『壹』 企業如何應用大數據分析
企業應用大數據分析就要藉助一些數據分析工具，比如商業智能軟體FineBI，有了工具就等於完成了一半。一般數據分析工作可分為以下三個步驟：
1、明確業務需求
按業務驅動的角度，了解業務部門需要解決什麼樣的問題，業務范圍是什麼，所要達成的效果又是怎樣，依據這些需求來實施部署商業智能工具。
2、數據結合與關聯
由於企業數據海量的特點和多元化的結構形式，需要商業分析工具具有海量的數據探索和分析能力，能夠實時有效的與已有數據結合，產生精確的行動方向。
此外，企業數據的價值最終體現在客戶的消費上，因此，對於能直接產生價值的數據要和客戶關系和交易數據進行結合和關聯，從而做出直接導向效益的決策。
3、培養數據分析人才
企業的數據分析，商業智能系統的部署是關鍵，但業務人員數據分析水平也同樣重要。這就要求人員在信息過程管理當中要逐漸培養科學化管理數據的意識，企業上下也要統一共識，從而形成對企業數據的綜合管理。
『貳』 如何在企業管理中應用大數據分析
大數據作為新一代信息技術的代表，己開始在工業設計、研發、製造、銷售、服務等環節取得應用，並成為推動互聯網與工業融合創新的重要因素。面對大數據浪潮，傳統企業需要主動把握大數據發展方向，深入挖掘大數據價值，持續推進管理創新，從而提升企業管理水平。學會大數據思維。在大數據時代，企業管理者和員工要把大數據思維融入企業決策、管理理念、工作方式以及企業文化之中。首先，要充分信任數據，用數據說話，基於數據去發現問題解決問題。其次，要以用戶為導向。在大數據和互聯網高度發達的今天，顧客的需求目益多樣化和個性化，企業要充分利用大數據，不斷完善產品功能和用戶體驗，以滿足用戶的新需求。挖掘大數據價值。大數據專家舍恩伯格說：「數據好比一座金山，但是數據在那裡放著，這座金山就不會屬於你，企業需要做的是了解並挖掘這些『金山』，最後成為大數據的贏家。」目前我國大數據應用還主要局限於互聯網企業，傳統企業則缺乏數據深度挖掘所需要的人員和技術支撐。當前，傳統企業首先要結合自身實際，從戰略高度規劃和部署，分層次、有計劃、循序漸進推動大數據在企業的應用。其次，要充分利用現有設備技術，加強大數據的收集、管理和利用好大數據。促進企業決策更加科學化，管理更加精細化。提升對大數據的分析能力。在大數據時代，企業必須對海量的數據進行准確、快速的分析，以最快的速度為企業管理者提供有價值的信息，這對企業的數據分析能力提出了更高更嚴的要求。企業要建立一套完整的數據採集、儲存、整理和分析體系，加強對大數據技術的開發利用，以充分利用數據這一戰略資源。同時，大數據對從業者，尤其是數據分析師也提出了更高的要求。企業要加快大數據人才培養，不斷提升對大數據的獲取、分析能力。在大數據時代，數據種類更加多樣化。據統計，企業中80％的數據都是非結構化數據。因此，企業不但要重視結構化數據的利用，也要重視非結構化數據的挖掘和利用。加快大數據與工業化的融合。融合是大數據的價值所在，是推動信息化和工業化深度融合的重要體現，也是促進企業轉型升級的重要抓手。
『叄』 企業如何實現對大數據的處理與分析
企業如何實現對大數據的處理與分析
隨著兩化深度融合的持續推進，全面實現業務管理和生產過程的數字化、自動化和智能化是企業持續保持市場競爭力的關鍵。在這一過程中數據必將成為企業的核心資產，對數據的處理、分析和運用將極大的增強企業的核心競爭力。但長期以來，由於數據分析手段和工具的缺乏，大量的業務數據在系統中層層積壓而得不到利用，不但增加了系統運行和維護的壓力，而且不斷的侵蝕有限的企業資金投入。如今，隨著大數據技術及應用逐漸發展成熟，如何實現對大量數據的處理和分析已經成為企業關注的焦點。
對企業而言，由於長期以來已經積累的海量的數據，哪些數據有分析價值？哪些數據可以暫時不用處理？這些都是部署和實施大數據分析平台之前必須梳理的問題點。以下就企業實施和部署大數據平台，以及如何實現對大量數據的有效運用提供建議。
第一步：採集數據
