大數據失敗案例之七宗罪

“我們正處于開始階段，想了解下其他人正在做什么，有哪些成功案例?！盠iu說：“而所有的失敗案例，也是我們必須學習并加以警惕的?！?/span>

很多人有著和Liu一樣的想法。Family Dollar Stores Inc.（美國知名折扣零售商，總部位于北卡羅來納的夏洛特，最近剛被另一家折扣連鎖店Dollar Tree Inc.收購）的企業架構總監David Kropman也基于同樣原因參加了這次會議?！拔覀儎傞_始大數據的探索，想了解正確的應用場景，同時防止自己重蹈其他公司的覆轍?！盞ropman表示。

Sicular的報告給出了足夠明晰的信息，可以讓Kropman和Liu回去分享給各自的團隊，避免犯同樣的錯誤。

Kropman說：“大數據項目的失敗不單單是因為某個原因，而是由多個因素一起導致的?！?/span>

對于大數據項目的失敗，Sicular總結出7個主要原因，并劃分為三個大類：戰略、技能和分析。

戰略方面的失敗

1.組織惰性。某家旅游公司系統通過web日志數據的挖掘來提升客戶洞察。結果證明，用戶在瀏覽網站之后，隨后的消費行為模式與管理層所認為的不一致。當團隊匯報此事時，管理層認為不值一提。但是，該團隊并沒有放棄，并通過嚴密的A/B測試，回擊了管理層的輕視。

這個案例的最終結果，不是每個CIO都能期盼的。但是，有一點是可以確定的：做好和管理層打交道的準備，讓他們充分理解大數據是什么以及相應的價值。要說對CIO們有什么建議的話，Sicular認為，不要在失敗的項目上過多糾纏，重新啟動一個新的。

2.選擇了錯誤的應用場景。一家保險公司想了解日常習慣和購買生命保險意愿之間的關聯性。由于隨后覺得習慣太過于寬泛，該公司將調查范疇限定到是否吸煙上。但是，工作仍然沒有實質進展?！安坏桨肽?，他們就終止了整個項目，因為一直未能發現任何有價值的信息?！盨icular說。

這個項目的失敗是由于問題的復雜性。在抽煙與否之間，該公司沒有注意到還有大片灰色地帶：很多人是先抽煙而后又戒煙了。在將問題簡單化動機的驅動下，這個部分被忽略了?！八麄儾皇轻t療健康方面的專家?！盨icular分析到。為此，她提醒聽眾要對應用案例排定優先級，先易后難，循序漸進。

技術層面的失敗

3.無法應對料想之外的問題。一家全球性公司的大數據團隊發現了很多深刻的洞察，并且計劃通過云讓全公司共享?！盀榇?，他們啟動了一個云中的項目?！盨icular說。

Sicular認為，這樣做是有風險的 – 一個在受控的定制環境中獲得成功的項目，未必能適應于生產環境中?！斑@個團隊低估了效率方面的損耗。由于網絡擁塞的問題，無法滿足全球各個分支順暢提交數據運行分析的需求?！盨icular分析說。

該公司應該仔細思考下如何支撐大數據項目，梳理所需的技能并協調各IT分支的力量進行支持?！坝捎诰W絡、安全或基礎設施的問題，已經有太多的大數據項目栽了跟頭。你必須事先想清楚，需要哪些方面的人手加入到項目中來?！盨icular表示。

4.缺乏大數據分析技能。一家零售公司的首席執行官不認同亞馬遜規?；?、扁平化的服務模式，因此讓CIO構建一個客戶推薦引擎。項目最初的規劃是半年為期，但是團隊很快認識到諸如協同過濾（collaborative filtering）之類的概念無法實現。為此，一個團隊成員提出做一個“假的推薦引擎”，把床單作為唯一的推薦產品。

這個假引擎的工作邏輯是：買攪拌機的人會買床單，買野營書籍的人會買床單，買書的人會買床單。就是如此，床單是唯一的、默認的推薦品。

盡管可笑，這個主意其實并不壞，默認的推薦也能給企業帶來銷售上的提升。但是，由于大數據相關技能的缺失，真正意義上的引擎未能實現。Sicular表示，這是需要很長時間探索和積累的。盡管過程曲折而漫長，不過不用擔心，大數據的推進是有明確階段劃分的，對CIO們來說可以有針對性地加以應對。這些階段包括：

·管理高層表示支持

·大數據戰略規劃形成

·進行各種測試和驗證

·流程上線并不斷完善（Sicular稱之為戰術階段）

·投資回報開始顯現，企業真正體會到大數據的價值（Sicular稱之為戰略階段）

·技術領先的企業開始構建真正的數據產品（Sicular稱之為轉型階段）

數據分析本身的失敗

5.對數據過于相信。2008年，Google第一次開始預測流感就取得了很好的效果，比美國疾病預防控制中心（Centers for Disease Control and Prevention）提前兩禮拜預測到了流感的爆發。但是，幾年之后，Google的預測比實際情況（由防控中心根據全美就診數據推算得出）高出了50%?！懊襟w過于渲染了Google的成功，出于好奇目的而搜索相關關鍵詞的人越來越多，從而導致了數據的扭曲?！盨icular說。

因此，CIO在拿到數據之后，應該從不同角度進行加以審視，確保對數據的來源、驗證方法、控制手段以及是否有臟數據等問題都能胸有成竹。

6.提出了錯誤的問題。一家全球領先的汽車制造商決定開展一個情感分析項目，為期6個月，耗資1千萬美元。項目結束之后，該廠商將結果分享給經銷商并試圖改變銷售模式。然后，所得出的結果最終被證明是錯誤的。

“項目團隊沒有花足夠的時間去了解經銷商所面臨的問題或業務建議，從而導致相關的分析毫無價值?！盨icular說。
對此，Sicular提到了決策分析中的“滿意度（satisficing）”模型 -- 即放棄對最優結果的偏執，基于具體的情境，找到足夠好的解決方案?！澳拖滦宰?，去真正理解問題以及企業可能從中獲得的收益?！盨icular解釋說。

7.應用了錯誤的模型。為了尋找可供借鑒的案例，一位在銀行工作的博士研究了其他行業的大數據成功應用。最終，他的目光落在了電信行業的客戶流失預測模型上。

該銀行從電信業聘請了一位專家，后者也很快構建了評估用戶是否即將流失的模型。Sicular表示，當時已進入評測驗證的最后階段，模型很快就將上線，而銀行也開始準備給那些被認為即將流失的客戶發出信件加以挽留。但是，為了保險起見，一位內部專家被要求對模型進行評估。

這位銀行業專家很快發現了令人驚奇的事情：不錯，那些客戶的確即將流失，但并不是因為對銀行的服務不滿意。他們之所以轉移財產（有時是悄無聲息的），是因為感情問題 -- 正在為離婚做準備。

了解模型的適用性、數據抽象的級別以及模型中隱含的細微差別，這些都是非常具有挑戰性的?！斑@是大數據分析的關鍵之一?！盨icular表示。為了大數據項目的成功，CIO還必須從道德、倫理和心理的角度進行思考。