
部门有界 数据无界 大数据需要大胸怀
最近在推进一些跨域的事情,聆听了一些教诲,获得了一些新的感悟,作为大数据管理者,拥有技术是远远不够的,更需要有大胸怀,特此分享于你。
1、 在架构层面,大数据平台要是企业级的
大数据平台从技术层面讲没有太多的秘密,无论有多大的难度,大家都可以从小做起,但平台的定位企业则要想清楚,这是由你决定的,因为这决定了平台的内涵。
比如对于运营商,大数据平台如果没有管理层的背书,极有可能建成一个仅面向市场的专业集市,传统的经分虽然号称也整合多域数据,但实际上它就是市场的集市,然而当前运营商的数据创新大多发生在了O+B领域。
在TOGAF里,提到了企业架构在预备阶段就要确立一些原则,这些原则是未来决策和行动的依据,不能动摇,现在想来,这太需要了,如果我是一个企业大数据平台的首席架构师,第一条原则就应该是“平台是企业级的,负责整个企业的数据整合。”
虽然在后续数据采集和整合过程中,会有大量的沟通协调问题,甚至争论,这些都很正常,不同专业的人员,面对不同域的数据,要采用统一的技术标准来进行采集和管理,最终显然是妥协的结果。
一个真正企业级大数据平台能建立起来,不仅仅是技术问题,更多是管理问题,在公司大数据平台建设的前期,笔者参加了不少技术讨论会,技术层面的争论是非常多的,因为一旦确认,意味着现在还好用的技术就可能被废弃。
也正因为有了企业级的原则,才能有理有据的去采集所有的数据,多少企业内部的数据管理人员由于缺乏上层明确的一个说法而让数据整合举步维艰。
2、 在运营层面,要勇于打破部门的边界
即使采集到了企业级的数据,但企业的大数据管理者往往不知觉陷入“数据是全域的,但心态仍是部门的”境况,为什么
首先是自身定位问题,硬件更新了,但软件还没更新,在企业数据贯通的前期,其实很难有懂全域数据,高屋建瓴的数据管理人员,在大量条线分割明确的企业,往往不自觉的是以部门利益为导向的,现在要求以全局利益为导向,这个转变的挑战很大。
比如以前部门的资源自己用,现在平台需要为企业各个部门服务,资源如何分配,优先级如何定,跨部门流程如何贯通,这些都是问题,企业级大数据平台建设完成可不是终结,恰恰是艰难运营的开始。
其次是不确定问题,前期笔者谈过企业要建立搭台唱戏的运营方式,通过企业级PaaS平台为各个部门提供能力支撑,但对熟悉的业务支撑相对容易,对不熟悉的业务的就变得举步维艰了。
以建模大赛为例,针对B域可能驾轻就熟,不就是精确营销吗,我们懂,但一旦换到了O域,就有畏难情绪,认为这个事情不确定强,比如网络的不熟悉,课题不知道怎么定,别人不配合怎么办,总之是一堆的问题,这对于企业的数据管理团队是巨大的挑战。
总喜欢做熟悉的事情,对于陌生的领域躲之不及,但这恰恰是企业级大数据运营的关键,不突破原有自身所在的业务领域,谈何企业级大数据,做大数据要解决大意识的问题。
当我们打造出了企业级大数据平台,应该接着问问自己的内心是否已经做好准备,去尝试一个自己从未接触的领域,我们在感叹大数据对内变现不易的时候,是否想到过是由于自身的思想禁锢而导致停滞不前
3、在数据层面,要努力掌握跨界的信息
你在某个域是数据权威,但在另一个域往往还没入门,因为数据带着天然的业务属性,所谓无业务不数据,但真的是这样吗
对于数据管理人员,如果将数据当成资产,则理解资产是第一要务,现在人工智能,机器学习很热,但再好的算法,也不如一个好的数据。
举个例子,我们举办的一次建模大赛中发现有个地市找到了一个数据,即基于信令切换可以判断是否换成WIFI上网,这可以较为准确的判断是否是异网宽带用户,而这个数据其实早已经躺在我们的平台上了,仅仅因为这个数据不属于传统的领域,我们的数据管理人员还不熟悉,但大家都知道,靠算法去判断一个异网用户是多么艰难。
重剑无锋,大巧不工,大数据的精髓往往在于去做那些朴实无华的事情,就好比我们以前理解B域数据那样,要通过不停的问,不停的取,不停的修,最终我们对于数据的理解才能达到一个新的境界,直到足以挖掘出这个数据的全部潜力,这才是企业级数据管理团队存在的价值。
4、在算法层面,要敢于去尝试一些新东西
人工智能,深度学习兴起代表了一种趋势,虽然业务为王,但也要相信算法推动业务的力量,我们在尊重业务人员的经验时候,也要想想有哪些更好的算法能服务好业务,两者是相辅相成的。
很多人估计跟笔者一样困惑吧,一方面感叹于深度学习在人机交互领域的突飞猛进,另一方面却觉得这个东西跟公司的业务相距甚远,真的是这样吗
如何让深度学习服务于自己的企业是当前每个数据管理者需要考虑的问题,总有些业务场景特征是不明显的,需要用深度网络来抽象出特征变量,总有些场景识别问题可以转换成图像识别问题,企业特别需要有能连接业务和深度学习的人,我们不能对业务人员有更多要求, 这是用技术改变业务的真正机会。
寻找的过程很痛苦,但值得去尝试,即使失败了,也积累了经验,至少理解了深度学习,搞懂了TensorFlow, 这对团队有好处,也为下一次冲锋集聚了能量。
部门有界,数据无界,是突然闪现在面前的字眼,大数据博大精深,既是技术,也是业务,更是管理,既是术,也是道,我们在羡慕互联网的跨界创新时,其实企业的跨界创新就在身边,关键在于自己是否拥有更广阔的视野和胸襟,能勇敢的往前迈出一步。
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