數據需要連接，但是倫理需要重視

數據的工作本質就是協同共創

無論是你缺少資源還是你缺少數據

車老師書中有個觀點，大數據產業目前面臨的挑戰，並不是沒有好的演算法，也不是沒有好的數據工程師，而是數據來源單一，這句話一定程度上，我覺得需要變化一下，不是數據來源單一，而是缺少發現和使用的眼睛。

事實上，今天的企業數據並不是很少，組織從小的狀態擴展到極大的狀態時，並沒有向重視業務一樣，並行的發展數據戰略，我們從來都知道數據有價值，但是價值如何衡量和詮釋，卻從未真正進行過。

車老師探討了，組織的部門之間的數據打不通的問題，這個問題在部分向阿里這類企業是現狀，但是在很多企業，或許不是完全如此，在金融，零售很多單元中，數據還是有一定程度的集中，儘管散落問題依舊存在，但是仍舊可以一定程度上解決。因為這些企業中，用數據來進行決策和推進業務的單元，似乎不是非常多。換個行業看，今天的互聯網，也不完全是出現很嚴重的這類打不通的問題。

回到剛才問題上，其實根源在於人才的問題。數據戰略和思維的匱乏造成了這種無法流通的弊端。大數據能力的根源是連接，而連接的基礎是數據的流通和標準化，這點說的很正確，不過這些所有的基礎在於人才，數據真正實現連接的前提是人與人之間的共通和連通，擁有一樣的數據戰略思維。

我們知道今天數據的增量比存量多，這恰恰是今天大數據時代最明顯的特徵。但是，我們在歡呼如此多元的數據和場景暢想的時候，其實我們最缺乏思考的是手裡的數據該如何進行審視，使用，要取解決什麼問題，存在什麼局限。我相信連接的前提也是需要，而不是盲目的連接。當然也存在一種情況是在連接中發現機遇。

在一定程度上，我個人堅持要把手裡面的數據整理清楚，完好，在場景驅動下，該如何連接更多數據，解決的需求痛點。不過車老師提到一點時，在使用數據時，數據本身可能早就出現了定義的變化，數據斷裂指的是數據已經不能反映當前現實。簡單說，數據的增長和變化超出了最初定義使用的範疇，無法準確描述業務，而這種情況下，所有數據流通必須建立在一個永恆不變的道理上，互惠互利，否則無法做到對數據進行適時修正。

這段話，我覺得是在談新的數據出現，在對已有問題的全新認識，而這類數據卻沒有與原有的數據進行互通和相互借力。

在一定程度上，我認同這個邏輯，尤其是政府部門間的數據問題，對於判斷一個人是否有偷逃稅的問題，可能很難通過簡單的繳稅申報數據來判斷，當智能電錶，或者其他設備的數據監測，也許我們會發現這個人的工廠每個月的用電量非常高，這與企業上繳的稅收不符合。這當中的數據互通式非常重要的。再比如今天的金融企業的風控授信問題，當混入了大量移動設備數據之後，在支付欺詐，風險判定方面，會形成新的邏輯和判斷標準，因為也許過去的風險判定方式，已經逐漸被用戶和一些人掌握了，形成了一定的反作弊和屏蔽能力。

作為企業，要實現數據的打通，需要有非常清晰的自上而下的數據資源戰略方向，也需要具備良好的，自下而上的協同能力，相輔相成。我個人的感受是我們需要更多的是數據思維的人才，需要從人才本身出發，尋找突破。戰略的事情，也是靠人的突破，因此這其中，如果基於數據思考，尋找共同的痛點，就是非常重要的，當把零散的數據一旦連接起來，則將發揮巨大的作用，比如當你把市場投放推廣的數據和實際的轉化收益數據結合，那麼至少從營銷戰略側重點上，是明確的，清晰的。

任何大數據的形成必須經歷兩個階段，開放和規範，兩者為遞進關係，前者是深度連接的前提，後者則是設計數據的可用性，實現從0到1的過程中，首先必須找到個體的與機構之間的平衡點。

拿一個互聯網企業來說，最初的發展是開放式的，數據也是基於不同的業務單元需要，野蠻生長，甚至可能漏掉了很多的數據，但是時間久了，業務慢慢正向發展了，我們會發現才開始關注數據的建設，如何挖掘價值，這個階段開始思考，怎麼把數據的建設起來，尋找價值，也就是車老師提到的可用性。這裡面，也需要平衡，也許有些事不是需要企業自己做的，比如今天遊戲企業選擇saas的數據統計服務，專業的廣告監測服務。成本與效益的平衡是很關鍵的。

順著剛才我們談到的遊戲統計分析服務來說，我們發現當企業用戶有這些數據後，需要下一步走出數據孤島，找出幾方共同痛點，當利益高於雙方競爭時，數據共享變得理所當然，比如今天我們會看到Appannie服務，第三方平台發布的數據報告，也都是基於此。

