多年來，在Apache Hadoop等技術(shù)的支持下，組織一直在尋求構(gòu)建數(shù)據(jù)湖——企業(yè)范圍的數(shù)據(jù)管理平臺，允許以原生格式存儲所有數(shù)據(jù)。數(shù)據(jù)湖可通過提供給一個單一的數(shù)據(jù)存儲庫來打破信息孤島問題，整個組織都可以使用從業(yè)務(wù)分析到數(shù)據(jù)挖掘的所有東西。原始和不受約束，數(shù)據(jù)湖被認(rèn)為是一個包羅萬象的大數(shù)據(jù)。

但是，商業(yè)智能(BI)軟件專家，金字塔分析公司的首席技術(shù)官Avi Perez說，他看到許多客戶的數(shù)據(jù)湖正在惡化為數(shù)據(jù)沼澤——完全無法接近終端用戶的大量數(shù)據(jù)存儲庫。

“數(shù)據(jù)庫真的很貴。”Perez說，“數(shù)據(jù)湖從根本上解決了這個問題。數(shù)據(jù)湖以及所有大數(shù)據(jù)方案，都來自于市場壓力，其次，現(xiàn)實世界的數(shù)據(jù)生成器會吐出大量的數(shù)據(jù)，你需要找到一個方法去存儲它們。”

但是，盡管許多世界上最好的公司都在他們的數(shù)據(jù)湖周圍建立了業(yè)務(wù)(谷歌就是一個很好的例子)，但很多公司在收集了數(shù)據(jù)之后卻沒有任何清晰的辦法來獲取價值。

“他們更像是在收集灰塵。”Perez說，“也可以說在收集垃圾，一些最終都會被拋棄的垃圾。最后，你為那些東西增加了預(yù)算，卻什么都不做。”

這并不是說數(shù)據(jù)湖背后的想法是糟糕的。Perez確信，所有的公司最終都需要一個數(shù)據(jù)湖。但是如何創(chuàng)建一個數(shù)據(jù)湖，讓終端用戶真正從中受益，這是需要深思熟慮的。

為了避免在自己的數(shù)據(jù)湖中溺水，Perez建議采用以下三條原則：

1、 只收集少量的數(shù)據(jù)，至少在一開始的時候。

Perez表示，組織所犯的最大的錯誤之一就是收集太多的數(shù)據(jù)，而其中原因僅僅是他們有這個能力。很多時候，個人也是這樣。細(xì)想一下，你手機里存了成百上千張圖片，有都少是自己真正想保存的 很多人沒有刪掉多余的圖片，只是因為手機容量夠大。

“你的手機上有10億張照片，其中99%就可能是垃圾，而且在刪除它們的時候還可能會有點兒舍不得。”他說，“用手機拍照很容易，基本上是免費的。你可能回想，‘有一天我會去清理它’，但只要存儲容量仍然充足，就很少有人會這樣做。這就叫做收集了大量的信息，卻沒辦法有效使用它們。”

當(dāng)你想要給某人看一張很有意思的照片時，就不可避免地需要往后翻閱很多張無關(guān)的照片。

Perez說，同樣的事情也發(fā)生在數(shù)據(jù)湖上。在Hadoop中存儲數(shù)據(jù)并不昂貴，甚至常會被認(rèn)為是免費的。但是，大量累積的數(shù)據(jù)會讓你很難真正地訪問數(shù)據(jù)，來為自己提供有價值的信息。

“我認(rèn)為，避免這種情況的方法實際上是把水龍頭給關(guān)掉。”Perez說，“基于這樣一種假設(shè)，僅僅是收集數(shù)據(jù)的成本很低，并不會讓使用數(shù)據(jù)變得更便宜。這可能真的很貴。所以，不要總想著無休止地收集信息。把它放在一個數(shù)據(jù)集中，制定一個具體的計劃，弄清楚自己該如何去挖掘它。”

2、 采用機器學(xué)習(xí)戰(zhàn)略

即使有了一個集中的數(shù)據(jù)集，從大規(guī)模的數(shù)據(jù)中獲得有價值見解也需要自動化。

“你需要一個自動化的系統(tǒng)來清洗數(shù)據(jù)。”Perez說，“人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)，無論你想使用哪一種，都會是一個非常神奇的解決辦法。我認(rèn)為，從你巨大的數(shù)據(jù)湖中獲取價值的最簡單的辦法就是，擁抱這一項新技術(shù)。”

Perez說，首先選擇一個數(shù)據(jù)集，然后通過一項機器學(xué)習(xí)技術(shù)來完成它。當(dāng)然，新的技術(shù)意味著新的技能、人才需求，你可以對現(xiàn)有員工進行培訓(xùn)，也可以聘請一些專業(yè)人士。

“機器學(xué)習(xí)是一門黑色藝術(shù)。”他說，“這并不容易做到，需要非常細(xì)分的技能。”

3、 確定你想解決的商業(yè)問題

所有的事情都應(yīng)該是完整的：你需要從一個清晰的視角來開始你想要解決的商業(yè)問題。有了一個客觀的目標(biāo)，相對會更容易把你需要收集的數(shù)據(jù)和最好的機器學(xué)習(xí)技術(shù)應(yīng)用起來。

例如，Perez說，可以將自己想象成一個大賣場，你決定去了解什么樣的顧客會進入你的商店。你可以捕捉顧客進入商店的圖片，然后使用一個復(fù)雜的神經(jīng)網(wǎng)絡(luò)(CNN)——一種擅長于計算機視覺問題的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)——來處理圖像。CNN可以通過一個人的形象確定是男性還是女性，是孩子還是成年人，是年輕人還是老年人等等。

“一旦你完成了所有工作，就可以把它與一個商業(yè)計劃聯(lián)系起來，并把它交給你的業(yè)務(wù)用戶。”Perez說，“這可以幫助你做出決策——‘我們需要更多地向男性市場推銷，因為我們沒有足夠多的男性客戶’。你真的需要事先有一個明確的戰(zhàn)略，如果不這樣做，僅僅是對事物的收集就會對整個過程產(chǎn)生巨大的負(fù)面影響。”

一旦你在頭腦中建立了一個業(yè)務(wù)計劃，通常就可以迭代該功能，從而為業(yè)務(wù)提供更有針對性的解決方案。例如，一旦你確定是誰走進了你的商店，你就可以用同樣的能力來確定誰會走過你的化妝品柜臺。

來源：36大數(shù)據(jù)