大数据时代,企业如何打好信息资源整合攻坚战
数据被认为是新时期的基础生活资料与市场要素,重要程度不亚于物质资产和人力资本。近年来,企业产生的数据量呈指数级增长,信息资源爆炸式激增,其中非结构化的数据信息达到85%左右,传统的信息资源管理技术已经无法应对大数据时代的挑战。Hadoop等大数据技术和其他大数据工具和设备的出现以及云计算数据处理与应用模式的广泛运用,为企业处理日益增长的海量非结构化数据提供了高效、可扩展的低成本解决方案,弥补了传统关系型数据库或数据仓库处理非结构化数据方面的不足,深化和拓展了企业商业智能和知识服务能力,形成了数据驱动的决策机制,提高了决策水平。
因此,大数据时代,企业应转变信息资源管理工作模式和利用方式,以价值创造为核心,以新一代信息技术深度应用为抓手,加强信息资源整合,精准、快速地提取增值性的有效信息,打响信息资源整合攻坚战。
大数据时代到来,企业发展机遇与挑战并存
(一)大数据掀起企业发展革新浪潮
大数据时代,数据逐渐变现为独特的流通货币。企业大数据的真正核心应用价值不在于数据本身,而是利用数据在企业内部驱动管理模式的转变、营销模式的创新和IT系统架构的变革等,通过大数据的运用,促使企业经营业务的顺利开展,为引导企业战略决策提供重要的依据。如:快速消费品行业通过大数据分析产品潜在购买关联;汽车研发企业通过分析车辆运行情况等大数据来优化用户体验;金融行业利用大数据评估个人信用风险等等。企业对于海量数据的深度挖掘和运用,将掀起新一波生产率增长和消费者盈余浪潮。
大数据驱动企业管理模式转变。大数据时代推动企业管理模式转变主要体现在“数据资产化”和“决策智能化”两个方面。第一,大数据时代,数据信息逐渐成为企业重要战略性资源,拥有的数据信息越多,能够挖掘分析获取的潜在价值就越丰富,信息化建设投资回报率就越大。因此,企业信息部门将逐渐由“成本中心”转变为“利润中心”。第二,有关数据显示,企业数据智能化程度提升10%可提高15%的产品和服务质量。大数据时代,企业可对大量的客户、业务、营销、竞争等多方面数据信息进行分析挖掘,提取有用价值信息,进行智能化决策分析,制定更加可靠的战略。因此,企业管理将通过决策智能化实现从“业务驱动”到“数据驱动”的转变。
大数据驱动企业营销模式创新。大数据时代,企业营销模式的创新主要体现在对消费者的需求预测和对产品的功能性验证两方面。企业在运用云平台模式的基础上,构建了畅通的用户行为和反馈的获取渠道,再引入Hadoop等轻量级、开源的大数据分析工具,通过大数据分析,深刻理解消费者的需求,拉近了与消费者的距离。在此基础上,创新企业营销模式,一方面,通过高效分析大量的消费使用信息做出消费需求的预判;一方面,通过用户行为监控,针对用户行为和需求反馈快速做出产品功能调整,实现产品功能商业价值存在与否的验证。
大数据驱动企业IT系统架构变革。IT系统是大数据的根基。现代企业IT系统架构模型多以Scale-UP为主,主要建立在IOE(IBM小型机、Oracle数据库、EMC存储)+Cisco模型基础上,能够适应既定模型下一定数据量的业务流程的要求。而大数据时代对企业IT系统的要求将会超越现有厂商架构的技术顶点,IT支出与数据信息的增长将呈现线性正相关。据赛迪顾问统计,各行业大数据IT投资规模在急速攀升,2012年投资规模超过4.5亿,2013年已达到10亿规模,有望在2016年突破百亿规模。企业面临成本、技术和商业模式的严峻挑战。目前,国产化热潮来袭,呈现出利用Scale-out架构+开源软件逐步替代现有系统架构的“去‘IOE’”的信息化建设趋势。
(二)大数据时代企业信息资源管理的难点
