姜浩端：數(shù)據(jù)驅動決策的挑戰(zhàn)

　　決策可以由三種方式分別或混合驅動：直覺、經(jīng)驗和邏輯。雖然有時直覺和經(jīng)驗在決策過程中是無可替代的，例如喬布斯對蘋果產(chǎn)品需求的直覺把握，或者招聘者對應聘者從業(yè)經(jīng)驗的要求，但通過邏輯方式做出決策通常被認為具有高確定性的特點，更易于被接受。數(shù)據(jù)是填充邏輯過程的基石。

　　自計算機和網(wǎng)絡進入商業(yè)應用以來，以信息化技術對數(shù)據(jù)進行分析來驅動決策的努力就已開始。企業(yè)信息化管理系統(tǒng)不斷發(fā)展，按照時間順序先后出現(xiàn)了庫存控制IC　、物料需求計劃（MRP）、制造資源計劃（MRP II）、企業(yè)資源計劃ERP　、供應鏈管理SCM　、客戶關系管理（CRM）、決策輔助DSS　、商業(yè)智能BI　等主流體系。其發(fā)展歷程大致可分為三個階段，分別是數(shù)據(jù)處理階段、知識處理階段和智能處理階段。早期的信息化系統(tǒng)以管理內(nèi)部數(shù)據(jù)、維護企業(yè)相關信息資源為主。從企業(yè)資源計劃（ERP）開始，信息化系統(tǒng)開始加強、改進和再造業(yè)務流程，并逐漸將業(yè)務上、下游企業(yè)數(shù)據(jù)和關聯(lián)企業(yè)數(shù)據(jù)納入系統(tǒng)，跳出了傳統(tǒng)企業(yè)內(nèi)部的邊界。隨著數(shù)據(jù)倉庫技術和數(shù)據(jù)挖掘技術的發(fā)展，進一步有效利用數(shù)據(jù)形成決策的洞察力成為可能，商業(yè)智能系統(tǒng)（BI）得以發(fā)展。典型商業(yè)智能系統(tǒng)（BI）的模式，是通過對數(shù)據(jù)進行抽取、轉換和裝載（即ETL過程），合并到數(shù)據(jù)倉庫里，利用合適的數(shù)據(jù)挖掘技術、查詢和分析模型、聯(lián)機處理（OLAP）工具等進行分析和處理，將數(shù)據(jù)轉化為知識，為決策服務。廣義上的BI（商業(yè)智能），覆蓋、發(fā)展了之前企業(yè)處理數(shù)據(jù)的信息化系統(tǒng)思想，代表了“大數(shù)據(jù)”前期可商業(yè)化推廣的數(shù)據(jù)分析模式和技術主流。

　　“大數(shù)據(jù)”夯實決策基礎

　　在“大數(shù)據(jù)時代”之前，雖然數(shù)據(jù)分析的重要性也被普遍認可，但局限于“小”數(shù)據(jù)的特點，關系數(shù)據(jù)庫中的結構化數(shù)據(jù)多年來一直主導著信息化應用。企業(yè)信息化系統(tǒng)在提高生產(chǎn)和管理效率方面發(fā)揮了作用，但遠未形成可做決策依據(jù)的洞察力。直覺和經(jīng)驗在決策過程中的地位仍無可替代。

　　互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動通訊的快速發(fā)展，以及遍布物理世界的RFID、無線傳感器催生了“大數(shù)據(jù)時代”的來臨。海量數(shù)據(jù)使得支持某些決策的“全樣本”數(shù)據(jù)成為可能，“小”數(shù)據(jù)分析依賴的假設前提可能不復存在。同時，幾何級增長的非結構性數(shù)據(jù)、流數(shù)據(jù)使得分析對象發(fā)生改變，傳統(tǒng)數(shù)據(jù)管理和分析技術難以適應要求。大數(shù)據(jù)環(huán)境下企業(yè)需要應用新的分析模式。在成本可承受的條件下，通過快速采集、發(fā)現(xiàn)和分析，從海量、多類別的數(shù)據(jù)中提取價值，并形成有效的可做決策依據(jù)的“洞察力”，將是信息化系統(tǒng)的發(fā)展方向。當前階段從非結構化數(shù)據(jù)和流數(shù)據(jù)中探求知識和進行洞察的計算機工具正在快速發(fā)展，比如自然語言處理、模式識別以及機器學習等，預示著數(shù)據(jù)驅動決策模式的美好前景。

