
大数据落地必须与行业应用结合_数据分析师考试
大数据应用并非遥不可及,而是已经渗透到人们工作、生活的方方面面。
从优势领域突破
IDC预测,中国的大数据市场从2012年到2016年将增长5倍,政府、电信、银行将是最先使用大数据工具的行业。大数据的价值主要体现在以下几方面:提升企业的决策效率,改进业务流程,提升用户体验和企业的业务创新能力,提高企业的抗风险能力。目前,在亚太地区,大数据的应用还主要以结构化和半结构化数据分析为主,非结构化数据的量虽然很大,但是目前其应用需求还没有兴起。
用户采用大数据工具之前,要注意以下几个问题:从自己有竞争优势的应用领域入手;制定大数据战略时要综合考虑多方面的问题,比如决策层的支持力度、业务流程、数据质量、IT基础架构等;由于专业大数据技术人员数量不足,企业可以考虑采用一些成熟的商业软件;大数据应用不仅仅包括分析型应用,还包括信息访问型、交易型应用等。
更高性能 更低成本
在大数据方面,惠普有两大利器Autonomy和Vertica。惠普通过收购这两家公司获得了大数据分析工具,并与惠普自己的硬件相结合,为用户提供整合的大数据解决方案。Autonomy主要用于非结构化数据的识别与搜索,而Vertica主要用于结构化数据的在线实时分析。两个产品虽然有小部分重合,但更多的是互补关系。
1月15日,惠普在北京正式发布了HP Vertica Analytics Platform 6.1。惠普公司Vertica市场营销副总裁Chris Selland表示:“HP Vertica Analytics Platform 6.1是专为大数据设计的高性能数据分析平台,它具有极高的数据分析性能,查询速度比传统的关系型数据库快50~1000倍;它还具有大规模扩展能力,可以无限量添加行业标准服务器;它采用开放式架构,并内置Hadoop、R语言以及一系列ETL和业务情报工具;它基于优化的数据存储平台,利用压缩技术可以存储更多的数据。”
HP Vertica Analytics Platform 6.1新增了数据管理选择,通过Hadoop Distributed File System(HDFS)连接器来优化大数据。新的HDFS连接器的数据加载速度比HP Vertica Analytics Platform 6.0中的前一代连接器快4倍以上。这一改进确保HP Vertica Analytics Platform 6.1能以简单、可扩展的方式进行高性能数据分析。“目前,Vertica的数据分析平台在全球有上千个用户,分布在30~40个行业中。”Chris Selland介绍说,“Vertica产品的价格只有竞争对手的1/3,但是处理性能提高了数百倍。”
大数据应用难落地还有一个重要因素,就是缺少专业技术人员。Gartner的研究显示,到2015年全球需要440万大数据专业人员,而人才缺口达2/3。为了培养更多的大数据人才,惠普推出了Vertica认证服务,旨在提高HP Vertica系统管理员、数据库分析员和应用开发人员的专业技能。
助力企业转型
大数据应用若想落地,就必须与行业用户的需求相结合。中国惠普有限公司企业服务集团首席技术官王纪奎表示:“用户在决定采用大数据分析工具之前,应该先搞清楚几个问题,比如数据从哪里来,数据的质量如何,数据可以做什么用,数据的价值如何等。大数据分析应用与企业的供应链分析、网络分析、业务系统分析等之间有着千丝万缕的联系。此外,企业还要考量自己的人力、财力等情况,看是否能够应付大数据分析之所需。”
惠普已经推出了针对电信行业用户的分析服务,并将它与惠普的IT基础架构解决方案打包提供给用户。惠普是许多电信运营商的IT基础设施以及应用系统的供应商。因此,惠普对电信运营商的业务流程十分熟悉,并且知道从哪里获取数据以及如何对这些数据进行整合和分析,从而为电信运营商提供更多的附加价值。“针对电信运营商,我们可以提供战略规划、数据质量管理、数据分析服务等。”王纪奎举例说,“2012年,我们曾经帮助国内某运营商将传统业务与电子商务等新兴业务进行整合,并将计费、CRM、商业智能等应用进行有效结合,还提供了数据管理和业务流程设计服务,从而帮助该运营商成功实现业务转型,”
为了帮助用户更好地开展大数据应用,惠普还为用户设计了信息优化转型体验研讨会,通过与用户的面对面交流,进一步了解用户的实际需求以及数据使用情况,明确业务目标,制定管理和利用信息的策略以及执行路线图等。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29