
2014年时曾提到,业内大数据分析面临几个重大的转折点。我们需要新技术和新工具,帮助更多用户更合理地利用数据,而且迫切需要更广泛的数据分析功能,从不同来源的所有数据中发现它们之间的关系,并获得洞察力。为此,Teradata的创新型技术Connection Analytics技术将工具为大数据分析行业开辟了新的格局。今年一月,我在展望2014年时曾提到,业内大数据分析面临几个重大的转折点。随着数字 化时代数据规模和复杂度呈指数级增长,我们需要新技术和新工具,帮助更多用户更合理地利用数据。我还提到,我们迫切需要更广泛的数据分析功能,从不同来源 的所有数据中发现它们之间的关系,并获得洞察力。仅关注客户或网络等特定分析实体的内容已不足以满足企业需求,我们还需要了解这些实体之 间的关系情境,通过跟踪用户、产品及过程之间对结果产生影响的关系变化,获得洞察力并创造价值。但这不仅仅是数据科学家的专利,我们还需要通过各种途径帮 助普通商业用户轻松、直观地获得并运用这些洞察力。目前,Teradata天睿公司已推出全新分析功能,以满足这些要求,对此我倍感骄傲。我们在上周举办的2014年Teradata合作伙伴大会上发布Connection Analytics,这是一套高级情境分析功能,能够以较低成本大规模应用于大型多结构数据集。Connection Analytics基于Teradata Aster强大的MapReduce及Graph引擎,可运用100多种预置算法帮助数据科学家乃至普通商业用户理清复杂的关系,并从中梳理出获得全新业 务洞察力并创造价值的成功模式。Connection Analytics将作为Teradata统一数据架构下Teradata Aster探索平台的重要组件供用户即时使用。据我们发布的Connection Analytics新闻稿,Connection Analytics能够在用户可访问的环境下实现上述功能,并与现有基于SQL的可视化能力及商业智能应用无缝整合,在业内率先将高级情境分析能力与易用 性完美结合。这将为更多商业用户提供多种洞察力,帮助他们梳理各种关系,用于预测业务欺诈行为或客户流失,开展精密策划的病毒式营销活动,提升公共网络健 康度与安全性及优化推荐引擎。到目前为止,情境分析仍存在高难度、高成本等挑战,因为它需要专用系统及难以企及的独特 技能组合,并结合多种算法,才能发现这些错综复杂的关系。现有基于内容的决策模型侧重用户、产品或过程的个体特性分析,而Connection Analytics拥有基于情境的决策模型,可分析这些实体之间的相互关系。部署Connection Analytics后,数据科学家乃至商业用户将能够运用熟悉及易用的工具增强现有决策模型,实现大数据分析最前沿技术的普及应用。但所有这些讨论都仿佛是在纸上谈兵。现在,我将介绍一些即将发布的价值驱动型用例。例如 (怎样减少)客户流失:通过部署Connection Analytics,用户能够将传统统计方法、机器学习及情感分析与影响因素分析相结合,调查客户满意度,并在客户群中准确找出最具影响力的群体。这将帮 助企业减少客户流失,并在客户流失时尽量避免连锁反应。Connection Analytics还能够找出对购买产品构成最直接及间接影响的因素,为病毒式营销活动有针对性地提供信息。Connection Analytics还帮助企业监测IP、网络、服务器和通信日志不断生成的各种数据流,实现网络威胁的近实时监测。Connection Analytics可跟踪用户、产品、过程及其它“实体”之间关系,这对于破解组织严密的诈骗团伙至关重要。当诈骗人员创建新的身份,或改变其诈骗手段 时,如仅使用基于内容的决策模型,用户将轻易上当。但通过使用Connection Analytics,将帮助用户运用基于情境的决策模型,增强传统上较为肤浅的分析视图,获得暴露可疑活动并识别诈骗集团的算法模式。在当前数字化时代中,万物皆有联系。因此,企业和公共部门机构需通过关系建模分析,了解 不同数据集之间的关系。Teradata天睿公司推出Connection Analytics,为情境式决策专门开发出可供用户访问的高性能分析平台,率先为广泛的用户群体提供企业级分析能力,为大数据分析行业开辟了新的格局。 在大数据分析技术处于重要转折点时,Teradata天睿公司将通过技术创新,推动行业不断发展,并帮助客户取得成功。 |
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