传统产业数字化转型的的六个关键认知
数字时代，认知冲击非常大。传统企业要在产业互联网的助力下实现转型，提升数字竞争力，首先要实现认知上的转变。如果产业自己的认知能力不提升，那么产业互联网和技术赋能以及数字化很难嫁接进去。本文为陈春花教授在第二届「国家数字竞争力」论坛上的发言。
树根互联是如何让数字技术更好地应用于工业场景的？
2019年6月25日，国际知名调研机构Gartner公布了2019年IIoT（工业互联网平台）魔力象限评选结果，据悉，在全球范围内满足魔力象限评选标准的有40余家平台厂家，最终入选的共有16家。 树根互联凭借其旗下的工业互联网平台ROOTCLOUD，成为自2018年Gartner第一次推出这一魔力象限以来，首次进入该榜单的中国企业。 树根互联的前身是根云平台，2008年，作为三一集团内部的物联网平台诞生。2016年，经过资源整合后的根云升级为开放的公共平台ROOTCLOUD，树根互联成为三一重工孵化的工业互联网平台公司。2017年，树根互联获得了快速发展，赋能42个行业，连
DataHunter产品和解决方案通过中国软件评测中心认证
日前，由工信部赛迪研究院、赛迪传媒、中国大数据产业生态联盟主办的2019（第四届）大数据产业生态大会在京隆重举办，大会期间，由中国软件评测中心开展的征集测评优秀大数据产品、解决方案及应用案例活动宣布了最终结果。
Data Analytics与SAP BW完美集成，DataHunter让数据分析和展示更便捷、更美观
SAP在 ERP市场的领导地位毋庸置疑，官方数据显示，87%以上的世界500强公司都已在使用SAP，SAP在全球有超过1千万用户。而BW作为SAP的数据仓库解决方案，能够对SAP R/3以及其他非SPA系统中的数据进行采集、抽取、转换、清洗、存储、分析和管理，所以它也被认为是可以满足用户需求的数据仓库系统中功能最强的一个。
工业制造企业如何进行数据分析，这几个实践案例告诉你
随着数字化技术的快速发展，数据的作用正在不断凸显。但是，很多企业由于处在数字化转型的初步阶段，数据基础薄弱，所以对数据分析与可视化对于业务有什么实际价值，仍然不是很清晰，提升数据分析能力的意愿也并不强烈。 对于某制造企业来说，情况也是如此，在漫长的历史时期内，该企业都是通过 手工报表 的形式来提交、处理数据，后来，其部署了DataHunter的敏捷数据分析解决方案。下面，我们就通过该企业的数字化实践，让大家管窥数据分析与可视化的价值所在。 数据分析让产品生产效率更高 在制造行业，生产效率的重要性不言而喻，其直接与企业的产值、利润、竞争力挂钩。该企业在致力于提升生产效率的过程
DataHunter与Kyligence达成战略合作，提供一站式大数据解决方案
近日，DataHunter与 Kyligence 联合宣布，双方达成战略合作。作为合作的第一步，DataHunter 旗下的数据分析平台 Data Analytics 与人工智能增强型数据分析平台Kyligence Enterprise完成产品认证测试，这也代表 这两个产品的技术连通性与产品兼容性得到了充分验证 。在认证通过之后，DataHunter将与Kyligence强强联合， 为企业级用户提供经过严格验证的一站式端到端大数据解决方案。 Kyligence是领先的大数据分析技术及解决方案供应商，其核心产品 Kyligence Enterprise 是一个基于Apache
数据分析应该向云端迁移，还是保留在本地？
在企业纷纷 上云 ，实现业务云化的大背景下，将数据分析业务迁移到云端成为一种流行的趋势。 但是，这个过程并非一蹴而就，企业需要考虑许多问题，例如检查现有的分析流程、选择正确的云计算工具、确保数据质量等，而且必须制定一套行之有效的云化策略。 与基于本地的数据分析相比， 将数据分析迁移到云端最大的优势在于，其更加的敏捷与灵活 。由于数据分析负载可以集中在位于后端的数据中心，用户一般不需要下载臃肿的客户端，也不用做一些复杂的本地配置以及优化，只需要通过连接到云端的网络，就能够在几乎任何可以运行Web应用的终端上进行数据分析。 基于云端的数据分析也让数据分析的门槛得到了显著降低 。
