“大數(shù)據(jù)讓我們變得更智能,，而不是更聰明,?！报C Tim Leberecht

　　“大數(shù)據(jù)”一詞早在20世紀40年代就出現(xiàn)了。全世界的公司都在竭盡全力地探索它的潛力,。全球的科技巨頭們都在大幅增加大數(shù)據(jù)技術(shù)的支出,。這種趨勢在主要行業(yè)的競爭者間還在加劇。

　　結(jié)果,，根據(jù)調(diào)查公司IDC的預(yù)測, 大數(shù)據(jù)技術(shù)及服務(wù)直到2019年將以每年23%的速度增長.2019年在大數(shù)據(jù)上的支出將達到486億美元,。

　　這就是為啥大數(shù)據(jù)正在被全世界人們接受的原因,。

　　公司從大數(shù)據(jù)身上看到了一線生機,，讓他們可以利用任何大小的數(shù)據(jù)。智能手機,、GPS,、傳感器等在收集數(shù)據(jù)方面都發(fā)揮著作用。每一比特的數(shù)據(jù)都被收集起來然后處理成對我們(客戶)有價值的信息,。

　　在大數(shù)據(jù)不斷給人們帶來效益的時候,，人們沒有看到它 “不能” 做的事情， 也讓我感到驚訝。但是我很快意識到,，大數(shù)據(jù)不斷的補充我們的商業(yè)直覺卻絕不會成為替代品,。

　　在本文中，我將過去7天的調(diào)查呈現(xiàn)給各位,。我強烈的好奇心驅(qū)使我這樣做,。大數(shù)據(jù)對一個公司成功是至關(guān)重要的事實讓我無法理解。大數(shù)據(jù)能勝任很多事情,，但也有很多事情無能為力,。

　　注意：我的想法并無完全，只是給各位提供一個思路,。隨便將你的想法留言在評論區(qū)中吧,。

　　“大”數(shù)據(jù)的”小”練習

　　這個練習將為我們的將來做好準備。我們必須清楚要發(fā)生的事情還在后頭,。如果你在閱讀這里,，我請你考慮這樣一個問題，你只需要寫出（我已經(jīng)共享了答案）:

　　大數(shù)據(jù)5件可以做和不能做的事

　　比如,，如果我使用與大數(shù)據(jù)相關(guān)的平臺得出這樣一個邏輯結(jié)論,，X是不可能的。我將排除與X有關(guān)的所有業(yè)務(wù)問題,，能明白嗎,？

　　以下就是我的一個清單。如果你不同意下列中的觀點,，那么請證明一下吧!我會很樂意即使修改我的清單,。讓我們用一些商業(yè)直覺和分析的注解來開始解釋我的一些思想。

　　80:20法則

　　這個法則說的是

　　“花80%的時間從過去的數(shù)據(jù)創(chuàng)建故事,，20%的時間花在用現(xiàn)在的商業(yè)把這些故事串聯(lián)起來”

　　說明：我相信沒有跟商業(yè)直覺聯(lián)系起來的分析見解都是沒有用的,。同意么？而且, 隨著時間的流逝,，以數(shù)據(jù)為驅(qū)動的部分在成指數(shù)級增長,。 公司正在被數(shù)據(jù)的洪流所淹沒。但這真的有用嗎,？不,！

　　公司必須意識到，正確的將成功的商業(yè)分析與需要的商業(yè)視覺的比例是80:20,。

　　如果我們建立一個故事用80%的時間分析過去的信息以求得對未來的預(yù)期,，我們需要投入20%的時間思考這些信息對我們的業(yè)務(wù)有沒有幫助。我們必須想到一些可以改變我們的將來和滿足更廣泛的業(yè)務(wù)目標的方法,。這需要很強的商業(yè)理解力和良好的業(yè)務(wù)規(guī)則的知識,。

　　這條法則中20%的成分是無可替代的,。因此，人類的介入是為了解決這20%的問題,，機器是不能滿足的,。即使是人工智能也不行。因為,，人類的創(chuàng)造力是在無拘束的思考中誕生的,。我相信創(chuàng)造力是機器無法帶給我們的。我的清單正是受到了這個法則的啟發(fā),。

