巨量数据与商务营运：从商管与技术的双面观点

台北商业大学信息与决策科学研究所数据科学应用研究中心主任邹庆士。

巨量数据如今已经成为最新的竞争趋势，台北商业大学信息与决策科学研究所数据科学应用研究中心(Data Science Applications Research Center)主任邹庆士认为，原因在于数据数量汗牛充栋，所以也让整个世界之间异常通透，影响范围无远弗届，企业必须要随时留意那些业务受到巨量数据的影响。

如健康照护服务及定位数据如果加以混搭，虽然可以提供更进一步的价值，但如何说动使用者开放或分享，其实需要更细致的说服过程。此外，巨量数据分析所呈现的世界，客户需求会更加清晰，但市场区隔也会变小，产品及服务必须要更加定制化。

邹庆士认为，许多蒐集数据的工具或技术，如传感器、通讯装置、解析软件的价格不断下降，形成物联网与数码油田的世界绝非梦想。但数据分析技术愈精细复杂，决策考量虽然也会更加全面，可能遭遇的风险也会变得比较小，但邹庆士指出，就连美国也缺乏分析人才，而且在扩大巨量数据管理的同时，会不会反而取代原来的管理，也是必须注意的课题。

尽管如此，巨量数据分析仍会为企业带来许多机会，可以洞察出原本被隐藏的信息，进而做出更明智的决策。例如消费者在购物网站上的点击串流，与社群网络信息结合起来，会形成更可靠的推荐品项；或是蒐集各地天候与土壤数据，以评估地域特殊性层级的农作物风险等。

邹庆士认为，如果能将数据分析融入作业流程中，甚至可能帮助企业进行自动化决策。如麦当劳的高速影像解析系统，可以直接提供管理者所需要的作业信息，随时进行调整，而不用再像过去一样，依赖色纸与卡尺来控制产品的品质。

透过巨量数据分析技术，更可看到过去可能看不到的信息，如电邮、保证卡、客服电话录音、医嘱及来自社群媒体及政府的公开数据等，都可能为企业带来更多的商业价值。

但企业的商业模式，也会因为巨量数据分析而有所改变。邹庆士指出，企业要开始思考，可以通过什麽方式或途径来赚钱，如何运用巨量数据产生差异化的产品或服务，例如企业是否能够依天气型态、付款量与热销商品类别，协助供应商适时发现真正的需求。

从目前云端或巨量数据有关的创新应用案例中，邹庆士认为解决方案的发展趋势有下列几点，首先就是有能力整合结构性及非结构性数据，尤其是非结构化数据，重要性正在与日俱增，但由于不是每个使用者都熟悉工具的使用，因此应用界面一定要做到简单化，而且要能善用开放数据及群众外包(Crowdsourcing)的资源。

应用巨量数据的产业类别，目前以零售、健康与医疗、城市与运输、制造业、金融服务业为主，邹庆士认为，台湾如果想要发展巨量数据服务创新，当务之急就是要设法培育数据分析人才及导入云端服务。

邹庆士强调，企业如果想要建立与巨量数据相关的商业模式，一定要先建构出传递数据的网络，以适地适时的传递数据，并加以整合、交换、重组。重点在于何种商业模式适合企业当前的组织，才能迎向下一波潮流的康庄大道。

企业如果想要运用巨量数据建立商业模式，邹庆士认为，在解决方案的使用技术方面，储存与实现技术都要兼顾，而且储存数据的技术最好能够朝向分析的方向迈进；其次是数据类型，虽然非结构性的数据类型居多，但仍需要设法与结构化数据结合，因为许多演算法只能处理结构化数据；最后则是要有更多的数据解析任务类型，包括叙述性统计分析、(实时)预测建模、集群、推荐系统、声纹分析及在线广告等。

邹庆士认为，企业要建立巨量数据商业模式，必须要与许多合作夥伴共同承担风险，而且形成规模经济后，才能掌握相当的自主策略控制与更大的收益潜力。

至于巨量数据业务的的获利方式，往往需要取决于数据的定制化程度，以及分析出来的数据与客户的关系，才能让客户掏钱出来。如何做好数据建模，变得相当重要，需要融合统计、机器学习、作业研究(运筹学)等各种领域。

以文字数据探勘的过程为例，数据分析的过程常常需要相似性衡量，依此找出真正有价值的信息。邹庆士指出，数据科学的通用手法，除了要能明确说明理论与模型外，假设较少的机器学习的领域也需要加以注意。而模拟与数学规划是常用作业研究工具，建立模型规格，并运用模型产生数据、预测值或推荐。

但邹庆士也强调，巨量数据其实也潜藏着许多虚假与危机，所以一定要做好数据前处理的工作，以及慎选适合数据性质的模型进行分析。这些要务先要有优质、开放及灵活的工具，才能具体实现各种创意，并做到跨领域且抓住知识的源头，才能深入数据价值萃取的核心。

邹庆士最后强调，企业只要「一」心向着数据理解的根本要务前进，精通至少「两」种弹性的分析工具，掌握统计、机器学习与运筹学等「三」大类模型，就可大步迈向数据驱动的决策厘订新纪元。