姓名：于川皓 學號：16140210089
轉(zhuǎn)載自：https://www.zhihu.com/question/20176089/answer/23302503
【嵌牛導讀】：想做數(shù)據(jù)處理尤其是大數(shù)據(jù)量處理的相關(guān)工作必須兼具計算機科學基礎(chǔ)和統(tǒng)計基礎(chǔ)。
現(xiàn)在有一個高大上的職業(yè)叫數(shù)據(jù)科學家鸥印，有人說數(shù)據(jù)科學家就是一個比程序員更懂統(tǒng)計的統(tǒng)計學家震束，一個比統(tǒng)計學家更會編程的程序員淑倾。覺得說得很形象乔夯。
【嵌牛鼻子】：大數(shù)據(jù)
【嵌牛提問】：微波殺菌的特點砖织？
【嵌牛正文】：
想做數(shù)據(jù)處理尤其是大數(shù)據(jù)量處理的相關(guān)工作必須兼具計算機科學基礎(chǔ)和統(tǒng)計基礎(chǔ)款侵。
現(xiàn)在有一個高大上的職業(yè)叫數(shù)據(jù)科學家，有人說數(shù)據(jù)科學家就是一個比程序員更懂統(tǒng)計的統(tǒng)計學家侧纯，一個比統(tǒng)計學家更會編程的程序員新锈。覺得說得很形象。
<img src="https://pic3.zhimg.com/50/b36ae1d535cbb0fd4ec53b8bf78513ba_hd.jpg" data-rawwidth="852" data-rawheight="582" class="origin_image zh-lightbox-thumb" width="852" data-original="https://pic3.zhimg.com/b36ae1d535cbb0fd4ec53b8bf78513ba_r.jpg">
考慮到你還是在讀本科生茂蚓，有很多知識和課程還需要作為基礎(chǔ)來學習和鞏固壕鹉。
基礎(chǔ)中的基礎(chǔ)：
線性代數(shù)剃幌，概率論
核心知識：
數(shù)理統(tǒng)計
預測模型
機器學習
計算機：
數(shù)學軟件：強大矩陣運算和優(yōu)化功能的matlab聋涨，專而精的mathematica。
語言：python（很流行的科學語言负乡，潛力也很大牍白，ipython這樣交互式環(huán)境十分有利），fortran（強大的計算語言抖棘，充分優(yōu)化的現(xiàn)成代碼）茂腥，R（相比于matlab，java切省，c最岗，R是個高富帥）
可視化
<img src="https://pic2.zhimg.com/50/14e81b9356cba0e6c0c18ad481f241bd_hd.jpg" data-rawwidth="508" data-rawheight="334" class="origin_image zh-lightbox-thumb" width="508" data-original="https://pic2.zhimg.com/14e81b9356cba0e6c0c18ad481f241bd_r.jpg">這是數(shù)據(jù)分析各類語言使用度的圖表，R占的比例還是相當高啊朝捆。想利用現(xiàn)在動輒TB級的數(shù)據(jù)大顯身手般渡，光靠excel可不夠啊。你真的需要寫很多代碼…
這是數(shù)據(jù)分析各類語言使用度的圖表芙盘，R占的比例還是相當高啊驯用。想利用現(xiàn)在動輒TB級的數(shù)據(jù)大顯身手，光靠excel可不夠啊儒老。你真的需要寫很多代碼…
統(tǒng)計：時間序列分析
應用回歸（很簡單蝴乔，亦很實用）
多元統(tǒng)計分析
強烈推薦：Distance Education § Harvard University Extension School和哈佛的學生一起學習Data Science。
課后問題的材料：http://cs109.org/
網(wǎng)絡(luò)課程同樣有豐富的資源：
機器學習類：
數(shù)據(jù)分析類：
杜克： Data Analysis and Statistical Inference
約翰霍普金斯： Computing for Data Analysis
編程類：
萊斯大學： Introduction to Interactive Programming in Python
MIT： Introduction to Computer Science & Programming in Python
相關(guān)問題：
Data Science: What are some good free resources to learn data science?
Where can I learn pandas or numpy for data analysis?
What are some good resources for learning about statistical analysis?
Data Science: How do I become a data scientist?
What are some good "toy problems" in data science?
What are some good resources for learning about machine learning?
