牛津大學教授維克托·邁爾-舍恩伯格（Viktor Mayer-Schnberger）是《大數據時代》一書的作者，被譽為“大數據之父”。
8月25日，舍恩伯格出席了2016IEBE上海高峰論壇，并就企業如何更好地利用大數據進行商業決策等問題接受了界面新聞的專訪。
越來越多的企業開始重視對大數據的分析與利用。據貝恩咨詢公司的一份全球調研報告顯示，在其調研的超過400家年營業額高于5億美元的企業中，有大約60%的企業正積極在大數據方面進行投資，以期獲取企業發展的新動力。大數據已經從高端化、差異化的決策工具，漸漸演化為各企業常規化的決策工具。
與此同時，人們對于大數據價值的看法也在發生轉變。在大數據研究的早期，極端樂觀的態度是當時的主流，但近年來，這類觀點開始受到反思與質疑。舍恩伯格對界面新聞記者表示，“如果對大數據解讀得過度，實際上就是濫用數據”。
研究大數據，誠然可以讓企業更好地發現數據背后的商機，但是，把大數據運用到商業決策也存在不少局限。
以舍恩伯格之見，大數據用于商業決策存在以下三大難點。
難點一：只分析相關關系，導致商業決策出現盲區。
科研領域的很多統計和分析方法未必適合信息時代的商業領域，舍恩伯格對界面新聞記者說：“很多人把數據間的相關關系看成是因果關系，這有可能造成對大數據的過度解讀。”美國舊金山游戲公司Zynga的興衰，正是這樣一個例證。
Zynga公司的聯合創始人馬克·平卡斯（Mark Pincus）非常篤信大數據的力量。他在公司創立之初就搭建了一套完整的數據分析系統，并組建了以谷歌公司數據分析專家領銜的大數據團隊。Zynga公司在數據倉庫、A/B測試工具和大數據分析方法上的領先，使其較其他游戲公司而言，可以更快按用戶反饋意見調整各類決策和設置。比如，游戲中的草地到底是設為紅色還是綠色，Zynga公司管理層不做決策，而是同時設置紅綠兩套顏色方案，哪一邊用戶付費程度高，Zynga公司就迅速把草地定調為哪種顏色。這樣的優勢，也確實讓Zynga公司在草創時期獲益良多，其最熱門的一款游戲《Farm Ville》曾創下月活躍用戶8300萬的紀錄。
但時間一長，這套體系的弊端也漸漸浮現。這種完全按當前用戶喜好決策的模式，或許能分析游戲何以暢銷的相關因素，但無法分析游戲何以暢銷的因果因素。這使得Zynga公司的新游戲產品持續產生同質化迭代。公司上下從領導層到各部門員工，關注游戲商業模式創新者日益減少。而在競爭激烈、變化速度極快的游戲行業，失去創新精神就意味著全面落后。隨著Supercell公司、King公司等對手不斷推出創新型游戲，Zynga公司也在市值蒸發逾100億美元后，逐漸淡出主流游戲公司陣營。
當前，商業環境的多變，令企業在做商業決策時更像是在面臨一個充滿突變的混沌系統。此時，基于陳舊數據、基于相關關系分析得出的結論，哪怕分析過程中數據量再大、分析方法再繁復，也難保企業不走進決策的盲區。
難點二：完整的大數據難以被企業獲取。
所謂“大數據”，指的是總量的全體數據。但囿于人類在數據采集、存儲與處理等方面的種種客觀限制，要獲得這樣的數據往往難度巨大。
一方面，完整大數據的采集非常困難。舍恩伯格對界面新聞記者表示：“大數據應用通常分為三個步驟：第一步是搜集數據，第二步是分析數據，第三步是根據數據分析結果做出決策。其中，對很多公司而言，最難的一點就是搜集數據。”
另一方面，隨著數據規模變得越來越龐大，企業的大數據存儲與處理能力也在不斷受到挑戰。在傳統介質存儲數據已愈發不現實的今天，商業數據的存儲往往更依賴云儲存等方式。這樣一來，企業在添置云服務及Hadoop分布計算平臺等方面的預算，將是一筆不小支出。另外，由于完整的、結構化的數據難以獲取，大數據在很大程度上存在著非結構化的特征。例如，舍恩伯格就在《大數據時代》一書中有寫道，“只有5%的數字數據是結構化的且能適用于傳統數據庫”。可見，企業在采用智能分析、圖像識別等一系列先進算法來使大數據結構化時，將面臨高額花費。一旦企業的相關投入跟不上，其所獲得的大數據就難言完整。
