在大數(shù)據(jù)時(shí)代下，隨著大數(shù)據(jù)價(jià)值的凸顯，數(shù)據(jù)分析技術(shù)的應(yīng)用越來(lái)越普遍，所有關(guān)于用戶數(shù)據(jù)的收集，都是為了對(duì)數(shù)據(jù)進(jìn)行智能分析，期待發(fā)現(xiàn)新的趨勢(shì)和不可預(yù)見的行為。
考慮到商業(yè)智能應(yīng)用能夠從PB級(jí)別數(shù)據(jù)中篩選數(shù)據(jù)的日子可能永遠(yuǎn)不會(huì)到來(lái)，一些企業(yè)以天為單位收集數(shù)據(jù)，但是這不能成為企業(yè)大數(shù)據(jù)分析狹隘觀點(diǎn)的借口。但如何才能使企業(yè)在條件有限的情況下，最好地利用他們積累的新資料和統(tǒng)計(jì)數(shù)據(jù)？這需要時(shí)間，耐心，而且你將看到，投資必要資金的負(fù)責(zé)人將可以為企業(yè)實(shí)施正確的計(jì)劃。
選擇正確的負(fù)責(zé)人
大數(shù)據(jù)本身到成熟期也就只花了幾年時(shí)間，這意味著大分析（Big Analytics）才開始孵化。這意味著，在這個(gè)浩大的技術(shù)舞臺(tái)上存在一個(gè)相當(dāng)大的缺口，尋找合適的專家將是一個(gè)挑戰(zhàn)。
在O’Reilly 2012 Strata 大會(huì)上生機(jī)勃勃的數(shù)據(jù)科學(xué)論戰(zhàn)確認(rèn)，要確定聘請(qǐng)誰(shuí)來(lái)為大洞察挖掘大數(shù)據(jù)不是件容易的事情，人工智能領(lǐng)域?qū)＜一驒C(jī)器學(xué)習(xí)專家將能夠?yàn)槠髽I(yè)提供更多的價(jià)值。
數(shù)據(jù)科學(xué)家只專注于數(shù)字和模式就能取得顯著成績(jī)的歲月已經(jīng)過(guò)去，他們需要結(jié)合機(jī)器學(xué)習(xí)，嘗試真正的算法來(lái)找到大多數(shù)經(jīng)驗(yàn)豐富的專家都錯(cuò)過(guò)的數(shù)據(jù)相關(guān)性。但大數(shù)據(jù)顧問Drew Conway做出了一個(gè)強(qiáng)有力的證明，機(jī)器學(xué)習(xí)作為一種工具可以提供一些有趣的答案，但這些答案需要滿足一個(gè)重要的條件。“你能以任何有意義的方式解釋這個(gè)結(jié)果嗎？”Conway說(shuō)。“我猜測(cè)也許不是。一個(gè)專業(yè)領(lǐng)域?qū)＜覍⒉坏貌豢茨莻€(gè)模型，并決定所選擇功能，以及傳遞的輸出和回歸系數(shù)，是否真正與訓(xùn)練集和測(cè)試集之外的樣本相關(guān)。這是專業(yè)領(lǐng)域的基礎(chǔ)知識(shí)。”
企業(yè)將需要建立一個(gè)團(tuán)隊(duì)，其中包括這兩個(gè)學(xué)科的專家。為了數(shù)據(jù)挖掘的準(zhǔn)確性，需要一位某個(gè)專業(yè)領(lǐng)域的專家來(lái)開發(fā)問題，然后依賴一個(gè)機(jī)器學(xué)習(xí)專家開發(fā)并且實(shí)施查詢或創(chuàng)建分析，然后才有兩個(gè)領(lǐng)域?qū)＜医Y(jié)合得出的正確結(jié)果。
舊酒裝新瓶
大分析不只是因?yàn)榇髷?shù)據(jù)時(shí)代的來(lái)臨企業(yè)才用于挖掘信息。“我們已經(jīng)看到客戶以全新的商業(yè)模式出現(xiàn)，他們使用與社交媒體相關(guān)的歷史數(shù)據(jù)集，這些曾經(jīng)是免費(fèi)的，現(xiàn)在他們把變現(xiàn)或定價(jià)，”英特爾的Girish Juneja在最近舊金山舉行的亞馬遜AWS峰會(huì)上說(shuō)。但是，新技術(shù)永遠(yuǎn)是洞察用戶行為最有力的工具，尤其移動(dòng)用戶更是一個(gè)特別需要培養(yǎng)的肥沃資源。“我們所看到的是，隨著越來(lái)越多應(yīng)用正在被移動(dòng)用戶推動(dòng)，正因如此生成的數(shù)據(jù)量越來(lái)越大。大部分?jǐn)?shù)據(jù)是被收集在云環(huán)境中，比如AWS。然后，新的商業(yè)模型正在利用這些數(shù)據(jù)，并基于這些數(shù)據(jù)提供新的服務(wù)。”
