
驾驭大数据:先学会取舍 后做分析
关于大数据曾经轰动一时的案例大概是某超市通过分析一位女顾客的购物数据,根据分析结果给这名十七岁的女孩寄来了孕婴童试用品,尽管这一举动让该女顾客的父亲非常生气,但这确实是通过对其购买记录进行分析而形成的真实案例。对此,我们不禁感叹,大数据有时像是一个侦探家,能够拨开重重迷雾,获得”别有洞天”的大价值。而这关键在于,你是否真正懂得如何去驾驭大数据,让它为我们服务。
面对如此浩瀚的数据海洋中,企业该怎样驾驭?在Teradata天睿公司全球合作伙伴计划首席分析官Bill Franks所撰写的《Taming the Big Data Tidal Wave》中可以找到答案。
有效驾驭大数据
该书英文版于2012年4月出版,成为美国亚马逊的大数据主题图书中销量最好的新书,而它的中文版《驾驭大数据》也已由人民邮电出版社在今年年初出版发行,在国内各大网络书店和新华书店等热销。
目前,市面上有很多关于大数据的书籍都是侧重于大数据管理,如何将大数据存储到数据库或者数据仓库中,或如何将非结构化数据进行结构化和分类等,而《驾驭大数据》这本书的侧重点却有所不同,它主要是关于大数据的有效分析,而不是大数据管理本身,它从数据开始,所有的内容均围绕如何做整体决策,如何构建卓越的数据分析中心,以及如何构建数据分析文化等主题。
大数据的价值不在数据本身,而是如何通过数据的整合、探索,从而转化为行动,最终为业务服务带来价值。在新书发布会上,Bill Franks表示,“我认为有必要撰写一本以业务为中心的大数据著作,将大数据相关的重要议题集纳在一起,其形式应该让业务人员和分析专家都容易理解。我希望通过本书中提供相关的洞见,同时辅以行之有效的建议和行动步骤,让大数据源和大数据分析为企业服务。”
加工增值大数据
大数据的意义不在于掌握庞大的数据信息,而在于对这些含有价值的数据进行处理,通过数据的“加工”实现数据的“增值”。随着大数据的到来,Hadoop、MapReduce等技术也被广泛被使用,曾有业界专家表示,任何一个单一的产品不能完整解决用户所面临的大数据问题和挑战。的确,大数据的复杂程度难以想象,Bill Franks介绍道,大数据之所以错综复杂是由四个因素造成的,即大数据通常由机器自动生成,而且通常是全新的数据源,假设会有格式设计,这些格式根本也不友好,大数据中很大部分可能并没有多大的价值。
Teradata天睿公司全球合作伙伴计划首席分析官Bill Franks
由于大数据的复杂性,企业在做数据分析、数据挖掘时就要制定相应的策略,在《驾驭大数据》整本书中,Bill Franks指出:许多大数据其实并没有用,如何过滤掉无效的数据才是真正重要的。他在采访时也表示,“在处理大数据时,应该有所取舍,抛弃大部分数据,将其减少到能够驾驭的数据规模,以便能够快速取得大数据分析成果,至于哪些数据需要抛弃取决于公司自身的需求。”
Bill Franks还建议,处理大数据需要改变流程和文化,能够实现文化的转变,允许拿出少量的预算、人力资源、技术资源等做试点,做一些存在一定风险和结果尚未确定的小实验。“驾驭大数据最困难的事情不是技术手段的盘点,而是取决于采用什么样的方法来更好的发挥大数据的价值,并且能够改变它的流程。”
泡沫时代之后的大数据
研究表明,“大数据”炒作已经接近预期最高值,“大数据泡沫”即将破灭。在Bill Franks看来,大数据的炒作确实已经到了顶峰,但是要关注的是在炒作背后的数据价值。正如上世纪九十年代的互联网泡沫一样,待互联网泡沫破裂后,还是会有很多有价值的企业影响着各个行业,使得经济快速发展。“话题的炒作会冷却,但是大数据分析的价值会继续下去,重点是如何采取正确的策略、流程和方法去从大数据分析中获得价值。”
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