美国数据科学家:产业化的大数据分析如何实现?

企业动态
尽管大数据已成为热门话题,但很多企业并不知道如何正确地步入大数据的怀抱,特别是对于很多中小企业,没有大笔资金以及人力的它们更是手足无措。与此同时,企业在谈到大数据和分析的时候,常常考虑的切实问题是如何从数据当中获得更多的价值,特别是对于拥有不同数据的行业客户而言,其最关心的是如何从数据中提取价值,并驱动其基于业务而非IT进行分析。

    尽管大数据已成为热门话题,但很多企业并不知道如何正确地步入大数据的怀抱,特别是对于很多中小企业,没有大笔资金以及人力的它们更是手足无措。与此同时,企业在谈到大数据和分析的时候,常常考虑的切实问题是如何从数据当中获得更多的价值,特别是对于拥有不同数据的行业客户而言,其最关心的是如何从数据中提取价值,并驱动其基于业务而非IT进行分析。
    近日,美国数据科学家、Taste Analytics创始人及CEO汪晓宇博士表示,无论是大型企业还是中小企业,其面临的困境都大同小异:一是正确的认识大数据和分析,二是企业如何简便地参与进来。
 

[[159736]]
Taste Analytics创始人及CEO汪晓宇博士

 

原始数据需要架构
    在汪晓宇看来,很多企业特别是大型企业所蕴藏的数据量惊人,但数据分析的关注重点并不是对体量的研究,而是聚焦在数据所产生的价值。
    “有些原始数据实际上非常复杂,包括结构化数据、非结构化数据、半结构化数据,如果仅是原始数据,即一堆杂乱无章的信息,大数据带来的实际意义并不大。”汪晓宇表示,企业必须对数据进行架构,找出其中的价值。
    除此之外,对于数据本身而言,因为数据获取渠道很多,所以会遭遇很多问题,包括这些数据是否真实,是否完整,是否有冲突,是否存在不确定性等,这都需要一一确认。
    同时,企业还需要考虑数据的同理化和社会化,毕竟数据来源不同,但企业需要用一体化的建模方式对待数据、分析数据,这样才能使最终用户得到有价值的产品或信息。

大数据分析不仅是科学而是艺术
    跨过原始数据的障碍后,在数据分析部分,仅在最开始数据清洗环节便面临不小的挑战。如果手动地进行信息处理,有报告指出,光是数据清洗就将耗费分析师超过80%的时间。
    汪晓宇表示,在这个过程中,业界有种声音是通过机器学习进行分析建模,这样尽管能解决部分问题,但因为机器学习算法可能非常僵硬、晦涩,分析容易受限并忽略整体情况,缺乏了人类的智能,而这样的结果并不能发挥出数据的真正意义。
    所以在汪晓宇看来,大数据分析与其说是科学(计算模型),还不如说是艺术(需要人类分析的智能)。
    一个著名的人机智能PK案例是,1997年国际象棋冠军Garry Kasparov和深蓝(计算机)大战,***败给深蓝。但在2005年的人工智能和“增强智能”(Augmented Intelligence)的大战中,“增强智能”优势体现出来了,一位大师利用1套象棋程序打败了象棋计算机Hydra。
    “如果拥有人工智能,或得到计算机辅助,作为人的我们就可以进行更好的协作,并得出更好的决策。所以在大数据分析中,以人为中心的转变,应从数据操作转移到决策本身。”汪晓宇表示。
 
B2B模式应由业务而非IT驱动
    在大数据及分析的过程中,人成为核心,并应将关注点转移到决策部分。那么对于企业,如何得到这样符合商业要求的分析结果,从而配合人的决策实现“增强智能”呢?
    汪晓宇表示,现在Taste Analytics已经有简便的方式向企业提供所需的数据。他表示,可以在采用虚拟化技术的基础上,通过三方面助力企业进入大数据。
    一是分析工具的采用,使得企业不用亲自去完成所有的数据清洗等过程。同时考虑到B2B的商业模式应该由业务驱动而非IT,所以可以在业务环境中部署分析工具,从而实现企业运转的灵活及敏捷性。
    二是提供按需的数据,企业无需如过去一样耗费很大精力建立数据之间的相关性,而是由平台提供相关任务的数据。
    三是以用户为中心的分析,决策者通过正确的提问,并可以得到与其业务环境相关的回答。
    目前Taste Analytics正在这么做,以使得分析结果符合客户的商业需求,同时“面向不同的客户提供不同的工具,只有这样才能帮助客户在各异的行业中发掘洞察。”
    汪晓宇强调,在未来企业的B2B商业模式中,业务增长是关键,而基于大数据的业务分析正符合了时代需求,同时通过人类和计算机的互动,使得围绕最终用户的商业分析成为可能。

(更多资讯请关注硅谷B2B自媒体“TA赫兹”,微信号:tahezi,二维码如下)

 

责任编辑:wangpeng 来源: Taste Analytics
相关推荐

2015-10-08 10:09:42

2015-10-16 09:44:51

2017-03-07 10:37:05

非数据数据分析

2020-12-09 06:25:19

ETL数据分析数据科学家

2017-08-04 15:53:10

大数据真伪数据科学家

2018-08-19 15:39:56

数据分析数据科学数据工程师

2015-07-28 17:00:30

2018-02-28 15:03:03

数据科学家数据分析职业

2012-03-16 13:12:06

2013-11-12 09:27:01

大数据科学家大数据

2019-08-13 21:44:46

数据科学家数据分析师数据

2012-12-24 09:54:06

大数据数据科学家

2015-08-28 09:22:07

数据科学

2012-12-26 10:51:20

数据科学家

2023-03-20 13:39:00

数据分析开源

2018-12-24 08:37:44

数据科学家数据模型

2020-07-30 23:25:07

数据分析师数据科学家职位

2020-06-15 15:43:23

数据科学家数据分析师数据科学

2013-05-10 09:28:14

大数据数据科学家SAS

2016-08-17 09:50:27

大数据数据科学家
点赞
收藏

51CTO技术栈公众号