发帖
雷达卡
既然我们已经超越了最初急于适应数字工作场所，那么我们从大流行的第一阶段学到了什么？能够发展和调整其业务战略的公司会持续存在。这一点在当今瞬息万变的商业环境和不确定的经济中表现得最为明显。
高级数据分析为王——超越数据驱动
从历史上看，成为数据驱动型企业一直是我们的目标。那时很好，但时代变了。今天，公司必须以数据为导向，才能在混乱的 COVID-19 后世界中竞争。根据当前事件（无论是在世界市场还是内部发生），在与人员、产品和/或流程相关的业务战略中进行调整和快速更改的能力从未像现在这样明显。
现在的目标是超越数据驱动，这意味着使用高级数据分析来驱动实时经营策略.
借助高级分析推动业务敏捷性和战略——最大化数据分析的三个支柱
利用高级数据分析的力量最终有助于推动敏捷业务战略的能力需要强大的数据分析支柱。这些支柱包括速度、敏捷性和可扩展性这三个方面，下面是一些关于如何加强每一个方面的实用建议。
速度（和性能）——支持 GPU
根据 Gartner 的2019 年 CIO 议程调查2018 年至 2019 年间，部署 AI 的组织从 4% 增长到 14%。随着人工智能的采用不断增长，企业需要超越传统的 CPU 能力使用，并通过图形处理单元 (GPU) 支持其人工智能和机器学习 (ML) 应用程序。这将使他们能够更快地开发、培训和再培训，并运行他们的分析模型，从而为他们的客户带来更好的产品和服务。
GPU 使组织能够大规模并行化操作以支持分析模型和/或推理的训练，提供在更短的时间内有效完成多个时期和微调模型所需的规模和性能。此外，在云中使用 GPU 使组织能够运行不同的 AI/ML 工作负载，并具有成本效益、可扩展和安全的 AI 解决方案所需的灵活性。
敏捷性——解决模型问题
今天的搜索引擎经常引导人们选择快速选项而不是他们正在寻找的内容，因此算法可能会影响他们的搜索，而不是相反。发生这种情况是因为基础数据驱动了自动完成搜索查询的建议，这个过程严重依赖于数据模型。但是，数据模型仅与用于创建它的信息以及业务向数据工程师传达的需求一样好。
数据模型应该汇集来自不同数据源的所有相关数据和相关表，以便分析师可以整体查询它们并相互关联。否则，分析师产生的见解的信息和价值是有限的。
为了说明分析师需要的所有必要数据，数据工程师很重要，数据分析师，业务利益相关者相互沟通以概述业务需求、数据的预期用途以及数据访问方面的潜在（当前）限制。这种沟通需要持续的对话，提出正确的问题，并就每个人正在努力实现的业务需求和时间表达成一致。
在中心数据策略应该是对企业运营环境的考虑。在如此多的不确定性中，我们看到了当前在大流行期间环境所产生的影响。创建敏捷数据模型以及数据仓库方法的一种方法是使用数据仓库建模。Data Vault 使组织能够轻松地增加数据量并响应快速的业务变化，保持数据模型的灵活性，同时还维护详细的数据目录。事实证明，这对于合规性和审计要求非常有用，因为可以获得完整的数据历史记录。
性能——包括半结构化数据和非结构化数据
半结构化数据和非结构化数据比结构化数据更难分析，但在企业中却要多产得多。IDC 预测，80%到 2025 年，全球数据将变为非结构化数据，主要因素包括物联网和社交媒体内容的兴起。为了保持竞争力，组织需要一种将广泛的数据组合在 360° 视图中的方法，以提供更深入、更准确和更精确的分析见解。支持能力半结构化数据像 JSON 这样的格式对于业务成功至关重要，因为它为处理和分析它的公司提供了业务优势。此外，人工智能算法可以帮助从大量非结构化数据中提取意义，由数据科学家和数据分析师驱动，这些数据科学家和数据分析师在开发正确的模型和方法来处理这些数据方面拥有深厚的专业知识。
通过实施这些步骤，企业可以创建一个可持续的数据架构，使他们能够超越数据驱动，真正通过高级分析推动商业智能。虽然我无法预测在这个前所未有且极其不可预测的时代接下来会发生什么，但加强数据分析战略的支柱是驾驭不确定环境的最有效方法之一。
相关帖子DA内容精选
|
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
