5件大數(shù)據(jù)不可以做到的事情
1.預(yù)測一個確定的未來：使用機器學(xué)習(xí)的工具我們可以達(dá)到90%的精度。但是我們無法達(dá)到100%的準(zhǔn)確。如果我們可以做到的話，我可以確切的告訴你誰才是目標(biāo)以及每一次100%的響應(yīng)率。但可惜的是這絕不會發(fā)生。
2.歸咎于新的數(shù)據(jù)源：在任何分析上，歸責(zé)耗費了大部分時間。我相信這就是你的創(chuàng)造力和商業(yè)理解的來源。可能的是，你無法擺脫在你的分析中最無聊的部分。
3.找到一個商業(yè)問題的創(chuàng)新的解決方案：創(chuàng)造力是人類永遠(yuǎn)的專利。沒有機器可以找到問題的創(chuàng)新的解決方法。這是因為即使是人工智能也是由人們?nèi)ゾ幋a的產(chǎn)物，創(chuàng)造力是不會從算法自己學(xué)習(xí)而來的。
4.找到定義不是很明確的問題的解決方法：分析學(xué)最大的挑戰(zhàn)就是從業(yè)務(wù)問題中形成一個分析問題模型。如果你能做得很好，你正在成為一個分析明星。這種角色是機器無法取代你的。比如，你的業(yè)務(wù)問題是管理損耗。除非你定義了響應(yīng)者，時間窗口等，沒有預(yù)測算法可以幫你。
5.數(shù)據(jù)管理/簡化新數(shù)據(jù)源的數(shù)據(jù)：隨著數(shù)據(jù)量的增長，數(shù)據(jù)的管理正在成為一個難題。我們正在處理各種不同結(jié)構(gòu)化的數(shù)據(jù)。比如，圖表數(shù)據(jù)可能更適合網(wǎng)絡(luò)分析但是對活動數(shù)據(jù)是沒用的。這部分信息也是機器無法分析的。
最后
我相信這篇文章將發(fā)揮它的潛力如果你嘗試了文章中的練習(xí)的話。試著從一個更全面的視角中思考，你會發(fā)現(xiàn)機器無法做到的事情。比如，我的初始點80:20法則指出機器將無法帶來創(chuàng)造力。這個啟發(fā)點幫我思考在分析的過程中那些部分是需要創(chuàng)造力的。