企业如何从大数据中获得价值?

大数据
大数据是有价值的,但这需要正确的策略和执行力。简单地说,为了获得适度的投资回报,必须利用和优化传统和大数据技术的组合,以取代日益陈旧老化的基础设施。

​大数据是每个业务主管心中的热门词汇,但他们如何从大数据中获得价值呢?

大数据是有价值的,但这需要正确的策略和执行力。简单地说,为了获得适度的投资回报,必须利用和优化传统和大数据技术的组合,以取代日益陈旧老化的基础设施。

当行业媒体越来越多在报道大数据的应用时,人们知道大数据已经成为主流应用。事实上,大数据已经具有更大的诱惑力。成功地管理和利用数据的爆炸,有利于促进业务的发展,增加的收入,提高竞争力,并改善用户体验。

然而,现实并不像宣传的那样美好。“如何真正从大数据中创造价值?”是一个需要回答的问题。而很多人在使用大数据技术的挫折感似乎在积聚,而且有幻想破灭的危险。

但事情并不一定要这样。驱动大数据的价值是有途径的,但必须面对现实,必须有条理。人们还必须首先认识到这些,实际上,大数据项目只有三种:

第一种只是专注于取代陈旧老化的传统基础设施。实际上,重新平台化一个环境,使其适合当今经济的目的——在这里称之为“改造”。

在第二种大数据项目中,企业认识到他们的传统数据仓库环境可能擅长报告和管理结构化数据,但在其他形式的数据以及最关键的分析(毕竟没有分析,那么如何实现所有数据的最优价值?)方面难以应对——在这里称之为“升级”。

第三种也是最后一种类型的大数据项目是企业决定通过盲目采用大数据技术来节省资金的项目——在这里称之为“冒险”选项。

但这是一个不受欢迎的事实。在这些大数据项目中,只有一个项目将在节省资金的同时提供报告和数据收集方面的新的灵活性。这些项目中只有一个项目会带来很高的投资回报。最后,一些项目可能是一个巨大的IT成本黑洞,它可能浪费数百万美元,并毁掉工作人员的职业生涯。

首先从“改头换面”开始。用大数据技术取代陈旧老化的基础设施是有充分理由的。假设在4年前购买了一堆数据仓库设备,那么现在是回顾的时候了。

在过去的几年里,很多企业知道他们想要利用更多的分析,在降低成本的同时反应更快。如何做到这一点?可以部署一种混合方法,对基础设施的一部分使用传统数据仓库技术的新版本,对其余部分使用“大数据”技术,例如Hadoop。

这种做法是合乎逻辑的,很可能会成功。要想成功地创造出最大价值,有一个秘诀就是要有允许创新、测试和探索的多个环境。其中一个相当大的区域分配给数据科学家。对于那些升级其传统架构(但购买较少)并添加Hadoop和相关技术的企业来说,采用这种方法可以满足他们当前和未来的需求,节省成本并提高性能。这样做的投资回报率中将会提高,并且估值时间合理。

现在了解“升级”选项。在这种情况下,该公司在采用分析技术方面更为先进。他们的传统环境可能运行得很好,但他们意识到,他们正在错过利用大数据和相关技术从新型数据和分析中实现价值的机会。对于一些企业来说,增加Hadoop环境和分析环境将给他们带来最大的价值。

有些这样的项目在12个月内就能实现600%到3200%的投资回报率。然而,成功的关键在于,企业不仅准备好收集和存储大数据,而且准备好对结果进行操作。以下了解一个极端的例子。

一家拥有数十亿行数据的大型营销公司创建了一个包含数据库内分析的庞大分析环境。他们的内部业务案例表明,12个月的投资回报率为3200%。

他们列出了许多原因,但主要的驱动因素是他们的数据科学家可以在给定的时间内构建10倍的模型。至关重要的是,营销团队已经做好准备,在分析结果出来后立即改变现有的程序并运行新的程序。在他们的案例中,改变一些模型的过程从几天到几分钟。这类企业才是真正从大数据革命中受益的公司。他们以一个明确的目标开始他们的项目,并根据结果采取行动。

最后着眼于“冒险”选项。好在这种情况并不常见,但确实存在。这句话很常见。人们必须让一些大数据项目到位!将采用所有这些免费的开源技术,将其放在云端,并大幅精简员工,并且可以省下很多成本。但这不会发生。要想让这些企业有希望通过大数据获得利,他们需要做好一些准备。

一个是基于业务需求和交付的操作能力清楚地了解技术的最佳组合。如果是一家大规模的企业,不能把所有的技术都迁移到云端,然后采用100%的开源软件。与其相反,需要基于业务需求和业务能力的组合来优化他们的环境,以根据结果进行操作。

这些公司还需要对他们期望的结果有一个清晰的愿景,以及非常优秀的IT项目经理。然而,成功的“必备条件”清单是繁重的。因此,其结果往往是花费了大量的资金,遭受了大量的破坏,企业会发现自己回到了开始的地方。

大数据是有价值的。但这需要正确的策略和执行力。简单地说,为了获得适度的投资回报,企业必须利用和优化传统和大数据技术的组合,以取陈旧老化的基础设施。

然后,为了获得较高的投资回报,可以在大数据上运行分析(在传统和/或Hadoop环境上),但要确保可以对结果进行操作。千万不要选择“冒险”选项,因为这条路充满了失败的部署和挑战。​

责任编辑:华轩 来源: 机房360
相关推荐

2017-01-04 16:01:44

数据科学机器学习数据

2017-01-05 19:52:33

大数据企业应用

2015-04-02 10:17:14

安全信息事件管理

2013-03-20 10:40:19

大数据大数据应用

2013-04-19 10:58:33

大数据大数据全球技术峰会

2013-04-01 11:14:56

IT大数据网络信息化

2022-10-28 15:22:06

大数据算法人工智能

2018-03-28 17:16:09

大数据

2017-11-28 17:41:39

大数据

2019-10-25 10:56:55

云计算云安全IT

2015-01-13 16:26:05

大数据Informatica

2017-10-25 16:52:47

大数据数据资金

2017-10-24 13:14:00

大数据数据科学数据分析

2018-08-07 10:46:29

华云数据

2015-11-27 14:38:46

中国软件资讯网

2022-06-27 10:41:46

交通领域物联网大数据

2020-05-19 10:02:20

物联网数据分析IOT

2013-10-21 10:54:05

微软大数据SQL Server

2013-03-11 09:55:52

大数据中数据
点赞
收藏

51CTO技术栈公众号