企業(yè)如何實現(xiàn)對大數(shù)據的處理與分析？

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

　隨著兩化深度融合的持續(xù)推進，全面實現(xiàn)業(yè)務管理和生產過程的數(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鍵。在這一過程中數(shù)據

　隨著兩化深度融合的持續(xù)推進，全面實現(xiàn)業(yè)務管理和生產過程的數(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鍵。在這一過程中數(shù)據必將成為企業(yè)的核心資產，對數(shù)據的處理、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)據分析手段和工具的缺乏，大量的業(yè)務數(shù)據在系統(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)據技術及應用逐漸發(fā)展成熟，如何實現(xiàn)對大量數(shù)據的處理和分析已經成為企業(yè)關注的焦點。

　　對企業(yè)而言，由于長期以來已經積累的海量的數(shù)據，哪些數(shù)據有分析價值?哪些數(shù)據可以暫時不用處理?這些都是部署和實施大數(shù)據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)據平臺，以及如何實現(xiàn)對大量數(shù)據的有效運用提供建議。

　　

第一步：采集數(shù)據

　　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)據分析平臺，就需要先弄明白自己到底需要采集哪些數(shù)據。因為考慮到數(shù)據的采集難度和成本，大數(shù)據分析平臺并不是對企業(yè)所有的數(shù)據都進行采集，而是相關的、有直接或者間接聯(lián)系的數(shù)據，企業(yè)要知道哪些數(shù)據是對于戰(zhàn)略性的決策或者一些細節(jié)決策有幫助的，分析出來的數(shù)據結果是有價值的，這也是考驗一個數(shù)據分析員的時刻。比如企業(yè)只是想了解產線設備的運行狀態(tài)，這時候就只需要對影響產線設備性能的關鍵參數(shù)進行采集。再比如，在產品售后服務環(huán)節(jié)，企業(yè)需要了解產品使用狀態(tài)、購買群體等信息，這些數(shù)據對支撐新產品的研發(fā)和市場的預測都有著非常重要的價值。因此，建議企業(yè)在進行大數(shù)據分析規(guī)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(yè)務的目標。

　　大數(shù)據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行訪問和操作，比如火車票售票網站和淘寶，它們并發(fā)的訪問量在峰值時達到上百萬，所以需要在采集端部署大量數(shù)據庫才能支撐。并且如何在這些數(shù)據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(shù)據

　　采集過程只是大數(shù)據平臺搭建的第一個環(huán)節(jié)。當確定了哪些數(shù)據需要采集之后，下一步就需要對不同來源的數(shù)據進行統(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、設備運行數(shù)據、物料消耗數(shù)據等，這些數(shù)據可能是結構化或者非結構化的。這個時候企業(yè)需要利用ETL工具將分布的、異構數(shù)據源中的數(shù)據如關系數(shù)據、平面數(shù)據文件等抽取到臨時中間層后進行清洗、轉換、集成，將這些來自前端的數(shù)據導入到一個集中的大型分布式數(shù)據庫或者分布式存儲集群，最后加載到數(shù)據倉庫或數(shù)據集市中，成為聯(lián)機分析處理、數(shù)據挖掘的基礎。對于數(shù)據源的導入與預處理過程，最大的挑戰(zhàn)主要是導入的數(shù)據量大，每秒鐘的導入量經常會達到百兆，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)據庫，或者分布式計算集群來對存儲于其內的海量數(shù)據進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，或者基于半結構化數(shù)據的需求可以使用Hadoop.數(shù)據的統(tǒng)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(yōu)尺度分析)、bootstrap技術等等。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)據挖掘一般沒有什么預先設定好的主題，主要是在現(xiàn)有數(shù)據上面進行基于各種算法的計算，從而起到預測的效果，從而實現(xiàn)一些高級別數(shù)據分析的需求。比較典型算法有用于聚類的Kmeans、用于統(tǒng)計學習的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雜，并且計算涉及的數(shù)據量和計算量都很大，常用數(shù)據挖掘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(shù)據分析的過程要求企業(yè)相關的業(yè)務規(guī)則都是已經確定好的，這些業(yè)務規(guī)則可以幫助數(shù)據分析員評估他們的工作復雜性，對了應對這些數(shù)據的復雜性，將數(shù)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(yè)務規(guī)則之后，數(shù)據分析員需要對這些數(shù)據進行分析輸出，因為很多時候，這些數(shù)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(shù)據分析員以及相關的業(yè)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)據分析員的數(shù)據分析也要及時的進行更新，現(xiàn)在的很多數(shù)據分析軟件創(chuàng)新的主要方面也是關于對數(shù)據的需求變化部分，可以保持數(shù)據分析結果的持續(xù)價值。