数据和事实性方法如何帮助决策

❶ 在CRM系统中，如何帮助企业进行决策，决策的方法和指标是什么

在当前市场环境下，产品/服务差异越来越小、顾客需求日趋多样化、市场竞争越来越激烈，实施“以客户为中心”的客户关系管理被认为是企业保持长久竞争力的重要手段。客户关系管理要求企业加强营销、销售和服务领域的管理能力；加强客户关系维系、留住老客户、发展新客户，保持企业的客户资源优势；在为客户提供更大价值的同时提升企业的利润和价值。

客户关系管理的实施离不开信息技术和信息系统在多个层面的支撑，有人甚至认为客户关系管理本身就是企业旨在建立长期而有利可图的客户关系而采用的知识管理和交互管理。按照企业的管理层次划分，信息技术和信息系统可以在业务层、战术层、战略层3个层次给客户关系管理提供支持。随着相关系统和软件应用的深入，对客户关系管理业务层支持的成果越来越多，但是对战术层和战略层的支持才刚刚开始。

这方面国内已有一些研究，但大多数仅是介绍相关信息技术或者提出一些简单的系统框架；已有客户关系管理软件产品提供的决策支持不少仍只是简单的信息查询功能。这其中的一个重要原因是缺乏对客户关系管理中决策支持需求的深入探讨，无法抽象和提炼出支持客户关系管理中问题求解的功能模型，也就无法很好地实现对客户关系管理战术层和战略层的支持。国外的研究相对具体和深入些，有一定的借鉴意义。

1 客户关系管理中的问题求解过程

一个管理问题的求解一般要交替执行以下3种作业：问题/机会识别；制定元决策；制定具体决策。问题/机会识别指企业从环境中发现并明确决策问题；元决策指对于决策过程进行决策，即关于如何决策的决策，又称预决策；制定具体的决策则包括设计方案、评价方案等过程(见图1)。基于问题求解的这3种作业，可以对企业客户关系管理决策支持的基本需求加以分析。
(1)问题/机会识别

客户关系管理要求企业能够实时监控客户、销售、市场、产品、渠道商、服务商等多个实体在空间、时间等多个维度的变化情况，发现其中蕴藏的潜在问题和机会。潜在问题的发现可以让企业积极掌握变化，提前做出判断和行动，避免可能的损失，带来新的增长点。机会可能是新的需求的出现、新的改进的可能等。客户关系管理面临复杂多变的环境决定了其决策支持系统必须具备支持问题/机会发现的能力。

(2)制定元决策

客户关系管理中的决策尤其是战略层的决策牵涉的因素一般比较多，而且缺乏固定的决策模式，故决策过程可能随决策者偏好而异，导致元决策过程十分难以定义。但以往的决策案例等经验性知识和柔性的信息支持对决策者尽快制定元决策能够有所帮助。

(3)具体决策

客户关系管理中具体决策问题较多，包括销售计划的制定、销售定价、经销商及服务商的选择等。这些决策问题一般都是围绕着某些主题而展开的，应用各种决策模型辅助决策的需求十分明显，如决策前对预测模型的应用和决策实施后对评价模型的应用等。

以往开发的管理信息系统和决策支持系统较多侧重在对具体决策过程的支持，对于上述两个过程的关注较少。客户关系管理面对的是变化迅速的环境，决策所牵涉的因素众多，对决策者的经验能力的依赖较强。在这种条件下，决策支持的效能更多地决定于对前两种作业的支持，只有较好地全面支持了客户关系管理问题求解中的3种作业，才能实现对客户关系管理战术层和战略层的支持。
2 客户关系管理中的决策支持主题

客户关系管理主要面向营销、销售和服务领域，面临的决策问题也主要围绕这些领域中的主题展开，主要包括广告、客户、产品、市场、销售、服务、渠道商、服务商等，这些主题涵盖了客户关系管理中的大部分决策内容。

(1)广告促销

广告促销是企业提高产品市场影响力的重要手段，推出广告促销活动的时间、广告媒介和促销等方式的选择都会直接影响营销的效果。企业需要能够实时考察市场、产品、客户等在一定时期的变化情况，以发现可能的营销良机，且以往广告促销活动的效果和评价也是制定新的营销活动的依据。

(2)客户

客户是客户关系管理的核心，实施客户关系管理的目的就是要更好地管理客户需求和客户关系，给恰当的客户提供恰当的产品和服务是客户关系管理的重要原则。实时考察客户尤其是大客户的变化情况、评价客户的价值等是客户关系管理中问题识别的重要依据，对识别出来的问题企业可以开展相应的客户维系活动。

(3)产品

在市场上的不同生命周期阶段，企业应该采取不同的产品生产和营销策略。分析产品全生命周期的成长过程，对产品所处阶段加以甄别和预测，能够直接影响企业的众多决策，多产品企业中对不同产品的销售、利润贡献、成长性分析也直接影响企业对产品发展的判断。

(4)市场

主要指整个行业市场的竞争状态。市场瞬息万变，企业必须及时发现市场变化中的机遇，并迅速掌握主动权。这样，决策者需要的不仅仅是全面的报表，更是对报表数据的分析，对市场中问题和机会的发现。

