這是個簡單而複雜的問題,需求簡單,實現起來卻是個龐大而系統的工程。
不同行業的運營細節是千差萬別的。相同行業內不同企業,業務流程大同小異,細節需求也是多樣化。
大資料應用於細節,第一步要做的事就是明確細節需求模型
比如應用於生產交期自動核算,首先要確定交期核算的演算法公式,以此公式確認因子及資料格式。交期中因子,生產週期=工序時長+中轉時長+排期時長,工序時長,又關聯工序工藝路線不同,版本不同而時長不同,排期時長又關聯加工模式、工序工藝路線、裝置人員才能核算產能從而計算排期。。。
一項細節應用,就是一套系統化的大資料鏈體系,錯宗複雜,哪怕是其中一項缺失或公式演算法格式不同,最終透過大資料體系核算的結果就不同,產生的應用效果可能出現巨大差異甚至損失無可挽回
大資料體系,必須體現嚴謹嚴格,才能確保結果準確方向正確。片面的實驗資料難以覆蓋全面,反覆足夠的實際應用業務資料的檢驗是驗證大資料體系可信的唯一途徑。
這是個簡單而複雜的問題,需求簡單,實現起來卻是個龐大而系統的工程。
運營細節最佳化,應該的理解就是落地不同行業的運營細節是千差萬別的。相同行業內不同企業,業務流程大同小異,細節需求也是多樣化。
大資料應用於細節,第一步要做的事就是明確細節需求模型
確認資料結構,規劃好大資料的體系標準比如應用於生產交期自動核算,首先要確定交期核算的演算法公式,以此公式確認因子及資料格式。交期中因子,生產週期=工序時長+中轉時長+排期時長,工序時長,又關聯工序工藝路線不同,版本不同而時長不同,排期時長又關聯加工模式、工序工藝路線、裝置人員才能核算產能從而計算排期。。。
一項細節應用,就是一套系統化的大資料鏈體系,錯宗複雜,哪怕是其中一項缺失或公式演算法格式不同,最終透過大資料體系核算的結果就不同,產生的應用效果可能出現巨大差異甚至損失無可挽回
反覆的實際應用驗證大資料體系,必須體現嚴謹嚴格,才能確保結果準確方向正確。片面的實驗資料難以覆蓋全面,反覆足夠的實際應用業務資料的檢驗是驗證大資料體系可信的唯一途徑。