好快，距離 2015 年的結束，只剩不到 40 天的時間。年終對工作者的意義，除了獎金，應該還有些寶貴的事情值得去做，比如：檢視過去 (已經飛逝的歲月) 與展望未來 (即將飛來又逝的歲月)。
翻開本格去年 12 月的年終文《2015 年台灣 Big Data 市場五大趨勢預測》，當時我們針對 2015 年台灣 Big Data 的市場發展，做了以下趨勢觀察：
翻開本格去年 12 月的年終文《2015 年台灣 Big Data 市場五大趨勢預測》，當時我們針對 2015 年台灣 Big Data 的市場發展，做了以下趨勢觀察：
- 客戶洞察成為所有 B2C 商業的顯學，社群媒體分析是 360° 單一顧客樣貌的新增要素；
- In-memory 分散式運算開源軟體日益成熟，企業的近即時巨量資料應用成本降低，大大增加「快速偵知與快速反應」實現的可能；
- 物聯網 (IoT) 與巨量資料分析結合，成就應用的區隔化與細緻化；
- 資料產品雲服務化，讓中小企業有機會參與巨量資料的價值應用；
- 資料分析人才需求持續增長，但唯有能結合領域知識者，才能成為箇中翹楚。
1. 客戶洞察成為所有 B2C 商業的顯學，社群媒體分析是 360° 單一顧客樣貌的新增要素
實現度：★★★★
在成功的市場教育下，業務開發、客戶服務/CRM、市場行銷等直接與提高營收相關的應用，已經成了企業 Big Data 價值的建置或關注標的。客戶洞察 (Customer Insights) 已經是網路行銷人員除了導流之外，不得不研習的新課題。在這其中，客戶分群 (Segmentation) 再細化，不再只是取傳統的線下 CRM 交易資料與身分資料做分析，更必須混搭，甚至是以線上的行為資料分析為主。
而層出不窮的企業公關危機、品牌的競爭、去年底的九合一選舉、FB 與 PTT 的高黏著度，更讓社群媒體分析的需求熱潮不墜。只是回到 360° 單一顧客樣貌的範疇，社群媒體分析在能打通使用者身分識別這道關卡的情況下，真的能幫上客戶分群、貼標、與精準行銷的大忙。
2. In-memory 分散式運算開源軟體日益成熟，企業的近即時巨量資料應用成本降低，大大增加「快速偵知與快速反應」實現的可能
實現度：★★★
這裡的「In-memory 分散式運算開源軟體」，主要指的就是 Spark 這個眾所矚目的新世代平行運算技術架構。國外、國內各種技術會議、論壇、社群聚會，到處都在討論與交流跟它有關的軟體堆疊：Streaming、SQL、GraphX、MLlib......
應用呢？有，但還是以網路服務業者為主，在企業端的 Use Case 還不具備普遍性。更重要的是，由於它尚處在發展的早期，應用者若沒有高超的系統管理技術，是很難駕馭好比較具規模的叢集環境的 (雷很多，水很深啊)。
3. 物聯網 (IoT) 與巨量資料分析結合，成就應用的區隔化與細緻化
實現度：★★★
2015 以及今後的幾年，物聯網絕對會持續佔據很多的商業與媒體話語。目前的發展重點，主要還是在各類型的應用中佈建為數眾多的 Connected Device。先求有，再求好；先求有端，再求連網，三求資料蒐集，四求資料分析。
我們已經在不少應用場景看到主其事者做了三的設計，四的實現，可以期待，但普遍性還需要更多的時間與價值案例來發酵。
4. 資料產品雲服務化，讓中小企業有機會參與巨量資料的價值應用
實現度：★★
在各大軟體廠商「先傷自己」(的軟體授權收入) 也要推的策略下，雲服務是越來越具看頭。但首先會被中小企業付費採用的雲服務，一開始還是那些能夠直接增加營收者，資料產品類型的雲服務亦同。
在台灣，雲服務的採用者，反而是大型企業早於中小企業。在資料產品雲服務供給相對少的情況底下，中小企業採用的普及率，還需要更多的時間來累積。
5. 資料分析人才需求持續增長，但唯有能結合領域知識者，才能成為箇中翹楚
實現度：★★★★★
實現度：★★★★
