大數據追求敏捷非完美（算者）
geralt圖片
說到數據化驅動能力，很多公司都想變成亞馬遜和谷歌，但往往難以取得實質效果。Gartner的數據顯示，大數據專案的失敗率超過五成，你是否以為亞馬遜有什麼秘密武器？
須訂立清晰目標
我的老師曾經是亞馬遜首席科學家，若說該公司的秘密武器，他認為成功關鍵在於量化目標和快速回饋。從企業文化來說，亞馬遜是一家「無數據不商業」的公司，但同時又能做到以客戶為中心，不被KPI綁架。
《易經》有一「蒙」卦，主旨是如何做到「迷而不失」，在「蒙」之中依靠清晰的目標找出確定的方向。在我看來，數據的重要性就是如此。我見過很多企業 設立目標時馬虎了事，卻高談什麼數據驅動。第一步出錯了，如同引擎「空轉」一樣。若想避免代價高昂的錯失，量化業務並找出過程中的對與錯，有時比成果更重 要。不過，把分析策略融入業務當中，不但極需要高層投入，還要得到員工從下而上的認同。
大部分公司往往將分析能力與執行力區分。在分析的世界，有效資訊能加強人們對事物的預見性，但這不代表能直接解決問題，因為分析的結果往往未能直接 促成有效行動。這就好比有人跟你說這個停車場滿了，卻沒告訴你多等5分鐘就會有車位。確保分析結果與行動盡量接近及直接，是把分析意見和行動聯繫起來的關 鍵一步。
然而，值得注意的是分析永遠不會有「完成」的一天，所以不要費時費力試圖打造出完美模式。對企業來說，業務總是在變化，所以機遇、風險、難題、優先 事項等一切都在變化。因此，分析的技術與思維也應該追求「敏捷」而不是完美。通過多角度的反饋回路去認知分析目標，以反覆運算的形式去不斷測試數據、演算 法、行動的關聯效果。總之，技術的根本就是要把分析演算法做到靈活應變，而非一蹴而就。
要做到這一點，讓我想起上周引起關注的人機圍棋大戰，AlphaGo充分展現了人工智能的想像空間。有人說這是機器的勝利，但我覺得很奇怪：難道機 器不是人類造出來的嗎？我認為，人類對科學的探索才剛起步，我們不妨釋放一下想像，未來每家公司都有能力把數據、演算法、人工智能與業務場景無縫地聯動起 來，創造更多像谷歌無人車那樣的創新、Netflix《紙牌屋》那樣的製作。
但現在，我還是要提醒大家一句，在一頭扎進複雜的技術之前，應該先從打造成功應用的例子做起，切勿貪功。
更多算者文章：
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