對企業而言，不論是新實施的系統還是老舊系統，要實施大數據分析平台，就需要先弄明白自己到底需要採集哪些數據。因為考慮到數據的採集難度和成本，大數據分析平台並不是對企業所有的數據都進行採集，而是相關的、有直接或者間接聯系的數據，企業要知道哪些數據是對於戰略性的決策或者一些細節決策有幫助的，分析出來的數據結果是有價值的，這也是考驗一個數據分析員的時刻。比如企業只是想了解產線設備的運行狀態，這時候就只需要對影響產線設備性能的關鍵參數進行採集。再比如，在產品售後服務環節，企業需要了解產品使用狀態、購買群體等信息，這些數據對支撐新產品的研發和市場的預測都有著非常重要的價值。因此，建議企業在進行大數據分析規劃的時候針對一個項目的目標進行精確的分析，比較容易滿足業務的目標。
大數據的採集過程的難點主是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片也是需要深入的思考問題。
第二步：導入及預處理
數據採集過程只是大數據平台搭建的第一個環節。當確定了哪些數據需要採集之後，下一步就需要對不同來源的數據進行統一處理。比如在智能工廠裡面可能會有視頻監控數據、設備運行數據、物料消耗數據等，這些數據可能是結構化或者非結構化的。這個時候企業需要利用ETL工具將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，將這些來自前端的數據導入到一個集中的大型分布式資料庫或者分布式存儲集群，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。對於數據源的導入與預處理過程，最大的挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
第三步：統計與分析
統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。數據的統計分析方法也很多，如假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。在統計與分析這部分，主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
第四步：價值挖掘
與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
總結
為了得到更加精確的結果，在大數據分析的過程要求企業相關的業務規則都是已經確定好的，這些業務規則可以幫助數據分析員評估他們的工作復雜性，對了應對這些數據的復雜性，將數據進行分析得出有價值的結果，才能更好的實施。制定好了相關的業務規則之後，數據分析員需要對這些數據進行分析輸出，因為很多時候，這些數據結果都是為了更好的進行查詢以及用在下一步的決策當中使用，如果項目管理團隊的人員和數據分析員以及相關的業務部門沒有進行很好的溝通，就會導致許多項目需要不斷地重復和重建。最後，由於分析平台會長期使用，但決策層的需求是變化的，隨著企業的發展，會有很多的新的問題出現，數據分析員的數據分析也要及時的進行更新，現在的很多數據分析軟體創新的主要方面也是關於對數據的需求變化部分，可以保持數據分析結果的持續價值。
『肆』 大數據如何在企業落地
大數據如何在企業落地
經常聽到很多大數據的概念和趨勢，但是落地而務實的介紹相對較少。筆者根據在互聯網和數據領域的實際從業經驗，總結出數據價值金字塔在企業運營中的應用模型。該模型對應的是企業運營中的不同層面的數據需求，下文講逐層介紹。
數據基礎平台層，金字塔的最底層也是整個金字塔的基礎層，如果基礎層搭建不好，上面的應用層也很難在企業運營中發揮效果。沒有數據或者沒有高質量的數據，所有的分析都是誤導，所有的數據挖掘都是錯誤的引導。
這一層的目標是把企業的所有用戶(客戶)數據用唯一的ID串起來，包括用戶(客戶)的畫像(如性別、年齡等)、行為以及興趣愛好等，以達到全面的了解用戶(客戶)的目的。要做好有三個關鍵：1.企業需要確定打通數據的唯一ID，有的企業是用會員注冊號，有的是手機號或者身份證號等等。2.跨部門整合數據的問題。有大數據的企業通常部門都比較多，用戶(客戶)的各種行為和興趣愛好數據散落在不同部門，需要企業有意識強有力的去整合;3.通過技術手段和規范手段把數據管理起來，這里解決的問題是存在數據倉庫裡面的數據具體的含義是什麼，以及如何高效的存儲和計算，涉及到數據接入系統、元數據管理系統和計算任務調度等系統。
