揭秘大数据 | 14、大数据的五大问题 之 大数据应用

大数据所面临的五大问题中最后一个是大数据应用，这也是大数据问题的具象（最终展现形式）​。

如果高度概括大数据的生命周期，那么可以归纳为：大数据来源+大数据技术+大数据应用，如图1所示。三者缺一不可、彼此相承。

1.大数据应用特点

大数据应用通常被划分为第三平台应用，以此区别于第二平台的应用（主要指传统的独占式的企业级应用）​。

大数据应用有以下4个特点：

(1)应用弹性

大数据应用的弹性与第三平台其他应用的弹性一样，从云基础架构(IaaS)的角度来解读，就是基础架构级资源可以随着业务和应用需求的变化而具有水平或垂直伸缩能力（横向扩展或纵向扩展）​；从PaaS的角度来看，是指服务于应用的各类数据服务、编程接口、消息队列等平台级资源的按需可调节性。IaaS与PaaS结合起来保证了顶层应用的弹性。

(2)应用敏捷性

大数据应用的敏捷性有两层含义，一层是应用的开发与交付采用敏捷模式（如Scrum/Waterscrumfall这类敏捷开发模式、DevOps、持续集成等）​；另一层是应用生命周期内通常以事件或时间为驱动，当监测到符合某种特征的事件（如寻找热点时间、舆情监控）发生或在某时间范围内（如春节联欢晚会）需要对海量数据进行高时效（如实时）处理时，大数据应用能及时根据数据做出统计、分析、预测，以及调整商务策略。

(3)数据中心化

数据中心化指的是随着大数据处理技术的发展，大数据应用需要处理的数据集越来越丰富。有调研结果表明企业收集并存储的信息中通常只有1/3是文本与静态图片信息，而剩下的2/3是视频与音频信息。也就是说，大数据应用在这些更为动态的数据集中可以获取更多的有价值的信息。绝大多数人相信我们身处一个越来越依赖数据、依赖海量数据做出有根据的决策的时代。

(4)应用服务化

应用服务化对于大数据应用而言就是大数据即服务，特别是在云计算时代，越来越多的大数据分析与管理服务可以在各种形态的云架构上获得，它们与之前的XaaS类服务一样，按需分配资源，按使用量计费，支持多租户场景（从供给方角度就是通过资源共享的方式，盘活了低端资源的利用率，并以高服务模式实现营收）​。

2.大数据应用优势

大数据应用能为企业带来哪些价值呢？答案如图2所示。

图2：大数据应用为企业带来的价值

 (1)产品快速迭代

产品部门通过大数据应用可以缩小产品推向市场、更新换代（迭代）的时间。以制药企业为例，一款新药的研发和临床实验耗时长且费用极高，使用大数据分析与建模可以在研发的早期阶段就模拟出中后期场景，从而大幅缩短制药周期（早期预测失败能够避免全面失败）​。

(2)优化资源分配

优化企业资源分配是大数据的一类典型应用。以人力资源部门为例，通过对在职/离职员工的反馈、KPI、评价等数据的分析，他们可以对新员工入职给出指导意见，并使新员工顺利融入团队，从而提高ROI。

(3)提高财务业绩

提高财务业绩是大数据的另一类典型应用。有了大数据预测的帮助，财务团队的工作从原有的定期做报表模式演进到可以识别高风险客户、监控供应商、打击诈骗，以及帮助业务部门制订更高效的业务模式。

(4)智慧销售

智慧销售、智慧市场推广是大数据应用的重要领域。基于大数据、精准数据分析，电子商务公司可以根据每一个用户以往的购物清单来定制化发送市场推广邮件，从而实现更高的用户回流率。以大型连锁零售商克罗格公司(Kroger)为例，通过电子邮件发送大数据驱动的定制化优惠券，它的客户回流率高达70%，而市场平均的回流率仅有3.7%，前者几乎是后者的20倍。这大概也解释了为什么Kroger可以连续45个季度实现盈利正增长。

(5)最小化资产损失

最小化资产损失对于维修、采购、工程、IT等部门而言意义重大。以美国的通用公司为例，每天有上万架飞机使用通用公司生产的发动机。一台发动机上成千上万的传感器每经过5h的飞行会产生1～2TB的数据，这些发动机平均一天产生10～20PB的数据，一年就产生3.65～7.3EB的数据。对这些监控数据进行分析可以实现主动维修，甚至预测故障发生而提早预备配件，实现资源分配优化，从而降低维修成本。

(6)最大化客户价值

最大化客户价值对于企业而言意味着贴近客户，实现高客户满意度，进而收获一位忠实客户。以国内某大型保险公司为例，该公司采用了某科技公司的基于大数据模型的个性化健康评估和健康管理服务，为其客户提供增值服务。对于用户而言，他们获得了专业的健康服务，提高了生活品质。而对于保险公司而言，这意味着它可以为客户提供定制化保险服务以及围绕健康医疗衍生的多重增值服务，何乐而不为？

在本系列结束之前，有必要说明一下很多企业还停留在大数据应用的“原始阶段”​，即只关注数据能否存储得下，而不关心：是否有必要存储，是否能赋能业务（是否算得动）​，如何赋能业务（最大化客户价值）​。这些或许都是Hadoop（以之为例）后遗症——数据存储得下，但是得到的计算效率很低。大数据应用的建设是一个综合均衡的游戏，很多时候从业务需求反推反而能匹配到更优的技术解决方案。绝不要为了大数据而大数据，大数据绝非万金油。

（文/Ricky - HPC高性能计算与存储专家、大数据专家、数据库专家及学者）

· END ·