水平有限驮樊，歡迎補充薇正。另外我制作了一個個人網(wǎng)站Daniel's Site on Strikingly和專欄DαΓαSciεηce - 知乎專欄希望激發(fā)更多人對data science 的興趣。
874?23 條評論
?分享
?收藏?感謝收起
數(shù)據(jù)挖掘工程師囚衔，DW挖腰，數(shù)據(jù)運營
收錄于編輯推薦·226 人贊同了該回答
海量數(shù)據(jù)分成兩塊，一是系統(tǒng)建設(shè)技術(shù)佳魔，二曙聂，海量數(shù)據(jù)應用。先說系統(tǒng)建設(shè)鞠鲜，現(xiàn)在主流的技術(shù)是HADOOP宁脊，主要基于mapreduce的分布式框架断国。目前可以先學習這個。但是我的觀點榆苞，在分布式系統(tǒng)出來之前稳衬，主要是集中式架構(gòu)，如DB2坐漏，oracle薄疚。為什么現(xiàn)在用分布式架構(gòu)，那是因為現(xiàn)在集中式架構(gòu)受限于IO性能赊琳，出來速度慢越走，如果又一種硬件技術(shù)，可以很快地處理海量數(shù)據(jù)兽埃，性能上能滿足需求专肪，那么集中式架構(gòu)優(yōu)于分布式架構(gòu)，因為集中式架構(gòu)穩(wěn)定趁尼，運維壓力小“＜睿現(xiàn)在的集中式架構(gòu)要么性能達不到要求，要么就是過于昂貴酥泞。我期待一種技術(shù)出現(xiàn)砚殿，可以非常快地傳輸和處理數(shù)據(jù)芝囤，那么集中式架構(gòu)將再次進入人們眼球似炎。再說海量數(shù)據(jù)應用。海量數(shù)據(jù)應用主要是數(shù)據(jù)挖掘和機器算法凡人。具體有不同的應用場景名党，如個性化搜索和推薦，社交網(wǎng)絡(luò)發(fā)現(xiàn)挠轴，精準營銷传睹，精準廣告，實時最優(yōu)路徑岸晦，人工智能等等欧啤。看你想做系統(tǒng)支撐技術(shù)還是與業(yè)務(wù)結(jié)合的應用技術(shù)启上。
如果現(xiàn)在學系統(tǒng)建設(shè)技術(shù)邢隧，可以讀下如下書籍：
<img src="https://pic3.zhimg.com/50/eb38178cf7fcf92db4c3655d6c06d462_hd.jpg" data-rawwidth="541" data-rawheight="202" class="origin_image zh-lightbox-thumb" width="541" data-original="https://pic3.zhimg.com/eb38178cf7fcf92db4c3655d6c06d462_r.jpg">
如果學數(shù)據(jù)挖掘和機器算法，推薦先看數(shù)據(jù)挖掘?qū)д摳栽冢y(tǒng)計分析原理倒慧，Mahout，R,MATLAB
226?18 條評論
?分享
?收藏?感謝
大數(shù)據(jù)話題的優(yōu)秀回答者
169 人贊同了該回答
1. 自己裝個小集群跑hadoop/hive，可以到cloudera網(wǎng)站上下現(xiàn)成的打包虛擬機纫谅§畔停看看hadoop in action. 這本書比權(quán)威指南容易懂很多。
2. 裝個cassandra什么的玩玩付秕，在上面架個小項目兰珍，比如留言板什么的。询吴。
3. 讀一些著名的paper掠河，nosql的或者mapreduce。
4. 看看apache hadoop家族的其他幾個項目猛计，比如zookeeper唠摹，pig，了解一下生態(tài)圈
到這里為止你大概有個概念有滑，知道bigdata怎么回事了
找個開源項目跃闹，看看ticket list，看看能不能自己修毛好。。
能的話看看能不能混進項目組
個人覺得苛秕，大數(shù)據(jù)要靠實踐多一點肌访。在真的上百上千節(jié)點的cluster上跑hadoop和自己虛擬機架的完全不同。cluster上跑各種奇葩的事情單機都是碰不到的艇劫。吼驶。就好比dba靠讀書考證很難牛屄一樣。所以最終還是要找個公司實戰(zhàn)店煞。蟹演。不過如果上面幾個都做到的花，基本上應聘大數(shù)據(jù)公司問題不大了顷蟀。
