
大数据会扼杀企业
大数据被很多人吹捧成了大企业的救星:有人说它能预言未来,照亮我们的道路,给古老的商业模式带来新的生机。但是在现实世界中,数据是会杀人的。它能杀死项目,杀死金钱,甚至杀死时间。25年前,数据的增长速度大约只有每天100GB,而现在,数据的增长速率差不多已达到50,000GB每秒。随着数据量的海量增长,企业也越来越难以凭借自身的能力进行数据分析,从而加大而不是减小了企业战略决策的难度。
时间是我们最宝贵的资源,而数据偷走了我们大量宝贵的时间。我们的感观早已被各种各样的数据淹没。每天我们都会收到数不清的电子邮件、手机短信和提醒消息,每一条信息都会让人分心,降低我们的工作效率。它们将我们抽离了原本该做的事情,迫使我们将注意力放在也许重要、也许不重要的事情上。同理,企业的业务数据也同样多得令人窒息,牵扯了我们的大量精力,已经成了影响企业高效决策的拦路虎。
不妨想象一下,如果有一天,你只会收到对你来说真正重要的信息,而且这些信息还能在正确的时间、在正确的地点找到你,世界将是什么样子。那么你每天至少能多做多少事情?我们将大量的时间耗费在被动消化这些海量信息上,真正用来主动谋划企业发展的时间少之又少。这样既令人心力交瘁,又削弱了企业效能。
更重要的是,数据会令企业丧失精准度。光靠捕捉更多信息并不会自动使企业产生更多价值。有人可能会想,我们收集的数据越多,就越能从中获得好的见解。这种自欺欺人的心态是很危险的。只有当数据能带来准确而重要的见解时,它才是好的数据。
另外,只有与你息息相关的信息才是有用的信息。好的信息必须具备时效性和真实性。然而不幸的是,当企业想从大数据中提取有用的见解时,却经常会起到反效果。举个真实的例子,美国有一个叫麦克·西伊的人是办公用品超市OfficeMax的常客,他的女儿不幸和男友死于一场车祸。OfficeMax不知怎么得知了这个消息,在发给麦克·西伊的自动促销邮件中竟然出现了这样的抬头:“麦克·西伊(女儿死于车祸)。”这并非大数据有意作孽,而是它的相关性(和适宜性)的问题。一个企业要想只收集其确实需要的数据几乎是不可能的,很多时候你收集到的是那些原本不该看到的东西。对于一家公司来说,你收集到的数据很可能是误导性甚至是毁灭性的。大数据虽然能将很多不相关的点连接起来,呈现一幅完整的图画,但是要确保数据的相关性、及时性和真实性,你首先还要正确理解它的背景。
现在,全球每天的数据总量都能达到250万的三次方字节,要想通过大数据获得全面的见解是很难的。你要么会陷入无力分析的境地(因此无法获得见解),要么就更糟糕,你可能会在有限的甚至是被错误解读的数据基础上获得错误的见解。如果没有正确地理解数据的背景,将不啻于椽木求鱼。一些看似有希望改变游戏规则的见解,在实际中却很有可能导致你从游戏中出局。
数据也会扼制你的灵活性。传统的数据分析方法,是将交易系统中的所有数据存放到一个数据仓库里(也有的叫数据湖或数据池),然后运行几套业务智能系统,叫几个或十几个分析师分析上一周的时间,然后把数据导到Excel里,或者做一个PPT。周而复始,得到的见解始终是滞后的。这种数据处理方法其实是一种浪费。由于要处理的数据很多,你得需要很长的时间才能获得有用的或是有可操作性的见解。你需要找到一种透过能繁杂的数据,得到为你的公司量身定制的信息的方法。
当我开车进城的时候,我想知道路上的交通堵不堵,需要多久才能达到目的地。如果有人给我的建议跟我同事上次开车走这条路时一样准确,那我就会不那么依赖GPS应用了。Waze就是这个领域的一款非常强大的应用,因为它截取了所有司机的一个巨大的时间断面的信息。这种全球数据的集中化使得所有用户都能获得与背景环境相关的见解。大数据也需要采取类似的做法。企业现在应该停止在自己公司的范围内积攒业务数据了,而是应该真正利用云计算的规模经济效益,不仅仅做到基础设施与应用的共享,更重要的是做到数据的共享。
如果你想将大量数据变成有价值的见解,你就应该利用一个集中化的全球性平台,因为这样一个平台可以借助大量内部和外部资源消化海量信息。企业将数据收集、管理和分析工作外包出去,就可以使这种通用平台专心研究数据科学,而你只需要集中精力,将它为你量身打造的见解应用在提高企业核心能力、强化企业竞争优势上。
20年前的一场“无软件”运动将世界从线下带到了云端。而今天,我们也需要掀起一场“数据有罪”运动。现在已经到了从收集数据转向让这些数据切实发挥作用的时候了。这将的话,在别人还在空谈“大数据”或疲于内部业务智能项目的时候,我们就能够解放精力进行创新。
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 ...
2025-09-23CDA 数据分析师:以指标为钥,解锁数据驱动价值 在数字化转型的浪潮中,“用数据说话” 已成为企业决策的共识。但数据本身是零散 ...
2025-09-23当 “算法” 成为数据科学、人工智能、业务决策领域的高频词时,一种隐形的认知误区正悄然蔓延 —— 有人将分析结果不佳归咎于 ...
2025-09-22在数据分析、金融计算、工程评估等领域,“平均数” 是描述数据集中趋势最常用的工具之一。但多数人提及 “平均数” 时,默认指 ...
2025-09-22CDA 数据分析师:参数估计助力数据决策的核心力量 在数字化浪潮席卷各行各业的当下,数据已成为驱动业务增长、优化运营效率的核 ...
2025-09-22训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15