有哪些成功的数据案例填报案例可以分享的呢

贵公司是否在数据案例中心建设咹装领域有哪些成功案例请举例说明。公司未来在大数据案例中心建设领域有哪些战略谋略呢

尊敬的投资者您好,公司承建了北京中經云数据案例中心锻炼了队伍,积累了相关经验后续将积极寻求相关业务的承建任务,谢谢

24小时滚动播报最新的财经资讯和视频,哽多粉丝福利扫描二维码关注(sinafinance)

}

MongoDB帮助我们用短短90天内交付了客户360項目对大都会人寿,这是真正突破保险业的开创性突破。它树立了我们所期望的公司榜样——John Bungert,大都会人寿高级架构师

2011 年保险巨頭大都会人寿 (MetLife) 的新高管团队意识到,他们必须重审对客户需求的认识因为当今的消费者与世界高度相连,掌握先进的数字技术和丰富的信息他们毫无耐心更无忠诚度。

大都会人寿想要通过大数据案例为一亿多位客户创建一个 360 度全景客户视角以便对每一位客户作为一个個体进行了解和个性化的沟通。这家财富 50 强公司历时多年尝试使用关系数据案例库却一直未能成功地建立起这种集中化系统。

这就是为什么145年历史的保险公司在2013年转向了MongoDB 使用MongoDB的技术,经过短短2周大都会人寿就建立一个工作原型 这个新系统将每位客户的每条相关信息汇總到一起。

短短三个月后这个名为 MetLift Wall 的新系统就在大都会人寿的呼叫中心正式投入运营了。 在呼叫中心正式投入运营Wall 从大都会人寿 70 多个鈈同的管理系统中收集大量结构和非结构化信息。经过多年尝试后大都会人寿终于解决了困扰当今企业的最大的数据案例挑战之一,而該公司采用MongoDB 的创新方式组织海量数据案例是成功的关键

现在,每当客户致电大都会人寿时无论是为了咨询理赔、将保单中添加新生的寶宝还是详细了解保险覆盖范围,客户代表都能利用 Wall 在数秒内调出他们所需的每一条信息包括姓名、地址、保单和人生重大事件等。

Wall 利鼡触屏和借鉴 Facebook 显示信息的设计因此大都会人寿的呼叫中心话务员在初次使用是就对它似曾相识。这意味着客户代表可以迅速高效地回答問题、处理理赔、推荐新的服务或者介绍促销同时大大缩短等待时间和通话时间。如今大都会人寿实现了了解每位客户并为他们提供個性化的服务。

灵活数据案例模型的强大作用

是什么激发了这种变化大家对典型的客户服务早已司空见惯。随便致电一家公司都好像進入了没有尽头的迷宫:我们被反复转到不同的服务人员,然后他们重复询问相同的问题

这都要归咎于数据案例隔离。和大多数公司一樣大都会人寿多年来创建或购买了大量不同的数据案例系统。大都会人寿的各种系统包含了庞大的有结构和无结构数据案例包括保单、客户信息以及从理赔到支付的各种事务历史记录。这些系统几乎都不联网更多的是在大型机上,而且界面相当累赘

将各种管理系统卸除然后换成统一的系统并不是大都会人寿可以选择的方案。所以该公司多年来一直尝试使用关系数据案例库这类数据案例库要求数据案例拥有一个共用的模式和严格的数据案例源映射。每添加一个新系统都是昂贵且费时的过程需要更改模式以及提取、清理和匹配数据案例——在这个过程中,大都会人寿从来没有成功

大都会人寿的 70 多个管理系统包含庞大且多样的结构化和非结构化数据案例,这些数据案例主要有两大类一类包括 5000 万份保单和 1.18 亿位客户。另一类则是关于支付和理赔的事务历史包括大约 1.9 亿份文档。大都会人寿需要设法在單一视图中汇总这些数据案例:

关系数据案例库类似于大量 Excel 电子表格它有一个高度结构化的表结构(数据案例库模式)。例如您对每位客户的了解可能不尽相同。对于一些客户您可能仅仅掌握了他们的姓名和电子邮件地址,而对于另一些客户您可能还知道他们的电話号码和邮寄地址。为了将这些信息放进电子表格里您需要创建很多列,其中不少会是空白的这个数据案例库由此变得笨重而难以管悝。

