大数据!然后呢?厚数据时代的来临
大数据(Big Data)热潮是这几年产业界最夯的趋势话题,网路社群媒体的兴起,更推波助澜这股热潮,以为买了网路社群的大数据资料,就可以掌握消费者行为脉动,让行销活动无往不利,仿佛市场立即化作可取予求的宝山,这股数据掏金热让政府及许多企业趋之若鹜,纷纷投注资源于社群媒体的搜集与购买,幻想着抢先一步从中淘筛出最大的黄金。
但,大数据真的是这样吗?
将排山倒海的社群媒体资讯导入企业决策者们的电脑中,希望从琳琅满目真假难分的数据中,找出一条能带领企业脱离困境轻松获利的康庄大道;却发现原本想用来解决问题的大数据,创造了一个满是数字迷魂阵,一头栽进去很能找得到出口。
其实大数据的应用,着眼点并不在「大」量的数据,而是在「人」如何看待数据和让数据说话。
真正有用的数据不一定要花大钱从外部购买,毕竟买回来还要花大量的力气去阅读消化,还不如先从公司内部累积的精准数据和经验着手,看能不能重新找出正确的分析观点来解决问题。
先从小而准的数据开始
在进行数据分析时,数据准确度的重要性比数据量的大小重要,我们可以依数据性质分为三类:小而准(Small and accurate data)、大而乱(big and messy data)、开放数据(opendata)。
其中,小而准的数据如公司内部POS 交易数据,准确而清楚;大而乱的数据则像是从网路社群媒体抓下来的数据,还需要结构化统计整理出意义;开放数据像是天气、人口普查之类,则可以从政府机关的资料库提取。
在资料进行分析之前,我们都必须先思考我们面临的问题是什么?从问题中思考解决的方案,提出观点,再从资料分析中佐证。数据量越大,不确定性越高,所需要进行分析或排除的手续也相对较多,若我们能用小而准的数据进行分析比对,发现问题想出解决方法,一定会比从大而乱的资讯中找答案来得省时省力。
大数据时代,竞争的是解决问题与决策反应效率
一般大数据的特性, 大家耳熟能详的多半是四个V: 数量大(Volume)、速度快(Velocity)、多样性(Variety)、和不确定性(Veracity),但大数据存在的重要意义,也就是第五个V—价值(Value)却常常被人遗忘。
行销专家指出,前面四个V 都是在描绘大数据的样貌轮廓,第五个V 则是提醒,大数据需经过清算整理后,才能够为行销人或决策者带来贡献。所以大数据的使用重点,绝非资料量多大或资料取得管道多么特殊,而是资料创造多少价值。
用一般精准的小数据就能解决的问题,何须大费周章投入大量资源和成本相对较高的大数据?人们往往被大数据字面上的「大」所误导,以为数据量就是要大才会有效,殊不知关键是数据必须能够被衡量掌控,以小而准的数据为基础,视情况进行不同类型的数据之间相乘与重组,才是明智的大数据抉择。
能否用大数据的观念,将手边的数据迅速的转化成正确决策与行,比「快」还要比「准」,将是大数据时代接下来的重要课题。
大数据之后,厚数据(Thick Data)时代的来临…
「数字会说话」或许是大数据时代最常听到的口号,但美国当代统计预测鬼才奈特席佛(Nate Sliver)提醒我们:「数字没办法为自己说话,是我们在为它们说话,我们赋予它们意义。我们可能会用对自己有利的方式来解释资料,让资料脱离客观的现实。 」
大数据,不是单纯以数据多寡或来源来决胜负,而是要依靠「人」根据数据的结合与交叉比对形成的「判断」或「预测」准确与否来决胜。尤其在行销领域中,大数据大部分都是在处理与人有关的数据,而不是没有生命的物质。大数据行销背后代表的,是人的行为模式与需求,因此不能单纯只靠数字或统计来做判断的依据,必须更深入地思考品牌、商品和人之间的关系,而这样的思维将会是下一个厚数据(Thick Data)时代的开端。
所谓的厚数据与强调数据规模的大数据不同,厚数据更重视人和产品或产业数据间的深度与情境,好的数据观点,也往往是从厚数据产生,而非大数据。厚数据强调深入使用者情境,需要厚实的产业知识或经验为底,透过厚数据,将产业产品与消费者做更紧密的连结。
未来的大趋势,若只单纯从现有的大数据发现和判断,过度信任数字呈现结果,将很有可能造成误判。若能透过深入使用情境,探知自消费者需求影响而成的未来产业发展趋势,方能展现厚数据的重要价值。
数据分析咨询请扫描二维码
需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20