摘要： 大数据已经从高端化、差异化的决策工具，渐渐演化为各企业常规化的决策工具。

越来越多的企业开始重视对大数据的分析与利用。据贝恩咨询公司的一份全球调研报告显示，在其调研的超过400家年营业额高于5亿美元的企业中，有大约60%的企业正积极在大数据方面进行投资，以期获取企业发展的新动力。大数据已经从高端化、差异化的决策工具，渐渐演化为各企业常规化的决策工具。

 

与此同时，人们对于大数据价值的看法也在发生转变。在大数据研究的早期，极端乐观的态度是当时的主流，但近年来，这类观点开始受到反思与质疑。“如果对大数据解读得过度，实际上就是滥用数据”。研究大数据，诚然可以让企业更好地发现数据背后的商机，但是，把大数据运用到商业决策也存在不少局限。

 

以舍恩伯格之见，大数据用于商业决策存在以下三大难点。

 

难点一：只分析相关关系，导致商业决策出现盲区。

 

科研领域的很多统计和分析方法未必适合信息时代的商业领域，舍恩伯格说：“很多人把数据间的相关关系看成是因果关系，这有可能造成对大数据的过度解读。”美国旧金山游戏公司Zynga的兴衰，正是这样一个例证。

 

Zynga公司的联合创始人马克·平卡斯（Mark Pincus）非常笃信大数据的力量。他在公司创立之初就搭建了一套完整的数据分析系统，并组建了以谷歌公司数据分析专家领衔的大数据团队。Zynga公司在数据仓库、A/B测试工具和大数据分析方法上的领先，使其较其他游戏公司而言，可以更快按用户反馈意见调整各类决策和设置。比如，游戏中的草地到底是设为红色还是绿色，Zynga公司管理层不做决策，而是同时设置红绿两套颜色方案，哪一边用户付费程度高，Zynga公司就迅速把草地定调为哪种颜色。这样的优势，也确实让Zynga公司在草创时期获益良多，其最热门的一款游戏《Farm Ville》曾创下月活跃用户8300万的纪录。

 

但时间一长，这套体系的弊端也渐渐浮现。这种完全按当前用户喜好决策的模式，或许能分析游戏何以畅销的相关因素，但无法分析游戏何以畅销的因果因素。这使得Zynga公司的新游戏产品持续产生同质化迭代。公司上下从领导层到各部门员工，关注游戏商业模式创新者日益减少。而在竞争激烈、变化速度极快的游戏行业，失去创新精神就意味着全面落后。随着Supercell公司、King公司等对手不断推出创新型游戏，Zynga公司也在市值蒸发逾100亿美元后，逐渐淡出主流游戏公司阵营。

 

当前，商业环境的多变，令企业在做商业决策时更像是在面临一个充满突变的混沌系统。此时，基于陈旧数据、基于相关关系分析得出的结论，哪怕分析过程中数据量再大、分析方法再繁复，也难保企业不走进决策的盲区。

 

难点二：完整的大数据难以被企业获取。

 

所谓“大数据”，指的是总量的全体数据。但囿于人类在数据采集、存储与处理等方面的种种客观限制，要获得这样的数据往往难度巨大。

 

一方面，完整大数据的采集非常困难。舍恩伯格表示：“大数据应用通常分为三个步骤：第一步是搜集数据，第二步是分析数据，第三步是根据数据分析结果做出决策。其中，对很多公司而言，最难的一点就是搜集数据。”

 

另一方面，随着数据规模变得越来越庞大，企业的大数据存储与处理能力也在不断受到挑战。在传统介质存储数据已愈发不现实的今天，商业数据的存储往往更依赖云储存等方式。这样一来，企业在添置云服务及Hadoop分布计算平台等方面的预算，将是一笔不小支出。另外，由于完整的、结构化的数据难以获取，大数据在很大程度上存在着非结构化的特征。例如，舍恩伯格就在《大数据时代》一书中有写道，“只有5%的数字数据是结构化的且能适用于传统数据库”。可见，企业在采用智能分析、图像识别等一系列先进算法来使大数据结构化时，将面临高额花费。一旦企业的相关投入跟不上，其所获得的大数据就难言完整。

 

