
更需要解读数据的能力,企业需要哪些大数据人才
假如你是一家麵包店的老闆,你会怎么解决以下这些问题:
问题1. 烤箱的产能有限,该选择生产哪些种类的麵包?
问题2. 想在网上行销麵包店,哪一种广告比较有效?
问题3. 怎么从麵包判断,麵包师傅有没有偷工减料?
用管理的语言来说,以上分别是「预估需求分配产能」「评估行销方案成效」和「产品品管」问题,也是工作场合中经常会遇到的情境。这些问题,乍看之下似乎和统计无关,但是其实每一个问题都可以应用统计的观念和方法,来构思解决之道。
如果你具备统计思维的话,这几个问题的思考方向如下:
1. 列出最受欢迎的几种麵包,优先生产明星商品。
问题1的关键是找出明星商品,这需要统计出麵包的总营业额,再算出每种麵包占总营业额的相对比例,优先生产能囊括七成营业额的产品组合。这会用到统计的次数分配表和直方图,此种分析法也称为ABC分析法。
2. 写出两种文案,分别广告一段时间看看成效如何。
问题2要比较广告成效,最好的方法是用统计的随机对照实验,让两种广告随机出现,一段时间后,观察哪种广告的效果比较好,再大範围运用效果比较好的广告。
3. 抽查几个麵包,秤秤看重量差距有没有过大。
要解决问题3,你需要先知道麵包的平均重量,再对麵包进行抽样,看看麵包的重量是否呈现常态分布的鐘型曲线?若是偏离曲线,就可能暗示麵包品管有问题。
做为一门蒐集、汇整、分析资料的科学,统计也是企业常用的分析工具。
电子商务网站亚马逊(Amazon)能在你浏览时,推荐你「买了这本书的人也买了这些书」,用的是相关性分析;美国总统欧巴马(Barack Obama)的竞选团队,知道哪个版面的网站能让选民增加捐款金额,利用的是随机对照实验;市场调查能用少数人的意见推算出整个市场的看法,依据的是抽样调查的塬理。
达特茅斯学院教授查尔斯.惠伦(Charles Wheelan)在《聪明学统计的13又1/2堂课》一书中,列举出学统计的目的,其中包括:
分析数据,将资料做出摘要;
做出更好的决定;
辨识出能提升做每一件事效果的模式;
评估政策、计画与其他创新事项的效用。
听起来是不是很熟悉?汇整数字做出决定、找出做事更有效的方法、评估计画的效用,这些不就是经理人的工作吗?
《统计学,最强的商业武器》作者西内启更具体指出,统计学可以帮助商业人士思考以下3个问题:
哪个因素的变化能提高收益?
採取可引发这种变化的行动可行吗?
若是可引发该变化的行动可行,其成本会高于所增加的收益吗?
多摩大学经营资讯学系副教授丰田裕贵则认为,商务人士学习统计学,不只是培养从数据得到启发的能力,更重要的是利用统计学的技巧评估数据,可以亲自体验「建立假说、检验、解释结果、重新思考」的过程。
丰田解释,在商场上,发现「结果」以及形成结果的「塬因」之间的关係非常重要,这种在数字堆裡反覆验证的过程,就是建立假说,是一项必须不断练习操作才能提升的能力。而一旦纯熟到了某个阶段,擅长统计的人,就算不依靠数据分析,也能想得出好的假说。
拜互联网普及与科技进步之赐,大数据(Big Data)的时代来临。
大数据的意思是,企业能蒐集到庞大的资料量,也有能力分析这些资料,统计身为汇整说明资料意义的科学,因而成为当红的趋势。因此,为了善加运用大数据,经理人更需要具备统计的素养。
大数据能够做到什么,可以从一个故事讲起。有一天,百货公司寄了一份婴儿用品型录给你未婚的女儿。你认为这是对你女儿的侮辱,所以怒气冲冲地打电话到百货公司客服部抱怨,请他们以后不要再做这种事了。你抱怨完,却看到女儿兴味盎然地翻着型录,塬来她已经怀孕了。
百货公司比爸爸更早知道女儿怀孕的消息,不是黑色幽默,而是塔吉特(Target)百货真实发生的事件。塔吉特怎么知道顾客怀孕了?说穿了并不神奇,因为该公司设有準妈妈礼物登记处,让準妈妈们登记自己想要的婴儿礼物。由于这份清单等于确知已怀孕的顾客名单,塔吉特便依据名单上的消费纪录,建立起怀孕妇女的购物模式(孕期会购买的商品清单),再用此模型比对其他客人的消费纪录,找出消费形态类似的顾客,向她们行销相关商品,达成「未卜先知」的结果。
运用这个方法,塔吉特多找出了30%的行销对象,从降低行销成本和提高行销精準度的角度来看,都相当成功。
塔吉特所做的事,就是将大量数据(塔吉特所有消费纪录)汇整成供决策者解读的情报,增强了企业、组织的预测能力,而大数据背后的根本学问,正是统计。以这个例子来说,塔吉特能找出「怀孕」和「购物清单」关係,靠的是统计上的迴归分析。
东京大学先端科学技术研究中心特任教授稻田修一说,企业要活用大数据,需要3种人才:
第一是数据的IT专家;
其二是分析数据的资料分析人员;
其叁是活用数据的经理人。
稻田强调,统计并不是分析数据就好了,从分析的结果推测该如何影响顾客的行为,并且将之拟定为具体的商业计画,并据此行动才是关键。
从企业策略的角度来看,依据经营方针而指示研究数据,属于管理工作;将分析的结果化为实际的行动,也属于管理的範畴。经理人要决定该怎么分析资料,也要有能力依据整理好的资料,改变行动。
改变之后,经理人可能会因为行动改变,再次改变资料分析的方式,形成使资料分析愈来愈精确的正向循环,这也正是统计管理的效用所在。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 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 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29