每个聪明的企业主和企业领袖都在谈论大数据。这是一个流行语，在过去的几年里已经打入商界。网上"关于大数据的文章"的结果超过170万条

事实上，它有被过度炒作的危险。人们对大数据收集的关注如此之多，糟糕的数据分析正威胁着大数据在企业决策中的声誉。

背景数据需要成为新的流行语，因为它更强大、更有效。有助于促进更有效的数据分析。

上下文数据是收集和分析的信息，不会将其与更广泛的信息范围隔离开来。孤立的大数据恰恰相反——它是在真空中收集并分析的信息。

把背景数据想象成一个骑着马的白马骑士来拯救臃肿、孤立的商业智能系统，这些系统根本没有达到宣传的效果。人类每天产生超过25亿字节的数据。要实时分析所有这些信息或分析过去的信息而不遗漏新信息中强调的不断发展的见解，简直是不可能的。

使用上下文数据更新数据分析和收集工作的第一个要素是投资于能够立即收集数据并将数据传输到数据的系统存储系统。不要把数据分析当作一周或两个月的过程。让您的数据工程师专注于提供基于目标数据的微观洞察，这些目标数据是最新的——在分析数小时内收集的——在您的历史数据的背景下。

黑暗数据，或未经全面分析而收集和存档的信息，代表了政府，企业和组织目前拥有

有两个原因导致这些数据变成了暗数据。首先，可能是有太多的数据进来了。这不是一件坏事，但这是一个经济和技术的现实，只有这么多的信息可以彻底分析之前，更新的信息取代它。其次，有些数据被认为与当前的业务目标无关。在这些情况下，关于云服务器，分析人员将这些数据视为档案的良好补充，但与他们当前项目的需求无关。

背景数据的培育包括获取最近收集的数据并将其与历史数据进行比较。就其本质而言，大数据怎么学，这种类型的数据管理涉及到恢复黑暗的数据——这种信息只有在决策者的需求发生变化时才变得相关。

最受益于情境化数据的行业之一是零售空间。每次顾客购物或与某个品牌互动时，他们都会留下大量的数据。现代POS软件可以编辑上下文数据，包括购物篮大小、促销杠杆和完成交易的个人的人口统计信息。

这些数据可以通过预测消费者的未来需求来个性化个人客户体验。例如，亚马逊密切关注消费者在其平台上的行为。基于历史上的互动，亚马逊会提醒消费者特定商品已经上市。

其中最令人兴奋的一个方面是预测发货。换句话说，亚马逊会将商品送到离消费者很近的仓库，他们认为这些仓库可能会购买这些商品。这大大减少了运输时间，5118大数据，提高了客户满意度。

事实上，公司的数据系统中有太多的数据，很难理解什么是重要的，什么是可以忽略的。回归分析有助于公司利用其在大数据存储方面的投资。

回归分析有两种类型–线性回归和多元回归分析。两者都涉及使用"自变量"和"因变量"。

为了分离对当今业务目标最重要的数据类型，数据分析师使用数据样本来尝试确定因果关系。在某些方面，它相当于去钓鱼。你做一个有根据的猜测，然后把数字扔到黑板上，看看它们是否以某种方式改变，从而证明了一种统计关系。

考虑这个例子：如果你能从统计上证明你的公司租用的广告牌数量和每天进入你商店的顾客数量之间存在着关系，那么它就是调查哪种类型的广告牌最有效可能是个好主意。你的营销预算应该被用来在高速公路附近的广告牌上投入巨资，还是你想把一些钱转移到公共交通广告牌上？

如果不利用以前的黑暗数据，然后根据今天的决策重点进行分析，这些类型的答案是不可能的。

好消息是，创建情境化的数据不需要发送数据分析师。相反，您可以利用已经上下文化的数据。例如，一个购买交易有多个变量联系在一起–购买的物品、客户数据、总花费和使用的优惠券。还有支付工具方面的数据——这里有一个提示：你购物的每一家商店都会鼓励你注册他们的信用卡，这是有原因的。他们拥有背景数据，证明拥有门店充值卡的客户会购买更多的商品，而且比竞争对手更有可能先购买门店。

总之，背景数据对2018年的决策至关重要。不要放弃那些黑暗的数据——即使你已经厌倦了支付数据存储成本。你永远不知道未来的需求将如何改变旧数据的相关性，淘客返利，而且没有太多的历史趋势数据。

，移动物联网