數據和事實性方法如何幫助決策

❶ 在CRM系統中，如何幫助企業進行決策，決策的方法和指標是什麼

在當前市場環境下，產品/服務差異越來越小、顧客需求日趨多樣化、市場競爭越來越激烈，實施「以客戶為中心」的客戶關系管理被認為是企業保持長久競爭力的重要手段。客戶關系管理要求企業加強營銷、銷售和服務領域的管理能力；加強客戶關系維系、留住老客戶、發展新客戶，保持企業的客戶資源優勢；在為客戶提供更大價值的同時提升企業的利潤和價值。

客戶關系管理的實施離不開信息技術和信息系統在多個層面的支撐，有人甚至認為客戶關系管理本身就是企業旨在建立長期而有利可圖的客戶關系而採用的知識管理和交互管理。按照企業的管理層次劃分，信息技術和信息系統可以在業務層、戰術層、戰略層3個層次給客戶關系管理提供支持。隨著相關系統和軟體應用的深入，對客戶關系管理業務層支持的成果越來越多，但是對戰術層和戰略層的支持才剛剛開始。

這方面國內已有一些研究，但大多數僅是介紹相關信息技術或者提出一些簡單的系統框架；已有客戶關系管理軟體產品提供的決策支持不少仍只是簡單的信息查詢功能。這其中的一個重要原因是缺乏對客戶關系管理中決策支持需求的深入探討，無法抽象和提煉出支持客戶關系管理中問題求解的功能模型，也就無法很好地實現對客戶關系管理戰術層和戰略層的支持。國外的研究相對具體和深入些，有一定的借鑒意義。

1 客戶關系管理中的問題求解過程

一個管理問題的求解一般要交替執行以下3種作業：問題/機會識別；制定元決策；制定具體決策。問題/機會識別指企業從環境中發現並明確決策問題；元決策指對於決策過程進行決策，即關於如何決策的決策，又稱預決策；制定具體的決策則包括設計方案、評價方案等過程(見圖1)。基於問題求解的這3種作業，可以對企業客戶關系管理決策支持的基本需求加以分析。
(1)問題/機會識別

客戶關系管理要求企業能夠實時監控客戶、銷售、市場、產品、渠道商、服務商等多個實體在空間、時間等多個維度的變化情況，發現其中蘊藏的潛在問題和機會。潛在問題的發現可以讓企業積極掌握變化，提前做出判斷和行動，避免可能的損失，帶來新的增長點。機會可能是新的需求的出現、新的改進的可能等。客戶關系管理面臨復雜多變的環境決定了其決策支持系統必須具備支持問題/機會發現的能力。

(2)制定元決策

客戶關系管理中的決策尤其是戰略層的決策牽涉的因素一般比較多，而且缺乏固定的決策模式，故決策過程可能隨決策者偏好而異，導致元決策過程十分難以定義。但以往的決策案例等經驗性知識和柔性的信息支持對決策者盡快制定元決策能夠有所幫助。

(3)具體決策

客戶關系管理中具體決策問題較多，包括銷售計劃的制定、銷售定價、經銷商及服務商的選擇等。這些決策問題一般都是圍繞著某些主題而展開的，應用各種決策模型輔助決策的需求十分明顯，如決策前對預測模型的應用和決策實施後對評價模型的應用等。

以往開發的管理信息系統和決策支持系統較多側重在對具體決策過程的支持，對於上述兩個過程的關注較少。客戶關系管理面對的是變化迅速的環境，決策所牽涉的因素眾多，對決策者的經驗能力的依賴較強。在這種條件下，決策支持的效能更多地決定於對前兩種作業的支持，只有較好地全面支持了客戶關系管理問題求解中的3種作業，才能實現對客戶關系管理戰術層和戰略層的支持。
2 客戶關系管理中的決策支持主題

客戶關系管理主要面向營銷、銷售和服務領域，面臨的決策問題也主要圍繞這些領域中的主題展開，主要包括廣告、客戶、產品、市場、銷售、服務、渠道商、服務商等，這些主題涵蓋了客戶關系管理中的大部分決策內容。

(1)廣告促銷

廣告促銷是企業提高產品市場影響力的重要手段，推出廣告促銷活動的時間、廣告媒介和促銷等方式的選擇都會直接影響營銷的效果。企業需要能夠實時考察市場、產品、客戶等在一定時期的變化情況，以發現可能的營銷良機，且以往廣告促銷活動的效果和評價也是制定新的營銷活動的依據。

(2)客戶

客戶是客戶關系管理的核心，實施客戶關系管理的目的就是要更好地管理客戶需求和客戶關系，給恰當的客戶提供恰當的產品和服務是客戶關系管理的重要原則。實時考察客戶尤其是大客戶的變化情況、評價客戶的價值等是客戶關系管理中問題識別的重要依據，對識別出來的問題企業可以開展相應的客戶維系活動。

(3)產品

在市場上的不同生命周期階段，企業應該採取不同的產品生產和營銷策略。分析產品全生命周期的成長過程，對產品所處階段加以甄別和預測，能夠直接影響企業的眾多決策，多產品企業中對不同產品的銷售、利潤貢獻、成長性分析也直接影響企業對產品發展的判斷。

(4)市場

主要指整個行業市場的競爭狀態。市場瞬息萬變，企業必須及時發現市場變化中的機遇，並迅速掌握主動權。這樣，決策者需要的不僅僅是全面的報表，更是對報表數據的分析，對市場中問題和機會的發現。

