《大數據的關鍵思考》：大數據關鍵七問_數據分析師

本文為《大數據的關鍵思考》一書作者車品覺針對臺灣企業(yè)運用大數據時可能遇到的問題，所提出的看法與建議。

　　問：對很多人來說，大數據只是個流行詞，誰會需要大數據？

　　答：任何可以成為流行詞的東西，肯定是社會對它充滿巨大的期望和想像。大數據也不例外。建議企業(yè)在考慮使用大數據之前要從當前的問題著手，然后思考：

　　1.　理解業(yè)務中有沒有一些決策做得不好，使用數據可以解決嗎？

　　2.　在營運的工作流程中，有沒有錯誤可以利用數據快速糾正呢？

　　3.　數據是否有可能幫助提升產品或服務的品質？甚至直接成為創(chuàng)新的元素？

　　以上幾個問題，是希望大家明白大數據的運用和你對業(yè)務是否有深入理解相關。從這個角度去看，數據化營運無孔不入，跟誰都有關系。然而在使用數據之前，企業(yè)還要關注一些基本功，數據平臺的軟、硬體支援、如何做好數據的加工準備(包括新舊數據整合)、提煉數據到解決問題的能力。如是，才有資格談大數據。所以，中小企業(yè)都應該用數據去認知自己哪些做得好或者不好(數據化營運)，數據作為一個工具，可以幫助中小企業(yè)去了解自己，也可以優(yōu)化業(yè)務。但是經營的本質還是取決于創(chuàng)始人的方向與管理，大家不能本末倒置，一昧期待透過大數據就能解決企業(yè)的所有挑戰(zhàn)。

　　問：臺灣的中小企業(yè)可以如何應用大數據？

　　答：大數據的力量來自分享、整合和產品化。例如，Google地圖之所以能告訴你前面的路塞車，其實是有賴于每個使用 Google地圖的位置分享。所以我認為政府的推動，可以讓小企業(yè)減少得到數據的門檻、增加業(yè)界的數據共用，這樣就更有利于讓小企業(yè)也享受到大數據的科技。從產業(yè)鏈來看，小公司聯盟，把數據統一，用數據來解決一些業(yè)內彼此都不能解決的問題。

　　問：臺灣大多是中小企業(yè)，相較于大公司，中小企業(yè)做大數據的方式、思維有何不同？

　　答：不管是中小企業(yè)還是大企業(yè)，在運用任何一種新科技的時候必然要量力而為。而中小企業(yè)和大企業(yè)的區(qū)別，在于中小企業(yè)的資源肯定沒有大企業(yè)那么多，所以，中小企業(yè)不容易像大公司一樣有龐大的數據團隊。因此，中小企業(yè)在運用數據的時候一定要有更穩(wěn)妥的方法，注重使用數據的效益，可以嘗試從小專案著手再逐步拓展。

　　問：在資訊泛濫的環(huán)境，數據愈來愈容易收集，但也代表「噪音」愈多。企業(yè)該如何找到核心數據并成功應用？

　　答：根據過去的經驗，我認為初期不要貿然就開始一個非常大的大數據項目，而應該是要從小處開始。數據比較適合以小、具體、容易評估效果作為起點的專案，以此鍛鏈自己收集、加工、使用數據來做決策，以及衡量這個數據價值的能力，即以小知大。從小的場景開始，用數據在商業(yè)場景中不斷優(yōu)化。

　　問：您曾提到大數據的應用講求跨界和創(chuàng)新，在實踐大數據的過程中，最困難的地方為何？

　　答：大數據應用講求跨界和創(chuàng)新，更準確地說，大數據的價值來自可以從多角度來看同一件事，全景觀察可以減少誤差及創(chuàng)造新的機會。但并不是要求你能夠認知到全部外面的世界，而是能讓其他人的數據為你所用。大數據實踐中最困難的地方在于你對自身的理解，再加上，隔行如隔山，外部整合回來的數據可能很有價值但同時也有很多噪音，大家并不完全清楚數據的來源和定義。

　　問：成為一名杰出的數據部門主管應具備哪些關鍵能力？

　　答：據我的觀察，目前非常缺乏一種數據管理人才：對業(yè)務要有足夠的理解、明白數據能為業(yè)務起什么作用、了解技術更新對價值產生的關系、數據收集到加工、新數據與歷史的整合、使用數據的便利性等等。其中，對業(yè)務和商業(yè)的理解，絕對是成為數據主管所需要的基本條件，但若是想達到杰出的程度，肯定要懂得如何在人才匱乏的大數據行業(yè)中吸引和保留住人才的眼光和能力了。

　　問：如何培養(yǎng)對大數據的敏銳度？

　　答：當在公司遇到業(yè)務問題時，問問自己：現在擁有的數據能幫我解決問題嗎？假定所有數據可以獲取，我需要什么數據來解決問題？要怎么做才能更容易獲取需要的數據呢？舉例來說，我過去看到路上的交通狀況時曾經想過，大城市里的計程車服務會不會有可能改善？我那時想著，如果計程車上有個燈能顯示過去客戶對他的評價，那么司機為了保持住好評價，應該會提供更好的服務水準，這就是數據可能解決的一個簡單例子，下一步才是如何設計一個容易的方法讓顧客去評價，而現在的叫車軟體就是一個很好的實現案例。這是訓練數據敏感度的好方法，也是過去10年我個人一直在用的方法──透過周遭事物訓練數據敏感度，讓數字「說話」。