當然有了這些還不夠，當這些共同的數據，拿出來後，我們需要如何規範化。如何加工和使用是關鍵。就今天的金融科技市場來看，我們一般數據分成兩派，一類是堅持原始數據，保持原始樣貌，另一類則是將數據進行規範化和格式化，更具場景需要進行處理。所以有的是在交易原始數據，比如黑市，有的是給出來信用分。

不過總的說，數據本身不重要，而是解決方案最關鍵，沒有場景做目標的大數據如同散沙一樣，太具象，卻又不靈活。

剛才談的問題，其實也是今天數據難用的一個很大的問題，如果未來實現數據應用，良好的應用，則是要經理三階段：

對於一個企業中單獨存在的數據分析團隊而言，如果想要挖掘和實現的價值，得到認可的大前提，就是要將自己的服務和能力產品化，車老師的觀點是，數據分析的工作最終必須落在產品上。

車老師認為，數據產品設計的切入點必須要要問「目標問題是什麼」，「什麼樣的數據才能解決這個問題」。只有得到用戶的信任，我們才能做出更多的好產品，產品需要不斷迭代，而一勞永逸。

另一點很重要的是，對於產品化的關鍵點，是你的產品是能夠理解商業的，如果你不懂，那麼將不能是個好產品。

另一點車老師談到的是，沒有數據的人，期待有數據可用，而資源不足的公司，更懂得怎樣用好的自己的資源。這點的啟發還是很大的，簡單說我們培養多數據的一種態度和精神，對數據有信仰，要有思考，怎麼樣通過數據帶來價值，此外，當我們遭遇資源，能力不夠時，那就要怎樣發揮存在的能力和空間，不斷的提升和完善。協作配合，是解決這些問題的關鍵，數據的工作本質就是要協作和共創的。

另外今天還要探討的一個問題是關於倫理，大數據的關鍵破綻一章內容

前段時間爆發的阿里和順豐的事件，就是因為數據交換的問題互不相讓，最後切斷數據介面，導致淘寶用戶查詢不到快遞信息，這其中車老總結了兩個讓你踢：數據的公有權和私有權如何界定，數據流通過程如何保障個人，企業和公眾的應有利益？

車老師在寫本書的時候，堅持一個系統思維的邏輯，從提出了大數據的本質是連接，基於數據的連接，以及相互的相關性探尋，尋找解題思路，我們會在這個過程中，遭遇一些問題，比如連接本身是好的，但是在商業環境中和人的的參與中，數據並不是向我們想想的那般容易互通，這需要高度的數據戰略思維和共同需求的探尋。

不過在解決了連接問題後，探尋相關性的同時，另一個問題就出現了就是倫理問題。任何安全原則想要得到業務支持，必須要契合企業商業目標，風險承受能力和部署能力，今天大部分企業的管理層對數據安全還沒達成共識，要做到這些也很難。比如車老師談到，原本一些被匿名的身份，因為得到了另一個數據的關聯而被重新認證，風險級別忽然被提高，事前卻難以判斷。

要讓數據安全真正發揮作用，安全原則必須把人，過程和技術納入考慮範圍。在未來如果數據是商業核心，那麼數據安全策略不能落後，而是同步。

車老師說了一個案例，波士頓政府推出一個手機APP，旨在希望市民通過APP向政府報告路面坑窪的情況，這樣政府可以分配維修路面的資源，優先安排。但是最終發現，老人使用智能手機比率很低，導致收集的數據不全面，一些不影響年輕人的，卻會妨礙老年人的小型坑窪，被政府忽視了。

數據分析就是從龐大的體量數據中，提煉真相，但結果經常是「差之毫釐，謬以千里」。過去我們一直擔心小樣本導致的統計誤差，但是在大數據時代，這個問題還是存在，反而會更複雜，更難發現和解釋。

大數據引發的一系列社會問題，越來越多，這超出目前原則和法規的邊界，步伐已無法完全跟上。隱私，數據泄露問題層出不窮，合理的健全保護數據標準是必須要加速的。

當年Verizon也是通過在流量中植入追蹤碼，記錄客戶的特殊消費記錄，隨後，將數據提供外部廣告企業，進行針對性廣告投放，這違反了網路透明的規則，這類事在今天其實還是又發生，安全邊界還是很模糊。我們今天忽視，迴避和否認數據倫理問題，忽視是害怕，害怕檢查就露出破綻，害怕過度關注倫理會扼殺創新，害怕倫理問題太過棘手而無法解決。但需要的是，今天要積極改變數據安全策略。

最後一點，車老師談到的是，數據輸入問責制度將會越來越重要

為什麼說道這裡，在今天的深度學習和機器學習大行其道的背景下，在給定清楚目標的情況下，要餵食大量數據，比如AlphaGo早起版本就是學了大量人類的棋譜，進行不斷的學習和強化。而這其中就存在一定的倫理問題，比如在輸入目標和設計上，就可能會將偏見灌輸給人工智慧思維，比如大平台向男性推薦高薪工作的機會大於女性，美國警察系統判斷，非裔美國人比白人更容易被當成慣犯。此時，我們需要對這些輸入系統的數據進行某種程度的問責，確保準確性，將是非常重要的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！