
数据分析,“快”比“大”更重要
现在人人都在讲大数据,似乎不说说大数据,就与这个时代有差距。大数据,真的有价值么?Linkedin资深总监Simon,为您从另外一个角度来分享对大数据的认识:
1、大数据除了占用空间、耗费资源外,本身没有太大价值。
2、我们需要把大数据做成小数据,数据分析才更有商业价值。
3、数据分析“快”比“大”更重要。
其中数据分析主要分为5个步骤:
第一步以前发生了什么?第二步明白历史上为什么会发生这件事。
第三步目前当下正在发生的什么事。
第四步未来预测将要发生什么事情。
第五步就是改变未来。
以下是Simon在西湖品学大数据峰会上的演讲:
大家好,很高兴见到大家,在今天的一个特殊场合,我非常感谢阿里巴巴品觉能邀请我来,跟那么多资深的专业人士见面,我在Linkedin待了四年,谈不上分享,只是一些跟大家交流一下自己的思想。
我觉得大数据本身没有任何意义,数据对我们来说就是存在电脑的硬盘里面,数据越大占用的硬盘越多成本越高耗电量越狠。
数据分析的5个步骤
要让大数据有意义,就要把大数据做成小数据,就数据分析。
我们可以分成五个步骤:第一步是必须要理解历史上发生过什么事?第二步明白历史上为什么会发生这件事,第三步目前当下正在发生的什么事,第四步未来预测将要发生什么事情,第五步就是改变未来。
在数据分析上,能够做到第四步的预测就已经非常厉害了。不过,在实际商业价值的产出来说,第一步到第四步基本的商业价值是零。假如我预测Simon今天早上会吃饭,明天早上坐飞机回美国,这个根本没有问题,因为Simon今天晚上肯定会吃饭,美国肯定要回,没有任何价值。我们需要的是要把未来变得更好,这才是分析本身产生价值最重要的一环。
在上图中,我们还容易发现,从第一到第五步之间复杂程度显著增加了。一个好的分析师能改变未来,而一般的分析师能改变现在,差一点的分析师连过去都不知道。
数据分析,快比大更重要
实际上数据在过去的几年增长了不同的阶段,以Linkedin相关的数据为例:第一步就是交易数据,以往大家都用兆字节来展示;第二步是CRM,在美国企业里面讲营销、销售,一个人到底是谁,他在哪里住,大约月收入多少钱,在什么公司,这些数据我们叫GB来衡量;再下一步就是网络数据,电子商务的网站,淘宝或者阿里是完全不同的级了,普通的互联网公司,数量级是TB来衡量;第四步就是社交网络数据,推特、脸谱为首的这些社交网络数据,他们产生的数据更大了。
很多人都讲大数据真大,越大越有价值,但真如此吗?大数据背后,大就是慢,就是复杂,就是成本提高,就是没有效率。中国的孙子兵法讲到兵在精不在多,数据再大,没有意义也是完全没有价值的,所以我们要把大数据做成小数据。
在商业数据分析中,我们要强调速度。为什么要讲速度呢?刚才品觉已经跟大家分享了,在数据本身我们讲3V本来说就是速度的体现,我讲的速度不是数据存储的速度,而是商业需求的速度。商业需求速度,在今天互联网出现以后,变成了100亿倍的增长。以前的话比如说像姜子牙做决策的话可能得思考一年,姜子牙思考了70年最后遇到了周文王,现在不一样,现在每个人需要作出非常非常迅速的决策,非常多的决策,每个人都需要决策,这就要求我们在速度上要跟上商业的发展。所以说,兵法里面也讲了一句话,兵贵胜不贵久,就是越慢越没有价值,越快越有价值。CDA数据分析师官网
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12游戏流水衰退率:计算方法与实践意义 在游戏行业中,流水(即游戏收入)是衡量一款游戏商业表现的核心指标之一。而游戏流水衰退 ...
2025-08-12CDA 一级:数据分析入门的基石 在当今数据驱动的时代,数据分析能力已成为职场中的一项重要技能。CDA(Certified Data Anal ...
2025-08-12破解游戏用户流失困局:从数据洞察到留存策略 在游戏行业竞争白热化的当下,用户流失率已成为衡量产品健康度的核心指标。一款游 ...
2025-08-11数据时代的黄金入场券:CDA 认证解锁职业新蓝海 一、万亿级市场需求下的数据分析人才缺口 在数字化转型浪潮中,数据已成为企业核 ...
2025-08-11DBeaver 实战:实现两个库表结构同步的高效路径 在数据库管理与开发工作中,保持不同环境(如开发库与生产库、主库与从库)的表 ...
2025-08-08t 检验与卡方检验:数据分析中的两大统计利器 在数据分析领域,统计检验是验证假设、挖掘数据规律的重要手段。其中,t 检验和卡 ...
2025-08-08