
拨开大数据的迷雾
企业的硬性层面(成本、速度、库存周转率、供应链以及资本效率等)是由可以精确量度的事物组成。硬性层面总能与计算机技术、数据和分析完美契合,这并不令人奇怪。据说,最古老的计算工具是用来算账的巴比伦算盘。罗马人的算盘则造得轻巧灵便、易于携带,为他们打造庞大的帝国起到了帮助。
企业硬性层面和数据分析的结合延续至今。企业是数据分析大师,例如上世纪80年代的沃尔玛(Wal-Mart)、90年代的戴尔(Dell)和如今的亚马逊(Amazon)与网飞(Netflix)。同时,我们所说的企业软性层面(比如设计与审美偏好、团队、信任、领导力、聪明才智和故事)始终存在于各自的领域、神秘世界和直觉里。最优秀的践行者被誉为天才而不是分析师,例如审美嗅觉敏锐的史蒂夫·乔布斯(Steve Jobs)、企业领袖导师杰克·韦尔奇(Jack Welch)、把产品当作故事推销的菲尔·耐特(Phil Knight)和创造激情的理查德·布兰森(Richard Branson)。这些软性品质不易量度,也不是易于传授的必要技能。
我有点夸大了企业硬性与软性层面之间的这种明显差异。最优秀的CEO总是能找到方法弥合这种差异。史蒂夫·乔布斯让精通数据分析的蒂姆·库克(Tim Cook)来管理苹果(Apple)业务经营的硬性层面。库克在这方面确实做得很好。迈克尔·埃斯纳(Michael Eisner)拯救了迪士尼(Disney),但他是在杰出的首席运营官弗兰克·威尔斯(Frank Wells)的辅佐下完成的。谷歌曾严重偏向于数据分析,甚至在其主页上测试了41种蓝色阴影以确定观众的反应。如今,谷歌给其平面设计师留有更多的发挥空间,使谷歌产品的观感得到了提升。
隐藏的惊喜
在大数据这个新时代里,问题已经变成:我们是否应该把软性层面交到直觉性很强的天才手中,或者是否应该利用大数据为软性层面增添严密性和逻辑性?这能做到吗?如果想打造一家成功的企业,就应该重视这些问题。
大数据现在无疑是个被过度使用的词语。我喜欢维克托·迈尔-舍恩伯格(Viktor Mayer-Schönberger)和肯尼斯·库克耶(Kenneth Cukier)在其著作《大数据时代:生活、工作与思维的大变革》(Big Data: A Revolution That Will Transform How We Live, Work, and Think)中对这个词语给出的解释。他们写到,大数据没有边际和结构,笼统但具有预测性,无法显示原因,但能显示关联性。
在这些方面,混乱无序的大数据更像是企业的软性层面而非硬性层面。那么,大数据能否帮助我们设计出更加迷人的产品,打造出优秀的团队和强大的文化,创造出令人难忘的品牌,使我们更具适应性?
这是个新的领域。大数据正在飞速演进,尚不清楚它能在哪些方面提供真正的洞察力,或者在哪个方面它只会造成代价高昂的干扰。大数据已经在信用卡检测等领域里取得明显成功,并有望用病人的少少几滴血就诊断出疾病。但对于想要出售产品或激励团队的企业领导者来说,大数据能干什么呢?
为了了解大数据的应用方式,我在这个夏天与多位CEO、设计师、营销人员和团队建设者进行了交谈,以便弄清楚大数据在哪些方面有用。这些人来自于各行各业大大小小的公司企业。
Nest Labs公司创始人兼CEO托尼·菲德尔(Tony Fadell)说出了他的看法。该公司是硅谷的一家智能恒温器制造商,其产品通过学习并掌握用户的供暖和制冷方式来节约费用。菲德尔曾在大师史蒂夫·乔布斯的麾下学习产品设计,十来年前iPod的问世也有他的一份功劳。
“大数据是否对Nest Labs公司设计其恒温器有所帮助?”我问道。
“没有。”菲德尔说,“好产品来源于好创意。你要为你自己设计它们。你要对数据说你需要的大多数功能说不。史蒂夫乔布斯就非常善于说不。但大数据展现了人们如何以你意想不到的方式来使用你的产品。在如何改进产品软件、如何与客户沟通以及如何建立忠诚度等方面,大数据提供了极好的观察点。
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