大数据时代,物联网、云计算、移动互联网等新一代信息技术在企业产品研发、客户关系管理、风险管理、供应链管理、决策支持等环节的应用逐步深入,具有“大量(Volume)、多样(Variety)、快速(Velocity)、价值(Value)”特性的信息被大量创造出来。这些信息资源在统一标准规范、实时精准管控和深层价值挖掘上难度较大,企业面临信息资源管理的巨大挑战。
结构复杂多样,统一标准规范难。大数据时代,信息资源在组织上表现为非线性化,超文本、超媒体信息逐渐成为主要的方式;同一服务器上的信息资源也可能在数据结构、字符集、处理方式等方面存在差异。大数据这一结构复杂多样的特性给信息资源统一标准和规范的建立带来麻烦,使得体量庞大的结构化和非结构化的信息资源处于无序组织状态。标准化、规范化企业信息资源是未来企业信息化建设的重点和难点之一。
动态性与交互性并存,实时精准管控难。大数据时代,互联网信息是企业信息资源的重要组成部分,丰富的网络信息资源为企业数据获取提供了便利,这些资源为企业进行大规模、精准化的消费者行为研究提供了机会,而互联网信息的动态性是显而易见的,具有很大的自由度和随意性。同时,交互性是网络信息传播的最大特点,互联网形成了企业与用户沟通的桥梁,企业和用户共同参与,使得信息双向流动。企业对自由灵活的且互动性强的信息资源实时精准控制难度越来越大。
数量庞大且内容多样,深层价值挖掘难。大数据时代企业信息资源包罗万象,一方面是与外部的客户、合作伙伴通过文本信息、社交网路、移动应用等形式进行互动时产生大量的数据;一方面,企业内部生产研发、综合办公、视频监控等日常经营管理活动产生的大量信息。这些信息资源在形式上表现为文本、图像、音频、视频等,是多媒体、多语种、多类型信息的混合体。研究表明,中国捕获和产生的数字信息量有望在2012年至2020年间增至8.5ZB,实现22倍的增长,或保持50%的年复合增长率。企业在PB级甚至EB级的数据中寻找相关信息无异于大海捞针,利用信息驱动决策的成本和复杂性与日俱增。
企业信息资源管理体系与信息技术发展不对称
(一)传统粗放式信息资源管理的整合度不高
企业信息资源长期处于粗放式管理状态。企业对内部产生和外部反馈的大量数据信息仅仅是存储下来,缺少信息的甄别、分类、整合和加工,很少利用信息进行管理决策,信息资源的利用率非常低。大多数企业缺乏有效的方法、手段和机制对信息资源进行管理,无法及时有效的对信息资源进行提取、集成和分析,整合度非常低。
(二)信息资源管理缺乏对大数据的深度认知
就企业而言,信息资源管理的核心目标就是确保信息资源的有效利用,做到正确决策。企业只有深度认知大数据特征以及大数据给企业信息资源管理带来的难点,才能有序组织和管理结构复杂、大量、实时且潜在价值高的数据信息,才能及时、准确地挖掘分析出海量数据信息的潜在价值,才能确保信息资源的有效利用。然而,多数企业在信息资源管理过程中,对大数据的认知还只留于表面,导致信息资源的有效利用率偏低。
(三)信息资源管理缺乏数据治理体系化建设
数据治理尚属比较新兴的、发展中的概念,随着“大(大数据)云(云计算)平(平台)移(移动互联网)”等新一代信息技术的飞速发展,对企业数据质量的要求越来越高,企业亟需数据治理(Data Governance)来输出规则的可信度高的数据。然而,目前国内大多数企业在数据治理方面还处于初级阶段,只是做了简单的数据质量检查、数据归档、数据安全等分散性的数据处理工作,没有形成数据治理方法论,数据作为企业核心资产来运作的理念尚未形成,完整的数据治理体系建设缺失。
大数据时代企业如何进行信息资源整合
(一)统一信息资源模式,强化数据标准建设
