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
在业务数据分析中,按天拆分统计夜间时段的数据是高频需求——比如电商夜间订单监测、平台夜间用户活跃度分析、运维系统夜间异常 ...
2026-07-29在机器学习建模与特征工程实践中,判断不同特征对模型预测效果的贡献度,是特征筛选、模型解释、业务归因的核心环节。特征置换重 ...
2026-07-29 很多数据分析师精通Excel单元格操作,但当被问到“表结构数据的基本处理单位是什么”“字段和记录的本质区别”“为什么表结 ...
2026-07-29【核心关键词】岗位、数字化、经验、课程、方法论、决策、企业、大方向、数据分析、销售管理、理论知识、思维方式、分析销售、 ...
2026-07-28在问卷调研、用户分群、效果对比等业务数据分析中,分类变量的关联性与差异性验证是高频需求。卡方检验作为针对离散分类数据的经 ...
2026-07-28 数据分析师八成以上的时间在和数据表格打交道,但许多人拿到Excel后习惯性地先算、先分析,结果回头发现漏了一列关键数据, ...
2026-07-28在Excel数据分析与报表制作中,数据透视表是快速完成多维度汇总、分组统计的核心工具。很多从业者在得到透视表汇总结果后,为了 ...
2026-07-27 很多数据分析师每天与Excel打交道,但当被问到“表格结构数据的基本处理单位是什么”“数据类型误判会引发哪些分析错误”“ ...
2026-07-27当下,我们已然步入数据要素价值全面释放的智能时代。数据不再只是零散的数字记录,更是驱动新质生产力运转的核心动能、滋养人工 ...
2026-07-27【核心关键词】客户、数据分析、指标体系、数据采集、数据指标、业务数据、分析思路、业务需求、分析方法 【专访摘要】本次 CDA ...
2026-07-24在数据分析、业务建模与数字化运营体系中,原始业务数据普遍存在缺失、重复、异常、口径不一致等质量问题,直接用于分析与建模会 ...
2026-07-24 很多数据分析师能熟练计算均值、标准差,但当被问到“如何用一张图让业务方3秒内看懂核心结论”“面对不同数据类型该怎么选 ...
2026-07-24在数据驱动的精细化运营体系中,指标是业务判断、效果复盘、策略优化的核心依据。随着企业数据化程度提升,指标数量持续膨胀,但 ...
2026-07-23在用户运营与产品增长体系中,留存是衡量产品真实价值与用户粘性的核心标尺,也是决定用户生命周期价值、获客投产比的底层因素。 ...
2026-07-23 很多数据分析师精通Excel、SQL、Python等工具,但当被问到“面对一个具体的业务问题,该用什么分析方法”“描述性分析和诊断 ...
2026-07-23【核心关键词】埋点、产品、互联网、数据库、决策、数据分析、产品经理、商业模式、移动互联网、指标体系、运营模块、大数据平 ...
2026-07-22在高并发、大数据量的业务系统中,单表数据量达到千万级甚至亿级后,会出现查询性能骤降、索引维护成本飙升、存储扩容困难等问题 ...
2026-07-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-07-22在金融风控、企业运营、行业研究等数据分析场景中,大量数据以面板数据形态存在:例如多家分支机构连续多个季度的风险指标、多位 ...
2026-07-21 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-07-21