京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在当下数据驱动决策的职场环境中,A/B测试早已成为互联网产品、运营、营销乃至产品迭代优化的核心手段,小到一个按钮的颜色、文 ...
2026-03-24在统计学数据分析中,尤其是分类数据的分析场景里,卡方检验和显著性检验是两个高频出现的概念,很多初学者甚至有一定统计基础的 ...
2026-03-24在CDA(Certified Data Analyst)数据分析师的日常业务分析与统计建模工作中,多组数据差异对比是高频且核心的分析场景。比如验 ...
2026-03-24日常用Excel做数据管理、台账维护、报表整理时,添加备注列是高频操作——用来标注异常、说明业务背景、记录处理进度、补充关键 ...
2026-03-23作为业内主流的自助式数据可视化工具,Tableau凭借拖拽式操作、强大的数据联动能力、灵活的仪表板搭建,成为数据分析师、业务人 ...
2026-03-23在CDA(Certified Data Analyst)数据分析师的日常工作与认证考核中,分类变量的关联分析是高频核心场景。用户性别是否影响商品 ...
2026-03-23在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16