大数据与数据科学简介

欢迎来到 APM 课程中最令人兴奋的部分之一！过去，业绩管理依赖陈旧的财务报表，告诉我们上个月发生了什么事。而今天，大数据 (Big Data) 与 数据科学 (Data Science) 让企业能够掌握当下发生的情况，甚至预测未来的走向。作为一名 ACCA 学生，理解这些方法至关重要，因为你经常需要建议公司如何利用技术来获取竞争优势。

在本章中，我们将重点探讨大数据的定义、处理数据的步骤、分析的不同层次，以及我们现在可以分析的各种数据类型。

1. 认识大数据

大数据是指规模巨大且复杂，以至于传统数据处理软件无法应对的数据集。想象一下，一家小杂货店的纸质账簿与亚马逊 (Amazon) 每天处理的数十亿次交易之间的区别。

大数据的 4V 特征

为了帮助你记住大数据的特征，请记住 4V：

  • Volume (容量)： 数据量极其庞大。我们讨论的是以 TB (Terabytes) 甚至 PB (Petabytes) 计的信息。
  • Velocity (速度)： 数据产生和处理的速度。例如，社交媒体动态或信用卡交易都是实时发生的。
  • Variety (多样性)： 数据以多种形式呈现——不仅仅仅是电子表格中的数字，还包括照片、视频和社交媒体帖子。
  • Veracity (真实性)： 数据的“真实程度”或质量。数据是否准确？我们能否信任它来做决策？

对业绩管理的影响： 大数据实现了实时监控 (Real-time monitoring)。管理层不再需要等待月底的差异报告，而是在生产效率下降的一瞬间就能发现并立即修复。

考试小贴士：在考试中，如果被问及大数据的“挑战”，“真实性”(Veracity) 通常是最值得讨论的一点。如果数据杂乱或有偏差，业绩报告就会出错！

2. 数据科学流程

数据科学并非魔术，它遵循逻辑清晰的步骤。你需要理解这个流程，以便评估一家机构如何管理其数据洞见。

第一步：设定目标 (Setting the Goals)

在查看数据之前，你必须知道要解决什么问题。例如：“我们希望将客户流失率降低 10%。”

第二步：选择数据 (Selecting the Data)

决定哪些数据来源是相关的。这可以是内部数据（销售记录）或外部数据（天气模式或竞争对手价格）。

第三步：清理数据 (Cleaning the Data)

这通常是最耗时的部分。必须剔除“脏数据”（重复、错误或缺失值）。如果你跳过这一步，结果将会是“垃圾进，垃圾出”(Garbage In, Garbage Out)。

第四步：转换数据 (Transforming the Data)

将数据转换为可用的格式。例如，将原始日期更改为“星期几”，以观察周六的销售额是否更高。

第五步：存储数据 (Storing the Data)

数据必须安全存储，并以易于提取分析的方式存放，通常使用云技术 (Cloud technology) 或数据仓库 (Data warehouses)（我们将在下一章详细介绍）。

核心要点： 业绩管理的效果取决于背后的数据质量。跳过“清理”或“目标设定”阶段会导致昂贵的错误。

3. 数据分析的四个层次

在 APM 中，你必须能够应用并评估这四种类型的分析。它们从简单的“回顾过去”演进到复杂的“展望未来”。

A. 描述性分析 (Descriptive Analytics) ——“发生了什么事？”

这是对过去数据的总结。例子： 一份显示上季度销售额下降了 \(5\%\) 的报告。大多数传统的管理账目都属于描述性分析。

B. 诊断性分析 (Diagnostic Analytics) ——“为什么会发生？”

这会深入挖掘以寻找模式或原因。例子： 发现销售额下降是因为某条特定货运航线受阻。它寻找的是相关性。

C. 预测性分析 (Predictive Analytics) ——“将会发生什么事？”

利用历史数据预测未来。例子： 利用过去的季节性趋势，预测公司在 12 月将需要增加 \(20\%\) 的库存。（注：回归分析 Regression analysis 是这里常用的工具）。

D. 指导性分析 (Prescriptive Analytics) ——“我们该如何促成目标？”

最高级别的分析。它会建议行动方案。例子： 一种根据当前需求每小时自动调整价格的算法，以实现利润最大化。

类比： 想象你在开车。描述性是看时速表；诊断性是看到“机油不足”指示灯并了解引擎过热的原因；预测性是看到前方的乌云，知道路面将会湿滑；而指导性则是 GPS 告诉你具体该在哪个路口转弯，以避开风暴并准时到达。

4. 用于分析的数据类型

现代业绩管理不再仅仅关注数字 (\(1, 2, 3\))。我们现在利用非结构化数据 (Unstructured data) 来获取洞见：

  • 文本 (Text)： 分析客户评论或邮件以衡量“情感”。如果客户使用“缓慢”或“失望”等词语，净推荐值 (NPS) 很有可能会下降。
  • 图像 (Image)： 使用照片检查装配线上的产品质量，或监控零售店的客流量。
  • 视频 (Video)： 分析监控画面以查看客户在队列中等待的时间，这是一个关键的非财务业绩指标 (Non-financial performance indicator)。
  • 语音 (Voice)： 分析客户服务通话录音，查看员工是否遵循脚本，或客户听起来是否感到沮丧。

5. 风险与挑战

虽然大数据听起来很完美，但它也带来了显著的障碍，你应该在考试答案中提到这些点：

  • 成本 (Cost)： 购买技术和聘请数据科学家费用非常昂贵。
  • 技能缺口 (Skill Gap)： 现有的会计师可能不具备解读复杂数据模型的技能。
  • 数据过载 (Data Overload)： 管理层可能会被过多信息淹没（通常称为“分析瘫痪”），导致难以集中精力于关键成功因素 (CSFs)。
  • 安全与伦理 (Security and Ethics)： 存储大量个人数据会带来网络攻击的风险，以及有关隐私的伦理困境。

快速复习测验

问：哪一个 'V' 代表数据产生的速度？
答：Velocity (速度)。

问：哪种类型的分析会告诉经理下一步该做什么？
答：指导性分析 (Prescriptive Analytics)。

问：为什么“清理”数据很重要？
答：为了确保准确性，并避免根据“垃圾”数据做出决策（确保真实性 Veracity）。

交叉引用： 若要了解这些方法如何应用于 AI 或回归分析等特定技术，请参阅 D 部分后续章节。