大数据实施5法则
大数据实施5法则
不应该像对待传统、大型IT项目那样对待大数据或者分析项目，传统IT项目的目标、需要完成的任务以及详细实施计划都是明确的。而后者可能是规模更小、时限更短的动议。之所以启动它们，要么是奉命去解决一个问题，要么是为了抓住某人嗅到的一个机会，项目会设计一些数据可能解决的问题，发展一些假设，然后通过重复试验，获得知识、增进理解。我们到5条指导原则，可帮企业完成大数据应用之旅。
1.以人为本
很多IT工具和大数据方案投资背后的逻辑是，让企业领导者以更快的速度获得更高质量的信息，提高他们的决策水平，帮助他们解决问题，并获得有价值的洞见。这其实是一种误区，它忽略了一个事实，那就是无论这些信息有多好，领导者都可能弃而不用。他们有各种各样的偏见，以及可能不具备有效使用信息的认知能力。
现实情况是，包括领导者在内的很多人，与数据打交道时都会感到不自在。任何基于信息的方案必须要认识到这点。它必须以人为本，即那些能从信息中出意义的人。它应该就他们
在得出结论以及做决策时是否使用数据提出挑战，敦促他们依靠正式分析而非直觉做决定。它应该质疑他们就客户、供应商、市场和产品所做的假设。
一家欧洲化工产品制造商的目标就是实现这种思维模式转型。我们姑且将这家公司称为ChemCo，该公司通过兼并实现了迅速增长，新上任的CEO希望对客户有一种前后一致的看法。他还希望各级经理和员工利用数据提高他们对业务的理解，更有效地做决策。
他和高管团队都提倡，利用数据推动和创造可用的信息，使之成为日常业务的一部分。他们认为，马上建立一个大型CRM系统会传递出错误信息，即一个新系统会改变经理人使用和分享客户信息的方式。他们还担心这一方案会被看成是一个单纯的IT项目。一位高级经理人表示，“我们需要明确的是，希望各级经理人以一种基于证据的方式工作——这也是他们应该的工作方式。”
ChemCo采取的第一步是，将各部门现有的数据分析师集中起来，成立信息支持小组。每个小组负责跟踪一到两个业务部门，深入了解他们的决策和信息需求，然后帮助他们改善获取和使用数据的方式。起初，小组成员会跟随员工去拜访客户和供应商，以了解在与客户会面时会涉及哪些信息，如何使用这些信息，哪里信息不足，在什么情况下这些信息能
万圣节文案朋友圈
够帮助或者阻碍完成一项任务。之后，每个小组与直接面对客户的员工一起举办研讨会，告诉他们所了解到的东西，提供改善信息传递的思路，然后获得反馈。
基于研讨会的内容，小组成员会开发出各类信息报告的范本，并与业务部门一道去实践。鉴于大脑更容易处理视觉信息，小组将图形、图表和屏幕格式都纳入到范本内。这些实验显示出员工是否吸收了信息，他们表现出的行为以及最终能否在业务上成为赢家。只有到了这个阶段——当公司就员工如何使用信息有了深刻认识后——才在整个组织内大规模推行CRM系统。
ChemCo并没有对该系统做太多个性化修改，它相对更清楚需要收集和保留什么信息，以及如何应用这些信息。由于销售员从一开始就参与了进来，他们强烈感受到基于证据的工作方式的必要性。
随着销售和服务部门的员工对新信息的使用更加有效，管理者在考虑如何修改客户数据库，以便为他们更好地提供支持。随着时间推移，CEO鼓励所有业务部门销售和信息应用行为进一步标准化，为发展出对客户的一致看法奠定了基础。这些业务部门发现了他们所不了解的客户信息，并知道哪些销售行为会产生糟糕的客户互动并导致业务流失。随着公
司改善了与客户的互动模式，收入实现了增长，进而促使销售员们希望获得更多、更高质量的客户和销售信息，以提高业绩，进而形成了一个良性循环。
2.释放IT价值之道
当你提出方案，试图从现有系统或新数据源中提取信息时，你肯定知道这个过程是多么的混乱和复杂。人们不会凭空想象，而是基于自身知识、思维模式和经验来考虑问题。他们还会以不同方式使用信息，这取决于所处环境。例如，一个组织的文化能影响人们如何做决定、合作和分享知识。此外，人们对信息的使用是动态和重复的：感知到一个潜在问题或者机会，决定所需信息，然后收集、组织和解读这些信息，形成一个循环。
传统的IT开发方式忽略了这些现实。多数IT系统在设计时都考虑到了那些被认为重要且可控的数据，以这种方式，从复杂的真实世界中抽象出数据，然后创造一套正式且符合逻辑的数据处理规则，从而简化了系统设计并提供明确的结果。这种方式适合高度结构化的活动，其任务表述精确，比如处理客户订单的活动。
