大數(shù)據(jù)分析的10個實用竅門！

如果你的公司正著手開啟你的大數(shù)據(jù)分析之旅，不要煩惱：你不是一個人，這條船上大有人在。但是你需要加倍努力才能趕上數(shù)據(jù)分析的領(lǐng)頭羊們。這篇文章是從行業(yè)大會的討論中總結(jié)出來的十個小竅門。

1避免華而不實

現(xiàn)在企業(yè)可以從傳感器、智能手機(jī)中獲取比以前多得多的數(shù)據(jù)，但相應(yīng)的做出成果的壓力也就更大了。陷入熱潮特別是一些閃亮的新技術(shù)宣傳熱潮是很容易的。但是靠大數(shù)據(jù)技術(shù)真正獲得成功卻不是易事，僅僅掌握某項技能是不足以讓成功一蹴而就的。今天的大數(shù)據(jù)領(lǐng)導(dǎo)者們已經(jīng)在數(shù)據(jù)分析行業(yè)工作長達(dá)十年甚至更久，他們有成功的基礎(chǔ)。

2不要盲目崇拜數(shù)據(jù)

據(jù)說數(shù)據(jù)已成為一種新“貨幣”并展現(xiàn)了自身價值。這樣說可能有點夸大其詞。數(shù)據(jù)公司應(yīng)該只收集其需要的數(shù)據(jù)來解決業(yè)務(wù)問題即可，而不是像一頭貪婪嗜財?shù)木摭堃粯哟罅慷诜e數(shù)據(jù)。

麥肯錫消費(fèi)市場分析中心的首席營運(yùn)官M(fèi)att Ariker說“數(shù)據(jù)本身能夠成為一種競爭優(yōu)勢，當(dāng)然你也可能讓分析毫無意義。我已經(jīng)老了，我在寶潔公司開始分析師生涯。那時我們會花費(fèi)12周來分析兩周的促銷活動。你真的很需要思考這樣幾個問題：那些高質(zhì)量的問題究竟是什么意思，你該如何來整合結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)以及整理總結(jié)你的流程化分析問題的方法。否則你將一無所獲。

3首先考慮商業(yè)案例

一些公司在數(shù)據(jù)分析之初，會收集所有能到手的數(shù)據(jù)，然后全部放入自己的數(shù)據(jù)池中，妄想可以有一種有魔力的算法讓自己一鍵獲得業(yè)務(wù)解決方案。但是他們往往難以有所收獲。

Bodkin說“人們往往有這樣的誤解：數(shù)據(jù)科學(xué)家們的工作就是在周一到辦公室之后說‘我又可以無所限制地做些什么有趣的事呢?’而據(jù)我所知，沒有什么公司會拿出巨額預(yù)算進(jìn)行無限制的數(shù)據(jù)探索。(他們會參考一些已有商業(yè)案例)”

4形成數(shù)據(jù)分析文化

你可以在最純凈的數(shù)據(jù)集上用最優(yōu)秀的算法來創(chuàng)造出驚艷的結(jié)論，但那毫無意義，除非你的業(yè)務(wù)伙伴相信你所做的數(shù)據(jù)分析具有價值，并且相信那些數(shù)據(jù)和結(jié)論。這需要你建立一種數(shù)據(jù)分析文化。

Teradata實驗室主席Oliver Ratzenberger說：“如果你分析那些領(lǐng)先的數(shù)據(jù)分析競爭者們就會發(fā)現(xiàn)，他們花費(fèi)了過去的10到15年時間來形成自己的數(shù)據(jù)分析文化。有些公司曾說過自己將在接下來的90年里完成在數(shù)據(jù)分析項目上從‘爬行’到‘疾跑’的蛻變。這和技術(shù)無關(guān)，這是在說他們數(shù)據(jù)分析文化的形成?！?/span>

5快速失敗積累出最終的成功

數(shù)據(jù)科學(xué)是一個往復(fù)循環(huán)的過程。在你成功把數(shù)據(jù)變成有價值的結(jié)論并實施他們之前，你總會經(jīng)歷各種各樣的失敗。最近的許多大數(shù)據(jù)領(lǐng)域的突破性進(jìn)展，例如Apache Spark都是專注于加速這個過程。

