京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据无疑是未来影响各行各业发展的最受瞩目的技术之一。根据IBM的一项研究,过去两年生成的信息占整个人类历史信息总量的百分之九十。换言之,大数据的体量已经达到了传统数据库管理系统无法有效处理的程度。人们无论是使用手机,还是进行网络购物,都会留下自己的数字足迹。
数据信息的大爆炸,无疑将引发企业的巨大管理变革。“应该说,大数据会让企业更好地理解消费者,同时让决策变得更加有效。当然,它带来的挑战也不容小觑。”埃森哲战略咨询全球董事总经理马克·斯佩尔曼在本届达沃斯论坛上向记者表示,“如果企业忽视了这些数据,将会引发巨大的竞争风险。”
那么,大数据将为商业世界带来怎样的本质性的变化?
掘金大数据
眼下,各个行业都在产生数据,现代社会的数据量正持续地以前所未有的速度增加着。与此同时,数据的类型变得难以计数,包括文本、微博、传感器数据、音频、视频等,各种形式的数据都出现了爆炸性增长。
传统的数据分析,是通过提出假设然后获得相应数据,最后通过数据分析来验证假设。而大数据恰恰相反,它是从收集的海量数据中,通过算法将这些来自不同渠道、格式的数据进行直接分析,从中寻找到数据之间的相关性。简单而言,大数据更偏重于发现,以及猜测、印证的循环逼近过程。
一方面,大数据有助于人们发现事物的个体特性,并针对每一个个体提供差异化的解决方案;另一方面,大数据研究也能帮助人们从大量个体的差异变化中,揭示其中存在的难以察觉的规律。
“打个比方,当一辆高铁在行驶过程中,大数据技术是通过各个外部渠道的实时数据来分析高铁的安全性。在分析的同时,火车仍在行驶,不会停下。”马克·斯佩尔曼表示,“而传统的分析方法,是一定要等出现事故后才进行追溯分析。”
马克同时坦言,驾驭大数据的能力并非那么容易获得。很多时候,传统的商业智能系统与分析软件,在面对视频、图片、文字等非结构化数据时,往往束手无策,缺少有效的分析工具和模型。
“一直以来,大数据技术的难点并非在数据的收集上,而是如何利用这些数据。”马克称,“企业必须去芜存菁,将数据转化为正确的商业决策,才能与竞争对手形成差异化。”
就这一点来说,全球最大的拍卖网站eBay的做法颇为典型。譬如,一位年轻的女性早上10点在星巴克浏览eBay网站,eBay应该推送给她什么样的商品呢?事实上,eBay此前已经研究了各种不同情形下的不同购物模式,它可以从用户以往的浏览记录里推断她想要什么样的商品,也可以从设定的成百上千种情景模型中计算出用户可能的需求;或是对照另一位有着相似特点的女性用户,看她当时买过什么样的商品,从而判断出这位用户潜在的需求。在综合各种考量因素后,eBay的后台往往在短短几秒内将商品页面推送给用户。
变革与挑战
通常情况下,获得的信息越多越有利于企业做出明智的决策。但很多时候,数据量过大、数据模型欠缺,会让分析的结果与真实状况大相径庭。就eBay而言,其基于数据分析后“猜错”的情况非常非常多。
据专家测算,数据分析师的50%~80%的时间都花在了处理数据上。即便如此,数据搜集的偏差、误差积累叠加、假关联性、数据外生性等问题,纷纷“污染”着分析运算的结果。
在此基础上,全球数据目前以每两年翻一番的速度递增,2007年时,全球传感器获取的数据就超过了存储总量。大数据的存储成本很高,而要获取一些新数据,就必须丢掉旧数据。这同样不利于数据的分析与研究。
此外,来自各种传感器、文档、网页、数据库的数据,大多是不同的格式。而这些数据要被软件理解和分析,必须被转换为统一格式。
将各类数据进行格式统一,又是一个严峻的挑战。数据和人类语言一样都具有模糊性,有些数据人们知道是什么意思,计算机却不能识别。于是,很多时候,人们不得不一次又一次地重复数据转化的工作。
相比于大数据带来的技术挑战,更大的难题来自于决策的变化。在信息有限、获取成本高昂且没有被数字化的时代,企业内作重大决策的人往往都是组织的最高层,或是外部拥有专业技能和显赫履历的智囊团。时至今日,高管的决策仍然更多地依赖个人经验和直觉,而不是基于数据。但到了大数据时代,数据分析会直接影响组织怎样做决策、谁来做决策,从而减弱个人的共识性。一个明显例子是,在媒体业,《赫芬顿邮报》和Gawker网站上传播的新闻通常取决于数据,而不再取决于编辑和记者的新闻敏感度。数据比有经验的记者更能揭示出哪些是符合大众口味的新闻。
不过,大多数组织都无法轻松地完成这一转变。在9月10日举办的达沃斯论坛上,普华永道发布报告称,调查显示仅有三分之一高管们表示,他们在上一次制定重大决策时采用了数据和分析。虽然有58%的高管们在决策制定上,还是依据直觉、经验、建议以及在企业中的其他经验,但43%的高管们承认,那些拥有高度数据驱动的企业,在过去两年的决策制定获得了很大的提升。所有高管们都表示,未来两年将优先考虑对高质量数据分析的投入,以更好的制定决策。
“应该说,大数据并不会完全取代个体做决策,即便取代,那也有很长的路要走。”马克指出,“但大数据会改变人们做决策的内容和方向,会对管理者的知识结构和分析能力提出更高要求。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21