大数据用于商业决策有盲区 “大数据之父”给出新对策|界面新闻o商业牛津大学教授维克托&迈尔-舍恩伯格（Viktor Mayer-Sch&nberger）是《大数据时代》一书的作者，被誉为&大数据之父&。
8月25日，舍恩伯格出席了2016IEBE上海高峰论坛，并就企业如何更好地利用大数据进行商业决策等问题接受了界面新闻的专访。
越来越多的企业开始重视对大数据的分析与利用。据贝恩咨询公司的一份全球调研报告显示，在其调研的超过400家年营业额高于5亿美元的企业中，有大约60%的企业正积极在大数据方面进行投资，以期获取企业发展的新动力。大数据已经从高端化、差异化的决策工具，渐渐演化为各企业常规化的决策工具。
与此同时，人们对于大数据价值的看法也在发生转变。在大数据研究的早期，极端乐观的态度是当时的主流，但近年来，这类观点开始受到反思与质疑。舍恩伯格对界面新闻记者表示，&如果对大数据解读得过度，实际上就是滥用数据&。
研究大数据，诚然可以让企业更好地发现数据背后的商机，但是，把大数据运用到商业决策也存在不少局限。
以舍恩伯格之见，大数据用于商业决策存在以下三大难点。
难点一：只分析相关关系，导致商业决策出现盲区。
科研领域的很多统计和分析方法未必适合信息时代的商业领域，舍恩伯格对界面新闻记者说：&很多人把数据间的相关关系看成是因果关系，这有可能造成对大数据的过度解读。&美国旧金山游戏公司Zynga的兴衰，正是这样一个例证。
Zynga公司的联合创始人马克&平卡斯（Mark Pincus）非常笃信大数据的力量。他在公司创立之初就搭建了一套完整的数据分析系统，并组建了以谷歌公司数据分析专家领衔的大数据团队。Zynga公司在数据仓库、A/B测试工具和大数据分析方法上的领先，使其较其他游戏公司而言，可以更快按用户反馈意见调整各类决策和设置。比如，游戏中的草地到底是设为红色还是绿色，Zynga公司管理层不做决策，而是同时设置红绿两套颜色方案，哪一边用户付费程度高，Zynga公司就迅速把草地定调为哪种颜色。这样的优势，也确实让Zynga公司在草创时期获益良多，其最热门的一款游戏《Farm Ville》曾创下月活跃用户8300万的纪录。
但时间一长，这套体系的弊端也渐渐浮现。这种完全按当前用户喜好决策的模式，或许能分析游戏何以畅销的相关因素，但无法分析游戏何以畅销的因果因素。这使得Zynga公司的新游戏产品持续产生同质化迭代。公司上下从领导层到各部门员工，关注游戏商业模式创新者日益减少。而在竞争激烈、变化速度极快的游戏行业，失去创新精神就意味着全面落后。随着Supercell公司、King公司等对手不断推出创新型游戏，Zynga公司也在市值蒸发逾100亿美元后，逐渐淡出主流游戏公司阵营。
当前，商业环境的多变，令企业在做商业决策时更像是在面临一个充满突变的混沌系统。此时，基于陈旧数据、基于相关关系分析得出的结论，哪怕分析过程中数据量再大、分析方法再繁复，也难保企业不走进决策的盲区。
难点二：完整的大数据难以被企业获取。
所谓&大数据&，指的是总量的全体数据。但囿于人类在数据采集、存储与处理等方面的种种客观限制，要获得这样的数据往往难度巨大。
一方面，完整大数据的采集非常困难。舍恩伯格对界面新闻记者表示：&大数据应用通常分为三个步骤：第一步是搜集数据，第二步是分析数据，第三步是根据数据分析结果做出决策。其中，对很多公司而言，最难的一点就是搜集数据。&
另一方面，随着数据规模变得越来越庞大，企业的大数据存储与处理能力也在不断受到挑战。在传统介质存储数据已愈发不现实的今天，商业数据的存储往往更依赖云储存等方式。这样一来，企业在添置云服务及Hadoop分布计算平台等方面的预算，将是一笔不小支出。另外，由于完整的、结构化的数据难以获取，大数据在很大程度上存在着非结构化的特征。例如，舍恩伯格就在《大数据时代》一书中有写道，&只有5%的数字数据是结构化的且能适用于传统数据库&。可见，企业在采用智能分析、图像识别等一系列先进算法来使大数据结构化时，将面临高额花费。一旦企业的相关投入跟不上，其所获得的大数据就难言完整。