(5)銷售

主要指企業內部的銷售細節。對銷售庫存、在途資金、回款率、周轉率等銷售指標監控，並及時發現潛在的問題是企業產品和資金鏈良性循環的保證。產品價格的差異定價、產品庫存的控制、庫存的調配等都依賴於決策模型的支持。

(6)服務

主要指企業的售前、售中、售後服務。服務質量在客戶的維系和產品的銷售中起著越來越重要的作用。為恰當的客戶選擇恰當的服務是企業服務的基本動機，也是企業服務的基本決策問題。對客戶服務質量的管理，對大客戶服務細節的關注則可能直接影響著客戶服務部門的效能。

(7)渠道商和服務商

他們是企業的銷售和服務實施者。渠道商、服務商的選擇對企業尤為重要。在管理中應及時發現和糾正經銷商、服務商的問題能夠防止問題擴大化，穩定銷售和保持服務質量。基於業務數據對渠道商、服務商客觀准確的評價能夠保持渠道商和服務商的穩定。

客戶關系管理中的眾多決策問題都可以歸納在上面提到的多個主題范疇中，它們或者是單純某個主題中的決策問題，或者是多個主題的交叉決策問題。客戶關系管理中的決策支持首先是對各個主題中的決策內容提供支持。3 客戶關系管理中決策支持系統的構建

從對管理問題求解的支持來看，客戶關系管理中決策支持系統主要是對各個主題中問題求解的3種作業的支持。從用戶的視角來看，對3種作業的支持體現出不同的特點，對問題/機會發現的支持側重於對多個主題中多個指標的實時監控，對元決策的支持側重於對以往知識的應用，對具體決策的支持側重於以定量或定性的決策模型加以支持。從系統實現和技術的角度來看，決策支持系統一般包括人機介面、資料庫、模型庫、知識庫等部分。據此分析可以構建如圖2所示的決策支持系統架構。 (1)資料庫的構建

對問題求解的3種作業的決策支持對結構化數據的粒度要求可能各不相同。客戶關系管理決策支持系統中數據模型的設計應該考慮對不同的數據粒度和數據需求的適應。因此可以採用數據倉庫中數據立方體構建的思想設計數據模型，採用星形的結構，其中維表包括客戶、產品、廠家、渠道商、服務商等，事實表包括銷售、市場、服務、廣告等(2)模型庫的構建

模型庫主要支持具體決策問題的解決，提供的模型集應與數據相對獨立，但是在用戶使用界面上提供靈活的模型數據應用界面，用戶只要控制模型的參數列表所對應的維度以及其粒度和范圍，即可操作各種決策模型。而模型庫的構建本身充分考慮模塊的復用，建立層級調用的模型庫結構，方便擴展和應用。

(3)知識庫的構建

知識庫以案例、經驗等為主要知識駐點，以智能的搜索引擎為支撐，提供主動或被動的知識服務方式，主要支持元決策作業。

(4)人機界面的設計

系統提供主動工作、被動工作和混合工作等工作機制。主動工作機制主要是系統實時監控各個主題中多個指標的變化情況，在它們超出一定的閾值時，系統以預警等形式主動向用戶報告這種信息，這種信息可能本身就預示著問題和機會的出現，也可能幫助決策發現問題和機會。被動工作機制主要指用戶主動利用系統提供的決策模型，應用系統數據輔助決策者解決具體的決策問題。混合工作機制則是前兩種工作機制的混合。

4 系統實例

某國有大型工程機械企業，以生產銷售大型工程機械為主營業務，銷售渠道主要以全國范圍的經銷商為主，廣告促銷費用由經銷商和廠家共同承擔，維修等服務主要由簽約維修商實施。近年來，我國基礎建設投入加大，工程機械需求急劇增加，工程機械行業得到蓬勃發展。但是競爭依然十分激烈，低端市場利潤趨於微薄，高端市場則被國外廠商所壟斷，市場需求受國家政策等的強烈影響，不確定性大，企業強烈希望能夠及時掌握並響應市場異動，加強對經銷商、維修商的管理，提高客戶的滿意度和忠誠度。

該企業信息化建設基礎較好，20世紀末實施的面向客戶關系管理的管理信息系統已經成為該企業強有力的銷售、營銷和服務業務平台，積累了大量的業務數據，具備了建立一個面向客戶關系管理的決策支持系統的條件。

按照前文的分析，筆者及其同事為該企業分析、設計並實施了適應該企業客戶關系管理決策需求的決策支持系統。該系統採用B/S架構，能適應公司高層移動辦公的需要，採用HTML、JavaScript、Flash等技術；Microsoft Visual.net為開發工具；MS SQL Server 2000為資料庫系統。目前該系統正在企業發揮著其客戶關系管理決策支持的作用

