京公网安备 11010802034615号
经营许可证编号:京B2-20210330
实现挖掘大数据价值的三大因素_数据分析师
很多公司都在探索如何挖掘大数据的价值,但有一类公司不得不擅长做这项工作,那就是:数据分析提供商。这些公司的商业模式决定了其必须能够有效、持续地提供客户愿意买单的数据产品和服务。
下面将分享一家伟大的数据分析提供商- ComScore,如何通过3个关键因素(一个便捷、可扩展的平台,一支深悟数据分析的员工团队,以及对客户的深刻理解)来实现对大数据价值的挖掘。
1个便捷、可扩展的数据平台
ComScore提供服务的基础是14个PB的多种来源在线数据,这些数据实时地从全球范围收集,这就是公司现在称之为大数据的东西。
数据的来源有4个主要渠道。第一个来源是样本库数据,来自200万个互联网用户,美国境内和境外用户各有100万人。样本库成员允许ComScore秘密地采集用户行为和人口特征。人口调查数据是第二个来源,从获准安放在大约90%的美国数字媒体机构百强公司里面的传感器获得数据。第三个数据来源是采用专属调查的方式,从样本库成员获得的认知数据。第四个来源是从战略合作伙伴获得的数据。比如,ComScore采用会员卡店内购买数据,来帮助客户将在线广告活动与线下商店购买行为紧密结合在一起。
在上世纪90年代后期,可管理ComScore数据工厂的主流商业技术解决方案还没有出现。ComScore就开发了一个高效、获专利保护的技术平台来存储和管理大数据。
到2013年,技术团队已经将平台从一个专有的解决方案进化为一种面向服务的架构,支持在MapR的Hadoop和Pivotal Greenplum数据库上运行的3个关键系统,每个系统都有独立的工作任务和扩展需求。ComScore需要不间断地呆在平台的顶端,在过去的12个月里,数据量大约增长了80%。
一支深悟数据分析的员工团队
ComScore依赖它出众的员工来掌握大数据的艺术和科学。它已经成长为一支1200人的全球团队,每个人都拥有不同水平的"数据科学家"能力。为了跟上公司成长步伐而选择和开发这些员工,公司领导实施了许多人才管理战略。
其中一项战略是:首先从大学的商学院和数学专业招聘分析人才,并给她(他)们提供更多的分析培训。ComScore有一个正在进行的公司内部范围培训项目-ComS core大学,大部分员工都参加。
另一项实践是旨在培养一支领域广泛、深悟数据分析的工作团队,根据员工的不同技能水平在整个公司成立不同的小组,但与此同时,员工必须具备足以确保这些小组能顺利沟通的基本技能。而这些需要沟通的团队通常都在同一个地方办公。
公司领导层还利用矩阵式组织架构,将具备不同技能组合的人才结合在一起。比如,ComScore同时运行了好几个并列的团队,每支团队都有一个商业产品经理来理解产品的开发路线图,以及分析师们来监控数据质量和分析方法论。这种方式被认为对产品开发流程尤为重要。
对客户的深刻理解获得行动的洞察力
ComScore每天发布大约15万份在线报告。其中的挑战在于如何传播优秀的报告,让客户不仅能获取洞察力,而且还能将这种洞察力与工作任务紧密结合。当客户将所获得的洞察力付诸行动时,比如改变一次广告活动的策略或定位一个新的细分客户群,她们可以从ComScore的产品和服务中取得价值。但是作为一个数据分析提供商,ComScore对于客户使用数据的方式缺乏控制力。
ComScore能够控制的是它自己对客户需求的理解。该公司致力于在专业知识领域深度挖掘,并理解其客户想要解决的难题。具备了这些知识之后,ComScore就使大数据变得"可消费",并且可以积极主动地帮助客户识别哪些是可付诸行动的洞察力。不得不承认,数据可以在短时间内压倒一切,激励客户聚焦于解决一些关键问题,然后反复适用。
ComScore给它的客户提供拥有图形界面、整合可视化和图表呈现的软件工具;通过向导和模板报告的大量使用来支持客户的自助服务;当需要即时决策时,通过控制面板提供数据的实时访问;以及创建知识门户来支持知识的分享。更进一步,公司还专门成立了一个组织单位,来为其产品和服务的可消费性提供支持。
(图为,ComScore的典型客户)
一切都归于数据
在大数据的空间领域,必须不断地适应才能跟上其迅猛发展。
多年以前,ComScore还仅仅期望测量挂有客户广告的网页的访问者数量;今天,它则必须报告这个广告是否被真正看过。在早期,公司客户对非美国数据还没有多大兴趣;全球化的发展催生了对ComScore覆盖全球数据的市场需求。
此外,ComScore还需要对技术相关的变化保持跟进。比如,客户可能会需要分析类似来自视频和智能手机的数据流这样的突发性数据类型。另一个重要的变化例子是,使用大量不同设备访问在线内容的用户数在持续增长。这样,公司客户就需要能识别跨多个设备的独立用户。
ComScore的平台、人才和深刻客户理解赋予公司足够的能量,来应对大数据产业环境的风云变幻。其便捷、可扩展的数据平台使得ComScore能够适应数据量的迅速增长,并获取新的数据类型。交叉组合的团队和技能,与拥有深厚分析技能的工作团队相结合,使它能够顺畅地适应需求的变化。对客户使用分析工具的良好培训,允许公司能够预期未来发展趋势,并据此调整其产品和服务。CISR(MIT信息系统研究中心)相信,对借助大数据发展自己感兴趣的公司可以考虑采用ComScore的方法,以获取良好的服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19在零售行业大数据分析与精细化运营领域,纸尿裤旁摆放啤酒是最经典、最具代表性的商业案例。两种看似毫无关联的商品,一个是婴幼 ...
2026-08-19 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-08-19在数据分析、业务监控、质量检测与风险管控工作中,数据波动性是衡量数据稳定性、业务健康度、结果可信度的核心依据。数据波动代 ...
2026-08-18很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当导致 ...
2026-08-18在数据分析、业务评价、产品评级、用户分层与综合决策场景中,单一指标往往无法全面、客观地评价事物整体水平。现实中的评价对象 ...
2026-08-18在数理统计、假设检验、数据分析与机器学习领域中,卡方分布(χ²分布)是继正态分布、t分布之后最重要的连续型概率分布之一。 ...
2026-08-17在Python数据清洗、文本校验、账号密码规则校验、脏数据过滤、字符串规整化处理中,正则表达式是最高效、最常用的文本匹配工具。 ...
2026-08-17 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-08-17手游行业具备用户迭代快、竞争激烈、用户粘性易流失的典型特征。随着新游持续上线、玩家审美升级、玩法疲劳等问题出现,存量用户 ...
2026-08-14在数字化产品运营、商业数据分析、业务增长管理中,零散的指标统计无法支撑系统性的业务决策。单一的点击率、转化率、销量数据只 ...
2026-08-14 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-08-14在数据库数据分析、数据清洗、报表统计与业务查询场景中,日期时间是最高频、最核心的基础字段。数据库中存储的日期格式多样,包 ...
2026-08-13在数据统计分析与数据清洗工作中,箱线图是一种简洁高效、客观性强的数据可视化图表,能够直观呈现数据集的分布特征、离散程度和 ...
2026-08-13 很多数据分析师写过无数个SELECT查询,但当被问到“如何新建一张表来固化中间数据”“创建视图和创建物理表有什么区别”“视 ...
2026-08-13在自动化办公、数据采集、定时统计、日志清理、系统监控等场景中,程序往往需要按照固定时间间隔重复执行指定任务,这种运行机制 ...
2026-08-12