打破数据孤岛，DataHunter如何实现互联网业务的敏捷数据分析
在近几年，互联网业务实现了快速发展，很多传统企业开始向互联网转型。 但是，随着互联网业务的引入，企业内部的业务系统以及业务数据出现了爆炸式的增长， 这些业务系统由于建设的时间、类型、品牌各不相同，并不能很好打通，导致出现数据孤岛的现象 ，无法为数据分析提供充分的数据来源，对于业务的支撑也就无法谈起。 为了帮助互联网企业以及正在向互联网转型的传统企业开展数据治理策略，进行敏捷的数据分析， DataHunter 提供了覆盖数据利用全生命周期的解决方案，可以帮助企业将各个孤立系统的数据进行统一地采集、整合、清洗 ，并通过 Data Analytics 数据分析平台 搭建敏捷的BI
如何防止数据湖变成“沼泽”？这里有几个基本步骤
在当前BI或者其它数据分析项目的建设过程中，一个普遍趋势是实现数据仓库向数据湖的转变，即 把数据或信息汇集到一个结合处理速度和存储空间的大数据系统 ，例如Hadoop集群或内存解决方案，这样数据可能同时包括结构化数据和非结构化数据。 尽管数据湖具有很大的前景，但由于缺乏可治理性，近年来数据湖发展还是受到了许多制约。 在之前的文章里，我们介绍了数据湖的相关知识，商业和技术领导者也一直期待着数据湖可以改变他们利用数据的方式，并通过数据湖来轻松存储更多数据。 但是，他们普遍面临一个基本的挑战，那就是如何利用并维护数据湖，来推动业务决策。 以下是企业可以采取的四个步骤： 1. 对企
你还在为数据分析烦恼，领先的零售企业已在考虑用数据来“讲故事”了
随着互联网经济的快速发展，越来越多的零售企业开始推动线上线下业务的融合，由此也积累了海量的数据。为了挖掘这些数据的价值，不少零售企业通过数据分析软件、R语言等工具对于数据进行了不同维度的分析。但是，很多零售企业很快就发现， 这些数据分析结果的可读性与可理解性并不高 ，特别是对于缺乏数据专业技能的管理人员与业务人员来说，数据图表的确不少，但是这些数据说明了什么问题，下一步应该怎么做，仍然不得而解。 很显然，对于零售这样一个快速变动、需要实时决策的行业来说，增强数据的可读性显然具备十分重要的意义。 那么，怎么增强零售数据的可读性，甚至用数据来讲故事呢？ 下面我们就通过 Data
想让数据来指导业务，数据分析师要走的路还有很长……
随着各个行业数字化转型的加速，数据价值得到了越来越多的认可，数据分析开始成为一种炙手可热的专业技能。想要对于企业的业务进行数据分析并不难，但是，要想让数据分析真正的指导业务并创造价值，就不是一件容易的事情了。 天天都是 S QL， 数据分析的烦恼很多人 不懂 在传统上，基于大规模数据集的数据分析并不简单。 首先，数据分析师需要对于所需要的数据进行梳理以及清洗 ，通过删除无意义字段，清洗缺失率高、单一取值、分布完全相同的数据，从而降低数据的规模，为数据的分析奠定了基础并提取可能用到的数据。 其次，数据分析师需要对这些数据进行预处理 ，从海量数据中提取可用特征，建立大宽表或者数
敏捷BI+数据可视化大屏，制造企业可以这样进行数据分析
在如今的制造行业，基于数据来进行生产策略制定与管理已经成为一种趋势，特别是在工业4.0的浪潮下，数据战略已经成为很多制造企业的优先战略。那么，如何让数据分析更好的赋能企业发展呢？ D ata H unter建议，企业可以通过 敏捷 BI+ 数据可视化 大屏 解决方案，从生产数据、财务数据、运维数据等数据的可视化与分析入手，系统的提升数据价值。 制造业数据分析如何更加精进？ 随着信息化进程的推进，大部分制造企业已经建立了比较完善的CRM、ERP、MES、MRP等基础信息化系统，并积累了大量的历史数据。但是，这些数据更多的时候只是沉睡的金矿，并没有得到充分的利用。随着企业增长的