面對數據工程師，你有7個問題可以問

運用數據進行管理不是什么新鮮事,但是大數據還是個新概念, 有相關的風險、挑戰和機會。高級管理者需要具備一定的認識,以備他們的數據專家提出新觀點時,自己有所準備。下列這些問題專為他們而準備,幫助他們更深入地了解數據并且盡量避免數據可能引發的災難。

記住,當你的數據工程師說起一個新點子時,你應該向他提出下面這些問題:

1.你想解決的是什么問題?

對于數據工程師或者其它相關人員,找到一些新的應用或者好玩的東西實在太容易了,問題是這些東西是否與業務相關。鼓勵他們去關注現實存在的問題,實現小的創新和改進,一次只做一件事,等時間長了,信任增加,就可以減少對他們的管控,前提是你能分清探索 “新路徑”和原地打轉之間的區別。

2.你真的明白這些數據意味著什么嗎?

人們經常在不太理解數據背景的情況下就開始收集,從一開始的時候就有誤解,等發現時已經太晚了。所有的數據,無論量有多大,都是非常精微的事物。NASA曾有一架火星登陸器墜毀,就是因為其中的一個團隊使用英國力矩計量單位“英尺*英磅”，而其它團隊使用“牛頓”為單位,這類區分會使得數據看起來大不相同,尤其是通過不同的社交媒體平臺或者自動分析系統收集來的數據,會有這樣的問題。

3.我們應該信任數據嗎?

靠不住、不準確的數據非常多。壞零件組裝不出好汽車,同時,錯誤的數據再怎么分析也得不到正確結果。有些數據天生就不準確,比如 GDP預測一類,另一類數據則是在流程中失掉了精確性,有時候數據收集就是一個不斷出錯的過程,看看銀行錯誤百出的信用評級報告就知道了。除非有一套非常好的系統流程來保證質量,否則就要假定得到的數據并不準確。

4.有沒有一些重要因素,諸如隱性的判斷、先入為主的前提或者自相沖突的數據結果使你對數據的認識發生偏差?

這種情況很常見。首先,我們都希望能從數據分析中獲得回報,這就產生了一種效應,即人們總會看見他想要看見的東西。比如說,你期望看到10%的收入提升,你手下的人就會找到短期內增長10%的證據,但是過分關注眼下的10%,可能會失掉從數據中發現未來 100%增長的機會,或者干脆看不到負面趨勢的警示。

其次,先進的數據分析需要超強的判斷力。數據專家傾向于只看數據而忽視其它因素,你得保證這種事不要發生。你越重視他們的工作結果,他們提供給你的數據就越清晰完整。

第三,分析的意義在于更深入地了解世界運行的方式。錯誤的假設和前提非常有害。舉例來說,金融危機的一個重要原因就是大家都先入為主地認為房產價格與股市無關,結果成了悲劇。

5.你的結論是不是建立在對市場的全面理解、對條件變化的認識以及對最壞情況的心理準備的前提之下?

不要將數據分析看成傳統的物理或者數學研究,驗證數據結果可不像伽利略從塔上丟下物體的那類古老實驗,數據科學家必須是懷疑論者,不相信別人的結果,不斷地檢驗、檢驗、再檢驗,他們要盡量全面地描述數據中可能存在的不確定性。這很重要,因為你的數據來源往往是超出數據科學家的控制之外的,他們不知道來龍去脈,因此需要明確地指出結論中的不確定在哪里,供管理者進行判斷。

6.誰將會受到影響?方式如何?

數據的爆炸式增長使得人們的隱私成為大問題。無論在組織內部還是外部,在“有用”和

“侵犯隱私”之間僅有一線之隔,數據科學家的洞察力非常驚人,可是他們并不了解這些結果背后的意義和風險,這些問題應該由管理者而不是他們來解決。

小心一些,不要讓業務與數據之間的聯系過分敏感。你需要關注的其實只是紐約證券交易所的瞬間暴跌或者推特上的負面言論帶來的業務下滑。

7.我能為此做些什么?

如果前六條都沒解決,這個問題自然也不會出現。時刻想著重要的發現會對整個組織產生影響,我們都很關注變革管理,變革總是困難并且阻力重重的,光靠數據分析師無法實現,需要管理者的參與。

除了第一個和最末一個問題,其它的問題只要一提出來,管理者就會開始思考。不過有經驗的數據分析師也會想到這些事,有說服力的答案能夠幫助管理者和數據分析家們從大數據中發掘對業務有意義的內容。