
企业必须避免的三个大数据错误
如果企业改变它对大数据的想法,大数据会改变企业的思路。这听起来有些像禅宗心印 (Zen Koan)。不过,这是获得突破性见解的关键:你的眼光必须超越思想的限制,思考和询问你希望从拥有的数据中得到什么。
尽管如此,许多机构出人意料地没有把这种新的思想应用到自己的大数据计划中,结果导致严重的计划失败。
错误的想法,也就是“大数据的错误”,有三个主要方面。如果不解决这些错误想法,这些错误将直接导致一些欠考虑的计划,不能提供有意义的商业价值。
错误1:从害怕失去机会的角度作出反应。由于害怕失去机会,许多机构仓促地实施大数据基础设施项目,以避免落后。麻省理工学院《史隆管理评论》(MIT Sloan Management Review)发表的一篇调查报告指出,大数据的迅速流行导致一些大型企业的执行委员会向管理人员发出如下指令:“我们不知道大数据是什么,但是,我们最好立即解决大数据的问题。”
这种下意识的反应已经导致出现一些无法实现的计划,如盲目地建造Hadoop(分布式计算)集群,含糊的目标是用12至24个月的时间,没有考虑如何帮助提高收入、节省成本或者提高竞争力的实际应用案例。这种仓促的决定显然会使大数据计划失败。
错误2:把重点主要放在数量方面。本文作者Attivio公司产品营销主管Mike Urbonas的同事Randy McLaughlin最近发现“大数据”这个词汇有许多竞争的定义,这些定义限制了这个词汇的实用性。例如,早些时候的定义让“大”等于“量”。这个定义是不完善的,并且仍然在坚持。许多人仍然错误地认为大数据是Hadoop的同义词。
这是一个问题,因为把重点放在量的方面将导致大错误。这是《哈佛商业评论》最近发表的一篇题为“更大的数据会导致更好的决策吗?”的博客文章提出的警告。这篇文章的作者引述长期的研究结果称,决策者经常为了提升自我或者证明现有的想法而有选择地使用和解释信息。仅仅增加数据量不会对目前常规的企业想法构成挑战。
这也许是许多企业设法利用庞大的数据量,只有少数企业真正取得成功的原因。这个问题的解决方案不是重新制定一个决策过程,而是重新制定一个机构的战略,不是把量作为主要技术重点,而是把管理多样性作为重点!
错误3:没有把重点放在信息的多样性方面。《哈佛商业评论》那篇文章的作者还指出,“大量”实际上过时了;金融服务公司几十年以来一直有大量的数据。目前真正新的东西是信息资源的多样性。这些资源将产生新的商业见识。
这篇文章指出,多样性的商业团队比单一的商业团队更有创造力;多种数据合并在一起会产生同样的好处。因此,我们不能说数量大的数据会导致更好的决策,而是把使用新技术、处理过程和技能的许多点连接起来的多样性的数据会导致更好的决策。通过一个统一信息接入平台,这些点的连接会迅速完成。
设想一下,把相关的和分析交易数据库与客户在社交媒体、网站、电子邮件、即时消息聊天和呼叫中心记录等地方发表的喜欢或不喜欢的意见组合在一起,其结果是一个对客户解决方案的真正的全方位的看法。这个客户解决方案提供新的可执行的见解,在最大限度提升客户服务、忠诚度以及成功的追加销售和交叉销售的同时减少客户流失。这是大数据多样性的业务转型的力量。
重要的是需要指出,越来越多的证据表明,开始获得真正的改变游戏规则的回报的机构认识到,这是通过管理多样化的信息实现的。例如,上述大数据调查报告指出,受访的大企业都谈到管理各种数据和集成多种来源的信息。这是企业使用大数据的重点。这包括使用非结构化数据。
因此,如果你的机构还没有探索把管理多样性数据作为大数据商业价值的主要推动因素和技术重点,你的机构现在要在竞争对手采取行动之前把这个工作摆正优先的位置。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12