“大数据”还不等于“大智慧”

　　算法的局限性

　　进一步说，我们更希望大数据可以让企业用户直接即时地访问数据，这样他们就可以随时随地、有如神助般的做出每一个最佳决策。愿望是美好的，只不过以我们当前的技术条件来看，我们还达不到这么复杂神奇的水平。

　　要做到这一点，首先我们需要足够多的数据专家来帮助我们分析处理数据，从大量的信息中提取出有效信息。同Kholsa Ventures一道投资了数家大数据技术公司(例如Parstream)的投资者基斯·拉波斯表示，公司非常需要一个数据专家来指导处理复杂数据分析，只不过大多数的企业用户很难做到这一点。

　　拉波斯说，你会需要这些数据专家来开发应用和算法，承担大量的数据研究任务。但是在已经拥有这些数据专家的公司里，这些数据专家也并非一直在从事这些高级复杂的数据工作，大概部分原因是由于他们需要花时间去处理一些比较简单的数据分析。数据专家的才能在这里大大地被埋没了。

　　在最理想的情况下，拉波斯继续说道，数据专家开发出一套工具，当有一方需要答案时可以迅速地在整个组织里寻找分析的答案。在现今这个时代，速度就是一切。我们最不希望看到发生的事情就是，当我们急切地需要答案时，我们只能寄希望于数据专家，然后被动地等待。

　　出发点固然是好的，但问题在于即使是最聪明的人开发出了最复杂的算法，对于复杂的问题仍然没有最直接的答案。无论多么复杂的算法，也无法做到全盘考虑，对于难以衡量的特定因素更加束手无策。如果某个算法可以全部做到这些，那就无异于人类的大脑，届时麻烦可能更大了。

　　我们需要一个优秀的“中场手”

　　棒球比赛可以帮助我们更好地理解算法的局限性——水平相当的两个选手，他们的表现可以相去甚远。数据极客们会告诉你，经过多年的研究开发，他们创造了Sabermetrics算法，可以为你提供挑选最佳球手所需要的所有决策信息。他们还开发了一整个系列的数据统计算法，比如“替换胜率(Wins Above Replacement)”。FanGraphs对“替换胜率”的解释如下：“如果某一个队员负伤不能上场，他们的球队不得不找一个次级棒球联赛球队队员或者‘稍逊一筹’的板凳球员做替补时，损失有多少?”对此，他们采用了一系列标准来衡量计算两者之间的胜率差别。

　　这种复杂的算法若是仅仅用来准确地衡量球员的价值，那倒是没什么大问题。但是有些问题，比如某个球员在压力下的表现如何?他是否刻苦练习?他是哪一种类型的队长?又或者他跟队员的相处配合得如何?所有这些问题该怎么用算法去计算?难道这些问题就不重要了吗?如果要纳入算法的考虑范围，又要怎么去量化这些因素呢?

　　纯数据分析的追随者会告诉你一切都可以量化，也许他们说的没错。但是我也的确看到过很多水平相当的选手，在几乎相同的条件下，他们的表现是有差距的，尽管从数据分析上来看他们的表现应该很接近。

　　在企业中，人力资源专家在招聘自由程序设计师时也会遇到类似棒球选手的情况。你可能会有两个专业技能水平相当的应聘者前来应聘该职位，但其中一人的人际关系技能更胜一筹，能够很好地与同事合作，而另一个应聘者则难以相处和合作，显然仅从简历中很难看出这些“软实力”。即使有大量的数据支持，也很难顾及到方方面面可能产生的结果，尤其又涉及到人的时候。