如何将大数据转化为可行的情报？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-03-16
我们使用经常使用的分析应用程序来快速阐明数据分析：可视化！
商务智能（BI）是分析方法的集合，这些方法通过识别大量数据中的模式而应用于大数据，以揭示可操作的情报。当我们在图表中从右向左移动时，从大数据到BI，我们注意到非结构化数据转换为结构化数据，这意味着数据分析方法被应用于大数据，例如数据准备和数据挖掘的方法，使我们越来越接近提炼有用模式，知识和智能的目标，从而可以正确地采取行动。
希望这可以澄清这些复杂的概念及其在更大的分析过程中的位置
尽管通常看到专家和网点大肆宣传BI或大数据本身就是目的，人工智能驱动的分析是一个复杂的领域，重要的是，各种数据集正在迅速增长，导致这些组织研究大数据报告工具，甚至接触那些其整体业务模型可以概括为“大数据即服务”的公司，以便理解它们，如果您拥有大数据，那么正确的分析平台或第三方大数据报告工具对于帮助您从中获取可操作的情报至关重要，实施这些工具的方法之一就是嵌入第三方插件。
大数据挑战与解决方案
当您拥有大数据时，您真正想要的是提取包含在可能为兆字节的潜在信息中的情报的真实价值，为了地了解如何做到这一点，让我们深入探讨大数据的挑战，并审视一波新出现的问题，首先物联网（IoT）的兴起创造了大量要分析的新数据，工厂车间的物联网传感器不断将数据流传输到云仓库和其他存储位置。
这些快速增长的数据集为公司提供了收集如下见解的巨大机会
机器诊断，故障预测，维护和自动维修零件订购。从这些系统获得的情报甚至可以馈送到人力资源团队以改善服务人员配备，从而进一步馈送到企业人力资源管理和绩效解决方案（基于AI的分析报告到ERP解决方案）装运的组装产品还可以直接输入到ERP，以更新供应链解决方案，从而提高客户的意识和体验，坦率地说我们面临的挑战是尚不存在可以容纳和处理这种大数据海啸的云架构，我们如何才能理解不适用于企业服务总线的数据？ESB是云系统的中间件组件，如果一百万家工厂都试图一次从其传感器中提取情报，那么它们将不堪重负。
一种潜力巨大的解决方案是“边缘计算”
提到网络的概念“边缘”，基本思想是在数据源执行机器学习（ML）分析，而不是将传感器数据发送到云应用程序进行处理。边缘计算分析平台可以执行的在数据创建时（物联网设备/传感器）生成可操作的见解，而不是收集数据，将其发送到其他地方进行分析，然后将表面化的智能传输到嵌入式分析解决方案中（例如向人类用户显示BI见解），随着传感器输出数据的数量的增加，采用边缘计算范式的压力也随之增加，边缘计算解决方案与强大的商业智能大数据程序（由具有AI功能的分析平台支持）相结合，对于处理这些海量快速移动和远程数据的公司而言，是巨大的进步。
大数据分析案例研究
头戴式耳机和耳塞领域的不断创新者，它利用客户数据的大数据存储来评估和保修，以随着时间的推移改进其产品。与典型的分析方法不同，其他数据实用程序来挖掘大量的客户反馈，这些反馈都是文本数据。这是对先前流程的改进，在先前流程中，专注于使用事务分析进行更直接的性能预测，现在已成为一家以数据为导向的公司，他们正在尝试其他文本分析，这些文本分析可以从自己网站上的产品评论中提取见解，团队还使用文本分析来将其性能与竞争对手进行比较。
大数据之旅始于建立数据仓库以汇总其交易数据
由于对保修进行了文本分析，因此能够区分产品问题和客户培训，从而在产品开发方面取得了突破性的见解/智慧，基于AI的分析可以在短信中区分产品和教育，这一事实具有开创性，常见的模式是，客户实际上退回了一个损坏的产品，而实际上他们根本不知道如何使用蓝牙连接，数据驱动的产品开发也从中受益，大数据分析可以分析保修/退货数据，该数据表明，在锻炼过程中使用的耳机数量比以前想象的要多，而其耳机的返还率却高于正常水平，原来汗水正在腐蚀端子，导致回流，结果是使产品防水。
我们还看到了大数据带来的价值模式
大数据即服务：授权用户，节省资源，严格来说“大数据分析”将自己区别于对快速移动的复杂数据的大规模分析，这种区别的隐含之处在于，大数据分析所吸收的扩展数据集远远超出了常规数据库的容量，实质上是将高级分析与庞大的数据仓库或湖泊的内容相结合，为了处理大量的可能的信息，大数据分析程序的AI组件必须必须包括检查，清理，准备和转换数据的过程，以便创建的数据模型，从而有助于发现可行的情报，确定模式，提出下一步建议，并在关键时刻支持决策。
从大数据中获取的情报具有真正的潜力
