信息來源：企業(yè)網(wǎng)

“大數(shù)據(jù)”這個術(shù)語是無處不在的。無論是大企業(yè)還是小企業(yè)，新興企業(yè)抑或是傳統(tǒng)企業(yè)，都正在參與著這個“游戲”。海量的用戶數(shù)據(jù)正在被各個網(wǎng)站大規(guī)模收集利用，有的公司為了能與客戶交流，甚至不惜利用龐大的文本交流數(shù)據(jù)建立算法。

但實際上，我們對大數(shù)據(jù)的癡迷，往往也會產(chǎn)生誤導(dǎo)。是的，在某些情況下，從數(shù)據(jù)中確實能夠獲取到有價值的東西，但其實數(shù)據(jù)的大小并不是最關(guān)鍵的因素，找到正確的數(shù)據(jù)才是關(guān)鍵。

無關(guān)乎數(shù)據(jù)的大或小

在運用大數(shù)據(jù)方面，Uber可以說是一個典型的成功案例。毫無疑問，Uber捕獲了大量的信息。依靠他們的應(yīng)用， Uber可以從司機和乘客那里獲得實時的數(shù)據(jù)，便于他們清楚的分析出在何時何地人們對于車輛會有較高的需求。

在上個時代，我們更多使用的是傳統(tǒng)的出租車，而不是現(xiàn)在只需一個按鈕就能召喚的。那時出租車在很大程度上未連接到互聯(lián)網(wǎng)或任何形式的正式的計算機基礎(chǔ)設(shè)施，但實際上他們才是大數(shù)據(jù)的玩家，為什么這么說?因為傳統(tǒng)的出租車依賴的是人眼網(wǎng)絡(luò)，即司機通過雙眼在城市周圍移動，通過掃描人形圖像、雙臂伸出的動作進行準(zhǔn)確判斷，快速鎖定目標(biāo)。通過大腦的計算，收集分析數(shù)據(jù)得出結(jié)論。

Uber的成功不是依靠他們所采集的大量數(shù)據(jù)，而是源于非常不同的東西： 它要的僅僅是一些小的，簡單的車輛調(diào)度數(shù)據(jù)。Uber的解決方案是停止對視覺數(shù)據(jù)運行生物異常檢測算法，而是只需要正確的數(shù)據(jù)來完成工作。城市里的人需要搭車，他們在哪里?這些關(guān)鍵信息讓Uber、Lyft、滴滴出行革命了一個行業(yè)。

為工作獲得正確的數(shù)據(jù)

正確的數(shù)據(jù)有時候量會很大，有時候又會很小，但這不重要，對于創(chuàng)新者而言，關(guān)鍵是要搞清楚哪些數(shù)據(jù)才是企業(yè)真正需要的，要想找到正確的數(shù)據(jù)，建議你考慮以下三個問題：

問題1 ：是什么在浪費企業(yè)的資源?

大多數(shù)企業(yè)在日常運營中都有著大量的資源浪費。以花卉零售為例，平均下來看，在大多數(shù)花店中的庫存會有50%的腐敗率，也就是說會有近一半的資源會被浪費掉。因此產(chǎn)生了UrbanStems和Bouqs這樣的創(chuàng)新的鮮花配送服務(wù)，因為他們可以通過正確的數(shù)據(jù)來幫助花店減少浪費。

以哈佛商學(xué)院的本·埃德爾曼的話來說，“浪費就是機會，” 無論是在工業(yè)生產(chǎn)、零售、或是法務(wù)調(diào)查中，一定要找出浪費你資源的因素，引導(dǎo)它走向正確的數(shù)據(jù)。無論是簡單的識別還是商業(yè)模式中隱含的決定。

問題2：如何通過自動化來減少資源浪費?

在確定哪些因素會造成資源浪費之后，下一步就是要減少浪費。

但是，當(dāng)涉及到簡單的，重復(fù)的操作決定時，(例如，在哪里派車，如何給產(chǎn)品定價，或者一家花店有多少鮮花)，機器往往比人們做的更好。二十世紀(jì)的許多商業(yè)模式都是基于對人類控制決定的，但是我們今天識別確定數(shù)據(jù)可以通過更多的自動化進行。

傳言稱亞馬遜正在打算淘汰其所有的定價團隊，讓算法來取代。在大多數(shù)零售商眼里，這是完全不可思議的行為。但是如果亞馬遜的算法能夠勝任這份工作，那么它將會為亞馬遜減少成本和庫存，并將推出更好的具有可預(yù)測性的新產(chǎn)品，而這將會帶來巨大的競爭優(yōu)勢。

問題3：你需要什么樣的數(shù)據(jù)?

一旦你有了對系統(tǒng)中資源浪費的理解，并能夠預(yù)判出浪費導(dǎo)致的結(jié)果，那么，最后一步是問一個簡單的問題：什么可以幫助你做出完美決定?

對于Uber來說，他們需要知道潛在乘客的位置所在，便于快速完成自動化指派司機的決策，以減少司機尋找下一個乘客造成的資源浪費。對于互聯(lián)網(wǎng)軟件Predix來說，他們希望提前準(zhǔn)確知道機器崩潰的時間，通過自動化以減少成本維護及非計劃宕機造成的各種浪費。對于尋求降低成本的保險公司來說，他們希望知道的是當(dāng)一個糖尿病患者血糖下降至危險邊緣時，有助于自動化決策的干預(yù)措施，以減少管理不善的浪費。

這些就是你所要找出來的正確數(shù)據(jù)。 如果你能通過掌握大量的信息找到他們將是非常好的。 如果你通過構(gòu)建一個新的應(yīng)用程序來感知捕獲他們將是更好的。

大多數(shù)公司花費了太多的時間在倡導(dǎo)大數(shù)據(jù)上，但是卻并沒有用足夠的時間去思考對于他們而言什么才是真正有價值的數(shù)據(jù)。

原文鏈接https://hbr.org/2016/11/you-dont-need-big-data-you-need-the-right-data