企業(yè)如何實現(xiàn)對大數(shù)據(jù)的處理與分析？

2018-01-19 11:30:14 e-works數(shù)字化企業(yè)網(wǎng)　點擊量：評論 (0)

　隨著兩化深度融合的持續(xù)推進(jìn)，全面實現(xiàn)業(yè)務(wù)管理和生產(chǎn)過程的數(shù)字化、自動化和智能化是企業(yè)持續(xù)保持市場競爭力的關(guān)鍵。在這一過程中數(shù)據(jù)

　隨著兩化深度融合的持續(xù)推進(jìn)，全面實現(xiàn)業(yè)務(wù)管理和生產(chǎn)過程的數(shù)字化、自動化和智能化是企業(yè)持續(xù)保持市場競爭力的關(guān)鍵。在這一過程中數(shù)據(jù)必將成為企業(yè)的核心資產(chǎn)，對數(shù)據(jù)的處理、分析和運用將極大的增強企業(yè)的核心競爭力。但長期以來，由于數(shù)據(jù)分析手段和工具的缺乏，大量的業(yè)務(wù)數(shù)據(jù)在系統(tǒng)中層層積壓而得不到利用，不但增加了系統(tǒng)運行和維護(hù)的壓力，而且不斷的侵蝕有限的企業(yè)資金投入。如今，隨著大數(shù)據(jù)技術(shù)及應(yīng)用逐漸發(fā)展成熟，如何實現(xiàn)對大量數(shù)據(jù)的處理和分析已經(jīng)成為企業(yè)關(guān)注的焦點。

　　對企業(yè)而言，由于長期以來已經(jīng)積累的海量的數(shù)據(jù)，哪些數(shù)據(jù)有分析價值?哪些數(shù)據(jù)可以暫時不用處理?這些都是部署和實施大數(shù)據(jù)分析平臺之前必須梳理的問題點。以下就企業(yè)實施和部署大數(shù)據(jù)平臺，以及如何實現(xiàn)對大量數(shù)據(jù)的有效運用提供建議。

　　

第一步：采集數(shù)據(jù)

　　對企業(yè)而言，不論是新實施的系統(tǒng)還是老舊系統(tǒng)，要實施大數(shù)據(jù)分析平臺，就需要先弄明白自己到底需要采集哪些數(shù)據(jù)。因為考慮到數(shù)據(jù)的采集難度和成本，大數(shù)據(jù)分析平臺并不是對企業(yè)所有的數(shù)據(jù)都進(jìn)行采集，而是相關(guān)的、有直接或者間接聯(lián)系的數(shù)據(jù)，企業(yè)要知道哪些數(shù)據(jù)是對于戰(zhàn)略性的決策或者一些細(xì)節(jié)決策有幫助的，分析出來的數(shù)據(jù)結(jié)果是有價值的，這也是考驗一個數(shù)據(jù)分析員的時刻。比如企業(yè)只是想了解產(chǎn)線設(shè)備的運行狀態(tài)，這時候就只需要對影響產(chǎn)線設(shè)備性能的關(guān)鍵參數(shù)進(jìn)行采集。再比如，在產(chǎn)品售后服務(wù)環(huán)節(jié)，企業(yè)需要了解產(chǎn)品使用狀態(tài)、購買群體等信息，這些數(shù)據(jù)對支撐新產(chǎn)品的研發(fā)和市場的預(yù)測都有著非常重要的價值。因此，建議企業(yè)在進(jìn)行大數(shù)據(jù)分析規(guī)劃的時候針對一個項目的目標(biāo)進(jìn)行精確的分析，比較容易滿足業(yè)務(wù)的目標(biāo)。

　　大數(shù)據(jù)的采集過程的難點主是并發(fā)數(shù)高，因為同時有可能會有成千上萬的用戶來進(jìn)行訪問和操作，比如火車票售票網(wǎng)站和淘寶，它們并發(fā)的訪問量在峰值時達(dá)到上百萬，所以需要在采集端部署大量數(shù)據(jù)庫才能支撐。并且如何在這些數(shù)據(jù)庫之間進(jìn)行負(fù)載均衡和分片也是需要深入的思考問題。

　　第二步：導(dǎo)入及預(yù)處理數(shù)據(jù)

