类别
最新消息

评论:大数据和性能–MUPPET可以教我们什么

实验室的成功并没有没有少数失败。这同样是在工作的大数据项目中,这是一件好事。在管理组织环境中管理我们的大数据项目的性能时,我们必须考虑这一点。我们通过从决定中展开我们必须在观看介绍大数据时进行的决定讨论未来的组织,而是在进行时管理这些项目的表现。就像蜜露博士的许多失败的实验一样&来自MUPPETS的烧杯表明,为了组织未来真正成功的衡量大数据表现,我们必须愿意融合艺术和科学,这意味着舒适,并期望追求它的许多失败。

由Cary Burch *

实验室的成功并没有没有少数失败。这同样是在工作的大数据项目中,这是一件好事。在管理组织环境中管理我们的大数据项目的性能时,我们必须考虑这一点。

我们通过从决定中展开我们必须在观看介绍大数据时进行的决定讨论未来的组织,而是在进行时管理这些项目的表现。就像许多失败的实验一样 蜜露博士&来自MUPPETS的烧杯表演 为了使未来的组织真正成功地衡量大数据表现,我们必须愿意融合艺术和科学,这意味着舒适,并期望追求它的追求。

 

在管理其性能时使用大数据时,我们不能害怕失败。分析师只能通过延长的勘探和实验来成功地应用大数据。作为其中的一个示例,我们期待数据挖掘的做法,今天使用大数据的核心活动。 Provost和Fawcett给我们指导 商业数据科学 by stating:

“数据挖掘是一种工艺......它涉及应用大量科学和技术,但适当的应用仍然涉及艺术。但与许多成熟的工艺一样,有一个很好的过程,使得问题的结构置于问题上,允许合理的一致性,可重复性和客观性。数据挖掘过程的有用编写由数据挖掘(CRISP-DM)的交叉行业标准过程给出。“

如果在明天的企业中使用大数据是包括如何管理这些项目的明确意识,我们可以识别许多组件,以确定哪些项目有意义的边界,同时允许这种艺术和科学混合对前瞻性成功至关重要。分析工作的一些最关键的组件管理井可以包括:

综合需求评估。 从研究中获取页面 计划评估及其标准,其中一个核心评估类型是需求评估。首先进行需求评估的做法,意味着此后的工作只能根据利益相关者,范围和所需的需求展开。

可靠的逻辑模型。 节目评估不仅有助于了解该过程的过程和结果如何促进计划成功的过程,但由于此领域还要求在分析之前询问逻辑模型,这同样推荐用于大数据项目。来自节目评估的逻辑模型在这里和谐地工作,因为他们要求项目团队成员质疑推动给定分析项目的潜在假设。资源,活动,产出,结果及其影响之间的关系全部以线性方式描述,使艺术前所需的结构能够开始形成。这也消除了在逻辑模型的边界内解决问题的创造力周边。

一个伟大的分析问题。 在研究领域,我们知道所有伟大的研究都始于一个很大的问题。这与大数据没有什么不同。大数据的非结构化性质意味着我们可以迭代而无休止地寻找数据之间的模式。有时如果我们漫无目的地漫步,甚至漫无目的地,甚至可以出现这种情况并不是那里的模式。然后,它只是通过一个很大的问题,我们可以开始了解我们将寻找的东西,从而在找到时计划如何响应。

有意义的驱动力。 一种紧迫感是所有巨大的变化努力,所以必须在大数据分析项目中存在紧迫感。正如达文波特告诉我们的那样 大数据@工作,“在我采访的数据科学家和公司领导人中,有一个强烈的信念,即大数据市场是一个土地抢夺,而早期的搬运工将去战利者。”我热切地同意,并结束要求您反映,驱动您的业务大数据项目的力量将是什么?

您自己的muppet实验室的版本。 分析师在会议之间免费的二十分钟内没有大数据,或者在“真正的工作”完成时,他们在会议之间免费提供了大数据。大数据是,很大。利用这一级别的人才,技能,重点和时间。询问已经拉长的员工还要在大数据中掌握试点项目正在询问只有零碎时间给予的人的零碎成果。相反,创建自己的MUPPET实验室,将资源专用于大数据,并为他们提供修补程序的自由。

一队烧杯。 每次访问都有Muppet实验室,我们都会看到烧杯站,准备好,愿意尝试蜜露的最新一致的发明。为什么?也许这是最好的留给烧杯回答,但我们所知道的是他和他的实验室涂层的对应肯定不怕失败。在行业标准CRISP-DM过程中,良好的记录需求评估和逻辑模型,精确的分析问题和强大的推动力,必须撒谎分析师团队,愿意走出他们的舒适区。传统的分析,也被称为小分析,需要一个非常传统的分析师使用令人难以置信的常见和经过验证的方法。大数据团队应该接受尚未证明的内容,因为只有这样的信号来自非结构化,猛犸象噪音大数据必须提供。烧杯可以用许多背景来找你。计算机科学,建模,业务,数学或统计数据。您在使用烧杯的队伍中的最佳赌注将是那些展示数据科学家的特征的人。

用于利用失败的手段。 作为我们的最终共同组成部分,利用失败可能同样是最复杂的。然而,它不是最复杂的,因为我们不知道故障看起来是什么样的。它是最复杂的组成部分,因为我们几乎不知道如何对待它。从传统的性能管理角度来看,失败是要避免的事情,因为它是限制我们继续经营经过验证流程的能力。然而,未经证实的?我们的业务领域我们尚未开发工作SOP?这是自适应学习的视角可以帮助我们的地方。 aldrich和ruef在 组织发展 告诉我们,“自适应学习透视[处理]组织作为面向目标的活动系统,通过重复显然成功的行为和丢弃不成功的活动来学习从经验中学习。”然后,唯一还有唯一的事情,弄清楚了我们从我们的失败中沟通我们从中学到的最佳方式。

我们决定将大数据纳入我们的业务流程,认识到未来的组织肯定会在桌面上授予大数据。我们现在的工作是开始对结构,文化,驱动力和需求的相关变更,以邀请所有大数据到达时提供的大数据。请记住,管理大数据项目的性能并不是避免失败,它是关于在不可避免的故障出现时充分利用它。

* Cary Burch 是汤森路透公司的创新高级副总裁。在接受TR的领先创新作用之前,他最近总统&汤森路透社董事总经理。

 

商业数据科学

http://www.amazon.com/Data-Science-Business-data-analytic-thinking/dp/1449361323

 

标准

http://www.jcsee.org/program-evaluation-standards-statements

 

逻辑模型

http://www.wkkf.org/resource-directory/resource/2006/02/wk-kellogg-foundation-logic-model-development-guide

 

问题

//explorable.com/research-paper-question

 

大数据@工作

http://www.amazon.com/Big-Data-Work-Dispelling-Opportunities/dp/1422168166

 

数据科学家

http://www-01.ibm.com/software/data/infosphere/data-scientist/

 

组织发展

http://www.amazon.com/Organizations-Evolving-Howard-E-Aldrich/dp/1412910471