❷ 怎樣利用數據分析給客戶提供合理的資產管理決策和方案

摘要：成功網路分析的關鍵在於數據和人力。從數據上講要求分析必須精確和合理。數據可能是不完整的，或者在某種程度上是假設的，但是它不能違背整體研究方向，而且必須取得那些可能根據方案採取行動的管理者的信任。比數據更重要的是人。
一、網路分析概述
當我們決定設立一個工廠或配送中心的時候，必須考慮如何設計建築結構，使用什麼樣的物料處理設備和系統，但是我們必須先回答一些基本的策略問題。我們應該建立一個新的倉庫還是擴大原有的倉庫？我們需要建幾個？我們需要整合或關掉幾個倉庫嗎？倉庫應該建在什麼地方？倉庫需要處理什麼樣的產品？倉庫要服務什麼樣的客戶？類似這些的問題通常就是網路分析的一部分。
網路分析
簡單的說網路分析就是用適當的實體設備（計劃、產品線、配送中心）來支持給定供應鏈的決策過程。這個過程由一系列的成本因素和運作限制因素驅動。成本變數隨著研究范圍和本質的不同（製造vs.分銷、單個倉庫vs.多個倉庫）而不同。但總體上成本的總類包括以下幾種：
1、原材料采購成本
2、固定成本
3、可變成本
4、庫存持有成本
5、安裝與運輸費用
6、外向運輸費用
運作約束因素是那些不考慮成本的要求。運作約束有很多但大體上包括下來因素：
1、設施狀態（鎖定開啟/鎖定關閉）
2、設施能力（產品種類vs.負荷能力）
3、設施的存儲和吞吐能力
4、顧客服務要求
5、采購要求（單一供應商vs.多個供應商）
6、最小和最大設施數量
網路分析也受到需求因素（需求數量、顧客所在位置、產品結構）和可選網路（設施備選地點、運輸情況）的約束。
模型工具
除了最簡單的網路，大量的特殊網路的存在、同時評估很多成本變數的需求，和滿足運作約束的需求，使得用傳統模型方法（計算器、電子數據表等）來解決問題變得越來越困難了。做出最優的選擇（成本最小或一定程度上利潤最大）需要使用網路模型工具。有很多可用的商業模型工具。大部分工具由3個基礎部分組成：一個可以輸入需求、成本、約束變數數據的用戶界面；一個將這些數據轉換成相應數學函數的轉換器；和一個解析引擎，做出最後的解決方案。解決引擎通過強有力的建模工具使用專門的混合整數線性規劃理論計算出真實最優解，因此被稱為「優化器」。大多數工具也都具備統計數據和圖形輸出功能。
建模與分析
網路建模與網路分析通常被認為是同一的。事實上，網路建模是網路分析過程的一個部分，也是很重要的一個部分。我們之所以進行這種區分主要是因為通常會存在一種誤解：一個完全模型的建立就能夠決定一個真實最優的網路。但是，模型只是一個計算和優化在一系列約束條件和給定的數據下目標函數的數學工具。它應該還包括使用者進行大量的運營假設，並為每種假設情形輸入相關數據，以及對模型結果的正確理解，而且還要考慮那些不能在模型中量化的因素（如風險管理、人為影響、銷售及市場影響等）。
二、網路分析的好處
最先想到的網路分析的好處應該是帶來的成本的節約。當然，還有其他很多好處。至少由此能夠帶來部門間很好的溝通和互動。
成本的節約
網路分析可能帶來5%-15%的物流成本的節約。當然這會隨著實際情況的不同而不同，而且假設當前的網路是次優的。它也同樣取決於內部網路變革的能力。例如，根據條款的規定，某一特定的配送中心必須繼續運營，或者家族的首腦要保護最初成立的工廠，這些都很難得到成本的節約。最後，成本的節約在於某些成本的避免而不僅是成本降低。通常網路分析是尋找新的設施來適應新的增長而不是整合現有設施來降低成本。這種情況下成本節約很難量化，因為沒有明確的基準來衡量的解決方案。
其他好處
除了成本節約的機會外，一個成熟的網路模型可以給帶來許多其他的好處。一個優化的網路可以通過縮短前置時間和提高訂單滿足率來提升客戶服務水平。網路模型也是一個很好的預算工具，可以預測未來的資本和運營成本需求。它也是一個理想的測試工具，用來快速檢驗可選的運營情景，以及由收購、新產品和其他商業變化帶來的影響。最重要的是，網路模型也是鼓勵內部人員間溝通的催化劑。在構建和評估網路模型時，需要很多與討論，包括戰略規劃、財務、銷售和市場、客服、信息系統、采購、庫存控制、生產製造、分銷、運輸以及其他影響物流網路變化或被物流網路變化影響的部門。由於這些人從組織整體的角度來發表他們的觀點，這樣就能形成一些新的視角和信息。最後，在收集和分析運營數據後，可能會出現一些新的改進機會。
三、建模要求
為了建立一個有效的模型，需要收集並驗證大量的數據。網路分析有三個基本的驅動因素：需求、成本和約束。必須努力找到跟每種假設情景相關的數據。此外，必須考慮模型中的整體和代表性的數據。模型是在產品組的層面上（干貨vs.冷凍，托盤揀選vs.拆零揀選）進行而不是SKU的層面，並且對分散的客戶按照種類（大vs.小，vs.零售）和地理位置進行劃分。
