目前,大量企业拥有海量的客户信息,包括在线交易记录及社交媒体数据等。但是,成功的关键是要能够从不同渠道和来源的数据中洞察价值,而具备收集并分析这些数据能力的企业将在竞争中拥有显著优势。
但是,数据的非结构化已经成为企业的重大挑战。企业已经熟悉收集和分析结构化数据,如传统的销售年报信息。目前,许多企业都困惑于如何收集和分 析更多类型的多结构化数据,如网络日志、无线电射频识别(RFID)、传感器网络、社交网络、互联网文本和文件、互联网搜索索引、详细通话记录、医疗记 录、摄影档案、视频档案以及电子商务交易数据等。
由于这些数据的结构问题及大数据类型的复杂关联,导致无法应用现有的传统技巧进行大数据分析。这为企业带来了新的任务,需要开发一套全新方法,不仅能够处理传统数据,而且可以便捷地分析和应用这些新兴数据,而不是仅仅进行储存。
迷思一:大数据是针对数据量和数据增长量而言
这种说法并不完全正确。的确,大数据包括海量的以指数速度增长的传统业务数据,也包括web应用、传感器网络、社交网络、基因组、视频、照片等新渠道生成的各种数据。同时,大数据还很复杂,进行收集、储存、管理和分析的难度极大。
目前,两种类型的数据都在不断增长。据IDC集团出版的《2011年十大预测》报告称:“企业正被淹没在信息海洋里,却仍渴望获得更多信息,这 也为大数据分析和管理带来了巨大机遇。”该报告指出,企业的愿望终将实现。“全球数据总量(digital universe)将扩张近50%,达到约1.8 泽它字节(约合2万亿Gb)。作为参考,专家们预计1泽它字节相当于长度高达3600万年高清视频文件产生的数据量。”
迷思二:企业应淘汰并更换现有分析系统以应对大数据时代到来
错误,没有必要!建立大数据分析能力需要人才、流程和技术的完美组合。如果企业尚未发掘现有商业智能环境的价值,在启用大数据分析平台前需率先 解决该问题。当传统业务数据分析被赋予大数据的视野,才能实现大数据分析的真正价值,带来透明和全面的业务观点,从而创造出业务迅猛发展的机会。
首先,企业应制定计划,明确应用大数据分析要达成的业务目标。依据这些目标,企业应部署适用的硬件和软件以应对挑战。根据一线员工的需求部署商 业智能解决方案,帮助他们做出最佳决策。在采用正确的技术支持后,企业用户和数据科学家能够迅速收集和分析新的数据源,发掘业务需要的洞察力。
迷思三:大数据只对谷歌、Facebook和亚马逊这样的高科技公司才有意义
无论是互联网公司、财富500强、或者小型企业,都与大数据的爆炸式增长息息相关。无论所在行业或企业规模,数据分析已经成为当前重要的业务需 求。现今,在企业运营中若无法从业务数据中获得真正的洞察,是绝不可行。全球主要市场的企业正在实现新一代高级分析应用的转型,通过全新方式应用海量的传 统数据和新型数据,提供更深入、更智慧的洞察力。而且,企业的竞争优势取决于在商业环境中管理和分析所有关键数据的能力,以及帮助企业做出最佳决策的洞察 力。
迷思四:数据科学家和大数据分析是2012年的IT界时尚
大数据分析绝非一时狂热,这点毋庸置疑。正如O’Reilly Media创始人Tim O’Reilly所言:“我们正在开创迷人的数据驱动应用新世界,这是一个任由我们塑造的世界​​。”目前,数据科学家已经成为独立的职业,奋战在塑造这 个商业新世界的最前线,精通数据的专家将成为新时代中的重要成员。
数据科学家必须对数据充满好奇,拥有专心钻研的态度,积极进取并善于批判性思考。他们具有对业务流程的深刻理解,同时融合数学、统计学,以及使用Excel、SQL和分析工作台等技能。目前,市场对拥有技术能力及商业意识的专业人才需求量巨大。
迷思五:大数据的价值取决于Hadoop及同类软件的技术处理能力
没有任何单一技术能够满足所有需求。根据企业努力解决的业务问题,建立大数据分析能力需要人才、流程和各种技术的完美组合,而最关键的是释放这些数据的商业价值。这将需要复杂的分析应用,其中包括数字营销优化、欺诈侦测和预防,以及和社交网络分析等。
Hadoop在大数据技术库中拥有一定价值及重要位置。Hadoop既是框架,更是实现多结构数据过滤、转化及整合的优异平台,类似于未搭载引擎或车身的跑车底盘。采用这种架构,Hadoop可以支持迭代及实时数据探索和分析,快速发现新数据及数据的变化模式。
成功的关键
成功的关键在于能够整合企业既有传统业务数据和新型数据。通过开放访问整个企业生态系统并整合各种来源的数据,企业可以应用大数据分析对客户进行超级全面的分析,进一步改善客户服务和销售业绩。