－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
做大數(shù)據(jù)平臺工作現(xiàn)在滿一周年多幾天酒请，再看上面的答案覺得說得不是很到位。
在國內(nèi)的環(huán)境下鸣个，似乎還是Hadoop用得更多羞反，其他更fancy的東西比如presto/spark什么的，灣區(qū)也算是新鮮事物囤萤，并不是很多公司都在用（也有原因是真的適用的公司也不算太多了）昼窗。更實際節(jié)省的做法是，學Hadoop涛舍，至少要了解系統(tǒng)架構(gòu)和數(shù)據(jù)的流向澄惊，比如怎么partition，怎么shuffle，combiner怎么work之類的大概念掸驱，對入門人士面試官大多也就是面這些窘哈，不會問太深，再深入的問題亭敢，是留給有行業(yè)經(jīng)驗的人的滚婉。對剛?cè)腴T想入行的人，知道上面這些帅刀，再寫寫類似Word Count（大數(shù)據(jù)版的helloworld）让腹，之類的有個實際概念，就可以找公司面著玩看了扣溺。
其他東西可以都了解個皮毛骇窍，跟上社群的演進。大數(shù)據(jù)更多是工程的東西锥余，不是那么學術(shù)腹纳，多看看比深挖一個對初學者更有好處。每個工具被發(fā)明驱犹，都是解決一個特定問題的嘲恍，大數(shù)據(jù)沒有一個產(chǎn)品是萬能的，都是解決某個特定問題來的雄驹，看到新鮮事物就想想為什么需要這樣的工具佃牛，背后有什么需求。
比如有了Hive為什么facebook還要搞Presto医舆；為什么Hadoop 2.0要做Yarn俘侠。看的時候多想想這個蔬将，視野就會更開闊爷速。
建議如果想深入學習，沒有什么比找個真的做相關(guān)行業(yè)的公司來的靠譜了霞怀。工程的東西惫东，尤其是這樣新鮮出爐的工程領(lǐng)域，光看書看資料是沒有任何用處的里烦，你很難了解每個技術(shù)背后的關(guān)鍵凿蒜，也很難了解實踐中會遇到的問題。我之前打雜過的實驗室胁黑，到處找客戶免費用他們的產(chǎn)品废封，每個出去的學生都會義務(wù)跟雇主推薦實驗室的產(chǎn)品，為什么丧蘸，因為沒有真的在PB級別的數(shù)據(jù)上跑漂洋，你就不知道哪里設(shè)計有問題遥皂。你深入看一個項目，就會發(fā)現(xiàn)刽漂，其實用得技術(shù)沒什么新鮮深奧的演训，比如你看Hive或者Presto，會發(fā)現(xiàn)用到的技術(shù)贝咙，在Query引擎領(lǐng)域只能算是入門級的知識样悟，傳統(tǒng)數(shù)據(jù)庫廠商都用了幾十年了。真正好玩的是庭猩，每個Feature設(shè)計是如何切入大數(shù)據(jù)這個背景的窟她。
所以說，沒有比找一家公司真的干一段時間更能讓你了解大數(shù)據(jù)的了蔼水。當然請別被忽悠去拿大數(shù)據(jù)做噱頭的公司了≌鹛牵現(xiàn)在有些公司招聘，就算不用hadoop也會往上寫趴腋，反正去了老板會說吊说，現(xiàn)在數(shù)據(jù)不夠，以后肯定會需要Hadoop的优炬。
以上都是關(guān)于平臺方向的颁井，數(shù)據(jù)方向的我完全不懂。
169?16 條評論
?分享
?收藏?感謝收起
搞一下算法穿剖，深一點的那種
20 人贊同了該回答
好吧蚤蔓，我來說一下我的看法吧
首先
我由各種編程語言的背景——matlab,R,java,C/C++,python,網(wǎng)絡(luò)編程等
我又一定的數(shù)學基礎(chǔ)——高數(shù)，線代糊余，概率論，統(tǒng)計學等
我又一定的算法基礎(chǔ)——經(jīng)典算法单寂，神經(jīng)網(wǎng)絡(luò)贬芥，部分預測算法，群智能算法等
但這些目前來講都不那么重要宣决，但慢慢要用到
Step 1：大數(shù)據(jù)理論蘸劈，方法和技術(shù)
大數(shù)據(jù)理論——啥都不說，人家問你什么是大數(shù)據(jù)時尊沸，你能夠講到別人知道什么是大數(shù)據(jù)
