Red de Respuestas Legales - Derecho de patentes - Cómo utilizar el análisis de big data para crear valor empresarial

Cómo utilizar el análisis de big data para crear valor empresarial

Regla 15 - El valor del big data no reside en su tamaño, sino en su capacidad de extracción

Victor Meyer-Schonberg dio varios ejemplos en su libro "La era del Big Data ", todo para ilustrar una verdad: cuando llegue la era del big data, debemos utilizar el pensamiento de big data para explorar el valor potencial de big data.

¿Qué es el pensamiento big data? Victor Mayer-Schönberger cree: 1) necesitan muestras de datos completos en lugar de muestreo; 2) centrarse en la eficiencia en lugar de la precisión; 3) centrarse en la correlación en lugar de la causalidad;

Creemos que el big data no reside en lo “grande”, sino en lo “útil”. El pensamiento de big data primero requiere la capacidad de comprender completamente el valor de los datos y saber cómo utilizar big data para proporcionar una base para la toma de decisiones comerciales, es decir, crear valor comercial a través del procesamiento de datos.

El núcleo del pensamiento de big data es comprender el valor de los datos y crear valor comercial a través del procesamiento de datos

"Harvard Business Week" señaló: Los científicos de datos son la profesión más atractiva del mundo. Siglo XXI. Después de adquirir cantidades masivas de datos, debe considerar cómo utilizarlos. Los científicos de datos son ingenieros que utilizan métodos científicos y herramientas de extracción de datos para encontrar nuevos conocimientos sobre los datos. La era del big data pone de relieve la importancia de los científicos de datos y la necesidad de combinar el análisis de datos con los negocios. Cuando el hardware y la infraestructura están disponibles para generar cantidades masivas de datos, alguien necesita convertir las grandes cantidades de datos dispersos en datos estructurados que puedan analizarse, integrarse y limpiarse para formar el conjunto de datos resultante.

El radar de talentos es un ejemplo típico. Con base en los datos de red dejados por cada persona en Internet, que contienen información personal como su trayectoria de vida, palabras y hechos sociales, etc., a partir del análisis de estos datos, podemos extraer su mapa de intereses, retrato de personalidad, y evaluación de habilidades a partir de su comportamiento en línea Talent Radar, una plataforma de recomendación de talentos basada en la minería de datos, ayuda a las empresas a conectar personas con trabajos de manera más eficiente y brinda servicios de búsqueda de talentos. Para evaluar las habilidades profesionales de un personal técnico, Talent Radar utilizará datos como la cantidad de publicaciones en foros profesionales (como Github, CSDN, Zhihu, Dingxiangyuan, etc.), la cantidad de citas de contenido y la influencia. de las citas. Esta información se modela para completar el juicio de su influencia profesional. Al mismo tiempo, los datos de Weibo también se utilizan en su totalidad. Las relaciones sociales reflejadas en él son también uno de los factores que determinan la capacidad profesional de una persona. Por tanto, juzgar la influencia profesional de los amigos de un usuario en las redes sociales también es un punto clave en el sistema de recomendación del radar de talentos. Al mismo tiempo, incluso si la capacidad personal de la persona recomendada no satisface las necesidades profesionales, si tiene una buena relación de amistad, también puede ser un "recomendador" adecuado para llevar la tarea al siguiente nivel. Los diferentes usuarios también tienen diferentes hábitos de comportamiento en las redes sociales, como el patrón de tiempo de publicación en Weibo y el tiempo que pasan en foros profesionales. Estos patrones de comportamiento se pueden utilizar para determinar sus patrones de tiempo de trabajo y ver si cumplen con el trabajo correspondiente. requisitos. Mediante la integración y el análisis de diversas fuentes de datos, el radar de talentos no solo puede ayudar a las empresas a mejorar la eficiencia de la contratación de talentos y al mismo tiempo ahorrar costos. En comparación con el negocio tradicional de caza de talentos, su uso de la sabiduría del grupo puede seleccionar talentos de manera más amplia y objetiva, y su método de medición pasiva también puede evitar hasta cierto punto el desempeño falso de algunos solicitantes de empleo durante las entrevistas directas. Entre sus clientes actuales se incluyen Taobao, Microsoft, Baidu y otras empresas conocidas.

Amazon recibió una nueva patente para "envío anticipado" en diciembre de 2013, que permite a la empresa comenzar a entregar artículos incluso antes de que los clientes hagan clic en "comprar". La tecnología puede reducir los tiempos de entrega y reducir la cantidad de visitas que realizan los consumidores a las tiendas físicas. En la solicitud de patente, Amazon dijo que los retrasos entre el pedido y la recepción "podrían disminuir el entusiasmo de los clientes por comprar artículos en el comercio electrónico". Amazon señaló que predice el volumen de ventas de un área específica en función de los pedidos anteriores y otros factores que los clientes. Puede adquirir pero aún no ha realizado el pedido, así como el embalaje y envío de estos productos. Según la patente, estos artículos entregados previamente se almacenan en el centro de envío de la empresa de mensajería o en un camión antes de que el cliente realice un pedido. Al predecir artículos de "entrega esperada", Amazon puede considerar los pedidos anteriores de un cliente, búsquedas de productos, listas de deseos, contenidos del carrito de compras, devoluciones e incluso cuánto tiempo permanece el cursor del mouse sobre un artículo. La patente muestra que Amazon espera aprovechar la gran cantidad de información de clientes que posee para obtener una ventaja competitiva.

La aplicación más esencial del big data es la predicción, es decir, analizar determinadas características a partir de datos masivos para predecir lo que puede suceder en el futuro. Cuando se integran diferentes flujos de datos en grandes bases de datos, la amplitud y precisión de las predicciones aumentarán enormemente.