(5)销售

主要指企业内部的销售细节。对销售库存、在途资金、回款率、周转率等销售指标监控，并及时发现潜在的问题是企业产品和资金链良性循环的保证。产品价格的差异定价、产品库存的控制、库存的调配等都依赖于决策模型的支持。

(6)服务

主要指企业的售前、售中、售后服务。服务质量在客户的维系和产品的销售中起着越来越重要的作用。为恰当的客户选择恰当的服务是企业服务的基本动机，也是企业服务的基本决策问题。对客户服务质量的管理，对大客户服务细节的关注则可能直接影响着客户服务部门的效能。

(7)渠道商和服务商

他们是企业的销售和服务实施者。渠道商、服务商的选择对企业尤为重要。在管理中应及时发现和纠正经销商、服务商的问题能够防止问题扩大化，稳定销售和保持服务质量。基于业务数据对渠道商、服务商客观准确的评价能够保持渠道商和服务商的稳定。

客户关系管理中的众多决策问题都可以归纳在上面提到的多个主题范畴中，它们或者是单纯某个主题中的决策问题，或者是多个主题的交叉决策问题。客户关系管理中的决策支持首先是对各个主题中的决策内容提供支持。3 客户关系管理中决策支持系统的构建

从对管理问题求解的支持来看，客户关系管理中决策支持系统主要是对各个主题中问题求解的3种作业的支持。从用户的视角来看，对3种作业的支持体现出不同的特点，对问题/机会发现的支持侧重于对多个主题中多个指标的实时监控，对元决策的支持侧重于对以往知识的应用，对具体决策的支持侧重于以定量或定性的决策模型加以支持。从系统实现和技术的角度来看，决策支持系统一般包括人机接口、数据库、模型库、知识库等部分。据此分析可以构建如图2所示的决策支持系统架构。 (1)数据库的构建

对问题求解的3种作业的决策支持对结构化数据的粒度要求可能各不相同。客户关系管理决策支持系统中数据模型的设计应该考虑对不同的数据粒度和数据需求的适应。因此可以采用数据仓库中数据立方体构建的思想设计数据模型，采用星形的结构，其中维表包括客户、产品、厂家、渠道商、服务商等，事实表包括销售、市场、服务、广告等(2)模型库的构建

模型库主要支持具体决策问题的解决，提供的模型集应与数据相对独立，但是在用户使用界面上提供灵活的模型数据应用界面，用户只要控制模型的参数列表所对应的维度以及其粒度和范围，即可操作各种决策模型。而模型库的构建本身充分考虑模块的复用，建立层级调用的模型库结构，方便扩展和应用。

(3)知识库的构建

知识库以案例、经验等为主要知识驻点，以智能的搜索引擎为支撑，提供主动或被动的知识服务方式，主要支持元决策作业。

(4)人机界面的设计

系统提供主动工作、被动工作和混合工作等工作机制。主动工作机制主要是系统实时监控各个主题中多个指标的变化情况，在它们超出一定的阈值时，系统以预警等形式主动向用户报告这种信息，这种信息可能本身就预示着问题和机会的出现，也可能帮助决策发现问题和机会。被动工作机制主要指用户主动利用系统提供的决策模型，应用系统数据辅助决策者解决具体的决策问题。混合工作机制则是前两种工作机制的混合。

4 系统实例

某国有大型工程机械企业，以生产销售大型工程机械为主营业务，销售渠道主要以全国范围的经销商为主，广告促销费用由经销商和厂家共同承担，维修等服务主要由签约维修商实施。近年来，我国基础建设投入加大，工程机械需求急剧增加，工程机械行业得到蓬勃发展。但是竞争依然十分激烈，低端市场利润趋于微薄，高端市场则被国外厂商所垄断，市场需求受国家政策等的强烈影响，不确定性大，企业强烈希望能够及时掌握并响应市场异动，加强对经销商、维修商的管理，提高客户的满意度和忠诚度。

该企业信息化建设基础较好，20世纪末实施的面向客户关系管理的管理信息系统已经成为该企业强有力的销售、营销和服务业务平台，积累了大量的业务数据，具备了建立一个面向客户关系管理的决策支持系统的条件。

按照前文的分析，笔者及其同事为该企业分析、设计并实施了适应该企业客户关系管理决策需求的决策支持系统。该系统采用B/S架构，能适应公司高层移动办公的需要，采用HTML、JavaScript、Flash等技术；Microsoft Visual.net为开发工具；MS SQL Server 2000为数据库系统。目前该系统正在企业发挥着其客户关系管理决策支持的作用

