
更需要解读数据的能力,企业需要哪些大数据人才
假如你是一家麵包店的老闆,你会怎么解决以下这些问题:
问题1. 烤箱的产能有限,该选择生产哪些种类的麵包?
问题2. 想在网上行销麵包店,哪一种广告比较有效?
问题3. 怎么从麵包判断,麵包师傅有没有偷工减料?
用管理的语言来说,以上分别是「预估需求分配产能」「评估行销方案成效」和「产品品管」问题,也是工作场合中经常会遇到的情境。这些问题,乍看之下似乎和统计无关,但是其实每一个问题都可以应用统计的观念和方法,来构思解决之道。
如果你具备统计思维的话,这几个问题的思考方向如下:
1. 列出最受欢迎的几种麵包,优先生产明星商品。
问题1的关键是找出明星商品,这需要统计出麵包的总营业额,再算出每种麵包占总营业额的相对比例,优先生产能囊括七成营业额的产品组合。这会用到统计的次数分配表和直方图,此种分析法也称为ABC分析法。
2. 写出两种文案,分别广告一段时间看看成效如何。
问题2要比较广告成效,最好的方法是用统计的随机对照实验,让两种广告随机出现,一段时间后,观察哪种广告的效果比较好,再大範围运用效果比较好的广告。
3. 抽查几个麵包,秤秤看重量差距有没有过大。
要解决问题3,你需要先知道麵包的平均重量,再对麵包进行抽样,看看麵包的重量是否呈现常态分布的鐘型曲线?若是偏离曲线,就可能暗示麵包品管有问题。
做为一门蒐集、汇整、分析资料的科学,统计也是企业常用的分析工具。
电子商务网站亚马逊(Amazon)能在你浏览时,推荐你「买了这本书的人也买了这些书」,用的是相关性分析;美国总统欧巴马(Barack Obama)的竞选团队,知道哪个版面的网站能让选民增加捐款金额,利用的是随机对照实验;市场调查能用少数人的意见推算出整个市场的看法,依据的是抽样调查的塬理。
达特茅斯学院教授查尔斯.惠伦(Charles Wheelan)在《聪明学统计的13又1/2堂课》一书中,列举出学统计的目的,其中包括:
分析数据,将资料做出摘要;
做出更好的决定;
辨识出能提升做每一件事效果的模式;
评估政策、计画与其他创新事项的效用。
听起来是不是很熟悉?汇整数字做出决定、找出做事更有效的方法、评估计画的效用,这些不就是经理人的工作吗?
《统计学,最强的商业武器》作者西内启更具体指出,统计学可以帮助商业人士思考以下3个问题:
哪个因素的变化能提高收益?
採取可引发这种变化的行动可行吗?
若是可引发该变化的行动可行,其成本会高于所增加的收益吗?
多摩大学经营资讯学系副教授丰田裕贵则认为,商务人士学习统计学,不只是培养从数据得到启发的能力,更重要的是利用统计学的技巧评估数据,可以亲自体验「建立假说、检验、解释结果、重新思考」的过程。
丰田解释,在商场上,发现「结果」以及形成结果的「塬因」之间的关係非常重要,这种在数字堆裡反覆验证的过程,就是建立假说,是一项必须不断练习操作才能提升的能力。而一旦纯熟到了某个阶段,擅长统计的人,就算不依靠数据分析,也能想得出好的假说。
拜互联网普及与科技进步之赐,大数据(Big Data)的时代来临。
大数据的意思是,企业能蒐集到庞大的资料量,也有能力分析这些资料,统计身为汇整说明资料意义的科学,因而成为当红的趋势。因此,为了善加运用大数据,经理人更需要具备统计的素养。
大数据能够做到什么,可以从一个故事讲起。有一天,百货公司寄了一份婴儿用品型录给你未婚的女儿。你认为这是对你女儿的侮辱,所以怒气冲冲地打电话到百货公司客服部抱怨,请他们以后不要再做这种事了。你抱怨完,却看到女儿兴味盎然地翻着型录,塬来她已经怀孕了。
百货公司比爸爸更早知道女儿怀孕的消息,不是黑色幽默,而是塔吉特(Target)百货真实发生的事件。塔吉特怎么知道顾客怀孕了?说穿了并不神奇,因为该公司设有準妈妈礼物登记处,让準妈妈们登记自己想要的婴儿礼物。由于这份清单等于确知已怀孕的顾客名单,塔吉特便依据名单上的消费纪录,建立起怀孕妇女的购物模式(孕期会购买的商品清单),再用此模型比对其他客人的消费纪录,找出消费形态类似的顾客,向她们行销相关商品,达成「未卜先知」的结果。
运用这个方法,塔吉特多找出了30%的行销对象,从降低行销成本和提高行销精準度的角度来看,都相当成功。
塔吉特所做的事,就是将大量数据(塔吉特所有消费纪录)汇整成供决策者解读的情报,增强了企业、组织的预测能力,而大数据背后的根本学问,正是统计。以这个例子来说,塔吉特能找出「怀孕」和「购物清单」关係,靠的是统计上的迴归分析。
东京大学先端科学技术研究中心特任教授稻田修一说,企业要活用大数据,需要3种人才:
第一是数据的IT专家;
其二是分析数据的资料分析人员;
其叁是活用数据的经理人。
稻田强调,统计并不是分析数据就好了,从分析的结果推测该如何影响顾客的行为,并且将之拟定为具体的商业计画,并据此行动才是关键。
从企业策略的角度来看,依据经营方针而指示研究数据,属于管理工作;将分析的结果化为实际的行动,也属于管理的範畴。经理人要决定该怎么分析资料,也要有能力依据整理好的资料,改变行动。
改变之后,经理人可能会因为行动改变,再次改变资料分析的方式,形成使资料分析愈来愈精确的正向循环,这也正是统计管理的效用所在。
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在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09