亚博2022安卓版APP下载

公司动态
行业最新新闻公司动态发布
2016年大数据领域的33个预测
2016-04-15
导读2016年大数据领域会发生什么情况?考虑到如今在深层神经网络和规范性分析方面取得的进展,你可能觉得这个问题很好回答。而实际上,来自业界的大数据预测大不相同,本文精选出了最值得关注的33个预测,为您开启未知的2016!1.数据平民崛起甲骨文公司预测一种新型用户:数据平民(DataCivilian)会崛起。该公司称:“虽然复杂的数据统计可能仍局限于数据科学家,但数据驱动的决策不会是这样。在未来一年,更简单的大数据发现工具让业务分析员可以寻找企业Hadoop集群中的数据集,将它们重新做成新的混搭组合,甚至运用探索性机器学习方法来分析它们。2.“大数据”会消亡NucleusResearch公司公开发表了不同意见,预测我们所知道的大数据会消亡。该公司称:“在过去两年,每家公司及其人员似乎都推出了某种形式的大数据解决方案。是该告别新奇事物综合症(shinyobjectsyndrome)的时候了。用户会像对待任何数据那样对待和访问大数据,而不是着手解决大数据分析这一项庞大又艰巨的任务。3.风险投资公司更关注大数据给出的结论据OperaSolutions公司的高级副总裁KeriSmith声称,由于风险投资公司往数据初创公司纷纷投入资金,是时候开始提出尖锐的问题了。Smith问道:“大数据解决方案真正的投资回报率(ROI)如何?公司如何才能跨过部门级部署这个阶段,让大数据在整个企业创造的价值实现最大化?又有哪些有意义的使用场合适用于众多垂直领域?要是贵公司现在没有提出这类问题、积极寻求答案,应该很快就会。4.机器学习和人的洞察力组合渗透新行业Spare5公司的首席执行官MattBencke表示,我们在2016年会看到数据绝地武士(DataJedis)的兴起。他写道:“将来被人工智能改变的工作会比以往任何时候都要多,‘数据绝地武士’会变成最抢手的员工。机器学习和人的洞察力这对组合会渗透到新行业,包括医疗保健和安全行业,员工需要灵活适应以提供不同服务,不然就会落在后面。5.数据科学在银行界大放光彩数据科学咨询公司Profusion的首席执行官MikeWeston预测,数据科学在银行界会大放光彩。他写道:“金融业是率先采用数据科学技术/方法的行业之一。不过,所有银行服务公司采用数据科学的步调远远没有统一。2016年,我预计这种局面会有所改变。更好地利用数据和服务个性化会从金融市场进入到零售银行领域。这会给市场营销、客户服务和产品开发带来深远影响。”6.人工智能和认知计算让个性化医疗成为现实先进的人工智能引起机器人成为统治者,这种场景吓坏了ElonMusk。不过据Franz公司的认知科学家兼首席执行官JansAasman声称,应该将人工智能归为“友好的技术”这一列。他说:“2016年及以后,人工智能和认知计算将使个性化医疗成为现实,帮助拯救患有罕见疾病的病人,并改善整体的医疗保健状况。”7.首席数据官将成为信息技术领域的“新宠儿”Blazent公司首席技术官办公室负责人MichaelLudwig认为,首席数据官(CDO)会成为信息技术领域的“新宠儿”,永远让办公室政治更显错综复杂。他写道:“正是由于大数据很复杂,又需要完整而准确的数据,首席数据官会变得越来越重要。因而,首席技术官和首席信息官需要给首席数据官让出地方,除非确立了明确界定的角色,并成立了相关团队,否则高层管理团队当中会出现紧张局势。”8.首席洞察官成为大数据整理过程的关键领导者但不是每个人都这么认为,其中包括PROS公司的首席远见官CraigZawada。“2016年,我们会开始看到被任命的首席数据官日渐式微,这是过去的一种角色。相反,2016年会出现首席洞察官,这类人将成为大数据整理过程中的关键领导者。”