中小企业IT网6月21日编译，开发一个赢得大数据的策略是很困难的,因为它不仅仅是关于在即将到来的趋势和获取人才,也是关于投资新技术。要成功,你将会需要数据科学家在你的团队,专业人士对分析和可视化工具所需的处理和识别数据中的模式和同等舒适与业务概念和操作。EMC的霍华德·伊莱亚斯建议三个步骤可以帮助确保你的组织的人们的需要。
                       

CIO—大数据是令人兴奋的东西,但不要相信我的话。如果好莱坞是在船上,你知道大数据已经成为主流。更重要的是,明星城设法做什么行业的大部分评论员还没有:讲述一个故事,既有趣又说明了大数据的变革潜力。

然而,尽管一个棒球队要从多年生受气包来创造使用统计数据可能帮助它许多派系的竞争者,开始描述大数据可以为一个组织。

什么是大数据呢?Gartner定义了大数据有三个主要特征:卷(数量)、速度(速度的创造和运用),和品种(类型和非结构化数据的来源,比如社会互动,视频,音频,整齐的分类,只要不是在一个数据库)。我描述大数据作为数据集如此庞大和多元化,他们打破传统的IT基础设施。

多么大的数据,然而,并不重要,你可以做的,如果你利用其潜力,并发现新的业务机会通过大数据分析。

即使在这些早期的大数据,其应用程序跨不同产业是引人注目的。零售商接受大数据结合RFID传感器数据,社交媒体数据,以评估和GPS坐标位置,产品选择,和个人档案,以交付geo-specific产品促销的移动设备。大数据已经被用于分析整个森林为了识别单个树丰收为了最大化健康,产量和利润。

我们使用的是大数据更好地理解大量的相关数据流程和相关的费用给供应商零部件,制造业、物流、质量控制、客户服务等,而用它来建立预测性能模型来解决质量问题之前,他们会有负面的影响客户满意度。然而即使这些例子只是治标不治本的大数据可以如何影响业务转换。

大数据的潜力超越了传统的“视”商业智能,揭示模式上实时为了便于使量子飞跃从渐进式改进预测业务流程甚至全新的商业模式——我所说的可能的艺术。

但是可能的艺术要求从业者理解独一无二的“艺术与科学”标榜的最具变革的大数据的突破。它要求人们一样舒适与业务概念和业务,他们追求的解析和可视化工具所需的处理和识别数据内的模式。我们称这些专业人士数据科学家。他们能够做出量化之间的连接前所未知的原因和影响;他们善于看到别人错过关联;而且他们能了解这些新见解可以用来从根本上改变操作实践与企业和组织模型。

但有很少的这些从业者为了满足行业需求——和专业人才赤字迅速扩大。麦肯锡近期的一份报告对大数据估计,仅在五年的数据需求超过供应科学家可以通过超过150万。

如果你是一个执行官考虑大数据的策略,你是一个小人才——其中的银行变得拥挤与日益增多的垂钓者铸造他们的鱼线在水里。Gartner最近报道,三分之一(33%)的业务已经开始或正在积极考虑实现大数据”的项目。也不能超过三分之一(31%)的组织“自信他们可以执行一个大数据策略与现有的员工”,大家都在。这意味着大数据挑战不仅仅是关于在即将到来的趋势和获取人才,也是关于投资新技术。

直到大学拥抱创建数据的科学学科,如计算机科学几十年前,你如何争夺有限资源等,实现可能的艺术吗?我建议三个步骤确保你的组织得到满足的需要。

教育:你的第一步应该是确定要从组织内部的人谁已经证明自己是在技术上熟练和分析创意。记住,大数据是关于可能的艺术;你需要创造性的思考者。不要把你的评论对IT专业人员;它是极其重要的,你的大数据团队大量吸收学科能够超越典型的线性问题解决。一旦你确定了你未来的大数据摇滚明星,投资于他们通过培训和认证在大数据分析和数据的科学。

收购:一个主要部分,您的大数据人才收购战略需要引进个人来自组织外部的,他不仅拥有技能的补充你的策略,但未受工业和组织的偏见。是什么让大数据的一部分变革性就是关注于发现新的方法来解决老问题。这很难做到当一个组织是背负的惯性传统智慧,“这不是我们如何去做这里”的心态。往外看你的墙壁和你所处行业之外。

授权:没有什么会破坏一个大数据策略的速度比建立一个团队,而不给机会取得成功。相反,没有什么会激发你的团队知道他们正面临挑战与创建可衡量的影响和支持,您的组织的高级管理人员。没有这个承诺,你投入时间和资源在培训团队最终将有益于你的竞争对手通过倒戈。这将是你的大数据时尤其重要团队挑战规范并运行在您的组织和其他人的那些感觉受到威胁的变化(他们会的)。但通过创建一个外环境约束的IT部门的数据科学家们知道,他们的贡献是价值,你会让招聘和留用更容易。

这个建议是我的经验生活实现大数据分析策略将业务流程基于大数据提供可以量化的见解。我们至今所取得成就了相当可观的和可测量的改进等方面的质量控制、物流和客户支持。他们不可能一夜之间发生,而且他们没有发生的事情没有冲突,但我们都致力于识别并践行这些新见解。我们还投资于开发健壮的数据科学课程中使用的工业和学术训练和证明明天的数据科学家。我十分相信投资于技能和人们需要满足是未来的挑战。