
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
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23