同样是投资大数据，为什么他的成本比你低？

• 作者：(美) 杜尔森·德伦（Dursun  Delen）
  
• 来源：《大数据掘金》，中国人民大学出版社
• 编辑：李虹雨
  
  

---

企业早已意识到大数据的商业价值。同样是投资大数据，别人的回报率为什么更高？一是要掌握投资时机；二是商业模式、清晰的战略定位、稳固的数据基础设施等因素都是影响大数据价值发挥的因素。

不考虑体量、种类和速率，大数据本身是毫无价值的。只有当商业用户利用它们为企业创造价值时，它们才是无价之宝。正因如此，我们需要“大”分析。
多数企业都有监控数据仓库的长期报告和仪表盘，但是并不对外开放这些资源库，由此阻碍了为了满足需求而诞生的深度探索。导致这种情况的一部分原因是分析工具对大多数普通用户来说过于复杂，另一部分原因是对于用户来说，资源库的信息还远远不够用。随着大数据分析范式的出现，这种情况将发生戏剧式的变化（有些变化甚至已经登上了舞台）。

对于企业来说，大数据的价值与挑战并存。传统的捕获、存储、分析方法并不能快速有效地处理大数据，因此，研发（或者购买、雇佣、外包）新技术来接这块烫手山芋成为了当务之急。

在做这项投资之前，企业首先要师出有名。以下的问题也许能使你在这点上更加明朗地看清一些。如果你的企业存在以下几种情况，你就要慎重考虑开始你的大数据之旅：

• 受目前使用的平台和环境限制，你无法处理想要处理的数据；
• 你想将最新的数据源（如社交媒体、RFID标签、传感器、网页、GPS、文本数据）纳入到分析平台，但是它们无法和数据存储中由架构定义的行与列兼容而又不失真实性和丰富性；
• 为了实时分析，你需要尽可能快地整合资源；
• 由于新数据本质未知，或者没有足够的时间确定本质，然后再开发相应的架构，你需要一个按需变化架构（与关系数据库管理系统中使用的先定架构相对）数据存储范式来适应这种情况；
• 数据到达的速度远远超出你企业目前使用的传统分析方法能够处理的速度。
  
  
  正如其他大型IT类投资一般，大数据分析能否成功取决于一系列因素。图一形象地展示了一些最关键的因素。
  图一   大数据分析成功的关键因素
  以下是对这些关键因素的解读。
  
• 清晰的商业需求（愿景与战略一致）。商业投资应该是为了更好地商业发展而不是纯粹追求高科技。因此大数据分析的首要驱动力应该是商业需求，不管来自于什么层面：战略、技术或者运营。
• 强大稳定的支持（即执行支持者）。众所周知，离开了强大稳定的执行层的支持，改革很难（几乎不可能）成功。如果目标范围只是一个或者几个的分析应用，那么部门级别的支持就足够了。但若想进行整个企业的转型（使用大数据的初衷常常在于此），就需要来自最高层的、整个企业的支持。
• 商业战略和IT战略间的一致。必须要确定分析工作总是为了支持商业战略，而不是商业战略支持分析工作。分析工作应该在商业战略中扮演推动者的作用。
  
• 实事求是的决策文化。在实事求是的决策文化中，数据推动着决策。而不是直觉、感觉和猜测。同时，这种文化还伴随一种以实验决定哪些有效、哪些无效的实验文化。要创造实事求是的决策文化，企业高层需要：
  
  

        1.认识到一些人总是不能或者不愿意作出调整的；

        2.用实际声音表达自己的支持；

        3.强调必须抛弃过时的方法；

        4.询问什么样的分析最终进入了决策；

        5.以奖励和补偿促进员工按公司的期待行动。

• 稳固的数据基础设施。数据仓库为数据分析提供了基础设施。这项基础设施始终在不断变化并在大数据时代因新科技而得到了进一步加强。成功需要新老结合，并为了事半功倍的全面基础设施而努力。
  
  随着数据的体量和复杂性不断增加，对高效分析系统的需求就越来越急迫。为了赶上大数据的计算机需求，一批创新的计算机技术和平台正在开发中。这些技术统称为“高性能计算”，包括：
  
• “内存分析”   允许在内存中处理分析型计算和大数据，再通过一系列专用的接点进行分配，由此几乎能够做到实时地高度精确预测并解决复杂问题；
  
• “数据库内部分析”   在数据库内部完成数据整合和分析，因此不需要重复地移动或者转化数据。这种技术能加速预测，并更好地控制数据；
• “网格计算”    在一个共享的、中央控制的IT资源池中处理任务，能够提升效率，降低成本，性能更佳。
• “设备”    将硬件和软件整合到一个物理单元中，使之不仅能够快速处理，还可以恰如所需地改变大小。
  
  
  这些计算需求不仅仅是当今企业面临的大数据挑战的一部分。企业高管们在实践中发现了一些对于成功实施大数据分析有重要影响的因素，列举如下。在考虑大数据项目的实施和架构时，留心这些因素将使这段通往分析能力的旅途不那么紧张。
  
• 数据体量。捕获、存储、处理大量数据的速度必须要保持在一个快速的状态，以保证决策层在需要的时候即刻就能获得最新信息。
• 数据整合。在融合结构或者来源不同的数据时既要提高速度又要降低成本。
• 处理能力。捕获数据后即刻处理的能力非常重要。传统的收集、处理数据的方法也许并不适用，在多数情况下，数据一经捕获就需要立即分析以获得最大的价值。
  
• 数据管理。大数据的安全、隐私、所有权和质量问题都应该实时更新。数据的体量、种类（形式和来源）、速率在变化中，因此管理实践的能力也要相应地有所变化。
• 技术可得性。大数据需要和新工具配套使用，并且常常有新的视角产生。作为新兴产业，该领域的专业人员（常被称为数据科学家）存在短缺。
• 解决方案的成本。大数据为我们打开了一扇通往商业改良的大门，有大量正在发生的实验和发现需要付诸实践以确定什么样的模式是有效的，是能将预见转化为实际价值的。为了保证ROI比率为正，各种大数据项目都必须降低发现价值的成本。
  
  
  

由于大数据的挑战真实存在，大数据的价值也同样摸得着看得见。商业分析领导者们的实际行动证明了数据资源对商业的价值，推动企业从实验、探索大数据到适应、拥抱大数据的转变。他们做的任何一件事都能够将企业的前后期区分开来。探索固然是好的，然而，大数据的终极价值在于将预见转化为行动。