需求
需求數據描述了客戶的基本信息並反映了訂單特徵。這些數據一般從歷史客戶購買數據中獲得，最好是12個月的數據，以便抓住那些季節性的購買特徵。數據按照產品、顧客種類、地理位置和運輸模式（包裹配送、零擔、整車等）來進行整理劃分。
成本
成本數據的數量和類型取決於分析的范圍。總體上，成本包括固定成本（與需求無關）和可變成本（是需求的函數）。固定成本包括設施和設備的資本，以及間接開支，如行政勞動力。可變成本一般等同於運營成本，如直接勞動力與運輸。其他成本，如庫存持有成本，可以說包含固定和可變成本兩個部分，並以此來建模。模型的一個任務就是進行固定成本與可變成本的權衡分析。拿新建一個配送中心來舉例，假設這個配送中心並不是運營上規定必須建的，只有當可變成本的節省能夠彌補固定成本時就應該建。固定成本包括設施、設備、增加的行政人員以及相關的庫存成本。它可能會降低對當地客戶的外向運輸費用。內向運輸費用的增加或減少取決於整個網路，直接勞動力成本也是這樣。如果可變費用的節省能彌補固定費用，那麼就可以建這個配送中心，否則就不應該建。在某些情況下，成本數據不是那麼容易拿到，特別是想要得到按產品組合或顧客分類劃分的成本數據。一般製造和分銷的成本可以從運營明細表、損益表及其他報表中獲得，整體運輸數據也一樣。難點在於如何獲得運輸模式和路線的費率。在某些情況下，特別是包裹配送和零擔配送，這些信息可以從公開的價目表中獲得。但是對整車運輸、鐵路及其他模式下，獲得這些信息需要花費大量的時間和精力。最後，確定在分析時要考慮或不考慮某些成本因素。那些不考慮的成本是不重要的，有些可能比較重要但仍然要排除在外，因為我們不想讓它們對網路產生影響。最新的典型例子就是由第三方物流提供內向運輸的成本。雖然這些成本是很重要的，但通常不予考慮，因為我們希望圍繞顧客而不是供應商來設計網路。在這種情況下，一般用敏感性分析法來確定這些決策的影響。同樣也用來評估方案的敏感性以便增加或減少不同的成本驅動因素。
約束條件
約束條件是使用者在不考慮成本的情況下加在模型上的因素。約束條件有很多種形式，最常見的有4種。首先是生產線、車間或配送中心的能力限制，其次是資格限制。資格限制可能使一個儲存冷凍產品的倉庫不能存儲干貨，使一條生產玻璃瓶的生產線不能生產易拉罐。第三是顧客服務的限制。服務水平的限制是的設施的建設不能只考慮成本。最後是開設/停業的限制。它限制了設施的最大或最小數量，和/或特定設施繼續營業或停業。
挑戰
成功的網路分析的兩個最大挑戰在於數據的不完整性和不能始終如一的貫穿研究的目標。後者是項目管理的問題。由於參與研究的大量人員缺乏相應的經驗，網路分析很容易陷入不適當的數據收集和分析，並且有可能使過程轉向其他的方向。
另一方面，數據問題也不是人為能控制的。在處理數據的不完整性時有三種解決方法。首先確定這些數據是必須的。在長遠的戰略分析中，非必要數據的不完整，也能得到方向正確的結果。其次是為缺失信息留有空間。這些空間有多種形式，一般是用最樂觀的估計值代替具體信息。最後是對分析很關鍵的數據，要努力研究和分析得出有用的信息。
對一些國際性的模型來說這些挑戰會更大。項目管理者的挑戰也更大，包括語言障礙和時差。數據收集也由於某些原因變的很困難。最大的問題在於缺乏標準的運輸價目表。例如，不像在美國，其他國家基本都沒有零擔運輸價目表。此外，運輸基礎設施在不同國家的不同地方也有很大區別，使得很難估計運輸時間和距離。區域勞動力和設施成本的差距也比美國更顯著。當然還有不同國家和同一國家不同地區的稅率及商業規則的不同。稅收的考慮在很大程度上可以改變研究的方向。大多數情況下處理這些數據問題的最好方法就是依靠當地的專家意見，並花時間徹底研究那些有顯著成本或限制影響的因素。
四、成功的關鍵
成功網路分析的關鍵在於數據和人力。從數據上講要求分析必須精確和合理。數據可能是不完整的，或者在某種程度上是假設的，但是它不能違背整體研究方向，而且必須取得那些可能根據方案採取行動的管理者的信任。比數據更重要的是人。首先，一個成功的分析要求有一個不管是來自於內部還是外部的經驗豐富的、善於分析的人，來處理數據、建立模型並領導整個過程。其次項目團隊要由一批來自全國各地、能處理各種商業問題和影響分析的物流問題的人組成。通常項目經理進行整個團隊的諧調工作。再次是高層管理者的支持。如果研究沒有被很好的肯定，團隊成員將不會參與，項目也會很快失去動力。最後，必須建立一定的目標，並嚴格向這個目標奮斗。網路模型分析很容易被誤解為其他的東西，並做一些不必要的分析。這可以通過這些方法來避免，如前期解釋網路分析的戰略性質，明確網路模型的界限，明確分析的目的。

