一本读透影响时代的七大技术(《哈佛商业评论》增刊)(txt+pdf+epub+mobi电子书下载)

作者：哈佛商业评论

出版社：浙江出版集团数字传媒有限公司

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

一本读透影响时代的七大技术(《哈佛商业评论》增刊)试读：

这些新技术如何影响行业，企业发展，管理者如何应对新技术带来的挑战。我们梳理了发表在《哈佛商业评论》上有关新技术的文章，一次读懂辨清方向。一.大数据：一场管理革命

数据驱动下的决策更高明——就这么简单。运用大数据让高管们在证据的基础上做决策，而不是依赖自己的直觉。因此，这其中酝酿着一场管理革命。这对公司管理的挑战非常严峻。资深决策者们必须拥抱数据做决策。企业必须招募数据科学家，他们能在数据中建立模型，并将其转化为有价值的商业信息。同时，整个企业都需要重新定义对“判断”的理解。二.物联网时代企业竞争战略

信息技术为所有产品带来革命性巨变。原先单纯由机械和电子部件组成的产品，现在已进化为各种复杂的系统。硬件、传感器、数据储存装置、微处理器和软件，它们以多种多样的方式组成新产品。借助计算能力和装置迷你化技术的重大突破，这些“智能互联产品”将开启一个企业竞争的新时代。三.机器人来袭

计算机开始无情地侵占知识型工作领域，人类就业前景黯淡。但如能将机器与人的关系定义为相互支撑的增益关系，情况则大相径庭。本文为人类提高就业能力开出了5剂药方：主动升级、另辟蹊径、介入干预、专精于业以及顺势前行。研发下一代智能机器，可为新机器寻求与人类能力相互增益的新方案。四.区块链真相

我们能够想象到，如果区块链得到普及，未来合同将嵌入数字编码并保存到透明、共享的数据库中，可防止数据被删除、篡改和修订。到那时，每份协议、每个流程、每项任务和每次付款，都会有一份可识别、验证、保存和分享的数字记录和签名。律师、代理人和银行家等中间人可能就不是必要的交易参与者了。个人、组织、机器和算法彼此之间的交易和互动将顺畅无阻。这就是区块链的巨大潜力。五.无人机来袭

无人驾驶交通工具正展现颠覆性力量。本文将带你了解无人机经济，以及你在其中的位置。六.认知人工智能

AI最突出的两大应用领域是感知和认知，但AI也存在局限，比如只能回答问题，不能提问题，还可能抱有隐性偏见等风险。七.管理者的AR指南

在未来几年，AR将改变我们学习、决策和与物理世界进行互动的方式。客户服务、员工培训、产品设计制造、供应管理,甚至企业的竞争方式都将因AR发生巨变。因此，企业战略须更新换代。大数据：一场管理革命安德鲁·麦卡菲（Andrew McAfee）埃里克·布林约尔松（Erik Brynjolfsson） | 文程明霞 | 译挖掘全新的海量信息流将为公司业绩带来革命性的提升，前提是：你要改变制定决策的文化“不测量，无管理”

管理大师戴明（W. Edwards Deming）与德鲁克（Peter Drucker）在诸多思想上都持对立观点，但“不会量化就无法管理”的理念却是两人智慧的共识。这一共识足以解释近年来的数字大爆炸为何无比重要。简而言之，有了大数据，管理者可以将一切量化，从而对公司业务尽在掌握，进而提升决策质量和业绩表现。

看看零售业吧。实体店的书商们也能追踪图书销路，哪些卖掉了哪些还没有。如果他们设计了“客户忠诚计划”，还能将某些图书的销售与消费者个人联系起来。但仅此而已。而一旦购物行为移至线上，店主们对顾客的了解会相当惊人：卖家不仅能追踪顾客买了什么产品，还知道他们查看了其他哪些产品，他们如何浏览网站，他们在多大程度上被促销活动、其他买家对产品的评论与页面布局所影响；卖家还可以交叉对比个体消费者之间与群体消费者之间的相似性等等。在此之前，卖家已经开发了一套运算方法，推测哪些书目是哪些用户乐意阅读的—每当用户忽略一个图书推荐，这种算法就会更优化一步。传统零售商是没法轻而易举获得这些信息的，他们的销售行为既孤立又盲目。所以，亚马逊把那么多实体店踢出局一点也不意外。

关于亚马逊那些耳熟能详的故事遮蔽了它的真正实力—这些先天带有数字基因的公司所能做到的事，是上一代商业领袖梦寐以求的。但实际上，大数据的潜力也可以帮助传统企业实现转型，甚至帮它们获得更好的机会提升其竞争优势（线上企业一直都知道其核心竞争力来自于对数据的理解力）。我们随后的讨论会有更多细节证明，这场大数据的革命远比之前的“数据分析”要强大得多。企业因此可以做精准地量化和管理，可以做更可靠的预测和更明智的决策，可以在行动时更有目标更有效率；而且这些都可以在一直以来由直觉而不是数据和理性主宰的领域实现。

随着大数据之工具与理念的不断传播，许多深入人心的观点将被撼动，比如经验的价值、专业性与管理实践。各个行业的商业领袖都会看清运用大数据究竟意味着什么：一场管理革命。

但是，伴随商业世界其他一些深刻的变革，公司向“大数据驱动”转型必将遭遇巨大的挑战，它需要公司领导层拥有一手的数字化能力（或者，在其他一些情况下，需要的可能是会放手的领导）。有什么新鲜的？

企业高管们有时会问：“‘大数据’不就是‘数据分析’的另一种说法吗？”

二者确实相关：和之前的“数据分析”一样，大数据运动也力图从数据中收集智慧，并将其转化为企业的优势。但二者有三个显著差别：

规模性 仅就2012年而论，每天大约产生2.5艾字节（exabytes）的数据，而且这个数据量每40个月就翻一倍。现在互联网每秒钟产生的数据量，比20年前整个互联网储存的数据还要多。企业因此需要处理单个数据集就包含大量拍字节（petabytes）的信息，而且这些信息还不仅来自互联网。比如，沃尔玛每小时从其顾客交易中获得的数据量超过2.5拍字节—1个拍字节就是1000的5次方的字节，等同于2000万个文件柜所包含的文档信息。1个艾字节是这个量级的1000倍，也就是10亿的吉字节（一个吉字节等于千兆字节，即1GB=1000MB）。

