大数据时代:大数据企业的七大原则
大数据时代,你准备好用数据驱策公司了吗?这并不是一项简单的任务,迅速吸收、整合与分析数据的能力缺一不可,而数据又来自内部原有的数据以及未来源源不绝诞生的海量数据,最终你必须把数据转化成「洞见(insights)」,并且依此为本,能在各种状况采取最适当的解决方案。法国凯捷(Capgemini)管理顾问公司「洞见与数据」副总裁 Jeff Hunter 表示,他们调查了 1000 名企业高层,整理出七项企业转型成「数据为本」的过程中,所需遵循的七大原则。
原则 1:从原有的业务与技术中开始着手
想要转型成以数据为本的公司,首先一定得先确认业务目标,接着便能规划战略蓝图,运用新的数据来源,达成你所设定的目标。数据成熟度(data maturity)与技术两者双管齐下的起点,将决定未来整趟旅程的行进过程。Hunter 表示:「若能适当的部署业务与技术,就可以堪屎系统性地开展业务流程与商业模式,并且明辨哪些质化元素能被量化元素取代。」
原则 2:从相互连结的物联网中建造数据景观
「物联网」的实现近在咫尺,而且已经产生(而且会持续产生)史无前例的巨大数据。「存活超过 20 年的企业,近来不断设法制定企业数据策略,因为他们里头有数不清的数据市集(data marts)和数据孤岛(data silos)」Hunter 说。尽管公司组织努力解决数据孤岛的问题,但是宛如瀑布般倾泻而下的数据,只会一再造出新的孤岛,除非你的环境已经准备好应付那些海量数据,毕竟现在数据量产生的速度,远超 20 年前我们所习惯的步调。不过幸好,大数据热潮孕育了许多可以协助大企业管理笨重数据负担的新技术,因此能否好好善用那些新技术,把数据转化成真正的业务需求,是企业在形塑数据景观时不可或缺的原则。
原则 3:建立数据科学与分析的文化
想靠「数据」发威,光有技术不够,还得建立一个理解数据、而且懂得利用数据的文化,两者缺一不可,文化甚至更加重要。「对我们来说,『懂数据』不再只是副产品,而是重要的资产,你要培养『这是一种资产』的心态,你要知道,数据有可能帮你重整业务流程或挖掘出新的收入来源。」因此,数据科学不该只是几个人的职责,必须灌输到整间企业的全体成员身上,让所有的决策都变得更明智。
原则 4:从小做起,不断迭代
我们可以预期使用者对于资讯与数据洞见的需求会愈来愈多,这表示他们要能随时随地获取这些资讯。这不是一件容易的事情,但是企业可以先从「小事」做起,找到一个可以从数据中直接受益的业务目标,接着反覆改善(iterate),让团队不断汲取经验,最终能以数据洞悉、解决业务问题,「这个过程可以持续复制、重复消耗,」Hunter 强调,Capgemini 针对技术、人才与分析的投资,总是能被客户一再使用。
原则 5:用数据科学丈量数据科学的成败
要让数据当个称职的主角,你得采用数据科学的方法来判断数据科学是否成功,这不是什麽跳针的玩笑话。随着你的企业从数据洞见取得的营收愈来愈多,你得要能辨析数据政策是否产生重要的改变,要发展一套尺度用衡量成败。「我们怎麽丈量成功或失败?『洞察』就是我们最重视也最关键的 KPI。」
原则 6:数据的安全与隐私至高无上
只靠直觉行事很糟,但未经筛选、从良莠不齐或不可靠的数据中采集作为决策考量,更糟。倘若你无法处理数据安全以及尊重隐私,将会导致企业暴露在险境之中。「维护数据资产的安全与隐私,是最基本的要务,我们总是尽己所能管理数据。」Hunter 强调,无论数据产生的速度多快,都不能轻忽契约或有违反法律的情事。
原则 7:赋予成员洞察「作用点」的力量
唯有公司内部的成员面对数据洞见时能够迅速产生反应,数据才有价值。这些洞见在「作用点(point of action)」上必须有所区隔,比方说,如果现阶段的目标是优化购物车,反应够快的人就会想到可以在交易完结之前,提供消费者某些推荐商品。Hunter 以机械操作员来比喻,就是要让他们能够预测钻头何时可能会损坏。建立数据为本的心态,而且懂得因事制宜,方能抢在事情发生之前预做准备。
数据分析咨询请扫描二维码
数据分析需要学习的内容非常广泛,涵盖了从理论知识到实际技能的多个方面。以下是数据分析所需学习的主要内容: 数学和统计学 ...
2024-11-24数据分析师需要具备一系列多方面的技能和能力,以应对复杂的数据分析任务和业务需求。以下是数据分析师所需的主要能力: 统计 ...
2024-11-24数据分析师需要学习的课程内容非常广泛,涵盖了从基础理论到实际应用的多个方面。以下是根据我搜索到的资料整理出的数据分析师需 ...
2024-11-24《Python数据分析极简入门》 第2节 6 Pandas合并连接 在pandas中,有多种方法可以合并和拼接数据。常见的方法包括append()、conc ...
2024-11-24《Python数据分析极简入门》 第2节 5 Pandas数学计算 importpandasaspdd=np.array([[81,&n ...
2024-11-23数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21