没必要由我们来告诉你每个人都在谈论大数据因为如果你有一双眼睛和耳朵，你就会到处看到和听到它。不过，我们要告诉你的是，人们对这个话题的兴趣似乎只会加速。
我们每周都有机会与行业高管交谈无数次，而且这种机会越来越多。
为了验证兴趣的上升，我们可以查看谷歌Trends数据，该数据显示了搜索词随时间的相对受欢迎程度。你可以看到，“大数据”真正开始起飞是在2011年，从那以后就没有放缓太多(作为参考，看看“大数据”的数据。云计算，你就会发现人们对这个话题的兴趣有起有落)。
感兴趣也许是它的最高点，而且还在上升，但是行动是完全不同的东西。我们似乎正在触及这个拐点，越来越多的高级领导人不再问这样的问题:什么是大数据还有更多的问题，比如“我如何使用大数据来改善我的运营?在这篇文章中，我们将讨论后者。
生产分析需求随时间变化
自工业革命以来，制造商一直在收集和存储数据，意图将其用于改善运营。虽然在过去250年里，利用数据的基本动机没有太大变化，但有两件事发生了变化，尤其是在大数据方面:
变化#1:数据的复杂性
事情的真相是大数据的意义远不止大小。如果这是唯一的因素，那么许多传统的解决方案就足够了，这篇文章甚至可能都不会存在!大小，除了其他几个因素，产生大数据传统解决方案无法处理的复杂信息集合．这些包括:
- 速度:数据产生的速度之快。它通常是实时的、对时间敏感的流数据。
- 品种:数据记录可能包括各种形式的结构化和非结构化数据、不可预测的数据集大小和不可预测的汇率。结构化数据通常具有一组预先确定的参数或固定的字段。它是最典型地存储在关系数据库或电子表格中的数据。非结构化数据可能是指没有预定义参数或固定字段的数据。对于这种类型的数据，没有数据模型。
- 体积:当然，还有大量的数据集，交易从tb到pb不等。
变化#2:将数据转化为智能的能力
在上述三个因素中，多样性似乎是最大的挑战。多年来，解决方案提供商在跟上不断增长的数据存储需求方面做得很好。而且，只要摩尔定律随着时间的推移，解决方案应该能够继续处理越来越快、越来越大的数据事务。
然而，在解决方案的开发中，多样化是需要新一波专业知识的地方。将快速传入的大量结构化和非结构化数据转换为智能需要创建更新更好的数据模型。这就是大数据分析发挥作用的地方。
大数据分析都配备了先进的，通常是专门建造的数据模型。尽管上面列出了复杂性，但大数据分析的架构越来越多地反映了传统的分析解决方案，具有直观和用户友好的界面，以及数据可视化、深入分析和基于角色的仪表板的功能。
回答问题:“我如何使用大数据来改善我的运营?”
在最近的一项调查中，我们问制造运营管理(MOM)主管以及高层领导对大数据将在哪些领域产生最大影响的看法。他们被指示选择所有适用的，结果如下:
近1 / 2的人预计，大数据将被用于更好地预测生产，并通过多个指标了解工厂的绩效，而分别只有5%和6%的人认为他们根本不会在工厂或企业级使用大数据。也就是说，很明显受访者认为大数据将对业绩产生影响。但重要的是要记住大数据本身实际上毫无用处。
然而，当大数据与大数据分析结合使用时，大数据可以提供运营洞察力——类似于上面预测的那些——这是以前制造业领导者和数据科学家都无法想象的。随着解决方案提供商继续在功能方面进行投资，发现以前未知的相关性以及打破信息孤岛的可能性正在变得越来越大。
如果你认为采用大数据分析是一个遥远的想法，请三思。2013年，17%的制造商已经拥有某种形式的大数据分析解决方案，另有15%的制造商正在计划在明年部署。在过去的十年里，许多公司都开发了自己的解决方案，但是如今，越来越多的解决方案提供商正在满足这些需求．
要补充的一个警告是——为了检查故事的双方——尽管我们可能在这个大数据时代处理大量数据，但确保这些数据是相关的很重要。在定量信息的可视化显示，爱德华·塔夫特分享
这是一个很好的例子，说明了如何得出不正确的相关性。他研究了纽约证券交易所和伦敦证券交易所指数与照射地球的太阳能量之间的紧密联系。你可能会根据数据得出结论，太阳能的数量推动了股价，但正如塔夫特所描述的那样，这只是一个相对狭窄的窗口内的巧合。
所以，当高管们问我们这样一个问题:“我如何使用大数据来改善我的运营?”我们倾向于询问他们的生产目标以及更广泛的商业目标．因为大数据的用例是巨大的，并且快速增长，但这是一个将他们的需求与他们的组织可用的相关信息和当今大数据分析解决方案的能力相匹配的问题。
总而言之，考虑到运营中已经可用的大数据集，再加上来自社交媒体和物联网(IoT)等领域的新数据来源，如果你不考虑大数据分析，你就有严重落后的风险。
想要社交?分享这篇文章!（推特|LinkedIn| Bitly: http://bit.ly/1sRU50e)。
