大数据与我们的距离

数据分析是一个大的概念，理论上任何对数据进行计算、处理从而得出一些有意义的结论的过程，都叫数据分析。从数据本身的复杂程度、以及对数据进行处理的复杂度和深度来看，可以把数据分析分为以下4个层次：数据统计，OLAP，数据挖掘，大数据。

为何需要大数据技术？

现在大家都追捧着大数据，机器学习，人工智能…这些技术到底是如何来帮我们改善什么呢？

给各位一个场景：看到AlphaGo几轮对弈围棋大师，结果都是机器获胜，报纸大篇幅报导：机器将取代人工，几年内几类工作将由机器取代！

试问，我们的目的是：

1.把人工取代(成本考虑)？围棋大师没几位吧，取代了对国家GDP没有什么帮助！

2.证明机器可以经由学习变更聪明(比人聪明)？这个不需要证明吧，谁不知道机器在运算，记忆的能力比人高出很多！

3.技术展示，人类智慧的结晶，比围棋更难的工作不多了，有了人工智能后，人类的生活会更好更便利！

以上应该都不是主要的需求！

究竟我们想要透过数据甚至到人工智能解决什么问题？

数据本身并不会产生价值，当我们面对一个问题，需要进行决策时，就需要可以支持决策的相关分析，这时资料的价值方才体现，因此精准的说法是”经由大数据分析后的决策建议，让决策的价值体现”。

绝大多数企业都认同大数据分析的价值，但在真正导入时，却不知道自己需要大数据分析做什么。大数据的分析应用有无限可能，举凡提高销售量、开发新产品、改善作业效率、降低营运成本、招募人才…等，各种企业管理面向都能透过商业分析找到答案，但，前提是企业必须清楚想要透过资料解决什么问题。

定义所要解决的问题后，将会影响到后续的资料搜集、分析等作业流程，因此，大数据分析的导入者必须充分了解企业组织结构、内部的业务和管理活动，才能找出真正的痛点，从大数据中萃取出大智慧，改写企业的竞争DNA。

我们尝试以一个例子来解释：

产能规划是制造型企业最重要的事之一，因为通常这个规划的决策是对于生产资源是否有效投入的重要议题。产能规划的主要输入有两个：第一是销售的预测，另外就是产能的估算(生产单元)。

精益生产的价值流分析中，在信息调查阶段需要对于客户需求进行讯息收集，如：客户月平均需求量，最高需求量…

当有了对未来一年的产能预测，应该要如何决定产能？以最高月需求？还是以年需求月平均来准备产能？

这其中应该还需要决策是否要建立库存？

显然，如果有过去一两年的预测与实际产能的分析，甚至有每个月上下半个月的数据分析做支持，应该在产能准备上，会有较合理的决策支持！

这样的数据，在过去可能都是经过人工整理过(计算)的数据，并不是最原始的数据，当然也可以依据这个资料来做分析，也可以做出决策，只是数据很局限，就像用上面的两条线提供给主管来做决策参考一样。

如果现在所有的主要设备记录有每个产品的被加工时间，设备每天的故障与损失时间也被完整纪录，每个人供检验工站也忠实地记录了产品进出的时间以及不良的原因，这样的数据所累积的产能数据，在决策究竟要买一台还是两台设备的时候，就比较具有说服力。

如果每月的滚动预测，以及每笔订单的实际状况去做比对，我们对于预测的行为可以形成一种模型，在对于市场的预测掌握，也就更有效！

像这样的产能需求决策场景，应该在年度计画的过程中发生，也会在预算执行的过程中发生。类似的需求其实真不少！

谁来导入大数据(分析)的服务

常常看到企业在追求大数据的应用场景，其实像产能需求这类的管理活动所依赖的数据分析，至少应该是现在可以开始着手实施的。这类工作的管理幕僚团队所担任的就是决策价值(商业价值)需求的提供者，但是目前往往是将大数据分析归类为IT部门的工作，最常遇到的问题就是，分析结果缺乏决策价值，最好的方式是结合决策实务和分析技术上的能力，再加上先进的数据工具，不只能从各种角度萃取资料价值，也能提高大数据团队的反应速度。

分享：冠卓咨询

说明：转载请注明“精益”