
大数据你必须了解的5大关键因素
互联网金融的发展与扩大在这近十年的时间取得非常迅速的进展,这当然一个很重要的原因是得益于大数据分析和大数据挖掘的影响和助攻。说到大数据发展,目前很多公司的形式都是独立或联合一个部门出来专门进行数据分析和数据挖掘的工作,这也为数据分析师和数据挖掘师提供了用武之地。不过这个世界好多人都是不满意现状或有自己的个性追求的,面对大数据分析的发展,有人开始着手进行大数据创业了。说到大数据创业,可能大家都会比较陌生,大数据创业,到底是怎么个创发,主营业务是什么,需要有哪些必备条件或因素。下面,就来和大家讲讲:大数据创业,你必须要了解的5大关键因素。
1.基础设施非常难
不仅开发基础设施技术产品很难,销售起来也很难,具体到大数据基础设施工具如Hadoop、NoSQL数据库和流处理系统则更是难上加难。客户需要大量培训和教育,付费哟娜谷需要大量支持和及时跟进的产品开发工作。
这意味着需要大量的资金支持,例如Greenplum在2010年获得1亿美元投资但仍然不足以完成所有工作,最终不得不选择卖给EMC。今天最出 名的几家大数据创业公司融的钱更多,例如Cloudera。基础设施类的大数据创业公司通常需要数百万美元种子资金启动,但是A轮融资的道路异常艰辛。
新兴的大数据创业公司还必须与那些在客户那里已经有一些知名度甚至合作项目的公司竞争,例如Cloudera、Hortonworks、10gen、亚马逊AWS、IBM、Oracle等。
反观大数据应用创业则相对简单的多,无论面向垂直行业应用还是数据可视化这样的通用大数据应用都是如此。因为这些大数据应用的价值对于客户来说更为直观,距离业务也更近,进入企业IT系统的摩擦也更小。
2.云计算是朋友
无论你是销售大数据基础设施还是应用,云计算都是更有效的业务载体。选择云计算不仅仅是在云端托管,更重要的是通过云计算向客户提供服务。你将拥有更多控制权,同时在有限的资源上优化运行也会让你对产品的理解更加透彻。
云计算也降低了潜在用户试用产品的成本和门槛,从NewRelic到亚马逊AWS都从云计算+大数据模式中获益。
3.开发者是朋友
如果你主要从事大数据分析,例如ClearStory、Platfora或者CRM营销应用,数据分析师就是你的朋友。无论那种情况,最好的办法就是围绕以开发者和市场人员为主的目标受众进行开发和营销工作,CIO反而不是很好的目标受众!
专注CIO而非开发者往往会导致你在实际签约时碰到棘手问题。围绕开发者营销的战术被很多云计算创业公司和纯大数据软件公司所采用。
4.将数据科学家推向前台中央
这既是市场也是销售策略,数据科学家才是能够展示数据和平台威力的人,他们也是会议上最受欢迎的演讲者。
但大数据科学家也需要慎重选择传播内容。如今大家都接受了Hadoop和NoSQL,所以没必要每次开会言必称4V之类的科普。至于如何配置和集成大数据系统也只能吸引小部分听众,除非你的项目规模超大。
5.开源有多重要,取决于你自己
几乎所有的大数据公司都依赖开源软件,有些是“借”来的,如Hadoop、Storm以及各种数据库,有些是自行开发的,有些则是混合模式,例如在HBase上增加的一些功能应用。这些开源项目如此流行是因为社区的力量。
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在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29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) ...
2025-09-26