❷ 怎样利用数据分析给客户提供合理的资产管理决策和方案

摘要：成功网络分析的关键在于数据和人力。从数据上讲要求分析必须精确和合理。数据可能是不完整的，或者在某种程度上是假设的，但是它不能违背整体研究方向，而且必须取得那些可能根据方案采取行动的管理者的信任。比数据更重要的是人。
一、网络分析概述
当我们决定设立一个工厂或配送中心的时候，必须考虑如何设计建筑结构，使用什么样的物料处理设备和系统，但是我们必须先回答一些基本的策略问题。我们应该建立一个新的仓库还是扩大原有的仓库？我们需要建几个？我们需要整合或关掉几个仓库吗？仓库应该建在什么地方？仓库需要处理什么样的产品？仓库要服务什么样的客户？类似这些的问题通常就是网络分析的一部分。
网络分析
简单的说网络分析就是用适当的实体设备（计划、产品线、配送中心）来支持给定供应链的决策过程。这个过程由一系列的成本因素和运作限制因素驱动。成本变量随着研究范围和本质的不同（制造vs.分销、单个仓库vs.多个仓库）而不同。但总体上成本的总类包括以下几种：
1、原材料采购成本
2、固定成本
3、可变成本
4、库存持有成本
5、安装与运输费用
6、外向运输费用
运作约束因素是那些不考虑成本的要求。运作约束有很多但大体上包括下来因素：
1、设施状态（锁定开启/锁定关闭）
2、设施能力（产品种类vs.负荷能力）
3、设施的存储和吞吐能力
4、顾客服务要求
5、采购要求（单一供应商vs.多个供应商）
6、最小和最大设施数量
网络分析也受到需求因素（需求数量、顾客所在位置、产品结构）和可选网络（设施备选地点、运输情况）的约束。
模型工具
除了最简单的网络，大量的特殊网络的存在、同时评估很多成本变量的需求，和满足运作约束的需求，使得用传统模型方法（计算器、电子数据表等）来解决问题变得越来越困难了。做出最优的选择（成本最小或一定程度上利润最大）需要使用网络模型工具。有很多可用的商业模型工具。大部分工具由3个基础部分组成：一个可以输入需求、成本、约束变量数据的用户界面；一个将这些数据转换成相应数学函数的转换器；和一个解析引擎，做出最后的解决方案。解决引擎通过强有力的建模工具使用专门的混合整数线性规划理论计算出真实最优解，因此被称为“优化器”。大多数工具也都具备统计数据和图形输出功能。
建模与分析
网络建模与网络分析通常被认为是同一的。事实上，网络建模是网络分析过程的一个部分，也是很重要的一个部分。我们之所以进行这种区分主要是因为通常会存在一种误解：一个完全模型的建立就能够决定一个真实最优的网络。但是，模型只是一个计算和优化在一系列约束条件和给定的数据下目标函数的数学工具。它应该还包括使用者进行大量的运营假设，并为每种假设情形输入相关数据，以及对模型结果的正确理解，而且还要考虑那些不能在模型中量化的因素（如风险管理、人为影响、销售及市场影响等）。
二、网络分析的好处
最先想到的网络分析的好处应该是带来的成本的节约。当然，还有其他很多好处。至少由此能够带来部门间很好的沟通和互动。
成本的节约
网络分析可能带来5%-15%的物流成本的节约。当然这会随着实际情况的不同而不同，而且假设当前的网络是次优的。它也同样取决于内部网络变革的能力。例如，根据条款的规定，某一特定的配送中心必须继续运营，或者家族的首脑要保护最初成立的工厂，这些都很难得到成本的节约。最后，成本的节约在于某些成本的避免而不仅是成本降低。通常网络分析是寻找新的设施来适应新的增长而不是整合现有设施来降低成本。这种情况下成本节约很难量化，因为没有明确的基准来衡量的解决方案。
其他好处
除了成本节约的机会外，一个成熟的网络模型可以给带来许多其他的好处。一个优化的网络可以通过缩短前置时间和提高订单满足率来提升客户服务水平。网络模型也是一个很好的预算工具，可以预测未来的资本和运营成本需求。它也是一个理想的测试工具，用来快速检验可选的运营情景，以及由收购、新产品和其他商业变化带来的影响。最重要的是，网络模型也是鼓励内部人员间沟通的催化剂。在构建和评估网络模型时，需要很多与讨论，包括战略规划、财务、销售和市场、客服、信息系统、采购、库存控制、生产制造、分销、运输以及其他影响物流网络变化或被物流网络变化影响的部门。由于这些人从组织整体的角度来发表他们的观点，这样就能形成一些新的视角和信息。最后，在收集和分析运营数据后，可能会出现一些新的改进机会。
三、建模要求
为了建立一个有效的模型，需要收集并验证大量的数据。网络分析有三个基本的驱动因素：需求、成本和约束。必须努力找到跟每种假设情景相关的数据。此外，必须考虑模型中的整体和代表性的数据。模型是在产品组的层面上（干货vs.冷冻，托盘拣选vs.拆零拣选）进行而不是SKU的层面，并且对分散的客户按照种类（大vs.小，vs.零售）和地理位置进行划分。
