京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23