
实现挖掘大数据价值的三大因素_数据分析师培训
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
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10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 ...
2025-09-04