❸ 用數據挖掘的方法如何幫助決策者進行決策

一般決策大致包括發現問題、確定目標、價值准則、擬定方案、分析評估、方案選優、試驗驗證、普遍實施這8個基本步驟。數據挖掘是一種決策支持過程，它通過高度自動化地分析企業的數據，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調整市場策略，減少風險，做出正確的決策。

利用數據挖掘進行數據分析常用的方法主要有分類、回歸分析、聚類、關聯規則、特徵、變化和偏差分析、Web頁挖掘等， 它們分別從不同的角度對數據進行挖掘。從而方便決策者作出正確的抉擇。分類是通過分類模型將資料庫中的數據項映射。回歸分析方法反映的是事務資料庫中屬性值在時間上的特徵，聚類分析主要應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。關聯規則是描述資料庫中數據項之間所存在的關系的規則……

如果您想了解更多關於數據挖掘等相關方面的知識，建議您前往CDA數據分析師官網進行咨詢。CDA數據分析師的課程培養學員硬性的數據挖掘理論與Python數據挖掘演算法技能的同時，還兼顧培養學員軟性數據治理思維、商業策略優化思維、挖掘經營思維、演算法思維、預測分析思維，全方位提升學員的數據洞察力。點擊預約免費試聽課。

❹ 基於事實的決策方法

指的是有效決策是建立在數據和信息分析的基礎上。需要一個企業確保數據和信息足夠准確和可靠；讓數據/信息需要者能夠得到數據/信息；使用正確的方法分析數據/信息；以及基於事實分析，權衡經驗與直覺做出決策並採取措施

❺ 如何利用大數據提高決策的正確性

大數據可以看到很多東西，比如：行業的走向、行業發展、區域經濟、人民生活水平、人民消費水平等，擁有這些數據，就可以很好的決策了。要是還是感覺困難，可以用大數據建模，這樣直接輸入參數，就能得到你想要的答案了。

❻ 如何用數據分析為管理層提供決策依據

用數據分析幫助管理層提供決策主要有以下三種 ：
1、外部數據的依據主要是以了解的行情和競爭對手的情況，讓管理層能夠更好的把握下一階段發展計劃；
2、內部數據團隊業務數據、技術數據、生產統計數據結果可以幫助管理層更好分析出生產和銷售報表更加容易打開市場；
3、業務數據可以通過分析看業務情況和市場前景，更好的部署戰略，更加進一步運營好！

❼ 大數據時代帶來更理性、更可靠的決策

大數據時代帶來更理性、更可靠的決策_數據分析師考試

究竟是什麼魔力，讓「大數據」這一概念得到全球各國的普遍關注？到底什麼是「大數據」？它能夠在多大程度上改變我們的生活？在我們尋求對這些重要問題的解答時，牛津大學網路學院互聯網研究所教授維克托·邁爾-舍恩伯格出現在我們的視野中；希望我們對他的采訪，可以幫助讀者們找到這些疑問的答案。

最近一段時間，「大數據」的熱潮席捲全球，正如美國《福布斯》雜志所說的那樣，如今，在瀏覽新聞網站或者參加行業會議時，想看不見或聽不到「大數據」這個詞幾乎不可能。去年，美國6個聯邦政府部門宣布將啟動「大數據研發計劃」，投資超過2億美元以改進從海量和復雜的數據中獲取知識的能力。同時，我國科技部發布的「『十二五』國家科技計劃信息技術領域2013年度備選項目徵集指南」也把大數據研究列在首位。眼下召開的全國「兩會」上，有全國人大代表提出要把發展「大數據」上升為國家戰略。

究竟是什麼魔力，讓「大數據」這一概念得到全球各國的普遍關注？到底什麼是「大數據」？它能夠在多大程度上改變我們的生活？眼前對「大數據」的關注度是否已經過高了呢？在我們尋求對這些重要問題的解答時，英國牛津大學網路學院互連網研究所教授維克托·邁爾-舍恩伯格（Viktor Mayer-Schonberger）出現在我們的視野中，討論「大數據」，他如果不是最合適的人選，也起碼是合適人選之一。

20多年來，維克托一直致力於網路經濟、信息與創新、信息監管、網路規范與戰略管理的研究。還在「大數據」這一概念眾說紛紜時，維克托就已進行了系統深入的研究，2010年，他在英國《經濟學人》雜志上和數據編輯肯尼思·庫克耶一起，發表了長達14頁的大數據專題文章。稱他為最早洞見大數據時代發展趨勢的數據科學家之一，並不為過。

《經濟學人》說，在大數據領域，維克托是最受人尊敬的全方位發言人之一；美國《科學》雜志說，若要發起一場關於這個問題的深入討論，沒有比他更好的發起者了。

除了理論研究以外，維克托還非常接近實戰世界，早在上大學期間，他就先後成立了兩家數據安全和製作反病毒軟體的公司，而在他寫就的《大數據時代》一書中，那些最前沿、最嶄新的大數據應用案例，都得益於他多年來緊跟企業與商業應用的步伐。他的咨詢客戶中，不乏微軟、惠普、IBM、亞馬遜、臉書、推特、VISA等大數據先鋒們。

目前，維克托還是歐盟互聯網官方政策背後的重要制定者與參與者，尤為重要的是，他還任職過新加坡商務部、汶萊國防部、科威特商務部等部門，特別熟悉亞洲信息產業的發展與戰略布局。

希望我們通過電子郵件對維克托的采訪，可以幫助讀者們找到這些疑問的答案。

失去微觀層面上的精確度，為的是獲取宏觀層面上的洞察力

文匯報：今天，「大數據」已經成為全球炙手可熱的詞彙，您是從何時開始關注它的？

邁爾-舍恩伯格：多年來，我一直致力於研究數據在信息經濟的發展中所扮演的重要角色，我與肯尼思·庫克耶（Kenneth Cukier，我的合著者）一起發布了一系列相關研究報告。大約三年前，在我自己組織的一次會議上，我倆都意識到「大數據」的存在已經不僅僅是一種炒作或者什麼宏大的宣言了，而將實實在在地改變我們的工作、生活以及整個社會，於是，我們決定就此專題寫一本書。

文匯報：那麼在您看來，究竟什麼是大數據時代？它和傳統數據時代到底有什麼差別？我們知道，像沃爾瑪這樣的公司早在多年前，就已經將大數據運用到了商業實踐中。

邁爾-舍恩伯格：事實上，過去幾個世紀以來，數據已經在科學家們制定決策的過程中扮演了一定的角色，而過去幾十年間，這一做法又延伸到了一些公司的決策制定過程。但在大數據時代之前，數據是非常匱乏的，我們擁有的數據非常少。因此，我們的決策、我們構建的制度都是建立在這樣一種數據匱乏的基礎上。今天，一切變得非常不同，它體現在三個不同的方面，我們稱之為「更多」、「更亂」和「相關性」。

