你不需要大數(shù)據(jù)，你需要的是正確的數(shù)據(jù)

你需要的并不是大數(shù)據(jù)，而是正確的數(shù)據(jù)。以Uber為例，Uber每天都能收集到海量數(shù)據(jù)，但Uber會分析全部數(shù)據(jù)嗎?不會，它只用那些能讓產(chǎn)品更快連接乘客和司機的關(guān)鍵數(shù)據(jù)。

問三個問題去挖掘你做決策所需要的正確數(shù)據(jù)：

哪些地方在浪費資源(時間、金錢、人力、原料等)?
如何自動化地減少浪費?
針對1與2，需要哪些數(shù)據(jù)?

以下是全文：

大數(shù)據(jù)這個詞已經(jīng)無處不在。無論是大企業(yè)、小企業(yè)、傳統(tǒng)行業(yè)、新興行業(yè)，每一家公司都加入了大數(shù)據(jù)的浪潮，好像有了大數(shù)據(jù)就能解決所有問題。

企業(yè)通過社會、天氣、政府數(shù)據(jù)來預測供應(yīng)鏈中斷。大量的用戶數(shù)據(jù)被各個網(wǎng)站收集利用，一些公司甚至開始利用大量的文本交流數(shù)據(jù)建立算法，從而與客戶進行對話。

但現(xiàn)實的情況是，我們對大數(shù)據(jù)重要性的癡迷，往往會產(chǎn)生誤導。是的，在一些情況下，從數(shù)據(jù)中能獲取有價值的東西，但對于創(chuàng)新者來說，數(shù)據(jù)量和規(guī)模不是關(guān)鍵的因素，找到正確的數(shù)據(jù)才是關(guān)鍵。

關(guān)鍵不在于數(shù)據(jù)的大小

在談到大數(shù)據(jù)作用的時候，我們總是拿Uber來舉例，他們好像是用大數(shù)據(jù)獲得成功的最典型的例子。毫無疑問，Uber從數(shù)據(jù)中獲得了財富。依靠他們的應(yīng)用，Uber從司機和乘客那里獲得了實時的數(shù)據(jù)，讓他們能夠知道何時、何處人們對車輛有著較高的需求。

但Uber的成果并不是依靠他們所采集的大量數(shù)據(jù)，這些大數(shù)據(jù)使公司能夠進入新的市場，但Uber的成功來自非常不同的東西，小的、但是正確的數(shù)據(jù)：車輛調(diào)度數(shù)據(jù)。

在Uber誕生之前，我們打的是傳統(tǒng)的出租車。雖然傳統(tǒng)出租車看上去與互聯(lián)網(wǎng)沒有什么關(guān)系，但是其實它們才是一種依靠大數(shù)據(jù)的東西。原因是，傳統(tǒng)出租車依賴的是“人眼網(wǎng)絡(luò)”：無數(shù)人站在城市中的某一個點，在看到出租車后馬上招手。雖然貌似與信息科技無關(guān)，但是實際上人們在打車的過程中，同樣使用了計算，人腦的計算：我們在大腦中收集并且分析數(shù)據(jù)。

Uber提出了一個更優(yōu)雅的解決方案，人們不再需要自己跑到街上去用眼睛收集數(shù)據(jù)，不用再用大腦去處理數(shù)據(jù)，而是讓Uber為我們提供正確的數(shù)據(jù)來完成打車任務(wù)。城市中誰需要打車?他在哪里?離他最近的車在哪里?需要多長時間能接到乘客?正是憑借這些正確的數(shù)據(jù)，Uber和滴滴才得以成功的在出租車行業(yè)內(nèi)掀起了革命。

Uber的優(yōu)雅解決方案是停止運行可視化數(shù)據(jù)-生物的異常檢測算法，只需要正確的數(shù)據(jù)來完成工作。城市里的人需要搭車，他們在哪里?這些關(guān)鍵信息讓Uber、Lyft、滴滴出行徹底改變了一個行業(yè)。

用正確的數(shù)據(jù)完成工作

有時候正確的數(shù)據(jù)規(guī)模也很大，也有的時候正確的數(shù)據(jù)規(guī)模很小。對于創(chuàng)新者，關(guān)鍵在于哪些關(guān)鍵的數(shù)據(jù)對企業(yè)最有幫助，要找到正確的數(shù)據(jù)，我建議你思考下面三個問題。

問題1：是什么在浪費公司的資源?

大部分汽油都在日常運營中浪費大量的資源。拿鮮花零售業(yè)來舉個例子，大多數(shù)花店中50%的庫存最終都會被浪費掉。正因如此，才產(chǎn)生了UrbanStems和Bouqs這樣的鮮花配送服務(wù)，它們通過正確的數(shù)據(jù)幫助花店減少浪費。

“哪里有浪費，哪里就有機會”。無論你是工業(yè)生產(chǎn)、零售還是法務(wù)調(diào)查公司，搞清楚哪些因素會浪費你的資源，都能夠幫你找到正確的數(shù)據(jù)。

問題2：如何通過自動化來減少浪費?

在確定哪些因素會造成資源浪費之后，下一步就是要減少浪費。人類擅長于做某些類型的決定，比如在品牌營銷方面，這部分應(yīng)該交給人類解決。

但是當涉及到做簡單的重復性經(jīng)營決定的時候(比如把出租車派到每個地方，如何給產(chǎn)品定價，向花店訂多少鮮花)，機器比人更擅長。雖然有許多傳統(tǒng)的人類做決定的商業(yè)模式是可預測的，現(xiàn)在我們能分辨更多的數(shù)據(jù)，來進行自動化。

例如，有傳言稱亞馬遜正打算取消所有的人工定價團隊，讓算法來給大部分商品進行定價。在零售商眼里，這是完全不可思議的行為。但是如果亞馬遜的算法能夠勝任定價工作，它將為亞馬遜減少成本、庫存，以及推出更好的可預測的新產(chǎn)品介紹，這一切將會產(chǎn)生巨大的競爭優(yōu)勢。

問題3：你需要哪些數(shù)據(jù)來完成這一切?

只要你理解了傳統(tǒng)系統(tǒng)當中的浪費，并且知道了浪費造成的后果，最后一步是去問一個簡單的問題。如果你可以有任何數(shù)據(jù)來幫助你做出完美的決定，它會是什么?

在Uber這個例子里，為了完成自動化指派司機工作，從而減少資源的閑置，他們需要知道潛在的乘客可能在城市的哪些位置。另一個例子是通用電氣旗下的產(chǎn)業(yè)互聯(lián)網(wǎng)軟件Predix，公司在機器發(fā)生故障前提前知道，以減少維護工作的成本，以及減少停機時間的浪費。對于尋求降低成本的保險公司，他們想知道一個糖尿病患者血糖下降的時候，以幫助自動化進行圍繞病人的干預措施，減少不善疾病的影響。

這就是你所需要的數(shù)據(jù)，通過處理大量的信息找到他們是很好的，如果你通過建立一個新的應(yīng)用程序來捕獲它們更好。

大部分公司花了太多的時間提倡大數(shù)據(jù)，但是卻幾乎沒有花時間去想清楚哪些數(shù)據(jù)才是正確的有價值的數(shù)據(jù)。