業務運營監控層。這一層首要的是搭建業務運營的關鍵數據體系，在此基礎上通過智能化模型開發出來的數據產品，監控關鍵數據的異動，並可以快速定位數據異動的原因，輔助運營決策，如果企業構建了實時計算的能力，那麼很多業務運營中問題就能過及時的發現。
用戶/客戶體驗優化層。這一層面主要是通過數據來監控和優化用戶/客戶的體驗問題。這裡面既運用了結構化的數據來監控，也運用非結構化的數據(如文本)來監控體驗的問題。前者更多的是應用各種用戶(客戶)體驗監測的模型或者工具來實現，後者更多的是通過監測微博、論壇和企業內部的客戶反饋系統的文本來發現負面的口碑，以及時的優化產品或服務。
業務運營監控層和用戶/客戶體驗優化層最終希望實現企業運營的智能化醫生。這兩層面做出的工具好比是體溫計、血壓計、B超、CT等工具，我們用這些工具就能快速透視企業運營中那一模塊產生問題。
精細化運營和精細化營銷層。這層面有四方面事情：1.構建基於用戶的數據提取和運營工具。運營和營銷人員通過簡單的條件配置(如選擇男性、18-24歲以及特定興趣愛好)，便可把數據(用戶/客戶)提取出來，對數據背後的用戶/客戶進行營銷或運營活動;2.通過數據挖掘的手段提升客戶對活動的響應(如點擊率)，常見的演算法有決策樹、邏輯回歸等等;3.通過數據挖掘的手段進行客戶生命周期管理。區別於傳統的客戶生命周期管理，大數據是可做到實時對不同生命周期的客戶進行實時標記和預警，並把有效的活動當成商品一樣及時的推送給不同生命周期階段的客戶;4.客戶個性化推薦。主要是用個性化推薦演算法實現根據用戶不同的興趣和需求推薦不同的商品或者產品，以實現推廣資源效率和效果最大化。
數據輔助市場傳播。這一層面要做到通過「性感」的數據分析和挖掘來輔助產品進行傳播，主要有兩種實現方式：一種是好玩的數據信息圖譜，相信大家都不喜歡看產品的公關軟文，而更喜歡看好玩的內容。尤其是在網路上傳播，10-29歲的網民占所有中國網民的一半多(55%，CNNIC 2013年數據)，而這些用戶偏年輕、偏「屌絲」，所以這些受眾更喜歡「性感」的內容。
淘寶曾經通過統計其購買胸罩C-Cup以上的用戶地區分布，發現西安的網民相對比例最多，並發布了這個數據，說西安女生胸部最大，引起不少「屌絲」網民傳播。而騰訊在今年3月份則基於8億多活躍用戶首次披露「逃離北上廣」數據圖，發現11%的用戶在春節後逃離了北上廣。
數據輔助市場傳播的另外一種方式是直接做成數據產品對外使用。比如，網路指數或網路過年期間做的遷徙地圖。網路東莞8小時遷徙圖的數據中可以看到，離開東莞後，去香港的人最多。那我們是不是可以簡單地得到一個信息，從香港去東莞的人最多……
業務經營分析和戰略分析層。這兩個層面在這里就不多說了，因為這兩個層面更多的是跟很多傳統的戰略分析、經營分析層面的方法論相似，最大的差異是數據來自於大數據。但這裡面有兩方面需要注意：
1.有很多企業錯誤的把「業務運營監控層」和「用戶/客戶體驗優化層」做的事情放在經營分析或者戰略分析層來做。我認為「業務運營監控層」和「用戶/客戶體驗優化層」更多的是通過機器、演算法和數據產品來實現的，「戰略分析」、「經營分析」更多的是人來實現。很多企業把機器能做的事情交給了人來做，這樣導致發現問題的效率較低。我的建議是，能用機器做的事情盡量用機器來做好「業務運營監控層」和「用戶/客戶體驗優化層」，在此基礎上讓人來做人類更擅長的經驗分析和戰略判斷;
2. 在變化極快的互聯網領域，在業務的戰略方向選擇上，數據很難預測業務的大發展方向，如果有人說微信這個大方向是通過數據挖掘和分析研究出來，估計產品經理們會笑了。從本質上來說，數據在精細化營銷和運營中能起到比較好的作用，但在產品策劃、廣告創意等創意性的事情上，起到的作用較小。但一旦產品創意出來，就可以通過灰度測試，數據驗證效果了。
我認為，如果能利用數據通過機器、演算法、或者人工的手段，把現狀和問題及原因洞悉的特別清楚已經很不錯了，這樣決策層就可以基於這些情況進行更好的「拍腦袋」決策了。
總之，本文只是提綱挈領的介紹了大數據在企業的落地方案。還有更多的細節和方法論未能展示出來。另外，大數據在不同行業的落地也許有較大的差異。因此，歡迎各行業同仁與我交流探討。
以上是小編為大家分享的關於大數據如何在企業落地的相關內容，更多信息可以關注環球青藤分享更多干貨