舍恩伯格:大数据用于商业决策的难点

2016-09-14 11:09 来源:CIO之家
浏览量: 收藏:0 分享

大数据,舍恩伯格,商业决策

  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。

  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。

  2016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。

标签:

责任编辑:admin
在线客服