热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

通过数据仓库来实现少花钱多办事的目的_MySQL-mysql教程

通过数据仓库来实现少花钱多办事的目的
  实施数据仓库的建议

  你知道你需要一个数据仓库,而且已经下定决心了:你的竞争对手比你更早的预测到了市场趋势,其它公司也在Web驱动的市场上比你反应得更迅速,而你没有足够得能力赶上它们。另外,你的各个部门的数据查询和报表请求几乎要拖垮了你的业务系统。这一切都表明你真的需要一个数据仓库。

  而当你走进老板的办公室,面对企业的决策者,你知道该对他们说些什么吗?如何才能向决策者推销自己的想法?怎样才能让他们接受你的观点,对这个无形的、没有明确预算也没有明确受益程度的项目进行投资呢?下面是我给你的几个建议。

  投资回报

  当你向决策者们陈述自己对于数据仓库的实施计划时,不要将投资回报作为争取投资的筹码。因为你没有测定过数据仓库会对生产效率或者市场了解度的增长起到什么作用,因此你无法提供一个投资回报计划。由于没有任何数据仓库的经验,因此你也就无法量化其带来的好处。事实上,实施数据仓库的首要原因是要开发企业的业务智能能力,它会教给你如何明确的测量市场了解度的增长。也就是说,你在申请时间和经费来开发一个可以测定自身价值的工具。

  就算你已经开发出了具有数据分析和性能监测能力的产品,也还是无法说明你最终要测量的是什么。为什么这么说呢?因为高级别的业务性能度量是基于更详细的更低级的度量的,而这些是你将要在部门级培养的数据分析所负责的领域。而在产品成形前他们自己也不知道所要做的是什么。

  这一切听起来是那么神秘,但是这些神秘的数字确实有用。下面这几点内容你可以大胆的说出来,并且我会告诉你如何说。虽然没有附带具体数据,但其逻辑性很强,不容反驳。

  数据仓库的优势

  1.多级的趋势分析。你的财务人员、销售人员以及市场人员将有能力对市场趋势进行多等级的定义和分析,所包括的范围大到整个市场,小到一个地区的市场或任意定义的范围。而且他们可以控制预测的精度,因为数据来源的品质和测量精度都是可以控制的。

  2.企业范围的性能监测。同等级别的分析能力可以应用于部门级、业务单元级,以及整个企业范围。你可以开发,并且不断的改进,度量整个企业的性能。

  3.用户定义的,用户控制的报表。这一点尤其需要强调,因为它听起来有种紧随世界趋势的意思。实际上我们一点也没有夸大它的能力,而且这也正是你需要的能力。

  你的案例

  现在考虑一下你的报告系统。以订货量为例,系统会将大量的报表发送到不同部门的不同人员手中。这里出现的状况是没有人能够处理包括订单、来自订单历史记录的数据,以及来自不同数据库的数据(如客户表格等),因此无法汇总所需的信息。问题出在哪里呢?首先,由于报表很大程度上是静态的,并且所需信息多来自不同的数据库,需要多次请求才能得到,操作起来开销很大。

  现在你可以让决策者选择逐一的投资实现单独的功能或者一次投资实现所有功能。你必须让他们清楚的知道,数据仓库实施的最终目的是给你的用户群一个唯一的应用程序,而它可以代替以往的数个程序。在一个大程序上的投资足够投资实现一个数据仓库了,而它所带来的功能将更强大。这才是企业所追求的效益。

  数据仓库的另一个好处是它可以实现一个叫做总经理信息系统(EIS)的系统。EIS是一个应用程序,它可以按照分类形式提供经理在决策报告中所需的任何信息。由于一般情况下经理不会面对其它用户所遇到的分析数据的问题,他们不会处理四五个数据源的数据汇总工作。他们只是需要用最简单的方法获得最精确的信息。对于这类用户来说,数据仓库可以令他们梦想成真。

  谁是受益者?

  如果你无法明确的说明这一点,决策者们是不会为你掏腰包的。数据仓库是一个强大的战略性工具,它可以大大加强企业的竞争力。如果你无法提出具体的投资数目,那么可以说一个很保守的数字10万美元,而最高投资肯定不会到七位数。 

  那么你需要购买什么设备呢?如果你目前使用的是某种ERP平台(SAP R/3, Oracle, PeopleSoft),你可以购买相应的开发工具包,其中的工具可以帮助你实现数据提取和载入程序,以及开发数据挖掘和分析程序。如果目前还没有ERP平台,你需要购买存储设备、用于将数据导入数据仓库的extract-transform-load (ETL)软件,以及用于数据挖掘和分析的软件(Online Analytical Processing, or OLAP)。除此之外,你还需要对员工进行业务培训,使他们能够胜任数据分析工作,还要帮助员工转变事务处理思想模式,使他们能顺利进行报表开发工作(后续的文章会对此做更深入的讨论)。

