您当前的位置是:  首页 > 新闻 > 文章精选 >
 首页 > 新闻 > 文章精选 >

黑暗数据——你有一个计划吗?

--利用数据创造利润

2017-10-17 09:50:35   作者:   来源:CTI论坛   评论:0  点击:


  CTI论坛(ctiforum.com)(编译/老秦):实际上,每个企业都有大量的“黑暗数据”,以Weblog、机器日志和从石油钻塔、涡轮引擎到医院病人的各种传感器的日志等形式存在着。问题是:你是否有计划从你的黑暗数据中创造商业价值?
黑暗数据——你有一个计划吗?
  这是数据驱动的数字转型时代。你的企业正在寻找方法与客户进行更密切的接触,改进决策,提高生产效率,或者提供更好的客户体验。你可能有大量的需要在内部处理的数据。
  我们将“黑暗数据”定义为大型的、通常是非结构化的数据集,这些数据集来自于内部和外部资源,而这些数据目前并没有用于创建提供业务价值的洞察力。可以利用黑暗数据来检测客户购买、金融交易欺诈、供应链问题、卫生保健行业适用模型、产品生命周期问题等关键模式。
  挑战在于能够访问和使用数据来传递有用的见解,从而驱动业务价值。黑暗数据本质上是巨大的,非结构化的,难以理解的。
  不仅仅是数据量,数据复杂性是一个更大的问题。这些黑暗数据大多没有结构,也没有一个未知的结构,这使得要从中获取有用的商业见解变得更加的困难。
  利用这些极其庞大的数据集将推动生产力和创新的新浪潮。根据MGI和麦肯锡的商业技术办公室的研究,企业将利用数据以多种方式创造价值:
  • 通过使信息变得透明,数据可以在更大程度上用来提高盈利能力。
  • 当企业以数字形式创建和存储越来越多的事务性数据时,他们可以收集精确的、详细的性能数据,以揭示变化和提高绩效。
  • 可以利用黑暗数据来检测客户购买、金融交易欺诈、供应链问题、卫生保健行业适用模型、产品生命周期问题等关键模式。
  数据的黑暗面
  有了所有的数据承诺,就有不利的一面。这些数据类型的特征不仅仅是数据量大,还包括它们的速率、多样性和可变性。“数据漂移”通常用于描述这些新数据类型中数据的波动,这些数据对试图收集和理解新数据的企业构成了严重的挑战。在2016年进行的一项调查中,25%的受访者表示,他们放弃了从数据中获得分析性见解的努力,因为他们无法衡量收集到的数据。每个人面临的问题是,当数据“漂移”时,可能导致数据集成中断,并突然关闭业务流程。
  不仅现有的数据管理架构不适合处理这些文件,许多企业都缺少必要的分析和管理才能来驱动所有这些数据的价值。麦肯锡表示,仅美国就面临缺乏深度分析技能人才的问题。
  简单地说,让你的数据变得更有意义,更不要说把它转换成可以让你基于数据做出更好决策的工具,这是一项不可能完成的任务。在数字方面,世界上仅有不到0.5%的数据实际上正在被分析利用。企业数据丰富,但信息贫乏。
  机器学习的承诺:
  机器学习有望给市场带来新产品,比如自动驾驶汽车,而且已经提供了一个复杂的关于人类基因组的数据收集,这些数据被用来提供高度个性化的医疗保健。
  自上世纪90年代末以来,企业一直在使用人工智能工具来分析信息。几十年来,大型信用卡处理器一直在使用人工智能检测和防止欺诈。商业情报公司利用算法为企业主提供报告、仪表盘和其他数据的可视化显示。
  然而,这些任务只能通过已经被识别、清洗、准备和清洁的数据来实现--换句话说,是那些已经被发现并被带进了光明的数据。
  机器学习能被用来阐明黑暗数据吗?机器拥有处理海量数据的处理能力,利用数学和其他工具将数据转化为有意义的信息,为什么不呢?
  虽然听起来很简单,但这一领域仍处于起步阶段。企业正在努力适应他们的数据管理架构来掌控容量和速率。
  为黑暗数据制定计划:
  我们的目标是提供可信的相关信息,并及时提供数据,以推动你的企业变革。因此,拥有一个智能的数据发现工具,可以帮助查找数据并了解整个企业中的数据分布和扩散,这是解决黑暗数据问题的第一步。
  将新数据放到不同的系统中,并将它们放到你的操作中,这将是你从数据中获取价值的下一个关键步骤。许多企业正在寻找方法来加速跨越门槛的过程,同时正在努力适应这些类型数据的不断变化和变化。
  从黑暗数据中交付业务价值
  IT企业正面临着从解决这一挑战中获取价值的挑战,这将需要新的思考。旧的管理黑暗数据的方法不会是大规模的。为了满足数据驱动的数字转型的需求,我们将采取更多的措施。你需要人工智能和机器学习工具的力量,以自动化理解、管理和从黑暗数据中提取有价值的信息。
  是时候对你的黑暗数据方法进行不同的思考了。你有计划了吗?
  声明:版权所有 非合作媒体谢绝转载
 
【免责声明】本文仅代表作者本人观点,与CTI论坛无关。CTI论坛对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。

相关阅读:

专题