技巧
-
创建数据流应用程序 不要被数据“牵着鼻子走”
2017-03-22如果应用程序开发人员不关注数据准确性和一致性，使用Hadoop，Spark和其他大数据技术的数据收集过程虽然要快得多，但效果并不一定很理想。
-
珠宝销售的“后实体时代” 拼的是预测分析模型
2017-03-21预测模型竟然可以帮助美国电视台Jewelry Television的主持人销售商品？这得益于将数据集成到分析应用程序中的数据集成和准备流程。
-
不服来辩：数据驱动的商业模式引领未来
2017-03-20如今，越来越多的公司采用数据驱动的商业模式，这样可以充分利用公司收集的大量数据来获得竞争优势。
-
搞定预测分析 你需要在数据准备上“做文章”
2017-03-19比起传统分析应用程序，建立预测模型和机器学习算法的数据科学家通常需要完成更多的数据准备工作。
-
球队的自我修养：如何挖掘被淹没的球迷数据
2017-03-12美国NBA夏洛特黄蜂队有许多关于球迷的数据，但是这些数据都是杂乱无章、缺少关联的，无法为球队提供更多的价值。
-
做好预测分析 将数据在模型上运行就万事大吉了？
2017-03-07我们常常认为组织应该由数据驱动决策，基于数据分析做决策的企业要比其它企业做的更好。
-
大数据时代 是什么让你的数据准备跑偏了？
2017-03-06数据准备过程可能是企业从高级分析技术获得商业利益的绊脚石。随着大数据环境的不断发展，集成和准备分析数据的工作正在发生显著的变化。
-
没有好数据 再先进的预测分析工具也爱莫能助
2017-03-02虽然对预测分析工具的价值进行了宣扬，但对它们的过度依赖同样也是有害的，分析工具的洞察力是否足够好，与提供给它们的数据好坏息息相关。
-
相比预测分析和描述性分析 规范模型亮点在哪儿？
2017-03-01规范性模型不只是给参与决策过程的人提供信息，它本身就属于决策过程。它能够阐明最好的结果，对于那些不愿意将决策行为交给机器的人来说，这样的结果将更具有说服力。
-
流数据分析带来的“速度与激情”
2017-02-28和构建大数据架构类似，支撑实时分析架构的软件种类繁多，这对于用户来说有利有弊。找到合适的技术，并把这些技术整合成一个有效的分析框架将是一个十分冒险的过程，一着不慎，满盘皆输。
分析 >更多
-
Test Post today
Test Post todayTest Post todayTest Post todayTest Post […]
-
Test Posts today
Test Posts today Test Posts today Test Posts today Test […]
-
Spark尚未“成熟” 用户仍需“专业”
虽然Spark的应用对企业而言已经并不陌生，但对于一些企业来说，这项技术可能还是比较“前沿”。
-
Watson 分析：让我们变得更好还是更懒？
Watson分析在很多领域表现出色，特别是在广告方面，包括Google和Adobe。但是IBM的AI驱动的分析技术还值得细细推敲。
电子杂志 >更多
-
《数据价值》2017年3月刊·当预测模型失败了
随着大数据环境的不断发展，集成和准备分析数据的工作正在发生显著的变化。
-
《数据价值》2016年10月刊·窥探未来的水晶球
企业可以利用Hadoop以及所有与它相关的技术设计大数据环境，以满足其特定的需求。但把所有的技术集成在一起并不是一件容易的事。