商务智能（BI）是分析方法的集合，这些方法通过识别大量数据中的模式而应用于大数据，以揭示可操作的情报。当我们在图表中从右向左移动时，从大数据到BI，我们注意到非结构化数据转换为结构化数据，这意味着数据分析方法被应用于大数据，例如数据准备和数据挖掘的方法，使我们越来越接近提炼有用模式，知识和智能的目标，从而可以正确地采取行动。
希望这可以澄清这些复杂的概念及其在更大的分析过程中的位置
尽管通常看到专家和网点大肆宣传BI或大数据本身就是目的，人工智能驱动的分析是一个复杂的领域，重要的是，各种数据集正在迅速增长，导致这些组织研究大数据报告工具，甚至接触那些其整体业务模型可以概括为“大数据即服务”的公司，以便理解它们，如果您拥有大数据，那么正确的分析平台或第三方大数据报告工具对于帮助您从中获取可操作的情报至关重要，实施这些工具的方法之一就是嵌入第三方插件。
大数据挑战与解决方案
当您拥有大数据时，您真正想要的是提取包含在可能为兆字节的潜在信息中的情报的真实价值，为了地了解如何做到这一点，让我们深入探讨大数据的挑战，并审视一波新出现的问题，首先物联网（IoT）的兴起创造了大量要分析的新数据，工厂车间的物联网传感器不断将数据流传输到云仓库和其他存储位置。
这些快速增长的数据集为公司提供了收集如下见解的巨大机会
机器诊断，故障预测，维护和自动维修零件订购。从这些系统获得的情报甚至可以馈送到人力资源团队以改善服务人员配备，从而进一步馈送到企业人力资源管理和绩效解决方案（基于AI的分析报告到ERP解决方案）装运的组装产品还可以直接输入到ERP，以更新供应链解决方案，从而提高客户的意识和体验，坦率地说我们面临的挑战是尚不存在可以容纳和处理这种大数据海啸的云架构，我们如何才能理解不适用于企业服务总线的数据？ESB是云系统的中间件组件，如果一百万家工厂都试图一次从其传感器中提取情报，那么它们将不堪重负。
一种潜力巨大的解决方案是“边缘计算”
提到网络的概念“边缘”，基本思想是在数据源执行机器学习（ML）分析，而不是将传感器数据发送到云应用程序进行处理。边缘计算分析平台可以执行的在数据创建时（物联网设备/传感器）生成可操作的见解，而不是收集数据，将其发送到其他地方进行分析，然后将表面化的智能传输到嵌入式分析解决方案中（例如向人类用户显示BI见解），随着传感器输出数据的数量的增加，采用边缘计算范式的压力也随之增加，边缘计算解决方案与强大的商业智能大数据程序（由具有AI功能的分析平台支持）相结合，对于处理这些海量快速移动和远程数据的公司而言，是巨大的进步。
大数据分析案例研究
头戴式耳机和耳塞领域的不断创新者，它利用客户数据的大数据存储来评估和保修，以随着时间的推移改进其产品。与典型的分析方法不同，其他数据实用程序来挖掘大量的客户反馈，这些反馈都是文本数据。这是对先前流程的改进，在先前流程中，专注于使用事务分析进行更直接的性能预测，现在已成为一家以数据为导向的公司，他们正在尝试其他文本分析，这些文本分析可以从自己网站上的产品评论中提取见解，团队还使用文本分析来将其性能与竞争对手进行比较。
大数据之旅始于建立数据仓库以汇总其交易数据
由于对保修进行了文本分析，因此能够区分产品问题和客户培训，从而在产品开发方面取得了突破性的见解/智慧，基于AI的分析可以在短信中区分产品和教育，这一事实具有开创性，常见的模式是，客户实际上退回了一个损坏的产品，而实际上他们根本不知道如何使用蓝牙连接，数据驱动的产品开发也从中受益，大数据分析可以分析保修/退货数据，该数据表明，在锻炼过程中使用的耳机数量比以前想象的要多，而其耳机的返还率却高于正常水平，原来汗水正在腐蚀端子，导致回流，结果是使产品防水。
我们还看到了大数据带来的价值模式
大数据即服务：授权用户，节省资源，严格来说“大数据分析”将自己区别于对快速移动的复杂数据的大规模分析，这种区别的隐含之处在于，大数据分析所吸收的扩展数据集远远超出了常规数据库的容量，实质上是将高级分析与庞大的数据仓库或湖泊的内容相结合，为了处理大量的可能的信息，大数据分析程序的AI组件必须必须包括检查，清理，准备和转换数据的过程，以便创建的数据模型，从而有助于发现可行的情报，确定模式，提出下一步建议，并在关键时刻支持决策。
从大数据中获取的情报具有真正的潜力
可以改变世界从揭示客户服务问题和产品开发潜力的文本分析到培训金融模型以检测欺诈或医疗系统以检测癌细胞，精明的企业将使用户，分析师和数据工程师能够从多个来源准备和分析TB级的数据，而无需任何其他软件，技术或专门人员，幸运的是现在可以通过嵌入专家第三方分析来利用所有这些潜力，并避免内部开发的成本和时间，认识到大数据分析与结果价值相结合的艰巨任务，存在将其作为服务使用的自然倾向，因此可以尽快获得大数据即服务的好处。
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