9.云服务被充分利用但是颇有势力的CIO能重新发号施令吗?Cazena公司创始人兼首席执行官PratMoghe预测会这样。他写道:“2016年,CIO们会充分利用企业就绪的云服务,作为中间人提供这样的云服务,既满足IT部门在治理、合规和安全等方面的要求,又满足业务部门在敏捷性和响应能力等方面的要求。”10.流分析逐渐成熟DataTorrent公司的首席执行官兼联合创始人PhuHoang预测,流分析(streaminganalytics)会开始成熟起来,并在大数据阵营中证明其价值。他说:“虽然许多公司已经认可了实时流非常重要这一点,但我们会看到用户希望更进一步,确定流分析使用场合。在接下来一年,使用流分析工具的客户会变得更加成熟,要求流分析有明确的投资回报率。”11.实时分析异常火爆实时分析在明年会很火爆,这个我们懂。不过据MongoDB公司的战略和产品营销副总裁KellyStirman声称,一项技术:ApacheKafka比其余技术更惹人注目。Stirman写道:“Kafka将成为企业数据基础设施的一个重要集成点,为构建智能分布式系统提供便利。Kafka及其他流分析系统(比如Spark和Storm)会补充数据库,成为跨应用程序和数据中心管理数据的整个企业堆栈的关键部分。”12.大数据让娱乐更加“娱乐”喜欢鼓乐?FirstFuelSoftware公司的首席数据科学家BadrilRaghavan表示,那么你一定会爱上2016年。“在今后几个月,我们会看到企业和个人利用数据和分析工具,面对包括能源、体育、社会公益和音乐在内的众多行业,提供个性化、引人入胜的体验。比如说,人们将来可以利用数据,根据个人喜好(例如偏爱鼓乐)改编歌曲。”13.物联网影响半导体行业物联网会如何影响半导体行业?IT传奇人物RayZinn对此有几点看法。他写道:“你会看到设计和制造出现更明显的分工。晶圆厂的使命就是扩大规模,服务于几十亿消费者和新兴的物联网市场。设计将会与制造脱离开来,分担市场风险。创新将是设计公司的生存之道,而不断提高效率才是晶圆厂的致胜秘诀。问题是,接下来会出现什么?到时难免会出现新的市场和设备,从而推动行业呈现新的井喷式增长。物联网好比是沉睡的巨人,不过我觉得它只是在打盹而已。”14.机器学习、大数据自动化和人工智能大放异彩Infosys公司高级副总裁兼平台、大数据和分析部门主管AbdulRazack表示,机器学习、大数据自动化和人工智能在2015年大出风头,明年会出更大的风头。Razack说:“2016年,企业更广泛地采用人工智能技术替代人工重复性任务的步伐会快速加快。”他提到,丰田公司最近往人工智能方面投入了10亿美元。大数据自动化已经在发展,不过明年“会得到更广泛的应用,人的独特能力(即拿来复杂问题后给出创造性的解决办法)显得更重要。”特斯拉的无人驾驶汽车内置了机器学习技术,但明年,“机器学习会悄悄进入到千家万户,让我们身边的物件不仅仅是联网而已。15.合并兴起的关键年许多人预计2016年大数据领域会出现激动人心的事情。LogiAnalytics公司的解决方案工程和服务副总裁CharlesCaldwell却不这么认为。“如果我展望2016年,并不觉得会出现许多激动人心的事情。其他厂商已给出了云计算、视觉分析和移动等方面的预测,但是那些大多是安定下来的旧趋势。在我看来,2016年会是合并兴起和为下一大热门打基础的一年。”16.副本数据管理(CDM)迎来春天“最想象不到奖”授予CatalogicSoftware公司的产品营销高级经理PeterEicher。我们倒不是指他的这一预测:副本数据管理(CDM)“是迎来大好时期的技术――不仅这个领域出现新厂商,老派厂商也在跟风,这就是最好的佐证。”这完全合情合理。