需求
需求数据描述了客户的基本信息并反映了订单特征。这些数据一般从历史客户购买数据中获得，最好是12个月的数据，以便抓住那些季节性的购买特征。数据按照产品、顾客种类、地理位置和运输模式（包裹配送、零担、整车等）来进行整理划分。
成本
成本数据的数量和类型取决于分析的范围。总体上，成本包括固定成本（与需求无关）和可变成本（是需求的函数）。固定成本包括设施和设备的资本，以及间接开支，如行政劳动力。可变成本一般等同于运营成本，如直接劳动力与运输。其他成本，如库存持有成本，可以说包含固定和可变成本两个部分，并以此来建模。模型的一个任务就是进行固定成本与可变成本的权衡分析。拿新建一个配送中心来举例，假设这个配送中心并不是运营上规定必须建的，只有当可变成本的节省能够弥补固定成本时就应该建。固定成本包括设施、设备、增加的行政人员以及相关的库存成本。它可能会降低对当地客户的外向运输费用。内向运输费用的增加或减少取决于整个网络，直接劳动力成本也是这样。如果可变费用的节省能弥补固定费用，那么就可以建这个配送中心，否则就不应该建。在某些情况下，成本数据不是那么容易拿到，特别是想要得到按产品组合或顾客分类划分的成本数据。一般制造和分销的成本可以从运营明细表、损益表及其他报表中获得，整体运输数据也一样。难点在于如何获得运输模式和路线的费率。在某些情况下，特别是包裹配送和零担配送，这些信息可以从公开的价目表中获得。但是对整车运输、铁路及其他模式下，获得这些信息需要花费大量的时间和精力。最后，确定在分析时要考虑或不考虑某些成本因素。那些不考虑的成本是不重要的，有些可能比较重要但仍然要排除在外，因为我们不想让它们对网络产生影响。最新的典型例子就是由第三方物流提供内向运输的成本。虽然这些成本是很重要的，但通常不予考虑，因为我们希望围绕顾客而不是供应商来设计网络。在这种情况下，一般用敏感性分析法来确定这些决策的影响。同样也用来评估方案的敏感性以便增加或减少不同的成本驱动因素。
约束条件
约束条件是使用者在不考虑成本的情况下加在模型上的因素。约束条件有很多种形式，最常见的有4种。首先是生产线、车间或配送中心的能力限制，其次是资格限制。资格限制可能使一个储存冷冻产品的仓库不能存储干货，使一条生产玻璃瓶的生产线不能生产易拉罐。第三是顾客服务的限制。服务水平的限制是的设施的建设不能只考虑成本。最后是开设/停业的限制。它限制了设施的最大或最小数量，和/或特定设施继续营业或停业。
挑战
成功的网络分析的两个最大挑战在于数据的不完整性和不能始终如一的贯穿研究的目标。后者是项目管理的问题。由于参与研究的大量人员缺乏相应的经验，网络分析很容易陷入不适当的数据收集和分析，并且有可能使过程转向其他的方向。
另一方面，数据问题也不是人为能控制的。在处理数据的不完整性时有三种解决方法。首先确定这些数据是必须的。在长远的战略分析中，非必要数据的不完整，也能得到方向正确的结果。其次是为缺失信息留有空间。这些空间有多种形式，一般是用最乐观的估计值代替具体信息。最后是对分析很关键的数据，要努力研究和分析得出有用的信息。
对一些国际性的模型来说这些挑战会更大。项目管理者的挑战也更大，包括语言障碍和时差。数据收集也由于某些原因变的很困难。最大的问题在于缺乏标准的运输价目表。例如，不像在美国，其他国家基本都没有零担运输价目表。此外，运输基础设施在不同国家的不同地方也有很大区别，使得很难估计运输时间和距离。区域劳动力和设施成本的差距也比美国更显着。当然还有不同国家和同一国家不同地区的税率及商业规则的不同。税收的考虑在很大程度上可以改变研究的方向。大多数情况下处理这些数据问题的最好方法就是依靠当地的专家意见，并花时间彻底研究那些有显着成本或限制影响的因素。
四、成功的关键
成功网络分析的关键在于数据和人力。从数据上讲要求分析必须精确和合理。数据可能是不完整的，或者在某种程度上是假设的，但是它不能违背整体研究方向，而且必须取得那些可能根据方案采取行动的管理者的信任。比数据更重要的是人。首先，一个成功的分析要求有一个不管是来自于内部还是外部的经验丰富的、善于分析的人，来处理数据、建立模型并领导整个过程。其次项目团队要由一批来自全国各地、能处理各种商业问题和影响分析的物流问题的人组成。通常项目经理进行整个团队的谐调工作。再次是高层管理者的支持。如果研究没有被很好的肯定，团队成员将不会参与，项目也会很快失去动力。最后，必须建立一定的目标，并严格向这个目标奋斗。网络模型分析很容易被误解为其他的东西，并做一些不必要的分析。这可以通过这些方法来避免，如前期解释网络分析的战略性质，明确网络模型的界限，明确分析的目的。

