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。
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。“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