剖析大數據失利癥結 重整旗鼓找回核心價值

Dell旗下的Statistica解決方案，支援先進的預測性分析功能，讓企業可藉由各種情境模擬假設，探索不同商業決策的可能發展趨勢。ToadWorld

近幾年多數人應該都曾聽聞類似話語，每10分鐘，全球就產生近1.4億封電子郵件、266萬次Google搜尋、逾500萬次Youtube影片點閱、1.1萬張相片上傳至Flickr…等等，日復一日，累積的數據部位自然龐大，正是支撐巨量資料分析概念的主要理由；然而，要做好這件事，其實並不容易。

隨著市場變遷速度加劇，再加上市場競爭態勢趨於激烈，使得多數企業的經營高層有所頓悟，深知意欲在混戰局面上脫穎勝出，絕對不宜繼續憑藉經驗、感覺甚至猜測來制定商業決策，而必須紮紮實實地靠數字來說話，只不過，可能潛藏商業決勝因子的資訊，不僅見諸於結構化資料，有更多部分存在於非結構化資料，單憑現有技術或系統架構，並不足以在合理時間內對此進行儲存、運算、處理，也難以有效分效出可以解讀的資訊，故而驅使企業投入大數據分析。

換言之，靠著大數據，企業可望從中探索一些未知相關性(Unknown Correlation)、市場趨勢，抑或未顯露的模式(Hidden Patterns)的知識應用，進而加以發現、挖掘，為營運創新增添豐沛動能。

早在2001年，Gartner的分析師Doug Laney，即發表了一篇名為「3D Data Management: Controlling Data Volume, Velocity, and Variety」文章，清楚點出三個有關於資料處理的主要挑戰，分別是資料量、速度與多樣性；時隔十多年，當時的立論依然適用，且據此形成了大數據的3V特性。

當然，日後又有不同人士，意圖加入真實性(Veracity)、波動性(Volatility)、價值(Value)、有效性(Validity)…等等更多的「V」，以期詮釋與解讀大數據，而且聽來都言之成理。無論有多少個V，哪怕只有最初始的三個最基本元素，都意謂大數據相當難搞，所以企業必須引進相關技術方案，藉此突破種種難關，實現大數據分析願景。

五大技術方案  助企業練就大數據功力

這些技術方案是什麼？總括來說，可區分為五大類型，由底層而上，依序是資料倉儲或資料庫系統(含關聯式資料庫、NoSQL資料庫)、資料管理工具、資料整合工具(含ETL、MDM)、商業智慧(BI)工具，以及位居最上層的先進分析軟體，若依市場產值而論，則以先進分析軟體、BI、資料倉儲/資料庫三者相對較大，各個都有逾130億美元的實力。

其中先進分析軟體意指資料探勘(Data Mining)、文字探勘(Text Mining)與預測性建模等加值型技術方案，乃是賴以展現數據價值的最終依歸，年複合增長率尤其可觀。

著眼於大數據分析效益無窮，近年來諸多企業也紛紛導入上列解決方案，開始執行資料挖掘分析；然而據業者統計，發現雖然有高達六成以上比重的企業，已經投入程度不一的巨量資料分析動作，可惜真正能夠萃取價值者，卻僅有兩成五不到，換言之，有超過一半自認已經推動巨量資料分析的企業，並未因此而受益，幾乎形同白忙一場，充其量也只是花了大把鈔票，做到解讀當下營運現狀的程度。

為何如此多數企業事與願違？業者分析箇中癥結如下：首先，許多企業所採用的技術頗為過時，無法支撐所有型態的資料分析需求，更不足以應付不可預期的分析作業負載，當務之急需要引進更為有效的資料管理與整合技術。其次，常見的應用場景是，企業內部不同單位各做各的分析，導致形成一個個孤島(Silo)，以如此片段的分析成果而論，根本無從釐清不同部門之間交互作用，自然不足以幫助最高決策主管綜觀全局，做出最為完善的商業決策。

