我的大数据方法论：求扔砖

对于数据分析师而言，掌握一套方法论至关重要。搞数据挖掘，需要知道CRISP-DM，5A以及SEMMA三种过程模型或方法论。然而对于大数据，对于各位打算成为数据科学家的读者，是否想过总结一套适合自己的大数据方法论呢？这里抛出拙著，希望广泛讨论，不足之处，敬请赐教~

整体构思：

有观点认为大数据本身是种方法论，对于此，我持保留观点。然而对很多想实现大数据，想发展成为大数据公司的企业而言，面对大数据却有些无从下手。所以有必要对如何搞大数据做一翻思考，并基于此，抽象出通用的流程出来。这里，划分为六个环节：商业分析、场景设计、业务理解、数据规划、智能建模、深度应用。一个企业要实现大数据，可以有很多方法，本方法主要提供一种参考。首先从商业角度考虑，布局，挖掘商机，这个很容易忽略，往往通过布局一种生态，对企业未来发展十分有利。其实通过场景设计，找准大数据的真正定位，比如做提供什么样的服务可以实现双赢，做一款什么样的产品以什么样的方式运营可以刺激需求可以获利，没有这种认识和觉悟，是做不了大数据的。另外，比较重要的两点是数据和平台。我一直认为大数据对计算和分析的要求很高，即便只有几百KB的数据，想实现精度很高的模型，也会产生极大的运算量，所以需要依靠平台，没有平台，拿什么来计算，拿什么来提高性能。另外一个维度就是数据，大数据要实现跨界就必然引入更多数据，除了公司自己的数据外，还有合作方的数据，还有数据对接的数据等等，这个量是很大的。玩的越大，数据关系越复杂，说明数据的数据也越大，对平台的挑战也越大。

最后，一切分析和挖掘的目的都在于运用，如何让分析的结果产生更大的价值，如何有效地解决客户的问题呢？我的观点是要把应用做深，在不经意间，引导用户，满足潜在需求，提高效率，刺激需求

下面，通过一个例子说明本方法论：

（1）商业分析

某游戏公司为了刺激玩家的活跃度，尝试与银行进行跨界合作（玩游戏需要用币，银行卡有积分需要消费），寻找新的商机

（2）场景设计

该游戏公司通过分析发现，用户的银行卡积分使用率很低，在玩家游戏币不足的场景下，通过银行卡积分兑换游戏币，提升玩家活跃度

（3）业务理解

通过业务理解，该游戏公司确定了提升玩家活跃度10%的目标，并分析了影响提升玩家活跃度的诸多因素

（4）数据规划

基于与银行合作的考虑，该游戏公司与银行在数据绝对安全的情况下实现了数据的对接，并与现在数据进行有效集成，同时规划后期采集和使用的数据

（5）智能建模

该游戏公司基于数据+平台的理念，构建了一套智能学习平台，通过配置建模流程和规则，得出建模结果，该公司基于此制定了详细可靠的业务规则

（6）深度应用

基于业务规则，当玩家游戏币余额不足时，会根据玩家当时的心态分析结果，决定是否呈现银行卡积分兑换游戏币的功能。该公司最终达到了商业目标