京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据落地必须与行业应用结合_数据分析师考试
大数据应用并非遥不可及,而是已经渗透到人们工作、生活的方方面面。
从优势领域突破
IDC预测,中国的大数据市场从2012年到2016年将增长5倍,政府、电信、银行将是最先使用大数据工具的行业。大数据的价值主要体现在以下几方面:提升企业的决策效率,改进业务流程,提升用户体验和企业的业务创新能力,提高企业的抗风险能力。目前,在亚太地区,大数据的应用还主要以结构化和半结构化数据分析为主,非结构化数据的量虽然很大,但是目前其应用需求还没有兴起。
用户采用大数据工具之前,要注意以下几个问题:从自己有竞争优势的应用领域入手;制定大数据战略时要综合考虑多方面的问题,比如决策层的支持力度、业务流程、数据质量、IT基础架构等;由于专业大数据技术人员数量不足,企业可以考虑采用一些成熟的商业软件;大数据应用不仅仅包括分析型应用,还包括信息访问型、交易型应用等。
更高性能 更低成本
在大数据方面,惠普有两大利器Autonomy和Vertica。惠普通过收购这两家公司获得了大数据分析工具,并与惠普自己的硬件相结合,为用户提供整合的大数据解决方案。Autonomy主要用于非结构化数据的识别与搜索,而Vertica主要用于结构化数据的在线实时分析。两个产品虽然有小部分重合,但更多的是互补关系。
1月15日,惠普在北京正式发布了HP Vertica Analytics Platform 6.1。惠普公司Vertica市场营销副总裁Chris Selland表示:“HP Vertica Analytics Platform 6.1是专为大数据设计的高性能数据分析平台,它具有极高的数据分析性能,查询速度比传统的关系型数据库快50~1000倍;它还具有大规模扩展能力,可以无限量添加行业标准服务器;它采用开放式架构,并内置Hadoop、R语言以及一系列ETL和业务情报工具;它基于优化的数据存储平台,利用压缩技术可以存储更多的数据。”
HP Vertica Analytics Platform 6.1新增了数据管理选择,通过Hadoop Distributed File System(HDFS)连接器来优化大数据。新的HDFS连接器的数据加载速度比HP Vertica Analytics Platform 6.0中的前一代连接器快4倍以上。这一改进确保HP Vertica Analytics Platform 6.1能以简单、可扩展的方式进行高性能数据分析。“目前,Vertica的数据分析平台在全球有上千个用户,分布在30~40个行业中。”Chris Selland介绍说,“Vertica产品的价格只有竞争对手的1/3,但是处理性能提高了数百倍。”
大数据应用难落地还有一个重要因素,就是缺少专业技术人员。Gartner的研究显示,到2015年全球需要440万大数据专业人员,而人才缺口达2/3。为了培养更多的大数据人才,惠普推出了Vertica认证服务,旨在提高HP Vertica系统管理员、数据库分析员和应用开发人员的专业技能。
助力企业转型
大数据应用若想落地,就必须与行业用户的需求相结合。中国惠普有限公司企业服务集团首席技术官王纪奎表示:“用户在决定采用大数据分析工具之前,应该先搞清楚几个问题,比如数据从哪里来,数据的质量如何,数据可以做什么用,数据的价值如何等。大数据分析应用与企业的供应链分析、网络分析、业务系统分析等之间有着千丝万缕的联系。此外,企业还要考量自己的人力、财力等情况,看是否能够应付大数据分析之所需。”
惠普已经推出了针对电信行业用户的分析服务,并将它与惠普的IT基础架构解决方案打包提供给用户。惠普是许多电信运营商的IT基础设施以及应用系统的供应商。因此,惠普对电信运营商的业务流程十分熟悉,并且知道从哪里获取数据以及如何对这些数据进行整合和分析,从而为电信运营商提供更多的附加价值。“针对电信运营商,我们可以提供战略规划、数据质量管理、数据分析服务等。”王纪奎举例说,“2012年,我们曾经帮助国内某运营商将传统业务与电子商务等新兴业务进行整合,并将计费、CRM、商业智能等应用进行有效结合,还提供了数据管理和业务流程设计服务,从而帮助该运营商成功实现业务转型,”
为了帮助用户更好地开展大数据应用,惠普还为用户设计了信息优化转型体验研讨会,通过与用户的面对面交流,进一步了解用户的实际需求以及数据使用情况,明确业务目标,制定管理和利用信息的策略以及执行路线图等。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20在数据分析领域有一句核心准则:垃圾数据进,垃圾数据出。数据清洗是数据分析、数据建模、数据可视化之前的必经前置工序,也是保 ...
2026-08-20 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-08-20在Python数据分析与数据清洗工作中,Pandas是最核心的数据处理库,DataFrame是结构化数据的标准存储格式。在实时数据采集、循环 ...
2026-08-19