告知5件大數(shù)據(jù)能不能做的事

引言

“大數(shù)據(jù)讓我們變得更智能，而不是更聰明?！报C Tim Leberecht

“大數(shù)據(jù)”一詞早在20世紀40年代就出現(xiàn)了。全世界的公司都在竭盡全力地探索它的潛力。全球的科技巨頭們都在大幅增加大數(shù)據(jù)技術的支出。這種趨勢在主要行業(yè)的競爭者間還在加劇。

結果，根據(jù)調查公司IDC的預測, 大數(shù)據(jù)技術及服務直到2019年將以每年23%的速度增長.2019年在大數(shù)據(jù)上的支出將達到486億美元。

這就是為啥大數(shù)據(jù)正在被全世界人們接受的原因。

公司從大數(shù)據(jù)身上看到了一線生機，讓他們可以利用任何大小的數(shù)據(jù)。智能手機、GPS、傳感器等在收集數(shù)據(jù)方面都發(fā)揮著作用。每一比特的數(shù)據(jù)都被收集起來然后處理成對我們(客戶)有價值的信息。

在大數(shù)據(jù)不斷給人們帶來效益的時候，人們沒有看到它 “不能” 做的事情， 也讓我感到驚訝。但是我很快意識到，大數(shù)據(jù)不斷的補充我們的商業(yè)直覺卻絕不會成為替代品。

在本文中，我將過去7天的調查呈現(xiàn)給各位。我強烈的好奇心驅使我這樣做。大數(shù)據(jù)對一個公司成功是至關重要的事實讓我無法理解。大數(shù)據(jù)分析能勝任很多事情，但也有很多事情無能為力。

注意：我的想法并無完全，只是給各位提供一個思路。隨便將你的想法留言在評論區(qū)中吧。

“大”數(shù)據(jù)的”小”練習

這個練習將為我們的將來做好準備。我們必須清楚要發(fā)生的事情還在后頭。如果你在閱讀這里，我請你考慮這樣一個問題，你只需要寫出（我已經(jīng)共享了答案）:

比如，如果我使用與大數(shù)據(jù)相關的平臺得出這樣一個邏輯結論，X是不可能的。我將排除與X有關的所有業(yè)務問題，能明白嗎？

以下就是我的一個清單。如果你不同意下列中的觀點，那么請證明一下吧!我會很樂意即使修改我的清單。讓我們用一些商業(yè)直覺和分析的注解來開始解釋我的一些思想。

80:20法則

這個法則說的是

“花80%的時間從過去的數(shù)據(jù)創(chuàng)建故事，20%的時間花在用現(xiàn)在的商業(yè)把這些故事串聯(lián)起來”

說明：我相信沒有跟商業(yè)直覺聯(lián)系起來的分析見解都是沒有用的。同意么？而且,  隨著時間的流逝，以數(shù)據(jù)為驅動的部分在成指數(shù)級增長。 公司正在被數(shù)據(jù)的洪流所淹沒。但這真的有用嗎？不！

公司必須意識到，正確的將成功的商業(yè)分析與需要的商業(yè)視覺的比例是80:20。

如果我們建立一個故事用80%的時間分析過去的信息以求得對未來的預期，我們需要投入20%的時間思考這些信息對我們的業(yè)務有沒有幫助。我們必須想到一些可以改變我們的將來和滿足更廣泛的業(yè)務目標的方法。這需要很強的商業(yè)理解力和良好的業(yè)務規(guī)則的知識。

這條法則中20%的成分是無可替代的。因此，人類的介入是為了解決這20%的問題，機器是不能滿足的。即使是人工智能也不行。因為，人類的創(chuàng)造力是在無拘束的思考中誕生的。我相信創(chuàng)造力是機器無法帶給我們的。我的清單正是受到了這個法則的啟發(fā)。

5件大數(shù)據(jù)可以做到的事情

1.診斷分析 :我們每天都在做這個事情。機器更擅長做這個。當一個事件發(fā)生的時候，我們發(fā)現(xiàn)對尋找起因感興趣。比如，設想在沙漠A掛起了沙暴，我們有沙漠A地區(qū)的各種參數(shù)：溫度，氣壓，駱駝，道路，汽車等等。如果我們能將這些參數(shù)跟該地區(qū)的沙暴聯(lián)系起來，如果我們知道一些因果關系，我們可能就會避免沙暴。想象下大數(shù)據(jù)的威力。

2.預測分析 :我們經(jīng)常做這個事情。預測分析是根植在我們的DNA里的。比如，我們在全球有一個酒店連鎖?，F(xiàn)在我們需要找出那些酒店是沒有達到銷售目標的。如果我們知道的話我們就可以將努力集中在他們身上。這成為了預測分析的經(jīng)典問題。

3.在未知元素間尋找關聯(lián) :我喜歡這部分分析。比方說銷售雇員的數(shù)量跟銷售額真的沒有關系嗎。你可能會減少一些雇員來看看是否真的對銷售額沒有損失。

4.規(guī)范的分析 :這是分析學的未來。比如說我們嘗試著預測一個在大眾目標的恐怖襲擊然后安全的將人們轉移的策略。做出這個預測，你需要做出在那個時候那個地點的游客人數(shù)，可能會被爆炸所影響到的地區(qū)等各種預測。

5.監(jiān)控發(fā)生的事件 :行業(yè)中的大部分人都在做監(jiān)控事件的工作。比如，你需要檢測一個活動的反饋找到強烈和不強烈的部分。這些分析成為運營一個企業(yè)的關鍵

5件大數(shù)據(jù)不可以做到的事情

1.預測一個確定的未來 :使用機器學習的工具我們可以達到90%的精度。但是我們無法達到100%的準確。如果我們可以做到的話，我可以確切的告訴你誰才是目標以及每一次100%的響應率。但可惜的是這絕不會發(fā)生。

2.歸咎于新的數(shù)據(jù)源 :在任何分析上，歸責耗費了大部分時間。我相信這就是你的創(chuàng)造力和商業(yè)理解的來源?？赡艿氖?，你無法擺脫在你的分析中最無聊的部分。

3.找到一個商業(yè)問題的創(chuàng)新的解決方案 :創(chuàng)造力是人類永遠的專利。沒有機器可以找到問題的創(chuàng)新的解決方法。這是因為即使是人工智能也是由人們去編碼的產(chǎn)物，創(chuàng)造力是不會從算法自己學習而來的。

4.找到定義不是很明確的問題的解決方法 :分析學最大的挑戰(zhàn)就是從業(yè)務問題中形成一個分析問題模型。如果你能做得很好，你正在成為一個分析明星。這種角色是機器無法取代你的。比如，你的業(yè)務問題是管理損耗。除非你定義了響應者，時間窗口等，沒有預測算法可以幫你。

5.數(shù)據(jù)管理/簡化新數(shù)據(jù)源的數(shù)據(jù) :隨著數(shù)據(jù)量的增長，數(shù)據(jù)的管理正在成為一個難題。我們正在處理各種不同結構化的數(shù)據(jù)。比如，圖表數(shù)據(jù)可能更適合網(wǎng)絡分析但是對活動數(shù)據(jù)是沒用的。這部分信息也是機器無法分析的。

最后

我相信這篇文章將發(fā)揮它的潛力如果你嘗試了文章中的練習的話。試著從一個更全面的視角中思考，你會發(fā)現(xiàn)機器無法做到的事情。比如，我的初始點80:20法則指出機器將無法帶來創(chuàng)造力。這個啟發(fā)點幫我思考在分析的過程中那些部分是需要創(chuàng)造力的。