大數據無處不在 企業(yè)實踐指南有哪些？

在我們身處的時代，數據無處不在。據IBM公司估算，人類每天產生約2.5萬ZB的數據，這意味著世界上90%數據都是過去的兩年中產生的。Gartner公司分析報告顯示，在2015年財富500強的公司中百分之八十五的企業(yè)無法利用大數據來獲取競爭優(yōu)勢。

大數據無處不在 企業(yè)實踐指南有哪些？

　　數據無處不在

　　到2020年，全世界將有上百萬大數據相關的就業(yè)機會產生。這些龐大的數據蘊藏了寶貴財富，企業(yè)可以使用最先進的分析技術，利用這些數據更好地了解客戶的行為，識別商業(yè)機會，制定運營戰(zhàn)略。
　　
　　讓我們舉幾個例子，金融機構每天通過信用評分模型，了解他們的客戶在未來12個月內每種信貸產品(抵押貸款、信用卡、分期貸款)上的信用。他們以該信用評分為基礎來進行壞帳準備，計算巴塞爾協(xié)議II/III規(guī)定所需資本金數量，或是制定營銷方案(例如根據信用評分調整信用卡額度)。
　　
　　電信運營商使用最近通話行為數據建立流失模型，估計客戶在未來一到三個月流失的可能性。運營商會根據模型得分來制定營銷活動，避免有價值的客戶流失。Facebook和Twitter會使用社交媒體分析技術進行內容分析和情感語義分析，以便更好地了解品牌認知度，進一步調整產品服務設計。
　　
　　亞馬遜和Netflix等在線零售商不斷地分析顧客的購買行為，以決定產品捆綁銷售策略，并利用推薦系統(tǒng)為客戶下一次購買推薦產品。信用卡公司使用欺詐檢測模型，檢測付款是否具有欺騙性，是否發(fā)生了信用卡盜刷。政府采用數據分析技術來預測逃稅行為，優(yōu)化公共預算分配，分析交通數據提高公共交通效率，分析預測恐怖襲擊保障國家安全。
　　
　　化數據為價值
　　
　　數據是任何分析模型成功的基礎。當啟動分析項目時，有必要詳細列出企業(yè)內所有可用于分析的數據。這里的原則就是數據越多越好！因為很多分析模型都能自動決定哪些數據對當前分析很重要，哪些數據可以排除在下一步分析之外。
　　
　　我們的研究不斷印證了這樣一個觀點：改善分析模型最好的辦法，就是投資于你的數據！這可以通過數量和質量兩個維度的提升來完成。對于前者，一個關鍵點是如何整合結構化數據(例如關系數據庫)和非結構化數據(如文本)，提供全方位綜合視角進行客戶行為分析，另一個關鍵點則是在線數據和離線數據的整合，很多企業(yè)為這個問題所困擾。
　　
　　此外企業(yè)還可以超越其內部邊界，考慮從外部數據供應商那里購買外部數據，以彌補其內部數據的不足。大量的研究表明采用外部數據，對比較和完善分析模型非常有用。雖然數據常常體量巨大，但是數據質量經常是一個痛點。GIGO(garbage in garbage out)的原則在這里非常適用，爛數據只會生成爛模型。
　　
　　聽起來顯而易見，然而實踐中數據質量往往成為許多分析項目的“阿喀琉斯之踵”。數據質量可以分解成很多維度：準確性、完整性、新近度、一致性等。在大數據分析中，企業(yè)必須專門制定數據質量管理方案，設立數據審核員、數據管家或數據質量經理等職位，持續(xù)監(jiān)測數據質量。