
戴尔:大数据炼金术
戴尔大数据亮相2015中国国际大数据大会
未来的一年,企业级用户将加大在商业智能分析和大数据分析上的投入,如:如何提高批量分析效率、规划大数据分析架构,加速业务模式改变,降低数字经济环境下传统业务模式的风险。
善用大数据CIO体验跑车之速
传统IT环境,资源使用管理效率低,成为高成本中心,再加上IT对业务响应速度慢,无法满足互联网+时代下的业务需求,这就难以实现企业的弹性IT交付。最关键的是传统IT架构格局,还阻碍着新应用的部署。
CIO甚至被嘲讽为“Career is Over”,也就是职业生涯即将结束的含义。
戴尔大中华区企业技术战略架构师许良谋认为,通过IT创造价值,以云计算为核心的新IT环境,IT资源使用管理效率得以优化,实现用户自我选择管理IT服务交付,IT对业务的响应速度提高。
CIO可以释放大量IT资源,实现业务创新和IT创造价值。在新IT环境下,具有前瞻性的CIO以跑车的速度成为“战略架构师”,即“Career is Optimizing”,在公司的战略价值迅速提高。
新IT面向未来的解决方案
新IT的战略是什么?在复杂的IT业务环境下,如何实现高效、经济、安全的大数据应用?
从大数据分析到大数据实践,戴尔用未来就绪的IT战略为用户打造了一套数据管理平台和数据分析平台。
这就意味着,戴尔新IT解决方案让企业将爆炸式增长的数据变成业务核心竞争资源,实现通过IT创造价值,通过IT实现业务突破创新。
戴尔自身实践“炼术成金”
戴尔的大数据技术分析平台是经过戴尔公司自身的实践而成的“炼金术”。大数据的实践在戴尔整个生产、销售、市场等各个业务环节中都得到充份的验证。
首先,戴尔公司早在1994年,就成功通过电子商务模式进入中国市场,不仅开启了IT销售模式的一个新纪元,同时打造了一个卓越供应链标杆企业,实现“零”库存管理。其实大数据的实践早已经在戴尔自身的业务运营中展示了完美的成果。
第二,戴尔开启在中国1.0到4.0的时代,戴尔本身就是一互联网+制造的应用典范!无论从生产流程、业务流程还是到商业模式从容应对各种挑战。戴尔成都工厂实现了年总产值突破千亿元,资本支出下降了 50%,节省了高达96%的能源成本,完成戴尔“中国制造”的重要部署。这背后具备了一套强有力的IT系统的支撑。戴尔大数据解决方案更是在生产线和安全上给予重要的价值,高度自动化生产和数据安全的智能分析。
戴尔第一个内部的“大数据”使用方案,通过电商和生产工厂高度自动化流水线控制和数据安全分析系统,
用ETL来作为我们大数据的仓库的实施,最终实现了加速,通过“大数据”Hadoop技术框架,深化高效数据转移,经验证的技术架构,高度工程化解决方案。
第三,戴尔的精准营销智慧决策和分析系统,用SAP HANA来加速。戴尔自身对精准营销的需求,通过实践将它变成一个蓝图。
①首先对硬件、网络、主机进行优化。②结合客户需求,用软件分析达到精准营销效果,无论从数据备份、数据的灾备,或者做性能优化和分析,形成了一个完整的IT体系生态。
值得一提的是,戴尔大数据在SAP HANA技术蓝图基础上,用内存式RealTime的方式来演示,此项创新应用更是获得2015全球SAP HANA最有创意奖。
第四,大数据炼金术除了为戴尔自身的长久发展带来重要价值外,更帮助很多国内外的企业变数据为企业核心竞争力,通过开放的架构让企业从容应对变化,打造未来就绪的IT。
比如戴尔中国和SAP中国为某石油客户做了一个非常庞大的六个维度的新型拓扑,里面的数据多到可怕:181亿条记录,数据分析量超过60TB容量!其中进行了星形模型设计,包含2个事实表数据,明细数据模型、指标汇总模型,6个维度表数据,编号维表、ID维表、组织维度表、人员姓名、三级单位名称、分公司名称。
原有系统是2小时以上才能计算出结果,且易发生中断,采用戴尔Compellent存储全闪存技术在SAP HANA的新商业智能架构后,单个查询缩短到20秒以内,400并发查询运行缩短到10分钟以内!
如何开始大数据战略第一步?
戴尔中国4.0时代,大数据战略如何进一步落地?为了更有效务实的帮助中国用户踏上大数据实践之旅,不久前戴尔与英特尔正式成立了“戴尔中国大数据联盟创新实验室”,用户可以充分了解大数据的使用方法。戴尔通过大数据联盟实验室给客户提供了很好的平台,客户可以通过免费使用这个平台的各种资源并尝试四大应用。
结语通过自身的实践,戴尔搭建了切实可行的大数据技术架构和分析平台,最终让企业用户在大数据之旅中不迷茫,不断的从大数据里获益,在互联网+时代继续跑赢大势!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30