駕馭大數據 驅動企業創新致勝能量

Uber運用大數據分析，每日即時更新熱點地圖，藉此協助車主減少空載時間，順勢幫助乘客降低等候時間。Uber

事實上，企業藉助資訊科技力量執行商業決策，並非此刻才發生，過往已為人熟知的商業智慧(BI)、資料採礦(Data Mining)，然而如今在市場掀起陣陣波瀾的大數據(或稱巨量資料)，卻與往昔的分析技術有所不同，宜以不同的思維看待大數據應用價值。

早在2011年，知名的管理諮詢機構麥肯錫(McKinsey)，即已透過「大數據：創新、競爭和生產力的下一個領域」報告，清楚昭告世人，大數據(Big Data)將成為宰制競爭力高下的關鍵性基礎，並躍居下一波賴以提振生產力、推動創新、創造顧客價值的支柱。

緊接著，在2012年於瑞士舉行的世界經濟論壇中，也揭櫫一份名為「大數據、大影響」的報告，強調過去資料被視為不甚有用的積累，但如今已成為一種全新的經濟資產型態，亦是今後極其重要的生產要素，所以現在即是大數據時代的開端；而且更重要的，論及過往的實體生產要素，不管是廠房或機械設備，都會伴隨使用次數的增加而折舊，然而大數據恰好相反，其價值反倒會隨著重複利用而增長，幫助使用者掌握更多的線索、商機或趨勢。

也許有人對於大數據時代的來臨感到不解，多年以來，不少企業已經陸續佈建了資料倉儲、資料超市、線上分析處理(OLAP)、資料採礦、報表系統、儀表板、戰情室系統...等廣義的BI工具，也就是早就藉由IT來輔助決策制定，為何如今又迸出大數據這個新辭彙？它與過去的BI有何不同？事實上，前後真的大不相同。

舊方法難以處理的資料  即可稱之大數據

姑且先撇開大數據的3V(Volume、Variety、Velocity)特性不談，所謂大數據，蘊含了多種資料型態，包括交易記錄(Transactions)、互動資料(Interactions)與觀察資料(Observations)；其中人們較熟知的部份是交易記錄，通常意指由ERP、CRM或SCM所產生的高度結構化資料，例如ERP裡頭的採購明細、採購記錄或付款記錄，乃至於CRM裡頭的交易明細、客戶接觸記錄、維護合約等等，並儲存於關聯式資料庫系統，綜觀過去的各類型BI技術，分析的元素多落在這些範疇。

至於互動資料，則譬如是使用者點擊流量、Web日誌、社交互動與反饋...等等，意指人與物之間彼此的互動，抑或業務交流；有關觀察資料，係由時下最夯的物聯網所產生，不論是溫度、濕度、壓力、動作、RFID感測，甚至是手機當中的GPS晶片，都可繁衍出大量的觀察資料。持平而論，環顧以往的BI分析，涉及互動資料與觀察資料的機率極為有限，甚至可謂趨近於零，此乃由於，這些數據幾乎都屬於非結構化或半結構化性質，單憑這點，即能充分凸顯BI與大數據分析之差異。

換言之，舉凡人們接收訊息、點擊滑鼠、瀏覽網頁、線上購物...等各式各樣的行為，都足以產生並累積龐大數據，因此不管在於數量、格式乃至傳輸速度，皆與傳統BI所面對的結構化交易型數據大不相同。

然而若欲區隔BI與大數據，其實還有更加簡單明確的指標。一是從技術觀點來看，只要是傳統的方式無法處理的資料量，都可視之為大數據，簡單來說，企業的分析人員將所欲分析的資料匯入伺服器的主記憶體，如果因數量過大而擺不進去，就可把它當做大數據，接著尋求有別以往的新工具來予以處理。

企業欲將IT進化為DT  需仰賴資料科學家

另外，BI與大數據兩種分析技術的出發點，其實也截然不同。有關BI，主要是用以處理已知的問題，也就是憑藉過往營運軌跡記錄理出脈絡，呈現於視覺化報表，藉以幫助高階主管制定下一步的商業決策，但綜觀整個決策過程，分析之結果，乃是居於輔助地位，賴以判斷決策走向的關鍵因子，是來自於經營者的腦袋；然而大數據則是用於處理沒經過事前定義的未知問題，其關鍵答案，埋藏在一堆看似無用的數據裡頭，並非任何人的腦袋。