  最后你需要总结一下,这也是各位决策者需要听到的:通过数据仓库,你的用户团队可以实现少花钱多办事的目的。

推荐阅读
  • 本文深入探讨了数据挖掘领域内的十个经典算法,包括但不限于C4.5决策树、K-Means聚类、支持向量机等。这些算法不仅在理论上有深厚的数学基础,也在实践中展现出强大的应用价值。 ... [详细]
  • 数据集成策略:ETL与ELT架构对比及工具选择
    随着企业信息化的深入发展,‘数据孤岛’问题日益突出,阻碍了数据的有效利用与整合。本文探讨了如何通过构建数据仓库解决这一问题,重点分析了ETL与ELT两种数据处理架构的特点及适用场景,为企业选择合适的ETL工具提供了指导。 ... [详细]
  • 本文探讨了数据挖掘的全面理解和其理论基础,强调了数据挖掘在现代社会和经济活动中扮演的关键角色。通过对数据的深入分析,我们可以揭示隐藏在大量信息背后的模式和趋势。 ... [详细]
  • 使用R语言进行Foodmart数据的关联规则分析与可视化
    本文探讨了如何利用R语言中的arules和arulesViz包对Foodmart数据集进行关联规则的挖掘与可视化。文章首先介绍了数据集的基本情况,然后逐步展示了如何进行数据预处理、规则挖掘及结果的图形化呈现。 ... [详细]
  • CISSP 第8章 软件开发安全概述与实践
    本文探讨了软件开发中的安全问题,包括但不限于满足功能需求与安全性之间的平衡、SDLC(软件开发生命周期)中安全的重要性、OWASP的最佳实践、不同的开发模型、能力成熟度模型、变更控制流程、软件托管服务以及不同代际的编程语言等。此外,还涉及了Web环境下的特定威胁、多层次的攻击防御、数据仓库与数据挖掘技术及其应用模型、恶意软件的识别与防范措施等内容。 ... [详细]
  • 知识图谱与图神经网络在金融科技中的应用探讨
    本文详细介绍了融慧金科AI Lab负责人张凯博士在2020爱分析·中国人工智能高峰论坛上的演讲,探讨了知识图谱与图神经网络模型如何在金融科技领域发挥重要作用。 ... [详细]
  • 【转】强大的矩阵奇异值分解(SVD)及其应用
    在工程实践中,经常要对大矩阵进行计算,除了使用分布式处理方法以外,就是通过理论方法,对矩阵降维。一下文章,我在 ... [详细]
  • 本文详细介绍了如何使用NumPy、Pandas和Matplotlib进行数据分析和数据可视化。通过具体的代码示例,帮助读者更好地理解和应用这些强大的Python库。 ... [详细]
  • 本文整理了关于Sia去中心化存储平台的重要网址和资源,旨在为研究者和用户提供全面的信息支持。 ... [详细]
  • 自然语言处理(NLP)——LDA模型:对电商购物评论进行情感分析
    目录一、2020数学建模美赛C题简介需求评价内容提供数据二、解题思路三、LDA简介四、代码实现1.数据预处理1.1剔除无用信息1.1.1剔除掉不需要的列1.1.2找出无效评论并剔除 ... [详细]
  • 近期,微信公众平台上的HTML5游戏引起了广泛讨论,预示着HTML5游戏将迎来新的发展机遇。磊友科技的赵霏,作为一名HTML5技术的倡导者,分享了他在微信平台上开发HTML5游戏的经验和见解。 ... [详细]
  • 从0到1搭建大数据平台
    从0到1搭建大数据平台 ... [详细]
  • Python 3 Scrapy 框架执行流程详解
    本文详细介绍了如何在 Python 3 环境下安装和使用 Scrapy 框架,包括常用命令和执行流程。Scrapy 是一个强大的 Web 抓取框架,适用于数据挖掘、监控和自动化测试等多种场景。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • K-均值聚类算法是一种经典的划分方法,广泛应用于数据挖掘和机器学习领域。该算法通过将数据集划分为多个互斥的簇,确保每个对象仅归属于一个簇。然而,这种严格的归属要求忽略了潜在的离群点和数据的复杂性,限制了其在某些场景下的适用性。为了提高算法的鲁棒性和灵活性,研究者们提出了多种改进方法,如引入模糊隶属度和基于密度的聚类技术。这些改进不仅提升了算法的性能,还扩展了其在实际问题中的应用范围。 ... [详细]
author-avatar
独自从不变
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有