京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据项目成功的七大秘密_数据分析师
如今,许多企业都理解了大数据的构成,但是要取得大数据项目的成功则是另一回事。Gartner公司的分析师,Doug Laney。 Forrester公司分析师Mike Gualtieri。International Institute for Analytics的高级研究学者,Robert Morison 都是大数据领域的专家,他们对于企业如何使用大数据有着独特的视角。 以下是他们认为可以帮助大数据项目成功的因素 ,以及那些可能会导致大数据项目失败的原因。
从小项目开始
CIO们以前也听到过这个建议,但从小项目开始到底意味着什么? “这意味着从一个你认为可以提高业务绩效的领域着手,从一个你认为分析更多数据可以获得更多信息的领域着手,” Institute的Morison说。
他举了一个制药企业的案例,这家企业想把它的产品收率提高1%到2%。使用传统的商业智能工具, 它可以分析一定数量的生产历史,从而发现生产流程中可以进行调整的部分。然后,企业想知道,如果分析更多的数据,是否可以帮助确定生产表现的真正推动力。随后,采用Hadoop相关的开源技术,该企业在一周内分析了过去三年的生产历史。
“很快,他们开始开发各种变量组合的热点地图——在这个案例中,压力,温度,搅拌和速率这些参数,都可以带来更高的产品收率,” Morison说。“因此,在几个月的时间内,他们从分析更多数据能带来什么成果,发展到在制造工厂开展实验,从而获得产量的提高。 ”
不断试验
是时候CIO们和业务主管从传统的消费,目标导向的IT项目管理风格中脱离出来了, Morison说。取而代之的,鼓励试验项目和创造性思维。在之前提到的制药企业案例中,“目标就是一边进行试验,一边进步和学习,”他说。“这一案例中真正有价值的是,一旦他们开始这样做,每一批新的产品,就成为了数据库的一部分。 他们拥有了一个持续的反馈回路。这个试验使业务表现越来越好。”
Gartner的Laney认为试验应该包括 “那些看似并不自然相关的数据源集成在一起。” 比如,零售商,分析监控录像数据“来了解商店内的客流量,”让他们有机会确定购物习惯和购物模式,他说。
采用Hadoop技术
大数据不是只有Hadoop技术,“但Hadoop是一个很大的催化剂”,因为它既廉价,又容易获取, Forrester的Gualtieri说。 许多获得大数据项目成功的企业,都或多或少以Hadoop技术为背景。“采用Hadoop。把它作为你的数据试验平台,因为你可以在相对成本更高效的情况下,整合所有数据, ”他说。
点亮“暗数据”
Laney把企业内存储后就再没有使用过的数据称为 “暗数据,”他鼓励CIO们考虑这些数据的价值。一些企业已经开始这样做了。比如,保险公司,使用文本挖掘工具分析以往的理赔报告,来更好地理解保险行业的欺诈行为或发展趋势,Laney说。
此外,让暗数据重见天日可能带来新的,有价值的收入来源。Dollar General公司通过和客户分享消费包装商品信息来支付他们的企业数据仓库费用, Laney说。软件即服务供应商Clothes Horse, 是一家新创立的,帮助在线购物者决定衣服是否合身的企业,它分析顾客数据来帮助零售商更好的了解顾客的偏好。更多新平台也不断出现,帮助分发,并销售各类供应商的数据,Laney说,包括: Microsoft;ProgrammableWeb,2013年被MuleSoft收购;Data Market,去年秋天被QlikTech收购;还有qDatum,一家总部位于德国的创业公司。
不要跟随R语言热潮
虽然开源编程语言R通常与数据科学相关联,CIO们不需要雇佣熟悉R语言的数据科学家来开始一个高级分析项目。现成的软件对于企业已经足够。Gualtieri认为,正如CIO们不会让Java开发人员对商业智能报告进行编程一样,这同样适用于高级分析项目。 Alpine Data Labs,Alteryx,SAS,RapidMiner和KNIME的工具足够成熟,来完成80%的预测分析工作,而不必从头开始创建一切,他说。
不要仅是报告数据
超越传统的分析方法,使用大数据进行分析的企业具有巨大优势。“这已经远不是饼图和柱状图了,”Gartner的Laney说。 “将数据集成到业务流程中,而不只是报告数据。”Gualtieri同时认为高级分析项目是一个优势。 “你能在继续传统报告的同时,使用大数据做出更好的报告吗?但是这并没有带来很多不同。 真正的竞争优势是当你使用那些数据,创建预测模型,”他说。遗憾的是,缺乏这样的数据科学家,Gualtieri说超越传统分析的想象力非常稀缺。
不要认为分析一定会被采纳
Morison认为分析项目失败的其中一个原因是 “相当不错的分析项目完成后,但没有被采用。”与业务部门密切合作,可以避免这类问题,他说,最近与几位首席分析师的谈话中,他得出这样的经验: “如果没有业务合作伙伴在过程中的支持,他们是不会开始项目的,即使这个项目很值得进行。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24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