
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01