❸ 用数据挖掘的方法如何帮助决策者进行决策

一般决策大致包括发现问题、确定目标、价值准则、拟定方案、分析评估、方案选优、试验验证、普遍实施这8个基本步骤。数据挖掘是一种决策支持过程，它通过高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。从而方便决策者作出正确的抉择。分类是通过分类模型将数据库中的数据项映射。回归分析方法反映的是事务数据库中属性值在时间上的特征，聚类分析主要应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。关联规则是描述数据库中数据项之间所存在的关系的规则……

如果您想了解更多关于数据挖掘等相关方面的知识，建议您前往CDA数据分析师官网进行咨询。CDA数据分析师的课程培养学员硬性的数据挖掘理论与Python数据挖掘算法技能的同时，还兼顾培养学员软性数据治理思维、商业策略优化思维、挖掘经营思维、算法思维、预测分析思维，全方位提升学员的数据洞察力。点击预约免费试听课。

❹ 基于事实的决策方法

指的是有效决策是建立在数据和信息分析的基础上。需要一个企业确保数据和信息足够准确和可靠；让数据/信息需要者能够得到数据/信息；使用正确的方法分析数据/信息；以及基于事实分析，权衡经验与直觉做出决策并采取措施

❺ 如何利用大数据提高决策的正确性

大数据可以看到很多东西，比如：行业的走向、行业发展、区域经济、人民生活水平、人民消费水平等，拥有这些数据，就可以很好的决策了。要是还是感觉困难，可以用大数据建模，这样直接输入参数，就能得到你想要的答案了。

❻ 如何用数据分析为管理层提供决策依据

用数据分析帮助管理层提供决策主要有以下三种 ：
1、外部数据的依据主要是以了解的行情和竞争对手的情况，让管理层能够更好的把握下一阶段发展计划；
2、内部数据团队业务数据、技术数据、生产统计数据结果可以帮助管理层更好分析出生产和销售报表更加容易打开市场；
3、业务数据可以通过分析看业务情况和市场前景，更好的部署战略，更加进一步运营好！

❼ 大数据时代带来更理性、更可靠的决策

大数据时代带来更理性、更可靠的决策_数据分析师考试

究竟是什么魔力，让“大数据”这一概念得到全球各国的普遍关注？到底什么是“大数据”？它能够在多大程度上改变我们的生活？在我们寻求对这些重要问题的解答时，牛津大学网络学院互联网研究所教授维克托·迈尔-舍恩伯格出现在我们的视野中；希望我们对他的采访，可以帮助读者们找到这些疑问的答案。

最近一段时间，“大数据”的热潮席卷全球，正如美国《福布斯》杂志所说的那样，如今，在浏览新闻网站或者参加行业会议时，想看不见或听不到“大数据”这个词几乎不可能。去年，美国6个联邦政府部门宣布将启动“大数据研发计划”，投资超过2亿美元以改进从海量和复杂的数据中获取知识的能力。同时，我国科技部发布的“‘十二五’国家科技计划信息技术领域2013年度备选项目征集指南”也把大数据研究列在首位。眼下召开的全国“两会”上，有全国人大代表提出要把发展“大数据”上升为国家战略。

究竟是什么魔力，让“大数据”这一概念得到全球各国的普遍关注？到底什么是“大数据”？它能够在多大程度上改变我们的生活？眼前对“大数据”的关注度是否已经过高了呢？在我们寻求对这些重要问题的解答时，英国牛津大学网络学院互连网研究所教授维克托·迈尔-舍恩伯格（Viktor Mayer-Schonberger）出现在我们的视野中，讨论“大数据”，他如果不是最合适的人选，也起码是合适人选之一。

20多年来，维克托一直致力于网络经济、信息与创新、信息监管、网络规范与战略管理的研究。还在“大数据”这一概念众说纷纭时，维克托就已进行了系统深入的研究，2010年，他在英国《经济学人》杂志上和数据编辑肯尼思·库克耶一起，发表了长达14页的大数据专题文章。称他为最早洞见大数据时代发展趋势的数据科学家之一，并不为过。

《经济学人》说，在大数据领域，维克托是最受人尊敬的全方位发言人之一；美国《科学》杂志说，若要发起一场关于这个问题的深入讨论，没有比他更好的发起者了。

除了理论研究以外，维克托还非常接近实战世界，早在上大学期间，他就先后成立了两家数据安全和制作反病毒软件的公司，而在他写就的《大数据时代》一书中，那些最前沿、最崭新的大数据应用案例，都得益于他多年来紧跟企业与商业应用的步伐。他的咨询客户中，不乏微软、惠普、IBM、亚马逊、脸书、推特、VISA等大数据先锋们。

目前，维克托还是欧盟互联网官方政策背后的重要制定者与参与者，尤为重要的是，他还任职过新加坡商务部、文莱国防部、科威特商务部等部门，特别熟悉亚洲信息产业的发展与战略布局。

希望我们通过电子邮件对维克托的采访，可以帮助读者们找到这些疑问的答案。

失去微观层面上的精确度，为的是获取宏观层面上的洞察力

文汇报：今天，“大数据”已经成为全球炙手可热的词汇，您是从何时开始关注它的？

迈尔-舍恩伯格：多年来，我一直致力于研究数据在信息经济的发展中所扮演的重要角色，我与肯尼思·库克耶（Kenneth Cukier，我的合着者）一起发布了一系列相关研究报告。大约三年前，在我自己组织的一次会议上，我俩都意识到“大数据”的存在已经不仅仅是一种炒作或者什么宏大的宣言了，而将实实在在地改变我们的工作、生活以及整个社会，于是，我们决定就此专题写一本书。

文汇报：那么在您看来，究竟什么是大数据时代？它和传统数据时代到底有什么差别？我们知道，像沃尔玛这样的公司早在多年前，就已经将大数据运用到了商业实践中。

迈尔-舍恩伯格：事实上，过去几个世纪以来，数据已经在科学家们制定决策的过程中扮演了一定的角色，而过去几十年间，这一做法又延伸到了一些公司的决策制定过程。但在大数据时代之前，数据是非常匮乏的，我们拥有的数据非常少。因此，我们的决策、我们构建的制度都是建立在这样一种数据匮乏的基础上。今天，一切变得非常不同，它体现在三个不同的方面，我们称之为“更多”、“更乱”和“相关性”。