不,我们之所以提名Peter是因为他的这一疯狂预测:纽约尼克斯队会夺得NBA总冠军。他承认:“是的,结果不是。我不可能一直预测正确。不过话又说回来,这个预测已连续错了42年。”17.大数据泄密事件频发大数据领域的“沮丧的黛比”(DebbieDowner)奖授予BlueTalon公司的首席执行官EricTilenius,因为他预测,大企业爆出大数据泄密事件的步伐可能会加快。他写道:“2016年,缺乏统一的数据治理,可能会导致企业界迄今面临的最大的安全方面冲击――这相当于移动技术的问世给传统企业边界带来的冲击。依赖支离破碎的方法来控制数据访问,即面对不断变化的数据格局采用不一致的政策,只会在企业数据保护方面留下大洞。”18.微服务架构有所突破你在搞微服务吗?据SaaS厂商Workday声称,如果你现在没搞,很快会搞。该公司声称:“很显然,内部部署与云之争已结束,云赢了。不过,并非构建的所有云架构都一个样。微服务架构会突破Netflix等消费者互联网设计领域,成为自向云转变以来企业应用软件领域最重大的架构进步。”19.大数据分析扩大领域TARGIT公司首席技术官UlrikPederson表示,大数据有难度,许多公司在明年会竭力搞好大数据。他写道:“2016年大数据分析会扩大领域,一些工具让企业用户有可能在需要时对大数据执行全面的自助式探索,不需要IT部门的大力指导。对应于我的第一个预测,我预计先进分析项目在众多行业会大幅增加。然而,这并不意味着它们会成功......要是听到许多厂商和客户在成功实施项目上遇到困难,我也不会觉得惊讶。”20.认知技术、数据科学会有进展国际数据分析研究所(InternationalInstituteofAnalytics)预测便于嵌入式分析的分析微服务会大行其道。这家独立研究和咨询公司还预测,认知技术、数据科学和数据精选等领域会取得进展。哦,该组织表示,由于许多大学开设新课程,分析人才危机有望得到缓解。21.非数据专业人才也会投身大数据OLAP-on-Hadoop提供商AtScale公司的首席营销官BrunoAziza表示,不是数据专业人才的那些人也会积极投身于大数据。他写道:“随着Hadoop变得更容易被非数据专业人才访问,营销人员会开始访问更多的数据,以便做出更合理的决策。可以借助Hadoop更深入更全面地了解数据,这让营销人员能够洞察消费行为、从而做出决策,并了解客户消费旅程背后的流程。”22.高性能计算渐成主流存储巨头DDN预测,我们会看到更多的高性能计算技术进入到主流,特别是由于它涉及存储。该公司表示:“2016年,来自高性能计算行业的存储、数据管理和应用程序加速等技术会继续以更快的速度被利用起来,以满足企业对性能和规模越来越高的要求,因而会以更快的速度取代传统的IT基础设施。”23.开源大数据遍地开花开源大数据技术给你留下了深刻印象?Pentaho公司的首席执行官QuentinGallivan表示,你还没有看到任何实际东西。Gallivan写道:“像Spark、Docker、Kafka和Solr这些很酷的新工具会遍地开花,这些新兴的开源工具旨在能够对PB级数据进行大规模大批量的分析,它们会从‘青春期’阶段进入到‘壮年期’阶段。”24.Spark淘汰MapReduce,拯救HadoopRDBMS-on-Hadoop厂商SpliceMachine公司的联合创始人兼首席执行官MonteZweben表示,Spark会淘汰MapReduce,但是会拯救Hadoop。他写道:“MapReduce相当深奥。具有速度慢、批处理的特性,又加上非常复杂,因而对许多企业来说毫无吸引力。由于速度快,Spark要自然得多,对程序员来说很方便。Spark会给Hadoop注入活力;2016年,基于Hadoop的项目十之八九会是与Spark有关的项目。”25.