京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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