數據分析廠商Emcien的CEO和聯合創始人RadhikaSubramanian認為，大數據分析的應用場景似乎和數據本身一樣沒有窮盡，然而尋找適當的方法來呈現數據分析結果仍具挑戰。大多數用戶并沒有時間來瀏覽海量數據。能夠從靜態數據中預測大數據分析用例并提供可供消費的數據流，其重要性日益增長。為此，我們對Radhika Subramanian進行了專訪，一起探討了大數據分析與數據科學的相關話題。
您在BigData Tech Con上談到了一個新興的職位，也就是您所說的“數據大廚data chef”。這個概念該如何理解?他們要如何才能融入企業開發團隊呢?
Radhika Subramanian：企業一直在詢問大數據到底是什么以及如何才能利用它。數據大廚提出大數據分析要使用“食材”和“食譜”。這讓我們避開了生澀的原材料而直接帶入了可以很容易理解的最終結果——這便是數據大廚的價值所在。數據科學家正在構建一套工具集并且這些工具會變得標準化。我們需要具有專業技能的人，他們懂得特定類型數據意味著什么，以及如何使用這些工具。這些人將會創造出可交付的成果。他們站在終端用戶知識和數據科學的十字路口。他們并不需要了解如何制造新的工具，他們只需要使用已有工具來讓數據變成可消費品。
人們上下求索通過大數據來努力洞悉業務。而一大堆的數字卻讓人望而卻步。我們需要一種可消費的方法來讓結果變得有意義。我們需要知道那些數字究竟意味著什么。我們需要知道如何基于那些數字來做出更好的決策。而且這些都是非常依賴上下文環境的。因此這些工具并不能完全靠它們自己來做到這一切。那些知道如何使用這些工具的人正是我們所需要的，也就是我所說的“數據大廚”。
那么數據大廚應該熟悉什么樣的工具、技術和方案呢?
Radhika Subramanian：重要的工具非常多，最基本的當然是存儲。這就像你的儲藏室，儲備著原始食材——數據。一個廚師要讓食材保持新鮮，而一個數據大廚則需要讓原始數據保持正確。
在這之后，廚師有著一堆設備和餐具來制備和烹飪食材。而數據大廚則擁有數據分析工具。這些是最為重要的部分，這也是大部分工作得以完成的環節所在。
接著食物必須裝盤。我們并不想讓廚師將食物以任何陳舊老套的方式加以呈現，它應該有著不錯的賣相。這也是我們對數據大廚可視化層面的需求。要么將圖表和圖形在儀表盤中結合起來以供直接消費，要么將數據打包并將其正確格式化以供給某些下游引擎。
與圖形分析相伴的機器學習是另一個重要的組成部分。這些工具是用來建立數據間連接的。關于了解原始數據間建立什么樣的聯系以及如何建立聯系，還有一些其他的原始數據工具，而且如果你了解整個堆棧，你就可以構建一個可消費的終端產品。
能不能給我們舉個具體例子?
Radhika Subramanian：Amazon的推薦引擎就是非常好的例子。它是作用在銷售數據上的，并且會基于那些購買歷史和當前用戶相似的用戶來進行推薦。但是它并不直接將數據呈現給客戶。它將其進行存儲并處理，接著當客戶與網站進行交互的時候，網站就會根據用戶的購買歷史并參考推薦數據在適當的時機將精美的廣告推送給用戶。
類似的事情同樣出現在醫院物聯網。所有的醫療設備都接入了互聯網。系統收集并分析大量數據，但是它并沒有將其推送到某個集中儀表盤。相反的是，當某個特定的燈泡開始閃爍，系統會向維護部門發出警報。而維護部門并不在乎100枚燈泡中的99枚是否工作正常。他們只想知道哪些才是需要引起關注的。
這兩個例子就是數據的用例或是一個方案，是數據到達終端用戶所采用的路徑，它是非常重要的部分。
我們要如何才能從定制化的解決方案轉換為兼具健壯性和可復用性的解決方案?
Radhika Subramanian：這個問題很好。我們越來越抵觸到處都是可定制的法拉利汽車。我們想要的是每五分鐘就能生產出一輛汽車的福特制造工廠。我們沒有足夠的數據專家來為每家企業量身打造工具。但是我們并不需要這樣。數據專家可以設計出通用工具。
在廚房里，我們并沒有太多不同型號的器具。但是我們有著成千上萬大廚可以用那些器具創造出豐富多彩的東西。就像你并不需要了解要如何制造一臺電腦并用其做有價值的工作，大數據也是同樣的道理
每家企業都有大量數據，這樣也就有了大量所謂的食材。如果他們擁有大量廚師，那么他們就可以發現大量大數據分析用例。
企業已經有了ERP，CRM等等系統，而且所有這些系統都在不斷反饋著數據。如今，有必要讓人們對數據有一個足夠的認識，并且在他們各自的領域找出用例來對數據進行分析。而管理人員將通過他們需要的關鍵數據來做出決策。他們并不需要對所有客戶都細致入微，面面俱到。相反，他們只需要關注那些最為關鍵的和那些基于特定商業原因需要關注的客戶。我們正在朝著數據驅動型企業的方向堅定前行。
京公網安備 11010502049343號