
大数据时代下的管理模式创新_数据分析师考试
最近几年,“大数据”成为最热的技术词汇之一。面对“大数据”时代的到来,不单单是构建企业信息化这么简单,更重要的是企业应该寻求管理模式的创新。 早在30 年前,美国著名的社会思想家阿尔文・托夫勒就在《第三次浪潮》中提出:“如果IBM 的主机拉开了信息化革命的大幕,那么大数据才是第三次浪潮的华彩乐章。”
在“大数据”时代,数据不仅仅由互联网产生,汽车、物流、工业设备、道路交通监控等设备上装有无数的传感器,其产生的数据信息也是海量的,从TB 级别跃升到了PB 级别(1TB=1024GB),这也就是说传统的数量级已经无法衡量如今社会各行各业产生的庞大数据了。对于大数据,更重要的含义是指处理这些海量数据的技术――如何挖掘出这些数据蕴含的巨大的商业价值,如何实现本行业的价值增值。 因此,“大数据”时代并不是掌握数据,而是利用数据。
传统管理模式遇到的问题
“大数据”时代的来临,给各行各业都带来了巨大的冲击,衡量一个企业的实力,其拥有的资源、财力不再成为最重要的标准,数据才是在“大数据”时代最为看重的竞争力。在IDC 发布的关于中国大数据技术和服务市场2012-2016年预测与分析报告中显示,大数据技术与服务市场的规模将会从2011年的7760 万美元增长到2016 年的6.17 亿美元,在未来5 年的复合增长率达51.4%,市场规模增长近7 倍。然而,传统的管理模式并未适应“大数据”时代的到来,主要表现在以下几个方面。
第一,企业商业智能化程度不高。 商业智能(Business Intelligence,简称BI)的概念最早由加特纳集团(Gaterna Group)在1996 年提出,其定义为:商业智能描述了一系列的概念和方法,通过应用基于事实的支持系统来辅助商业决策的制定。商业智能技术提供使企业迅速分析数据的技术和方法,包括收集、整理和分析数据,作为适应“大数据”时代到来的重要技术――商业智能并未在企业中得到普遍的使用。 第二,决策者未意识到数据的商业价值。
在这个数据为王的时代,许多企业决策者的意识还禁锢在传统的管理模式中,认为只要实现企业的信息化就能够适应数据爆炸增长的“大数据”时代,虽然企业拓展了获取数据的渠道,但是却很少深层挖掘数据背后的价值,特别是对系统中的微观数据的关注和利用很少。如今许多的企业决策者们只是单纯的关心像财务报表、企业盈亏表等宏观的数据,并没有从组成这些报表的细微数据中去发现企业存在的问题,对于竞争对手的分析也是如此。
第三,对决策主体认识的偏差。 张建设在《大数据:战略论的终结与社会化决策的兴起》一文中提到:决策主体正从商业精英转向社会公众。社会媒体的出新以及社交网络的普及,社会公众的意见成为企业决策的中坚力量,而企业对决策主体的认识还停留在以咨询公司为代表的商业精英上,并没有将企业的注意力转移到社会公众,这就造成了企业竞争力与产品销量的下降。 第四,数据相关人才的匮乏。 “大数据”时代,数据的处理与分析不再是一项由CIO(首席信息官)来承担的任务,它需要整合CIO对信息和技术的理解、CMO(首席营销官)对信息传播规律和渠道的把控以及COO(首席运营官)对信息选择和数据判断方面的能力。
因此,在大数据时代,对数据的处理和分析已经超出了信息化的范畴,超出了市场营销的范畴,超出了运营管理的范畴,需要具有综合能力的人才,而大多数企业并没有意识到这种状况,传统的人才引进机制、培养机制、晋升机制限制了数据相关人才的成长。总的来说,传统的管理模式阻碍了数据人才的发展。
大数据时代下的管理创新