云厂商发布自己的Spark平台即服务解决方案SnowflakeComputing公司的首席执行官BobMuglia表示,但是这并不意味着每个Spark项目会涉及Hadoop。“如今,Spark是Hadoop发行版的一部分,与Hadoop有着广泛的联系。随着Spark独自行动,建立一个独立的、有活力的生态系统,预计这种情况在2016年会发生变化。实际上,可以预计各大云计算厂商会发布各自的Spark平台即服务(PaaS)解决方案。我们会看到ElasticSpark吗?可能性很大。”26.ApacheHadoop将被重置,并非丢弃Teradata公司的企业系统总经理DanGraham表示,企业组织会对ApacheHadoop进行重置处理。“随着Hadoop及相关开源技术跨过收集知识的早期阶段、炒作渐渐消退,企业会对部署的Hadoop按重置键、而不是丢弃,运用汲取的经验教训,尤其是治理、数据集成、安全和可靠性方面的经验教训。”27.主数据管理(MDM)派上用场杂物抽屉问题是Hadoop社区面临的最大挑战之一。但根本不用害怕――主数据管理(MDM)派得上用场!Reltio公司的首席执行官兼创始人ManishSood写道:“MDM会变得无处不在。长期以来,MDM这门技术只有大公司才用得起,大公司拥有庞大的IT团队,又有硬件、软件和为期多年的实施项目所需的庞大预算。新一批数据驱动的应用程序会内置MDM作为基本要求。由于同时提供操作功能和分析功能,每个应用程序可靠的数据基础由MDM引擎来支撑。”28.Hadoop将处于十字路口2016年,Hadoop将处于十字路口,它会往哪个方向走?Altiscale公司的首席运营官MikeMaciag给出了他的预测。“2016年,我们会看到Hadoop行业标准得到巩固。2015年年初,我们看到开放数据平台计划(ODPi)正式启动,该计划制定了标准,为大数据生态系统的关键项目如何协同运行指明了方向。由于标准化给客户带来的好处变得更加显而易见,ODPi的成员数量在这一年翻番。我们预计,2016年Hadoop会得到更大的发展和认可,让新的技术和应用程序得以满足由ODPi制定的Hadoop生态系统标准。”29.物联网2.0出现ZebraTechnologies公司预测,我们会看到物联网2.0出现。“物联网市场会由过去的闭源、专有的第一代解决方案,变成更成熟、基于行业标准、可灵活适应的解决方案。借助开源方法,企业组织能够从数量更多的服务提供商及其各自的API当中作一个选择。”30.后稀缺经济(post-scarcityeconomy)日渐兴起OpenText公司首席执行官MarkBarrenechea预测,物联网可能预示着后稀缺经济(post-scarcityeconomy)日渐兴起。他写道:“可以将算法想象成这种应用程序,对物联网及我们生活中方方面面的数十亿个互联设备生成的彼此关联的海量信息进行大数据分析。拥有数据、分析数据、改进和创新成为企业成功的关键――这一切得益于互联数字化社会。”31.生产工作负载与分析技术充分结合MapRTechnologies公司的首席执行官JohnSchroeder预测,能够同时处理分析型工作负载和事务型工作负载的融合平台会迎来巨大飞跃。“2016年,由于各大领先公司获得将生产工作负载与分析技术结合起来,迅速调整,以适应客户偏好、竞争压力和商业环境所带来的好处,我们会看到融合方法成为主流方法。这种融合加快了企业组织“从数据到行动”的周期,并缩短了数据分析到业务影响之间的时间差。”32.小众解决方案吃香看好2016年会出现单一架构的另一个支持者是Datameer公司的首席执行官StefanGroschupf。他写道:“某个技术类别是新类别时,会出现众多公司,各自的产品旨在为这个领域的一小部分提供解决方案。