京公网安备 11010802034615号
经营许可证编号:京B2-20210330
小议大数据的“能”与“不能” _数据分析师
当下,我们正处于数据爆炸的时代,全球的数据量正在以每18个月翻一倍的惊人速度增长,世界正在高速数字化。大数据也是当下各行各业都在谈论的话题,某些数据分析师甚至扬言:如果可以实时、精确的捕捉一切数据,并且有足够高效的算法与储存设备,大数据可以分析并解决一切问题。窃以为,这样的说法太过绝对,现实情况并非如此。大数据并非是无所不能的。
笔者在这里试图从应用的角度分析一下电信行业大数据能做的和不能做的事情,而对于业务层面的能与不能。将留待后续文章再述。
大数据在面向客户层面能做的事情:
1、完善客户画像,洞察客户特征:拥有更全面的客户数据后,能更逼近客户的真实情况。大数据因其强大的数字记忆功能,在一定程度上能做到比客户自己还要更了解客户,具有读心术功能,这个容易理解;
2、发现行为模式的DNA,预测客户将发生的动作:法国数学家泊松说过:一旦我们承认人类行为是随机的,它突然之间就可以被预测了。《爆发》作者艾伯特拉斯洛巴拉巴西据此认为:依据泊松分布规律推断,人类行为93%是可以预测的。大数据的核心功能就是关联预测,比如识别离网客户在离网前的行为模式DNA,就能推测出所有在网客户在某个时期的离网率。类似的还有客户换机时间、偏好机型的预测等等。
3、识别客户需求偏好,开展个性化服务:还是围绕客户来说,大数据能发现客户的兴趣偏好、渠道偏好等,在规则引擎的实时触发作用下,相应的触点就能即时捕捉到机会,触发完成相应的动作,进行个性化的精准服务与营销,做到应时应景、正中客户下怀,这对于提高营销效率、客户感知肯定是大有裨益的,当然这里面还要注意让客户比较舒服的接受触点的服务,不要让客户觉得我们是在利用他们的隐私在做事情,这里面是讲究技巧的。
大数据在面向客户层面不能做的事情:
大数据的确能记录客户的各种属性特征、行为轨迹,这些数据也确实反映了客户的操作和使用行为,但是所思并不完全就是所想,客户的行为也不能完全反映其真实意图。
1、 大数据不能算出客户的创意和想象:大数据来源于现实,但是人类的许多想法并非来源于现实,创造性的思维与想象往往是天马行空、超越现实,因此《大数据时代》作者克托迈尔舍恩伯格直言:创意和想象,用大数据是算不出来的。
2、 大数据及时很智能也无法替代客户思维:大数据或许能帮助客户做出一些决策方案,但最终选择客户哪个方案、做出何种动作,最终决定权还是在客户自己手中。人类的思维过程、内心的真实想法是大数据不能够完全测算出来的。人类的思维、决策镶嵌在时间序列和社会背景之中,但数据是不能读懂这些背景的,也读不懂这些背景之后的一些潜规则,因而无法洞悉人类思维的浮现过程。即使是一部普通的小说,数据分析也无法解释其中的思路脉络,显见大数据是不能替代人类的思考的。
3、 大数据不能预测超越人类认知范围的事情:大数据的核心功能就是预测,但是大数据无法预测毫无先兆、超越人类认知极限的事情,这类事情通常被称为黑天鹅。大数据是基于历史数据来预测未来的,但当历史不可掌握时,大数据也是无计可施的;再者,大数据在采集、处理过程中难免被融入数据分析师的价值观和倾向性,这会让数据往往并非是原始客观的,会影响最后的分析结果,而真实的黑天鹅隐藏于无形之中,是很难被发现的;另外,著名思想、《黑天鹅:如何应对不可知的未来》的作者纳西姆塔勒布指出,随着我们掌握的数据越来越多,可以发现的统计上显著的相关关系也就越来越多,这些相关关系中,有很多都是没有实际意义的,在真正解决问题时可能将人引入歧途。
4、 大数据无法描述客户的感情:大数据另外一个局限性在于它很难表现和描述客户的感情。大数据在处理人类情感、社会关系、前后关联等问题的时候,表现往往不尽如人意。大数据只能告诉我们客户在做什么,而不能告诉我们客户在做的时候是怎么想的、背景是怎样的,或者客户在做的时候有什么样的情绪波动。所以,大数据往往是不能直达客户心智空间,理解客户拥有何种价值观的。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06