文匯報：這三個特徵也是您在《大數據時代》一書中非常強調的，它們甚至會顛覆我們過去的整個思維方式。您能否具體描述一下這到底是怎樣的過程？

邁爾-舍恩伯格：好的。我所說的「更多」，是指圍繞任何一個我們想要調查的特定問題，或者是需要我們回答的疑問，我們都可以比過去任何時候獲取更多的數據。在大數據時代，我們可以利用海量的數據得到非常詳盡的見解，這是傳統方法所不能做到的。

可以這么說，大數據時代和傳統數據時代的區別，就像解析度在200萬像素的舊數碼照片，一下子提高到2400萬像素那樣。後者是一個非常非常大的文件，它可以提供更多細節。它可以讓我們不斷放大，看清楚小到顆粒狀的細部，而具有較低解析度的圖像在這些細節方面就會非常模糊。

基因信息就是一個很好的例子。美國有一家叫23andMe的新公司提供個人的DNA測試分析，以發現一些疾病徵兆。它的成本只有兩三百美元，並提醒客戶關注會發展成嚴重疾病的個人癖好。但是公司並不對每個客戶的全基因組進行測序，而是針對已知特徵的位點（經研究得知因某種疾病存在，而可能會出問題的DNA片段）進行比對。這意味著，當一個新的特徵被研究發現時，23andMe公司就不得不再次對客戶的DNA進行測序並建立更完整的檔案。

蘋果公司的史蒂夫·喬布斯嘗試了非常不同的方法。他得了癌症後，就有了自己全部的基因密碼，數十億的鹼基對測序。這花費了他超過10萬美元的成本，但這可以讓醫生完整地洞察他的基因密碼。每當葯物由於喬布斯的癌症病變而失去有效性，他們就可以根據喬布斯特定的基因信息，尋找到有效的替代葯物。遺憾的是，這也沒有保住喬布斯的命，但是在這一過程中獲得的數據，已經延長了他的生命。

由於技術創新，現在收集大量信息的成本變得越來越低。數年前，史蒂夫·喬布斯花費了六位數的金額才做到的事情，今天，不到1000美元就可以獲得同樣的服務了。

而「更亂」指的是，在小數據時代，因為數據是如此稀少，我們可以確保自己收集的每一個數據點都是非常准確的。相比較而言，大數據往往是凌亂和質量參差不齊的。但是，相比以高額代價來保證測量和收集少量數據的精確性，在大數據時代，我們將接受這種雜亂，因為我們通常需要的只是一個大方向，而不是努力了解一種現象的細枝末節。我們並不是要完全放棄精確性，我們只是放棄對精確性的熱衷。我們失去微觀層面上的精確度，為的是獲取在宏觀層面上的洞察力。

電腦翻譯就是其中一個例子。1990年代，IBM的研究人員使用了一套非常精確的文件（加拿大議會記錄的法語和英語版）來訓練計算機。盡管計算機完全按照規則行事，但基於此的翻譯質量卻非常低。然後，谷歌在2006年開始介入這一領域，他們沒有使用來自加拿大政府的幾百萬句標准翻譯，而是使用隨手可得的任何語言。他們在整個互聯網上，利用數十億頁質量參差不齊的翻譯，這些翻譯不怎麼標准——但是，這是一個小的權衡——他們能夠使用的數據大大增加了，結果翻譯質量反而提高了。與更少、更標準的數據相比，更多凌亂的資料完勝了。

「更多」和「更亂」組合到一起，產生了第三個特點，「相關性」，這也是大數據帶給我們的最根本性的轉變。我們的思維將從因果關系轉向相關關系。至今為止的整個人類歷史里，全世界的人們都在尋找事件發生的原因，探尋「為什麼」。但我們對原因的執著探索往往帶領我們走向錯誤的方向。所以，我們建議，在大數據時代，在許多情況下，我們可以僅僅尋找「是什麼」，而不必完全理解「為什麼」。例如，對於大數據的分析中，我們可以發現機器震動中一些非常微小的變化，這些變化表明機器將很快損壞。這使我們能夠在部分機器零件報廢前更換它們，這被稱為「預測性維護」，它可以節省不少錢。但除了提高消費效率，「相關性」還可以做更多的事情。

比如對早產兒而言，即使他們長大成人，這些小寶寶仍舊是非常脆弱的，哪怕是遇上很小的感染。醫生卡羅琳·麥格雷戈研究如何給這些嬰兒最好的生存機會。使用大數據分析，每分鍾可以搜集這些嬰兒超過一千個數據點，麥格雷戈發現一個令人震驚的事實：每當這些早產兒出現非常穩定的標志時，他們的身體其實並不穩定，正在准備發病。有了這方面的知識，她就能在一個非常早期的階段，確定嬰兒是否需要葯物治療，從而挽救更多孩子的生命。

這是典型的大數據應用：醫生麥格雷戈通過更全面的感測器，可以比以往搜集到更多的數據。她也接受，在這種情況下，並不是所有的數據都是准確的，從而也會導致她分析中存在不精確的可能。她把「為什麼」這個問題放在一邊，而用一種更務實的方式來提供幫助，她尋找「是什麼」，這才是一個更好的預見感染的辦法。

