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
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 
目录
相关文章
|
7月前
|
分布式计算 资源调度 Hadoop
Hadoop学习指南:探索大数据时代的重要组成——Hadoop运行模式(下)
Hadoop学习指南:探索大数据时代的重要组成——Hadoop运行模式(下)
|
7月前
|
分布式计算 资源调度 Hadoop
Hadoop学习指南:探索大数据时代的重要组成——Hadoop运行模式(上)
Hadoop学习指南:探索大数据时代的重要组成——Hadoop运行模式(上)
|
4月前
|
分布式计算 大数据 调度
大数据计算MaxCompute怎么将一个Quota的资源优先供给给标准模式的生产库调度使用?
大数据计算MaxCompute怎么将一个Quota的资源优先供给给标准模式的生产库调度使用?
33 2
|
6月前
|
分布式计算 资源调度 Kubernetes
大数据问题排查系列 - SPARK STANDALONE HA 模式的一个缺陷点与应对方案
大数据问题排查系列 - SPARK STANDALONE HA 模式的一个缺陷点与应对方案
|
7月前
|
分布式计算 资源调度 Java
大数据Spark部署模式DeployMode
大数据Spark部署模式DeployMode
89 0
|
10月前
|
数据采集 缓存 大数据
大数据数据采集的数据采集(收集/聚合)的Flume之数据采集流程的Selector的多路复用模式
在大数据处理和管理中,数据采集是非常重要的一环。为了更加高效地进行数据采集,Flume作为一种流式数据采集工具得到了广泛的应用。其中,Flume的Sink Processor模块是实现数据输出和处理的核心模块之一。本文将介绍Flume中的Selector多路复用模式,讲解其数据采集流程。
110 0
|
10月前
|
数据采集 缓存 大数据
大数据数据采集的数据采集(收集/聚合)的Flume之数据采集流程的Selector的复制模式
在大数据处理和管理中,数据采集是非常重要的一环。为了更加高效地进行数据采集,Flume作为一种流式数据采集工具得到了广泛的应用。其中,Flume的Sink Processor模块是实现数据输出和处理的核心模块之一。本文将介绍Flume中的Selector复制模式,讲解其数据采集流程。
81 0
|
12月前
|
Java 大数据 Scala
大数据开发基础的编程语言的Scala的模式匹配和正则
Scala是一种支持模式匹配和正则表达式的编程语言,它提供了强大的字符串处理和数据解析功能。本文将介绍Scala中模式匹配和正则表达式的概念和用法,帮助开发者更好地理解和应用这门语言。
57 0
|
存储 数据采集 传感器
谈谈大数据环境下的数据集成新模式
信息技术发展迅速。但这并不总是导致现有技术灭绝。想想信息传播的渠道,比如广播、电视和互联网。
谈谈大数据环境下的数据集成新模式
|
存储 分布式计算 DataWorks
持续定义 SaaS 模式云数据仓库—— MaxCompute 数据的持续保护 | 学习笔记(三)
快速学习持续定义 SaaS 模式云数据仓库—— MaxCompute 数据的持续保护
233 0
持续定义 SaaS 模式云数据仓库—— MaxCompute 数据的持续保护 | 学习笔记(三)