当前位置:首页 > 物联网 > 物联网技术文库
[导读]在我们身处的时代,数据无处不在。据IBM公司估算,人类每天产生约2.5万ZB的数据,这意味着世界上90%数据都是过去的两年中产生的。Gartner公司分析报告显示,在2015年财富500强的公司中百分

在我们身处的时代,数据无处不在。据IBM公司估算,人类每天产生约2.5万ZB的数据,这意味着世界上90%数据都是过去的两年中产生的。Gartner公司分析报告显示,在2015年财富500强的公司中百分之八十五的企业无法利用大数据来获取竞争优势。

大数据无处不在 企业实践指南有哪些?

  数据无处不在

  到2020年,全世界将有上百万大数据相关的就业机会产生。这些庞大的数据蕴藏了宝贵财富,企业可以使用最先进的分析技术,利用这些数据更好地了解客户的行为,识别商业机会,制定运营战略。
  
  让我们举几个例子,金融机构每天通过信用评分模型,了解他们的客户在未来12个月内每种信贷产品(抵押贷款、信用卡、分期贷款)上的信用。他们以该信用评分为基础来进行坏帐准备,计算巴塞尔协议II/III规定所需资本金数量,或是制定营销方案(例如根据信用评分调整信用卡额度)。
  
  电信运营商使用最近通话行为数据建立流失模型,估计客户在未来一到三个月流失的可能性。运营商会根据模型得分来制定营销活动,避免有价值的客户流失。Facebook和Twitter会使用社交媒体分析技术进行内容分析和情感语义分析,以便更好地了解品牌认知度,进一步调整产品服务设计。
  
  亚马逊和Netflix等在线零售商不断地分析顾客的购买行为,以决定产品捆绑销售策略,并利用推荐系统为客户下一次购买推荐产品。信用卡公司使用欺诈检测模型,检测付款是否具有欺骗性,是否发生了信用卡盗刷。政府采用数据分析技术来预测逃税行为,优化公共预算分配,分析交通数据提高公共交通效率,分析预测恐怖袭击保障国家安全。
  
  化数据为价值
  
  数据是任何分析模型成功的基础。当启动分析项目时,有必要详细列出企业内所有可用于分析的数据。这里的原则就是数据越多越好!因为很多分析模型都能自动决定哪些数据对当前分析很重要,哪些数据可以排除在下一步分析之外。
  
  我们的研究不断印证了这样一个观点:改善分析模型最好的办法,就是投资于你的数据!这可以通过数量和质量两个维度的提升来完成。对于前者,一个关键点是如何整合结构化数据(例如关系数据库)和非结构化数据(如文本),提供全方位综合视角进行客户行为分析,另一个关键点则是在线数据和离线数据的整合,很多企业为这个问题所困扰。
  
  此外企业还可以超越其内部边界,考虑从外部数据供应商那里购买外部数据,以弥补其内部数据的不足。大量的研究表明采用外部数据,对比较和完善分析模型非常有用。虽然数据常常体量巨大,但是数据质量经常是一个痛点。GIGO(garbage in garbage out)的原则在这里非常适用,烂数据只会生成烂模型。
  
  听起来显而易见,然而实践中数据质量往往成为许多分析项目的“阿喀琉斯之踵”。数据质量可以分解成很多维度:准确性、完整性、新近度、一致性等。在大数据分析中,企业必须专门制定数据质量管理方案,设立数据审核员、数据管家或数据质量经理等职位,持续监测数据质量。
  
本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
换一批
延伸阅读

在这篇文章中,小编将为大家带来机器学习的相关报道。如果你对本文即将要讲解的内容存在一定兴趣,不妨继续往下阅读哦。

关键字: 机器学习 数据分析

今天,小编将在这篇文章中为大家带来机器学习的有关报道,通过阅读这篇文章,大家可以对它具备清晰的认识,主要内容如下。

关键字: 机器学习 数据挖掘

在信息爆炸的时代背景下,数据挖掘和机器学习作为现代信息技术的核心领域,在大数据分析、智能决策支持及商业智能等诸多方面发挥着至关重要的作用。它们之间不仅存在着紧密的内在联系,而且在实际应用中相互渗透、相互促进,共同推动了数...

关键字: 数据挖掘 机器学习

在下述的内容中,小编将会对机器学习的相关消息予以报道,如果机器学习是您想要了解的焦点之一,不妨和小编共同阅读这篇文章哦。

关键字: 机器学习 数据挖掘

随着互联网的迅猛发展,百度、阿里巴巴、腾讯等互联网巨头逐渐崭露头角,成为了行业的领军者。这些公司在云计算、大数据、人工智能等领域积累了丰富的经验和技术实力,为开发者提供了丰富的服务和工具。在这样的背景下,BAT模块应运而...

关键字: 互联网 云计算 大数据

随着大数据时代的来临,机器学习作为人工智能的核心技术之一,已经深入到各个领域并展现出强大的潜力和价值。机器学习通过对大量数据的分析、学习和预测,为各个行业提供了前所未有的机遇。本文将详细介绍机器学习的常见任务,并探讨这些...

关键字: 机器学习 大数据

在机器学习的世界中,数据的有效性至关重要。无效或低质量的数据可能导致模型性能下降,甚至误导模型的训练方向。因此,了解如何评估数据的有效性,以及如何从数据中提取最大价值,成为了机器学习项目成功的关键。本文将探讨机器学习中数...

关键字: 机器学习 数据分析 人工智能

在数字化时代,数据的价值日益凸显,如何有效地从海量数据中提取有价值的信息并转化为实际的应用价值,成为了科技领域的研究热点。数据挖掘与机器学习作为数据处理和分析的两大关键技术,各自拥有独特的优势和应用场景。本文将深入探讨数...

关键字: 数据挖掘 机器学习

随着数字时代的快速演进,机器学习和数据分析逐渐成为科技领域的两大核心驱动力。这两者虽然各自独立,但又紧密相连,共同推动着现代社会的进步。本文将深入探讨机器学习和数据分析的关系,以及它们如何共同塑造我们的未来。

关键字: 机器学习 数据分析 人工智能
关闭
关闭