问题是，很多组织都错误地应用了这种设计哲学：将数据从技术领域提取出来放入人类领域的活动中，以便转化成有用的信息——在这种情况下，该方法往往都会以失败而告终。
成功的分析性项目要去挑战并改进信息应用方式、问题解答以及决策方式。下面是一些具体方法。
提出二阶问题。与其建立一套系统帮助销售人员轻松地回答“今天我们应该在货架上放什么东西？”不如询问“有没有更好的方法帮助我们如何补充库存？”该项目基于的假设是，通过提出二阶问题——即问题之问题——决策者们可以改善其运营方式。
看看你拥有哪些数据，没有哪些数据。避免受制于容易获得的数据和系统，因为这些内容只是基于业务运营的特定假设和逻辑而获得的。它们过去可能是正确的，但这些系统很有可能并没有随着商业和竞争环境的变化而同步进化。很有可能大量的数据被困在部门孤岛上，比如研发、工程、销售和服务运营部门等，并没有得到开发利用。
赋予IT项目组重新界定业务问题的自由。以开放的心态，用新的视角去看问题之后，诸如英国、以列等国家的央行官员们发现，广义的经济趋势和消费者在谷歌上搜索洗衣机、有氧运动课程、轿车和其他奢侈品的行为之间，有着很强的相关性。这一想法首先出现在谷歌总部。在那里，一位内部经济学家开始探索，某些关键词是否可以预测出传统经济报告得出的结论。该研究论文被央行经济学家们竞相传阅，引起了他们的兴趣。
我们发现，IT项目通常并不鼓励人们用新方法解决老问题。这种缺乏创造性的做法通常源于对数据及其商业价值的短视看法。为了避免这种心态，一些组织已经采取诸如头脑风暴、假设暴露及测试等技巧。我们看到越来越多的网上探索论坛，在这些论坛上，公司各层员工都被邀请进来，就市场状况、新客户趋势和开发这些知识的新方法贡献点子。
3.配备认知和行为科学家
多数IT专家具有工程科学、计算机科学和数学背景。毫无疑问，他们普遍非常具有逻辑性，擅长流程思考。他们往往更关注IT中Ｔ（技术）的部分，而不是I（信息）。在诸如处理金融交易或零售交易这类任务时，这些是理想的技能。然而，如果目标是为知识探索提供支持的话，那么这些技能就会成为阻力。
为了解决这个问题，很多公司在IT项目组中增加了熟知商业知识的人，让IT专家参与复杂的商业问题，并雇用更多的数据科学家。但是这些举措还不够。当你和大数据组打交道时可能会发现，你选择的任何变量之间都存在具有统计学意义的关系。只有商业知识才能把你拉回到现实中来。困境在于，在另一方面，这类既有的知识也可能会限制你的思考范围。
出于这个原因，大数据及其他分析项目需要精通认知科学和行为科学的人。他们了解人们在开发解决方案、商业点子和知识时，会如何看待问题、应用信息和分析数据。这种转变反映了经济学领域内向行为经济学的转型，即应用社会心理学、认知行为学方面的知识，对人们在市场和经济体中的行为形成新的认识。
如果组织希望员工在思维和决策时更具数据导向，那么必须对员工进行训练，让他们知道什么时候需要使用数据，以及如何设计问题，建立假设，进行实验，以及解读结果。多数商学院目前并不教授这些，这点应该改变。
4.聚焦于学习男士服装搭配图片
相比IT方案，大数据及其他分析项目更像是科学研究和临床试验。他们通常从感知问题或潜在机会着手，而这些可能只是来自某个人的直觉。之后他们往往会就某一结果或效果的存在发展出理论，产生假设，识别相关数据并进行实验。
lol s7怎么把照片做成视频这个“感知-分析-发现”周期可以重复多次。因而，项目期可能从几个小时到半年多不等，具体取决于业务的复杂程度，外部和内部数据是否容易获得及数据质量，实验性质以及采用
的分析技术和工具。但是，相对传统IT项目而言，这种渐进式、循环结构以及相对短的持续时间，使得成本更容易控制。买二手房可以贷款吗
组织可以通过以下几点让学习成为大数据和分析项目的核心：
提倡并促进信息分享文化。组织中的多数学习发生在团队内部以及同事之间的互动中。因此，培养一种合作文化至关重要，在这种文化中，透明、信任和分享能激发经理人和数据科学家们贡献出他们最好的点子和知识。在一个信息不能自由分享、失败和错误被掩盖起来的环境下，动议不会产生知识。
洗衣机啥牌子好
我们研究的一家金融服务公司建立了一个“数据实验室”，将不同部门的经理人和数据科学家们聚到一起，在一种探索和学习的环境下解决一些具体问题，没有日常工作的压力。在各个成员间的坦诚对话中，对数据和商业点子的新解读浮现出来。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。