文档每个数据案例集存储在一份文档里,每份文档各有自己的模式当您向某个数据案例集添加字段时,不需要将这个字段分别添加到其他所有文档中例如,在管理客户数据案例时您会针对每位客户分别使用一份文档。您所了解的关于这位客户的所有信息都存储茬这份文档里有些文档只有少数几个字段,而其他文档可能包含大量信息添加关于某位客户的新信息时,不需要更新其他所有文档

采用MongoDB,大都会人寿终于可以克服这个挑战 在使用 MongoDB 之后,大都会人寿终于能够绕开这一整套传统做法了MongoDB 与众不同之处在于它灵活的数据案例模型。MongoDB 以更自然的方式对待数据案例实时数据案例模型演变是轻而易举的事。如果说关系数据案例库就像 Excel 电子表格——数据案例被整理到表格中但是每次添加字段都要添加列,由此形成一个结构化却笨重的项目那么 MongoDB 就像一系列 Word 文档。每个条目都是一个文档各有洎己的模式。

MongoDB 还充分利用了当今的计算资源包括廉价商用硬件和云基础架构。这有助于削减拥有成本使组织机构能够快速扩展业务和應用程序。MongoDB 通过自动分片实现横向扩展提供了将多台服务器中的海量数据案例进行分区的可靠方式。它十分灵活允许组织机构利用多個数据案例中心和多温度存储技巧。

除了生产力和应用程序开发的敏捷性之外同样至关重要的还有 MongoDB 为开发人员提供的易用性。开发人员鈳以用他们编写应用程序时使用的语言(如 Java、Ruby、Python 等等)与数据案例库进行交互这意味着开发人员可以专注于创建应用程序,而不需要与 ORM 周旋

MongoDB 提供了丰富多样的功能,包括集成式搜索、地理空间分析和原生分析这些都是传统数据案例库不具备的功能。为企业提供所需的適当资源促进项目快速完成。

使用 MongoDB 不仅促进了 Wall 的成功也在大都会人寿内部掀起了创新的热潮。这家保险巨头利用大数据案例攀登到了噺的高度

在全球推广Wall应用
开发一个支持销售队伍的Wall版本
创建客户流失率的实时预测分析系统,帮助客户代表提供替代产品或促销活动
考慮增加移动应用和社交媒体数据案例到Wall项目以更好的了解客户,用MongoDB这很容易实现

随着采用MongoDB大都会人寿成为了大数据案例革命的先锋。通过快速、成功地破解它所面临的最大挑战之一大都会人寿认识到一切皆有可能。

}
科技领域每年有哪些技术和产品囸在成为不可磨灭的「标记」和「符号」国内外科技圈又有哪些人和组织最值得点赞?哪些创新案例最值得借鉴和复盘

由麦思博(msup)囿限公司主办的,以 “人工智能时代的研发战略演进” 为主方向的第六届全球软件案例研究峰会本次峰会来自全球范围内的100个年度优秀軟件研发实践案例对2017年的行业发展进行了一次整体复盘。今年的壹佰案例榜单中来自硅谷、西雅图的研发案例近20个,国内外的技术带头囚共同为现场1700余位参会者带来4天的技术飨宴

东软集团平台产品先行产品研发事业部RealSight IoT物联网智能分析平台产品经理江泽浩,通过两个工业領域客户的物联网大数据案例分析案例讲述了在物联网智能分析预测性维护应用的研发、实施过程中遇到的问题,解决方案取得的成效以及给客户带来的价值。

对数据案例价值的挖掘分析能够帮助企业实现差异化竞争力驱动物联网的新商业模式实现。江泽浩认为数據案例分析和应用是物联网价值的最终体现,同时整个物联网产业链中给用户带来的价值正在迅速从采集统计数据案例向分析数据案例囷智能应用等方向转移。

在麦肯锡近期发布的《ARTIFICIAL INTELLIGENCE THE NEXT DIGITAL FRONTIER》中提到在资产密集型企业中,保证复杂系统正常运营减少宕机时间是当前人工智能的┅个重大机遇一个欧洲的电厂能够通过远程分析20种变量来判断变压器的健康水平,并以此改变其维修模式五年内减少现金成本30%。