第三，多數企業的IT與業務單位之間，彼此缺乏有效連結(Alignment)，以致IT費心協助推動各項分析活動，卻始終無法與公司商業目標掛鉤。

補強大數據價值鏈  避免淪落解讀現狀之低層次

總結來說，一個真正有效的大數據價值鏈，從無到有，必須歷經資料的蒐集、整合、正規化、分析直至最終的可視化等五個不同里程碑，倘若企業肇因於上述癥結，使得最終分析成果淪於營運現狀的解讀，等同於只完了前三項里程碑，投資報酬率當然未盡理想。

業者建議，如果企業為前述現象所困擾，理應儘速審視自我的資料分析架構，是否具備五個完整層次，依序是資料蒐集與基本分析、資料整合、商業報表與分析、預測性分析(Predictive Analytics)，乃至最上層的時效性分析(Prescriptive Analytics)，一旦備妥這些必要機制，即可掌握要領知悉「已經發生何事」、「為何會發生此事」、「應針對此事採取哪些行動方案」、「預測未來可能還會發生哪些事件」、「有效管理與控制未來事件的發展脈絡」，一步步實現大數據分析的最高價值。

具體來說，藉助良好的大數據分析機制，企業不難精準掌握對其貢獻度較高的顧客群為何，接著妥善運用跨部門資源，想方設法促使這些目標客戶群，持續對公司產生高盈利貢獻而不墜，更有甚者，還能巧妙融會貫通所有的內外部數據，預測這些目標客戶群的下一步需求為何，最終依據這些需求擬定極具誘因的行銷方案，誘使客戶買單，對公司挹注更高的貢獻。

IT與營運部門協同分析預測  為企業開創最高價值

有鑑於此，已有供應商瞄準大數據價值所應具備的資料蒐集、整合、正規化、分析、可視化等五個完整構面，進行產品佈局。以戴爾(Dell)為例，即以「與平台或數據無關」為訴求，推出一系列模組化方案，包括藉由Toad執行資料管理功能，Boomi滿足內外部資料交換需求，Toad Intelligence Central(TIC)進行商業智慧分析，Statistica負責執行先進分析，而最終分析成果，不僅可藉助多元化圖表類型與文字描述而營造高度可視性，還可進一步回饋到Marketo自動化行銷、或Salesforce客戶關係管理等系統工具，確使企業商業決策可立即被付諸實現。

前述模組化方案，皆可適用於Oracle、SQL Server、Hadoop、MongoDB或IBM DB2等不同平台，換言之，企業不論採用何種資料管理系統，都能夠利用Toad執行深度監控，持續剖析並診斷其效能瓶頸，確保資料庫恆常維持最佳運作狀態。

值得一提的，透過Statistica先進分析工具，有助於企業推動預測性建模，且不只是把數據模型建好、再被動等待結果是否印證，而是將此數據模型部署到企業的真實營運流程，以便於適時發揮預警功效；而Statistica經由多次改版，於去年(2015)第四季推出第13版，標榜加強支援在大數據先進分析領域相當火紅的R語言，故而能順勢承接運用由不同領域專家透過R語言所催生的各式分析套件，此外也支援多項資料應用功能，讓企業可植基於假設性的情境模擬，預先洞見各種商業決策的可能性。

當然不可諱言，根據前已述及的各種大數據分析失敗原因，有一項重大項目，即是企業IT與業務單位無法緊密鏈結，以致各項看來神奇的資料探勘分析成果，始終無法契合企業的營運規則或目標，讓分析成果淪為漂亮的摘要報告，不具備高價值，之所以出現這個失望結局，固然與技術方案是否完整到位不無關聯，但卻非壓垮駱駝的關鍵稻草。

在此前提下，企業意欲在大數據分析方面締造最佳成效，引進完備的技術工具還不夠，仍應設法促使IT與營運部門齊力進行協同分析預測，若有必要，甚至不排除引進外部專業顧問來促成此事，只因為唯有如此，企業才能真正練就雄厚功力，繼而成為當今「以數據為導向」的新經濟時代贏家。