文汇报：这三个特征也是您在《大数据时代》一书中非常强调的，它们甚至会颠覆我们过去的整个思维方式。您能否具体描述一下这到底是怎样的过程？

迈尔-舍恩伯格：好的。我所说的“更多”，是指围绕任何一个我们想要调查的特定问题，或者是需要我们回答的疑问，我们都可以比过去任何时候获取更多的数据。在大数据时代，我们可以利用海量的数据得到非常详尽的见解，这是传统方法所不能做到的。

可以这么说，大数据时代和传统数据时代的区别，就像分辨率在200万像素的旧数码照片，一下子提高到2400万像素那样。后者是一个非常非常大的文件，它可以提供更多细节。它可以让我们不断放大，看清楚小到颗粒状的细部，而具有较低分辨率的图像在这些细节方面就会非常模糊。

基因信息就是一个很好的例子。美国有一家叫23andMe的新公司提供个人的DNA测试分析，以发现一些疾病征兆。它的成本只有两三百美元，并提醒客户关注会发展成严重疾病的个人癖好。但是公司并不对每个客户的全基因组进行测序，而是针对已知特征的位点（经研究得知因某种疾病存在，而可能会出问题的DNA片段）进行比对。这意味着，当一个新的特征被研究发现时，23andMe公司就不得不再次对客户的DNA进行测序并建立更完整的档案。

苹果公司的史蒂夫·乔布斯尝试了非常不同的方法。他得了癌症后，就有了自己全部的基因密码，数十亿的碱基对测序。这花费了他超过10万美元的成本，但这可以让医生完整地洞察他的基因密码。每当药物由于乔布斯的癌症病变而失去有效性，他们就可以根据乔布斯特定的基因信息，寻找到有效的替代药物。遗憾的是，这也没有保住乔布斯的命，但是在这一过程中获得的数据，已经延长了他的生命。

由于技术创新，现在收集大量信息的成本变得越来越低。数年前，史蒂夫·乔布斯花费了六位数的金额才做到的事情，今天，不到1000美元就可以获得同样的服务了。

而“更乱”指的是，在小数据时代，因为数据是如此稀少，我们可以确保自己收集的每一个数据点都是非常准确的。相比较而言，大数据往往是凌乱和质量参差不齐的。但是，相比以高额代价来保证测量和收集少量数据的精确性，在大数据时代，我们将接受这种杂乱，因为我们通常需要的只是一个大方向，而不是努力了解一种现象的细枝末节。我们并不是要完全放弃精确性，我们只是放弃对精确性的热衷。我们失去微观层面上的精确度，为的是获取在宏观层面上的洞察力。

电脑翻译就是其中一个例子。1990年代，IBM的研究人员使用了一套非常精确的文件（加拿大议会记录的法语和英语版）来训练计算机。尽管计算机完全按照规则行事，但基于此的翻译质量却非常低。然后，谷歌在2006年开始介入这一领域，他们没有使用来自加拿大政府的几百万句标准翻译，而是使用随手可得的任何语言。他们在整个互联网上，利用数十亿页质量参差不齐的翻译，这些翻译不怎么标准——但是，这是一个小的权衡——他们能够使用的数据大大增加了，结果翻译质量反而提高了。与更少、更标准的数据相比，更多凌乱的资料完胜了。

“更多”和“更乱”组合到一起，产生了第三个特点，“相关性”，这也是大数据带给我们的最根本性的转变。我们的思维将从因果关系转向相关关系。至今为止的整个人类历史里，全世界的人们都在寻找事件发生的原因，探寻“为什么”。但我们对原因的执着探索往往带领我们走向错误的方向。所以，我们建议，在大数据时代，在许多情况下，我们可以仅仅寻找“是什么”，而不必完全理解“为什么”。例如，对于大数据的分析中，我们可以发现机器震动中一些非常微小的变化，这些变化表明机器将很快损坏。这使我们能够在部分机器零件报废前更换它们，这被称为“预测性维护”，它可以节省不少钱。但除了提高消费效率，“相关性”还可以做更多的事情。

比如对早产儿而言，即使他们长大成人，这些小宝宝仍旧是非常脆弱的，哪怕是遇上很小的感染。医生卡罗琳·麦格雷戈研究如何给这些婴儿最好的生存机会。使用大数据分析，每分钟可以搜集这些婴儿超过一千个数据点，麦格雷戈发现一个令人震惊的事实：每当这些早产儿出现非常稳定的标志时，他们的身体其实并不稳定，正在准备发病。有了这方面的知识，她就能在一个非常早期的阶段，确定婴儿是否需要药物治疗，从而挽救更多孩子的生命。

这是典型的大数据应用：医生麦格雷戈通过更全面的传感器，可以比以往搜集到更多的数据。她也接受，在这种情况下，并不是所有的数据都是准确的，从而也会导致她分析中存在不精确的可能。她把“为什么”这个问题放在一边，而用一种更务实的方式来提供帮助，她寻找“是什么”，这才是一个更好的预见感染的办法。