在大分析競(jìng)賽中先拔頭籌
企業(yè)都使用什么類型的工具來(lái)篩選他們的大數(shù)據(jù)，以發(fā)現(xiàn)一些大分析？亞馬遜的Elastic MapReduce一直是很受歡迎的選擇，它幫助客戶挖掘當(dāng)前未充分利用大數(shù)據(jù)源，然后利用BI展示。從幾年前就開始被經(jīng)常吹捧的一個(gè)的案例，Yelp開始整理其巨大的編輯日志文件，以尋找隱藏的關(guān)聯(lián)性。“他們通過(guò)分析這些數(shù)據(jù)找出的一件事情是，人們是通過(guò)移動(dòng)設(shè)備上訪問這個(gè)站點(diǎn)，”亞馬遜高級(jí)產(chǎn)品經(jīng)理John Einkauf在2014年舊金山舉行的AWS峰會(huì)上表示。“這已經(jīng)是幾年前的事情，那時(shí)候很多公司還不曾開始了解向移動(dòng)轉(zhuǎn)移。因此，他們?cè)谝苿?dòng)上做了很好的投資，為他們的服務(wù)取得了很好的流動(dòng)性。截至2013年1月，他們正為950萬(wàn)獨(dú)特移動(dòng)設(shè)備提供服務(wù)。這一切都?xì)w功于這個(gè)最初的洞察力，他們能夠分析出TB的日志數(shù)據(jù)。“識(shí)別數(shù)據(jù)的競(jìng)爭(zhēng)者是最近被忽略的，并創(chuàng)建一個(gè)策略來(lái)挖掘它。這些途徑和策略就能區(qū)分出市場(chǎng)領(lǐng)導(dǎo)者和競(jìng)爭(zhēng)失敗者。
生成正確的結(jié)果
進(jìn)行數(shù)據(jù)分析的另一個(gè)經(jīng)常尚未開發(fā)的數(shù)據(jù)源是社會(huì)渠道的非結(jié)構(gòu)化數(shù)據(jù)。處理非結(jié)構(gòu)化數(shù)據(jù)始終是一個(gè)巨大的挑戰(zhàn)，因?yàn)樵谂袛鄶?shù)據(jù)相關(guān)性方面非常困難，但盡管如此，非結(jié)構(gòu)化數(shù)據(jù)在商業(yè)智能和大數(shù)據(jù)分析領(lǐng)域越來(lái)越重要。那么，企業(yè)組織在非結(jié)構(gòu)化數(shù)據(jù)分析時(shí)如何濾掉干擾呢？大多數(shù)處理非結(jié)構(gòu)化文本策略包含一個(gè)反饋回路，用以隨著時(shí)間推移產(chǎn)生更多具有高度針對(duì)性的數(shù)據(jù)用于測(cè)試。從現(xiàn)有的社會(huì)資源收集然后可以變成可使用的社交媒體參與者，作為測(cè)試對(duì)象進(jìn)行實(shí)驗(yàn)。在企業(yè)層面，這可能意味著啟動(dòng)了提出問題，各種社會(huì)媒體宣傳，邀請(qǐng)解說(shuō)，或挑釁，然后可以測(cè)量和分析一些其他的回應(yīng)。這是一個(gè)費(fèi)時(shí)且高度復(fù)雜的過(guò)程，而是通過(guò)社交媒體獲得有意義的信息可以是金色的，當(dāng)涉及到了解客戶真正想要的。
D1Net評(píng)論：
在大數(shù)據(jù)分析的應(yīng)用中，具有諷刺意味的是，許多能夠使大分析更有效的解決方案，都需要收集和創(chuàng)造更多的數(shù)據(jù)。然而，與其被動(dòng)承受不如主動(dòng)出擊，企業(yè)能夠自己定位，從而利用隱藏在過(guò)去，現(xiàn)在和未來(lái)大數(shù)據(jù)的洞察力，由此可見，只有出動(dòng)出擊，才能出奇制勝。
京公網(wǎng)安備 11010502049343號(hào)