并不足够完整的大数据，不仅不能为企业决策提供帮助，反而可能起到误导的作用。在影视行业，就发生过试图利用大数据预测影片票房，结果却与实际票房差距甚远的事例。比如，爱梦娱乐公司就曾利用其大数据建模，为电影《后会无期》推算了影片总票房收入，其推算结果为4.3亿到4.8亿元。而该影片的实际票房则突破了6.2亿元。这样的推算结果，显然难以帮助影业公司在产品宣传、渠道建设等方面进行理性决策。事实上，爱奇艺公司CEO龚宇也曾表示，百度和爱奇艺也有相关的大数据，但因为在这些搜集到的数据中仍有涉及不到的因素，所以这类预测的准确率不算太高。由此可见，只要大数据中仍存在遗漏和偏差，其对企业潜在的误导可能性就不容忽视。

 

难点三：大数据分析领域人才短缺。

 

企业对大数据的运用能力，受制于其人才储备状况。舍恩伯格说，“在大数据领域的研究和发展中，最重要的是人才。”

 

但因为大数据分析兴起的时间并不长，且分析团队往往规模不小，所以，即使是顶尖企业在组建大数据分析部门时也难言轻松。以Facebook公司为例，这家硅谷巨头花了将近四年时间，建立了一个超过30人的团队，才搭建起Facebook自己的数据处理平台。维持这个数据处理平台的常规运行，更是需要超过100名数据分析专家。又比如，LinkedIn公司建立起自己的大数据部门用了整整六年时间。

 

如果这些知名公司，都需要在大数据分析部门的建设上如此费心费力，那么，其他公司在完成此任务时，其难度无疑更甚。麦肯锡咨询公司发布的一份大数据报告就曾预测，到2018年，仅美国在数据科学家方面的人才缺口就会达到14万至19万人。人员构架的短板，则会导致大数据分析领域先进技术难以得到实施。从贝恩咨询公司的那份全球调研报告中可以发现，目前仅有38%的企业，能够使用如NoSQL、HPCC以及自动数据清洗算法等大数据领域的先进分析方法。这些都使得各企业在用大数据帮助企业决策时，其效果需要打上一个不小的问号。

 

缩小决策范围，才能放大大数据的作用

 

在运用大数据来辅助企业决策方面，舍恩伯格认为亚马逊是个典型案例。

 

对于用户在亚马逊网站上的页面停留时间、评论查看情况、各类关键词的搜索、各种商品的浏览量等大数据，亚马逊公司都会做出细致分析。这家在各个业务环节中都无不体现着“数据驱动”的公司，也在2016年《财富》全球500强排行榜中跻身前50强，排名达到第44位。诚如舍恩伯格所言，“那些能够理解大数据、并且懂得让大数据提供价值的公司，将能够有更多的成功可能性。”

 

大数据能让商业决策变得更盲目，还是更理性？舍恩伯格认为关键还是在于，企业是否对大数据的运用范围进行了缩小，为其树立一些边界。

 

即使是非常重视大数据力量的亚马逊公司，其在推出Prime等前瞻性业务时，主要依靠的也不是某些大数据，而是该公司创始人杰夫·贝佐斯（Jeff Bezos）的经营哲学与商业洞见。

 

舍恩伯格说：“大数据是一种资源和工具，它的目的应限定为告知，而不是解释。”把“告知”的任务交给大数据，而把“解释”的权利保留在人的手中，才是让大数据参与企业商业决策的良好方法。大数据的真正魅力，恰恰产生于其变“小”之后。

 

这样，大数据在释放用户信息、改进商业建模、优化决策精细程度等方面的优势，将得到保留。与此同时，管理者也能利用大数据提供的精准量化分析成果，使自己在战略远见与商业洞察方面的优势获得更强有力的支撑。

 

今年3月，谷歌公司旗下的AlphaGo以4:1的总比分战胜世界围棋冠军李世石，引起了巨大轰动。正如舍恩伯格所述，“现代的人工智能，其进行自我深度学习的根基就是大数据”，AlphaGo，正是人类对大数据决策能力的一次良好运用。

 

微缩于19X19格的围棋规则边界后，AlphaGo运用大数据完成了远比人类更高明的决策，给予世人以启示。

 

在舍恩伯格看来，“人类要知晓大数据的力量，同时也要看到大数据的局限”。在未来，一个个有边界限定的“棋盘”，或许才是大数据在商业决策时更好的用武之地。

文章来源： 中国工控网

点击在线报名