这样一来,客户只好购买多个工具,试图弄清楚如何结合使用这些工具。最后,这种方法根本行不通,客户倾向于单一厂商提供的集成产品架构――或者覆盖范围广泛的产品。2016年将标志着大数据产品开始出现这种转型。”33.外包大行其道大数据服务提供商Absolutdata公司的首席执行官AnilKaul预测,外包在2016年会大行其道。他写道:“我们可以从大数据获得众多有价值的信息,可是访问这些信息颇具挑战性,而且通常不在平常商业智能的范围之内。如今许多公司在与第三方合作,制定并执行大数据分析策略。将外部专家整合到大数据团队当中,也许是公司在这个迅速变化的领域保持领先一步的最佳途径。” (文章来源:瀚思安信)
盘点国内七家大数据交易平台
2016-04-08
近期,国内大数据领域最重磅的新闻莫过于上海数据交易中心的成立。根据《2015年中国大数据交易白皮书》透露的数据,2014年中国大数据市场规模达到767亿元,同比增长27.83%。预计到2020年,中国大数据产业市场规模将达到8228.81亿元。面对如此庞大的市场潜力,国内多家大数据交易平台应运而生,在此,小编就为您盘点一下: 北京大数据交易服务平台北京大数据交易服务平台于2014年12月10日正式上线运行,平台致力于为政府机构、科研单位、企业乃至个人提供大数据“交易服务”,盘活数据资产,实现数据资源的有效利用。北京大数据交易服务平台是为构建大数据产业基础设施和完善产业发展环境而设立的,旨在帮助上游或下游数据交易建立最基本的规则和标准。平台可提供大数据需求的发布、大数据应用的开发、对接和大数据供需的对接等服务。贵阳大数据交易所贵阳大数据交易所于2015年4月14日正式挂牌运营并完成首批大数据交易,是国内首家以大数据命名的交易所。贵阳大数据交易所是一个面向全国提供数据交易服务的创新型交易场所,遵循“开放、规范、安全、可控”的原则,采用“政府指导,社会参与、市场化运作”的模式,旨在促进数据流通,规范数据交易行为,维护数据交易市场秩序,保护数据交易各方合法权益,向社会提供完整的数据交易、结算、交付、安全保障、数据资产管理和融资等综合配套服务。武汉东湖大数据交易中心武汉东湖大数据交易中心于2015年7月6日成立,是华中地区第一家大数据交易机构。秉承“激活数据资产,开创数据时代”的发展理念,武汉东湖大数据交易中心以“数据即资产,数据即服务”为出发点和落脚点,以电子交易为主要形式,搭建高效、便捷、开放的大数据资源集成机制、交易机制和服务机制;以“大数据+产业+金融”的业务发展模式,推动数据资源开放、流通和应用。长江大数据交易所长江大数据交易所于2015年7月22日正式挂牌成立并开始运营。长江大数据交易所是第三方中立的、具有公信力的大数据交易所,采用市场化的运作方式,以推动各领域数据的开放、流通、合作为宗旨,以聚集大数据产业的各方资源,构建大数据的生态圈为目标,以市场需求为引导,促进大数据应用在各个领域的快速创新和发展,最终解决数据开放、流通和大数据交易等产业发展的问题。华东江苏大数据交易中心华东江苏大数据交易中心于2015年10月21日。华东江苏大数据交易中心提供专业的大数据交易、数据采集处理和云服务,旨在融合和盘活各类大数据资源,实现数据价值最大化,推动相关技术、应用和产业的创新。该数据交易中心不仅提供数据交易、预处理交易、算法交易及大数据分析、平台开发,还提供技术服务、数据定价、数据金融、交易监管等综合服务;而且基于数据金融资产化方向提供撮合、买卖、融资、贷款等多种合作模式,并为各经济主体盘活数据存量资源提供全面解决方案。 河北大数据交易中心河北大数据交易中心于2015年12月3日在北京宣布成立,是中国首家开展数据资产证券化的服务机构、华北地区第一家数据资产交易平台。该平台可推动京津冀一带形成大数据产业带,实现数据资产在京津冀地区的跨区域流动。