天云大數(shù)據(jù)CEO 雷濤

為什么我說大數(shù)據(jù)不等于BI？

大數(shù)據(jù)和BI有很多對(duì)立。我們?cè)陧?xiàng)目實(shí)施中一直遵循這一原則。例如

1.全量思維。不用抽樣建模，再回到DW實(shí)施。大數(shù)據(jù)利用全量數(shù)據(jù)直接跑，先在大寬表中找到以前靠業(yè)務(wù)經(jīng)營選擇的字段，即依靠機(jī)器學(xué)習(xí)建規(guī)則，再在全局?jǐn)?shù)據(jù)中實(shí)施。大數(shù)據(jù)在這個(gè)層面首先是基礎(chǔ)設(shè)施，能夠完成以前不能完成的任務(wù)。例如某保險(xiǎn)公司，SAS只能跑幾十萬用戶的一種分類模型，現(xiàn)在可以把個(gè)險(xiǎn)3600萬用戶跑個(gè)全量，得到上千個(gè)分類，發(fā)現(xiàn)業(yè)務(wù)經(jīng)營給不了事實(shí)。這是大數(shù)據(jù)的IT屬性，Hadoop分布式計(jì)算帶來的顛覆創(chuàng)新。

2. 個(gè)性化。 BI面向決策，面向人的干預(yù)。輸出形式更多的dashboard.report。因此對(duì)事實(shí)描述更多是基于群體共性，而不是個(gè)體刻畫。例如回到保險(xiǎn)公司的例子，當(dāng)我們用大數(shù)據(jù)計(jì)算出每一個(gè)個(gè)體客戶的流失風(fēng)險(xiǎn)概率，做個(gè)性化客戶視圖。而BI系統(tǒng)需要匯總成宏觀統(tǒng)計(jì)數(shù)據(jù)。前者幫助我們深刻的了解每一個(gè)用戶，適合于精準(zhǔn)推薦類營銷類問題，回答How much how strong的程度類模糊問題；后者幫助決策者掌握宏觀統(tǒng)計(jì)趨勢(shì)，適合經(jīng)營運(yùn)營指標(biāo)支撐類問題，準(zhǔn)確回答yes or no的統(tǒng)計(jì)意義概率問題。
大數(shù)據(jù)對(duì)個(gè)體刻畫還是BI的群體描述，引發(fā)了下面第三種差異。

3. Insight or Automation群體共性的描述獲得的Yes or no的問題對(duì)于復(fù)雜經(jīng)濟(jì)現(xiàn)象越來越難回答，維度指標(biāo)越來越多。例如上面客戶流失風(fēng)險(xiǎn)的例子，被BI系統(tǒng)做成統(tǒng)計(jì)指標(biāo)后匯報(bào)高層做決策，高層形成客戶挽留計(jì)劃一類的執(zhí)行策略往往風(fēng)險(xiǎn)很大，包括質(zhì)疑數(shù)據(jù)準(zhǔn)確性，執(zhí)行效率反饋周期等等，其結(jié)果就是面對(duì)這樣的宏觀不決策不作為。因此，某種意義上，BI形成的Insight，因?yàn)闆]有形成閉環(huán)干預(yù)，而沒有發(fā)揮作用。

大數(shù)據(jù)強(qiáng)調(diào)Automation. 淘寶更強(qiáng)調(diào)為每一筆網(wǎng)購做自動(dòng)推薦的生產(chǎn)系統(tǒng)。上面的保險(xiǎn)客戶流失例子，大數(shù)據(jù)刻畫客戶后提供給一線銷售，數(shù)據(jù)服務(wù)下沉而不是匯總上報(bào)，每一個(gè)保險(xiǎn)員做微決策微行動(dòng)，風(fēng)險(xiǎn)小反饋及時(shí)。大數(shù)據(jù)更強(qiáng)調(diào)提供自動(dòng)化工具，而不是統(tǒng)計(jì)報(bào)告。

4. 反饋和實(shí)驗(yàn)方法 因?yàn)橐肓薃utomation，和記錄行為數(shù)據(jù)，效果更直接及時(shí)。例如互聯(lián)網(wǎng)最多用的AB testing. Hulu每日上線的測(cè)試有200多個(gè)，可見測(cè)試方法在數(shù)據(jù)分析中的重要程度。
有機(jī)會(huì)展開談?wù)凚I和大數(shù)據(jù)，在這個(gè)概念泛濫的大數(shù)據(jù)熱炒時(shí)代，啤酒尿布少女懷孕黑人進(jìn)白宮，各種公司一夜轉(zhuǎn)型大數(shù)據(jù)，如何辨別小數(shù)據(jù)和大數(shù)據(jù)，不僅是技術(shù)基礎(chǔ)，更重要的是思維方式。