高速性 对于很多应用程序来说，数据生成的速度比数据规模更重要。实时或者近乎实时的信息，能让一家公司比竞争对手更为灵活敏锐。举个例子，我的同事—麻省理工学院媒体实验室的阿莱士·朋特兰德（Alex “Sandy”Pentland）和他的团队曾经使用来自手机的位置数据推测，“黑色星期五”那一天有多少人在梅西百货公司（Macy's）的停车场停车。“黑色星期五”是美国圣诞节购物季的开始，阿莱士团队使用的数据让他们提前推算出这关键一天的销售量—远早于梅西百货自己统计出的销售记录。无论是华尔街的分析师或者传统产业的高管，都会因这种敏锐的洞察力获得极大的竞争优势。

多样性 大数据形式多样，社交网站上发布的信息、更新、图片；传感器上显示的内容；手机上的GPS信号等等。大数据几种最主要的来源大都是全新的，比如来自社交媒体的海量信息，都跟那些社交网站本身一样新：Facebook上线于2004年，Twitter于2006年。同样的例子是智能手机和其他移动设备，它们提供了基于人、活动与地点的海量数据流。由于这些手机装置如今无处不在，人们几乎想不起iPhone发布才五年时间，iPad不过两年。然而，公司数据库虽然存储着海量信息，却直到最近还难以加工处理大数据。与此同时，用来计算数据的所有相关设备—存储器、内存、处理器、宽带等等的成本在持续降低，这意味着，从前昂贵的数据密集型处理手段正迅速地变得经济实惠。

越来越多的商业行为正在数字化，加之全新的信息源与更便宜的设备，我们将被这一切带入一个新纪元：一个海量数据在商业世界无孔不入的时代。手机、网上购物、社交网络、电子通讯设备、卫星定位系统，以及在这些设备上做最普通的操作时附带生成的井喷般的数据量。我们每个人都是一个随时随地的数字生成器。这些闲置的数据大都是非结构化的，没有被整理过—胡乱丢弃在数据库中无法使用。但是，在这些杂乱无章的混乱中埋藏着大量的信号，孤单地等待被解读。曾经的“数据分析”将严谨的技术引入了决策制定，而“大数据”让这种严谨决策变得更加简单而强大。正如谷歌研究主管彼得·诺尔维格（Peter Norvig）所说的那样：“我们并没有更好的算法，我们只是有更多的数据。”数据决定业绩

怀疑论者的第二个疑问是：“有何证据显示，明智地运用大数据能提升公司业绩？”商业媒体上充斥着各种轶事案例，似乎在证明大数据驱动带来的价值。但我们最近发现的事实是，根本没人真正拿出严谨有力的证据。为了弥合这种尴尬的缺失，我们在麻省理工学院的数字商业中心（MIT Center for Digital Business）组织了一个团队，与麦肯锡的商业技术部、沃顿商学院的同事洛林·希特（Lorin Hitt）以及麻省理工学院的博士生西克扬·金（Heekyung Kim）一起合作，考察大数据驱动的公司是否业绩更佳。我们对北美330家上市公司的高管进行了结构性访谈（structured interview，这是一种对访谈过程高度控制的访问。访问的过程高度标准化，即对所有被访者提出的问题，提问的次序和方式，以及对被访者回答的记录方式等是完全统一的。—译者注），调研其组织与技术管理实践，然后从年报和其他一些独立信息源那里收集它们的业绩数据。

很显然，不是每家公司都喜欢数据驱动型的决策制定过程。事实上，我们发现，各行各业对大数据的态度和应用方法五花八门。但是，透过所有的分析，我们发现一种显著的关联性：越是那些自定义为数据驱动型的公司，越会客观地衡量公司的财务与运营结果。尤其是，运用大数据做决策的那些行业前三名企业，比其竞争对手在产能上高5%，利润上高6%。如果把劳动力、资金、购买服务和投资传统技术的投入都纳入计算，这些企业的表现依然卓越。它不仅有统计学上的显著性和经济上的重要性，而且也反映在其股票估价的增值上。

那么，高管们是如何运用大数据的呢？让我们深入硅谷的两家新贵企业去一探究竟吧：一家用大数据开创了新业务；另一家用大数据促进了销售。航班更准

航空业分秒必争。尤其是航班抵达的准确时间：如果一班飞机提前到达，地勤人员还没准备好，乘客和乘务员就会被困在飞机上白白耽搁时间；如果一班飞机延误，地勤人员就只能坐着干等，白白消耗成本。当美国一家大航空公司从其内部报告中发现，大约10%的航班的实际到达时间与预计到达时间相差10分钟以上，30%的航班相差5分钟以上的时候，这家公司决定采取措施了。

其时，这家公司依照航空业的惯例—由飞行员提供航班的预计抵达时间（即ETAs）。飞行员总是在临近机场的那段时间内预测何时到港，而这个过程中还有其他很多事情占用他们的时间和注意力，干扰其判断。为了寻求更好的解决方案，这家航空公司找到了PASSUR Aerospace，这是一家专为航空业提供决策支持的技术公司，它从2001年开始提供一项名为RightETA的服务（意为：准确预测航班时间），通过搜集天气、航班日程表等公开数据，结合自己独立收集的其他影响航班因素的非公开数据—比如通过自建的无源雷达站收集某区域领空内的飞机数据—综合预测航班到港时间。

PASSUR公司最初只有几处无源雷达接收站，但是时至2012年，它们已经拥有超过155处这样的接收站。每4.6秒它就收集一次雷达眼看到的每架飞机的一系列信息，这会持续地带来海量数据。不仅如此，公司将长期以来收集的数据都保存着，这样它就拥有了一个超过十年的巨大的多维信息载体，为透彻的分析和恰当的数据模型提供了可能。RightETA的核心工作就是回答两个问题：“一架飞机在抵达机场之前都发生了什么？它究竟几点着陆的？”

使用RightETA服务后，这家航空公司大大缩短了预测和实际抵达之间的时间差。PASSUR公司相信，航空公司依据它们提供的航班到达时间做计划，能为每个机场每年节省数百万美元。这是一个相当简单的公式：大数据带来更准的预测，更准的预测带来更佳的决策。推销更快、更个性

几年以前，美国零售业巨头之一—西尔斯控股公司（Sears Holdings）决定收集其专售的三个品牌—Sears、Craftsman、Lands’ End的顾客、产品以及销售数据，从这些海量信息中挖掘价值。显而易见，如果能集合并运用这些数据定制推销方案给消费者，并将地区差别加以利用的话，将给公司带来巨大价值。价值巨大，困难也巨大：西尔斯公司需要八周时间才能制定出个性化的销售方案，但往往做出来的时候，它已不再是最佳方案了。之所以如此，主要在于这些数据需要超大规模的分析，它们分散在不同品牌的数据库与数据仓库中，不仅数量庞大而且支离破碎。

