
大数据电视类比模型_数据分析师
全球五百强汇集了这个世界上绝大多数的商业天才和营销精英,这之中有笑傲全球的IT公司,有实力雄厚的实业,也有像杰西潘尼一样遇到危机的巨头。为何只有这11个拥有谦逊品质的人能够一直站在巅峰呢?
近日美国营销界迎来了一则大新闻。杰西潘尼(JC Penny)的CMO黛布拉·伯曼(Debra Berman)被董事会要求离职。杰西潘尼是全球五百强企业,美国最大百货公司之一,以诸多的折扣而闻名。然而近年来因为前CEO罗恩·约翰逊的错误决策,杰西潘尼品牌形象严重受挫,利润大幅度下跌,仅2012年一年,销售总额就下滑了32%之多。成为笑柄的杰西潘尼于2013年将罗恩开除并迎回了曾被罗恩取代的迈伦·厄尔曼(Myron Ullman)。而我们通过黛布拉·伯曼的离职能够明确地知道,杰西潘尼的复兴之路并不顺利。
强如杰西潘尼这样的世界百货巨头也会迎来如此的寒冬,商业社会的起起落落着实让人唏嘘。其实罗恩·约翰逊这个名字曾经是美国商界的一块金字招牌。不熟悉他的人只需要一句话就能够瞬间领悟他的强悍实力。
罗恩·约翰逊一手提出并打造了苹果体验店。
是的。以白色为主色调的大气、时尚的苹果体验店,这个苹果在全球取得如此巨大的成功的极重要因素的奠基人,正是在杰西潘尼灰溜溜下台的罗恩。这样巨大的反差发人深思,同时也教会我们很多东西。
上篇文章里面我讲到运用大数据来解决现在很多企业都面临着的破产危机。讲到了用狭义大数据和广义大数据两个角度来解决危机。我所说的危机,可大可小。说小,企业日常碰到的方方面面的问题。说大,也可以是杰西潘尼面临的这种关乎企业生死存亡的巨大危机。
狭义大数据对于解决危机的作用我已经在上篇文章中谈过了,不在这里过多地赘述。这篇文章就针对广义大数据来探究一二。
上篇文章结尾处,我提到了美国著名商业顾问吉姆·柯林斯做的一个调查。根据柯林斯的研究,全球五百强企业中仅有11家能够连年持续增长,而这11家企业之所以成功的秘密,是因为他们的领导者都具备谦逊的品质。
全球五百强汇集了这个世界上绝大多数的商业天才和营销精英,这之中有笑傲全球的IT公司,有实力雄厚的实业,也有像杰西潘尼一样遇到危机的巨头。为何只有这11个拥有谦逊品质的人能够一直站在巅峰呢?
这个问题的答案绝不是狭义大数据这个仅仅出现了几年的技术就能够解释的。
广义大数据才是真正的答案。
何为广义大数据?广义与狭义大数据的关系是什么?
用一个简单的模型我们就可以最直观最清楚的弄明白这两个问题。我将这个模型简单地命名为:大数据电视类比模型。
将广义大数据比作一台电视,我们研究狭义大数据的每一个学科、每一个领域都像是电视的一个频道。我们现在一直盯着屏幕看画面,不知不觉就会把电视机这个主体忘掉,专心在里面的频道上。这就是我们在大数据论的时候存在的最大的障碍。我们无法看到广义大数据这个电视主体,看到的都是狭义大数据这些频道。
狭义大数据有多少个频道?
我们都知道万花筒,三块小镜子、二十片不同的颜色组成的玩具。盯着万花筒内部看,只要一开始转动,便有千变万化,无穷无尽。狭义大数据就如同这万花筒中的图像,肉眼所能及与不及的一切事物、人类智慧能够研究的一切学科,万事万物都蕴含着狭义大数据。沉醉在这千变万化的万花筒中,迷失在丰富多彩的频道里面,想要清醒,难上加难。我们总是急功近利地想要得到答案,想要知道事物最终发展的形态。这是思维定式,如同去找瞎子算命,最想知道的总是,我是怎么死的?