比方說，企業經營者依據其經驗與智慧的累積，不假思索即預知產品品質的好壞，與公司營業額的消長，呈現正向關係，因而要求同仁運用BI工具，藉由過往數據描繪趨勢圖，從中深入探索可能影響產品品質的因子，接著研擬改善精進的方案；如今同樣維持「如何促進公司營業額增長」問題不變，轉而採用大數據分析方法找答案，則無需預先界定問題(例如先做好產品品質攸關業績好壞的假設)，由相關同仁從偌大數據洪流理出頭緒，接著發揮創意巧思，設計出最有機會一擊中的、提振業績的好方案，而最終方案可能依舊圍繞於產品品質，但也可能攸關銷售人力配置、行銷計畫、庫存管理..等等許許多多的可能性。

所以過去即曾有專家建議，企業實施大數據分析的理想做法，應是領域專家負責發問、或是提出大方向，至於定義問題、尋找答案等重責大任，則落在資料團隊身上。但不可否認，欲提出正確且關鍵的問題，已然具備不低難度，後續再談到如何界定問題範圍，並嘗試將無限的想像空間，收斂為有限空間，再從這個有限空間搜索答案，也同樣具備相當難度；這些能量的養成過程，肯定比如何部署Hadoop分散式運算架構、如何寫好MapReduce程式，還來得更為艱辛，同時也具有更大價值與意義。

大陸阿里巴巴集團董事長馬雲曾經說道，我們正在從一個以控制為起點的IT時代，邁向一個以激活生產為目標的DT(Data Technology)時代，這個移動的過程，絕非僅僅仗恃技術的升級，更重要的，乃是思想意識的重大變革。也就是說，將Hadoop、MapReduce甚或Data Mining等技藝練就得爐火純青，充其量都只是培養IT方面的高手，頂多是孕育傑出的資料工程師，仍非對於公司深具價值的DT戰將、或是資料科學家。

哈佛商業評論曾將資料科學家喻為「21世紀最性感的工作」，此話絕非無的放矢，因為展望未來，多數企業都需要這般人才，資料科學家愈齊備，就愈能協助企業將垃圾轉化為黃金，進而挹注源源不斷的創新轉型能量，以致能夠在虛實世界界線愈趨模糊之際，確使企業能穩定地朝向致勝的目標前進。

Uber及Airbnb  皆靠大數據打造創新利基

放眼全球，幾乎所有引領風騷的成功企業，都離不開大數據，背後皆有一群人，有能力將大量資料轉變為富含價值的金礦，無論是Google的搜尋結果、定向廣告，Amazon的精準商品推薦，或是Facebook列出可能認識的好友，皆是拜大數據分析所賜。

除此之外，近年來「共享經濟」概念響徹雲霄，兩家最常被引為相關經典案例的新創企業「Uber」與「Airbnb」，個個都深具大數據分析能量。以Uber而論，旗下車主與顧客的共同期望，便是縮短時間，車主想儘可能縮短空車時間，乘客則希望將等待時間降至最低，著眼於此，Uber的資料科學家悉心建構Location-based需求模型，將運算結果即時更新於熱點地圖(Heatmaps)，幫助車主減少空載時間，也一併協助顧客降低等候時間，甚至未來還將進一步指引車主，可以提前到哪些熱點進行等待，便能夠載運到更多乘客。

至於Airbnb，不僅擁有旅遊地、用戶評論、社群資訊、房源描述等等巨量資料，甚至還配置專責團隊，負責彙集某些地點的人文、宗教或歷史資料，再加上內部Discovery Team擅長使用自然語言處理與機器學習，得以深入洞察客戶鍵入的搜索關鍵字，據此產生推薦結果；因此當顧客搜尋住宿地方之時，Airbnb的Location Relevance Model總是能精準提示最契合客戶需求的住宿地點，可說是純熟運用大數據的典型個案。