西尔斯集团开始使用群集（cluster）收集来自不同品牌的数据，并在群集上直接分析数据，而不是像以前那样先存入数据仓库，避免了浪费时间先把来自各处的数据合并之后再做分析。这种调整让公司的推销方案更快、更精准。

据西尔斯公司的首席技术官菲里·谢利（Phil Shelley）说，他们制定一系列复杂推销方案的时间从8周缩短到1周，甚至还会更短。而且这些销售方案质量更高，因为它们更及时、更细致、更个性化。西尔斯使用的Hadoop群集能收集和处理好几个拍字节的数据，成本却只是普通数据库的一小部分。

谢利说，他惊讶于公司能如此轻松地实现这个转型—从传统方式升级为数字管理与高效分析。西尔斯在2010年开始这一转型的时候，数据管理的技术与知识还很少，因此与一家叫做Cloudera的公司签订了合同。但是很快，公司IT部的保守派和分析专家们就对新工具和新流程得心应手了。

PASSUR公司和西尔斯控股的例子展示了大数据的威力—它带来更准确的预测、更高明的决策、更恰当的操作，而且让这些事情达到一个无边的规模。当大数据应用于供应链管理的时候，它让我们了解为什么一家汽车制造商的故障率突然飙升；在客服方面，它可以持续详细调查和处理几百万人的医保状况；它还可以基于产品特性的数据集，为在线销售作出更好的预测和规划，等等。大数据在其他行业的应用也同样成效显著，无论金融业、旅游博彩业还是机械维修；在市场推广、人力资源管理方面也有极大的功用。

我们的数据分析显示，上述所见绝不是星星点点的个案，而是一次根本性的经济转型。我们确信，大数据运用带来的这一转型已经触及了商业活动的方方面面，没有谁能置身其外。决策文化变革

大数据的技术挑战显而易见。但其带来的管理挑战更为艰巨—这要从高管团队的角色转变开始。

高价智囊请闭嘴 大数据最至关重要的方面，就是它会直接影响企业怎样做决策、谁来做决策。在信息有限、获取成本高昂、且没有被数字化的时代，让身居高位的人做决策是情有可原的。因为他们拥有多年累积的经验，并将观察到的商业模式和组织内部关系内化到了自己的思维与行为中。我们可以给这种决策者和决策过程贴个标签：直觉主义。这些人描绘的未来蓝图—会发生什么事情、事情该怎样解决、因此该如何做规划等—全部基于他们的个人观点。（请参见本期文章《你的成功可以测量》。）

尤其那些做重大决策的人，都是组织内典型的位高权重的人，要不然就是高价请来的拥有专业技能和显赫履历的外部智囊。大数据领域的人认为很多公司仍然维持着这种方式—依赖“HiPPO”做决策。所谓HiPPO，就是那些高薪人士的观点（the highest-paid person's opinion）。

的确有一些资深高管忠实于数据，一旦数据否定了他们的直觉，他们会抛弃个人观点。但是我们相信，在今天的整个商业世界中，人们仍然更多依赖个人经验和直觉做决策，而不是基于数据。我们在研究中设计了一个“五点复合标尺”，用来测量一家企业究竟在多大程度上是数据驱动型的。32%的回应者认为他们的公司只具备其中的一两点或两三点。

让数据做主 有志于引领企业实现大数据转型的高管们，可以从两个最简单的技巧开始。首先，要养成习惯问：“数据怎么说？”每当遇到重大决策的时候，要紧跟着这个问题进一步问：“这些数据从哪儿来的？”“这些数据能得出什么分析？”“我们对结果有多大信心？”（员工能从高管的这种行为中迅速接收到信息。）其次，他们要允许数据做主；当员工看到一位资深高管听任数据推翻了他的直觉判断—这将是改变一家公司决策文化的最大力量。

在确认哪些问题需要解决的阶段，毫无疑问，专业技能仍然至关重要。传统领域的专家，因为对所在行业的深刻理解，可以清楚地识别机遇与挑战。比如PASSUR公司一直极力从全美主要的航空公司挖人，越多越好。因为拥有丰富的航空业运营知识，在PASSUR寻找下一个市场机会的时候，这些人的价值不可估量。

随着大数据运动的推进，这些传统领域的专家也会转变角色。他们的价值不在于提供类似那些高薪人士的“直觉主义”的答案，而在于他们善于发现真问题。“电脑有什么用呢？它们只知道给答案。”当天才画家毕加索这么说的时候，他一定很怀念那些传统领域的专家。五大管理挑战

大数据转型并不是万能的，除非企业能成功应对转型过程中的管理挑战。以下五个方面在这一过程中尤为重要。

领导力 那些在大数据时代获得成功的企业，并不是简单地拥有更多或者更好的数据，而是因为他们的领导层懂得设计清晰的目标，知道自己定义的成功究竟是什么，并且找对了问题。大数据的力量并不会抹杀对远见与人性化洞察的需求。相反，我们仍然需要这种领导者—他们能抓住某个绝好的机会、懂得如何开拓市场、用自己的创意提供那些相当新奇的产品和服务，并且巧舌如簧地勾勒出一幅激动人心的前景，说服下属们激情澎湃地为此拼命工作，最终成功赢得顾客。未来十年获得成功的企业，其领导者必然具备以上特质，与此同时推进了公司决策机制的转型。

人才 随着数据越来越廉价，实现大数据应用的相关技术和人才也变得越来越昂贵。其中最紧迫的就是对数据科学家和相关专业人士的需求，因为需要他们处理海量的信息。统计学很重要，但是传统的统计学课程几乎不传授如何运用大数据的技能。尤其需要的能力是将海量数据集清理并系统化，因为各种类型的数据很少是以规整的形态出现的。视觉化工具和技术的价值也将因此突显。随着数据科学家的涌现，新一代的电脑工程师必须能够处理海量数据集。而设计数据试验的技能，则会非常有助于弥补数据呈现的复杂关系与因果之间的鸿沟。除此之外，那些最优秀的数据科学家还需要掌握商业语言，帮助高管把公司面临的挑战变为大数据可以解决的形式。毫无疑问，这类人才炙手可热，很难找到。