　　采集過程只是大數(shù)據(jù)平臺搭建的第一個環(huán)節(jié)。當(dāng)確定了哪些數(shù)據(jù)需要采集之后，下一步就需要對不同來源的數(shù)據(jù)進(jìn)行統(tǒng)一處理。比如在智能工廠里面可能會有視頻監(jiān)控數(shù)據(jù)、設(shè)備運行數(shù)據(jù)、物料消耗數(shù)據(jù)等，這些數(shù)據(jù)可能是結(jié)構(gòu)化或者非結(jié)構(gòu)化的。這個時候企業(yè)需要利用ETL工具將分布的、異構(gòu)數(shù)據(jù)源中的數(shù)據(jù)如關(guān)系數(shù)據(jù)、平面數(shù)據(jù)文件等抽取到臨時中間層后進(jìn)行清洗、轉(zhuǎn)換、集成，將這些來自前端的數(shù)據(jù)導(dǎo)入到一個集中的大型分布式數(shù)據(jù)庫或者分布式存儲集群，最后加載到數(shù)據(jù)倉庫或數(shù)據(jù)集市中，成為聯(lián)機(jī)分析處理、數(shù)據(jù)挖掘的基礎(chǔ)。對于數(shù)據(jù)源的導(dǎo)入與預(yù)處理過程，最大的挑戰(zhàn)主要是導(dǎo)入的數(shù)據(jù)量大，每秒鐘的導(dǎo)入量經(jīng)常會達(dá)到百兆，甚至千兆級別。

　　第三步：統(tǒng)計與分析

　　統(tǒng)計與分析主要利用分布式數(shù)據(jù)庫，或者分布式計算集群來對存儲于其內(nèi)的海量數(shù)據(jù)進(jìn)行普通的分析和分類匯總等，以滿足大多數(shù)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，以及基于MySQL的列式存儲Infobright等，而一些批處理，或者基于半結(jié)構(gòu)化數(shù)據(jù)的需求可以使用Hadoop.數(shù)據(jù)的統(tǒng)計分析方法也很多，如假設(shè)檢驗、顯著性檢驗、差異分析、相關(guān)分析、T檢驗、方差分析、卡方分析、偏相關(guān)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(yù)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(yīng)分析、多元對應(yīng)分析(最優(yōu)尺度分析)、bootstrap技術(shù)等等。在統(tǒng)計與分析這部分，主要特點和挑戰(zhàn)是分析涉及的數(shù)據(jù)量大，其對系統(tǒng)資源，特別是I/O會有極大的占用。

　　第四步：價值挖掘

　　與前面統(tǒng)計和分析過程不同的是，數(shù)據(jù)挖掘一般沒有什么預(yù)先設(shè)定好的主題，主要是在現(xiàn)有數(shù)據(jù)上面進(jìn)行基于各種算法的計算，從而起到預(yù)測的效果，從而實現(xiàn)一些高級別數(shù)據(jù)分析的需求。比較典型算法有用于聚類的Kmeans、用于統(tǒng)計學(xué)習(xí)的SVM和用于分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰(zhàn)主要是用于挖掘的算法很復(fù)雜，并且計算涉及的數(shù)據(jù)量和計算量都很大，常用數(shù)據(jù)挖掘算法都以單線程為主。

　　總結(jié)

　　為了得到更加精確的結(jié)果，在大數(shù)據(jù)分析的過程要求企業(yè)相關(guān)的業(yè)務(wù)規(guī)則都是已經(jīng)確定好的，這些業(yè)務(wù)規(guī)則可以幫助數(shù)據(jù)分析員評估他們的工作復(fù)雜性，對了應(yīng)對這些數(shù)據(jù)的復(fù)雜性，將數(shù)據(jù)進(jìn)行分析得出有價值的結(jié)果，才能更好的實施。制定好了相關(guān)的業(yè)務(wù)規(guī)則之后，數(shù)據(jù)分析員需要對這些數(shù)據(jù)進(jìn)行分析輸出，因為很多時候，這些數(shù)據(jù)結(jié)果都是為了更好的進(jìn)行查詢以及用在下一步的決策當(dāng)中使用，如果項目管理團(tuán)隊的人員和數(shù)據(jù)分析員以及相關(guān)的業(yè)務(wù)部門沒有進(jìn)行很好的溝通，就會導(dǎo)致許多項目需要不斷地重復(fù)和重建。最后，由于分析平臺會長期使用，但決策層的需求是變化的，隨著企業(yè)的發(fā)展，會有很多的新的問題出現(xiàn)，數(shù)據(jù)分析員的數(shù)據(jù)分析也要及時的進(jìn)行更新，現(xiàn)在的很多數(shù)據(jù)分析軟件創(chuàng)新的主要方面也是關(guān)于對數(shù)據(jù)的需求變化部分，可以保持?jǐn)?shù)據(jù)分析結(jié)果的持續(xù)價值。

責(zé)任編輯：售電衡衡

免責(zé)聲明：本文僅代表作者個人觀點，與本站無關(guān)。其原創(chuàng)性以及文中陳述文字和內(nèi)容未經(jīng)本站證實，對本文以及其中全部或者部分內(nèi)容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關(guān)內(nèi)容。

我要收藏

個贊