我们应该记住：大数据也可以挽救生命。

正确使用大数据，可以改善医疗、教育水平，促进人类发展

文汇报：大数据时代的到来，是否将会引领新一轮的产业革命？我们应该怎样客观地看待它的价值？

迈尔-舍恩伯格：大数据将会极大地改变社会生活的方方面面，但是它的价值能否等同于工业革命，这个问题目前还不好说。我个人猜想可能不能，原因是在19世纪初工业革命刚刚开始的时候，经济发展还处于非常低的水平上，所以相对来说，当时的人们从工业化过程中所能获得的生活水平的提升是非常巨大的，今天则非常不一样了。

我们真正想强调的是，大数据时代将推动我们从根本上改变企业的运作方式，以及我们在社会中的生活方式。大数据可以提高人类制定决策的能力，这种提高将是大幅度的。有了大数据，我们不是简单地提高经济效率，而是将挽救人类生命，延长我们自己的寿命。我们还将改善教育，促进发展。同样的道理，我们必须要小心。大数据同样也有“阴暗面”，正如我们在书中讨论的那样。如果应用错误，大数据也可能会化为一个强有力的武器。因此，我们必须确保正确使用大数据。

文汇报：您提到了大数据时代的“阴暗面”，它的到来会加深数字化鸿沟吗？

迈尔-舍恩伯格：大数据是一个强大的工具。因此，如果我们使用了错误的方式，它就可能会加深数字鸿沟。但是，如果我们用得好，相信大数据就可能会改善我们的生活，尤其是对那些不那么幸运的人而言。在这一点上，你可以把它想象成火、电或是抗生素等等。

文汇报：也就是说，您对大数据的价值认知，是基于一个更长时段的历史发展。

迈尔-舍恩伯格：如果以非常广阔的视角来看人类历史，我认为，人类一直想要理解世界。起初，许多人的“知识”是基于迷信和预感。知识的发展非常慢，人们需要非常深层次的思考，再通过实践进行检验，以确保知识是可用的。

但即使如此，我们的知识仍旧不是百分之百可靠的。例如，19世纪，路易·巴斯德一直在研究狂犬病疫苗，当时有一个被狗严重咬伤而染上狂犬病的小孩，父母担心孩子会死去，恳求巴斯德试试他的试验性疫苗。巴斯德照做了，孩子活了下来。随后的庆祝活动上，巴斯德以一个英雄的身份出现，他挽救了年轻孩子的性命。但是事实的确如此吗？今天，通过更深入的研究，我们知道，在被类似病狗咬到的儿童中，只有25%会感染狂犬病。所以75%的儿童哪怕使用了无效的疫苗，仍旧可以存活下来。这个故事告诉我们，我们以为自己生活在非常科学的世界中，但其实，我们拥有的数据非常少。一种新的治疗方法在被证明安全之前，需要做几十个甚至几百个医学实验来进行测试。但这仍旧太少，人们还是会受到伤害，因为我们依靠的数据太少。在大数据时代，我们可以告别数据匮乏，做出的决策将更理性，更基于事实，当然也更可靠。这是大数据时代带给我们的希望——更好的决策将会代替我们过往那些可疑的迷信和不可靠的人类预感。

文汇报：我们看到，麦肯锡公司2011年就发布报告推测，如果把大数据用于美国的医疗保健，一年可产生潜在价值3000亿美元，用于欧洲的公共管理可获得年度潜在价值2500亿欧元；服务提供商利用个人位置数据可获得潜在的消费者年度盈余6000亿美元；利用大数据分析，零售商可增加运营利润60%，制造业设备装配成本会减少50%。“数据创造价值”的预测已经非常振奋人心。在您看来，大数据是否只是一门价值不菲的生意？

迈尔-舍恩伯格：不，大数据可以做更多。医疗方面，我们前面已经提过，只是分析一些重要的征兆，早产婴儿的感染出现明显症状的数小时前，医生就可以预见其生病。

同样，通过大数据分析，我们也可以找出学校教科书中的哪一部分对学生而言效果最好，也可以找出效果不好的部分。到现在为止，我们只能按照人类的预感，即教师自己判断学生在理解特定课程时是否会有疑问；但在大数据时代，我们有实际的数据可以参考，例如数据显示，电子书籍的某些页面被看过许多遍，因为它让学生感觉费解，据此可以调整我们的教材。这将从根本上改变教育。

或者举公共政策为例：Inrix是为智能手机提供导航软件的公司，它还提供实时的交通数据。之所以能做到这一点，是因为每个用户本身都成为了交通流量状况的传感器，把位置和速度信息都发回Inrix公司。这样一来，就可以给行进在交通堵塞路段周围的客户提供良好服务。Inrix公司有一大堆人们的活动数据，这还将有助于城市规划者了解大家的通勤模式，人们从哪里出发去工作，然后返回，并建设基础设施，如道路和铁路。这是最有效的应用。节省钱的同时，也有利于整个社会的管理。

文汇报：大数据对于商业决策、学术研究乃至国家治理的作用是显而易见的；但是对日常生活中的普通人而言，他们一定会从中受益吗？为什么在大数据时代，还是有不少人主张远离过载的信息和数据、返璞归真回到传统的社群生活之中呢？个人生活空间一定得从“简单平面”转变到“多维存在”才有意义吗？

