Zi 字媒體

過去一年內，我們看到了大數據的井噴式發展，數據處理分析成為熱門，大數據行業呈現出信息激進之勢。這導致數據科學家、數據應用程序員和商業分析師等大數據方面的人才成為當下職場最炙手可熱的崗位。但是，我們也能發現，有能力處理日益增長的大規模數據計算的專家和人才，還遠遠達不到市場需求的數量。有人預測，隨著商業數據不斷增多，2017年將成為新數字信息時代的開始。但是如果沒有足夠多的專家對這些數據進行分析利用，那麼這些資源將在很大程度上得不到充分的利用。很不幸，事實情況是大數據的發展要遠遠快於我們學習利用數據的速度。很多公司的決策者就只能依靠自己的直覺進行決策，這是因為他們眼前的數據規模龐大，雜亂無章，有些數據呈現出的信息甚至看似矛盾，導致了很多重大決策上的失誤。這種情況亟待改變。要改變現狀，就必須提高數據科學家的水平。但是2017年更重要的任務是讓更多的人了解大數據，即為更多的人提供數據分析工具和數據分析訓練，來提高普通民眾的大數據素養水平。100年前，我們說要教普通民眾讀書寫字，進行掃盲，現在我們也需要針對大數據掃盲，因為大數據分析能力將成為未來最重要的商業技能之一。那麼，要進行大數據掃盲，我們應該怎麼做呢？大數據的組合大數據規模的重要性將逐漸讓位於大數據組合數據的存儲殘片越來越多，很大一部分來自於雲以外的數據源，這種情況下，如果沒有明確目的性的話，儲存數據的成本將大大提高。這意味著我們需要建立一個新的模型，讓公司企業能夠快速組合他們的大數據和小數據，方便他們獲得全面的信息並儘快確定數據的價值。組合數據也將幫助提高數據的準確性和可讀性。混合思維2017年，混合雲和多平台將成為數據分析的主要模型雲的優勢顯而易見，存儲數據方便，擴容難度小，因此雲已經成為大數據的主要發展方向。但是單個的雲是不夠的，因為數據和工作負荷（workloads）將需要多個平台。此外，數據的重要性也決定了多個雲備份的重要性。混合雲和多平台環境將成為大數據的主導模型，工作負荷和數據公布將在雲和預製數據儲存系統之間展開。面向全民的自助式服務2017年用戶將更方便的對他們的數據展開分析。越來越多的數據可視化工具將以更低的價格出現在市場上，甚至免費。這樣一來，一些分析學將面向全民開放。越來越多的人開始學習分析學，那麼數據素養水平自然將會提高——越來越多的商人會知道他們需要哪些數據和工具，這些數據對他們的公司有什麼用。信息激進發展也將進一步得到刺激。擴容兩年前的用戶導向數據挖掘已經成為當今企業廣泛使用的商業智能2017年，這種商業智能將取代過時的報告優先平台。隨著商業智能成為新的商業參考結構，它將成為面向全民的自助式數據分析工具。商業智能還將能承接擴容、運營、管理、安全方面不同的需求。發展中分析2017年，我們的關注點將從「高級分析」（advanced analytics）轉向「發展中分析」（advancing analytics）高級分析是至關重要的，模型的創建、管理和策劃只有高技術水平的數據專家才能夠做到。但是一旦模型建立起來了，更多的人就能夠從這些模型中受益，普通人也可以使用這些自助服務工具。此外，通過賦予軟體更多智能，提高模型的分析能力，降低複雜性和分析數據洞察的難度。但數據分析不應該被簡單定義為黑盒子或過於規範化的概念。最近「人工智慧」被炒的火熱，但它並不能取代人類分析，只能作為輔助人類的分析工具。人工智慧固然能夠幫助回答一些問題，但是和回答問題同樣重要的是提出問題，這隻能由人腦來完成。 可視化將從純分析工具發展成為適用於全信息供給鏈的重要概念可視化將成為統一中心的強大組件，它採用視覺方法管理信息資產，準備視覺自助服務數據，從而支持現實視覺分析。此外，可視化作為傳達交流信息方式上將取得重大進展。這樣一來，數據供應鏈可服務的用戶數量將會增加。從定製分析應用程序到應用程序內分析應用程度的使用者不一定是這個應用程序的開發者但是我們也應該讓這些使用者能夠發掘他們自己的數據。提高大數據的素養水平之後，人們就能更好的從分析學中獲益，因為他們可以使用各種應用程序來幫助他們結合自身情況進行數據分析，還能運用分析學工具自己進行數據分析的工作。由此看來，開放可擴展的、可定製的情景化的分析工具將在未來成為主流。這些趨勢為不僅能提高信息活動水平，而且將為提高數據素養水平提供了基礎。畢竟，可以抓住「另一半人群」（即技術不熟練的信息工作者和行動工作者）的新平台和技術將幫助我們進入一個新時代，讓合適的數據與合適的人以及他們的想法聯繫在一起——這將彌補我們現有數據水平與我們從中獲得洞察力的能力之間的鴻溝。這是我們應該選擇的道路，它能帶領我們走向一個更加開明的，信息驅動的和基於事實的新時代。