
不要着急玩大数据
沸沸扬扬的“大数据(Big Data)”,把很多企业、很多人搞得魂不守舍,蠢蠢欲动,似乎只要一玩大数据,大家都可以发大财似的。
其实,你只要静下心来想一想,很多企业,似乎还没有资格去玩什么大数据。
因为,“微数据(Micro Data)”、“小数据(Small Data)”你都还没有搞清楚,你去玩什么“大数据”?
那么,什么叫微数据呢?
说简单点,所谓的微数据就是你自己的数据,如制造业普遍使用的ERP数据。很多企业,花了很多钱上了ERP,结果还是“不好使”,给客户及时交货率没有提高,呆滞库存还是数不清,库存周转率还是上不去,为什么?
很多人抱怨是上错了ERP,或者怪ERP功能不完善,更有甚者是把使用了多年的BAAN/ORACLE换成了SAP,结果呢?还是那个样儿!
这是为什么?
业务流程、组织架构没有与ERP有效结合是个很重要的原因,但ERP内部数据不准确,却是个重中之重的原因!
所以,我跟很多企业讲,其实你不需要这么昂贵的ERP,你花十分之一、甚至是百分之一的钱,用个金蝶K3或者用友的U8也就足够了,因为“一只拿着木头棒子的猴子,完全可以杀死一头拿着AK47(突击步枪)的猪”(注:这句话不是我说的,是我伟创力一个兄弟的发明),你信不信?
关键的问题是你先理清你的微数据。
微数据包括主数据(Master Data),如BOM数据,交易数据(Transactional Data),如收、发货的数据等等,但这些说白了都属于企业内部的数据,理论上是完全可控的,但你真正控制住了吗?
我的TIM审核、数据挖掘的12张表,基本都属于“微数据”的范畴,但又有几家企业能够比较完整地提取出来?
接下来才是所谓的“小数据”,见附图第二层。
小数据是指企业外部的,但是又是来自于合作伙伴的数据,如供应商的库存,客户的库存,甚至是供应商的供应商的库存,客户的客户的库存。
这些数据基本上也是可控的,但前提是需要ERP之外的工具链接,如一些供应链管理协同软件,类似E2OPEN等等。
但现在的问题是,这些小数据,对很多企业来讲也是个巨大的挑战。
我在审核很多企业的供应链管理过程中,发现一种我称之为“伪VMI”的现象。我的很多咨询客户的客户要他们做VMI(供应商管理库存),但客户的客户每天用了他们多少东西,什么时间用的,用了多少,又不告诉人家,没有任何系统对接,只有等到财务月结的时候才产生个数据,准不准也不知道,这叫什么VMI?当然,“伪VMI”还包括让供应商被动地补货,这里就不多讲了。
小数据搞不定,又会直接影响大数据分析的准确性,反之亦然,于是就乱成了一锅粥。物流的三流(物流、信息流、资金流)被讲了多少年了,但最基础的信息流,也就是数据流都搞不清楚,又哪来的物流、资金流?
小、微数据乱了套,搞大数据又有啥用?
从供应链管理的角度,基础原材料的供应市场分析应该属于所谓大数据的范畴。如,你要研究电子元器件的价格、供应走势,你就必须从大数据的角度,来研究硅、镍、铜等基础原材料的市场情况;你要研究哪款产品好卖,你就要从大数据角度,研究终端消费者的消费行为、习惯等等。
但问题是,你大数据研究的再好,你的小数据、微数据不给力,你不是该出不去货,还是出不去,该有的呆滞库存,你还还是有吗?
基础打不好,你即使能伸到“云”里去,又能怎么样呢?
从“微”到“小”,再从“小”到“大”,这是个规律啊!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10