top of page

收集數據考驗應變力

Updated: Apr 28

西方的分析大多以統計為基礎,講求是先「分」然後「析」,把一個概念拆成較簡單的組成部分,然後找出這些部分的本質屬性和彼此之間的相互關係;相比之下,中國文化更着重於全局觀及因果循環。筆者因為受到外公的熏陶,自幼喜愛《易經》和玄學,後來有幸拜師亭老,師父曾經提到一位西漢時期劉安的人物,號稱「淮南王」。他曾招攬賓客方術之士數千人,其中有8位核心人物,後世叫作「八公」,集體編寫了《鴻烈》,名為《淮南鴻烈》或《淮南子》,著作集自然科學、哲學、史學、文學價值於一體,博大精深,可以說是在歷史上影響深遠的百科全書。

作為數據分析師,我對《淮南子.本經訓》中的一段話特別深刻:「天地之大,可以矩表識也;星月之行,可以曆推得也;雷震之聲,可以鼓鐘寫也;風雨之變,可以音律知也。是故大可睹者,可得而量也;明可見者,可得而蔽也;聲可聞者,可得而調也;色可察者,可得而別也。」所以古人相信循着周而復始的軌跡,更有利於長期的直接或間接觀察,很多事件都是可以還原出成功和失敗的規律,也說明了找出循環的重要性,但問題往往流於過去收集數據(觀察)層面上,要做到既全面又細微的分析難度很大。譬如說古時期因為憑着肉眼的觀察,僅能收集到五星(金木水火土)的資料,因此出來的分析力也有局限。即使在今天大數據時代,數據存儲及計算能力都有飛躍性的進步,但世界變化之急速,也在考驗着我們對數據不斷收集及重塑的應變能力。

我覺得中西的分析方法其實很值得互相結合,相比之下大數據的興起,其實更適合中國人全局性思考的思維習慣呢!筆者最近正在努力準備新書《數循環》的最後編輯,書的內容主要是總結我過去的實戰經驗,持續思考出來的心得,簡單地說就是數據與業務的一種循序漸進的關係:行動產生數據、數據發現規律、規律幫助決策、決策指導行動,周而復始不失其行。

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page