
为何大数据比不上好直觉
大数据是一笔大生意。感应器、GPS跟踪、数学建模和人工智能给企业带来了大规模的实时市场洞察力,为监控、定位、衡量员工和顾客开辟了史无前例的新方法。分析公司高德纳(Gartner)预计,采用大数据技术的公司将“在所有可测的财务指标上超过竞争者20%。”
大数据可能是“新的石油”,但我要提醒大家,不要把它当作一个新的信仰来崇拜。身处数据洪流之中,我们不仅失去了对商业的大局观,还失去了部分人性。如果我们认为更好的生活就等同于更好的算法,还能留下多少创新空间?
我不是有数据恐惧症,我担忧的是纯粹依靠数据。我不反对定量的测量方法,但我质疑它们作为商业表现、社会繁荣和生活意义等重要指标的共识性。
大数据有许多好处,不过我们还需要用“大直觉”来完善它。以下是六大理由:
大数据=老大哥?《纽约时报》(New York
Times)的史蒂夫?洛尔把大数据看作美国管理学家泰勒的“科学管理”的传承。泰勒主义的核心是业绩表现,而如今我们开始衡量快乐感和幸福感、消费偏好、社交关系、体育活动、态度、情绪、情感、行为和身体机能——换句话说,我们在评测自己的生活。
当然,某种程度上说,“量化自身”的应用程序能让人们更好地控制自己的决定。然而,如此一来,我们就在自我改善这一想法的驱使下,把曾经私密的领域开放给了商业世界。
大数据不具有社会性。人类是社会动物。研究显示,人与人之间的关系,尤其是友谊与婚姻,是快乐和自我实现的关键因素。我们的大脑有着关心的本能,我们的心脏和思想有着领会同类并与他们产生共鸣的惊人能力。我们能表现出同情,感受到情绪波动,察觉到非语言的细微暗示,容忍或拥抱,接受与拒绝,爱与痛,体会到我们所有的感受,做出不合理的举动,丧失自制力。这些人性的关键特质受到了里昂?维瑟提尔所称的“主观数字化”的威胁。
最近的社会基因研究显示,数字过载不仅降低了我们的生产力,还削弱了我们进化出的与他人交流的能力。
大数据造成小世界。道德感通过共鸣而增强。矛盾的是,在这个高度连接的时代,我们越来越需要面对一个挑战:与想法、价值观、信仰、信念和文化相异的人们交流。数字技术可以根据我们的偏好,为我们定制线上和线下的社交活动,我们越来越沉浸在自己的世界中——正如艾利?帕雷瑟所说的“过滤泡泡”。它通过智能算法,向我们提供熟悉的内容、文化和同伴,同时把这些东西直接砸入我们的舒适地带。我们不“赞”与我们不同的人和事物,陷入了社会和文化上狭隘的恶性循环。
大数据让我们更智能,而不是更有智慧。我们这个数据驱动的世界不仅变得更小,还变得更快。信息的实时传递促使我们不断地立刻做出回应。道格拉斯?洛西科夫打趣阿尔文?托夫勒1970年的着作《未来冲击》(Future
Shock)的书名,将我们现在的状态称为“现时冲击”(Present
Shock),他哀叹,“一切不是发生在当下的事情日益遭到漠视,而一切被认为是发生在当下的事情又让人应接不暇。”
数据可以迅速为我们提供信息,不过要快速做出意义深远的决定,直觉是更好的工具。普拉萨德?凯帕和纳威?拉裘在最近的一本书中力劝商界领袖进行“从智能到智慧”的转变。他们的意见很中肯。拥有智能的公司和领袖依靠持续的反馈成长起来。智能很快,智慧却很慢。拥有智慧的公司和领袖需要时间来实现转变。
大数据(过于)明显。“你只能管理你所测量到的”——真的吗?金融危机已经证明我们对于所测量的事物管理得很失败。失败的兼并、失败的产品发布、信誉危机、社交媒体的灾难,这一切都证明,我们需要更好地管理那些我们无法测量的事物。
正如设计界的思想家罗杰?马丁所言,领袖需要“兼听则明”。评价21世纪的商界领袖,不再看他/她能排除多少不确定性,而要看他/她能忍受多少不确定性。
大数据不敌直觉力。数据也许能预测新问题,也许能找到已知问题的新解决办法,不过只有人类的直觉和巧妙心思才能提出开创性的新想法。这是独一无二的人类天赋——它远远超过解决一个问题,超过满足某个功能需求的层次。
同样的,如果我们量化所有的人际关系,就无法给人类的判断力留下任何回旋余地。因为我们常常把对人们的感觉和他们的行为混合在一起,我们的判断力比二进制数字更加复杂。它意味着我们可以对双重行为有着更细微的评估和反应,我们可以选择将失败视为创新的先决条件。很难想象,如果我们丧失原谅的能力,如何还能朝着任何目标前进。
让我们抵抗冲向数据的欲望,花时间沉住气,必要时再加快步伐。让我们允许自己不时从数据中解脱出来,去思考什么才是真正重要的东西。让我们用数据来讲述自己故事,但不要让数据成为我们唯一的故事。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02