　　1.診斷分析 :我們每天都在做這個事情,。機器更擅長做這個。當一個事件發(fā)生的時候,，我們發(fā)現(xiàn)對尋找起因感興趣,。比如，設(shè)想在沙漠A掛起了沙暴,，我們有沙漠A地區(qū)的各種參數(shù)：溫度,，氣壓，駱駝,，道路,，汽車等等。如果我們能將這些參數(shù)跟該地區(qū)的沙暴聯(lián)系起來,，如果我們知道一些因果關(guān)系,，我們可能就會避免沙暴。想象下大數(shù)據(jù)的威力,。

　　2.預(yù)測分析 :我們經(jīng)常做這個事情,。預(yù)測分析是根植在我們的DNA里的。比如,，我們在全球有一個酒店連鎖?，F(xiàn)在我們需要找出那些酒店是沒有達到銷售目標的。如果我們知道的話我們就可以將努力集中在他們身上,。這成為了預(yù)測分析的經(jīng)典問題,。

　　3.在未知元素間尋找關(guān)聯(lián) :我喜歡這部分分析。比方說銷售雇員的數(shù)量跟銷售額真的沒有關(guān)系嗎,。你可能會減少一些雇員來看看是否真的對銷售額沒有損失,。

　　4.規(guī)范的分析 :這是分析學的未來。比如說我們嘗試著預(yù)測一個在大眾目標的恐怖襲擊然后安全的將人們轉(zhuǎn)移的策略,。做出這個預(yù)測,，你需要做出在那個時候那個地點的游客人數(shù),，可能會被爆炸所影響到的地區(qū)等各種預(yù)測,。

　　5.監(jiān)控發(fā)生的事件 :行業(yè)中的大部分人都在做監(jiān)控事件的工作。比如，你需要檢測一個活動的反饋找到強烈和不強烈的部分,。這些分析成為運營一個企業(yè)的關(guān)鍵

　　1.預(yù)測一個確定的未來 :使用機器學習的工具我們可以達到90%的精度,。但是我們無法達到100%的準確。如果我們可以做到的話,，我可以確切的告訴你誰才是目標以及每一次100%的響應(yīng)率,。但可惜的是這絕不會發(fā)生。

　　2.歸咎于新的數(shù)據(jù)源 :在任何分析上,，歸責耗費了大部分時間,。我相信這就是你的創(chuàng)造力和商業(yè)理解的來源?？赡艿氖?，你無法擺脫在你的分析中最無聊的部分。

　　3.找到一個商業(yè)問題的創(chuàng)新的解決方案 :創(chuàng)造力是人類永遠的專利,。沒有機器可以找到問題的創(chuàng)新的解決方法,。這是因為即使是人工智能也是由人們?nèi)ゾ幋a的產(chǎn)物，創(chuàng)造力是不會從算法自己學習而來的,。

　　4.找到定義不是很明確的問題的解決方法 :分析學最大的挑戰(zhàn)就是從業(yè)務(wù)問題中形成一個分析問題模型,。如果你能做得很好，你正在成為一個分析明星,。這種角色是機器無法取代你的,。比如，你的業(yè)務(wù)問題是管理損耗,。除非你定義了響應(yīng)者,，時間窗口等，沒有預(yù)測算法可以幫你,。

　　5.數(shù)據(jù)管理/簡化新數(shù)據(jù)源的數(shù)據(jù) :隨著數(shù)據(jù)量的增長,，數(shù)據(jù)的管理正在成為一個難題。我們正在處理各種不同結(jié)構(gòu)化的數(shù)據(jù),。比如,，圖表數(shù)據(jù)可能更適合網(wǎng)絡(luò)分析但是對活動數(shù)據(jù)是沒用的。這部分信息也是機器無法分析的,。

　　最后

　　我相信這篇文章將發(fā)揮它的潛力如果你嘗試了文章中的練習的話,。試著從一個更全面的視角中思考，你會發(fā)現(xiàn)機器無法做到的事情,。比如,，我的初始點80:20法則指出機器將無法帶來創(chuàng)造力。這個啟發(fā)點幫我思考在分析的過程中那些部分是需要創(chuàng)造力的,。