大数据团队组织架构，基于大数据的数据产品研发技术创新组织架构做了哪些调整

1，基于大数据的数据产品研发技术创新组织架构做了哪些调整2，如何组建与带领数据分析团队3，什么是大数据企业架构4，有谁知道百度和阿里与大数据相关部门的架构5，如何组建数据挖掘团队1，基于大数据的数据产品研发技术创新组织架构做了哪些调整相当于输入增加了一个接口，有规范整理，负责；搜一下：基于大数据的数据产品研发，技术创新组织架构做了哪些调整
2，如何组建与带领数据分析团队人员构成不能给建议，因为不知道你们的架构。说说主管要做的吧，对团队每个成员的擅长方向要了解，做事要公平，能为团队成员争取资源，出现问题不要把责任推卸给团队成员，帮助每个成员的成长。
3，什么是大数据企业架构大数据企业架构定义可以参照，大数据企业架构的 googlecode 官网，http://code.google.com/p/bigdata-enterprise-architecture/
4，有谁知道百度和阿里与大数据相关部门的架构阿里巴巴在08年就把大数据作为一项公司基本战略，要知道那个时候甚至还没几个人开始谈论“大数据”，可以说在大数据方面相比于国内其他互联网公司，阿里是走在前面的。按马云的话讲，我们正从information technology转向data technology。数据是灵魂。也许并不能保证大数据能给阿里巴巴赚很多钱，但是阿里认为数据对人类有用，所以他们做了。举一个阿里cto认为大数据应用和价值的例子：淘宝小贷团队，很小的队伍，完全依赖数据对客户的信用程度作分析，将数据转化为信用，将信用转化为财富，这是传统商业银行冗杂的审核程序，低效和高成本所不能比的。更重要的是，这个项目给近百万的小商户提供了生命线，哪怕只贷一元钱。没有哪个银行会这么做。我认为阿里巴巴已经是国内互联网大数据的先驱，他们在做有意义的事情。腾旭侧重于生活交流，阿里侧重于电子消费，百度侧重于搜索引擎的使用。 5，如何组建数据挖掘团队数据挖掘是团队行动。取决于企业数据挖掘活动的深度和广度，数据挖掘团队可以有不同的组织形式和不同的附属关系。单独成立一个数据挖掘部门，支持整个企业的数据分析需要是一种形式。也可以在最需要数据挖掘的业务领域内设立。例如银行系统利用数据挖掘最多的领域是信用卡销售，就可以在信用卡发行部门下面单独设立一个决策支持部。还可以把数据挖掘和营销策划结合在一起，成立策划分析部，或客户知识部。但数据挖掘不宜和数据管理以及数据库开发部门捆在一起。后者属于it范畴，而前者和营销，和客户管理的关系更紧密。数据挖掘部门或小组的领导人是数据挖掘团队的灵魂。好的人选不必是技术专家，但要有相当的数据库使用经验和对挖掘技术的了解。更重要的是，数据挖掘部门经理应该有开拓力，组织力和沟通能力。开拓，指主动提供咨询和建议，把数据挖掘这个产品“销售”给企业内其他部门，拿到项目“订单”。在很大程度上，一个企业数据挖掘开展的广度和深度，取决于有没有这样一个有开拓性的数据挖掘部门经理。这个人参加企业决策的机会越多，数据挖掘就越可能得到管理高层的认同，数据挖掘就越可能在企业内各个领域得到推广。开拓需要洞察力，需要捕捉蕴藏在营销业务中的数据挖掘机会，善于发现当前营销活动中的盲点和“黑洞”，看到数据挖掘对提高决策效率的可能。要做到这一点，没有营销背景，没有对产品，市场，客户的了解和相当的数据挖掘应用经验，是不可能的。洞察力还包括和技术的发展保持同步，对数据挖掘新技术和新的应用有敏锐的感觉和价值判断，对企业数据挖掘能力建设有明确目标和长程视野。部门经理需要掌握全局，组织和实施数据挖掘项目，对项目起到把关作用。数据挖掘部门经理还是连通数据分析部门和营销业务部门之间的桥梁：他一方面需要把数据挖掘和分析技术以通俗的语言和浅白的逻辑介绍给非专业的营销人员，讲解数据挖掘对营销的意义，和营销部门一起把数据分析的结果提炼为具体行动方案。另一方面，根据营销战略，营销目标部署数据挖掘和技术开发，引导技术人员跳出专业局限，从营销操作和盈利的角度考虑问题和分析数据。数据挖掘团队中的其他人员首先是能够动手做项目的数据挖掘专家。