
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
在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19