京公网安备 11010802034615号
经营许可证编号:京B2-20210330
先有想象力,才能活用大数据_数据分析师
大数据来了,每个人都有机会从中淘金,当然,你的工作内容也将出现大地震!
“巨量数据对个人的影响,可能最令人意想不到。在某些特定领域……,原本的专业知识就变得不足挂齿了。”《大数据》作者维克托·迈尔-舍恩伯格(Viktor Mayer-Schonberger)在书中强调。
要在这个新领域成为赢家,比的不是统计能力,“唯有具备想象力,才能找到大数据真正的创新价值。”维克托·迈尔-舍恩伯格表示。
台湾中研院信息科学研究所副研究员陈升玮解释,这一波大数据趋势有两大重点:“数据重用”与“异类数据结合”。也就是说,把看似不相干的数据,放在一起分析、运用的能力,将越来越重要。
而看似无关的数据结合,靠的就是想象力。不过,想象力到底该如何培养?
“想象力没办法坐在那边想就出来,它是需要练习的。”Google台湾董事总经理简立峰接受《商业周刊》专访时解释。
以下是简立峰独家分享,Google聪明人是怎样从生活、工作中锻炼想象力的摘要。
别光“下指令”,用Data做决策 抛去旧框架,用搜集数据讨论问题
谈到大数据时代,企业主管到一般员工最需要具备的能力是什么,我认为,还是相信data(数据),凡事用data做决策:“show me the data!”决策是基于数据,不是人为个人喜好,是数据告诉我该怎么做。
企业主管必须先相信数据,接着建立数据,才可能有“大数据”。老板要打从心里认同“data driven decision making(数据导向决策)”的重要性,当有一天数据推翻老板看法时,他必须接受,抛去过去的框架、成见,鼓励员工搜集数据来讨论问题,而不是凭自己的意见下指令。
别总是“听说”,用Data找答案 在不疑处充满怀疑,想尽办法求证
提到想象力(为何重要),因为大数据主要是用在创新,开创新的商业模式。
如果你想练习想象力,首先,它就是“think out of box(跳出框架思考)”,无处不怀疑,人家不怀疑的地方,你充满怀疑就对了,而且,懂得怀疑的人,会愿意相信数据,因为他要说服自己不容易,所以得找出数据证明。
我跟我家小孩最喜欢玩的东西,就是看到一件事情,马上去求证它,例如,(有网络消息说)火星上看到一个巨人影像,我们就开始求证是真的还是假的,想尽办法开始搜寻。你可以用图找原始图,找出全世界有多少网站有这张影像,最后,我发现,我要找的链接是NASA网站,(结果)上面就写这是一张假的照片……。这种事情如果养成习惯,你才能有怀疑的能力。
别老“坐着想”,用Data找观点 多讨论,在不同意见中找出最好的
想象力没办法坐在那边想就出来,你还要有分析力,能够把一件事情拆成一百个角度去看,你就有机会刺激想象力,但如果你只有十个角度,你就很难有机会有想象力,想象力是要训练的。
几周前,我们有一个跨部门产品经理的会议,他们都是很有创意的年轻人,大家对土耳其市场搜寻流量突然增加那么多,感到很好奇,现场大概有20个人,马上抛出一百个观点,例如,最近的GDP是否成长?上网的渗透率是否成长?是不是有4G在建设……?接下来大家会很快地debate(辩论),把不合理的因素拿掉,筛出来之后,找出一、两个最有机会的,看要怎么去求证,这就是一个组织展现很强的分析能力。
要如何训练分析力,就是增加大家讨论的机会,美式公司开会表达意见的机会多,意见一旦多,你就要学习从不同意见中找出最好的,如果一个组织是上与下的关系,每次都只有一个人说话,这就培养不成了,越是扁平组织架构,越容易促进大家讨论。
最后,大数据很重要的是求证,Google里面很多数据分析师并不是天马行空地想,相反的,他们都是很严谨的人。
但别把大数据讲成统计学和数学,它只是你会不会懂得观察,生活上很多东西就是大数据的判断,我用搜索引擎也跟统计无关,我觉得用“科学家”这个词就把人吓坏了。大数据真正的用意,就是你重视data,找方法把data转换成价值就可以了,至于“大”(指所谓巨量数据),全世界需要处理大量数据的企业没几个,留给专家处理就好。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27在CDA(Certified Data Analyst)数据分析师的能力体系与职场实操中,高维数据处理是高频且核心的痛点——随着业务场景的复杂化 ...
2026-03-27在机器学习建模与数据分析实战中,特征维度爆炸、冗余信息干扰、模型泛化能力差是高频痛点。面对用户画像、企业经营、医疗检测、 ...
2026-03-26在这个数据无处不在的时代,数据分析能力已不再是数据从业者的专属技能,而是成为了职场人、管理者、创业者乃至个人发展的核心竞 ...
2026-03-26在CDA(Certified Data Analyst)数据分析师的能力体系中,线性回归是连接描述性统计与预测性分析的关键桥梁,也是CDA二级认证的 ...
2026-03-26在数据分析、市场研究、用户画像构建、学术研究等场景中,我们常常会遇到多维度、多指标的数据难题:比如调研用户消费行为时,收 ...
2026-03-25在流量红利见顶、获客成本持续攀升的当下,营销正从“广撒网”的经验主义,转向“精耕细作”的数据驱动主义。数据不再是营销的辅 ...
2026-03-25在CDA(Certified Data Analyst)数据分析师的全流程工作中,无论是前期的数据探索、影响因素排查,还是中期的特征筛选、模型搭 ...
2026-03-25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