大数据分析和数据科学的世界非常迷人，但同样程度上，也可能被过度夸张。今天我们将用7个关键的大数据“文化元素”来提示企业应该如何包容和应对大数据所提供的潜在的业务优势。

模糊又老生常谈的概念

很多大数据分析领域的公司都有一个谜思，就是他们似乎非常喜欢讨论这些(可能)模糊但老生常谈的概念，他们管这叫业务产出、所谓的“业务变革”、还有著名的“客户体验之旅”。作为一家经营数据分析技术和服务的公司，Teradata本身也提出类似的概念;如果这些公司不这么做的话，你可能还会担心(可能还有点失望)。但事实是，表面的浮华之下还另有内容，如果你挖掘得足够深、就会了解它们的真实含义。

最近我们发布了一系列的产品、服务和授权战略，大家可以经过层层提炼，了解我们的7个重点计划，这些计划比以往更加关注如何高效利用大数据技术并建立正确的数据分析文化。

1 – 业务成果和实验

Teradata公司董事长兼CEO Victor Lund认为，所有希望在公司内部建立起大数据分析文化的企业都应该把驾驭大数据当做一种业务上的实验，并接受在未来发展的过程中发生的任何可能。

Lund 认为：“在企业开始引入大数据分析文化之前，他们应该大致了解通过这项工作可以获得什么样的业务产出”。

虽然业务目标会随着时间而改变(这是无可避免的)，但企业仍然需要清楚明白自己希望获得的新市场机会、新的工作方法、新的工作效率是什么。这本质上就是一个业务实验的过程，这也就是为什么Teradata专注于规划好自己所提供的服务，纳入了完全成型、可以运行开发者版本的Teradata数据库技术、运用于评估和测试新的数据理论。

2 – 寻找可复制的解决方案

大家确实已经做了很多的大数据分析。也就是说，其实在很多相似的使用案例里，其他的业务部门已经开展了很多大数据分析的工作。当我们在谈论“自动化”这个在科技话题里常常出现的词汇时，我们想说的其实是：我们可以基于其他地方曾经使用过的定义好的模型,自动化地将它调试并运用到新的数据工作流。Teradata并没有“实际共享”客户的数据，因为在这个过程中并不需要真实的数据值。只是我们在所谓的“数据模型”中完成了数据分析。

“这就是未来客户分析的形态。在过去的很多年里，高级分析都是最顶尖的数据科学家和程序员们所关注的领域。Teradata一直在持续提倡如何把数据分析流程在数据安全保证下相对透明化”，布鲁尔集团的创始人兼首席分析师Robin Bloor说。“Teradata正在创造可复制的分析解决方案模板，这种方法综合利用以往实施过程中积累的知识产权、结合咨询服务、程序逻辑、范式、可视化和智能接口，这种方法可以提高时间实现价值。”

3 – 围绕分析技术搭建应用

为了在这个领域获得成功，Teradata建议企业应该以数据分析为中心连接枢纽，围绕它部署其他适合的软件。如果真能这样(对，这是一个重要的假设)，那么任何企业中的任何业务部门就都(可以说是)很有可能认可数据分析的重要性，从而 1)为分析平台提供数据; 2)利用分析所提供的洞察结果。

Teradata咨询及支持服务执行副总裁Dan Harrington说，“我们希望企业能够通过创造更多的销售、降低流失率、提高客户满意度从而获得增长。从最新发布的Teradata”客户体验之旅”解决方案中可以看到，Teradata把更多的分析能力交到了市场营销人员的手中，让他们能够更方便地获取分析技术、动态可视化技术、机器学习和预测性分析等信息。我们的解决方案能够集成所有必须的技术，并且附加咨询专业知识，减少客户投入市场时间。”

4 – 驾驭多元数据的运营环境

为了让大数据分析能够更高效地工作，分析引擎必须能够兼容多元数据格式、多种数据存储(本地云、公有云、混合云、以及各种不同类型的磁盘)、多种数据类型(结构化数据、半结构化数据以及凌乱的难以分类的数据、或者是数量上非结构化的数据)……所以Teradata认为，其关键就是如何能够驾驭好多元数据的运营环境。

5 – 兼容云端授权

要使用大数据分析，那自然是要能够尽可能在所有地方都能用。从技术层面上来说，这意味着大数据分析必须也能够支撑使用云计算的方式，例如公有云、私有云和混合云的方式。

这部分的困难来源于不同性质的云有着不一样的授权模式。因此Teradata提供客户将已经购买的数据库软件授权许可, 也能灵活部署和转移到云平台上。

Teradata的执行副总裁兼首席业务官John Dinning 介绍到，“有了灵活的数据库软件授权，Teradata的客户现在可以灵活选择、更换、拓展到重新搭建的混合云环境，随着业务需求的变化更换部署或移转已购买的授权许可。不只混合云产品能够享受这样灵活式的数据库授权，所有相关的任何工作流都可以有效地进行转移部署到新的搭建环境。这种方式开创了业内先河，也就意味着数据模型、应用和开发工作都可以在任何生态系统中迁移或转移而不受任何改变。”

6 – 厚数据

大数据分析文化也包含所谓“厚数据”的概念。

这种类型的数据被定义为能够提供针对消费群体日常感情生活的信息。这些信息通过除了数据本身意义以外, 尝试洞察解读为什么消费会有特定的偏好、为什么他们会有特定的行为、为什么一直会有某种特定的趋势等等。

“大数据已经发展得非常大，以致于让我们认为任何事物一定都是可以被衡量和量化”，Constellate 数据公司创始人Tricia Wang认为“计算机拥有相当的量化能力，而人类拥有惊人的思考深度。很多情况下,计算机无法提供‘解释型的信息含义’，所以厚数据让我们能够包容那些还没有被计算机量化的新指标。”

Wang的观点又重申了Teradata最开始的主张，也就是我们要优先考虑业务价值的产出成果到底为何。

Wang说，“但麻烦的是，有些数据科学家、分析师们很少和业务人员进行交流。如果一家出版技术丛书的公司想要卖出更多的书，那么他们应该先问自己：今天的人们希望通过怎样的方式学习?如果一家汽车公司想要卖出更多的车，他们要考虑的是：今天的人们对于交通工具的看法是什么，一个人待在车里的体验(为了更有质量的‘个人时间’)是否也是影响旅途中对汽车整体体验的重要元素呢?记得要让数据科学家分析师和业务人员一起交流、共同创造，这一点是非常重要的。”

7 – 拓展和协调的能力

从逻辑上说，关于拓展性我们应该遵循特定的规律，例如，当大数据技术运转到位的时候，我们应该尽早考虑它的可拓展性。而为了把分布在不同地点的大数据分析工作流整合起来，我们还需要一定程度的协调能力：

有些大数据分析发生在本地

有些大数据分析发生在(公有)云端

有些大数据分析恰好就发生在物联网(IoT)设备中，我们通常称之为“前端计算”

所以，不同地方里所有的分析都需要统一协调整合到一起。

数据分析型文化的诞生

总结一下，我们给出的建议就是，如果企业能够接受以上7点大数据分析的重点要素，那么就可以开始利用分析技术进行更加智能化地工作，以提升业务产出成果。

同时，(如果大数据文化变革和优化成功了)这样的企业还将开始具备优化全供应链工作的能力、或者开始接触包括设备性能的预测性维护等新的领域，预测性维护将会是物联网中最基本、最重要的一点。

诚然，这是一个驾驭数据的境界……但Teradata在这里提出把“大数据分析文化”当做拥抱大数据的一个关键，这种观点(也许)将足够吸引人们的胃口。

本文转自d1net（转载）