大數(shù)據(jù)方法——然后別人問你威沫，那怎么實現(xiàn)呢？嗯洼专，繼續(xù)講：說的是方法（就好像歸并排序算法：分棒掠，并）。到目前外行人理解無障礙
大數(shù)據(jù)技術(shù)——多嘴的人繼續(xù)問：用的技術(shù)屁商。
這階段只是基礎(chǔ)烟很，不涉及任何技術(shù)細節(jié)，慢慢看慢慢總結(jié)，積累對“大數(shù)據(jù)”這個詞的理解雾袱。
Step 2：大數(shù)據(jù)思維
Bang~這是繼Step 1量變發(fā)展而來的質(zhì)變：學了那么久“大數(shù)據(jù)”恤筛，把你扔到制造業(yè)，你怎么辦芹橡？
我想毒坛，這就是“學泛”的作用吧，并不是學到什么具體東西林说，而是學到了對待事物的思維煎殷。
就像知友討論的：如何評價《Big Data：大數(shù)據(jù)時代》這本書？中有提到
這個我也朦朦的不懂 @.@
----------------------------------------------------------------------
以下階段我還沒開始=_=述么，不好誤導大家
Step 3：大數(shù)據(jù)技術(shù)基礎(chǔ)
Step 4：大數(shù)據(jù)技術(shù)進階
Step 5：打?qū)崙?zhàn)
Step 6：大融合
我現(xiàn)在也在學習之中~~這只是我自己為自己打算的學習歷程蝌数，歡迎給出各種建議~~
本來想回答你在評論里的提問，但是被提示不超過1000字...只能這里回答了度秘。顶伞。。（跟問題本身也有些相關(guān)）
對@Du Crystal評論提問的回答：
我現(xiàn)在回看了一下我原來答案剑梳，太糟糕了唆貌，雖然路線還可以，但好像也沒答到問題的點子上（因為我的點子是：打基礎(chǔ)就得了解概念先垢乙，后面才是聯(lián)系自己現(xiàn)狀調(diào)想學的東西锨咙，但看贊同最多好像是：這個領(lǐng)域什么技術(shù)比較熱？有哪些資源追逮？）...
承蒙你的肯定酪刀，就回答一下你的問題吧~
我覺得重要的還是：
1. 積累對（工業(yè)）大數(shù)據(jù)的理解：定義和案例；
2. 不斷改進自己的思維：要哪些能力钮孵？如何培養(yǎng)骂倘。
下面說說我的理解吧
1. 積累對（工業(yè)）大數(shù)據(jù)的理解：定義和案例
大數(shù)據(jù)到目前為止也沒有統(tǒng)一的定義，但倒是有些觀點可借鑒一番：
(1)? ? Gartner的3V定義：
Volume巴席，數(shù)據(jù)量大历涝；
Velocity，數(shù)據(jù)更新速度快漾唉；
Variety荧库，數(shù)據(jù)多樣性。
(2)? ? 維基百科/谷歌（我記得好像是...）的定義：
Big Data is a broad term for data sets so large or complex that traditional data processing applications are inadequate.（即 大數(shù)據(jù)指的是所涉及的資料量規(guī)模巨大到無法通過目前主流軟件工具赵刑，在合理時間內(nèi)達到擷取分衫、管理、處理并整理成為幫助企業(yè)經(jīng)營決策目的的資訊料睛。）
這兩個定義丐箩，一個從“大數(shù)據(jù)”的屬性層面入手摇邦，一個從“大數(shù)據(jù)”的方法層面入手，以理解屎勘、定義大數(shù)據(jù)施籍。網(wǎng)上有各種各樣的定義，這是我覺得比較好的兩個概漱。
然而丑慎，一兩句化的定義是解決不了“對大數(shù)據(jù)的理解”這個問題的，更多的是需要通過對大數(shù)據(jù)案例學習瓤摧、對網(wǎng)上別人觀點和看法的吸收以及自己的實踐等渠道竿裂，來慢慢加深對大數(shù)據(jù)的理解，最終才能明白這些定義的隱含內(nèi)涵照弥。
那我對這些定義的隱含內(nèi)涵的理解是什么呢腻异？
(1)? ? 我覺得大數(shù)據(jù)的3V定義中，核心在于“Variety”（多樣性）上这揣。其實悔常，我想表達的是：多數(shù)據(jù)源，或者說给赞，解決問題的多個視角机打。