技术 处理海量、高速率、多样化的大数据工具，近年来获得了长足的改进。整体而言，这些技术已经不再贵得离谱，而且大部分软件都是开源的。Hadoop，这个目前最通用的平台，就整合了实体硬件和开源软件。它接收涌入的数据流并将其分配至很便宜的存储盘，同时它也提供分析数据的工具。尽管如此，这些技术需要的一整套技能对大部分企业的IT部门来说都是全新的，他们需要努力将公司内外所有相关的数据都整合起来。只有技术远远不够，但技术是整个大数据战略中不可或缺的部分。

决策 一家高效的公司通常把信息和相关的决策权统一在一起。而在大数据时代，信息的产生与流通，以及所需人才都不再是以往那样了。精明的领导者会创造一种更灵活的组织形式，尽量避免“自主研发综合症”，同时强化跨部门合作：收集信息的人要提供正确的数据给分析数据和理解问题的人，同时，他们要和掌握相关技术、能够有效解决问题的人并肩工作。

文化 大数据驱动的公司要问自己的第一个问题，不是“我们怎么想？”而应该是“我们知道什么？”这要求企业不能再跟着感觉走。很多企业还必须改掉一个坏习惯：名不副实的大数据驱动。我们发现很多这样的企业，最常见的表现是，高管们明明还是按传统方式做决定—以HiPPO，那些高薪人士的意见为主，却拿出一份香艳的数据报告支撑自己的决定是多么英明。其实那不过是分配下属四处寻找的专为这个决定做辩护的一堆数字。

毫无疑问，成功的路上荆棘密布。数据科学家不够多；技术不只新，甚至新奇；把各种关联当作因果关系，由数据得到误导性的模式；文化转型的挑战更是艰巨，比如，对隐私的关切已经越来越突出。但是，大数据在技术和商业领域的卓越表现势不可挡。

证据一目了然：大数据驱动下的决策更高明。高管们要么拥抱这一现实，要么卷铺盖走人。在各个领域中，企业只有找到将数据科学与传统技能完美结合的方式，才能打败对手。我们不能说，所有的赢家都会将大数据用于其决策制定。但数据告诉我们，这样确实胜算最大。安德鲁·麦卡菲是麻省理工学院数字商业中心的首席科学家，著有《企业2.0》（Enterprise 2.0）一书，哈佛商学院出版社2009年出版。埃里克·布林约尔松是麻省理工学院斯隆商学院“许塞尔家族”教授兼数字商业中心院长。他们合作了《对抗机器的竞赛》（Race Against the Machine）一书，Digital Rrontier出版社2012年出版。数据科学家：21世纪“最性感的职业”托马斯·达文波特 (Thomas H.Davenport） D.J. 帕蒂尔（D.J.Patil） | 文熊静如 | 译06年6月，乔纳森·高德曼（Jonathan Goldman）进入商务社20交网站LinkedIn工作。那时的LinkedIn还像是一家初创企业，只有不到800万个用户。随着这些用户不断邀请朋友同事加入，网站的用户数量开始迅速增长。但是，用户在已注册者中寻找联系人的比例却没有达到管理者们的预期。显然，这种社交体验不够完整。正如LinkedIn的一位经理所言，“这种情况就如同你到达会议接待处，发现自己谁都不认识，只能呷着饮料呆在角落—你很可能会提前离场。”

高德曼作为斯坦福大学物理学博士，醉心于无处不在的链接和丰富的用户资料。虽然这两者通常只能形成混乱的数据和浅显的分析，但当他着手挖掘人际联系时，却从中发现了“新大陆”。他开始构建理论、检验预设，并研究出了模型。通过这些模型，他可以预测出某账号所归属的人际网络。高德曼觉得，在探索基础之上形成的新功能也许能为用户提供价值。但LinkedIn的工程师团队，一心只想扩大网站规模，对高德曼的想法无动于衷。当时一些同事甚至公然对高德曼的想法嗤之以鼻—网站已经有地址簿输入端，可以将用户所有的联系人导入进来。为什么还要LinkedIn为用户找出他们的人际网络？

幸运的是，LinkedIn的联合创始人兼时任CEO雷德·霍夫曼（现执行总裁），在贝宝（PayPal）的工作经验让他对分析学的威力深信不疑，因此，他给了高德曼高度的自主权。首先，他给予高德曼一个不同于传统产品发布套路的新方式—在网站黄金页面以广告的形式挂出小型加载模块。

通过该模块，高德曼开始测试—如果将人们可能认识（例如那些同时期在同一学校或工作场所的人）但尚未彼此联系的人名推荐给他们，将会发生什么？测试采取的方式是，以用户在LinkedIn的个人资料为基础，用商业广告的形式为每个用户推荐三名最匹配的新联系人。短短几天之内，该测试就显示出非凡成效。这些广告创造了前所未有的高点击率。高德曼继续改良推荐联系人的生成方式，提炼出合并社交网络的理念，比如，“三角形闭合”—如果你认识拉里和苏，那么拉里和苏很有可能彼此相识。高德曼和他的团队还把回复推荐广告的动作简化为一次点击。

LinkedIn的高管们没过多久便意识到这是一个好点子，并将之固化为标准功能。此时，新功能开始大放异彩。与其他旨在促进用户多浏览网站页面的促销手段相比，“你可能认识的人”（People You May Know）—这一广告的点击率高出30%，创造了以百万计的新页面浏览量。得益于这一功能，LinkedIn的增长曲线急剧攀升。一项新职业

高德曼代表着组织中新的关键角色—“数据科学家”（Data Scientist）。他们是一群训练有素、乐于在大数据的世界中进行探索的高级专家。这一职位近几年才涌现出来（实际上，这一概念直到2008年，才由本文作者之一D.J. 帕蒂尔和杰夫·哈默巴赫尔创造，随后LinkedIn和Facebook在数据和分析领域各领风骚）。但是目前数千名数据科学家已经供职于各类公司，包括初创型企业和根基稳固的公司。数据科学家在商业世界中崭露头角反映出一个事实：企业正在应对前所未有的庞大而多样的信息。如果你的组织存有数千万亿字节的海量数据；如果那些对企业至关重要的信息排列无序；再或者，如果解决你最大的难题需要融合多种分析工具的话，那么，恭喜你，利用大数据的机会来啦！