对专家如何界定是一个比较困难的问题。什么是专家，用什么标准来评判？是学历，经验，还是知识面？笔者认为经验的重要性胜于学历。因为企业的数据挖掘专家不是完全能够从学校培养出来的，对于有定量分析知识，但没有真刀实枪的做过，没有放在营销环境下考验过的人才，企业要承担较大的风险。但是这不是绝对的。对有余力支持数据挖掘研究，或需要开发企业专用的数据挖掘模块和软件的单位来说，注重学历又是可行的。因为需要应选人员有较深的理论基础和较新的知识结构。这种企业往往是大企业和对数据挖掘要求较高的企业。经验，学历都还不足以反映企业对数据挖掘人才的期望，还有很多“素质”方面的要求，而这些潜在的东西，往往是决定企业对你的工作是否满意的决定性因素。首先，企业需要的数据挖掘人员需要有解决问题的能力。这是一种和学历，经验不完全相关的综合能力，包括能够迅速抓住问题的实质，判断问题的难点，提出有效的解决方案，在信息不完整甚至冲突的情况下做出结论。不论你的算法知识再多，做过的项目再多，缺乏分析和解决问题的能力，就不能说是一个合格的数据挖掘专家。在笔者多年的工作经验中，接触到很多这样缺乏解决问题能力的专才。技术上很过硬，但就是问题问不到点子上，回答不得要领。由此带来的问题是无法统领和管理数据挖掘项目，不容易为营销部门所依赖，起到咨询顾问的作用。其次是对细节的关注能力。一个典型的数据挖掘过程包括数据清洗，准备，建模，检验，和投放等若干个步骤，其中涉及许许多多的细节，任一疏忽都可能对数据挖掘的最终结果带来影响。没有对细节孜孜以求，不放过任一个疑问的态度，就不免会在数据挖掘过程中出现纰漏，影响到结果的准确和可操作性。对细节的关注也反映了人的思维是否慎密和严紧，能够发现漏洞或问题。从另一个角度阐述，数据挖掘人员需要对数据有很强的敏感度。对数据的异常，结果的异常能够及时反应，进行补救。良好的沟通能力，包括说和写，是数据挖掘人员必备的基本素质。只能动手做模型，不能动口讲模型，把数据挖掘结果用通俗的语言和形象的表达方式解释给没有技术背景的听众，使大家能够理解你的模型，了解模型的营销意义，还不是一个合格的数据挖掘专家。有营销知识。企业需要的是解决营销难题的人才，能够从数据中找出创造性的解决方案。对于数据挖掘人员来说，仅仅知道如何进行数据挖掘是不够的，还必须知道什么时候，什么情况下进行数据挖掘，对于从学校刚刚毕业的数据挖掘人员来说,这一点只有从实践中才能学到。数据挖掘人员对产品，销售，营销，服务了解得越多，就越可能发展出适合企业需要的模型。这里涉及到几个方面：一是对数据的熟悉程度。数据虽然是死的，但每个数据项目都有特定的收集渠道，内容，和背景。没有这方面的知识，你很可能拾取了有问题的数据，或漏掉了重要的数据，以致得到错误的模型。其次，缺乏对营销业务和规律的了解会影响模型的可操作性。常常的情况是，数据挖掘人员找到了一种很好的算法，确实能够提高挖掘精度。但是模型做出来以后，才发现由于没有考虑到使用方面的细节，在数据库上投放这个模型不现实，或是成本过高以致难以实行，结果是不得不推倒重来。如果对营销业务流程有足够的了解，就不会犯这样的错误。另外，提高业务素养也是交流的需要。了解业务有助于你和营销人员取得共同语言，思路相通。这样不仅有利于解绎数据挖掘结果，也有助于发现数据挖掘需求。由于数据挖掘技术在不断更新，数据结构和内容在不断深化，固步自封不能适应不断发展的营销活动的需要。数据挖掘人员要有对新技术的渴望、与技术发展保持同步的动力。汲取新知识的有效途径是参加各种培训。可能的话，通过考核拿取证书。这不仅保障自己对企业的价值，也有助于企业数据挖掘技术水平的整体进步。除了管理人员和数据挖掘专家外，数据挖掘团队内还应该配备市场分析人员。这方面熟悉计算机编程的毕业生或员工是很好的人选。市场分析人员担负着多方面的职能，包括挖掘项目的数据准备，模型的投放和追踪检测，营销数据的规范分析，等等。这些人主要支持企业日常营销运作对数据和分析的需求，把数据挖掘人员从日常的重复的分析中解放出来。从效益角度考虑，如此配置挖掘团队也可以减少数据挖掘的人力成本。