
数据分析决定大数据成败
近几年来,我一直在与大数据公司的高管们探讨如何解决他们所遇到的问题。一些有趣的问题仍然持续存在。很明显,我们仍然还处在对于某些问题的初步了解阶段,要充分了解并使用有效的方案来解决这些问题,我们可能仍然还有很长的路要走。
Facebook和谷歌等公司获取了大量的信息。他们普遍遭到侵犯隐私的控诉,尽管我们并不知道这些企业利用他们收集的数据信息可以计算出关于我们的什么信息内容。我们总是假设他们使用这些数据信息是对我们不利的,即使他们很可能尝试的是使用这些信息为我们的谋利益。
没有更好的保护您的数据的方案
历来,围绕着大型数据存储库的许多问题均涉及到如何管理他们。这主要是指确保那些需要访问这些数据的人员的范围权限:从管理报告到遵守一切管理的制度规范,以便让这些人员在需要访问这些数据时可以得到他们所需要的信息。这还意味着必须确保数据存储的安全。这在历史上已然成为了供应商们铁一般坚不可摧的服务准则。
上述这些历来管理数据的方法说明我们一直以来对待这些数据就像海盗的宝藏一样,只是努力寻找创造性的、廉价的方法来埋葬他们。但却没有拿出同样有创意的方案来及时分析、得到他们。
我们可以肯定的是,宝藏是确实存在的,但我们不知道其究竟在何处。甚至有些数据信息已经真的非常老了,其索引和存储往往是如此糟糕,以至于我们有时会认为如果我们当初没有将其存储着首要位置会不会更好些。
新兴的公共云资源承诺低成本的存储与未来高可能性的访问。任意数据信息宝藏资源均被一排排整齐的存储。唯一需要权衡的,当然就是,安全、管理和遵守合规性的问题。
随着数据的不断增长和企业IT预算压缩,上述这些因素的权衡似乎已经不成其为问题了。也就是说,直到犯罪分子找到获得并发布了这些数据,才会造成风险。我们的企业甚至有了风险经理的职位,但这一职位也慢慢随着金融市场的崩溃而日渐变得对于保护企业资产没有什么意义。
数据分析才是决定大数据的成败的王道
现在,我们意识到,最关键的并非大数据本身。相反,是数据和移动设备接入的分析与结果报告。企业高管们越来越多地发现,如果他们能够从他们收集的数据中得到真实的信息,他们可以做出更好的决策,避免痛苦的重复错误,并提升他们在企业乃至整个行业中的地位。
事实证明,知识就是力量。因此,今天的成功人士已然开始把重点放在更多地了解他们的客户、合作伙伴、员工和企业环境,而不再是他们的竞争对手。
新时代的企业执行人员使用工具进行更强大的数据同步。这保证了被分析的数据的准确度和及时性。他们提供移动客户端,可以在智能手机和平板电脑上显示结果。他们利用云服务,可以同时解决企业的成本和安全性的要求。
Hadoop已经成为最大的数据分析平台,供应商之间正在使用Hadoop,进行提供最好的工具的竞争。然而,随着供应商开始花更多的时间开发附属品,而不是优化整个解决方案;或选择合作伙伴时无意造成了瓶颈,这些优化可能功亏一篑。
明智地选择你企业的数据分析解决方案
最后,当我听到奥巴马总统连任的CIO分析得出结论,大数据本身的部分并不重要。为您的管理人员提供他们所需要的答案才是最重要的。
这可能听起来很简单,但它确实需要供应商必须满足下列条件:
· 具有您企业和行业方面的大量经验。
· 愿意承担整个解决方案。
· 在达到您企业的期望方面有良好的记录。
· 具有公共和私有云资源的经验。
· 有能力处理传统的数据存储和实时数据流。
总之,这不是一个自己动手做的问题。您需要有经验、有信誉、有可靠性和值得信赖的供应商。只有少数供应商能满足上述这些标准。您需要进行明智的选择。
本文作者罗布·恩德勒是恩德勒集团的总裁兼首席分析师。之前他曾担任Forrester Research和Giga信息集团的高级研究员。在此之前,他曾供职于IBM担任过内部审计、市场竞争分析、市场营销,财务和安全管理等相关职务。目前,恩德勒为各种出版物撰写关于新兴技术、安全和Linux相关专栏文章,并受邀参与美国全国性的新闻电视节目录制:包括CNBC、FOX、彭博社和全国公共广播电台。(转)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15