京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据给网络运营带来了什么
大数据分析现在是炒作焦点,很多企业都喜欢这样的想法,即通过对海量结构化、非结构化和部分结构化数据进行高级分析来发现意想不到的可操作业务洞察力。但所有这些数据处理是有代价的,特别是,这些数据会给网络带来影响。
大数据和大数据对网络运营影响的问题并不适合心脏虚弱的人。我们都知道,大数据工具并不成熟,并且,知道如何使用它们的人也供不应求。但先抛开这个 问题不谈,让我们来谈谈大数据给IT基础设施和运营带来的新负担。通过大数据技术,现在企业都开始想办法处理大量数据,而这些数据本来可能被抛弃或置之不 管。
企业管理协会(EMA)对北美150家部署大数据的企业进行了调查,以了解大数据对IT基础设施管理的影响。该报告《大数据对IT基础设施和管理的 影响》研究了哪些IT方面最受大数据的影响,该报告还探讨了IT企业如何使用这些相同的大数据技术来改进IT规划和运营。也许并不奇怪的是,该研究发现, 网络和网络管理团队比任何人都更深刻地感受到大数据的影响。
大数据增加网络流量,迫使工程师作出调整
我们的研究发现,45%部署大数据的企业发现网络流量增加,这主要是因为对数据的收集。我们还发现,46%的这些公司发现因为对这些大数据的备份而让网络流量增加。而IT基础设施唯一受到大数据影响的是存储,这并不奇怪,因为大数据主要是关于对海量数据的收集和存储。
随着企业扩展对大数据技术的使用,网络和大数据影响问题变得更加突出。例如,EMA将在生产环境部署有6个或以上大数据项目的企业评为“高级”大数据用户。在这些公司中,55%看到来自数据收集更多的网络流量,61%则报告来自大数据备份的更多流量。
基于大数据造成的网络流量激增,EMA询问这些企业其网络团队如何应对这些情况。我们的研究发现在IT企业内所有基础设施管理人员中,网络管理人员 在调整其基础设施规划和设计做法以应对大数据。超过半数的网络管理人员称他们正在制定计划来满足大数据的需求,从改进容量管理做法到扩展和升级网络基础设 施来支持流量增加。特别是,这些管理人员需要设定大数据流量基准;这些流量只会不断增长,所以工程师需要理解这些趋势,并相应地规划容量。
与此同时,半数网络团队称大数据迫使他们调整其日常运营做法。这些网络管理人员需要调整其性能监控和故障排查工具以及流程,这都是因为大数据网络流量的增加以及突发性质。
网络管理人员让大数据为其所用
在探讨大数据对基础设施的影响后,EMA研究了IT企业如何让大数据为其所用。我们发现很多研究参与者在输出IT监测数据到大数据环境以进行收集和分析,于是,我们询问这些企业对这些IT监测数据的高级分析在改进哪些管理做法。
EMA发现,57%在使用大数据分析来支持网络容量规划,53%在使用它来支持网络可用性和性能监控。最后,在故障排查任务中,35%在使用大数据 隔离网络中的基础设施问题。如上所述,该研究发现,网络管理人员在调整其规划和运营做法以应对大数据给网络带来的影响。现在,我们发现,很多这些网络管理 人员开始运用大数据分析以加强规划和运营。
另外,对IT监测数据的大数据分析具有很大的潜力。EMA不仅观察到IT管理做法的变化,而且还衡量了这给IT企业带来的好处。45%的IT企业告 诉我们,大数据分析让他们可以积极防御基础设施问题;45%报告称他们可更有效地管理IT运营费用。此外,46%称他们通过大数据分析实现更有效的基础设 施容量规划。最后,41%称对IT监测数据的大数据分析帮助他们更好地让IT部门配合业务部门。
这项EMA研究分析了大数据对IT基础设施和IT管理所有方面带来的影响和好处,但很显然,网络管理团队应该特别注意大数据影响问题。大数据对基础设施的影响是真实的,并将随着时间的推移而增加。与此同时,网络工程师和管理人员也可以利用大数据分析来改进他们自己的工作。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据可视化领域,树状图(Tree Diagram)是呈现层级结构数据的核心工具——无论是电商商品分类、企业组织架构,还是数据挖掘中 ...
2025-11-17核心结论:“分析前一天浏览与第二天下单的概率提升”属于数据挖掘中的关联规则挖掘(含序列模式挖掘) 技术——它聚焦“时间序 ...
2025-11-17在数据驱动成为企业核心竞争力的今天,很多企业陷入“数据多但用不好”的困境:营销部门要做用户转化分析却拿不到精准数据,运营 ...
2025-11-17在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07