目前，对于大数据的热情多数聚焦于能够驯服大数据的技术，包括分布式计算Hadoop(应用最广的文件系统处理框架)以及相关开源工具、云计算和数据可视化。虽然这些技术可谓神兵利器，但拥有精通这些技术（以及思想）的人才更加重要。在这一前沿领域，此类人才已经供不应求。事实上，数据科学家短缺已成为制约一些部门发展的瓶颈。曾投过Facebook、LinkedIn、Palo Alto Networks（著名网络安全公司）和Workday（人力资源软件制造商）的早期风险投资公司格雷洛克风险投资公司，对于紧缺的人才供应感到非常焦虑，于是他们建立了特别招聘团队，将人才直接输送给企业的相关业务部门。“一旦有了数据”，该团队负责人丹·波蒂略（Dan Portillo）说，“企业就需要能够管理和洞察它们的人”。这些人是谁？

如果说，对大数据的利用很大程度上依赖于聘用稀缺的数据科学家，那么管理者面临的挑战就是学习如何发现和招聘这些人才并为公司所用。这些任务一旦与管理者的其他组织角色结合，便不再像看上去那么简单明了。事实上，所有大学都尚未设置数据科学的学位（课程）。同样，数据科学家在组织中的诸多问题也未有定论，比如他们应该扮演什么角色，这一角色如何才能创造最大价值，以及该如何衡量他们的表现。

因此，解决数据科学家短缺的第一步，是理解他们在企业中的职责，然后再思考，他们应该具备什么技能？这些技能最容易在什么领域找到？

数据科学家徜徉于数据海洋的同时，最重要的是进行探索。为身边的世界导航正是他们的拿手好戏，他们在数据领域得心应手，能够将大量不规则数据组织起来，使之成为可分析的数据。他们找出丰富的数据源，并与其他数据源（可能是不完整的数据源）连接起来，清理、简化运算结果。在充满竞争的世界中，挑战随时变化，数据流动不息，数据科学家能帮助决策者从特设分析（ad hoc analysis）转向与数据持续不断的对话。

数据科学家认识到所面临的技术限制，但是他们不愿意停下研究等待新解决方案的出现。一旦他们有了新成果，就非常乐于传播新成果，并阐明该成果对企业未来发展方向的影响。通常他们在信息可视化展示以及令模式清晰化、更具有说服力方面颇有创意。他们依据数据所显示出的信息，为企业高管和产品经理提供产品、流程、决策方面的建议。数据科学家的短缺将成为制约一些业务发展的瓶颈核心观点一个全新角色在公司中的地位正在迅速崛起：那就是数据科学家。数据科学家是一群懂得如何从现有的海量非结构化信息中采撷重要商业难题答案的人。在企业奔向大数据应用的道路上，最大的绊脚石就是这类特殊人才的短缺。大学里还没有大量炮制数据科学家的课程，因此招聘数据科学家时要有创造力。你可以从任何一个以数据和运算为重点的领域来寻找，从实验物理学到系统生物学不一而足。你还要认识到，吸引和留住一个数据科学家的理由，可能不同于其他专家。数据科学家需要自治权利，同时还想登上“舰桥”，随时回应负责管理的同事提出的管理问题。薪金意味着价值，但在这个快速发展的学科中，解决有趣的问题、利用最丰富的数据流，从而出人头地的机会，可能意味着更多。

由于这项业务正处在发展初期，数据科学家往往还要承担起改进数据分析工具甚至开展学术研究的任务。雅虎是早期雇用数据科学家的公司之一，在开发数据分析工具Hadoop方面贡献良多。Facebook的数据团队为Hadoop编程开发了Hive（一个数据仓库框架）。还有许多数据科学家参与了改善技术工具的过程，这种情况尤以数据驱动型企业为甚，如谷歌、亚马逊、微软、沃尔玛、eBay、LinkedIn和Twitter。

何人能胜任这些事？成功的数据科学家应具备什么能力？答案是：他（或她）应该是数据黑客、分析师、传播者和靠谱顾问的综合体，这样的组合可谓极其强大，同时也极其罕见。

数据科学家最基本和普遍的能力是写代码。但5年后，当比今天多得多的人把“数据科学家”这一头衔印在名片上时，这一点可能没那么绝对。比写代码能力更持久走俏的，是能够用所有利益相关者都能听明白的语言进行交流的能力。他们要能够展示出用数据说话的能力，包括口头表达和形象化展示，最好两者兼备。

但我们认为，数据科学家身上最重要的品质是强烈的好奇心，即透过现象看本质并将之提炼为清晰的、可验证的假说的能力。这一点通常需要联想思维，正是联想思维塑造了各个领域中最富创造力的科学家。举例来说，我们知道，有一个研究欺诈问题的数据科学家就想到，他所研究的问题和DNA排序问题具有相似性。通过将两个不相关的领域联系起来，他和他的团队起草出了一个能够显著减少欺诈损失的方案。

为什么对这一新角色冠以“科学家”的称号？答案或许已浮现出来。例证之一就是实验物理学家，他们同样需要设计实验装备，收集数据，开展多个实验并传播研究成果。因此，想要招聘能处理复杂数据人才的企业，在具有物理或社会科学专业教育和工作背景的人群中，更易有所斩获。有些顶尖的数据科学家是来自生态学、系统物理学等深奥领域的博士，比如，硅谷Intuit（一家为公司提供财务软件的厂商）的数据科学团队领头人乔治· 鲁迈利奥蒂斯（George Roumeliotis），就拥有天体物理学博士头衔。较为意料之中的是，许多现在供职于企业的数据科学家曾接受过计算机科学、数学或是经济学训练。数据科学家可以来自于任何一个领域，只要这一领域重点关注数据和运算。

谨记科学家的职业概念非常重要，因为“数据”一词很容易将研究引入歧途。正如波蒂略所言，“一个人只拥有10～15年前的传统教育和工作背景，完全不能适应今日所需。”定量分析者也许善于分析数据，但却不擅长应对一大堆混乱无序的非结构化数据并将其整理为可分析的数据形式。一个数据管理专家或许擅长生成数据、将数据整理为结构化形式，但却不擅于将非结构化的数据结构化，也不善于对数据进行切实分析。表达能力不那么强的人可以成为传统数据专家，但却无法成为数据科学家。数据科学家必须具备这些技能才能发挥作用。

鲁迈利奥蒂斯明确说，他在招聘时不会偏重数据或分析能力。他寻找数据科学家的第一步，就是问应聘者能不能用Java之类的主流程序语言开发原型。鲁迈利奥蒂斯寻找的对象要拥有一套能力体系，包括坚实的数学、统计学、概率学以及计算机科学基础，还要有良好的思维习惯。他希望寻找的人具有商业感觉和客户同理心。他说，他所要求具备的这些能力，都得益于在职培训和偶尔地讲授特定技术的课程。

