发帖
雷达卡
“大数据”作为一个流行词已经吸引了很多的注意力。
大体上这种关注是恰如其分的,但恐怕在如此关注大数据的同时我们会遗漏忽视了最重要的部分：分析。也就是说，创建、记录和检索大量的数据是一回事,但理解它是另一个问题。
认识价值
数据是从前一段时间才开始变“大”的。随着我们日常生活的数字化,量化每个交互的能力成为一个非常真实的现实。
这个领域的组织机构早期就认识到了大数据中蕴含的价值，并且在使其过渡到”商业智能分析”的过程中处于领先。
现在看来很明显,这是一件对于机构组织来说非常有价值的一件事：能够分析大量社交媒体数据流,并生成用户画像，一次来更好的定位客户。然而,完全实现这一概念仍有一段路要走。
考虑到越来越无定形状态的分析数据带来的挑战。对你的品牌执行情绪分析可能直接就测量“喜欢”或搜索特定的关键字和短语,但如果你想了解图片或者视频就相当困难了。
我们的下一个挑战将会与“物联网”的兴起以及伴随着扩散的传感器日志。机器数据已经被利用了一段时间了。
风力涡轮机上的传感器和生产线很久以前就证明了自己的价值,但是如果你把概念扩展到消费设备吗?每一个手机,家用电器,和每一个可穿戴技术都有机会以各种可能的形式产生无数的数据点。
所以问题是,我们如何分析这一切?
对大数据分析的需求
从大数据转变到大数据分析的过程是一个挑战,这使得所有相关业务用户。组织认识到,他们需要分析,但他们不想每次一有问题就雇佣一个由博士和数据学家组成的小组来构建复杂模型和执行涉及到的统计分析。
为此我们已经看到一些数据玩家的崛起,他们专门研究大数据分析的实现方法。
像Sisense或Platfora这样的公司可以为我们提供直接访问Hadoop文件系统的机会，当我们要求实现实时分析的时候。还有一些如惠普的公司允许组织插入现有的遗留数据仓库。这是一个重要的难题的解决,因为我们关于大数据分析最伟大的承诺之一就是从我们已经收集到的数据中获得更好的洞察力。
这意味着什么
在没有帮助的情况下，数据集太复杂和笨重以至于我们无法使用有效的方式对其进行分析。先进的算法和模式识别帮助把大量复杂的数据集处理至一个可以以一种有意义的方式来操作的程度。
把它想像成你的汽车的动力转向:我们需要人来主导分析,但少量的工具机械化帮助会使它变得简单得多。
随着我们继续创造越来越多的数据,以一种有效的方式来对数据进行分析的需求将继续
需要分析它在一个有用的方法将继续。市场在产生大量的解决方案来解决我们的大量的数据。
企业将好好考虑他们从大数据过渡到大数据分析可能实现的价值。
京公网安备 11010802022788号
