
拨开大数据的迷雾
企业的硬性层面(成本、速度、库存周转率、供应链以及资本效率等)是由可以精确量度的事物组成。硬性层面总能与计算机技术、数据和分析完美契合,这并不令人奇怪。据说,最古老的计算工具是用来算账的巴比伦算盘。罗马人的算盘则造得轻巧灵便、易于携带,为他们打造庞大的帝国起到了帮助。
企业硬性层面和数据分析的结合延续至今。企业是数据分析大师,例如上世纪80年代的沃尔玛(Wal-Mart)、90年代的戴尔(Dell)和如今的亚马逊(Amazon)与网飞(Netflix)。同时,我们所说的企业软性层面(比如设计与审美偏好、团队、信任、领导力、聪明才智和故事)始终存在于各自的领域、神秘世界和直觉里。最优秀的践行者被誉为天才而不是分析师,例如审美嗅觉敏锐的史蒂夫·乔布斯(Steve Jobs)、企业领袖导师杰克·韦尔奇(Jack Welch)、把产品当作故事推销的菲尔·耐特(Phil Knight)和创造激情的理查德·布兰森(Richard Branson)。这些软性品质不易量度,也不是易于传授的必要技能。
我有点夸大了企业硬性与软性层面之间的这种明显差异。最优秀的CEO总是能找到方法弥合这种差异。史蒂夫·乔布斯让精通数据分析的蒂姆·库克(Tim Cook)来管理苹果(Apple)业务经营的硬性层面。库克在这方面确实做得很好。迈克尔·埃斯纳(Michael Eisner)拯救了迪士尼(Disney),但他是在杰出的首席运营官弗兰克·威尔斯(Frank Wells)的辅佐下完成的。谷歌曾严重偏向于数据分析,甚至在其主页上测试了41种蓝色阴影以确定观众的反应。如今,谷歌给其平面设计师留有更多的发挥空间,使谷歌产品的观感得到了提升。
隐藏的惊喜
在大数据这个新时代里,问题已经变成:我们是否应该把软性层面交到直觉性很强的天才手中,或者是否应该利用大数据为软性层面增添严密性和逻辑性?这能做到吗?如果想打造一家成功的企业,就应该重视这些问题。
大数据现在无疑是个被过度使用的词语。我喜欢维克托·迈尔-舍恩伯格(Viktor Mayer-Schönberger)和肯尼斯·库克耶(Kenneth Cukier)在其著作《大数据时代:生活、工作与思维的大变革》(Big Data: A Revolution That Will Transform How We Live, Work, and Think)中对这个词语给出的解释。他们写到,大数据没有边际和结构,笼统但具有预测性,无法显示原因,但能显示关联性。
在这些方面,混乱无序的大数据更像是企业的软性层面而非硬性层面。那么,大数据能否帮助我们设计出更加迷人的产品,打造出优秀的团队和强大的文化,创造出令人难忘的品牌,使我们更具适应性?
这是个新的领域。大数据正在飞速演进,尚不清楚它能在哪些方面提供真正的洞察力,或者在哪个方面它只会造成代价高昂的干扰。大数据已经在信用卡检测等领域里取得明显成功,并有望用病人的少少几滴血就诊断出疾病。但对于想要出售产品或激励团队的企业领导者来说,大数据能干什么呢?
为了了解大数据的应用方式,我在这个夏天与多位CEO、设计师、营销人员和团队建设者进行了交谈,以便弄清楚大数据在哪些方面有用。这些人来自于各行各业大大小小的公司企业。
Nest Labs公司创始人兼CEO托尼·菲德尔(Tony Fadell)说出了他的看法。该公司是硅谷的一家智能恒温器制造商,其产品通过学习并掌握用户的供暖和制冷方式来节约费用。菲德尔曾在大师史蒂夫·乔布斯的麾下学习产品设计,十来年前iPod的问世也有他的一份功劳。
“大数据是否对Nest Labs公司设计其恒温器有所帮助?”我问道。
“没有。”菲德尔说,“好产品来源于好创意。你要为你自己设计它们。你要对数据说你需要的大多数功能说不。史蒂夫乔布斯就非常善于说不。但大数据展现了人们如何以你意想不到的方式来使用你的产品。在如何改进产品软件、如何与客户沟通以及如何建立忠诚度等方面,大数据提供了极好的观察点。
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