大数据概念只飘在半空不落地,怎么破解?

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:

大数据概念已经在中国企业界“飘”了好久了,但不得不说,目前面临的窘境让人十分尴尬。到目前为止,企业界都还没有亮眼的实施案例。原因何在?

image

尤其是能源等传统行业,不是一直都由工程师和科学家主导吗?这些数字型人才不是一向善于运用精湛的学科能力获取事实和数据,进而有理有据地得出结论、制定决策吗?那些连接着新型传感器、布满高清监视器的控制中心,不是能够实时采集庞大的数据吗?

一连串的疑问,指向了一个核心问题:数字能力有没有转化成企业发展的关键资源?这些数据资源产生之后,到底有多少企业决策者能足够自信“玩得转”?大数据是让他们更轻松自如了,还是反而无所适从了?

为了回答这些关键问题,埃森哲针对全球油气行业管理层进行了调查。结果显示,超过四分之三的受访者表示,企业高层领导都在着力打造或全力部署基于事实的决策方法。可是,行业中竟有五分之四的受访者都面临数据整合的窘境:他们在油气业务中对于数据分析的做法依然基本是零散的、孤立的,仍然不能使用覆盖整个企业组织的集成化方法来分析数据。

这可谓是能源企业在大数据时代进行数字化转型的最大困惑。如果不能破解这种数字化疑惑,能源企业就难以从新技术的巨额投入中获得理想回报,更不用说通过数据分析取得市场竞争的先机了。

image

实际上,十多年来,伴随着以IT和互联网技术为基础的数字化进程,油气企业对某些突出的技术发展趋势已有所认识,但直到最近几年,促使企业真正转型、实现高效管理的核心技术才发展成熟。

一是信息技术与运营技术的融合。油气企业可利用设备捕获和收集数据,并将数据整合进IT系统中进行分析,该过程往往实时完成,以支持优化钻探生产、实现设备监控与可视化、完善环境、健康与安全(EHS)监测。

二是移动技术及技术消费化。移动通信及用户友好型信息技术支持远程数据访问,有助提高企业运营的可视性和响应速度。随着便携式移动设备普及,在企业职能部门或操作现场的油气工人也可以通过非常直观的应用来帮助收集、利用、处理和分享相关工作数据。

移动平台方面的投入必将拓展实时数据和分析法的使用范围。已有不少国际领先油气公司的员工使用iPad进行项目管理,这反映出自带设备办公(BYOD)的便利性和受欢迎的程度。

三是颠覆性架构(如云计算)。这种按需分配的动态特征正在重塑数据中心的信息技术运作及采购模式。这一发展趋势将影响数据中心的IT运营模式,使灵活采购成为现实。企业通过外部部署模式支持外包,以便更加专注于自身的优势业务,并以合理成本管理海量数据的计算能力。

四是大数据分析法与内存计算。大数据反映了信息的指数式增长、可获得性与使用情况,这些信息类型多样,但不成体系。随着数据量不断增加,计算速度变得至关重要。开源工具可将海量数据转换为有意义的洞见,自动对传统上杂乱无序的数据进行整合。

因此,随着数据分析大规模普及的日益临近,油气企业不难发现使其技术投资实现丰厚回报的潜在机会。

image

首先看上游领域。非常规油气井的产量几乎毫无规律可循。如何有效开采数百个非常规油气井是保证盈利能力的关键所在。先进的算法和强大的计算能力有助分析最庞杂的数据集,进而帮助企业大规模勘探蕴藏在页岩层中和海底的油气资源。强有力的分析工具支持对多项数据的集合展开分析,而解释性软件和可视化工具则可为广大的业内人士提供更加直观的信息。模拟石油在岩层中的流动情况,可以确定最佳的油井位置。有效利用数据分析可以使开采率提高3%到5%。

