馬上就要進(jìn)入 2015 年了，你可能已經(jīng)知道人們立馬就會(huì)想到“大數(shù)據(jù)”。怎么會(huì)想不到呢？廠商和記者們一直在不停地說它。你也知道他們是怎么宣傳的，對(duì)吧？大數(shù)據(jù)將給出所有答案，讓公司運(yùn)行得更高效，幫助公司作出基于數(shù)據(jù)的明智決策，進(jìn)而讓公司具備強(qiáng)大的競爭優(yōu)勢(shì)。 

在某些程度上，上面所說的沒錯(cuò)，但和其他過度炒作的技術(shù)一樣，許多公司發(fā)現(xiàn)難以部署大數(shù)據(jù)技術(shù)，而且現(xiàn)實(shí)情況也和炒作表現(xiàn)得截然不同。他們或許找到了收集和處理數(shù)據(jù)的有效方法，但用它來作更好的決策則是另一個(gè)問題了。這些公司發(fā)現(xiàn)，在大數(shù)據(jù)和大數(shù)據(jù)理解之間缺失了關(guān)鍵的一環(huán)，如果不找到方法來解決這個(gè)問題，它們就只能空守一大堆令人困惑的數(shù)據(jù)，卻沒有多少收獲。 

正如一名硅谷資深人士最近告訴我的，盡管從創(chuàng)業(yè)公司活動(dòng)和融資上看，大數(shù)據(jù)收集和處理最近獲得了眾多關(guān)注，但在預(yù)期和結(jié)果之間仍然存在著巨大差距。正如此人所指出的：“大數(shù)據(jù)還未能轉(zhuǎn)化為大知識(shí)、大洞見和大智慧?！卑凑账麄兊念A(yù)測，距離這一情況變成現(xiàn)實(shí)還有一段路要走。 

區(qū)分炒作和現(xiàn)實(shí) 

我們想相信從大數(shù)據(jù)中獲得價(jià)值非常簡單，只需導(dǎo)入數(shù)據(jù)，運(yùn)行程序，就能獲得洞見。但事實(shí)上，從大數(shù)據(jù)中獲得洞見的過程要復(fù)雜得多。《數(shù)據(jù)預(yù)測：大數(shù)據(jù)戰(zhàn)略》(DataDivination: Big Data Strategies) 一書的作者帕姆·貝克 (Pam Baker) 表示，盡管存在數(shù)據(jù)直接給出答案的例子，但這并非常態(tài)。 

她解釋道：“在很多情況中，數(shù)據(jù)可以給出很確定的答案。比如，預(yù)測性分析能精確地預(yù)測某個(gè)飛機(jī)零件或水系統(tǒng)零件報(bào)廢的時(shí)間，也能告知我們更新新零件的具體時(shí)間，以便在舊零件報(bào)廢之前盡可能地利用它?！?/span> 

但她補(bǔ)充道：“也有很多時(shí)候，數(shù)據(jù)沒法給出確定的答案，但你可以從諸多可能的行動(dòng)中選擇一個(gè)，或者選擇不采取任何行動(dòng)。這一切都要取決于你在做的事情?！?/span> 

貝克的看法是對(duì)的，一些數(shù)據(jù)驅(qū)動(dòng)的決策要微妙得多，也需要一點(diǎn)點(diǎn)人性化。人們能通過開發(fā)可靠的指標(biāo)和強(qiáng)大的算法來起到幫助作用。但他們也必須弄清楚如何最大化利用起數(shù)據(jù)所透露出的信息來。這些信息有時(shí)候很直接，但通常并不如此。 

專家鴻溝 

我們也愿意相信，大數(shù)據(jù)會(huì)讓企業(yè)用戶能立刻直接訪問數(shù)據(jù)，以便在這個(gè)過程之中就能作出最好的決策。不幸的是，現(xiàn)在的工具還沒有成熟到這種程度。 

為了幫助解決這一問題，我們需要更多數(shù)據(jù)專家來幫助我們處理數(shù)據(jù)，并從海量信息中發(fā)現(xiàn)答案。投資了大數(shù)據(jù)公司如 Parstream 的 Kholsa Ventures 投資合伙人 基斯? 拉波斯(KeithRabois) 表示，公司需要配備數(shù)據(jù)科學(xué)家來進(jìn)行深度研究，這可不是一般公司能做到的。 

拉波斯稱，你也許想讓數(shù)據(jù)科學(xué)家們來開發(fā)應(yīng)用和算法，從事重大的數(shù)據(jù)科學(xué)項(xiàng)目，但在擁有數(shù)據(jù)科學(xué)家的公司中，他們并不總是有時(shí)間來做這些事，部分原因是他們要花時(shí)間來做不那么深度的研究，而這樣的研究不能充分利用他們的技能。 

拉波斯還說道，在最好的情況下，數(shù)據(jù)科學(xué)家已經(jīng)開發(fā)出了工具，能在各方需要答案時(shí)在組織內(nèi)分發(fā)分析。我們不想要的情況是，當(dāng)我們需要答案時(shí)，就跑去問數(shù)據(jù)專家，然后坐等答案。 

問題是，即便是最聰明的人開發(fā)出最成熟的算法，對(duì)于復(fù)雜問題，這些算法也并不總能給出最確定的答案。算法根本不可能考慮到所有選項(xiàng)，也不能考慮到極難測量到的特定因素。 

