
非结构化数据背后的价值
大数据时代的到来使得任何企业都无法忽视数据背后蕴藏的价值。大数据按照存储形式不同可以分为结构化数据和非结构化数据。随着网络技术的发展,非结构化数据的数量日趋增大。据统计,当前非结构化数据的内容占据了数据海洋的80%,并将在2020年之前以44倍的速度迅猛增长。每一个数据元素都有它的意义,对海量数据进行整合并挖掘数据背后的价值成为指导企业决策的重要依据。此前,数据分析绝大部分是针对结构化数据,即可以以word、excel等形式呈现的数据。而非结构化数据隐藏在聊天记录、邮件、图像和音频/视频信息中,不方便用数据库二维逻辑表来表现。
如果说结构化数据用详实的方式记录下企业的生产交易活动,那么非结构化数据所反映的信息则蕴含着诸多企业效益提高的机会。因此,只有解决非结构化数据的分析困难,才能有效挖掘这些数据背后的价值,驱动企业价值提升。非结构化数据分析的重要性已经得到了广泛认可,但市场上几乎没有成熟的解决方案。Taste Analytics的产品-Signals大数据可视化分析就是让非结构化数据和结构化数据最终以可视化图像的形式输出,让企业看懂这些数据在说什么。
让数据说话
自2013年成立以来,总部位于硅谷的大数据技术厂商Taste Analytics已经拥有了一批美国金融机构以及世界500强公司的用户,并且在澳洲、荷兰开拓了市场。公司提供的业绩数据显示,2015年同比2014年收入增长了6倍,并且季度营收增长速度保持在300%左右。从以上数据可以看出,非结构化数据分析市场的发展潜力巨大。谈到非结构化数据分析对于企业的具体意义,创始人及CEO 汪晓宇博士解释说,“实际上,非结构化数据分析就是通过对客户在各种渠道提供的自然反馈进行快速分析,帮助企业在短时间内了解客户对于产品和服务的评价,有利于及时改善产品及服务的质量。”
创立Taste Analytics之前,汪晓宇是北卡大学夏洛特分校的助理教授,并在美国五大视觉中心之一的夏洛特视觉中心任职。起步于高科技事业云集的美国硅谷市场,汪晓宇对于数据分析行业的认识非常深刻。他谈到,“在2013年创业时通过对60多家美国企业的走访,发现当时非结构化数据分析的技术十分落后,因此,我们意识到这个领域是一片蓝海。”汪晓宇同时表示,与美国的市场环境相比,国内市场有较明显的特殊性。主要是美国的从业人员较多,这群被叫做数据科学家的人员一般是用数据说话。他们既精通技术,又对企业的商业模式和商业环境有较成熟的认识。国内在这方面还处于萌芽期,但我相信在未来几年,数据科学家、数据工程师以及业务分析人员的数量会逐渐增多。可以肯定的是,在国内“互联网+”以及企业转型的发展大趋势下,让数据说话、以数据驱动发展的重要性会得到更广泛的认同。
Taste Analytics对于非结构化数据分析的过程分为三步:第一步是由其开发的Signals平台预设的第三方数据接口帮助企业收集数据(这些接口包括亚马逊、天猫、Twitter、Facebook、Apple Store等),或是由用户将内部数据导入系统中,通过对细小到每一个字的数据进行深度学习,系统快速分析出各种结果信息,并形成预测性的分析结果;第二步,输出一个简洁明了的图像化分析结果;第三步,用户根据自己的需求建立自己的分析模型。第一步的预测性分析和第二步的可视化结果是Signals平台的核心。对于企业决策者来说,图像可能要比看word的白纸黑字和excel硬邦邦的表格生动、有趣得多。客服管理和电商数据处理是Signals平台的其中两个应用场景。对于很多公司来说,现在客户服务的周期越来越长,需要耗费很高的人力成本来处理大量的数据、跟踪各种诉求。汪晓宇希望通过平台实现对这些客服数据的快速浏览和标准化分析,达到预判的目的。对电商的数据分析是Signals的另一个应用方向。Taste Analytics研发出来的技术,不仅包括舆情分析和语义分析,更为关键的是,还加上了人机互动的创新机制,涵盖了整个非结构化数据分析全过程,能够实现真正的非结构化数据分析,再加上可视化分析结果和简单易用的使用界面,企业能够轻松了解新的市场增长点和进行竞品分析,从而做出快速正确的决策。
中小企业对数据分析的需求
2015年底,Taste Analytics完成了全部产品的本土化,包括产品使用中文化、云服务部署落地化、技术支持规模化。同时提供公有云和私有云两个部分服务,既可以让企业使用公共云服务,又可以安全地接入企业的内部数据,和企业整个IT系统进行完美整合。2016年开始正式在中国市场发力,因此被定义为Taste Analytics的中国服务元年。
谈到进军国内市场的初衷,汪晓宇表示,“在对市场进行详细调查之后,我们相信数据分析在国内的市场空间非常大。如果把已经在美国验证可行的产品带到国内,再开发一套适用性更强的产品,能够使国内客户真正从中看到实际的商业价值。”
汪晓宇介绍说,Taste Analytics在国内采用的是B2B2C的服务模式。“之所以这样定位,是因为我们的目标就是为企业带来直接的商业价值。而最容易看到直接商业价值的就是开展2C业务的企业。”经过一年多的技术储备、行业调研以及产品本地化调整,Taste Analytics于2015年年底实现了全部产品的本地化,使用本地语言,使用本地化部署,把数据存放在中国本土,提供本地化服务,支持为企业提供私有和公有的SaaS服务,结合当下国内传统企业转型的热潮,正在与多个传统企业接触。
根据对市场的深入调查,Taste Analytics坚信,对非结构化数据进行分析、提取出有价值的东西已经成为CIO、CTO们最关注的问题。除了大型企业外,Taste Analytics也关注着中小企业对数据分析的需求。通过对比在美国服务中小企业的经验,汪晓宇认为,“国内中小企业普遍缺乏数据分析技术和相关人才,因此我们为这些企业同时提供线上、线下服务,并且有业务专员通过数据分析服务帮助企业解决实际问题,为企业提供及时的反馈和建议。”汪晓宇同时坦言,目前国内为中小企业提供数据服务的商业模式还处在探索过程中,“美国的中小企业大多已经被市场教育成熟了,能很快接受我们的产品和服务,而目前国内的市场还处在被教育和推广的阶段,但这也预示着未来有广阔的市场前景。”
针对国内中小企业市场的特殊性,Taste Analytics选择通过与友商合作的方式共同开发市场。“通过互联网销售消费品的企业都是我们的目标用户,目前我们正通过合作伙伴与国内领先的电商平台、智能手机生产商以及无人机厂商合作,通过培养标杆性的企业,先站稳脚跟,然后逐步推广到中小企业中间去。”汪晓宇强调,为了保证用户体验的质量,Taste Analytics聘请了国际上经验丰富的网页设计及图像可视化设计师为产品把关,不断优化图像方法。在加上将网络作为推广渠道,从而保证了将产品迭代周期缩短至一星期。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04