　　目前大數(shù)據(jù)剛剛步入企業(yè)的應用階段，幾乎對于所有行業(yè)，應用大數(shù)據(jù)分析都是創(chuàng)造新的競爭優(yōu)勢之源。隨著時間的推移，那些能更好地利用大數(shù)據(jù)的組織將有可能實現(xiàn)更多的創(chuàng)新，并保持敏捷性。麥肯錫的調(diào)查顯示：數(shù)據(jù)驅動型的公司在生產(chǎn)率和盈利水平方面普遍好于競爭者。在“大數(shù)據(jù)時代”，對于某些類型的問題，機器和信息化系統(tǒng)可以比人做出更好的決策。這種數(shù)據(jù)驅動決策的模式已經(jīng)初露端倪，比如在金融市場領域，計算機基于大數(shù)據(jù)做出了相當大部分的投資決策?？梢灶A料，隨著數(shù)據(jù)的不斷變“大”，數(shù)據(jù)驅動決策的重要性會越來越高。

　　數(shù)據(jù)驅動決策在大數(shù)據(jù)趨勢下面臨的挑戰(zhàn)

　　一是大數(shù)據(jù)本身的局限。首先是數(shù)據(jù)質量，不能反映真實情況或者在關鍵點上隱藏錯誤的數(shù)據(jù)無疑是極具危害的，保證數(shù)據(jù)質量需要有效的制度和法律環(huán)境。另外，數(shù)據(jù)本身仍可能局限決策的洞察力。例如那個著名的例子，如果你在汽車出現(xiàn)以前能使用大數(shù)據(jù)來分析社會對交通工具的需求，你可能得出一個結論，那就是需要更快的馬車。得出這個結論后，沒過多久，福特造出了汽車。大數(shù)據(jù)盡管夠“大”，但它不能基于沒有的事件。過分依賴于數(shù)據(jù)的決策，有可能忽略那些不需要數(shù)據(jù)驅動、而依靠直覺和經(jīng)驗形成的創(chuàng)新。當然，目前基于大數(shù)據(jù)進行創(chuàng)新的例子也比比皆是，比如谷歌的語言翻譯系統(tǒng)。這就需要綜合考慮數(shù)據(jù)類型和決策類型，明確大數(shù)據(jù)在驅動決策中的優(yōu)勢和劣勢，設定明確的目標，向大數(shù)據(jù)問正確的問題。

　　二是大數(shù)據(jù)分析技術的局限。雖然目前在分析數(shù)據(jù)的大容量、異質性、實時性方面仍存在技術上的困難，但技術總在進步，某些來自數(shù)據(jù)本身特點的困難可能最終被克服。真正的局限性也許內(nèi)置于大數(shù)據(jù)分析技術本身。比如，信息化系統(tǒng)的預測性模型中，缺陷常常來自模型假設本身。雖然有研究聲稱：大數(shù)據(jù)分析不需要那些有假設缺陷的模型，但大數(shù)據(jù)分析技術仍需要算法和機器學習。機器學習通常假設環(huán)境是穩(wěn)定的，對作為復雜系統(tǒng)的環(huán)境進行穩(wěn)定假設是不完美的，由此可能帶來與實際情況偏離的結果。如果假設環(huán)境是不穩(wěn)定的，就難以窮盡不穩(wěn)定的因素。再比如，大數(shù)據(jù)分析是對觀測數(shù)據(jù)之間規(guī)律的分析，其對相關性的洞察力必然要強于對因果性的洞察力，而忽略因果關系的決策依據(jù)，是有局限性的。

　　三是對決策管理模式的挑戰(zhàn)。在數(shù)據(jù)缺乏的時候，組織內(nèi)核心管理人員的直覺和經(jīng)驗在決策過程中發(fā)揮重要作用。從直覺和經(jīng)驗驅動決策向數(shù)據(jù)驅動決策轉化的過程，也是決策主體從精英階層轉向團隊及社會公眾的過程，這個過程可能并不順暢，那些沒有足夠靈活性來適應大數(shù)據(jù)趨勢、創(chuàng)造數(shù)據(jù)驅動決策模式和文化的企業(yè)可能在競爭中失敗。信息化系統(tǒng)在大數(shù)據(jù)分析中可能會強調(diào)協(xié)作分析和過程公開，這就需要企業(yè)創(chuàng)造適宜的數(shù)據(jù)驅動文化，并根據(jù)業(yè)務內(nèi)容把握好直覺和經(jīng)驗驅動決策與數(shù)據(jù)驅動決策的關系。

　　巴菲特在投資忠告中說“警惕那些使用公式的怪家伙”（Beware of geeks bearing formulas）。我們可以理解為這是對不需要直覺和經(jīng)驗的決策的敬畏，也可以理解為這是對脫離直覺和經(jīng)驗的決策的不信任。無論如何，大數(shù)據(jù)正在改變決策的驅動方式。

　?。ㄗ髡邽閲鴦赵喊l(fā)展研究中心信息中心副研究員）