迈尔-舍恩伯格：千百年来，人类已经经历的世界，都是在少量数据的基础上产生很多想法的世界。海员们结束长途航行后回来，地图才会在这一次经验的基础上进行重新绘制。这显然不会很精确。经过试验和犯错的周而复始，人类发展得非常缓慢。但是，当我们只有非常少的数据时，这是理所当然的结果。今天，我们有这么多的数据，难怪人类会不堪重负。但是，现在大数据可以提供帮助。如果人类不太善于消化这些过多的信息，大数据分析可以帮助我们将信息进行过滤，并进一步可视化，使我们能够轻松地加以使用。

人们尚未普遍具备与大数据时代相匹配的思维和技能

文汇报：有专家认为，大数据的未来是数据的APP（加速并行处理）而非基础构架；也就是说，仅仅有数据平台和基础构架是无法创造长期价值的。对此您怎么看？

迈尔-舍恩伯格：我们认为，大数据时代将至少需要和过去时代一样多的人的独创性。同时，巨大的资源才是未来时代的金矿，那些拥有这些数据资源的人将获得的回报是不可想象的。

文汇报：大数据时代，数据都是透明的，我们如何在保护个人隐私、商业机密和国家安全之间取得平衡？您所谓的“互联网遗忘运动”会是最佳药方吗？

迈尔-舍恩伯格：大数据时代所面临的挑战是，我们发现了隐藏在数据背后的价值，所以，保留这些数据，然后一遍遍地重复使用数据，往往成为一种明智的选择。同时，现行的保护个人隐私的法律，特别在西方，针对的是一个传统数据的世界，而不是一个大数据世界。这就需要我们在保护隐私的规则方面作出调整。我们建议，可以通过调整相关保护规则来实现这一目标，正像你所提到的，我们可以在一定时间以后，选择遗忘这些数据。

文汇报：大数据时代是一个海量数据有待处理的时代，同时又是一个海量无用信息需要删除的时代。这是否就是您在《删除》一书中强调我们要有所取舍的原因所在？

迈尔-舍恩伯格：是。在某种程度上，大数据本身也可以加强隐私的保护。因为如果有一百万个数据点，一个单独的数据点就不再那么重要了，这和传统数据时代非常不一样。随着时间的推移，忘记其中一些数据，并不会破坏整个大数据的运行和使用。

文汇报：大数据现在在全球究竟发展到了什么阶段？处理大数据的技术是否已经在全世界范围内普及？

迈尔-舍恩伯格：管理和处理大数据的技术都已经存在了，而且并不是非常昂贵。但是，有一样东西目前仍旧非常缺乏，那就是我们的思维——以理解数据背后所隐藏的巨大价值，以及提取这种价值的专门技能。今天，全球范围内，人们还没有普遍具备这种思维和技能，但是我相信，在未来，这种情况会发生改变。我们预计，世界各地的许多大学将提供针对大数据分析的课程，来培训大数据时代所需要的技能。

文汇报：历次产业技术革命，中国似乎都是学习者和模仿者；和上几轮产业技术革命不同的是，大数据时代，中国几乎和欧美发达国家同时开始技术研发，中国人口又居世界首位，将会成为产生数据量最多的国家。您看好中国在新时代的发展前景吗？中国在大数据时代是否有创新和领先的可能？

迈尔-舍恩伯格：是的，我们对此非常乐观。中国很可能成为大数据这一领域的先驱。在大数据时代，中国有很多优势：中国人都受过良好的教育，特别是在数学和统计方面（这是非常重要的）。中国是一个巨大的多元化社会，这会创造大量机会来创造大数据这一资源，并建立大数据应用。同样的道理，对于大数据的蓬勃发展，我们还需要相匹配的思维方式，有尝试新事物和持续创新的愿望，以实证事实来作为我们决策的依据。因此，和许多其他社会一样，大数据时代的确也会给中国带来非常大的变化。

以上是小编为大家分享的关于大数据时代带来更理性、更可靠的决策的相关内容，更多信息可以关注环球青藤分享更多干货

❽ 大量事物提供了大量（数万亿 GB） 的数据，如何协同促进我们的决策制定和交互，而改善我们的生活和业务

如下：

第一步模型规划，将数据中权重大的进行筛选，按同一变量值进行量化（如时间）。

第二步提取，将相应数据进行卷积，进一步降维，相较第一步，降维幅度缩小。

第三步验证，验证一二两步的所获取的事物模型是否正确，不正确的话修改，再进行一二两步。

数据（data）是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的原始素材。

数据可以是连续的值，比如声音、图像，称为模拟数据；也可以是离散的，如符号、文字，称为数字数据。

在计算机系统中，数据以二进制信息单元0、1的形式表示。

❾ 未来，如何用数据提升商业决策能力

我认为，首先利用大数据方法能够量化信息，只有量化采集到的信息，才能科学的获得有效结论。其次，大数据的量化思路可能与我们以往的量化思路不大一致。以往的量化思路过分太窄，大数据能够使我们脑洞大开、视野大开。在这里，我推荐使用CVSource，它是由投中信息研发的专为一级市场打造的创投数据库。它通过网络采集、调研访问、数据合作等多种渠道保证数据的完整性，同时利用大数据分析挖掘技术与人工运营相结合的方式保证数据的准确与更新的及时，专业研究团队定向研究来展现投中信息对数据的理解与洞见。为用户在股权投资与研究的各个关键阶段提供数据决策依据。