大数据探索和分析中的误区

　　第一，大多数企业使用大数据进行确认，而非探索和发现。大数据技术使企业可以更多地了解业务问题的潜在原因，关注以前忽视的客户行为，明确目标受众，同时能够预测市场的未来和趋势，还可以对流程、产品设计进行微调，以提高效率和优势。然而，许多企业的领导甚至是IT决策者都有一个关于“需要做什么”的理论，也就是需要一个非常明确的业务查询或者应用才开始使用大数据，并且将使用大数据主要作为一种业务现状的证明方法，而常常忽略了大数据可以提供更多拓展意见和反驳意见的其他见解。

　　相反，通过查看内部/外部数据,结构化/半结构化/非结构化数据，自有/购买/第三方合作的数据等不同纬度定义的数据来做全数据的探索和分析，能帮助企业获得更全面和准确的信息，而不仅仅是获取正面的信息。大数据在给企业领导或者业务人员提供数据关联发现及价值探索方面是非常恰当的手段。

　　第二，过于迷信大数据和机器学习，而不是将大数据和专业业务人员学习相结合。当企业出现相关业务问题时，有的用户往往寄希望于把大数据技术作为解决问题的唯一方式。例如建议使用一套系统进行自动化的舆情监控，使用一套系统进行客户360度画像等。在这一点上，其实更好的方式是IT部门和数据科学家将他们的创意、经验及对行业的理解与大量数据资源结合起来，提供探索、实验和解决方案，直到整个问题得到解决。同时可以进行更广泛的交流分享,形成更有价值的、新的行业经验。

　　很多企业期待大数据是一种神奇的修复工具，是一个灵丹妙药。但实际上，企业的领导需要了解到大数据只是一种结合数据的工具而已，在适用于正确的问题时才能工作。不要只从一个个独立的大数据应用切入，第一个解决方案通常只是解决方案的第一部分。应该先从全局的、稳定的、可扩展的技术平台搭建入手，从而能服务各种新的问题。

　　第三，将数据与业务人员分开。很多企业将其IT部门作为提供技术的封闭服务部门，让其对大数据技术平台进行管理，提供服务和改进。然而，如果要真正做到使数据分析提供的见解惠及企业不同部门，需要将大数据和灵活的数据可视化方案相互结合，使技术和数据超越IT技术壁垒。这样才能将数据灵活送达到业务人员手中，使之能轻松、敏捷地进行数据可视化，并能用各种直观图形展现海量数据背后的规律和模式，从而加速其对数据的阅读和理解。这样的模式能显著影响业务人员开展工作的方式及企业专业人员在各个层面进行数据互动和创新的方式，促进IT的大数据服务帮助业务转型。

　　在企业内部使用大数据和分析，可以让更多管理人员了解相关数据和业务的互动情况。通过数据分析可了解哪些部门可以进行改进，哪些部门运转良好,哪些产品适合哪类人群,哪些竞争对手在做哪些事情等。只有让业务人员直接利用大数据、数据分析和场景模拟、假设分析等多种手段辅助工作，才能让大数据有更好的收益和结果。

　　第四，过于限制不同数据组的访问。如果根本看不到发生问题的真正原因及其相关的数据，即使技术再先进或业务再精通，也不能从大数据中找到最终的答案。数据池如此巨大，不应该过于对所有的人员，特别是企业核心的数据科学家进行内容访问的筛选。如果强制进行数据访问限制，数据科学家相关岗位的人员在发出查询的时候，能收集的数据已经被限制了，寻找到的问题答案也会大打折扣。当然，这个过程可以通过数据实验室特定的平台和应用工具精心设计，对于使用数据实验室进行数据探索的人员尽可能地开放数据集的访问权限。当然企业数据访问安全机制的设定必不可少，只是对于不同岗位人员数据访问限制要有科学机制。

　　第五，没有聘请好的数据科学家。大量的数据及先进的IT系统只有放在合适的人的手中才能发挥最大作用。为节省资金或加速大数据集成到企业业务中，许多企业往往忽略了选择合适的数据科学家来管理其价值。只有具备正确资格的技术专业人员才能早日识别问题，他们知道在哪里集中数据及如何对数据进行正确探索，并在合适的时间了解准确的信息以获得更多更好的见解。因此确保企业拥有合适的大数据科学家及数据团队是非常重要的。

　　第六，大数据生态重视不够。不同的大数据技术产品或技术路线共存或将成为趋势,闭关自守及单一化有可能会掉队,故而鼓励多方合作共同推进技术领域的创新和发展非常重要,包括政府组织、非政府组织、行业、区域、科研机构、企业及个人。多行业多单位多部门间的数据汇聚、关联、共享才是大数据大发展前提,这样数据计算、可视化、分析展现、数据变现才会变得更全面更有意义。

　　大数据的视野和技术应该是国际化的，区域意识的自我限定对客户和方案提供商来说都是影响发展的大忌。同时，数据安全及相关法规必须尽快配合大数据技术的迅猛发展。

　　大数据的主要行业应用场景

　　第一，政府：委办局数据打通汇聚，实现社会治理创新，平安建设深化，民生服务加强等。第二，电信：国家级省级呼叫中心大数据平台可大幅提高外呼成功率等。第三，银行：银行大数据平台实现精准营销,优质客户追踪服务,客户信用等级评估等。第四，农业：地块服务,土壤分级,配肥指导,作物品种推荐,畜牧服务,食品安全及追溯等。第五，公安：警务大数据平台进行警情分析,警力分布,治安趋势预判,异常数据追踪等。第六，医疗：医疗大数据进行疾病预防,健康管理,实现病例治疗经验分享,临床决策支持,疫情分析等。第七，制造业：物联网、车联网大数据分析平台等。还有众多其它行业应用场景,在此不一一列出。

　　总体来看，大数据探索和分析只有通过正确的方式处理才会为企业带来更大的价值。从大数据和分析项目的开始和流程中尽可能消除或避免相关的误区，企业才可以更好地把大数据利用好并取得长足的进步。

　　作者简介：甲骨文中国区大数据业务总经理