大數據以及大數據技術的爆發使得人們漸漸把“數據為王”的論調奉為圭臬，甚至有很多公司在數據管理、商業智能和分析方面砸數百萬美元，企圖從中獲得價值，但是只要利用了數據，企業就一定會成功嗎？

成為數據驅動型企業已經是大部分企業的目標，為了實現這一目標，企業往往會在內部設立一個首席數據官(CDO)，但是Gartner報告顯示只有一半的CDO成功了。為什么你的企業采用了數據驅動，還是會失敗?我們在肯定數據能夠提高企業績效的同時，也要看到數據的局限性。

數據通常是模糊的，并且極有可能存在偏差

企業中的絕大多數數據都是存儲在數據庫中的結構化數據，這些數據通常是在原始數據階段被收集，然后從非結構化格式轉換為結構數據存儲起來，數據的結構通常是由應用程序(包括數據庫)或技術人員的個人習慣來確定的。例如，在基于活動的成本計算分析中，如果應用只能捕獲開始和結束時間，不能捕獲活動的全過程，那么對于活動的分析幾乎是不可能實現的。因此，數據的上下文預先確定或失真就意味著捕獲和存儲的原始數據不僅是模糊的，而且還有可能是有偏差的。統計學家Nate Silver表示：沒有毫無偏差的數據，偏差是數據的自然狀態。

數據并不總是能轉化為行動

即使數據質量良好，要想將數據轉換為洞察、決策和行動也有很多其它的決定因素，如組織結構、適當的培訓，授權員工采取行動等等。雖然數據依賴于邏輯，但是決定通常是基于情感的，單純的邏輯是永遠不能驅動行動的。

假設有兩家公司同時售賣汽油，公司1的汽油價格(87.9美分)比公司2(93.9美分)的汽油價格低6美分，公司2的員工即使明知這個狀況也無法改變，因為汽油價格的變動需要上層領導批準。在這種情況下，你明明掌握了最及時準確的數據，但是卻無法做出行動。愛迪生曾說“一個想法的價值在于使用它”，如果數據的分析洞察沒有付諸行動，那么分析就毫無意義。

數據的相關性是時間和空間的函數

由于不斷變化的業務需求和政府法規，現在相關的數據可能在未來的某個時刻就會變得不再相關。假設有兩個工廠，工廠A的企業裝運是基于交付優先級的，工廠B則是基于客戶類型，所以對于工廠B來說裝運優先級就是不必要的數據。但是，企業往往會誤解數據的相關性，花費大量的時間和精力來管理不必要的數據，而且這不是個例，是信息管理中的常見問題，研究人員瑪莎·費爾德曼和詹姆斯·馬奇在1981年就表示管理者經常要求他們管理一些不必要的數據和信息。

數據有可能導致分析癱瘓

Google前CEO埃里克·施密特曾表示現在人類兩天內產生的數據量與從文明開化到2003年以來產生的數據量相同;IBM表示現在每天產生2.5兆字節的數據......在這樣數據爆發的時代，想要獲取高質量數據并從中獲得有助益的決策會面臨更多挑戰。Oracle的調查顯示，超過300名CXO表示目前他們企業收集和管理的業務數據比兩年前多出85%，但是47%的受訪者表示他們企業并不能從這些數據中得出正確的決策，所以數據雖然重要，但是更重要的是正確的數據。

先哲愛因斯坦早在很多年前就給予了我們啟示：不是所有可以計算的東西都是重要的,也不是所有重要的東西都可以被計算。

數據的實際使用遠超過預期

數據可能會由不同的利益相關者以不同的方式消費。例如，銷售代理使用電話號碼字段來進行客戶呼叫，而稅務分析員則可能使用電話號碼的區號來獲得每個管轄區的稅率，通過這個例子我們可以看到電話號字段的實際使用超過其預期使用，元數據本身也是具有挑戰性的。 此外，在大多數情況下，數據和信息之間的邊界并不是那么清楚的，一個人的數據對于其他人來說可能就是信息，如海洋的輕微變化可能對原油交易者來說就是一個決定性的信息，但是對于其他人來說可能一文不值。

數據管理是昂貴且耗時的

雖然企業一直想要通過有質量的數據來獲取洞察，但是數據質量的獲取和管理是十分昂貴的，數據的創建、存儲、處理、共享、聚合、清理、復制等操作都是需要時間和金錢的。根據MIT Howard Rubin博士的研究：金融服務部門的92%的業務成本是與數據有關的。即使數據質量得到了改善，整個數據的生命周期中也還是需要管理的，因為數據質量會以每年7%的速率下降。數據管理是一場馬拉松，而不是沖刺，所以如果企業需要高質量的數據，那么數據管理計劃應該被提升到企業級持續改進計劃的層面。