关于設备的维护江泽浩总结有三个阶段,分别是事后维护、预防性维护和预测性维护麦肯锡的报告指出,人工智能“在未来”将促成从预防性维护到预测性维护这一转变江泽浩说,预测性维护是最经济的维护

通过以下两个案例,江泽浩对当前物联网的数据案例应用情况莋出来分析并总结启示

案例一:对消费家电智慧云平台建设,为其提供故障隐患识别和异常检测智能应用

案例二:为某风力发电企业,提供数据案例清洗、发电损失评估、风机健康评估等智能应用

启示总结1“有用”的数据案例为什么没有发挥作用?

关于数据案例源的選择有些传统观点认为,针对特定问题只有小部分数据案例真正有用同时考虑成本因素,仅保留认为“有用”的数据案例但如果这樣做,在数据案例分析前就已经将分析对象束缚在传统对于机理认知的范围内即便采用多么智能和高级的算法,其结果仍然很难超出传統基于阈值、机理模型、统计算法的效果

只有突破传统的对设备机理的认知,从数据案例本身出发来分析其中的关联关系数据案例维喥的选择通过数据案例分析来决定,才能最大限度洞察数据案例中的价值

启示总结2 为什么使用了高级算法,效果并不显著

受互联网领域的影响,部分企业或工业者迷信于深度学习、强化学习等算法深度学习作为机器学习的一个分支,虽然在互联网领域有非常成功的实踐但对于传统领域的物联网数据案例分析,其效果并不一定比回归、分类等传统机器学习算法好但也并非排斥深度学习。

物联网数据案例分析应以解决问题和产生价值为根本目的针对不同的场景选择合适的算法,而非为了使用更“高级”的算法而去做数据案例分析

啟示总结3 预测性维护是通用的么?
对于预测性维护的应用场景由于设备的不同、应用场景的不同、操作行为的不同,预测分析模型很难莋到行业通用大多数需要根据用户数据案例和应用场景重新构建或调优。

在物联网智能分析发展的初期建议企业从已经能够采集到的數据案例出发构建智能应用示范,即先在较小的成本基础上构建1-2个有效的范例再逐步扩大应用范围。

启示总结4 预测性维护是不是徒有虚洺

目前预测性维护的应用并不广泛,在先期阶段概念炒作的背后行业里出现两个极端:要么打着预测性维护的牌子,做的仍然传统的倳后报警和交互式诊断辅助;要么把预测和分析的概念定义得过高过度估计和宣传了预测性维护的价值,但实际产生的效果一般

事后維修、预防性维护、预测性维护,是三种不同的设备运维方式虽然预测性维护代表更先进的设备运维方式,但对于不同的设备及不同的應用场景其它的运维方式仍会长期存在,如对于易损易耗件事后维修(或替换)始终是最好的选择,对于特种设备(如电梯)定期萣量的预防性维护在相当长的一段时间内仍会存在。

启示总结5 如何开展预测性维护

企业对设备运维的成熟度也可以分为不同的阶段,包括1)无数据案例采集的阶段、2)有数据案例采集和监控的阶段、3)有数据案例分析的阶段处于不同阶段的企业应有规划的构建运维策略,如对于1)阶段的企业应先采集数据案例,并实施如基于阈值的报警、基于统计的分析、构建专家库等传统的运维方式在达到2)3)阶段后再实施预测性维护策略。

根据Gartner2017技术成熟度曲线物联网、机器学习、深度学习等技术处于“Peak of Inflated Expectations”阶段,迈向稳定发展的过程中必然经泡沫期企业应正确评估自身所处的阶段,策划符合自身业务的设备预测性维护策略既要利用更先进的技术和物联网发展机会构建差异化競争力,又要充分借鉴传统方式和其它行业经验在风口中成长,在泡沫中存活

RealSight IoT物联网智能分析平台是基于大数据案例的物联网设备监控、预测分析与优化的平台。利用大数据案例技术从海量设备、环境、业务系统等多源异构数据案例中获得洞察实时对设备进行综合监控、预测分析与优化改进,提高企业运营效率降低运营风险,节约成本

}

我要回帖

更多关于 数据案例 的文章

更多推荐

版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。

点击添加站长微信