e-works数字化企业网  »  文章频道  »  基础信息化  »  大数据

探讨 | 大数据项目如何落地?

2017/3/4    来源:CIO智库    作者:田军      
关键字:大数据项目  大数据应用  
今天,来谈一谈“大数据项目如何落地?”这个话题。从事过多个大数据项目的规划方案及项目落地工作,在这里与大家分享一些心得,主要是关于大数据项目如何成功落地并取得预期目标,也可以说这些是实践出来的观点。

    第二阶段:数据治理
 
    第一阶段的工作完成以后,已经具备了一个大数据项目成功落地的良好基础,接下来就需要按照数据规划阶段的成果继续后续的环节,首先要做的就是要有数据,并且要有高质量的数据,数据到位才能保障项目的有效推进和执行:
 
    1.来源评估:在数据治理阶段,首先要进行数据来源评估,展开数据梳理相关的工作,及时发现数据来源可能存在的风险并加以处理。来源评估完成后,确认可以有效获取到所需要的对应数据来源的数据,就可以进行数据的获取工作了。
 
    2.数据采集:数据采集是一个很重要的工作,只有把数据采集来,才能进行一系列的大数据相关的工作。数据采集过程中,注意数据采集的有效性。
 
    3.数据预处理:为了更好的、更有效的存储有价值的数据,同时方便系统对数据的使用,部分数据可以做预处理。
 
    4.数据质量:数据质量环节很重要,如何有效保证数据的质量?直接影响着大数据项目的实施效果,在这个环节中,要投入很多的精力去形成标准,并建立相对自动化的数据质量系统。
 
    上述的几个环节,必要时需要借助专业的产品工具。
 
    数据管理:数据管理工作,将影响项目的整个周期,建议采用专业的数据管理产品和工具,或借助有开发能力的供应商量身定做一套数据管理系统。
 
    第三方数据:可以通过数据资产置换、购买等等方式完成第三方数据的接入。
 
    在整个第二阶段会形成一系列的标准和流程,这里不一一赘述。
 
    第三阶段:数据应用
 
    第一、第二阶段工作完成以后,就将进入最重要的第三阶段工作,在这个阶段中,我们将承前启后的推动大数据项目完成落地工作,真正去形成大数据的应用,带来真实的业务价值:
 
    场景细分:在这个阶段,对于第一阶段中形成的场景规划,要进行可被实现的场景细分,通过对场景的细分,形成一个个的用例(Use Case)。
 
    干系组织利益共识:通过场景的细分后的一个个用例(Use Case),已经可以很好的明确给各干系组织带来的业务价值,在这个时候需要推动各个干系组织形成利益共识,以免由于利益问题导致项目执行的阻碍。
 
    完成上述Action后,就需要借助供应商的参与和力量继续完成后续的Action。
 
    1.功能规划:经过上述Action环节,项目已经进入重要的落地阶段,需要根据已经整理好的用例(Use Case)、数据,形成具体的功能规划。这些功能规划,需要是可被准确识别和实现的,直接对应了大数据应用系统的功能点。
 
    2.技术选型:完成了功能规划,就需要进行技术选型工作,由于大数据相关的技术非常多,这项工作需要借助专业供应商的力量来一起完成,需要充分考虑非功能性指标,比如:性能要求等等。
 
    3.产品选型:技术选型后,需要根据选择的技术路线,来找到可供选择的、符合技术路线的产品,完成产品选型工作,如:数据科学平台等等。
 
    4.应用分析模型设计:大数据项目的一个重要的内容,就是要通过数据来形成各种应用分析模型,借助类似于数据科学平台类的产品,可以快速有效形成各种预测分析模型。完成这个环节的工作,需要有数据科学家、业务分析师等等一系列的角色参与相关工作。或者说引入第三方的成熟产品,如客户智能分析平台、物联网智能分析平台、运营智能分析平台等等,通过引入这些产品来直接引入成熟的分析模型。
 
    技术选型、产品选型以及应用分析模型建立后,就需要进行验证工作了,主要包括场景PoC和商业验证。
 
    PoC:选取具有典型代表意义的大数据应用场景,进行现场的PoC验证工作,通过PoC,修正和完善每个用例(Use Case),同时验证技术选型、产品选型的正确性,发现问题及时处理,甚至重新选择技术与产品。
 
    商业验证:PoC环节完成后,还需要进行商业验证,验证和评估一些关键场景用例(Use Case)的应用效果,评估和预测是否可以达成商业目标,从而推导出达成商业目标可能存在的问题和风险,进行修订与处理,必要调整各个干系部门和干系人之间的利益共识。
 
    第四阶段:迭代实施
 
    前三个步骤阶段的工作有效得完成后,就进入了第四步骤阶段迭代实施,之所以是迭代实施,也跟大数据类项目的特征有关,就如大数据建立分析模型是一种探索的过程一样,大数据项目的执行也需要进行不断的验证、修正、实施这样的工作,可能需要经过多轮的迭代才能完成项目的建设:
 
    1.模型应用:第三阶段中经过PoC和商业验证的模型,需要开发为特定的大数据分析应用才能最终为使用者所使用并发挥价值。在模型应用过程中,注意模型的规约和使用条件,注意与现有系统的融合。
 
    2.系统开发:系统开发工作是保证模型应用环节有效达成的手段,同时通过系统开发能力可以开发出围绕大数据分析应用的外围系统。
 
    3.效果评价:效果评价环节,主要是组织相关干系组织与干系人,对实施效果进行研讨和确认,同时对利益共识进行确认和达成一致,如果没有达到预期效果则继续进行迭代改进。
 
    4.业务验证:业务验证工作是保障大数据分析应用项目真正可以融合于业务、服务于业务的重要手段,业务验证建议从业务流程是否通畅、关键业务点是否达到预期目标、是否对业务办理产生障碍等等多方面进行。验证人员需要是使用该大数据分析应用系统的一线业务人员。
 
    如果上述的环节发现了重大问题,则针对问题形成改进方案后进入迭代改进环节。
 
    迭代改进:迭代改进分为小迭代和大迭代,小迭代是在同一期项目中完成的,受到项目上线周期的制约,小迭代可以改进的问题是有限的、小型的。对于影响范围巨大,难度较高的问题需要进入大迭代改进,大迭代一版来说可以规划为项目的二期、三期等等,直到达成预期的战略意图、战略规划和商业目标。
 
    经过上述的Action环节,一个成功的大数据应用项目终于落地了,这也仅仅是落地的开始,接下来的工作是检验项目成果和真正发挥大数据价值的时刻:
 
    实施推广:围绕项目的战略意图、规划和商业目标,进行有效的实施推广工作将变得非常重要,良好的实施推广工作可以真正让大数据应用分析项目用起来,让数据“活”起来,源源不断产生价值。推广过程,要巧妙的运用各个干系部门和干系人之间的利益共识。
 
    数据安全:大数据项目有自己的特点就是一切都围绕数据来展开,说到数据就会涉及到一些隐私数据、高密级数据等等,不管在开发过程中、还是在推广过程中,亦或是在第二阶段的数据治理过程中,都需要严格遵守相关信息安全和数据保密的规划,从技术上和使用上都要保证数据的安全。数据安全是一个大数据项目真正可以成功的重要内容。
 

责任编辑:李欢
本文来源于互联网,e-works本着传播知识、有益学习和研究的目的进行的转载,为网友免费提供,并以尽力标明作者与出处,如有著作权人或出版方提出异议,本站将立即删除。如果您对文章转载有任何疑问请告之我们,以便我们及时纠正。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