您是否有数据策略来实现更好的组织分析?

每个公司都在谈论分析,但是只有少数公司拥有简单的数据分析策略。

大数据分析,可行的见解和强大的结果是对数据分析程序的事实上的期望。您的数据策略是否可以调整以交付这些结果?

企业正在寻求复杂的分析技术和工具,以获取关于如何利用数据分析的蓝海的更深刻见解。本周在您的办公室听,您无疑会听到有关利用分析功能的窃窃私语。它可能不称为数据管理或大数据分析,并且问题可能更微妙,例如:

  • 我们如何发现对我们产品的新见解?
  • 哪些运营能力将提供最高的投资回报率?
  • 我们如何利用我们的数据生成更好的策略并以更高的信心执行?

经理和领导者都在寻找方法来挖掘企业的价值 大数据 分析。到底是什么 大数据分析策略?

全面的数据分析基础

根据世界一流的数据分析程序的构建块来设置框架。不一定是完美的。确定构成数据分析基础的关键组件:

  • 表示层:仪表板和工作流所在的位置
  • -数据处理和分析层:模式匹配,挖掘,预测建模,分类引擎和优化的基础
  • 数据存储和管理层:关系数据系统,可扩展的NoSQL数据存储和基于云的存储
  • 数据连接层:数据感测,数据提取和数据集成

分析框架也可以分为四个阶段:描述性,诊断性,预测性和规范性阶段。的 描述性的 阶段定义发生了什么。的 诊断 阶段确定了发生的原因。的 预测性的 阶段预测会发生什么。的 规定性的 阶段确定要采取的措施。这些阶段在一起可以帮助领导者对收到的问题进行分类。这些也可能突出功能缺陷。

大数据分析框架

数据分析中的框架为构建构想和提供大数据分析的全部价值提供了必要的支持结构。

您的框架是否防弹不重要?不,不是。框架必须提供一系列针对地面思维的指导原则。建立共同原则可以防止再次讨论相同的主题。

将数据分析框架视为大数据分析的本体方法。有一个 构架 那是 尤其有用-一年一度的企业和企业大数据分析世界锦标赛-强调以下内容:

  • 实用概念:预测未来结果,了解风险和不确定性,拥抱复杂性,识别异常情况,大胆思考
  • 职能:决定,获取,分析,组织,创建和交流
  • 分析应用:业务洞察力,情绪分析,风险建模,市场营销活动分析,交叉销售,数据集成,价格优化,性能优化,推荐引擎,欺诈检测,客户体验分析,客户流失分析,分层抽样,地理位置/位置的分析,库存管理和网络分析
  • 技能和技术理解:数据挖掘,统计, 学习,软件工程,Hadoop,MapReduce,HBase,Hive,Pig,Python,C / C +,SQL,计算线性代数,指标分析和分析工具(SAS,R,MATLAB)
  • 机器学习:机器学习工具,监督学习,蒙特卡洛技术,文本挖掘,NLP,文本分析,聚类技术,标记和回归分析
  • 程式设计:Python基础,R基础,R设置,向量,变量,因子,表达式,数组,列表和IBM SPSS
  • 数据可视化:直方图,树形图,散点图,列表图,空间宪章,勘测图,决策树,R中的数据探索以及多变量和双变量分析
  • 基本原理:矩阵和线性代数,关系代数,DB基础知识,OLAP,CAP定理,表格数据,数据框架和序列,多维数据模型,ETL以及报表与BI与分析
  • 数据技术:数据融合,数据集成,转换和充实,数据发现,数据格式,数据源和获取,无偏估计量,数据清理,规范化和处理缺失值
  • 大数据:设置Hadoop(IBM,Cloudera,Hortonworks),数据复制原理,名称和数据节点,Hadoop组件,MapReduce基础知识,Cassandra和MongoDB
  • 统计:方差分析,偏度,连续分布(正态,泊松,高斯),随机变量,贝叶斯定理,概率分布,百分位数和离群值,直方图和探索性数据分析

使用这11个镜头来定义您的数据分析策略。不幸的是,该框架无法取代一位了解如何成功执行这些程序的优秀领导者。但是,它将帮助引导正确的对话。

如果您的团队不太熟悉大数据分析的原理,请使用以下问题作为指导:

  1. 实用概念:我们要预测什么未来结果?
  2. 职能:我们是否具有成熟的数据分析请求的方法或流程?
  3. 分析应用:我们寻求产生哪些见解?
  4. 技能和技术理解:哪些技能和能力对于产生新的组织见解至关重要?
  5. 机器学习:哪些业务功能将从增强的机器学习功能中受益?
  6. 程式设计:在组织内部成熟的最重要的技术编程技能是什么?
  7. 数据可视化:哪种视觉表现形式可以做出最佳决策?
  8. 基本原理:哪一层具有最大的转换潜力-我们如何制定涉及表示,大数据处理,数据存储或数据连接层的决策?
  9. 数据技术:哪些数据转换技术对于将我们从数据转变为信息至关重要?
  10. 大数据:基于我们的业务 建筑,哪些技术组件是提供智能数据分析的基础?
  11. 统计:我们如何设想对数据进行分类和分析?

使您的数据策略可行

开发大数据程序的方法有数千种,但是衡量成功的方法只有一种:我们是否达到了预期的结果?

利用自上而下和自下而上的优势 相互作用 模型有助于锁定价值并防止泄漏。在制定可行的计划的过程中,请使用以下类别对想法进行分组。完成此练习后,将每个交互放置在y轴上。

  1. 总体策略:定义结果的值和类别
  2. 策略:阐明如何创造价值
  3. 测量计划:确定计划成功指标,KPI和用于跟踪计划的跟踪机制
  4. 分析工具:捕获预测模型以预测实验-主要用于执行相关分析-导致特定操作
  5. 优化机会:以最高的可能性最大化议程的投资以获得最大的成果

然后针对x轴列出三层方法:

  • 快速获胜:30天以内
  • 中级胜利:31至90天
  • 长期胜利:大于90天

结果是您的数据策略的图形视图。这种方法将帮助您的团队产生想法并确定交付的一般顺序,并以对该想法产生最大影响的想法为重。

成功的大数据分析程序的秘诀

不同的利益相关者将出于不同的原因使用您组织的数据。观点很重要。数据分析正在改变公司决策的方式。数据工程,领域专业知识和统计信息都可以在组织的数据科学学科中发挥作用。为了从大型数据集中提取最大的信息,理解数学技术等概念变得越来越重要。我们聘用的角色-即使是两年前-都不具备简洁地传达数据的显着特征所需的原始技能。

结合使用“大”数据和“小”数据为快速获胜奠定基础。当然,在阅读了有关特定主题的整本书之后,您会获得更多的见解,但通常甚至阅读一两个章节也可以提供实质性的见解。从很少的数据开始,然后构建 战略上 实现大数据分析成功。

版权© 2018 IDG通讯,Inc.