京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代的企业管理挑战
互联网时代,创新使得财富积累的速度前所未有的快,贫富不均也前所未有地分化。这个时代,世界的竞争变成人与人的竞争,人与人的竞争就是智慧的竞争,就是人的创新能力的竞争。如何才能提高人的竞争力,是管理科学面临的新课题,是管理者必须要思考的难题。
笔者认为,基于互联网大数据发展产生的以下管理挑战,值得关注:
第一个挑战是大数据对人性假设的挑战。
管理学自诞生开始,就以人为对象,以人性假设为前提不断演化出各种理论。第一个提出科学管理理论的泰勒假设人是“经济人”,后来梅奥假设人是“社会人”,西蒙则构造了“决策人假设”。自西蒙之后,又有了各种各样新的理论:战略管理、营销管理、人力资源管理等,基本都是以西蒙的假设为预设。
社交媒体的诞生,意味着人不再是抽象的假设,而是一种基于大数据的画像。可以认为,大数据令管理科学真正进入到了可量化的科学发展阶段,通过大数据对人进行定量化描述,必然会引发管理科学的飞跃。
第二个挑战是数字化虚拟世界里,如何进行管理实践。
由于量子力学的发明,人类进入了电子时代;计算机的发明,让人类又进入了数据时代。通过计算,我们可以用拓扑的方式去重构现实世界,这种方法可以使人在现实与虚拟中间通过一个旋转门,进而优化现实世界。比如交通中的一些难以解决的问题,通过大数据不断优化方案,反复再现结果,最终解决现实中的难题。
最近热炒的人工智能(AI),预示着人类新的文明历程。阿尔法狗打败柯洁后,聂卫平评价说人类的围棋选手最高是9段,阿尔法狗是20段。阿尔法狗强大的地方是它的计算速度比人反应快。但今天的AI并没有像很多媒体所描述的那样功能强大,它只是能在一个特定的、复杂的、可重复的工作环境里比人做得更好。
计算机的算法不是今天才有的,上世纪90年代就已经发明了,为什么那个时候计算机没有自我学习能力呢?因为在当时的条件下,计算机的速度还不够快,数据量也不够多。计算机高速运转之后,所生成的数据量是前所未有的,甚至每天产生的数据量都是以前的总和。大数据时代要求计算能力越来越快,存储能力越来越强。今天我们任何一台智能手机都比当年的英特尔“奔腾”速度快上千倍。我们现在使用的神经网络计算方式,也更具有自学习的能力。
在这样一个自学习、数字化虚拟世界里,管理实践者该如何去做管理?
第三个挑战是大数据对营销学的挑战。
营销学是管理学的一个重要分支,包括四个基本策略的组合,即大家经常说的产品、价格、渠道、促销4P理论,但在今天以客户为中心的、定制化的生产方式下,4P理论还有效吗?
例如小米手机,它通过互联网征求客户意见——客户需要一个什么样的手机,什么样的外观,什么样的性能,什么样的价钱,用什么样渠道传递给客户?在这样的环境下,4P理论是否需要进行修正?
再例如医药领域现在有精准医疗、靶向治疗。每个人得感冒的时候,感染的细菌或病毒都不是完全一样的,过去使用广谱抗生素,抗菌谱比较宽。现在出现的靶向药,通过培养患者感染的细菌或病毒,反向制出一种新的抗生素,非常精准地进行针对性的治疗。
今天,一位肿瘤患者会请老医生诊治,请大专家会诊,但今后,阿尔法狗将会取代老医生,因为再老的医生最多就是“9段”,但是阿尔法狗可以是“20段”,这就是大数据在治疗中的优势。很多肿瘤的治疗方法是化疗和放疗,化放疗的方案设计是和医生的判断有很大关系的,阿尔法狗的方案优化能力比人类更强。
当然,我们现在对阿尔法狗不放心,就像我们一开始不信任电子账单一样,在手工账单和电子账单并行一段时间后,大家不再怀疑计算机的计算能力。可以想象一下,如果从诊断到治疗都是由大数据来完成的时候,它的运算能力一定会极大提高医疗的水平。将来,我们在社区或者任何地方,都可以享受到顶级的治疗。届时,传统的营销学将面临巨大挑战。
第四个挑战是工业4.0生产要素社会化后,管理模型该如何变化。
工业4.0,我理解它包含三件事:智能工厂、智能生产、智能物流。传统的数据管理,数据还是要落地的,未来数据是不能够落地的,直接的、无缝连接的,整个车间管理是自动化的,企业管理是网络化的,生产要素的组合是社会化的。
为什么会出现工业4.0?这其实是工业自身发展变化后寻找的出路。传统的制造业方式、营销方式、研发系统,显然不再适合。生产成本也不仅仅考虑材料、科研、制造成本、资金成本这些数据,而是要和社会的应用环境相结合,即生产要素的社会化。
生产要素社会化之后,组织生产管理必然是一个大的网络环节,一定是用计算机的方式,用互联网的方式来进行传输,一直到最终的加工设备上全部实现智能化,这是未来制造业的发展方向。我们的管理模型随之该如何变化?
第五个挑战是大数据时代新的安全观。
早些年有一本书《现代战争》,它提出未来的战争不是无限的,而是有限度的战争。现在,社会安全的重点是反恐。这是一种新的安全观,从战争模式、国防模式,进入到民生和社会的模式上来。现在再发动战争的话,不能靠传统的武器去打了,而是要依靠网络安全、信息安全。
在安全领域里,视频监控产业发展非常快。新加坡的车辆有电子车牌,大数据实时监控,一旦人员密集,就会形成电子围栏,车辆再进入就会自动收费。甚至边境线也可以使用电子围栏技术,代替界碑。正在发展中的人脸识别技术,今后也可以用于安全技术,这些都是新的安全防范措施。
随之而来的整个社会的公共管理和相应的产业、企业管理将会进入到一个新的课题,这些都是大数据时代所带来的变化。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27数据分析的基础范式,是支撑数据工作从“零散操作”走向“标准化落地”的核心方法论框架,它定义了数据分析的核心逻辑、流程与目 ...
2026-01-27在数据分析、后端开发、业务运维等工作中,SQL语句是操作数据库的核心工具。面对复杂的表结构、多表关联逻辑及灵活的查询需求, ...
2026-01-26支持向量机(SVM)作为机器学习中经典的分类算法,凭借其在小样本、高维数据场景下的优异泛化能力,被广泛应用于图像识别、文本 ...
2026-01-26在数字化浪潮下,数据分析已成为企业决策的核心支撑,而CDA数据分析师作为标准化、专业化的数据人才代表,正逐步成为连接数据资 ...
2026-01-26数据分析的核心价值在于用数据驱动决策,而指标作为数据的“载体”,其选取的合理性直接决定分析结果的有效性。选对指标能精准定 ...
2026-01-23在MySQL查询编写中,我们习惯按“SELECT → FROM → WHERE → ORDER BY”的语法顺序组织语句,直觉上认为代码顺序即执行顺序。但 ...
2026-01-23