专栏首页云计算D1net云计算价值实现 忌醉翁之意不在“云”

云计算价值实现 忌醉翁之意不在“云”

“如果还有哪个行业比服装界更赶潮流的话,那便非IT行业莫属了”,对于云计算在几年间迅速崛起,甲骨文CEO拉里·埃里森有此感概。数据显示,2013-2017年全球云计算市场的复合增长率将达17%,而国内市场更是高达26%,截至去年,中国云计算产业规模已达到1000亿元。作为一种全新的IT交付模式,云计算已成全球IT变革先锋。在中国,以BAT为代表,包括互联网企业、运营商以及手机厂商都在积极进入云计算产业。但大多数情况下,由于很多云服务提供商没有真正将精力放在服务项目中,形形色色的云服务项目并未完全推动云价值的实现。

目前,云市场中最典型、最广泛的服务项目当属云存储。云存储的主要做法是将用户硬盘内容转存至云服务器中,对用户来说,一方面可以减少硬盘内存压力,另一方面方便用户在不同设备间调取信息。而对云服务提供商来说,最大的收获恐怕是大数据搜集。公有云中的信息共享自然不在话下,当数据达到一定规模后,私有云也可为云服务商带来巨大商业价值,如商家可以通过文件名称、大小、用户习惯、地域、性别等非隐私信息预测用户行为,进行精准营销。

云存储服务一般采取免费或者低价收费原则,服务商斥巨资建立服务中心,如此低价收费,岂不亏了?然而联想到大数据,这种营销方式就可以得到合理解释,因为大数据本身就是金矿。当然,一众商家将焦点集于大数据之时,“快速响应、按需服务、降低成本、提升效率”的云计算价值反而被放到一边。

云计算是一个错综复杂的产业生态系统,世界范围内,仅凭一家之力满足所有用户需求的企业少之又少,因此,走向合作共赢才是产业发展大势。但站在大数据角度,云服务企业之间的合作很难落实。当前,BAT三巨头都在致力于打造云计算与大数据生态圈,百度落脚点在搜索引擎,腾讯落脚点在社交,阿里落脚点在电商,介于相互之间几乎没有重合需求,三家生态系统自然带有封闭、排外性质。

真正的云服务一定是以开放为前提,最大化满足用户需求,且长远来看,相互割裂的大数据垄断必定无益于企业健康发展,无益于云计算价值的最终实现。

本文分享自微信公众号 - 云计算D1net(D1Net02)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2014-11-14

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 向云计算迁移不得不考虑的问题

    把应用程序迁往云计算这一工作将对网络需求产生很大的影响,从而影响云计算成本。“所用即所付”是云计算供应商们所常用的一种诱人的流行销售说辞,而CIO们也往往...

    静一
  • 云计算有能力将未来世界提前带到今天

    在行业转型的过程中,信息爆炸是必然产生的结果。大数据的到来就像一把“双刃剑”,一方面,大数据的存储和处理给现有IT能力提出了前所未有的挑战;另一方面,大数据相关...

    静一
  • 如何让数据迁移到云端更加容易

    如今,许多企业都在采用“云优先”的策略,并建议IT团队评估云存储是否是一个可以接收所有请求的可行选项。实施这种策略是可以理解的,因为云计算提供了许多好处,包括促...

    静一
  • 向云计算迁移不得不考虑的问题

    把应用程序迁往云计算这一工作将对网络需求产生很大的影响,从而影响云计算成本。“所用即所付”是云计算供应商们所常用的一种诱人的流行销售说辞,而CIO们也往往...

    静一
  • 大数据和云计算硬币的正反面

    大数据和云计算硬币的正反面 “大数据也需要云计算这个平台,这是一个硬币的正反面。”阿里云总裁王文彬(花名:菲青)与媒体交流时表示。这几年IT行业发生了翻天覆地的...

    静一
  • 信息社会中的生产力:云计算以及大数据

    信息社会是以数据和信息为主要生产要素,云计算和大数据在当前的信息社会中是不可替代的生产力。大量的数据也迫使人类建设大规模的IT基础设施的来承载数据。 云计算是当...

    静一
  • 【应用】信用评分:第3部分 - 数据准备和探索性数据分析

    因此,**数据准备是任何数据挖掘项目的关键方面,包括信用评分卡的开发。 **这是CRISP-DM周期中最具挑战性和耗时的阶段。 项目总时间中至少70%,有时多于...

    陆勤_数据人网
  • 大数据与个人隐私的平衡:懂你,但不认识你

    数据猿
  • No!云开支并不是猜谜游戏

    随着云计算应用的不断发展,IT部门仍然在努力管理他们的云计算成本——尤其是混合云计算环境和多个云计算环境。由于各种各样的原因,很多企业发现他们自己往往无法完全掌...

    静一
  • 人工智能工程师学习学习路线图

    1、度量模型是否成功的各种方法(精确度、召回率、ROC曲线下面积等)。损失函数和评估指标的选择是如何**偏离模型的输出**的。

    机器人网

扫码关注云+社区

领取腾讯云代金券