该数据交易中心主要开展数据资产登记、数据资产托管管理、数据商品交易、数据资产交易、数据资产金融产品设计服务、金融杠杆数据设计及服务、数据资产证券化、数据资产权益类交易等业务。上海大数据交易中心上海数据交易中心于2016年4月1日成立。上海数据交易中心承担着促进商业数据流通、跨区域的机构合作和数据互联、公共数据与商业数据融合应用等工作职能。交易中心以国内领先的“技术+规则”双重架构,创新结合IKVLTP六要素技术,采用自主知识产权的虚拟标识技术和二次加密数据配送技术,结合面向应用场景的交易规则,将在全面保障个人隐私、数据安全的前提下推动数据聚合流动。
原工行行长杨凯生:关于“债转股”的几点思考
2016-04-08
 原工行行长杨凯生一、“债转股”是债务重组的一种特殊方式    通常的债务重组是债权人、债务人因种种原因在原借贷融资契约难以继续执行的情况下,对原定的借贷金额、借贷期限、借贷利率、借贷方式等作出调整和变动的一种行为。因此,债务重组必然涉及债权人和债务人各项基本权利和义务的调整。而较之一般的债务重组而言,债转股对债权人、债务人带来的变动更激烈、调整更深刻,它将原有的借贷关系变成了股权关系,这是一种根本性的变化。二、“债转股”对于债权人、债务人都是一个“痛苦”的过程    对债务人来说,债转股就是为自己引入了新的股东。如果转股金额与企业原有资本额相比数额较大,那更是等于为债务企业引入了相对控股乃至绝对控股的投资者。因此对债务人而言不能简单地以为债转股可以降低自己的杠杆率,以为债转股后的最大好处就是无债一身轻了,可以不必再支付贷款利息了。其实股本融资应该是一种比债务融资成本更高的融资方式,股本不仅是需要回报的,而且其回报率(股权分红率)理应比借贷利率更高(否则是吸引不到投资者的)。同时,债务人还应该认识到,在引入新的股权所有者尤其是控股股东之后,按照规范的法人治理机制要求,企业的重大事项决策权就应该交付给新的“老板”了。这并不是一件简单的事情,也不会是一件令人“愉快”的事情。同样,对债权人而言,债转股意味着放弃了原有的债权固定收益(利息),放弃了对原有债权抵押担保的追索权,而由此换得的股本收益权能否真正得以保证,相当程度上取决于债转股后企业的经营管理状况能否有根本的改善,取决于自己的股东权利能否确保落实。如若把握不当很有可能陷入既不是债权人,又不像股权持有人的尴尬境地。应该看到这中间是存在着一系列不确定因素的。    因此,这是一个“痛苦”的过程。债权人、债务人都应该认识到这是一个面对现实不得已而为之的做法,所以各方对此都应该持一种谨慎的态度。如果在这过程中,有任何一方是趋之若鹜的(在90年代末的政策性债转股中曾出现过这种现象),我们就需要认真考虑这个债转股方案对原有债权债务的重组是否体现了公平、公正的原则,其做法是否符合市场化、法制化的要求。三、对90年代末“债转股”的几点回顾    当年集中对500来户企业约4000亿的银行贷款进行了债转股(后来还个案进行了一些委托债转股,在本世纪初对一些军工企业也进行了债转股),这在当时对部分国有企业的脱困确实发挥了不小的作用,为一些企业的后续发展包括改制上市创造了条件。例如一汽、二汽、宝钢、鞍钢、武钢、首钢、西飞、西南铝、长安汽车等不少重点企业当年都进行过债转股。回顾当年的债转股操作,有些经验和教训值得认真汲取。    1.当年的债转股虽然是与剥离银行不良贷款同时操作的,但当时还是注意强调了债转股企业应该是产品具有市场前景的,管理水平、技术水平较为先进的,只是由于债务率较高而要设法降低其杠杆率的。尽管由于种种原因,这一要求在执行过程中落实得并不尽如人意,但当时倘若没有这一指导原则,债转股的效果想必会更不理想。这一点值得当前在进行有关债转股的政策设计时予以重视和借鉴。