第一次听到Big Data/大数据还是在欧洲念商学院的时候，有一门课叫做《管理咨询》。教授看了2012年10月的《哈佛商业评论》，兴致勃勃的对我们说，小组期末作业（当时我们的是一个市场预测项目）所有的分析都必须基于更多的数据。用他的话说：“只有你无情的虐数据，它才会乖乖的告诉你，你想了解的信息”。同时他也提到，利用部分信息的不可获得性来进行信息倒卖的生意，在以后会越来难做。
这些天读了维克托?迈尔?舍恩伯格（Viktor Mayer-Sch?nberger）的《大数据时代》有一些感触。我现在的工作虽然不在咨询公司，但也涉及对企业行业的判断与预期，因此从管理/商业的角度来说说这一趋势对我的工作与思维带来的影响：
1、数据的意义：
举最贴近我的例子，我研究生是学“项目管理”的，这门学科中有一个技术或者说方法叫做 Earned Value（EV）/挣值，通过项目经理制定收集和发亏信息的范围、方式和频率，由项目中具体操作人员进行数据采集、粗加工和反馈。基于这些被初步加工过的数据，项目经理可以了解到诸如项目是否超支、是否延期等信息。除了与利益相关人交流外，这些信息本身是没有作用的，它们的作用于价值是体现在“应该触发/不触发相应的行动进行干预和调整”上，也就是用这些数据进行预测从而实现干预以获得理想的结果。
从企业管理的角度看，虽然不同的利益相关人（比如股东、管理者、监管部门、公司员工）对企业有不同的期待与要求，审计对他们的作用是相似的：财务数据是否真实可靠？能否利用这些数据进行决策？ 市场数据、人力数据、科研数据等也是类似——我们关注数据的真实性最终还是希望能用这些数据进行预测与决策，而不是数据本身。
我们关注企业领导者对其企业战略、组织架构和流程的描述最终是需要相应的数据进行支持，从而判断这个企业能否构筑一条“路”通向其所期待的终点。因此战略决策、投资决策和管理改进的决策都将基于这些预测。
2、我们对数据的态度：
作为一个非财务学生/工作者，在我接触这类学科时，了解到会计/财务使用的数据应满足：相关性、可靠性、可比性和可理解性。考虑到财务数据的特殊性，其他数据还应考虑透明性（并非所有数据都是一手的）和准确性（并非所有数据都有明确的获取和储存标准与流程）。
用作者的话说，对数据的衡量标准为：正确性、准确性、严格度和纯洁性。
在目前的趋势下，数据透明性有较大的提高（由于互联网的作用，很多信息变得可以获得了）那么我们对数据其他方面的容忍度也会下降或者说也不得不下降。这体现在我们被暴露在更多的数据下，会发现很多以前所没有关注和思考过的问题，而处理和解决这些问题方法也许也是我们之前所没有的。比如我们为了在A和B两个方面进行论证而收集数据，而为了A方面而收集的数据又揭示了B方面可能存在的问题。这部分数据相对B方面而言是不准确或者说不严格的（从数据来源与采集方式等角度来看），但其意义又是不容忽视的。
因此创新精神（如何发现新问题、展开新思考和采用新办法）以及相应的知识管理（如果再次遇到，我们应当如何处理），又显得尤为重要了。这也是我对舍恩伯格提到的三个趋势的理解：
- 样本渐趋于总体（此时此处收集到的信息也许有其他用途）；
- 精确让位于模糊（信息的质量决定其靠参考性和价值，但不应进行放弃）；
- 相关性重于因果（在初期应关注信息能告诉我们什么，而不是为什么能够告诉我们；当然伴随知识管理方面经验的收集与发展，是可以尝试去理解的）
3、在这一趋势下，我们能做什么？
回国后参加过一家在地产咨询界赫赫有名的咨询公司的面试，最后决定我放弃这个offer的原因只是那个经理人的一句话。当时我问他，他们公司拥有怎样的数据库，他们在项目中会用怎样的方法对数据本身进行加工。他给到我的回答是：
更多详细信息，请您微信关注“计算网”公众号：
