近期公布的一项调查结果显示，由Apache基金会所开发的分布式系统基础架构Hadoop可能即将面临着来自资金链方面的压力与挑战。具体而言，调查中的绝大多数受访者都表示目前没有对Hadoop的投资计划，主要原因是认为Hadoop“……可能在其商业价值转化与功能实现上面临相当大的挑战”。

作为研究大数据的主要工具，Hadoop暴露出的资金链风险可能昭示着整个大数据领域的资金问题。寻找到能够实现精准分析能力的资源在业界一直是一项巨大的挑战，与此同时它也是新一代商业友好型大数据工具研发的目标，而获取商业价值，则是一个更基本的问题。

对于许多人们津津乐道的大数据企业或组织来说，通过大数据获取商业价值似乎总是如此容易：有了大数据，我们就能更深入地了解客户的行为，并运用这些知识来增加客户的满意度，从而提高企业的盈利能力。但说的容易做起来难，真正去让一个新兴企业来实现大数据价值时，一切往往变得捉襟见肘，但不管怎么说，回顾总结一些当下实用的大数据商业实践方法总归没错。实际上，最大化大数据的商业价值可以归结为将下述的六件事做好：

1. 以商业思维为出发点：对于数据科学家们来说，运用Hadoop或其他先进的大数据分析工具畅游于数据知识的海洋中是在愉快不过的事了，不过如果不把分析的结果转化为可以应用于解决现实世界商业问题的东西，那么对于时间和资源则是巨大的浪费。与业务专家合作，了解改进过程中的机遇与挑战，将会是一个大数据项目成功与否的关键。专注于一个具体的商业问题将有助于识别有用的数据集，并针对化选择适合的技术与工具。与此同时，这样的过程能够促使你步步为营，对项目进行进一步推进。

2. 把目光投向将理论付诸实践的途径上：要实现真正的商业价值，我们必须对理论分析的结果进行实际的运用。这听起来毫无疑问，但事实上有太多的大数据项目都会因为走不过这一关而从此尘封，将理论分析的结果纳入商业活动并使它们因此收益往往并非易事。有时，在实验室里看起来很美好的数据有可能是不可用的；而当你在商业活动中真正需要某项数据时，它也有可能变得过于昂贵。与此同时，一系列的行业法规也对数据的可用性产生巨大的影响。

3. 使用最前沿的分析方法：商业智能与商业分析方法的创新正在改变企业从用户数据中获取价值的方式。新兴的数据分析平台也因此不再是像传统的描述性报告或历史记录仪表盘那样的周期性呈现，转而成为了一个能够不断分析传入的数据，提供指导意见，并且实时可操作的庞大系统。大数据的工具与基础设施使得当今的数据分析能够更加快捷简便地对机器学习方法进行应用，从而对包括各种各样结构化与非结构化数据类型的巨大数据集进行探索。

4. 拥抱多样化的分析工具：R, Python, Hive, Groovy, Scala, MATLAB, SQL, SAS；哪个才是你的最爱？这个技术创新呈爆炸性发展的世界带给我们的副作用之一，便是常常需要学习一套新的分析工具。等着你最拿手的分析工具自己升级往往不是一个好的选项，领先的分析团队将不可避免地需要使用多个工具来支持他们的业务需求，所以最好的方法是去拥抱这样的多样性，构建一个灵活多样的技能储备，用于实现由不同工具构建的各种分析模型。在一个机械化生产的环境中，将多种类型的分析模型整合到一起往往十分困难。然而，已经有诸如FICO®决策管理平台这样的现代决策管理系统，通过可扩展包以及网络服务标准等渠道实现了对上述方案的简化。

5. 利用云端和各类生产力平台：当今时代，进行大数据分析已经不再需要对昂贵的基础设施和特别的专业技能进行庞大的投资。通过在云端运行你的分析项目，你可以让一个专门的第三方处理底层系统和服务，而你专注于手头的业务问题。同时，你也可以把你所需要的能力和服务外包出去，这也许只会是实现项目的总成本中的一小部分。

6. 为业务专家们留足操作的余地：这是最后也是最重要的一点。最大的商业价值往往来自于商务专家们一系列可以迅速转化为差异化战略的新见解，而它们有时也能显著提高客户与股东对你的满意程度。具有交互性和高度可视化的仪表板或报告可以更好地提供信息，从而帮助业务专家提出更科学有效的商业策略；标准的决策管理组件则可以使专家们更方便迅速地纳入新的分析模型，并以此洞察他们的业务规则和相关政策；而模拟和数据可视化则可以更好地探索新的商业模式和策略可能带来的潜在影响，使它们更容易被理解，从而加快它们的审批进程，使项目最终走向成功。

原文：AnalyticsWeek Pick

翻译：SDCry  数据工匠