一些大学正在计划开设数据科学课程，现有的一些分析课程，比如北卡罗来纳州的分析科学硕士项目，正忙于引入大数据的练习和课程。一些企业也在试着培养自己的数据科学家。EMC在收购Greenplum之后，决意将数据科学家的应用作为自身和客户在大数据开发中的控制性因素。因此，EMC的培训服务部门开设了数据科学和大数据分析的培训和认证项目。该项目对员工和客户同时开放，培养出的一些学员已经在做内部大数据方案。

随着教育课程的激增，人才输送渠道也应得到扩展。大数据技术的供应商也在努力提高易用性。同时，一位大数据科学家提出了富有创意地弥合鸿沟的方法。“数据科学伙伴项目”（IDSFP）是由一位高能物理学家杰克·克拉姆卡（Jake Klamka）设计的博士后奖学金项目。该项目从学术界中选取科学家，用6周时间将他们成功打造为数据科学家。项目有来自当地企业（如Facebook、Twitter、谷歌和LinkedIn）的数据专家的理论指导，同时结合大数据的实际问题。起初计划招生目标是10人，而克拉姆卡最终从超过200个报名者中招收了30人，越来越多的组织正排起长队想要参与进来。“来自企业的需求异乎寻常得大，”，克拉姆卡说，“他们确实难以找到这方面的优质人才”。为何愿意在此工作？

虽然数据科学家的地位正在不断提升，对顶级人才的争夺仍将非常激烈。满足招聘要求的候选人在考量工作机会时，往往以对大数据的兴趣为导向。一位顶尖数据科学家说，“如果想处理结构化的数据，我们会去华尔街工作”。考虑到如今大多数符合要求的候选人来自非商业领域，招聘经理们也许需要想办法描绘一个激动人心的前景，强调他们面临的问题具有带来突破性进展的可能，以吸引数据科学家的关注。

薪水当然是一个因素。一个出色的数据科学家会面对很多企业抛出的橄榄枝，薪水也随之水涨船高。一些供职于初创型企业的数据科学家说，他们已经提出甚至得到了一笔庞大的股票期权。即便一些人由于其他原因接受了该职位，薪资依然代表着受尊重的水平和企业对该职位价值回报的预期。但是，我们对数据科学家的心理排序所做的非正式调查却显示出一些或许更基础、也更重要的东西。这群人想要“走上舰桥”—典故来自20世纪60年代电视剧《星际迷航》，电视剧中的舰长詹姆斯·柯克非常依赖于史波克博士提供的数据。数据科学家想要站上浪潮之巅，实时地观察脚下滚滚而来的机会。

考虑到招聘和留住数据科学家的困难，企业应该思考出一个好的策略吸引他们来做顾问。大多数咨询公司都还没有配备大量的数据科学家，即使像埃森哲、德勤和IBM全球服务这样的“大象”们，也还处在为客户引入大数据项目的早期阶段。他们所拥有的数据科学家的作用，主要用于较常规的定量分析。但Mu Sigma之类的离岸分析服务公司，可能会率先迈出应用大数据科学家的重要一步。

但是本文所讨论的数据科学家们想要进行创造，而不仅是给决策者提供建议。有人曾将做顾问称作是“死亡地带—你所要做的只是告诉别人数据分析给出的建议”。但通过创造有效的解决方案，他们能够拥有更多的影响力，并因为成为同行业先驱而彪炳史册。关注和培养

权限过少的情况下，数据科学家难有出色表现。他们应该得到进行试验和探索可能性的自由，也就是说，他们需要与企业其他部门密切联系。他们最需要与之建立联系的人应该是负责产品和服务的主管，而不是总揽企业全局的人。正如乔纳森·高德曼的故事所告诉我们的，他们为企业创造价值的最好机会不在于写报告、也不是为高管做演讲，而是在与顾客直接相关的产品和流程方面进行创新。如何找到你需要的数据科学家1.招聘重点放在那些盛产数据科学家的大学（斯坦福大学、麻省理工学院、加州大学伯克利分校、哈佛大学、卡内基梅隆大学），以及其他一些实力雄厚的大学：北卡罗莱纳州立大学、加州大学圣克鲁兹分校、马里兰大学、华盛顿大学和德州大学奥斯汀分校。2.浏览数据科学工具的兴趣小组成员名单，比如R User组（一个受数据科学家们喜爱的统计工具）和Python兴趣组（PIGgies），就是搜寻数据科学家的好地方。3.在LinkedIn上寻找数据科学家——他们几乎全部聚集于此，你还可以查看他们是否具有你想要的技能。4.走出去和数据科学家阶层厮混在一起。参加数据和Hadoop方面的会议和类似聚会（如今这些会议几乎每周一次）或是数据科学家们在湾区、波士顿、纽约、华盛顿、伦敦、新加坡和悉尼的非正式会议。5.结交本地风险投资家，他手中可能握有许多大数据方面的创业计划书。6.在Kaggle或者topCoder之类的分析和编码竞赛网站上举办一场竞赛，跟进联络最富创造性的参赛者。7.别在不会编码的候选者身上浪费时间，候选人的编码能力不一定要世界一流，但至少应说得过去。同时你要检验候选者是否能快速地学习新技术和方法。8.确保候选者能够在数据组中找到线索，并能清晰连贯地表述出其主要数据发现。你应测试一他是否能形象生动地用数字进行交流。9.小心那些完全脱离商业世界的候选者。当你问他，怎样用数据工作来解决你的管理问题，他是否会无言以对？10.询问候选者最喜欢的数据分析或观点，以及他们如何保持技术敏锐度。他们是否拿到了斯坦福的在线机器学习课程证书？是否对开源项目有所贡献？是否在gitHub之类的编程及代码托管网站建立了可供分享的代码库？

并非只有LinkedIn在应用数据科学家来生成产品、特征和增值服务方面的创意。Intuit公司要求数据科学家为小企业客户和消费者提供观点，向负责大数据、社交设计和营销的新任副总裁进行汇报；通用电气已经在使用数据科学家来优化服务合同、工业产品的维修间隔；谷歌在使用数据科学家来优化自己的核心搜索和广告服务算法；Zynga使用数据科学家来优化游戏体验以打造长久客户纽带并带来收入；Netflix创造了著名的Netflix奖，授予开发出了影片推荐最佳方案的企业数据科学家团队；应试教育公司卡普兰（Kaplan）使用它的数据科学家来发现有效的学习战略。

