《大数据导论》——2.6节案例学习

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:

本节书摘来自华章社区《大数据导论》一书中的第2章,第2.6节案例学习,作者瓦吉德·哈塔克(Wajid Khattak),保罗·布勒(Paul Buhler),更多章节内容可以访问云栖社区“华章社区”公众号查看

2.6 案例学习
ETI公司的高级管理委员会调查了公司衰退的财务状况,认识到公司如今的许多问题本可以早些检测到的。如果战术层的管理者们能够有更清醒的意识,他们本可以提早采取措施来避免损失。这种提前警醒能力的缺乏是由于ETI未能察觉市场动态已经发生变化。采取新科技来处理业务和设置溢价的竞争者们搅乱了市场,并夺取了ETI业务的份额。与此同时,ETI公司缺乏复杂的欺诈检测系统这一缺陷也被不道德的客户甚至是有组织的犯罪集团所利用。
高管团队向行政管理团队报告了他们的发现,接下来,为了实施之前制定的战略目标,一套新的公司转型与创新优先顺序被制定,它们将被用来指导和分配公司资源,来产生将来会提高ETI盈利能力的解决办法。
考虑到转型,业务流程管理条例将会被采用,用来记录、分析和提升业务处理。这些业务流程模型将会用于一个业务流程管理系统(BPMS)中。BPMS是一个流程自动化框架,保证流程的持续和自动化执行。这会帮助ETI展示法规遵从性。另外一个使用BPMS的好处是业务处理的可追踪性使得追踪哪位员工处理了哪项业务成为可能。尽管还没有被证实,但是有诸如此类的怀疑,比如一部分的欺诈性业务可能追踪到一些试图破坏由公司条例规定的内部人工控制的员工。换句话说,BPMS不仅仅会提升满足外部法规遵从性的能力,还会加强ETI内部操作流程和工作实践的标准。
风险评估和欺诈检测的能力将会由于新型大数据科技的应用而获得提升,而这些大数据科技能够产生相关分析结果,帮助做出基于数据驱动的决策。风险评估结果将会通过提供风险评估度量的方式来帮助精算师减少他们对于直觉的依赖。此外欺诈检测的输出将会被引入自动索赔业务处理流程。欺诈检测的结果同样将被用来将可疑的索赔引入有经验的索赔调整器。这些调整器能够依据ETI的索赔责任书来进一步仔细评判一项索赔的性质以及它具有欺诈性的可能性。随着时间的推移,这种人工处理能够导向更好的自动处理,因为索赔调整器的决策会被BPMS追踪并用来创建索赔数据的训练集,其中包括了这项索赔是否被视为欺诈性的决定。这些训练集将会增强ETI实施预测性分析的能力,因为这些训练集能被一个自动分类器所使用。
当然,决策者们也意识到他们是不能够一直不停地优化ETI的业务执行的,因为还没有使数据丰富到能够产生知识的层次。而这个原因最终被归结于对于业务架构缺乏理解。对公司而言,决策者们理解到他们一直将每一项测量标准看作一份关键绩效指标(KPI)。这会产生许许多多的分析,但是由于缺乏重点,导致它并不能展示应有的价值。但是一旦理解到KPI是高层次的度量标准且不是每种度量都能被称为KPI后,决策者们才能够同意一些度量应该是由战术层来监管。
此外,决策者们往往在将业务执行与战略执行联合起来的方面有问题。而这种现象的产生一部分是由于对于关键成功因素(CSF)的定义出现了错误。战略目的和目标是由CSF来进行评估的,而并非是KPI。将关键成功因素放置在正确的位置能使ETI的战略层、战术层和操作层的业务执行变得井然有序。ETI的行政和管理团队将会紧紧盯着他们的新度量和评价策略,尽全力在接下来的季度里量化它所带来的好处。
ETI的决策者们做了最后一个决定,这个决定创建了一个新的负责创新管理的组织角色。决策者们意识到公司一直以来变得过于内省。由于同时要管理四条产品线,决策者们没能认识到市场动态正在改变。他们非常惊讶地了解到大数据和当代数据分析工具与技术的好处。此外,尽管他们已经数字化了他们的电子账单以及在业务处理方面大量使用了扫描科技,但是他们并没有考虑到客户们对于智能手机的使用会产生数字信息的新渠道,而这些新渠道会进一步使业务处理现代化。尽管决策者们不觉得他们在一个对基础设施采用云技术的关键位置上,他们已经考虑到了使用第三方软件作为服务提供者来减少与管理顾客关系相关的操作成本的方法。
到了现在,决策者和高级管理团队相信他们已经解决了组织协调问题,形成了合理的计划来采用业务流程管理条例和科技,并成功地使用了大数据技术,旨在提升将来他们感知市场的能力,因此会更好地适应不断变化的环境。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
3月前
|
数据采集 数据可视化 大数据
大数据体系知识学习(三):数据清洗_箱线图的概念以及代码实现
这篇文章介绍了如何使用Python中的matplotlib和numpy库来创建箱线图,以检测和处理数据集中的异常值。
74 1
大数据体系知识学习(三):数据清洗_箱线图的概念以及代码实现
|
3月前
|
SQL 分布式计算 NoSQL
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
43 1
大数据-164 Apache Kylin Cube优化 案例1 定义衍生维度与对比 超详细
|
3月前
|
存储 SQL 分布式计算
大数据学习
【10月更文挑战第15天】
74 1
|
3月前
|
分布式计算 大数据 Linux
大数据体系知识学习(二):WordCount案例实现及错误总结
这篇文章介绍了如何使用PySpark进行WordCount操作,包括环境配置、代码实现、运行结果和遇到的错误。作者在运行过程中遇到了Py4JJavaError和JAVA_HOME未设置的问题,并通过导入findspark初始化和设置环境变量解决了这些问题。文章还讨论了groupByKey和reduceByKey的区别。
47 1
|
3月前
|
分布式计算 Hadoop 大数据
大数据体系知识学习(一):PySpark和Hadoop环境的搭建与测试
这篇文章是关于大数据体系知识学习的,主要介绍了Apache Spark的基本概念、特点、组件,以及如何安装配置Java、PySpark和Hadoop环境。文章还提供了详细的安装步骤和测试代码,帮助读者搭建和测试大数据环境。
93 1
|
3月前
|
消息中间件 存储 druid
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
大数据-156 Apache Druid 案例实战 Scala Kafka 订单统计
60 3
|
3月前
|
存储 大数据 分布式数据库
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
大数据-165 Apache Kylin Cube优化 案例 2 定义衍生维度及对比 & 聚合组 & RowKeys
53 1
|
3月前
|
消息中间件 druid 大数据
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(二)
53 2
|
3月前
|
消息中间件 分布式计算 druid
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
大数据-153 Apache Druid 案例 从 Kafka 中加载数据并分析(一)
70 1
|
2月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
477 7
下一篇
开通oss服务