但是大數(shù)據(jù)從業(yè)者不應(yīng)該為了失敗而失敗，故意陷入這個失敗嘗試的循環(huán)過程。麥肯錫的Ariker說：“你可以進(jìn)行多項測試，失敗的現(xiàn)實僅僅預(yù)示著你會更快的失敗。你所有的靈活的數(shù)據(jù)分析過程都是基于公司支持和假設(shè)驅(qū)動的。你的失敗是為了改進(jìn)數(shù)據(jù)分析過程并獲得更好的結(jié)論，而不是不顧結(jié)果地去享受數(shù)據(jù)分析的過程。

6保證最高管理層在數(shù)據(jù)分析的一環(huán)

和管理層分享你的數(shù)據(jù)分析的成果是必要的，不僅是為了確保他們不會插手你以后的數(shù)據(jù)分析項目，也是為了保證你在分析管理層關(guān)注的問題 。

寶潔公司領(lǐng)導(dǎo)人，商業(yè)智能和數(shù)據(jù)分析領(lǐng)導(dǎo)者David Dittmann在最近的CAO峰會上說：“我們學(xué)到的一點是，你必須一直給管理層展現(xiàn)數(shù)據(jù)價值。而如果你一直缺席管理層的業(yè)務(wù)討論會，我想你的工作會出現(xiàn)方向性的根本錯誤。”

7管理很無聊卻是必要的

沒有什么比一場有關(guān)數(shù)據(jù)分析進(jìn)程和改變管理方式的討論更讓人犯困了。但是在這樣一個快節(jié)奏的大數(shù)據(jù)時代，處理好所有部分不僅僅是細(xì)節(jié)問題，它更是長期成功的基石。

能夠在30天里對一件事保持敏銳是很重要的。Teradata的Ratzenberger說：“但是你需要有能夠這么做的基礎(chǔ)。包括產(chǎn)品系列，錯誤處理和版本控制的集成管理是必要的。有些部分在開始的30或90天里是起作用的，但是你還需要保持其在隨后依然有效。你有一副好牌在手，就需要你好好把握，一旦你出錯一張，隨之而來的可能就是滿盤皆輸?！?/span>

8保持全程思考

你可能有一個最好的預(yù)測模型。但是，除非它可以在現(xiàn)實世界中有效并且有較好的效益，否則它將毫無價值，只是對公司時間和資源的浪費(fèi)。

麥肯錫的Ariker說：“如果你跑去對經(jīng)理說‘好消息，我們的大數(shù)據(jù)平臺可以生產(chǎn)很多數(shù)據(jù)產(chǎn)品，但是我需要再雇1500個人’，那估計你第二天得找份新工作了。你必須一直思考流程化數(shù)據(jù)處理和效益的平衡，并確保你在研究一個高質(zhì)量問題的同時考慮好答案?！?/span>

9積少成多

在大數(shù)據(jù)領(lǐng)域，一氣呵成地處理所有問題聽上去是異常誘人的。你想要依據(jù)眾多變量來建模解決業(yè)務(wù)問題，所以你去收集了有關(guān)各個業(yè)務(wù)的眾多數(shù)據(jù)，然而你的算法卻在剔除合適的結(jié)論。想法是美好的，結(jié)果卻不盡如人意。

肯尼索州立大學(xué)的應(yīng)用統(tǒng)計和數(shù)據(jù)科學(xué)教授Jennifer Lewis Priestley講了一個故事：有個數(shù)學(xué)專業(yè)的學(xué)生建立了一個極好而又極差的模型，這個模型有非常高的準(zhǔn)確率，但是產(chǎn)生了2500個預(yù)測器。“這毫無意義。你不可能去操作2500個預(yù)測器。所以我讓那個學(xué)生去篩選出四個我可以實際使用的預(yù)測器”她在2015SAS數(shù)據(jù)分析大會上說。

10不要去獵取“獨角獸”

精通統(tǒng)計學(xué)、科技和商業(yè)的數(shù)據(jù)科學(xué)家們被稱作“獨角獸”，因為他們是如此的稀有(事實上并不存在獨角獸，因為他們是神話生物，但那是另外的故事了)。

盡管這樣的數(shù)據(jù)科學(xué)家確實存在，但這不值得你浪費(fèi)時間去挖他們來你的公司。ThinkBig的Bodkin說：“我所有的客戶都在嘗試著挖人。但是你無法從一個人身上就得到想要的價值，你只能從一個團(tuán)隊——一個高效的數(shù)據(jù)科學(xué)團(tuán)隊得到你想要的數(shù)據(jù)分析結(jié)果。”