
關于大數(shù)據(jù)的七個觀點_數(shù)據(jù)分析師
在第八屆網(wǎng)上零售年會上,阿里巴巴集團數(shù)據(jù)委員會會長車品覺表示,對于企業(yè)而言,數(shù)據(jù)一定要“從看到用”,如果所掌握的數(shù)據(jù)沒有到運用的階段,那就算不上“大數(shù)據(jù)”。
車品覺指出,在數(shù)據(jù)運用上非常重要的一點是要用在核心的決策點上,這樣企業(yè)才能得到大數(shù)據(jù)的價值?!氨热缭趶V告領域,我們要給一個價?!谑裁磿r間點給予什么價,可以得到最好的回報’就是一個核心的決策點,大數(shù)據(jù)就要放在這個地方?!?/span>
以下是車品覺關于大數(shù)據(jù)的幾個重要觀點。
第一,只有兩種方法可以得到大數(shù)據(jù)。一種是在自身企業(yè)外的數(shù)據(jù),當你拿到這些數(shù)據(jù)時可以更精準提煉自己的東西。另一種是把自己的數(shù)據(jù)提供給別人,別人可以用我的數(shù)據(jù)產(chǎn)生更大的價值。
第二,大數(shù)據(jù)是“一把手”工程,需要企業(yè)的最高層直接負責、下達命令。這是因為,一方面,公司內(nèi)部可能對于大數(shù)據(jù)本身沒有信心;另一方面,數(shù)據(jù)安全性是大多數(shù)人最擔心的問題?!笆聦嵣?,很多企業(yè)分公司與分公司之間,大家都不一定能夠相互信任。你要把我的數(shù)據(jù)給另外一個分公司,拿著我的數(shù)據(jù),我不放心?!?/span>
第三,大數(shù)據(jù)的成本是非常大的,所以企業(yè)要首先判斷哪些數(shù)據(jù)是重要的,需要被優(yōu)先使用。車品覺表示,大數(shù)據(jù)出成績的時候很美,但事實上,企業(yè)做大數(shù)據(jù)的成本是極高的,且錯誤率非常高。數(shù)據(jù)備份的成本、人才的培養(yǎng)及挖掘等都需要很大的成本。
第四:行為數(shù)據(jù)的搜集有一個時間點,可以拋棄一些過往數(shù)據(jù),以降低成本?!靶袨閿?shù)據(jù)是基于整個網(wǎng)站的設計,當整個網(wǎng)站設計產(chǎn)生了非常大的變動之后,你也沒有辦法還原過來的話,這個數(shù)據(jù)就開始不要了。”
第五,無線數(shù)據(jù)非常重要,已經(jīng)影響到企業(yè)的底層數(shù)據(jù),是大數(shù)據(jù)的未來。且無線數(shù)據(jù)與PC數(shù)據(jù)有很大的不同。比如無線端的數(shù)據(jù)來自于APP、WAP和HTML5,這三個渠道,每個渠道的數(shù)據(jù)源和特性都存在很大的不同。“比如無線APP是沒有cookie的,也沒有點擊數(shù)據(jù)這一說?!?從人才的角度來講,要把數(shù)據(jù)的人提煉成更多的商業(yè)的感覺。
第六,大數(shù)據(jù)人才的培養(yǎng)的重點在于培養(yǎng)數(shù)據(jù)中間層,這個中間層用以連接研究數(shù)據(jù)和使用數(shù)據(jù)的兩方人。從人才培養(yǎng)的角度來說,就是要培養(yǎng)數(shù)據(jù)人的商業(yè)感覺。
“我們發(fā)現(xiàn)做大數(shù)據(jù)的人中沒有很多人想用這些數(shù)據(jù);但是想用數(shù)據(jù)的人,但是我不知道數(shù)據(jù)從哪里來。所以比較有經(jīng)驗的人希望能有一個數(shù)據(jù)中間層出來,讓用的人可以理解有什么數(shù)據(jù)可用,讓做數(shù)據(jù)的人集合經(jīng)驗能成為一個中間者。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
訓練與驗證損失驟升:機器學習訓練中的異常診斷與解決方案 在機器學習模型訓練過程中,“損失曲線” 是反映模型學習狀態(tài)的核心指 ...
2025-09-19解析 DataHub 與 Kafka:數(shù)據(jù)生態(tài)中兩類核心工具的差異與協(xié)同 在數(shù)字化轉型加速的今天,企業(yè)對數(shù)據(jù)的需求已從 “存儲” 轉向 “ ...
2025-09-19CDA 數(shù)據(jù)分析師:讓統(tǒng)計基本概念成為業(yè)務決策的底層邏輯 統(tǒng)計基本概念是商業(yè)數(shù)據(jù)分析的 “基礎語言”—— 從描述數(shù)據(jù)分布的 “均 ...
2025-09-19CDA 數(shù)據(jù)分析師:表結構數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結構數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-19SQL Server 中 CONVERT 函數(shù)的日期轉換:從基礎用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內(nèi)涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結構數(shù)據(jù)特征價值的專業(yè)核心 表結構數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結構化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數(shù)據(jù)分析與統(tǒng)計學領域,假設檢驗是驗證研究假設、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結構數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結構數(shù)據(jù)(以 “行 - 列” 存儲的結構化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結構數(shù)據(jù)價值的核心操盤手 表格結構數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數(shù)據(jù)把關的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11