我們應該記住：大數據也可以挽救生命。

正確使用大數據，可以改善醫療、教育水平，促進人類發展

文匯報：大數據時代的到來，是否將會引領新一輪的產業革命？我們應該怎樣客觀地看待它的價值？

邁爾-舍恩伯格：大數據將會極大地改變社會生活的方方面面，但是它的價值能否等同於工業革命，這個問題目前還不好說。我個人猜想可能不能，原因是在19世紀初工業革命剛剛開始的時候，經濟發展還處於非常低的水平上，所以相對來說，當時的人們從工業化過程中所能獲得的生活水平的提升是非常巨大的，今天則非常不一樣了。

我們真正想強調的是，大數據時代將推動我們從根本上改變企業的運作方式，以及我們在社會中的生活方式。大數據可以提高人類制定決策的能力，這種提高將是大幅度的。有了大數據，我們不是簡單地提高經濟效率，而是將挽救人類生命，延長我們自己的壽命。我們還將改善教育，促進發展。同樣的道理，我們必須要小心。大數據同樣也有「陰暗面」，正如我們在書中討論的那樣。如果應用錯誤，大數據也可能會化為一個強有力的武器。因此，我們必須確保正確使用大數據。

文匯報：您提到了大數據時代的「陰暗面」，它的到來會加深數字化鴻溝嗎？

邁爾-舍恩伯格：大數據是一個強大的工具。因此，如果我們使用了錯誤的方式，它就可能會加深數字鴻溝。但是，如果我們用得好，相信大數據就可能會改善我們的生活，尤其是對那些不那麼幸運的人而言。在這一點上，你可以把它想像成火、電或是抗生素等等。

文匯報：也就是說，您對大數據的價值認知，是基於一個更長時段的歷史發展。

邁爾-舍恩伯格：如果以非常廣闊的視角來看人類歷史，我認為，人類一直想要理解世界。起初，許多人的「知識」是基於迷信和預感。知識的發展非常慢，人們需要非常深層次的思考，再通過實踐進行檢驗，以確保知識是可用的。

但即使如此，我們的知識仍舊不是百分之百可靠的。例如，19世紀，路易·巴斯德一直在研究狂犬病疫苗，當時有一個被狗嚴重咬傷而染上狂犬病的小孩，父母擔心孩子會死去，懇求巴斯德試試他的試驗性疫苗。巴斯德照做了，孩子活了下來。隨後的慶祝活動上，巴斯德以一個英雄的身份出現，他挽救了年輕孩子的性命。但是事實的確如此嗎？今天，通過更深入的研究，我們知道，在被類似病狗咬到的兒童中，只有25%會感染狂犬病。所以75%的兒童哪怕使用了無效的疫苗，仍舊可以存活下來。這個故事告訴我們，我們以為自己生活在非常科學的世界中，但其實，我們擁有的數據非常少。一種新的治療方法在被證明安全之前，需要做幾十個甚至幾百個醫學實驗來進行測試。但這仍舊太少，人們還是會受到傷害，因為我們依靠的數據太少。在大數據時代，我們可以告別數據匱乏，做出的決策將更理性，更基於事實，當然也更可靠。這是大數據時代帶給我們的希望——更好的決策將會代替我們過往那些可疑的迷信和不可靠的人類預感。

文匯報：我們看到，麥肯錫公司2011年就發布報告推測，如果把大數據用於美國的醫療保健，一年可產生潛在價值3000億美元，用於歐洲的公共管理可獲得年度潛在價值2500億歐元；服務提供商利用個人位置數據可獲得潛在的消費者年度盈餘6000億美元；利用大數據分析，零售商可增加運營利潤60%，製造業設備裝配成本會減少50%。「數據創造價值」的預測已經非常振奮人心。在您看來，大數據是否只是一門價值不菲的生意？

邁爾-舍恩伯格：不，大數據可以做更多。醫療方面，我們前面已經提過，只是分析一些重要的徵兆，早產嬰兒的感染出現明顯症狀的數小時前，醫生就可以預見其生病。

同樣，通過大數據分析，我們也可以找出學校教科書中的哪一部分對學生而言效果最好，也可以找出效果不好的部分。到現在為止，我們只能按照人類的預感，即教師自己判斷學生在理解特定課程時是否會有疑問；但在大數據時代，我們有實際的數據可以參考，例如數據顯示，電子書籍的某些頁面被看過許多遍，因為它讓學生感覺費解，據此可以調整我們的教材。這將從根本上改變教育。

或者舉公共政策為例：Inrix是為智能手機提供導航軟體的公司，它還提供實時的交通數據。之所以能做到這一點，是因為每個用戶本身都成為了交通流量狀況的感測器，把位置和速度信息都發回Inrix公司。這樣一來，就可以給行進在交通堵塞路段周圍的客戶提供良好服務。Inrix公司有一大堆人們的活動數據，這還將有助於城市規劃者了解大家的通勤模式，人們從哪裡出發去工作，然後返回，並建設基礎設施，如道路和鐵路。這是最有效的應用。節省錢的同時，也有利於整個社會的管理。

文匯報：大數據對於商業決策、學術研究乃至國家治理的作用是顯而易見的；但是對日常生活中的普通人而言，他們一定會從中受益嗎？為什麼在大數據時代，還是有不少人主張遠離過載的信息和數據、返璞歸真回到傳統的社群生活之中呢？個人生活空間一定得從「簡單平面」轉變到「多維存在」才有意義嗎？

