大數據無疑是時下炙手可熱的流行詞匯，然而，我們鮮少看到具體大數據如何帶來收益，和具體如何實現的例子，這是怎么回事呢?
 

　　多年來，在經歷了幾個通信和投行的大數據相關早期實施項目后，我認為這個新興技術的收益主要在于：實現對復雜系統更為精準的剖析，例如股票市場或供應鏈。(投行成為最早一批應用大數據分析的行業之一，可謂毫不意外。對利用技術提升效率，創造效益更為敏銳的商業模式，往往也是更賺錢的。)
 

　　在投行的日常工作中，為了精準地選擇投資機會、選購股票，有大量對文檔處理的需求，例如新聞簡報，財務報表。如果人工進行，工作量過于龐大。因此助理分析師們往往簡化他們的預測分析過程，并使用電子表格來完成絕大部分工作。通過大數據技術，投行可以整合各種信息，減少可能的(簡化分析帶來的)風險，從整體上帶來更優越的分析和預測能力。
 

　　公司如何通過大數據賺錢

 

　　通過大數據平臺，股票經紀和投資經理們可以聚合各種來源的非格式化數據，輔助判斷哪些公司值得投資。所謂‘非格式化數據’包括如公司新聞，產品評論，供應商數據，價格變化，將這些信息以所謂“大數據”形式整合，通過建模，幫助股票經紀決策買入或售出股票。
 

　　有些采用如上方式進行投資預測的公司，很注重節約實施成本，例如使用云平臺(如AWS)，先從很小數量的服務器開始，隨著獲益增長，逐步提高投入。一位我認識的分析師，從一家大投行離職創業后，在不到六個月的時間內，僅僅使用非常有限的投入，創立了一個盈利良好的大數據交易系統。
 

　　即便在傳統制造領域，大數據仍然可以提升預測能力。我曾經擔任過顧問的某歐洲一線汽車制造廠商，通過建立一個鋼材交易成本的分析系統，選擇更好的時機，以更優價格買入原材料。這個系統由開源Java框架Hadoop創建，整合了多個供應商的共計15Tb的數據，在兩年內為該公司節省了1600萬美元。
 

　　這個項目的成功主要有兩個原因：首先，公司有足夠的信息為所有的供應商建模;其次，該項目節省的原材料成本超過了實施這個項目的費用。
 

　　公司為何因為大數據虧錢

 

　　然而，并非每個大數據項目都會這樣成功。公司在大數據項目上以虧損告終的概率，有時和成功的概率相差無幾。大數據項目失敗的早期癥狀有很多種，最常見的問題如：
 

　　步子邁太大：大數據并不需要一筆巨大的預算，如果懷著巨大的投入將帶來巨大回報的預期開始一個大數據項目，往往會產生問題。在正式開始前，明智的做法是，嘗試用有限的投入，在小范圍內測試這個技術是否確實能帶來預期的收益。按這樣的節奏，一個項目可以按部就班地隨著收益逐步提高，而逐步擴大投入規模，確保收益始終大于投入。
 

　　低估人力投入：在開始實施一個大數據系統前，問自己一個簡單的問題：這個項目是否可以不需要持續的人工支持來運作?如果答案是，需要人工支持，那么建議停止項目。建立這樣一個項目往往意味著百萬級的損失，無法在有利潤情況下保持維護和運行。
 

　　迷信自然語言處理：大數據有個經常聽到的功能是，通過自然語言處理，將各種領域的各種數據處理成直接可讀可理解的形式。這聽起來確實很贊，但是在實際應用中，往往不盡如人意。自然語言處理仍然存在許多妨礙應用的限制，主要由于人工智能的發展還不夠--而且在可見的 10年內，這個情況可能不會有很大改觀。
 

　　現代大數據項目具備巨大的節約成本的潛力，其效果對于過去的數據處理方式而言有如童話。但需要謹記的是，在投入時間和資源到大數據項目之前，首先要確認你的項目是收益大于成本的。只有傻瓜才會匆匆對一個點子一見鐘情并傾其所有。