在成功的市場教育下，業務開發、客戶服務/CRM、市場行銷等直接與提高營收相關的應用，已經成了企業 Big Data 價值的建置或關注標的。客戶洞察 (Customer Insights) 已經是網路行銷人員除了導流之外，不得不研習的新課題。在這其中，客戶分群 (Segmentation) 再細化，不再只是取傳統的線下 CRM 交易資料與身分資料做分析，更必須混搭，甚至是以線上的行為資料分析為主。
而層出不窮的企業公關危機、品牌的競爭、去年底的九合一選舉、FB 與 PTT 的高黏著度，更讓社群媒體分析的需求熱潮不墜。只是回到 360° 單一顧客樣貌的範疇，社群媒體分析在能打通使用者身分識別這道關卡的情況下，真的能幫上客戶分群、貼標、與精準行銷的大忙。
2. In-memory 分散式運算開源軟體日益成熟，企業的近即時巨量資料應用成本降低，大大增加「快速偵知與快速反應」實現的可能
實現度：★★★
這裡的「In-memory 分散式運算開源軟體」，主要指的就是 Spark 這個眾所矚目的新世代平行運算技術架構。國外、國內各種技術會議、論壇、社群聚會，到處都在討論與交流跟它有關的軟體堆疊：Streaming、SQL、GraphX、MLlib......
應用呢？有，但還是以網路服務業者為主，在企業端的 Use Case 還不具備普遍性。更重要的是，由於它尚處在發展的早期，應用者若沒有高超的系統管理技術，是很難駕馭好比較具規模的叢集環境的 (雷很多，水很深啊)。
3. 物聯網 (IoT) 與巨量資料分析結合，成就應用的區隔化與細緻化
實現度：★★★
2015 以及今後的幾年，物聯網絕對會持續佔據很多的商業與媒體話語。目前的發展重點，主要還是在各類型的應用中佈建為數眾多的 Connected Device。先求有，再求好；先求有端，再求連網，三求資料蒐集，四求資料分析。
我們已經在不少應用場景看到主其事者做了三的設計，四的實現，可以期待，但普遍性還需要更多的時間與價值案例來發酵。
4. 資料產品雲服務化，讓中小企業有機會參與巨量資料的價值應用
實現度：★★
在各大軟體廠商「先傷自己」(的軟體授權收入) 也要推的策略下，雲服務是越來越具看頭。但首先會被中小企業付費採用的雲服務，一開始還是那些能夠直接增加營收者，資料產品類型的雲服務亦同。
在台灣，雲服務的採用者，反而是大型企業早於中小企業。在資料產品雲服務供給相對少的情況底下，中小企業採用的普及率，還需要更多的時間來累積。
5. 資料分析人才需求持續增長，但唯有能結合領域知識者，才能成為箇中翹楚
實現度：★★★★★
這項是最最正確的預測。「資料分析師」這個職務其實存在已久，在電信、金融、零售、製造行業中，都有一模一樣，或是類似的職稱。位居其中者，應該能夠感覺到：從來沒有像現在這樣被重視過。
更讓人興奮的是，不管要分析的資料是 Big or Small，由於 Open Source 工具與各種學習資源的推波助瀾，讓更多人可以從別的領域跨入資料分析的範疇。比如，寫程式的人，多學一點 Data Mining；做行銷的人，操作起樞紐分析表或 BI 工具。
越來越多人都會幾招資料分析的功夫，會使幾樣資料分析的武器 (工具)，但老闆們會發現，唯有同時具備行業心法 (Domain Knowledge) 的人，才是覓得聖杯的人選。
以上的趨勢預測年終結算，不知您是否認同？
更讓人興奮的是，不管要分析的資料是 Big or Small，由於 Open Source 工具與各種學習資源的推波助瀾，讓更多人可以從別的領域跨入資料分析的範疇。比如，寫程式的人，多學一點 Data Mining；做行銷的人，操作起樞紐分析表或 BI 工具。
越來越多人都會幾招資料分析的功夫，會使幾樣資料分析的武器 (工具)，但老闆們會發現，唯有同時具備行業心法 (Domain Knowledge) 的人，才是覓得聖杯的人選。
以上的趨勢預測年終結算，不知您是否認同？
留言
張貼留言