论语里面有一回,子路问死,孔子解答。孔子怎么回答他的好学生的?未知生,焉知死。
不去了解这一切的起源,怎么可能知道这一切的终极?
宇宙间所有大数据都是一瞬间出现的。没有开始亦没有结束,如同电视一样,没有打开的时候,即使我们看不到也不能说没有频道。打开电视以后,我们同时只能看其中一个频道,但也不能说其他的频道全都不存在。上到宇宙震动、下到蜉蝣的游动,万事万物在每一分每一秒都会留下数据。
这数据是同一时间出现的。怎么去理解?时间亦是数据。手表上那一串数字,或是手机屏幕上那一行,或是大本钟上的那一圈。时间这个完全不存在实体的事物,早在几千年前就被人类捕捉并形成了数据。我们将一秒钟无限的分割下去,得到刹那的时间长度。在这一刹那间,万事万物的数据与下一刹那必然不同。倘若如此作想,大数据并不是一时顿现。然而时间本身是个连续的东西,人为地将时间分为秒、分、时是对于我们研究大数据造成的最大的阻碍。从时间连续的角度上来看,数据实际上也是连续的。
我们理解的大数据,似乎是由一个一个的数字组成的。
大错特错。
数据采集的时间是造成数据不连续性的根本原因。倘若将时间从被分割的破碎的状态还原,那么数据实际上是连续的,与其说是数字,不如说是波动。
数据的波动在下一秒出现之前就已经被上一秒所决定。这种连续的波动,也就是大数据,从这样的角度和深度来看,绝对是一时顿现。或者说根本没有时间的局限,可以说是很久以前出现的,也可以说还没有出现。因为用时间来定义大数据,本来就是片面的。
我们研究大数据还有一个障碍。
我们需要知道,大数据只是工具。而大数据论里面的真谛是超过数据本身的最高存在。不论是狭义、广义,想要弄明白大数据就不能够拘泥于数据本身,也不能够盯着大数据技术。
现在大多数人,不论中外,不论东西,都将自己的注意力集中在大数据技术的领域。也就是狭义大数据中的一小小的部分,或者说是大数据电视中的一个乡镇电视台的一个频道中的一个节目。这有什么问题?
想要弄明白大数据到底是什么就如同弄明白电视的工作机理。我们要探究的是这个世界的运行规律,万事万物的载体的运行规律。就如同研究电视成像的方式。
单单盯着一个频道看,想要弄清楚什么是电视,绝对是很难很难的。甚至即使世界上所有的频道都看个遍,也很难研究出电视的原理。这个道理很容易理解。我们穷极精力,仅仅通过观看,是可以研究出这个频道的内涵,这个频道的运行规律的。明白一个频道的规律也就大抵知道其他频道的规律。这就是说,我们沿着狭义大数据向深处探究是可以探究到某一领域的规律的。那么根据这个规律 也可以推算出其他行业的大抵的规律。这就是为什么当企业中人才到了一定的高度的时候,是可以轻易地跨行业取得成功的。说到底,智慧是最重要的。
然后我们根据电视的图像,声音,刷新率之类的数据,也可以探究出一点点电视运行的机制。若是能够得到这一点点的真相,已经如同窥探天机一样,足够支撑我们解决一切棘手问题,走上巅峰。
那么如果我们想要完全弄明白这电视的规律呢?
有句成语叫做,盲人摸象。我们向来认为这是一个贬义的成语。可是在研究大数据的时候我们恰是需要盲人摸象的智慧。什么智慧?把眼睛闭上的智慧。
《老子》第十三章里面有这样一句话,“吾所以有大患者,为吾有身,及吾无身,吾有何患。”
障碍我们前进的,最终,只有我们自己本身。
或是闭上眼睛。或是关掉电视。迷在像里面的我们,缺少的恰恰是盲人本领。过于执着于与自己眼睛看到的,其实就是造成企业危机的根源问题。
现在你就知道那11个拥有谦逊品质的领袖能够一直站在巅峰的秘密。
放下对自我的执着,关掉那台电视。随着屏幕变黑升起的,是能够掌握这世界真相的智慧。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24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 ...
2025-09-23