所有關于用戶數(shù)據(jù)的收集，都是為了對數(shù)據(jù)進行智能分析，期待發(fā)現(xiàn)新的趨勢和不可預見的行為。考慮到商業(yè)智能應用能夠從PB級別數(shù)據(jù)中篩選數(shù)據(jù)的日子可能永遠不會到來，一些企業(yè)以天為單位收集數(shù)據(jù)，但是這不能成為企業(yè)大數(shù)據(jù)分析狹隘觀點的借口。但如何才能使企業(yè)在條件有限的情況下，最好地利用他們積累的新資料和統(tǒng)計數(shù)據(jù)？這需要時間，耐心，而且你將看到，投資必要資金的負責人將可以為企業(yè)實施正確的計劃。

　　選擇正確的負責人

　　大數(shù)據(jù)本身到成熟期也就只花了幾年時間，這意味著大分析(Big Analytics)才開始孵化。這意味著，在這個浩大的技術舞臺上存在一個相當大的缺口，尋找合適的專家將是一個挑戰(zhàn)。最近一次信息周刊關于“分析，商業(yè)智能和信息管理”的調查中， 47%的受訪者列出了作為使用大數(shù)據(jù)軟件的首要問題是‘專業(yè)知識既稀缺且昂貴’?！钡_地使用商業(yè)智能(BI) ，找到合適的人才是絕對必要的。

　　在O’Reilly 2012 Strata 大會上生機勃勃的數(shù)據(jù)科學論戰(zhàn)確認，要確定聘請誰來為大洞察挖掘大數(shù)據(jù)不是件容易的事情，人工智能領域專家或機器學習專家將能夠為企業(yè)提供更多的價值。

　　數(shù)據(jù)科學家只專注于數(shù)字和模式就能取得顯著成績的歲月已經(jīng)過去，他們需要結合機器學習，嘗試真正的算法來找到大多數(shù)經(jīng)驗豐富的專家都錯過的數(shù)據(jù)相關性。但大數(shù)據(jù)顧問Drew Conway做出了一個強有力的證明，機器學習作為一種工具可以提供一些有趣的答案，但這些答案需要滿足一個重要的條件。 “你能以任何有意義的方式解釋這個結果嗎？”Conway說。 “我猜測也許不是。一個專業(yè)領域專家將不得不看那個模型，并決定所選擇功能，以及傳遞的輸出和回歸系數(shù)，是否真正與訓練集和測試集之外的樣本相關。這是專業(yè)領域的基礎知識?！?/span>

　　企業(yè)將需要建立一個團隊，其中包括這兩個學科的專家。為了數(shù)據(jù)挖掘的準確性，需要一位某個專業(yè)領域的專家來開發(fā)問題，然后依賴一個機器學習專家開發(fā)并且實施查詢或創(chuàng)建分析，然后才有兩個領域專家結合得出的正確結果。

　　舊酒裝新瓶

　　大分析不只是因為大數(shù)據(jù)時代的來臨企業(yè)才用于挖掘信息。 “我們已經(jīng)看到客戶以全新的商業(yè)模式出現(xiàn)，他們使用與社交媒體相關的歷史數(shù)據(jù)集，這些曾經(jīng)是免費的，現(xiàn)在他們把變現(xiàn)或定價，”英特爾的Girish Juneja在最近舊金山舉行的亞馬遜AWS峰會上說。但是，新技術永遠是洞察用戶行為最有力的工具，尤其移動用戶更是一個特別需要培養(yǎng)的肥沃資源。 “我們所看到的是，隨著越來越多應用正在被移動用戶推動，正因如此生成的數(shù)據(jù)量越來越大。大部分數(shù)據(jù)是被收集在云環(huán)境中，比如AWS。然后，新的商業(yè)模型正在利用這些數(shù)據(jù)，并基于這些數(shù)據(jù)提供新的服務?！?/span>

　　在大分析競賽中先拔頭籌

　　企業(yè)都使用什么類型的工具來篩選他們的大數(shù)據(jù)，以發(fā)現(xiàn)一些大分析？亞馬遜的Elastic MapReduce一直是很受歡迎的選擇，它幫助客戶挖掘當前未充分利用大數(shù)據(jù)源，然后利用BI展示。從幾年前就開始被經(jīng)常吹捧的一個的案例，Yelp開始整理其巨大的編輯日志文件，以尋找隱藏的關聯(lián)性。 “他們通過分析這些數(shù)據(jù)找出的一件事情是，人們是通過移動設備上訪問這個站點，”亞馬遜高級產(chǎn)品經(jīng)理John Einkauf在2014年舊金山舉行的AWS峰會上表示。 “這已經(jīng)是幾年前的事情，那時候很多公司還不曾開始了解向移動轉移。因此，他們在移動上做了很好的投資，為他們的服務取得了很好的流動性。截至2013年1月，他們正為950萬獨特移動設備提供服務。這一切都歸功于這個最初的洞察力，他們能夠分析出TB的日志數(shù)據(jù)。“識別數(shù)據(jù)的競爭者是最近被忽略的，并創(chuàng)建一個策略來挖掘它。這些途徑和策略就能區(qū)分出市場領導者和競爭失敗者。

　　生成正確的結果

　　進行數(shù)據(jù)分析的另一個經(jīng)常尚未開發(fā)的數(shù)據(jù)源是社會渠道的非結構化數(shù)據(jù)。處理非結構化數(shù)據(jù)始終是一個巨大的挑戰(zhàn)，因為在判斷數(shù)據(jù)相關性方面非常困難，但盡管如此，非結構化數(shù)據(jù)在商業(yè)智能和大數(shù)據(jù)分析領域越來越重要。那么，企業(yè)組織在非結構化數(shù)據(jù)分析時如何濾掉干擾呢？大多數(shù)處理非結構化文本策略包含一個反饋回路，用以隨著時間推移產(chǎn)生更多具有高度針對性的數(shù)據(jù)用于測試。從現(xiàn)有的社會資源收集然后可以變成可使用的社交媒體參與者，作為測試對象進行實驗。在企業(yè)層面，這可能意味著啟動了提出問題，各種社會媒體宣傳，邀請解說，或挑釁，然后可以測量和分析一些其他的回應。這是一個費時且高度復雜的過程，而是通過社交媒體獲得有意義的信息可以是金色的，當涉及到了解客戶真正想要的。

　　諷刺的是，許多能夠使大分析更有效的解決方案，都需要收集和創(chuàng)造更多的數(shù)據(jù)。然而，與其被動承受不如主動出擊，企業(yè)能夠自己定位，從而利用隱藏在過去，現(xiàn)在和未來大數(shù)據(jù)的洞察力。