邁爾-舍恩伯格：千百年來，人類已經經歷的世界，都是在少量數據的基礎上產生很多想法的世界。海員們結束長途航行後回來，地圖才會在這一次經驗的基礎上進行重新繪制。這顯然不會很精確。經過試驗和犯錯的周而復始，人類發展得非常緩慢。但是，當我們只有非常少的數據時，這是理所當然的結果。今天，我們有這么多的數據，難怪人類會不堪重負。但是，現在大數據可以提供幫助。如果人類不太善於消化這些過多的信息，大數據分析可以幫助我們將信息進行過濾，並進一步可視化，使我們能夠輕松地加以使用。

人們尚未普遍具備與大數據時代相匹配的思維和技能

文匯報：有專家認為，大數據的未來是數據的APP（加速並行處理）而非基礎構架；也就是說，僅僅有數據平台和基礎構架是無法創造長期價值的。對此您怎麼看？

邁爾-舍恩伯格：我們認為，大數據時代將至少需要和過去時代一樣多的人的獨創性。同時，巨大的資源才是未來時代的金礦，那些擁有這些數據資源的人將獲得的回報是不可想像的。

文匯報：大數據時代，數據都是透明的，我們如何在保護個人隱私、商業機密和國家安全之間取得平衡？您所謂的「互聯網遺忘運動」會是最佳葯方嗎？

邁爾-舍恩伯格：大數據時代所面臨的挑戰是，我們發現了隱藏在數據背後的價值，所以，保留這些數據，然後一遍遍地重復使用數據，往往成為一種明智的選擇。同時，現行的保護個人隱私的法律，特別在西方，針對的是一個傳統數據的世界，而不是一個大數據世界。這就需要我們在保護隱私的規則方面作出調整。我們建議，可以通過調整相關保護規則來實現這一目標，正像你所提到的，我們可以在一定時間以後，選擇遺忘這些數據。

文匯報：大數據時代是一個海量數據有待處理的時代，同時又是一個海量無用信息需要刪除的時代。這是否就是您在《刪除》一書中強調我們要有所取捨的原因所在？

邁爾-舍恩伯格：是。在某種程度上，大數據本身也可以加強隱私的保護。因為如果有一百萬個數據點，一個單獨的數據點就不再那麼重要了，這和傳統數據時代非常不一樣。隨著時間的推移，忘記其中一些數據，並不會破壞整個大數據的運行和使用。

文匯報：大數據現在在全球究竟發展到了什麼階段？處理大數據的技術是否已經在全世界范圍內普及？

邁爾-舍恩伯格：管理和處理大數據的技術都已經存在了，而且並不是非常昂貴。但是，有一樣東西目前仍舊非常缺乏，那就是我們的思維——以理解數據背後所隱藏的巨大價值，以及提取這種價值的專門技能。今天，全球范圍內，人們還沒有普遍具備這種思維和技能，但是我相信，在未來，這種情況會發生改變。我們預計，世界各地的許多大學將提供針對大數據分析的課程，來培訓大數據時代所需要的技能。

文匯報：歷次產業技術革命，中國似乎都是學習者和模仿者；和上幾輪產業技術革命不同的是，大數據時代，中國幾乎和歐美發達國家同時開始技術研發，中國人口又居世界首位，將會成為產生數據量最多的國家。您看好中國在新時代的發展前景嗎？中國在大數據時代是否有創新和領先的可能？

邁爾-舍恩伯格：是的，我們對此非常樂觀。中國很可能成為大數據這一領域的先驅。在大數據時代，中國有很多優勢：中國人都受過良好的教育，特別是在數學和統計方面（這是非常重要的）。中國是一個巨大的多元化社會，這會創造大量機會來創造大數據這一資源，並建立大數據應用。同樣的道理，對於大數據的蓬勃發展，我們還需要相匹配的思維方式，有嘗試新事物和持續創新的願望，以實證事實來作為我們決策的依據。因此，和許多其他社會一樣，大數據時代的確也會給中國帶來非常大的變化。

以上是小編為大家分享的關於大數據時代帶來更理性、更可靠的決策的相關內容，更多信息可以關注環球青藤分享更多干貨

❽ 大量事物提供了大量（數萬億 GB） 的數據，如何協同促進我們的決策制定和交互，而改善我們的生活和業務

如下：

第一步模型規劃，將數據中權重大的進行篩選，按同一變數值進行量化（如時間）。

第二步提取，將相應數據進行卷積，進一步降維，相較第一步，降維幅度縮小。

第三步驗證，驗證一二兩步的所獲取的事物模型是否正確，不正確的話修改，再進行一二兩步。

數據（data）是事實或觀察的結果，是對客觀事物的邏輯歸納，是用於表示客觀事物的未經加工的原始素材。

數據可以是連續的值，比如聲音、圖像，稱為模擬數據；也可以是離散的，如符號、文字，稱為數字數據。

在計算機系統中，數據以二進制信息單元0、1的形式表示。

❾ 未來，如何用數據提升商業決策能力

我認為，首先利用大數據方法能夠量化信息，只有量化採集到的信息，才能科學的獲得有效結論。其次，大數據的量化思路可能與我們以往的量化思路不大一致。以往的量化思路過分太窄，大數據能夠使我們腦洞大開、視野大開。在這里，我推薦使用CVSource，它是由投中信息研發的專為一級市場打造的創投資料庫。它通過網路採集、調研訪問、數據合作等多種渠道保證數據的完整性，同時利用大數據分析挖掘技術與人工運營相結合的方式保證數據的准確與更新的及時，專業研究團隊定向研究來展現投中信息對數據的理解與洞見。為用戶在股權投資與研究的各個關鍵階段提供數據決策依據。