原始形式的大数据只不过是非结构化数据和 Hadoop,不管你信不信——这个想法正在迅速消失。大数据革命正在朝着数据分析的方向发展,企业管理数据收集、数据输入以及数据处理、分类和验证的方式预计将取得进展。这些数据管理流程应该变得复杂,并且应该有一个明确的策略和目的。
“数据湖”正在成为被动的“数据水库”
企业应该放弃存储数据的思维过程,以免错过,因为它不再是一种可接受的策略。今天,Hadoop 被用来处理和存储数据,让公司和组织苦苦挣扎:
在哪里分析数据?如何分析数据?
分析数据的方法有哪些?
谁来分析数据——如果不是在内部完成?
有多少种定量数据分析?
有哪些不同类型的数据分析方法,哪种方法最好?
哪种数据分析方法可以满足我的组织要求?
数据正在为组织创造真正的价值,但前提是它足够复杂,可以用于商业用途。这也是为什么数据湖变成了尚未开发机会的数据存储库的原因之一。在新的流行范式中,重要的不是业务数据的大小,而是业务数据的使用方式。
实用主义的总体哲学
企业应该转向开发和实施新的数据策略以保持竞争优势。数据分析可以帮助各种不同运营领域的公司。它可以提高数据质量和系统完整性,发现欺诈和其他违规行为,改善供应链和库存管理,规范和发展系统使用,并实现关键信息的基准测试。
真正努力工作或与数据分析和咨询专家合作的公司能够成功地优化他们的业务,创造新的营销途径或创造创新的新服务和收入流。一些公司忽视了通过数据分析加强决策和提高整体绩效的重要机会。
公司可以从数据分析中受益的关键领域包括:
高效一致地处理非常大的数据集
识别流程和交易数据之间缺乏协调
结合基于历史趋势的预测分析
随着希望为其业务部署数据分析的组织和行业的数量和种类的增加,唯一可以使它们与众不同的是实用主义的总体理念。这恰好是公司有意识地建立新的数据能力中心,而不是与其 IT 部门保持一致,而是在少数情况下直接向 CFO、COO 或直接向 CEO 报告的突出原因之一。它是摆脱保守智慧、挑战基于本能的决策过程的方法之一;并将数据分析带入业务核心。
异构和敏捷数据生态系统
全球的公司和组织已经达到了收集可怕数据量的规模门槛,迫切需要创建有效的机器学习逻辑。Facebook,这家公司拥有数 PB 的图片和个人资料信息,并且与此类数据有很大关系——引入了人脸识别——进一步推动了数据分析的能力。
我们正处于一个数据项目专门分析复杂图形结构的时代,文本情感分析工具用于适当地分析客户的支持电子邮件,内存数据库提供快速访问数据分析——每一个都是根据特定要求构建的和特定的数据策略。
包括人工智能、内存数据库、键/值存储、图形数据库、流处理工具等在内的不断发展的技术已成功地将问题从技术限制转移到这些技术的智能应用,以从不同的数据源中创建创新见解。作为连锁反应,采用速度可能会提高,数据将更经常地成为公司数据和更广泛业务战略的基石。
是时候摆脱大数据的炒作了
已经意识到分析远远超过大数据的部门或行业的数量正在增加,已经走向大数据炒作的另一面。电子商务和零售业一直是采用的领先者,并在 1990 年代后期成功地应用了数据挖掘,而它仍然是商业智能的副产品。拥有数百万客户及其数据需要定期处理的组织要么配备了工具,要么拥有业务数据处理合作伙伴——这在某种程度上让他们热衷于早期采用最大的游戏规则改变者之一——人工智能集成。
那些大肆宣传大数据的人仍在努力理解他们的数据收集方法必须提供什么。数据分析帮助公司利用他们的数据库执行意想不到的事情,打开一个全新的空间,借助自动化、预测性和规范性的流程来更好地开展业务,而不仅仅是创建有关历史的报告。数据项目的成功率已经从数据收集或数据挖掘转向将收集到的数据转化为有用信息的速度。随着数据的民主化以及进入门槛的降低,这是一个正在加速的过程。
相关帖子DA内容精选 |