并不足夠完整的大數據，不僅不能為企業決策提供幫助，反而可能起到誤導的作用。在影視行業，就發生過試圖利用大數據預測影片票房，結果卻與實際票房差距甚遠的事例。比如，愛夢娛樂公司就曾利用其大數據建模，為電影《后會無期》推算了影片總票房收入，其推算結果為4.3億到4.8億元。而該影片的實際票房則突破了6.2億元。這樣的推算結果，顯然難以幫助影業公司在產品宣傳、渠道建設等方面進行理性決策。事實上，愛奇藝公司CEO龔宇也曾表示，百度和愛奇藝也有相關的大數據，但因為在這些搜集到的數據中仍有涉及不到的因素，所以這類預測的準確率不算太高。由此可見，只要大數據中仍存在遺漏和偏差，其對企業潛在的誤導可能性就不容忽視。
難點三：大數據分析領域人才短缺。
企業對大數據的運用能力，受制于其人才儲備狀況。舍恩伯格說，“在大數據領域的研究和發展中，最重要的是人才。”
但因為大數據分析興起的時間并不長，且分析團隊往往規模不小，所以，即使是頂尖企業在組建大數據分析部門時也難言輕松。以Facebook公司為例，這家硅谷巨頭花了將近四年時間，建立了一個超過30人的團隊，才搭建起Facebook自己的數據處理平臺。維持這個數據處理平臺的常規運行，更是需要超過100名數據分析專家。又比如，LinkedIn公司建立起自己的大數據部門用了整整六年時間。
如果這些知名公司，都需要在大數據分析部門的建設上如此費心費力，那么，其他公司在完成此任務時，其難度無疑更甚。麥肯錫咨詢公司發布的一份大數據報告就曾預測，到2018年，僅美國在數據科學家方面的人才缺口就會達到14萬至19萬人。人員構架的短板，則會導致大數據分析領域先進技術難以得到實施。從貝恩咨詢公司的那份全球調研報告中可以發現，目前僅有38%的企業，能夠使用如NoSQL、HPCC以及自動數據清洗算法等大數據領域的先進分析方法。這些都使得各企業在用大數據幫助企業決策時，其效果需要打上一個不小的問號。
縮小決策范圍，才能放大大數據的作用
在運用大數據來輔助企業決策方面，舍恩伯格認為亞馬遜是個典型案例。
對于用戶在亞馬遜網站上的頁面停留時間、評論查看情況、各類關鍵詞的搜索、各種商品的瀏覽量等大數據，亞馬遜公司都會做出細致分析。這家在各個業務環節中都無不體現著“數據驅動”的公司，也在2016年《財富》全球500強排行榜中躋身前50強，排名達到第44位。誠如舍恩伯格所言，“那些能夠理解大數據、并且懂得讓大數據提供價值的公司，將能夠有更多的成功可能性。”
大數據能讓商業決策變得更盲目，還是更理性？舍恩伯格認為關鍵還是在于，企業是否對大數據的運用范圍進行了縮小，為其樹立一些邊界。
即使是非常重視大數據力量的亞馬遜公司，其在推出Prime等前瞻性業務時，主要依靠的也不是某些大數據，而是該公司創始人杰夫·貝佐斯（Jeff Bezos）的經營哲學與商業洞見。
舍恩伯格向界面新聞記者說：“大數據是一種資源和工具，它的目的應限定為告知，而不是解釋。”把“告知”的任務交給大數據，而把“解釋”的權利保留在人的手中，才是讓大數據參與企業商業決策的良好方法。大數據的真正魅力，恰恰產生于其變“小”之后。
這樣，大數據在釋放用戶信息、改進商業建模、優化決策精細程度等方面的優勢，將得到保留。與此同時，管理者也能利用大數據提供的精準量化分析成果，使自己在戰略遠見與商業洞察方面的優勢獲得更強有力的支撐。
今年3月，谷歌公司旗下的AlphaGo以4:1的總比分戰勝世界圍棋冠軍李世石，引起了巨大轟動。正如舍恩伯格所述，“現代的人工智能，其進行自我深度學習的根基就是大數據”，AlphaGo，正是人類對大數據決策能力的一次良好運用。
微縮于19X19格的圍棋規則邊界后，AlphaGo運用大數據完成了遠比人類更高明的決策，給予世人以啟示。
在舍恩伯格看來，“人類要知曉大數據的力量，同時也要看到大數據的局限”。在未來，一個個有邊界限定的“棋盤”，或許才是大數據在商業決策時更好的用武之地。
京公網安備 11010502049343號