债转股作为一种特殊的债务重组方式,不能再用于那些复苏无望而应该退出市场的企业。这是当前在确定究竟要对哪些企业进行债转股时必须认真掂量和权衡的。要避免通过债转股保留了那些该压缩的产能和需淘汰的企业,否则势必会延缓整个结构调整的进程。    2.企业债转股后的新股东,无论是银行还是资产管理公司等其它机构能否充分实施股权管理,企业的经营管理机制能否真正有所完善,这一点十分重要。当时囿于体制、理念包括人力等原因,债转股后“股东”虽然向企业派出了一些董事、监事,但作用很小(多数企业当时尚未进行真正的股份制改造,只是为债转股而成立一个董事会、监事会)。股权所有者既放弃了债权人的权利,又无法真正享有股东的权利,在改善企业法人治理机制、提高经营管理水平方面也难以发挥应有的作用。当然,当时银行和资产管理公司是否有足够的人才和能力介入转股企业,事实上也存在着一系列问题。    3.债转股后股权持有人(原债权人)的经济利益应得到充分保护,否则会加大金融风险。由于种种原因,当时债转股后,不少企业在相当长的时间里一直没有给股东分红。而在银行和资产管理公司考虑如何对有关股权进行处置时,可供选择的方式又十分单一,主要就是企业回购(部分是原价回购,多数则是打折回购)。这样的结果是债转股不仅没有能够起到促进企业股权多元化、改善企业经营管理机制的作用,而且在企业回购股权时原债权人都普遍承担了一定的损失。这样的做法在当时债权人、债务人产权结构单一,都是国有独资的背景下,有其一定的合理性,也有其相应的可操作性。但在今天市场化程度已明显提高,债权人、债务人等各类市场主体的产权结构已经多元化,财政已难以再对有关损失“兜底”的情况下,对债转股操作的复杂性要有足够的认识,当年的一些做法现在已无法再简单施用。此外,值得注意的是至今几家资产管理公司手中仍持有一些当时债转股留下的股权还未能处置变现,其中除了部分企业的股权质量尚好,资产管理公司对这些股权的进一步增值寄以希望之外,还有不少股权是难以处置、无人愿意接盘的。四、实现“债转股”多元化目标之间的平衡难度不小    我们都希望通过债转股能达到一举多得的目的。例如既能降低企业的负债率,减轻企业的财务负担;又能减少银行的不良贷款,化解金融风险;也能提高银行的资本充足率,缓解银行业的资本补充压力;还能调整直接融资与间接融资的比例,为一些企业和社会公众提供新的投资工具,等等。同时也希望在这一过程中能够坚持市场化运作,不增加财政负担。    其实,在这些多元化的目标之间是存在着不少矛盾和制约关系的。如若处理不好,很有可能顾及了一头,忽略了另一头,造成事与愿违的结果。就拿减轻企业财务负担而言,债转股后的企业确实是不需再支付贷款利息了,但他必须对股权进行分红,这个压力并不小。如若以“放水养鱼”为由,允许企业在较长时间内不分红,那又如何将投资者吸引到债转股的投资中来呢?除非他们能很“便宜”地从银行手中购得这些债权。如真是那样,银行将承受较大损失。且不说银行的股东们是否允许这样做,就说希望达到化解金融风险的目标又如何落实呢?如果为了避免银行债权转让中的损失,而让银行通过自己的子公司来操作债转股,那无异于银行将不良贷款直接转成了不良投资,谈不上真正的降低银行的不良资产率,况且银行直接持有企业股权的风险权重要大于一般贷款,需占用更多的资本,这就无法达到提升银行资本充足率水平的目的……。    只有把这些关系捋清了,才能使债转股方案的思路更清晰,才能使各市场主体的责任和义务更明确,也才能在坚持市场化运作的前提下,进一步把握好政府政策支持的方向和力度。五、目前推进“债转股”需注意的几个问题    1.要注意选择好债转股的对象,不宜在那些应该退出市场的企业中搞债转股。否则既不利于压缩过剩产能和结构调整,也难以实现债转股后企业经营状况的真正改善。    2.