給我找個(gè)好的中場手 

棒球就是個(gè)很好的例子，理論上兩個(gè)各方面都相似的棒球選手，各自的比賽表現(xiàn)可能差別很大。數(shù)據(jù)專家們會(huì)告訴你，他們經(jīng)過多年研究開發(fā)的 Sabermetrics 算法將提供挑選選手的所有信息，幫助你找到適合某個(gè)角色的好棒球選手。他們還開發(fā)出了諸如 替換勝率 (WinsAbove Replacement) 的算法，FanGraphs 對(duì)這一算法的描述是：“如果這名選手受傷，其球隊(duì)不得不用次級(jí)棒球聯(lián)賽球員或（表現(xiàn)不佳）的選手來替換，這支球隊(duì)會(huì)丟多少分？”他們使用一系列復(fù)雜的指標(biāo)來衡量更換球員導(dǎo)致的勝率差異。 

無疑，這些成熟的指標(biāo)能更精確地幫助計(jì)算選手的價(jià)值，但它測量不到所有東西，比如在壓力下的表現(xiàn)，練習(xí)的勤奮程度，是哪種隊(duì)長以及與隊(duì)友相處得有多好。這些因素都很重要，也都要難量化得多。 

純統(tǒng)計(jì)測量的信徒會(huì)告訴你，一切皆可測量。大部分情況的確如此，但我很多時(shí)候也看到，理論上各方面都相似的棒球選手，卻未能像前任選手一樣扮演好某一角色，盡管他們的數(shù)據(jù)相似度很高。 

將這一情況應(yīng)用到企業(yè)中，人力資源專家在一個(gè)開放的程序員職位上可能會(huì)碰到類似的問題。申請(qǐng)這份工作的兩個(gè)程序員可能擁有相似的技能，但一個(gè)擁有與人打交道的能力，可以和其他員工很好地進(jìn)行合作，而另一個(gè)人的溝通能力很差。這方面可不會(huì)在簡歷上體現(xiàn)出來。即便擁有大量數(shù)據(jù)，也很難考慮到所有可能的結(jié)果，尤其是涉及到人時(shí)。 

想想醫(yī)療診斷的細(xì)微差別 

好醫(yī)生都會(huì)告訴你，哪怕兩個(gè)病人癥狀相同，也可能要根據(jù)年齡、體重、其他健康問題以及因素來采取不同的治療手段。 

想想在醫(yī)療中使用 IBM Watson 智能分析平臺(tái)的情形。當(dāng)我最近對(duì)一位朋友談起，一些醫(yī)生正使用 Watson 來幫助診斷和作出治療決策，他生氣了。他不想讓一臺(tái)機(jī)器來決定自己的治療手段。這是很正當(dāng)?shù)膿?dān)憂，但在我所說的情況中，Watson 并沒有給出醫(yī)生會(huì)盲從的答案，而是基于已有跡象、病人信息、癥狀及當(dāng)前研究提供一些治療選項(xiàng)。 

正如我指出的，忙碌的醫(yī)生不可能一邊工作一邊跟蹤自身領(lǐng)域的所有研究。因?yàn)橄嚓P(guān)研究太多了（這是好事）。這也是 Watson 發(fā)揮作用的地方。Watson 能夠以比人快得多的速度快速過濾最近的研究，但仍然需要醫(yī)生來理解病人的細(xì)微差別，從而確定治療方向。我將這一過程稱為科學(xué)中的藝術(shù)。知識(shí)只能帶你到這么遠(yuǎn)，最終的決定權(quán)依然在醫(yī)生而不是機(jī)器手中。 

企業(yè)很可能會(huì)面臨類似的不確定結(jié)果，必須有人介入，運(yùn)用自己的知識(shí)，在數(shù)據(jù)的幫助下做出選擇。 

前進(jìn)的方向？ 

有時(shí)候機(jī)器能發(fā)現(xiàn)人需要數(shù)年時(shí)間才能弄懂的答案和洞見。比如，貝克指出，大數(shù)據(jù)幫助我們發(fā)現(xiàn)了有關(guān)癌癥等疾病的答案，涉及的因素從未有人類研究員考慮過?！叭绻髷?shù)據(jù)沒有發(fā)現(xiàn)這一信息，我們或許永遠(yuǎn)也不會(huì)發(fā)現(xiàn)合適的療法（或者至少要過很多年）。我的觀點(diǎn)是，大數(shù)據(jù)可以非常精確”，她對(duì)我表示道。 

而且，她相信機(jī)器學(xué)習(xí)會(huì)在不遠(yuǎn)的將來發(fā)展得足夠成熟，屆時(shí)機(jī)器或許會(huì)為我們作更多決策，因?yàn)槲覀兊拇竽X無法同時(shí)處理所有信息。 

她說的也許沒錯(cuò)，但就現(xiàn)在來說，收集和處理數(shù)據(jù)的能力已經(jīng)走在了理解數(shù)據(jù)含義的前面。正如貝克提到的，預(yù)測性分析一直在提高，有時(shí)候數(shù)據(jù)會(huì)直接指向答案，但這仍然是個(gè)復(fù)雜的人機(jī)互助過程。即便技術(shù)大步向前，人與機(jī)器如何在一起協(xié)作也依然處于探索中。 

除非我們找到平衡點(diǎn)，或者在整個(gè)過程得益于機(jī)器出現(xiàn)大幅進(jìn)展之前，我們都要面臨大智慧鴻溝，這將需要一些時(shí)間和技術(shù)進(jìn)步來填補(bǔ)。