京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16