對各大行業(yè)調(diào)查報告顯示結果表明，當被問及關于大數(shù)據(jù)成功的驅(qū)動因素時，69％的企業(yè)高管稱數(shù)據(jù)品種是最重要的因素，其次是數(shù)量（25％），速度（6％）落后。在企業(yè)界，整合更多資源可以找到巨大的數(shù)據(jù)，而不是更大的數(shù)額。可見處理和管理大數(shù)據(jù)量并不是決定大數(shù)據(jù)投資驅(qū)動的關鍵因素。相反，它是整合更多數(shù)據(jù)源的能力，例如新數(shù)據(jù)、舊數(shù)據(jù)、大數(shù)據(jù)、小數(shù)據(jù)、結構化數(shù)據(jù)、非結構化數(shù)據(jù)、社交媒體數(shù)據(jù)、行為數(shù)據(jù)和遺留數(shù)據(jù)等多樣化數(shù)據(jù)類型。

??

大數(shù)據(jù)的實踐是整合多樣化數(shù)據(jù)源

對于大型企業(yè)來說，當許多高管想到大數(shù)據(jù)時，通常會想到大量的數(shù)據(jù)，這導致了一個普遍存在的觀點，在數(shù)據(jù)和分析方面，數(shù)據(jù)量越大越好，而往往忽略了數(shù)據(jù)結構的多樣化。這就促成了大數(shù)據(jù)的神話，大數(shù)據(jù)等同于大量的數(shù)據(jù)。一個企業(yè)大數(shù)據(jù)應該是是匯集了各種數(shù)據(jù)所有的信息來源：

• 客戶群體信息來源

• 客戶地域信息來源

• 客戶年齡信息來源

• 競爭對手信息來源

• 客戶性別信息來源

我們以電商購物平臺為例，客戶在線購買一件商品，我們可以追蹤到客戶的在線的任何數(shù)據(jù)。并且可以生成大量的結構化和非結構化數(shù)據(jù)。?例如人口統(tǒng)計：年齡，性別，地理區(qū)域，收入。心理數(shù)據(jù)：偏好，價值觀，推動購買的動機等多種類型的數(shù)據(jù)源。

對這些多樣化的數(shù)據(jù)源進行分析和匯總我們可以得出一些結論，對于用戶來說我們可以完善用戶的購物體驗，吸引更多潛在客戶。對于企業(yè)來說可以分析市場競爭情況，優(yōu)化產(chǎn)品類別，了解競爭對手動態(tài)，提升企業(yè)在市場上的競爭力。

多樣化的數(shù)據(jù)幫助各行業(yè)實現(xiàn)精準數(shù)據(jù)分析

我們用探碼科技智能選址平臺為例，如果是創(chuàng)業(yè)開店，要實現(xiàn)精準選址分析模型，那么數(shù)據(jù)所覆蓋的范圍主要包括住宅數(shù)據(jù)、商圈數(shù)據(jù)、客流數(shù)據(jù)以及商業(yè)體數(shù)據(jù)等多樣化的數(shù)據(jù)體系，這樣才能夠?qū)崿F(xiàn)智能選址，快速準確的分析出什么類型的店開店在什么地方可以挖掘最大的用戶群體。

??

智能選址應用于各大行業(yè)所體系的數(shù)據(jù)結果也不同：

• 信息發(fā)布類：房產(chǎn)中介、廣告服務商、業(yè)主，創(chuàng)業(yè)服務類公司

• 戶外廣告：廣告牌出租、購買分析

• 實體開店：餐飲、服裝、美容、建材、酒店等

• 超市便利：店鋪選址、銷售、競品分析、經(jīng)營分析

• 教育：創(chuàng)業(yè)指導、學生網(wǎng)絡行為分析

• 商業(yè)地產(chǎn)：商鋪招租、招商指引、主題規(guī)劃、廣告投放

多樣化的數(shù)據(jù)源增強各行業(yè)人工智能化的大數(shù)據(jù)行為分析能力

從企業(yè)的角度出發(fā)，企業(yè)通過多樣化的數(shù)據(jù)源將數(shù)據(jù)管理工作集中在開發(fā)更強大的數(shù)據(jù)和分析上。