第一,提高企业的商业智能化程度。 企业要想提高商业智能化程度,首先应打好信息化这个基础,信息化并不仅仅是在企业内部实现办公自动化、无纸化管理,更为重要的是要培养组织成员的信息意识和数据质量意识,让每个信息系统的用户意识到数据是系统的生命,高质量、真实的、高可靠性的数据是一个信息系统成功的关键。其次,企业应重视数据挖掘人才的培养与引进,商业智能是由数据仓库、联机分析处理以及数据挖掘等组成,这三方面都需要大量的数据挖掘的人才。
最后,企业应提高知识管理的水平,因为商业智能是构筑在企业业务系统基础上,以知识获取和共享为目的的解决方案。
第二,让决策者意识到数据的商业价值。 “大数据”时代是一个以数据为王的时代,企业的决策者们应该意识到数据的商业价值:一,将数据与企业的决策相关联,发挥数据的潜在价值;二,沟通,即在企业施行商业智能化的过程中经常与决策者进行沟通,使决策者从不关心数据到关心数据,再到提出需求,当单一系统的数据分析不能满足企业需求的时候,大规模的数据分析系统的建设就顺理成章。
第三,正确认识决策主体。 在传统的管理模式中,企业的中高层管理者、领导者以及一些著名的商业精英和咨询公司被认为是决策的主体,而随着社会化媒体的出现以及社交网络的普及,这种传统的决策机制降低了企业决策的正确性与合理性。
应树立以社会公众为决策主体的观念,将决策的理念由狭隘的企业高层转移到广泛的社会公众,通过社会媒体、社交网络等平台广泛的收集社会公众的意见和建议。大量的非结构化数据,使得原材料、生产设备和市场等因素越来越没有固定的定义,产业边界也变得模糊,根据Gartner 预测,未来5 年中,企业数据将增长8 倍,其中80% 是非结构化数据,因此“大数据”增加了企业决策的不确定性和不可预测性,所以企业更应该重视和发展以社会公众为主体的决策模式。 第四,培养首席数据官。
“大数据”时代下,对数据的处理和分析不再是一个领域的范畴,它需要同时具有信息技术知识、市场营销知识、运营管理知识等综合素质的人才来掌控,CDO(ChiefData Officer,首席数据官)由此诞生,数据归业务部门,应用归IT 部门,这一概念已经被广泛接受,然而现在到了该挑战这一理念的时候了,在多数组织机构中,业务部门并不想拥有数据,他们也不是为管理数据而配备的。
首席数据官的主要职能是利用数据推进企业与社会的对话,挖掘信息化过程中更为潜在的价值。他们视数据为资产,负责其运营,通过分析来自传感器、社会网络评论、网络流量等各方面的数据,为企业的决策提供参考。另外从组织结构方面来说,企业应该重视CDO 人才的培养与引进,目前无论是国内还是国外,设置这个职位的企业还很少,笔者认为这主要还是和“大数据”相关技术不成熟有关,企业高层应该意识到CDO在企业未来发展过程中起到的重要作用,给予他们更多的话语权。
第五,重视员工的社交网络。 传统的组织架构中,很少去关注员工的社交网络,因而导致了这些网络零零碎碎的局面,使得员工在管理实践过程中处于分裂的状态。这里所说的社交网络不仅指员工在企业内部所建立的关系网络,还包括与组织以外的其他人员的联系、员工在各个在线社交网络平台上的好友等等,这是一个庞大的社会关系网络,企业如果能够很好地利用这一网络,将会大大提高企业的效益。因为社交网络在跨部门的流程改善、联合和合并中提供了粘合剂的作用,对新产品开发也有着不可忽视的推动效果,其也是工作满意度与员工保持的重要因素。
今后的很长一段时间,数据将会是各个行业所争夺的最为重要的资源,而要想在这场数据之战中立于不败之地,与之相适应的管理改革与创新是基础,值得我们去深入研究。我们要正确认识“大数据”,它不仅指不断增加的容量,还包括不断增加的速度和多样性,当然,这些因素也导致了额外的复杂度。这意味着企业在面对“大数据”时,不仅仅是拿到了一堆数据而已,对于企业来说,更是极大的挑战与机遇。“大数据”正在以复杂的形式,从不同的领域朝企业奔涌而来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01