对于能源企业来说,非常规能源领域的跨资产分析法,是一大尚未开发的空白。如今,很多企业开始着眼于所有已钻探的油气井,通过整合现有的统计数据,找出其中哪些与即将开采的油气井最为相似,从而获得更多可借鉴资料。新的可视化工具使科学家们能够发现过去未曾发现的规律,这或许可以帮助企业将生产效益提升几个百分点之多。

为了提高数据分析成果,企业首先必须对现有能力进行客观审视。一般来说,需要对数据和技术两个方面进行评估,但是,如果站在整个组织的高度看待变革,就还需要考虑流程和员工方面的因素。这意味着,需要将数据和分析技术纳入具体的工作职责和工作流程中进行分析。此外,员工对于数据和分析技术的态度,也需要连同人才问题以及组织变革一起进行评估。通过制定和执行覆盖全部组织的综合数据分析战略,能源企业往往能够获取最大效益。

其次,管理者应当采用端到端的流程视角,整合企业和运营数据分析。为此能源企业应当关注前台运营和后台操作之间的脱节问题,努力将运营技术和信息技术整合在一起。确定覆盖整个组织的数据分析战略并在内部大力宣传。

这一方案需要利用IT知识获取数据,借助分析技术与建模技术对数据进行深入分析,再结合深厚的行业知识形成洞见,最后付诸行动。

最后,管理者还应该推动企业文化转型,建立一家敏锐分析型企业。这就需要打破业务部门与IT部门之间的界限,采用开放式思维,建立相互协作的企业文化。企业开发人员需要将数据采集方法纳入用户界面设计,让作为用户的业务部门知晓数据采集过程,且不会令他们反感。

总之,一家油气企业要想成为数据分析领域的领军者,就务必将所有能力结合起来,深深植入企业的竞争力核心之中。组织必须在数据、技术、流程、员工和文化等领域采取一体化行动,才能成功实现从发现问题到业务绩效提升的转型。(财富中文网)

本文转自d1net(转载)

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
|
2月前
|
存储 分布式计算 大数据
大数据-169 Elasticsearch 索引使用 与 架构概念 增删改查
大数据-169 Elasticsearch 索引使用 与 架构概念 增删改查
62 3
|
2月前
|
消息中间件 分布式计算 大数据
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
大数据-123 - Flink 并行度 相关概念 全局、作业、算子、Slot并行度 Flink并行度设置与测试
117 0
|
2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。
49 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
|
2月前
|
存储 缓存 NoSQL
大数据-45 Redis 持久化概念 RDB AOF机制 持久化原因和对比
大数据-45 Redis 持久化概念 RDB AOF机制 持久化原因和对比
41 2
大数据-45 Redis 持久化概念 RDB AOF机制 持久化原因和对比
|
2月前
|
机器学习/深度学习 XML 分布式计算
大数据的概念
【10月更文挑战第16天】
75 4
|
2月前
|
消息中间件 存储 分布式计算
大数据-72 Kafka 高级特性 稳定性-事务 (概念多枯燥) 定义、概览、组、协调器、流程、中止、失败
大数据-72 Kafka 高级特性 稳定性-事务 (概念多枯燥) 定义、概览、组、协调器、流程、中止、失败
37 4
|
2月前
|
消息中间件 NoSQL Kafka
大数据-52 Kafka 基础概念和基本架构 核心API介绍 应用场景等
大数据-52 Kafka 基础概念和基本架构 核心API介绍 应用场景等
65 5
|
2月前
|
消息中间件 存储 分布式计算
大数据-53 Kafka 基本架构核心概念 Producer Consumer Broker Topic Partition Offset 基础概念了解
大数据-53 Kafka 基本架构核心概念 Producer Consumer Broker Topic Partition Offset 基础概念了解
70 4
|
2月前
|
消息中间件 大数据 Kafka
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(二)
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(二)
31 2
|
2月前
|
消息中间件 NoSQL 大数据
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(一)
大数据-77 Kafka 高级特性-稳定性-延时队列、重试队列 概念学习 JavaAPI实现(一)
37 1