思維聚焦 | 鄧白氏D&B

如何實踐主數據(Master Data)與大數據的協同效應?

在過去幾年,最大的發展趨勢非大數據莫屬,十年來,大數據已經從一個鮮為人知的概念變成了一個全球爭相追逐的領域。據IDC預測,截止至2020年,大數據將帶來2,030億美元市場,成為名副其實的“潛力股”。儘管大數據不再是單純的人為炒作的概念,鄧白氏集團主數據(Master Data)解決方案 資深架構師認為大部分公司尚未充分獲得大數據投資帶來的益處。根據高德納公司(Gartner)的報告,目前僅有13%的公司在生產過程中應用了大數據,而且應用的程度也各不相同。他認對對大多數企業很難從大數據中獲取洞察和投資回報的見解。對於大型的B2B企業而言,從大數據投資中獲取回報率的挑戰尤其嚴峻,因為許多企業仍無法解決大數據(Big Data)和主數據(Master Data)整合的難題。

了解更多 >

萬物復甦之際,數據專家暢談2018五大數位化決心

自動駕駛汽車變得越來越具有可行性,量子電腦不再虛無縹緲,物聯網設備也以從未預見的改進方式進入了我們的日常生活(比如:“智能”家居)。在如此眾多新奇技術接踵而來的同時,一些新的風險也開始出現。人工智慧和自動化的進步引發了有關我們正在將多少控制權讓與這些數位化助手的討論。量子電腦讓量子駭客成為可能,從而給網路安全、加密貨幣、區塊鏈及其他技術進步帶來潛在的嚴重威脅。看來我們在繞太陽一周的過程中,經歷了眾多技術的進步,同時也有大量的新事物需要我們細心思考。 所以,我們要時刻保持對技術進步的關注,同時避免武斷地認定“所有進步都是好的“,管理好各種新的可能性。萬物復甦之際並非終結或開端,就好比某個過程在持續進行一樣。

在過去的寶貴時間裡,我們透過自己的成就和錯誤、透過教與學、透過付出與給予,我們的數據世界帶來眾多可能性,在巨人肩膀上,始終滿懷希望地學習。 鄧白氏首席數據科學家本著這種反思精神,和大家分享自己的2018數位化決心:

了解更多 >

最強大腦看AI,當鄧白氏首席數據學家遇上IBM全球數據長

在歷史被數位化工具記錄下來之前,它曾被編成冗長而豐富的故事,人們在講述這些故事時極其慎重,所以歷史故事才得以傳承。到了似乎一切都能被記錄和保存下來的時代,這些互動又是如何變化的呢?我們拍攝數以千計的照片,但是能從中找到一張,像我們在多年前保存下來的老照片一樣觸動我們心靈的嗎?當越來越多的事物轉化成了數字,我們的世界又在發生怎樣的變化呢?

了解更多 >

[主數據]全球數位化商業的溫室效應來襲

資料無處不在,業務關係成倍增加,所有事物都呈現出程式化的方式和感覺,這些就是我們的未來。但我們的商業資料基礎設施準備好應對這些即將到來的變化了嗎?傳統模式的“冰山“將融化並抬高資料管理的水位,許多成熟企業將發現他們的戰略面臨著新的挑戰。

“真正的主資料解決方案遠超資料管理領域的傳統術語。”

無論我們喜歡與否,商業環境的本質正在迅速改變。隨著我們的環境從類比轉為數字,我們所接觸的一切都將轉化為資料。人工智慧(AI)、物聯網(IoT)和機器對機器(M2M)通信的迅速崛起,已凸顯出採用標準化方式進行跨系統資料連接的迫切需求。

 

了解更多>

[主數據]錯誤的商業決策可以規避嗎?

從迴紋針說起

迴紋針,相信大家並不會感到陌生。從19世紀迴紋針被發明以來,已被無數次的使用在各種場合。僅僅在美國,迴紋針每年的銷量就超過了100億。迴紋針被用來固定重要文件,也會被用來固定耶誕節裝飾品和清潔指甲等。在第二次世界大戰期間,挪威人更將其作為國家團結的標誌。只是近年來,由於釘書機和長尾夾等“顛覆性技術”的出現,迴紋針才開始顯得黯淡。

很難相信一枚普通的迴紋針,確切說來,一枚現今已不太常用的迴紋針能夠教我們如何更好地做出決策,以及不要為偶爾做出不妥的決策而感到緊張。

數十年來,迴紋針的製造工藝沒有發生過較大的改變,製造流程亦非常簡單:將鋼絲放入機器中進行切割和彎曲,然後製作成各種形狀的迴紋針。因為其製造流程簡單,而且生產技術成熟,人們會認為迴紋針應該是零瑕疵的。然而令人失望的是,迴紋針依然偶爾會出現變形或拉伸性能不良,容易斷裂等瑕疵。

了解更多 >

AI時代,工作?玩耍?

如何平衡工作與娛樂的見解有很多。有人認為工作是因為我們需要諸如食物、住所和衣物等基本需求,因此工作是為了生存而不得不做的事情。我們工作的目的要麼是為了獲取需要的物品,譬如農耕、狩獵等,要麼是為了獲取可用於置換所需物品的東西,譬如錢、黃金等。當然,我們知道事實並非如此簡單。許多人會說,他們是在做自己應做的事情,不是為錢,而是為了實現更崇高的使命,比如服務他人或滿足求知欲。無論何種理由,我們對工作似乎都有著從就業目的來看,很容易理解的定義。然而現今,對工作本質的探討似乎比以往任何時候都熱烈。在不久的將來我們的工作會是怎樣的?我們會為所謂的“機器人代理”效力嗎?當人類的工作不可避免地被可以幹更多活兒、更高效、無需休息、也沒有其它任何人性需求的自動化設備取代時,我們該怎麼辦?

了解更多 >

在充滿雜訊的資料海洋中,如何應對異常?

在資料科學中,“異常”一詞通常指與預期不一致的資料。但在當今世界存在著海量的資料,前所未有的全球性事件,以及顛覆性的技術應用,尋找“異常”絕非易事。

什麼是異常:定義資料中的異常

基於屬性的檢測是最基本的異常檢測方式。我們先定義所查找事物的屬性,再找出與該屬性相距甚遠的事物。譬如,在生產流程中,定義的檢測方式可通過找出超出容許值的產品來發現生產線上的不良品。這種定義檢測方式有效,但事實證明我們可以做得更好。 舉個例子,假設我們要製造一定長度的圓線,在理想製造環境中,如果該線太扁、太短或太長,並且與規格標準之間的偏差超過容許值,我們可利用異常來剔除該線。但這種檢測方式存在的問題是,我們是在成品後尋找不良品,此時干預已為時過晚。實踐證明,我們可以在生產過程中,在該線開始拉長或偏斜,但還未超出容許值前就發現它,並在第一時間進行干預以避免生產出不良品。

了解更多 >