数据治理-数据生命周期管理-大数据分析与使用

数据分析与应用的策略

        大数据建设的目的在于分析与应用,只有进行分析与应用,才能够体现大数据的价值,企业应该以下角度,明确大数据的分析与应用的相关策略
1. 大数据分析与应用的方向

        大数据分析与应用一般可以分为两个方向
– 业务驱动:以业务需求为导向的数据分析与应用。根据业务发展要求提出数据分析与应用的需求。业务人员明确分析的目标,数据分析人员根据该目标,进行统计、分析、数据建模等工作,形成分析结果或数据模型,技术开发人员结合业务需求和数据分析结果开发应用软件。
– 数据驱动:从数据出发,发现数据价值,推广到应用。数据分析人员对数据进行研究,发现数据间的关联关系,提出新发现的业务分析方向和应用方向,并提供给业务部门。

         在实际应用的过程中,往往两种方式相结合:数据部门在处理业务部门提出的需求中,往往会有更深一步的数据探索;而业务部门基于数据分析的结果,往往调整分析目标,并提出进一步分析的需求。
        在数据分析与应用成熟度较低的企业中,业务部门提出数据分析与应用的需求往往不能聚焦,在数据分析资源有限到情况下,数据分析部门应该优先承接对于业务部门的关键绩效指标直接相关的数据分析与应用需求,分析与应用的成效也应以是提升了业务部门的KPI为导向。
2. 数据分析方法论

        从企业的应用的角度来看,数据分析建议从一下子的角度进行考虑
– 数据分析的应用领域:如果数据分析的目的,仅仅是应用于操作级的决策,例如某超市决定今天将哪两种商品放在同一个货架上进行销售,可以仅通过大数据的浅du统计分析,找出数据间的关联性,即可以进行应用,但对于影响到企业方向的战略级决策,不仅仅要找到相关性,还需要找到因果性。
– 数据本身的全面性,在数据较为丰富的情况下,数据已经能够比较全面地反映真实,通过简单的数据分析,即可找到业务的规律和提升点。但数据如果不是很充足,就应该采用传统的数据分析和建模方法
– 数据分析的进展程度,在简单分析已经投入应用,并产生成效的情况下,要进一步发掘数据的价值,就必须进行数据的深度分析。

  1. 数据分析中的算法与技术应用

        目前,数据分析与挖掘大部分采用通用的分析、建模工具和通用的算法。企业在数据分析与应用达到一定的成熟度后,应逐步选择行业特性和自身特性的数据分析与建模算法,或者开发新算法。

数据分析与建模

        数据分析与建模,就是采用数据统计的方法,从数据中发现规律,用于描述现状和预测未来,从而指导业务和管理行为。

  1. 静态报表:是最传统的数据分析方法,甚至在计算出现之前,已经形成了这样的分析方法,通过编制具有指标口径的静态报表,实现对于事物状况的整体性和抽象性的描述。
  2. 数据查询:即数据检索,以确定性或者模糊性的条件检索所需要的数据,查询结果可能是单条或者多条记录,可以是单类对象,或者是多种对象的关联。在数据库技术出现后,即可支持数据的查询。
  3. 多维分析:结合商业智能的核心技术OLAP,可以多角度、灵活动态地进行分析。多维分析由维和指标组成。基于多维的分析技术,可以立体地看待数据,可以基于维度,对于数据进行“切片”和“切分”分析。
  4. 即席查询:是针对特定的场景与对象,通过分析对象及对象的关联对象,得出关于对象的全景视图。客户立体化视图和客户关系分析是典型的特设分析。特设分析还可以用于审计。
  5. 数据挖掘:是指从大量的数据中,通过算法搜索隐藏在其中的信息的过程,用于知识和规律的发现。

        以上五个层次的数据分析,自上而下:数据量的要求越来越大,纬度越来越多;对数据计算能力的要求越来越高;对使用人员的能力要求越来越高;应用的人员越来越少;数据精度的要求越来越低;越来越少地依赖人工判断,越来越多的依赖数据判断;技术的难度越来越高。

数据应用

        大数据可以通过分析结果的呈现为企业提供决策支持,也可以将分析与建模的成果转化为具体的应用集成到业务流程中,为业务直接提供数据的支持。大数据的应用一般分为如下两类
1. 嵌入业务流程的数据辅助功能

        在业务流程中嵌入数据的功能,嵌入的深度在不同的场景下是不同的。在某些场景下,基于数据分析与建模结果形成的业务结果,将变成具体业务规则或推荐规则,深入地嵌入业务流程中。
2. 以数据为驱动的业务场景

        一些基于数据的应用离开数据分析和建模结果,应用场景也也无法发生。例如我们常说的精准营销。如果没有数据分析与建模的支持。

        未来以数据为驱动的业务场景将越来越多,没有数据、没有数据分析能力的企业,将无法在这些场景下进行竞争。