大数据失败案例之七宗罪

“我们正处于开始阶段，想了解下其他人正在做什么，有哪些成功案例。”Liu说：“而所有的失败案例，也是我们必须学习并加以警惕的。”

很多人有着和Liu一样的想法。Family Dollar Stores Inc.（美国知名折扣零售商，总部位于北卡罗来纳的夏洛特，最近刚被另一家折扣连锁店Dollar Tree Inc.收购）的企业架构总监David Kropman也基于同样原因参加了这次会议。“我们刚开始大数据的探索，想了解正确的应用场景，同时防止自己重蹈其他公司的覆辙。”Kropman表示。

Sicular的报告给出了足够明晰的信息，可以让Kropman和Liu回去分享给各自的团队，避免犯同样的错误。

Kropman说：“大数据项目的失败不单单是因为某个原因，而是由多个因素一起导致的。”

对于大数据项目的失败，Sicular总结出7个主要原因，并划分为三个大类：战略、技能和分析。

战略方面的失败

1.组织惰性。某家旅游公司系统通过web日志数据的挖掘来提升客户洞察。结果证明，用户在浏览网站之后，随后的消费行为模式与管理层所认为的不一致。当团队汇报此事时，管理层认为不值一提。但是，该团队并没有放弃，并通过严密的A/B测试，回击了管理层的轻视。

这个案例的最终结果，不是每个CIO都能期盼的。但是，有一点是可以确定的：做好和管理层打交道的准备，让他们充分理解大数据是什么以及相应的价值。要说对CIO们有什么建议的话，Sicular认为，不要在失败的项目上过多纠缠，重新启动一个新的。

2.选择了错误的应用场景。一家保险公司想了解日常习惯和购买生命保险意愿之间的关联性。由于随后觉得习惯太过于宽泛，该公司将调查范畴限定到是否吸烟上。但是，工作仍然没有实质进展。“不到半年，他们就终止了整个项目，因为一直未能发现任何有价值的信息。”Sicular说。

这个项目的失败是由于问题的复杂性。在抽烟与否之间，该公司没有注意到还有大片灰色地带：很多人是先抽烟而后又戒烟了。在将问题简单化动机的驱动下，这个部分被忽略了。“他们不是医疗健康方面的专家。”Sicular分析到。为此，她提醒听众要对应用案例排定优先级，先易后难，循序渐进。

技术层面的失败

3.无法应对料想之外的问题。一家全球性公司的大数据团队发现了很多深刻的洞察，并且计划通过云让全公司共享。“为此，他们启动了一个云中的项目。”Sicular说。

Sicular认为，这样做是有风险的 – 一个在受控的定制环境中获得成功的项目，未必能适应于生产环境中。“这个团队低估了效率方面的损耗。由于网络拥塞的问题，无法满足全球各个分支顺畅提交数据运行分析的需求。”Sicular分析说。

该公司应该仔细思考下如何支撑大数据项目，梳理所需的技能并协调各IT分支的力量进行支持。“由于网络、安全或基础设施的问题，已经有太多的大数据项目栽了跟头。你必须事先想清楚，需要哪些方面的人手加入到项目中来。”Sicular表示。

4.缺乏大数据分析技能。一家零售公司的首席执行官不认同亚马逊规模化、扁平化的服务模式，因此让CIO构建一个客户推荐引擎。项目最初的规划是半年为期，但是团队很快认识到诸如协同过滤（collaborative filtering）之类的概念无法实现。为此，一个团队成员提出做一个“假的推荐引擎”，把床单作为唯一的推荐产品。

这个假引擎的工作逻辑是：买搅拌机的人会买床单，买野营书籍的人会买床单，买书的人会买床单。就是如此，床单是唯一的、默认的推荐品。

尽管可笑，这个主意其实并不坏，默认的推荐也能给企业带来销售上的提升。但是，由于大数据相关技能的缺失，真正意义上的引擎未能实现。Sicular表示，这是需要很长时间探索和积累的。尽管过程曲折而漫长，不过不用担心，大数据的推进是有明确阶段划分的，对CIO们来说可以有针对性地加以应对。这些阶段包括：

·管理高层表示支持

·大数据战略规划形成

·进行各种测试和验证

·流程上线并不断完善（Sicular称之为战术阶段）

·投资回报开始显现，企业真正体会到大数据的价值（Sicular称之为战略阶段）

·技术领先的企业开始构建真正的数据产品（Sicular称之为转型阶段）

数据分析本身的失败

5.对数据过于相信。2008年，Google第一次开始预测流感就取得了很好的效果，比美国疾病预防控制中心（Centers for Disease Control and Prevention）提前两礼拜预测到了流感的爆发。但是，几年之后，Google的预测比实际情况（由防控中心根据全美就诊数据推算得出）高出了50%。“媒体过于渲染了Google的成功，出于好奇目的而搜索相关关键词的人越来越多，从而导致了数据的扭曲。”Sicular说。

因此，CIO在拿到数据之后，应该从不同角度进行加以审视，确保对数据的来源、验证方法、控制手段以及是否有脏数据等问题都能胸有成竹。

6.提出了错误的问题。一家全球领先的汽车制造商决定开展一个情感分析项目，为期6个月，耗资1千万美元。项目结束之后，该厂商将结果分享给经销商并试图改变销售模式。然后，所得出的结果最终被证明是错误的。

“项目团队没有花足够的时间去了解经销商所面临的问题或业务建议，从而导致相关的分析毫无价值。”Sicular说。
对此，Sicular提到了决策分析中的“满意度（satisficing）”模型 -- 即放弃对最优结果的偏执，基于具体的情境，找到足够好的解决方案。“耐下性子，去真正理解问题以及企业可能从中获得的收益。”Sicular解释说。

7.应用了错误的模型。为了寻找可供借鉴的案例，一位在银行工作的博士研究了其他行业的大数据成功应用。最终，他的目光落在了电信行业的客户流失预测模型上。

该银行从电信业聘请了一位专家，后者也很快构建了评估用户是否即将流失的模型。Sicular表示，当时已进入评测验证的最后阶段，模型很快就将上线，而银行也开始准备给那些被认为即将流失的客户发出信件加以挽留。但是，为了保险起见，一位内部专家被要求对模型进行评估。

这位银行业专家很快发现了令人惊奇的事情：不错，那些客户的确即将流失，但并不是因为对银行的服务不满意。他们之所以转移财产（有时是悄无声息的），是因为感情问题 -- 正在为离婚做准备。

了解模型的适用性、数据抽象的级别以及模型中隐含的细微差别，这些都是非常具有挑战性的。“这是大数据分析的关键之一。”Sicular表示。为了大数据项目的成功，CIO还必须从道德、伦理和心理的角度进行思考。