對問題的理解使得我們可以通過多個視角去考慮問題，而不同的視角代表了不同的數(shù)據(jù)源片迅，通過綜合這些數(shù)據(jù)源残邀，我們可以得到更準確、更精確的分析結(jié)果柑蛇。而Volume（量）和Velocity（數(shù)據(jù)更新速度）只是Variety（多樣性）附帶的“紅利”而已：考慮的視角多了芥挣，數(shù)據(jù)量自然也大了，把動態(tài)的視角考慮進去耻台，那么自然也就考慮了數(shù)據(jù)更新了九秀。（例如，在考慮機器故障預測這件事上粘我，我們不僅可以利用它加工出來的零件的尺寸這個數(shù)據(jù)，也可以考慮機器本身的振動信號痹换、電壓電流信號征字，甚至加工過程中產(chǎn)生的噪聲信號等等，那么我們從機器娇豫、零件匙姜、環(huán)境等多個視角考慮問題，考慮多個數(shù)據(jù)源冯痢，從而實現(xiàn)了一個大數(shù)據(jù)應用氮昧。）
數(shù)據(jù)采集受硬件約束框杜，而硬件越來越便宜。多視角考慮問題則受人的思維約束袖肥，同時也是更好解決問題的主要瓶頸咪辱。所以，對問題的理解和思考椎组，應該成為我們的優(yōu)勢所在油狂。
(2)? ? 而維基百科關(guān)于大數(shù)據(jù)的定義，告訴我們算法寸癌、數(shù)據(jù)分析的困難和重要性將更上一層专筷。而由于實現(xiàn)部分，不用制造考慮蒸苇，交給IT部吧磷蛹。
也就是說，一個定義分別告訴我們：多視角溪烤；另一個：能做不可能的事情味咳，雖然很難。
綜上氛什，我認為莺葫，（制造中）大數(shù)據(jù)應該是一種基于多視角分析問題，并利用高擴展性枪眉、實時性的算法分析問題的一種科學范式捺檬。
這樣還是很泛，真的制造大數(shù)據(jù)是很狹隘的（就目前而言）贸铜。
而無論是工業(yè)4.0堡纬，還是工業(yè)大數(shù)據(jù)或智能制造，從本質(zhì)上看就是IT技術(shù)（信息）與工業(yè)技術(shù)（物理）的融合蒿秦，而制造的人將是這場融合中重要的催化劑：最貼近工業(yè)技術(shù)烤镐，同時又能幾時吸收一些前沿IT技術(shù)的思想，將兩者融合以優(yōu)化制造流程９鞅睢（你可以看看GE的那個白皮書）
所以炮叶，其實對制造的大數(shù)據(jù)，我還有一點想法：
切勿切勿切勿一心落到“大數(shù)據(jù)”中“大”的追求當中渡处！
McKinsey的報告中強調(diào)镜悉，并不是說一定要超過特定TB 級的數(shù)據(jù)集才能算是大數(shù)據(jù)。（Big Data: The Next Frontier For Innovation, Competition, And Productivity）而其實對于大數(shù)據(jù)上“量”閾值的界定医瘫，是取決于不同行業(yè)的侣肄，因此用一個單純的閾值來判斷是否是大數(shù)據(jù)是不實際的。
在制造步入數(shù)據(jù)化時代之際醇份，更重要的是改變思維：以往無數(shù)據(jù)狀況下稼锅，只能依靠純粹機理的因果分析吼具；而今獲取數(shù)據(jù)的渠道多樣且容易，應該多考慮如何利用數(shù)據(jù)以輔助優(yōu)化矩距、決策拗盒，而不單單利用機理分析！
最后剩晴，數(shù)據(jù)分析更貼近實際锣咒，而大數(shù)據(jù)分析可能是屠龍之技，是需要積累的（看看人家互聯(lián)網(wǎng)都積累那么久赞弥，現(xiàn)在都還沒多少很成功出名的大數(shù)據(jù)case）毅整！
2. 不斷改進自己的思維：要哪些能力？如何培養(yǎng)绽左。
上面說了悼嫉，制造的人是Cyber Physics System中 cyber 和 physics融合的leader，那么作為leader得做什么呢拼窥？
(1) 啟動智能制造模式戏蔑；
(2) 明確所需能力，并培養(yǎng)及獲取鲁纠。
領(lǐng)導做事并共同進步总棵。
啟動智能制造模式