然而，数据科学家们在数据这一快速发展的领域中拥有高超的技能。若让他们把时间花在与管理人员建立联系上，会带来潜在的副作用。他们与同类专家的交流会减少，而他们需要这种交流来保持自身技能和所使用的工具跟得上最尖端的潮流。数据科学家必须接触公司内外的社会实践。支持合作与技术分享的新的会议和非正式联盟正在不断涌现，企业应当本着“水涨船高”的理念鼓励科学家参与其中。

面对的期待越多，数据科学家往往越有动力。有时，获取和组织大数据的挑战占据了太多时间和精力，使数据科学家难以进行预测和优化复杂分析。然而，如果主管们声明他们满足于简单报告，数据科学家将会奉献出更多的精力来进行高阶分析。大数据不应该被等同于“小数学”。这十年最热门的工作

谷歌首席经济学家哈尔·范里安曾有一句众所周知的话：“未来10年最炙手可热的工作将是统计学家。大家以为我在开玩笑，但谁又曾猜到计算机工程师成了20世纪90年代的性感工作呢？”

如果说“性感”意味着需求庞大而又为数稀少的素质，数据科学家已然称得上“性感”。

数据科学家招聘难、聘用花费高，并且由于市场竞争激烈难以留住他们，因为同时拥有理科、计算机和分析学背景的人实在不多。

如今的数据科学家类似于20世纪八九十年代华尔街的“宽客（Quants 金融数量分析师）”。当时，拥有物理学和数学背景的人纷纷投身于投资银行和对冲基金，在那里他们能够设计全新的算法和数据策略。尔后各类大学纷纷开设金融工程学的硕士课程，催生出了更贴合主流企业的第二代人才。随后的90年代，这一模式在搜索工程师身上重演，他们稀有的技能不久便成了计算机科学课程所教授的内容。

这种模式的存在抛出了一个问题，如果企业坐等第二代数据科学家兴起，等到被选者大量增多、更易审核、更易融入团队时再招入公司，是不是一个更明智的做法？为什么不把寻找和培养特殊人才的麻烦留给其他公司呢？比如初创的大数据公司或者是通用电气、沃尔玛之类需要数据科学家来冲锋陷阵，以实现其激进战略的公司。

企业若以此为据，会遇到麻烦。因为大数据的发展没有任何放缓的迹象。在早期，企业如果由于缺乏人才而袖手旁观，会担上落后于人的风险，而其他竞争对手和渠道伙伴会获得几乎难以估量的竞争优势。如今，大数据恰如一次汹涌而来的时代浪潮，如果你想抓住它，你需要会冲浪的人。托马斯·达文波特是哈佛商学院客座教授、德勤分析部门高级顾问和《判断力说了算》一书的合著者（哈佛商业评论出版社，2012年）。D.J.帕蒂尔是格雷洛克风投公司Greylock Partners的数据科学家，之前担任 LinkedIn的数据产品负责人，同时还是《数据柔术：将数据转化为产品的艺术》（The Art of Turning Data into Product，出版社：o’Reilly Media，2012年）一书的作者。大数据实用指南——让高级分析工具为你服务鲍达民（Dominic Barton）和大卫·考特（David Court）| 文鲁志娟 | 译数据及其分析工具已经火箭般蹿升至企业日程表首位。借助大数据开发能力，谷歌、亚马逊以及其他公司建立起威力强大的新商业模式，这令竞争对手们黯然失色，更让其他公司的高管们艳羡不已。他们还发现，大数据能够从IBM和惠普等科技领头羊那里吸引到可观的投资。与此同时，私募股权基金和风险投资对大数据的投资也是一浪高过一浪。

虽然这一趋势制造了不少噱头，但我们认为，高层领导者们应该关注这一趋势。大数据能够改变企业的经营方式，能够给企业带来20世纪90年代那样的业绩增长；在当时，主要的增长动力来自对企业核心流程的重新设计。随着数据推动型战略占据主导地位，它将逐渐成为企业实现差异化竞争的重要方面。根据麻省理工学院教授安德鲁·麦卡菲（Andrew McAfee）和埃里克·布林约尔松（Erik Brynjolfsson）的研究，那些将大数据和分析工具纳入到经营中的企业，生产率和利润率较同类企业高5%~6%（参见本期文章《大数据：一场管理革命》）。

尽管如此，我们了解的情况表明，多数企业并不确定如何推进大数据应用。企业领导者们对于大规模投资大数据和高级分析工具持狐疑态度，这点可以理解，因为他们认为自己的企业还没有做好准备。这些企业可能尚未充分理解他们已经拥有的数据，或者他们在数据仓库项目上浪费过一大笔钱，因为这些项目从来没有和业务流程结合起来，再或者，他们现有的分析项目过于复杂抑或没能带来实用的见解，或者上述所有可能性都存在。难怪，人们对大数据会满腹狐疑。

很多CEO们也回忆起在20世纪90年代中期，应用客户关系管理系统（CRM）时的经验。当时，CRM正受到热捧。专家们会突然造访董事会，承诺如果采用新的IT系统收集大量客户数据，将带来惊人的结果，但结果并非如此。很多高管们对新CRM在实施层面意味着什么盲然无知，比如，为了使用这些技术，企业需要进行复杂的组织流程调整，并对员工进行相应的技能培训。这一技术承诺的业绩增长往往相当滞后，因为新系统与公司、一线经理们的实际决策过程脱节，而数据管理带来的新要求却让公司运营变得更加复杂。公平点说，多数公司最终还是让CRM项目步入了正轨；但在这之前，一些公司已经遭受不小的损失，而一些CRM项目的支持者也因此丧失了职业发展的势头。

基于这样的历史背景，我们能理解那些对大数据持谨慎态度的高管们。不过，我们认为，现在需要专门确定一套关于大数据和高级分析工具的实用方法，集中于如何利用数据作出更好的决策。

从数据量最丰富的6大行业中，我们选择了几十家公司进行研究，结果发现，若想充分利用数据和分析工具，需要具备三种相互支撑的能力（参见图表“如何从大数据中获益”）。第一，企业必须能够发现、合并以及管理多个数据源。第二，他们需要具备建立高级分析模型的能力，以便用这些模型来预测和优化结果。第三，也是最关键的一点，管理层必须具备让组织转型的能力，这样一来，数据和分析模型才能真正带来更好的决策。这些能力依赖于以下两点：其一，一个关于如何利用数据和分析工具去竞争的明确战略；其二，对合适的技术架构和能力进行安排部署。

