据生态系统复合化程度逐渐增强。

热心网友时间：2022-03-28 01:21

我们生活的数字时代正在改变我们的工作，娱乐和学习方式。对于努力实现数字化转型或通过数据分析提高竞争力的组织而言，成为数据驱动型组织是一个关键目标。实现这一目标的进展令人沮丧地缓慢。

　　根据2019年New Vantage Partners大数据和AI高管调查，来自接受调查的组织(例如美国运通，福特汽车，通用电气，通用汽车和强生)的高管中，几乎有72%认为他们没有成功建立了数据文化。1只有31%的人表示他们的业务是数据驱动的，而53%的人表示他们尚未开始将数据视为业务资产。超过一半(52%)的受访者承认，他们在数据和分析方面没有成功竞争。

　　随着可供组织使用的数据量不断增加，企业对投资数据科学家的需求变得越来越紧迫。

　　数据爆炸

　　自数字时代开始以来，数据一直以指数级的速度增长，几乎没有放缓的迹象。不断涌入的数据为现有数据科学模型提供了动力，为改进的数据科学模型以及创新的新用例创造了温床。

　　物联网(IoT)的增长。造成这种数据爆炸的主要原因是物联网。全世界大约有70亿个设备连接了IoT，并且预计在七年内将增长到惊人的215亿。预计航空，采矿和汽车行业将成为物联网数据的最大贡献者，并且随着设备技术质量的不断提高，收集的数据类型将变得更加丰富和多样化。

　　社交媒体。仅在2019年3月，*平均每天就有15.6亿活跃用户，到该月底为止，每月活跃用户总数为23.8亿。*报告每天在其平台上观看的视频超过10亿小时，每月有超过19亿的登录用户访问。8每当用户登录以查看其新闻提要或观看视频时，都会生成数据-年龄，性别，位置，语言，观看时间，观看的视频类型，喜欢和共享的内容类型，用户首选项等。这些是全球使用的前两个社交媒体平台，但是还有更多:

　　随着对客户收集更多信息的需求的增长，数据源将继续扩大。组织对数据的访问越多，机器学习模型将变得越精确。这些数据的潜在应用将进一步推动对数据科学的需求。如果没有数据科学，组织将很难从数据中获取全部价值。

　　机器的兴起

　　在过去的几年中，机器学习算法得到了迅速的发展，并且随之而来的是专注于机器学习软件的开发。该软件为那些希望成为数据科学家的人们降低了准入门槛。

　　数据科学家的需求超出了供应量，彭博社宣布这是2018 年美国最热门的工作。然而，自动化和教育正在使企业更容易使用数据科学，研究和分析。为了扩大并加速数据科学和分析在业务中的采用，数据科学领域的大多数参与者将简化工具列为重中之重。加上大量的培训资源，使来自各个背景的专业人员都可以获得急需的数据科学技能，这些技能现在对所有行业都可用。

　　这五个因素有助于将这些至关重要的功能交给更多的专业人士使用，并有可能缓解全球范围内的人才短缺。

　　自动化ML。一些人估计，数据科学家一天中将近80%的时间用于可以完全或部分自动化的重复性任务。自动化任务，例如数据准备，特征工程和选择以及算法选择和评估，将帮助数据科学家提高生产力和效率。

　　低代码或无代码应用程序开发。各种低码和*软件开发平台可供IT和非技术人员开发AI应用程序，这要归功于他们的应用程序，其开发和交付速度比传统方法快10倍。图形用户界面，拖放模块和其他用户友好的结构。

　　预训练的AI模型。开发和培训ML模块是数据科学家关键交付成果的一部分。现在，经过预训练的AI模型正在有效地培养ML专业知识，并减少了训练所需的时间和精力，其中17个甚至可以产生即时的关键见解。

　　自助数据分析。许多商业智能和分析供应商正在使商业或非技术用户无需使用数据科学家即可访问基于数据的见解。Salesforce，Adobe Analytics，Microsoft Power BI等提供了自助服务分析工具，以补充数据分析和发现。进行自然语言查询和搜索，可视数据发现以及自然语言生成的能力使业务用户可以快速访问见解，并帮助他们交流数据发现，例如相关性，异常，聚类，链接和预测。

　　加速学习。为具有基础数学和编码背景的专业人员提供的有关数据科学，数据科学研究，ML和AI 的短期培训课程的推出，正在加速企业学习。这些课程加快了专业人员学习基本数据科学技能的过程。

　　云和神经网络

　　结合ML算法，处理和存储更多数据的功能越来越强大的计算机的发展带来了对训练神经网络处理的转变的需求。从历史上看，训练神经网络是使用*处理器(CPU)进行的，但是2017年，谷歌发布了Tensor处理单元(TPU)，其速度和功能均比CPU强大。Google的Cloud TPU使得Google Translate，Photos，Search，Assistant和Gmail背后的ML可供企业使用，以补充其数据科学家为实现业务突破所做的努力。

　　为了获得有意义的业务洞察力，需要有干净，可靠的数据，这意味着，对于寻求优势的企业来说，数据科学是一项值得其珍惜的技能。借助机器学习，人工智能和基于云的神经网络的增强，只要需要以客户为中心的见识和客户驱动的数据以产生利润，就需要数据科学。