GE在提出工業(yè)互聯(lián)網(wǎng)時涉及了三個點：傳感器、全新的互聯(lián)網(wǎng)連接（平臺）和數(shù)據(jù)分析與技術(shù)改含，這三個點結(jié)合實現(xiàn)了智能設(shè)備情龄、智能系統(tǒng)和智能決策，從而支撐起工業(yè)互聯(lián)網(wǎng)的框架捍壤。
智能設(shè)備
為工業(yè)設(shè)備提供數(shù)字化設(shè)備是工業(yè)互聯(lián)網(wǎng)革命的第一步骤视。而智能設(shè)備為這一步的實現(xiàn)提供了強大的基礎(chǔ)：硬件成本的大幅下滑及物聯(lián)網(wǎng)技術(shù)的實現(xiàn)、成熟鹃觉，使實時专酗、全方位監(jiān)控設(shè)備、獲取設(shè)備數(shù)據(jù)成為可能盗扇，而微處理器芯片和大數(shù)據(jù)分析工具及分析技術(shù)的持續(xù)進步祷肯，支撐了海量數(shù)據(jù)的處理。
這讓更廣泛的利益相關(guān)者能夠參與到資產(chǎn)維護疗隶、管理和優(yōu)化之中躬柬。它還確保在合適的時間引入本地和遠程擁有相關(guān)機器專業(yè)知識的人。智能信息還可以返回至最初的機器抽减。這不僅包括該機器產(chǎn)生的數(shù)據(jù)，還包括可以加強機器橄碾、設(shè)施和大型系統(tǒng)的運營或維護的外部數(shù)據(jù)卵沉。這些數(shù)據(jù)反饋循環(huán)讓機器能夠從歷史中“學習”颠锉，從而控制系統(tǒng)更智能的運行。
智能系統(tǒng)
智能系統(tǒng)不單單將智能設(shè)備史汗、數(shù)據(jù)及人結(jié)合為一個整體琼掠，使智能信息在機器、系統(tǒng)網(wǎng)絡(luò)停撞、個人或群體之間分享瓷蛙，推動智能協(xié)作和更好的決策，還負責網(wǎng)絡(luò)優(yōu)化戈毒、維護優(yōu)化艰猬、系統(tǒng)恢復、學習等智能功能埋市。
智能決策
工業(yè)互聯(lián)網(wǎng)的全部威力將通過第三個元素實現(xiàn)——智能決策冠桃。當從智能設(shè)備和系統(tǒng)收集到足夠的信息以促進數(shù)據(jù)驅(qū)動的學習時，智能決策就出現(xiàn)了道宅，這反過來讓機器子集和系統(tǒng)網(wǎng)絡(luò)級運營功能從操作員轉(zhuǎn)到安全的數(shù)字系統(tǒng)食听。
明確所需能力，并培養(yǎng)及獲取
(1)? ? 精心制定的大數(shù)據(jù)規(guī)劃：
大數(shù)據(jù)及高級數(shù)據(jù)分析看起來漂亮污茵，但就像戰(zhàn)略規(guī)劃一樣樱报，需要無論是對制造等業(yè)務(wù)流程，還是對數(shù)據(jù)理解泞当，都具有全局觀念和深刻認識的人才迹蛤、管理者（像Microsoft這樣的公司都需要請mu sigma這樣的數(shù)據(jù)處理公司做咨詢）。無論何時零蓉，在推進工業(yè)大數(shù)據(jù)的過程中笤受，一定要有人總結(jié)關(guān)于公司的數(shù)據(jù)概況及其應用案例。
(2)? ? 時刻關(guān)注三個關(guān)鍵能力的成長：
A.鑒別敌蜂、結(jié)合及管理多種數(shù)據(jù)源：對自己部門相關(guān)的總體數(shù)據(jù)有深刻理解箩兽，對其他部門數(shù)據(jù)有一個數(shù)據(jù)概況的認識，并思考如何結(jié)合及管理章喉。
B.? ? 構(gòu)建高級分析模型的能力汗贫。
C.? ? 為了確保數(shù)據(jù)和模型能夠真正生成更好的決策，管理層必須具備推動轉(zhuǎn)變體制的能力：如賦權(quán)相關(guān)人員秸脱，組織扁平化落包，數(shù)據(jù)共享會等習慣。
(3)? ? 自動化帶來的效益是明顯的摊唇，信息化建設(shè)則是長期的咐蝇；可能需要新的管理架構(gòu)、角色或分工在其中進行協(xié)調(diào)：
信息化建設(shè)是長期且需要不斷投入的巷查，大方向?qū)α擞行颍€需要高執(zhí)行力的領(lǐng)導層及獨立部門人員進行推行抹腿。
