浙江移动大数据中心傅一平:大数据应用要勇于打破边界

娱乐要闻 阅读(1917)

最近,我一直在推进一些跨领域的问题,听一些教导,获得一些新的见解。作为一名大数据经理,拥有技术是远远不够的,更有必要拥有一个远大的胸怀。我在此与你分享。

1。在架构级别,大数据平台是企业级的

大数据平台。在技术层面没有太多的秘密。不管有多难,每个人都可以从小开始。然而,平台的定位企业需要思考清楚。这取决于你,因为它决定了平台的内涵。

例如,对于运营商来说,如果大数据平台没有管理层的认可,很可能会建立一个以市场为导向的专业市场。尽管传统的经济部门声称整合多领域数据,但它实际上是一个市场。然而,目前大多数运营商的数据创新都发生在运营+运营领域。

在TOGAF中,提到企业架构应该在准备阶段建立一些原则。这些原则是未来决策和行动的基础,不能动摇。现在我想起来,这太有必要了。如果我是企业大数据平台的首席架构师,第一个原则应该是“平台是企业级的,负责整个企业的数据集成。” "

虽然在随后的数据收集和集成过程中会有很多沟通和协调问题,甚至争论,但这些都是正常的。面对来自不同领域的数据,不同的专业人员应该采用统一的技术标准进行收集和管理,这显然是最终妥协的结果。

建立真正的企业级大数据平台不仅是一个技术问题,也是一个管理问题。在公司大数据平台建设的早期阶段,笔者参与了很多技术讨论,在技术层面上也有很多争论,因为一旦得到证实,就意味着目前正在良好使用的技术可能会被抛弃。

正是因为企业级原则,所有数据都可以合理地收集。企业中有多少数据经理由于缺乏高层的明确陈述而使数据集成变得困难

2。在操作层面,勇于打破部门界限。

即使收集了企业级数据,企业的大数据管理者也往往没有意识到自己陷入了“数据是全球性的,但心态仍然是部门性的”的境地。为什么

是自我定位的第一个问题,硬件已经更新,但软件还没有更新。在企业数据连接的早期阶段,很难理解全局数据。事实上,从战略的角度来看,在众多有明确界限的企业中,数据管理者往往不自觉地被部门的利益所左右。现在,需求是以整个世界的利益为导向的。这一变化的挑战非常大

例如,过去各部门使用自己的资源。现在,该平台需要服务于企业的所有部门。如何分配资源、如何设置优先级以及如何连接跨部门流程都是问题。企业级大数据平台的完成不是结束,而是艰难运营的开始。

其次,还有不确定性的问题。在前期,笔者谈到企业要建立搭建舞台唱戏的运作模式,并通过企业级平台平台为各部门提供能力支持。然而,支持熟悉的业务相对容易,而支持不熟悉的业务就变得困难。

以模特大赛为例。我们可能对领域B很熟悉,这不是精确的营销吗?我们理解,但是一旦我们切换到域O,我们会感到害怕困难,并且认为这件事是不确定的。例如,我们不熟悉网络,我们不知道如何决定话题,其他人不合作。简而言之,有很多问题。这对企业的数据管理团队来说是一个巨大的挑战。

总是喜欢做熟悉的事情,无法躲避陌生的领域。然而,这正是企业级大数据运行的关键。如果不突破它们所在的原始业务领域,我们就无法谈论企业级大数据,也无法解决在处理大数据时的大意识问题。

当我们构建企业级大数据平台时,我们应该问问自己,我们的心是否准备好尝试一个从未涉足的领域。当我们哀叹大数据不容易在内部实现时,我们有没有想过由于我们自己的意识形态禁锢而导致的停滞。

3。在数据层面,我们应该尽力掌握跨境信息。

您是一个域中的数据权威,但您通常还没有在另一个域中开始,因为数据具有自然的业务属性,即所谓的无业务无数据,但事实真的是这样吗

对于数据管理人员,如果将数据当成资产,则理解资产是第一要务,现在人工智能,机器学习很热,但再好的算法,也不如一个好的数据。

举个例子,我们举办的一次建模大赛中发现有个地市找到了一个数据,即基于信令切换可以判断是否换成WIFI上网,这可以较为准确的判断是否是异网宽带用户,而这个数据其实早已经躺在我们的平台上了,仅仅因为这个数据不属于传统的领域,我们的数据管理人员还不熟悉,但大家都知道,靠算法去判断一个异网用户是多么艰难。

重剑无锋,大巧不工,大数据的精髓往往在于去做那些朴实无华的事情,就好比我们以前理解B域数据那样,要通过不停的问,不停的取,不停的修,最终我们对于数据的理解才能达到一个新的境界,直到足以挖掘出这个数据的全部潜力,这才是企业级数据管理团队存在的价值。

4、在算法层面,要敢于去尝试一些新东西

人工智能,深度学习兴起代表了一种趋势,虽然业务为王,但也要相信算法推动业务的力量,我们在尊重业务人员的经验时候,也要想想有哪些更好的算法能服务好业务,两者是相辅相成的。

很多人估计跟笔者一样困惑吧,一方面感叹于深度学习在人机交互领域的突飞猛进,另一方面却觉得这个东西跟公司的业务相距甚远,真的是这样吗

如何让深度学习服务于自己的企业是当前每个数据管理者需要考虑的问题,总有些业务场景特征是不明显的,需要用深度网络来抽象出特征变量,总有些场景识别问题可以转换成图像识别问题,企业特别需要有能连接业务和深度学习的人,我们不能对业务人员有更多要求, 这是用技术改变业务的真正机会。

寻找的过程很痛苦,但值得去尝试,即使失败了,也积累了经验,至少理解了深度学习,搞懂了TensorFlow, 这对团队有好处,也为下一次冲锋集聚了能量。

部门有界,数据无界,是突然闪现在面前的字眼,大数据博大精深,既是技术,也是业务,更是管理,既是术,也是道,我们在羡慕互联网的跨界创新时,其实企业的跨界创新就在身边,关键在于自己是否拥有更广阔的视野和胸襟,能勇敢的往前迈出一步。

本文已标注来源和出处,版权归原作者所有,如有侵权,请联系我们。