大数据时代,企业信息资源整合的关键是依托企业主数据管理(MDM,Master Data Management),强化数据标准化建设,实现信息资源模式的统一。企业主数据管理就是将企业的多个业务系统中整合最核心的、最需要共享的数据(主数据),集中进行数据的清洗和丰富,并且以服务的方式把统一的、完整的、准确的、具有共识性的主数据分发给企业内需要使用这些数据的应用。赛迪经略总结多年企业信息化规划经验,结合大数据时代企业信息资源管理的要求,提出了识别、诊断、规划、实施、维护5个阶段实现企业主数据管理的方法论。
(二)推进结构化和非结构化数据的融合发展
大数据时代,实现企业海量复杂数据信息的科学有效管理是保障大数据技术能够充分挖掘企业信息资源的潜在价值的前提。纸质信息与数字化的视频、音频、邮件、图片等非结构化数据在企业信息资源中的比重的逐步攀升,蕴含了丰富的潜在价值。这些非结构化数据的构造方法重复率高、冗余存储明显,且不同对象之间可能存在复杂的关系。然而,传统的面向对象的数据模型无法实现对非结构化数据的组织和管理。因此,企业需推进结构化和非结构化数据的融合式发展,将超文本、超媒体数据模型和面向对象数据模型进行融合,构建适合结构化和非结构数据统一组织和管理的数据模型。
(三)积极部署大数据应用,驱动信息资源的有效利用
大数据时代,企业信息资源整合的最终目标是利用大数据分析与挖掘技术实现信息资源的高效利用。应用系统是大数据的根基,企业应加大大数据技术的应用部署力度,综合运用云计算、分布式计算、数据交换、数据仓库、数据挖掘以及非结构化的数据处理等多层次的大数据技术搭建大数据平台。
(四)重视数据安全管理,确保大数据生态圈信息安全
大数据时代,信息系统之间互联是必然的,他们会形成一个息息相关的生态圈。在这一生态圈里,存储和管理的大量数据信息是企业市场竞争力的核心,需要对数据安全问题进行控制和管理。因此,企业在信息资源整合过程中应以数据安全管理为前提,需要与上下游企业以及安全管理机构、评测机构等第三方机构开展广泛合作,从企业管理制度、流程和技术手段等多方面协作确保大数据生态圈的数据信息安全。
数据分析咨询请扫描二维码
《Python数据分析极简入门》 第2节 2 Pandas数据类型 Pandas 有两种自己独有的基本数据结构。需要注意的是,它固然有着两种数据 ...
2024-11-01《Python数据分析极简入门》 第2节 1 Pandas简介 说好开始学Python,怎么到了Pandas? 前面说过,既然定义为极简入门,我们只抓 ...
2024-10-31在当今数据驱动的世界中,数据科学与工程专业的重要性愈发凸显。无论是推动技术进步,还是在商业决策中提供精准分析,这一专业都 ...
2024-10-30在当今信息爆炸的时代,数据已成为企业决策和战略制定的核心资源。爬虫工程师因此成为数据获取和挖掘的关键角色。本文将详细介绍 ...
2024-10-30在当今数据驱动的世界中,数据分析是揭示商业洞察和推动决策的核心力量。选择合适的数据分析工具对于数据专业人士而言至关重要。 ...
2024-10-30能源企业在全球经济和环境保护双重压力下,正面临前所未有的挑战与机遇。数字化转型作为应对这些挑战的关键手段,正在深刻变革传 ...
2024-10-30近年来,随着数据科学的逐步发展,Python语言的使用率也越来越高,不仅可以做数据处理,网页开发,更是数据科学、机器学习、深度 ...
2024-10-30大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-30《Python数据分析极简入门》 附:Anaconda安装教程 注:分Windows系统下安装和MacOS系统安装 1. Windows系统下安装 第一步清华大 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28