
让大数据项目获得成功的三条途径
大数据是营销人员喜欢的一个术语,但它开始在企业高管当中黯然失色。调研公司Gartner表示,只有11%的高管声称在大数据方面的投入很重要,或者比其他IT项目来得重要;46%的高管认为,大数据投入不大重要。
调研公司警告,太多的大数据项目上马时着眼于特定技术,而不是生产环境层面的可靠性。尽管不乏营销炒作,但是大数据仍然很重要:牢牢掌握信息可帮助企业组织获得差异化竞争优势。而CIO是帮助公司将大数据转化为业务洞察力的关键人物。
1、一开始就要搞好治理和安全
对期望投入大数据的企业来说,信息安全是个核心问题。欧盟的《一般数据保护条例》(GDPR)定于2018年5月25日开始生效,如果企业发生数据泄密事件,最高将被处以全球营业额4%的罚款。如果IT领导人期望向其他高管表明大数据的重要性,必须关注政策和程序。
Camden Council公司的临时CIO奥米德·什拉吉(Omid Shiraji)表示,其团队里面的管理人员在认真考虑GDPR对企业组织本身以及它服务的客户来说意味着什么。什拉吉表示,关键是确保GDPR充当一种支持变革的机制,而不是另建一层官僚体系。
他说:“我想尽量减小对我们行事能力的影响。管理条例常常将安全放在首位,而不是将客户放在首位。GDPR中有些原则是我们要遵循的,但是我们也得搞清楚如何让条例有利于我们的客户。CIO及其企业组织没有多少时间来搞清楚如何充分利用GDPR。”
这个观点得到了网络安全咨询公司2-sec的首席执行官兼创始人提姆·霍尔曼的认同。他表示,CIO必须专注于数据治理和GDPR,因为这很紧迫。他说:“大数据被称为大数据是有原因的――有许多数据,所以IT领导人必须小心处理。”
“业界预测存储的数据会呈指数级增长,远超出任何人能够合理使用和保护的程度。虽然大数据的统计分析有助于企业,可帮助它们搞清楚趋势、以及接下来应该怎样,但是数据的机密性、完整性和可用性受到的任何影响都会是灾难性的。”
2、让数据成为业务战略的核心
临时CIO克里斯琴·麦克马洪(Christian McMahon)是转型专业公司three25的总经理,他表示太多的公司仍忽视了自身拥有的信息所具有的力量。他说:“我始终认为,除非你拥有工具或专长来找到大数据里面的战略性或操作性知识,否则大数据毫无用处。”
麦克马洪表示,CIO们需要鼓励所在企业采取一种不同的架构和工程方法,比如使用云来覆盖更广泛的受众,并且建立按需访问的处理能力。这种需求还促使人们需要新的、不同的技能,比如数据科学。
麦克马洪说:“对CIO们来说,好消息是,那些大胆拥抱这种方法的人会重振数据战略。这么考虑让企业显得更积极主动,此外还有助于为客户开发更有用、更诱人的产品和服务。”
当然,一些IT领导人已经在数据战略方面采取积极主动的态度,全球律师事务所Clyde & Co的CIO克里斯·怀特(Chris White)就是其中之一。他所在的律师事务所正进入到这个阶段:案例管理报告自动生成。他说:“客户可能随时过来,实时查看那些报告。”
他说:“对我们来说大数据很重要,而且对我们的业务会变得越来越重要。我们需要专注于如何使用管理信息,改善我们为客户提供的信息。我们必须考虑如何最大限度地利用自己拥有的宝贵信息,以便为我们的客户增添价值。”
3、带头搞大数据项目
金融公司第一资本(Capital One)的CIO罗布·哈丁(Rob Harding)表示,他公司得益于能够访问英国足足30人的数据科学团队。这些人才华横溢,能够帮助他的公司使用大数据,打造差异化战略性优势。哈丁强有力的领导是这种成功的关键。
他说:“对我来说大数据就是我如何帮助公司里的数据科学小组竭力发挥其才能。大数据的核心不是收集庞大的信息,实际上是构建一套机制,我们的专家们可以借助这套机制,轻松分析数据,并生成可付诸行动的洞察力。”
哈丁表示,大量的企业高管仍然担心影子IT,使用大数据时更是如此。他说:“我并不担心这个――我只知道,会有人想要完成一些事情,我需要帮助他们。作为CIO,我要做的许多工作就是,我如何为我们的数据科学家提供最好的服务,帮助他们获得成功。”
哈丁表示,该公司的许多数据科学家是专家级开发人员。这些人员可以运用可能数量众多的工具。比如第一资本公司在hadoop平台上运行一个原型,用于承销和信贷风险管理。
他说:“我们通过这项工作在上市时间方面取得了一些难以置信的进步,可以迅速处理完庞大的计算工作。”这家公司始终准备积极采用新工具,目前在探究亚马逊的Redshift产品。 哈丁在帮助数据科学家团队评估这款工具的价值。
他说:“大数据的成功就是不断倾听我们数据科学团队中工作人员的心声,了解市场概况,那样我们就能最充分地利用现有技术,并且发明我们自己的一些工具。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29