盘点大数据商业智能的十大戒律
如今,各路企业和组织都不再使用上一代架构来存储大数据。既然如此,为什么还要使用上一代商业智能(BI)工具来进行大数据分析呢?在为企业选择BI工具时,应该遵守以下“十诫”。
第一诫:不要转移大数据
转移大数据代价高昂:毕竟,大数据很“大”,如果打包转移,负担太重。不要将数据提取出来,做成数据集市和数据立方,因为“提取”就意味着转移,会在维护、网络性能附加处理器方面造成纷乱庞杂的问题,出现两个逻辑上相同的备份。让BI深入更底层运行数据就是大数据萌发的最初动力。
第二诫:不要偷盗!或者说不要违反企业安全政策
安全并非可有可无。不幸的是,数据泄露事件频繁发生,这表明实现安全并非易事。要选择能够利用现有安全模型的BI工具。依靠Ranger、Sentry、Knox等综合性安全系统,大数据可以使实现数据安全变得更加容易,现在就连Mongo数据库都有了令人惊叹的安全架构。所有那些模型都允许你插入权限、将用户信息一路传播到应用层、实施可视化的授权和提供与该授权相关的数据志。记住了,安全即服务。
第三诫:不要按照用户数和数据量付费
大数据的一个主要好处在于,如果做好了,它就能实现极高的性价比。把5PB数据存储到Oracle可能会让你倾家荡产,但存储到大数据系统则不会。尽管如此,在付钱购买之前,应该警惕某些价格陷阱。有些BI应用按照数据量或者索引数据量向用户收费。千万当心!数据量和大数据使用量出现指数式增长是再平常不过的事情,我们的客户曾目睹其访问量在短短几个月时间里从数百亿次猛增到数千亿次,用户数扩大50倍。这是大数据系统的另一个好处:渐进式可扩展性。不要被低价所迷惑,去购买一种会对企业增长征收“高税”的BI工具。
第四诫:要贪大胆借鉴别人的可视图
分享静态图表?这些我们已经做过了,无论是PDF文档、PNG图片还是电邮附件里,到处都在传播静态图表。但对于大数据和BI,静态图表还远远不够:你拥有的一切无非都是些漂亮的图片罢了。你应该让任何人都能够随心所欲地与你的数据进行交互。应该把可视化看作是驾驭数据的交互式路线图。为什么要闭门造车呢?将交互式可视化手段公之于众只是第一步。看看Github的模式就知道。与其说“这是我的最终发布产品”,不如说“这是一幅可视图,复制下来,分解它,我就是从中得到那些见解,看看它还能用于其他哪些领域”。这会其他人从你的见解中学到有用的东西。
第五诫:要分析天然形态的数据
大数据是“非结构化”的,这样的说法我们已经听过太多太多。其实不然。财务和传感器会产生大量的键值对。JSON(可能是当下最流行的数据格式)可以是半结构化、多结构化等等,Mongo数据库对这种数据格式下了重注。JSON具有好处理和可规模化的优点,但如果把它转换成表格,表达力就会丢失。很多大数据仍然被制成表格,通常拥有数千栏。你不得不为所有的值寻找关系:“在那种情况下……从这里选择这个”。扁平化会毁掉原始结构中所表达的重要关系。远离那些对你说“请把数据转换成表格,因为我们一直都这么干”的BI解决方案。
第六诫:不要无限期地等待结果
在2016年,我们预计数据处理速度将会变得快起来。一个典型方法是联机分析处理(OLAP)立方,本质上就是把数据转移到预计算缓存,从而加快处理速度。问题在于,你必须提取和转移数据(请看第一诫),以便建造数据立方,然后才能加快速度。现在,这种方法能够在一定的数据规模下良好运转,但如果临时表格过于庞大,你的笔记本电脑在试图将表格本地化的时候就会崩溃。当你提取新数据重建缓存时,新数据的分析就会中途停下来。此外还要注意样本问题,你可能会得到一个看起来不错、效果很好的可视图,但最后却发现全不对路,而问题就出在缺少大局观。要选择那些能便捷地不断调整数据的BI工具。
第七诫:不要制作报告,而要打造应用
在很长一段时间里,“获得数据”意味着获得报告。在大数据时代,BI用户希望从多个来源获得异步数据,这样他们就不需要刷新任何东西,就好像浏览器和移动设备上运行的其他各种东西。用户希望和可视元素进行交互,得到他们正在寻找的答案,而不是对你已经提供给他们的结果进行交叉过滤。Rails等框架使打造Web应用变得更加简单。为什么不对BI应用做同样的事情呢?没理由不对这些应用、应用程序接口(API)、模板、可重用性等等采取类似的做法。现在是时候通过现代Web应用开发的透镜来看待BI。
第八诫:要利用智能工具
在提供基于数据的可视图方面,BI工具已经证明了自己的能力。现在则轮到在模型和缓存的自动维护上下功夫,这样一来,终端用户就不必操这个心了。在庞大的数据规模下,自动维护几乎是不可或缺的,我们可以从用户和数据与可视图的交互中获得大量信息,现代工具应该使用这些信息来对数据网络效应加以利用。另外,要选择那些内置全面搜索能力的工具,因为我曾见过有些客户拥有成千上万的可视图。你需要一种迅速查找的方法,在网络的长年熏陶之下,我们已经习惯了搜索,而不是翻找菜单。
第九诫:要超越基本范畴
如今的大数据系统因为预测分析能力而著称。相关性、预测和其他功能使企业用户比以往任何时候都能更便捷地进行高级分析。不需要编程经验就能处理大数据的可视化技术让分析师如有神助,超越了基本分析的范畴。为了实现其真正的潜力,大数据不应该依赖于每个人都变成R预言程序员。人类非常善于处理可视化信息,我们必须更加努力地将可视化信息呈现在人们眼前。
第十诫:不要只是站在数据湖边,等着数据科学家来干活儿
不管你是把大数据当成数据湖还是企业数据中心,Hadoop已经改变了数据的处理速度和存储成本,我们每天都在创造更多的数据。但在真正利用大数据为企业用户服务方面,常常存在一种“只写系统”——创造数据的人很多,但利用数据的人却很少。
其实,用Hadoop里的数据可以为企业用户解答数不清的问题。BI讲究的是打造数据可视化应用,为日常决策提供支持。企业里的每个人都希望做出数据驱动的决策。把大数据能够解答的所有问题局限于需要数据科学家来处理的问题,这是奇耻大辱。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14