捕獲舊數(shù)據(jù)源

以電商平臺為例，利用大數(shù)據(jù)技術捕獲企業(yè)傳統(tǒng)的遺留數(shù)據(jù)源，包含客戶信息、客戶購買產(chǎn)品、客戶地域分布、年齡段等等數(shù)據(jù)，采集分析挖掘現(xiàn)有數(shù)據(jù)源，然后再在轉(zhuǎn)向新的數(shù)據(jù)源，并把傳統(tǒng)的數(shù)據(jù)源和現(xiàn)有數(shù)據(jù)源相結合最終融合成為企業(yè)新的數(shù)據(jù)源，增強電商購物在行業(yè)當中的競爭力，贏取更高的市場份額。

集成非結構化數(shù)據(jù)

從企業(yè)角度出發(fā)我們把結構化數(shù)據(jù)被假定為時間序列的形式，該時間序列對特定時期內(nèi)的企業(yè)績效的某些方面進行編碼，如每月或每周的銷售數(shù)據(jù)或股票價格等。非結構化數(shù)據(jù)可以從消息源，消費者的內(nèi)部儲存庫反饋，博客和討論論壇，也可以從微博，微信等社交媒體獲得。

越來越多的公司（29％）現(xiàn)在專注于整合這些非結構化數(shù)據(jù)，用于從客戶情緒分析到監(jiān)管文件分析到保險索賠裁決。整合非結構化數(shù)據(jù)的能力正在擴大傳統(tǒng)分析，將定量指標與定性內(nèi)容相結合。其目的是生成新的數(shù)據(jù)形式，可用于未來推導預測模型或執(zhí)行因果分析，或幫助企業(yè)進行風險評估。

添加社交媒體和行為數(shù)據(jù)源

雖然大數(shù)據(jù)早期的大部分興趣來自于eBay和Facebook等公司捕捉社交媒體和行為活動，但這些應用程序在“財富”1,000強中相對較早，僅有14％的人將此列為優(yōu)先事項。隨著公司在大數(shù)據(jù)方面的努力取得進展，他們很可能會將注意力轉(zhuǎn)向關注社交數(shù)據(jù)在諸如患者堅持和基于消費者購買行為和偏好的移動設備建議等領域提供的未開發(fā)機會。及時的建議可以立即產(chǎn)生結果。

要符合納入社交媒體分析類別的資格，產(chǎn)品必須有多樣化的數(shù)據(jù)源組合：

• 創(chuàng)建可用數(shù)據(jù)指標衡量的業(yè)務目標

• 提供跟蹤和共享數(shù)據(jù)

• 評估受眾規(guī)模，參與度和受眾特征

• 提供情緒分析

• 綜合社交媒體統(tǒng)計

• 比較來自單個廣告系列，帖子或網(wǎng)頁的數(shù)據(jù)

無論是從電商平臺在線購物體驗、還是到智能選址、再到企業(yè)數(shù)據(jù)的抓取、及社交媒體行業(yè)行為分析等，從這當不難看出企業(yè)執(zhí)行大數(shù)據(jù)策略并不是通過數(shù)量，而是多樣化的數(shù)據(jù)源的一個集合體。

正如探碼科技自主研發(fā)的DYSON智能分析系統(tǒng)，是在歷經(jīng)8年的技術沉淀，遵循大數(shù)據(jù)的技術生命周期，把機器學習系統(tǒng)充分融入到大數(shù)據(jù)體系中去，實現(xiàn)用戶多樣化的數(shù)據(jù)信息抓取及分析，讓大小數(shù)據(jù)可視化，并且可以實時導出數(shù)據(jù)分析報告，讓企業(yè)的數(shù)據(jù)與業(yè)務可實時追蹤。

如何用智能分析系統(tǒng)抓取我們需要的數(shù)據(jù)可以參考：

http://m.nbbskj.com/dyson

?

?