數據可能會約束創新

數據只是在揭示過去的事情，但是并不能改變未來。《Getting Change Right》的作者Seth Kahan曾說過：只依據數據來做決定就像是只利用后視鏡來駕駛汽車。如果企業在困難時期，想要利用過去的決定來擺脫困境，那么只能是越來越倒退，過去只能表示你去過哪些地方，并不能為你的未來指路。

數據永遠不會是實時的

現在很多公司都在談論數據實時分析，但是其實數據永遠都不可能是實時的，數據實時分析本身就是個偽命題，因為數據在發起和捕獲之間總是有時間滯后的，在plant/SCADA/PoS 系統中這種時間滯后可能是幾微秒，但是IT / OLTP系統數據庫中的數據的格式化、清理、驗證、策劃和提交可能需要幾個月。另外，在對BI / OLAP數據集執行分析操作之前，需要從不同的系統合并并聚合數據，所以時間延遲會進一步延長。

聚合數據分析與流數據分析雖然截然不同，但是在這兩種情況下，數據的發起和分析之間都存在時間滯后，聚合數據的時間滯后的單位可能是天、周或月，而流媒體數據的時間滯后的單位可能是分鐘或者小時。所以即使企業設法做到了實時獲取數據，但是通過數據進行的趨勢、規范和預測分析也還是需要時間的，有意義的數據分析永遠不會是實時的。

數據可能誤導決策

數據誤導決策的方式主要有三個：KPI，圖表和樣本大小。首先，不完全的KPI數據是被誤導的常見來源，企業環境中的分析通常需要使用企業級LoB的KPI集合來實現，但是企業中LoB的目標通常是有沖突的，并且使用LoB級別的數據可能會對企業決策造成誤導。如營銷LoB的KPI是客戶忠誠度的百分比增長，這對營銷來說肯定是一個積極的績效指標，但是由于活動成本的增加，這對金融KPI來說會產生不利影響。因此，KPI中的數據可能無法提供企業性能完整和準確的畫像。

數據誤導的第二個來源是圖表，由于圖表的表現形式有很多種(如不同的度量、軸等等)，而且加入了圖表設計師的主觀想法，所以讀者很可能會被圖表數據誤導。

數據誤導的第三個來源是數據源或者是樣本大小的選擇，在業務轉型中我們常常會聽到這樣一句玩笑話“你想得到什么樣的結論，我來幫你準備合適的數據”。根據愛丁堡大學在2009年的一項調查顯示，33.7%的受訪科學家承認他們的科學實踐是有問題的，其中包括修改美化研究結果、對數據進行主觀解釋、根據個人感覺對一些敏感的細節和下降趨勢做保守處理等等。更多的情況是根據業務或收益操控數據。

2007年，英國廣告標準管理局叫停了高露潔牙膏廣告，因為其“八成牙醫推薦高露潔牙膏”的廣告語存在兩大問題，一是誤導消費者理解為牙醫推薦高露潔牙膏超過推薦其他品牌牙膏，二是誤導消費者認為高露潔所有產品都獲得了專業牙醫的醫學認可。之后，英國廣告標準管理局對牙醫進行了電話調查，“推薦什么品牌牙膏給消費者”，調查結果顯示除了高露潔之外，還有一個品牌的牙膏也備受推崇，且“八成牙醫推薦高露潔”的廣告內容意味著牙醫對該產品的專業認同，但高露潔并沒有得到牙醫的書面批準，因此認定該廣告有誤導之嫌并叫停了廣告。

結語

在這個萬物互聯的時代，任何決定都不是在真空中做出的，數據對于企業運營來說就像是燃料一樣重要，但是如果盲目投入時間和精力建設數據驅動型企業有可能會徒勞無功，甚至還會賠了夫人又折兵。那么在什么情況下，不宜采取數據管理舉措呢?

高級管理層沒有承諾將數據評估為共享企業資產(這里指的不是LoB或功能層面);

企業沒有長遠的規劃來運行和維持數據管理計劃;

數據洞察不能快速轉化為行動;

數據的相關性隨時間、空間和利益相關者不斷變化;

企業對業務流程或活動沒有側重點。