同样重要的是，为了达到期望的业务影响，必须在数据来源、建模和组织转型方面三管齐下。这样，企业可以避免常见的陷阱，即先拿到数据然后再问这些数据能为自己做什么。领导者们应该投入充分的时间和精力去协调组织内的所有经理人，让他们通力合作来支持这项任务。1. 选对数据

过去几年，数据和建模领域出现了翻天覆地的变化，信息量增长迅猛，特别是来自社交媒体和传感器这类新源头的信息。通过合并数据来扩展认识的机会也越来越多，因为功能更强大、价格更低廉的软件可选择余地越来越多，人们几乎可以随时随地地获取信息。更多、更完善的数据可以让企业以更全局、更具体的视角看待其商业环境，进而改善运营、客户体验及战略。但是，　　企业要想掌控商业环境，需要调整其游戏规则，通过审慎且有创意的方式从现有数据中发现有用数据，并尝试非常规的信息来源。

寻找数据源也需创造性 通常，企业已经拥有应对商业问题所需的各种数据，但是管理者只是不知道如何用这些信息作出关键决策。例如，对于每日或每小时工厂及客服数据，运营高管可能体会不到其中的潜在价值。首先，企业需要明确他们希望解决的商业问题或者希望抓住的商机，然后再更全面地审视信息来源。例如，一个银行团队希望改善客服运营效率，他们以一种360度的视野，将来自ATM交易、网上询问、客户投诉等方面的信息整合起来。这样一来，他们可以发现那些冗余的互动模式，进而降低成本并优化客户体验。

在挖掘外部数据源及新数据源潜力这点上，经理人还得兼备创造力。社会化媒体以对话、照片和视频的形式生成数千兆非传统及非结构化数据（Unstructured Data）。此外，传感器、监视流程以及包括本地人口统计数据、天气预报在内的外部来源也能产生数据流。“如果我们拥有所需的全部信息，那么能作出什么决定？”，这一问题有助于我们以更开阔的思路去思考潜在数据。根据这一逻辑，某航运公司借助特制的天气和港口可用性数据提高了船队的准点率，而之前他们并不知道可以获得这些数据。

在这点上高管们要做表率。一家大型货物包装公司的CEO告诉我们，他把数据视为是一项战略资产，当评估潜在收购交易时，他会计入其价值。不过，各个层级的管理者也必须习惯通过新方法来收集并有效地使用信息。随着互联网时代商业实践的不断演变，环顾一下外部环境，企业往往能从中获得灵感。例如，某家公司的财务高管可能会从Kabbage这样的公司中获得灵感。作为一家初创公司，Kabbage主要为互联网企业提供运营资本贷款。为了降低贷款担保所需的时间，Kabbage要求企业主也参与进来，提供他们的客户反馈评级、Facebook互动信息以及电子运输记录。那些客户评级最高且业务量最大的公司能获得更多贷款。

必要的IT支持 落后的IT架构可能会阻碍新型数据的获取、存储和分析活动。现有IT构架可能会阻碍孤岛信息整合，并且管理非结构化数据通常超出了传统IT技术的能力范围。很多落后的系统只能批量传送数据，因此不能为实时决策提供源源不断的信息流。

彻底解决这些问题往往要数年的时间。不过，商业领袖们可以与首席信息官合作，列出优先需求，解决短期内的大数据需求。这意味着，快速识别、连接最重要的数据并运用到分析工具中，之后对重复数据进行校准、合并等清理工作，然后再处理缺失信息。这一短期策略可能会让公司求助于专门提供分析服务或新兴软件的供应商。新的云技术也有助于成比例地提高或降低计算能力，以较低成本、满足大数据的要求。运用所有这些方法，我们能够建立起IT基础架构，从而，通过促进合作、快速分析和试验来推动创新。核心观点大数据的发展趋势日新月异，高层管理者不能将其看做是噱头而无动于衷。高级分析工具可能会成为很多行业具有决定性意义的竞争资产，并成为公司改善业绩表现的核心要素。有一种误解认为，最重要的是获得合适的大数据。事实上，开发关注业务结果的分析性工具也同样重要，因为这些工具与高层管理者及一线员工都息息相关，而且容易使用。这就需要公司实现组织文化和组织能力的转型，但不要贸然采取行动去实现这种转型，而是要通过谨慎的努力，将大数据融入到企业的日常运营中去。2. 建立业务结果预测及优化模型

数据很重要，但业绩改善和竞争优势却来自于分析模型，因为分析模型能够让经理人预测和优化结果。更重要的是，最有效的建模方法并不是从数据开始，而是要先发现商机，然后再考虑如何通过模型来改善业务表现。

遗憾的是，并非所有模型构建都遵循这一路径。比如，仅仅使用数据挖掘这一种方法会导致不一致的结果。吸收海量数据集能让企业进行多次数据测试，发现潜在模型，但是如果经理人不能有效地利用其中的关联性来提高业务表现的话，是不会有所收益的。纯粹的数据挖掘通常只是在无穷尽地搜索数据的真正含义。

某公司曾以一种更有针对性的策略来优化复杂的产品定价过程。其核心内容是一个基于产品的历史价格弹性、销售数据、竞争对手的反应及其他变量而制定的模型。为了提高成功概率，该公司在建模之初会预测哪些因素会影响销售量（例如，竞争对手的定价和促销），之后考虑哪些数据和模型能给商业决策带来最有用的洞见。我们发现，这类假设导向型的建模方法能更快产生结果，并且由于模型根植于实际数据，它更容易被经理人理解。

要切记的是，任何建模实践都有内在风险。尽管高级统计方法毫无疑问会带来更好的模型，但是统计学专家设计出的模型有时过于复杂、不具可操作性。例如，一个有30个变量的预测模型可能会十分精确地解释历史数据，但是管理如此多的变量会让多数组织感到力不从心。公司应该不断思考一个问题，“能够提高业务表现的最简单模型是什么？”3. 转变公司能力

高管们最担忧的是，他们的经理人不理解或者不信任基于大数据的模型。某大型零售商希望通过模型来优化广告支出回报，但是，尽管进行了大量投资，该模型并未被投入使用。原因很快就找到了：做关键性广告支出决定的一线营销人员并不相信该模型的结果，并且完全不熟悉其运作模式。

试读结束[说明：试读内容隐藏了图片]

下载完整电子书