从0到1构建数据生态系列之六：数据价值挖掘
|
数据时代的搜索引擎 就信息检索来说，搜索引擎早就存在，而且一直存在，但早期的搜索引擎只有一个目的，那就是检索与检索词相关的信息。 这里所说的相关，纯属于信息实体属性相关。当然，这样做当然是无可厚非的，信息检索的本质本来就是检索相关的信息。 但随着数据进一步应用，以及机器学习等技术的推广，搜索引擎的模式也在悄然发生改变，只是你或许并没有过多关注而已，只是感觉搜索越来越好用了。 我们知道，中文博大精深，一句话，稍微改动一下，或者说重新组织一下，意思都可能发生巨大的变化，甚至是相同的一个词，理解的角度不同，其意义都是不相同的。 在过去，这种情景是很难处理的，而如今，随着对数据的进一步应用，以及算法模型的进一步开发，搜索意图识别已经算是“正经”搜索引擎的标配了。 除此之外，还有诸如搜索纠正，相关搜索推荐等基本的优化点，用于提升用户的体验。 最大的改变在于，过去的搜索是一个“点”，而现在的搜索结果是一个“面”。 所谓的“点”即是你所搜索直接关注的目的，也就是信息本身，而“面”则是一个多维结构，在你关注的点的同时，扩散所有的相关信息。 这就是知识图谱在搜索中的应用，产生的搜索结果是一整个相关的知识图谱结构。
相对于上面描述的几个相对明确的数据价值应用，这里描述的就相对于偏业务层，并没有说具体涉及到某种模型，具体的算法，而是一种业务驱动模式。 我们希望通过数据，能够构建起业务驱动的自动化流程，并且这整个业务流程是可数据化观测的，然后在一些关键环节是可以智能化运作的，这样就能够提升业务的精准性。 当然，更重要的是提升商业转换价值。 期间，我们可以利用各种统计分析的手段，让业务流转是可以数据可观测的，也可以通过诸如画像属性的进一步业务化，也可以使用诸如推荐、预测等相关相对底层的技术，甚至是可以利用更复杂的神经网络深度学习等自动学习、自动优化的手段。 关键在于使用数据，再结合机器学习的手段来优化整个流程，这才是我们所需要的。
最后，随着数据的价值在逐渐被挖掘，上层将会越来越多的应用模式被探索出来。 但可以预见的是，数据价值的使用，必然会从单纯的数据本身价值，逐渐延伸到更多的其他方面，而作为数据价值探索的手段，机器学习相关的技术和数据的结合也会越来越紧密。 擅长大规模数据挖掘相关技能的人，也将会越来越受到欢迎。 扩展阅读： 《从0到1构建数据生态系列之一：蛮荒时代》 《从0到1构建数据生态系列之二：拓荒》 《从0到1构建数据生态系列之三：拆解架构图》 《从0到1构建数据生态系列之四：与研发的爱恨情仇》 《从0到1构建数据生态系列之五：让你的数据生态变得更高效》 《从0到1构建数据生态系列之六：数据价值挖掘》 最后： 2017年第一个工作日，从0到1构建数据生态系列最后一篇，顺便将其他五篇全部放出来，算是17年的好开端，也祝大伙儿2017年工作更顺利，最重要的是少写几行代码。 --题图，From 699pic，“朱家角古镇建筑”，很赞的图。 （编辑：衡阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
