
大数据分析的重点不是数据,而是问题
大数据分析最关键的不是数据,而是找到需要解决的问题,邓白氏高级副总裁、首席数据官安东尼·斯克里费加诺(Anthony Scriffignano)认为,任何一个拥有大量数据的公司, 不能随便就找个数据公司来分析,而是找到自己需要解决的问题 。
“ 他们可以告诉你很多事情。但是不解决任何问题。 ”2015年 12月24日,斯克里费加诺接受财新记者采访时表示,作为国际上最著名、历史最悠久的企业资信和金融分析公司,邓白氏已经和数据打了174年交道,虽然在大数据这一概念之初他们就开始使用这个工具,但是现在面临的最大困难还是,如何用适当的方式解决合适的问题。
1841年成立于美国新泽西州的邓白氏公司一直不断通过技术创新开拓信用评估市场,分拆上市前的穆迪公司、美国最著名的黄页广告公司丹尼雷公司和美国最大的市场调查公司尼尔森公司,都是其子公司。邓白氏的客户中,不仅包括全球最大的、最成功的企业,也有中等规模的和刚刚成立的小公司。
大数据分析,则是目前邓白氏所提供的万千种产品之一。斯克里费加诺说,现在全世界的数据中, 85%的数据是非结构化的 ,而我们过去重点分析的结构化数据,只是其中的15%,只是基于这些数据做出决策已经不合时宜。而通过大量非结构数据,不仅可以挖掘新的商业信息,也可以找到新的商业模式,这在10-15年前是完全不可能的,那时甚至没法描述这些数据。
他举例说,通过大数据分析,可以帮助客户找到新的合作伙伴,找到服务的重点,找到新的顾客。很多时候,他们不仅需要客户提供的数据,还要参考自己手头所掌握的数据,来做出正确的分析。“这项工作几乎永远没有终点, 你要想比竞争对手领先一步,永远都是一个挑战 ……虽然我们没法掌握地球上所有企业的信息,但是我们掌握的数据肯定比地球上任何企业都多。”斯克里费加诺说。
在乌镇的世界互联网大会上,斯克里费加诺碰到许多中国的同行,虽然他们并不都是从事大数据分析服务的公司,但也都在使用大数据,所面临的挑战也是相似的。例如,如何面对新的数据形式,如何面对高度动态化的数据等,“大家关心的主题是云计算,如何使用新的分析工具,但是很少人讨论 我们所面临的挑战究竟是什么,应该解决的问题是什么 ,” 斯克里费加诺说。
对于正在或者希望投入大数据行业的同行们,斯克里费加诺有三个建议。首先就是,最重要的不是数据,而是问题。“ 这里有一大堆数据,我们来分析一下有什么意义 ”,这样是不可取的。要从数据中发现,是否有新的商业行为,要知道自己希望解决什么问题,应该是“ 有没有可能发现新的商业行为 ,能帮助我们了解什么样的企业在增长,什么样的企业在走下坡路”。
第二是需要找到正确的人,他们拥有合适的技能,现在很多人都以数据专家自居,都在谈大数据分析,其实他们 只是给自己加了一个新的标签 ,他们未必拥有把大量繁杂的数据放在一个平台上分析的能力。
第三是领导者的能力要随时更新。现在行业变化太快,现在能够生存,不证明5-10年后能生存。当电视机从CRT过渡到液晶电视的时候,很多的企业主对后者的技术是一无所知的,所以就像恐龙一样消失了。所以领导者要避免自己变成恐龙,就需要不断了解新的技术,提出新的问题,因为这个行业变化太快了。
在这次世界互联网大会上,斯克里费加诺曾经表示,应对海量信息的挑战,需要创新,不仅是做新的事情,也可以 用新的方式来做以前的事情 。有很多没有解决的问题,需要 把它们分解 ,虽然可能还没有解决,但是问题已经变小了,这也是邓白氏现在正在从事的工作。
例如很多小微企业,通过大数据征信报告,成功在银行获得了无抵押贷款。而在迅速变化的时代,银行业本身存在的必要性也受到了挑战。斯克里费加诺说,他曾经问一个同行,10年以后会不会有银行,这位同行的答案是,除非他们做出改变。而在斯克里费加诺看来,银行当然会继续存在,但是 银行业也必须做出改变 。同样,征信行业也需要改变,甚至人们对于信用的理解也需要改变。
大数据带来的也并不都是好处,斯克里费加诺也提醒说,必须要意识到有一些居心不良的人躲在互联网的技术后面,如果不采取措施的话,这些居心不良的人他们能够有更多的进行网上诈骗、网上盗窃的非法行为会更加猖獗。我们会看到更多的问题,所以我们现在必须要进行很好地观察,而且也是要意识到在 网络上还是有很多问题的 ,这也是我们所面临的挑战。
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