要坚持按市场化原则、法制化原则操作。债转股方案应经债权人、债务人各自的董事会、股东会批准;债转股后原债务人的法人治理架构应作出相应调整;如股东让渡了经营决策权就应该享有优先股的权益,要保证其能得到固定的股息分红以及享有清偿顺序优先权。    3.如由银行的理财计划或所属子公司操作债转股,则需注意银行不宜长期持有企业股权。转股后,银行应采用多种方式择机转让所持的有关股权,否则不利于建设健康的银企关系。在股权转让过程中应致力于促进资源的优化配置和混合所有制的发展。    4.要及时修订《商业银行法》和《破产法》等法律,为债转股提供法律支撑和保障。《商业银行法》中关于银行不得投资于非金融实体的条款尽管设有可经国务院批准的除外条款,但如需逐案报经国务院审批,其操作性恐有一定问题,如若进行一次性授权,则建议在授权时设置一系列明确的前置条件(如明确债转股对象的选择标准以及市场化操作的基本要求等),以避免具体实施过程中的操作变形,防止损失扩大和孳生道德风险。此外,应在《破产法》中关于破产重整和破产和解的表述中增加有关债权可转为股权的内容。    5.要定期和不定期委托第三方检讨评估债转股后的经济和社会效益,以便为下一步的企业改制和金融改革积累经验,减少改革成本。
一分钟科普“数据湖”
2016-04-01
什么是数据湖?数据湖(DataLake)概念最早由CITOResearchWeb的CTODanWoods于2011年提出。数据湖简单的说就是一个可以存储大量数据的并行信息系统,可以在不需要另外移动数据的情况下进行数据运算、分析。 数据湖的价值?目前,人们已经见证了大数据在进行决策制定、降低运营成本、优化产能等方面产生的巨大商业价值。而数据湖是目前大数据分析领域最新最火的概念,很多厂商都声称数据湖是推动和充分利用大数据分析技术的关键。数据湖的设计理念允许将不同来源的数据都集中到一个未经管理的数据湖当中,而不是保持各种独立管理的数据集合,其设计初衷就是为了解决信息孤岛的问题。数据湖系统将数据集中存储在一个存储盘阵,使得所有数据能够快速积极的响应商业环境和研究目的的变化。同时,数据湖不再局限于结构化或半结构化数据,而是能够对几乎所有类型的数据在不需要预定义模型的情况下进行分析。因此,数据湖能够提供多维度、全方位、实时的数据信息支持,其数据架构体系也更加灵活,扩展性也更强。  数据湖的缺陷?数据湖作为目前还在研发、探索当中的新的数据架构模式,其关注重点一直放在如何保存不同类型的数据,却忽视了如何使用数据以及为什么要使用数据、如何监管数据、如何定义和分类数据,以及如何确保数据安全等问题。具体表现:首先,数据湖中的数据质量难以保证。理论上讲,数据湖可以在不受任何监督或管理的条件下接收任何类型的数据。然而,事实证明,如果不对数据进行合理的定义和维护,那数据湖很快就会变成数据沼泽,因此有效的数据治理是数据湖技术的核心。其次,数据湖存在安全风险。数据在不受内容监管的情况下被放入数据湖当中,而目前的安全防范和访问控制技术仍不成熟,这就意味着很多隐私数据将暴露于风险之下。从企业的角度,安全保护必须贯穿整个数据的生命周期,从接收数据的第一天起就正视安全问题,明确规定可以引入数据湖的数据类型,并制定和及时调整数据湖中的各类数据的使用权限。 如何构建数据湖?综数据湖一般由四部分组成:结构化或非结构化数据源、信息存储系统、数据治理系统、数据分析系统。具体搭建一个有效的数据湖解决方案非常复杂:首先,必须为每个分析用例部署并配置正确的分析系统;然后,为其分配相应的存储;一旦设置环境被创建,则要求数据必须在所有正确的访问权限和管理应用到数据集的情况下加载。 数据湖的愿景?成熟的数据湖将支撑大数据分析成为企业战略的核心组成部分,使得企业能够消除所有业务应用和分析应用之间的壁垒,建立一个全覆盖、单一的企业平台。