
大数据时代下是数据思维重要,还是相应技术重要
技术做到一定程度,逐步发现自己的瓶颈。不由得开始思考这一方面的问题!到底大数据时代下,是相应的数据分析技术重要,还是相应数据思维重要?
先来说数据思维吧!什么是大数据思维,个人感觉应该是互联网思维的一种。是考虑到全面,而不是局部。是考虑到多维,而不是单一维度。不是靠拍脑门做决定,而是让数据说话,用数据做决策。
先说第一点,考虑全面,而不是局部。众所周知,移动互联网催生了大数据的产生。每一个人每一天通过手机能够的数据总和会是一个巨大的量。而通过这些非结构化的数据,我们首先面对的是如何处理这些数据,这里就涉及到数据的存储,读取的问题。由于数据的非结构化。传统的处理技术将不能够很好的起到作用。不是我们单一抽取几个用户的数据加以统计就可以预测出大量用户的行为。这里需要的全局的数据。首先,这一点是大数据相对于其他技术的第一点不同。
再来说第二点,考虑多维,而不是单一维度。大家都有目共睹,现在的广告已经开始基于我们的浏览时长而进行二次推荐。而在进行多维分析后,将不再只关注用户的浏览数据,而相应的会有用户的文本信息,好友评论,已购买产品信息,用卡频次.....当将用户数据进行多个维度的整合分析后,就可以做到精准营销。从而打破传统一维营销的被动宣传不叫好的特点。
最后再看第三点,让数据说话,用数据做决策。在这里不得不提一个软件R,传统行业的业务统计大部分是靠它完成,但他的数据呈现有一点的局限。当我们将一些数据以图表的形式展现在领导面前时,我们就可以根据这些数据做新一年的年度规划。而不至于拍脑门做决定。而且现在数据可视化的应用也是非常的多,现实的应用也展现了相应的价值。
说完了上面三点,再来说一说大数据技术。
首先必提的是Hadoop,这样一个分布式的存储现在已经在大部分企业应用,而它的分布式存储又将用户的读取时间缩短。而下一代技术Spark,也就相当于从Hadoop的硬盘存放,转而到了内存存放。众所周知,内存的读取速度会比硬盘快许多倍。
其次再要说的就是SAS与R,这两个软件都有各自的优势,SAS做为专业数据统计的软件,可以说在大数据量时处理起来有显著的优点。但在超过1T数据量的情况下,它的优势就不再那么明显。而R软件在绘图上有很大的优势,在数据可视化上有很重要的地位。但无奈,R软件在统计上略逊色SAS一筹。而与SAS的同类软件中,SPSS个人感觉在数据量小时会有很大的用途。
还有就是数据获取,RCurl与相应的爬虫技术,而在大数据时期,各网站在反爬虫方面势必会做要应的措施从而保护自身已有的数据。
还有就是ETL,这一点,个人感觉以后会在大数据落在时起到非常重要的地位。因为国内的数据大部分都需要清洗,就像我导师说过的一句话,在中国做大数据,最大的困难就是如何识别出假数据。用真实的数据才能分析出我们所要得到的结果。
好了,到此为止,以上就是自己学习到的大数据知识,分别在思维跟技术方面的认识。但问题又回来了,对于企业来讲,盈利是最基本的选择,到底是选一个具备大数据思维的人还是一个会很多大数据技术的人?而对于自己来说,下一步的方向是继续学习技术,还是掌握相应的思维。
思维OR技术,或左或右?或都两都需要融合,但话题又回来了,工作是很现实的问题,售前,咨询,研发,架构,实施,工程.......到底该如何选择,抑或就不要选择,先静下心来学习,等到在职的学习毕业后再去选择工作。
面对转行,从通信培训行业向互联网行业大数据的转变,虽然不知前方道路如何,仍有些迷茫,但既然选择前方,便只顾风雨兼程,加油!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16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