并不足够完整的大数据，不仅不能为企业决策提供帮助，反而可能起到误导的作用。在影视行业，就发生过试图利用大数据预测影片票房，结果却与实际票房差距甚远的事例。比如，爱梦娱乐公司就曾利用其大数据建模，为电影《后会无期》推算了影片总票房收入，其推算结果为4.3亿到4.8亿元。而该影片的实际票房则突破了6.2亿元。这样的推算结果，显然难以帮助影业公司在产品宣传、渠道建设等方面进行理性决策。事实上，爱奇艺公司CEO龚宇也曾表示，百度和爱奇艺也有相关的大数据，但因为在这些搜集到的数据中仍有涉及不到的因素，所以这类预测的准确率不算太高。由此可见，只要大数据中仍存在遗漏和偏差，其对企业潜在的误导可能性就不容忽视。
难点三：大数据分析领域人才短缺。
企业对大数据的运用能力，受制于其人才储备状况。舍恩伯格说，&在大数据领域的研究和发展中，最重要的是人才。&
但因为大数据分析兴起的时间并不长，且分析团队往往规模不小，所以，即使是顶尖企业在组建大数据分析部门时也难言轻松。以Facebook公司为例，这家硅谷巨头花了将近四年时间，建立了一个超过30人的团队，才搭建起Facebook自己的数据处理平台。维持这个数据处理平台的常规运行，更是需要超过100名数据分析专家。又比如，LinkedIn公司建立起自己的大数据部门用了整整六年时间。
如果这些知名公司，都需要在大数据分析部门的建设上如此费心费力，那么，其他公司在完成此任务时，其难度无疑更甚。麦肯锡咨询公司发布的一份大数据报告就曾预测，到2018年，仅美国在数据科学家方面的人才缺口就会达到14万至19万人。人员构架的短板，则会导致大数据分析领域先进技术难以得到实施。从贝恩咨询公司的那份全球调研报告中可以发现，目前仅有38%的企业，能够使用如NoSQL、HPCC以及自动数据清洗算法等大数据领域的先进分析方法。这些都使得各企业在用大数据帮助企业决策时，其效果需要打上一个不小的问号。
缩小决策范围，才能放大大数据的作用
在运用大数据来辅助企业决策方面，舍恩伯格认为亚马逊是个典型案例。
对于用户在亚马逊网站上的页面停留时间、评论查看情况、各类关键词的搜索、各种商品的浏览量等大数据，亚马逊公司都会做出细致分析。这家在各个业务环节中都无不体现着&数据驱动&的公司，也在2016年《财富》全球500强排行榜中跻身前50强，排名达到第44位。诚如舍恩伯格所言，&那些能够理解大数据、并且懂得让大数据提供价值的公司，将能够有更多的成功可能性。&
大数据能让商业决策变得更盲目，还是更理性？舍恩伯格认为关键还是在于，企业是否对大数据的运用范围进行了缩小，为其树立一些边界。
即使是非常重视大数据力量的亚马逊公司，其在推出Prime等前瞻性业务时，主要依靠的也不是某些大数据，而是该公司创始人杰夫&贝佐斯（Jeff Bezos）的经营哲学与商业洞见。
舍恩伯格向界面新闻记者说：&大数据是一种资源和工具，它的目的应限定为告知，而不是解释。&把&告知&的任务交给大数据，而把&解释&的权利保留在人的手中，才是让大数据参与企业商业决策的良好方法。大数据的真正魅力，恰恰产生于其变&小&之后。
这样，大数据在释放用户信息、改进商业建模、优化决策精细程度等方面的优势，将得到保留。与此同时，管理者也能利用大数据提供的精准量化分析成果，使自己在战略远见与商业洞察方面的优势获得更强有力的支撑。
今年3月，谷歌公司旗下的AlphaGo以4:1的总比分战胜世界围棋冠军李世石，引起了巨大轰动。正如舍恩伯格所述，&现代的人工智能，其进行自我深度学习的根基就是大数据&，AlphaGo，正是人类对大数据决策能力的一次良好运用。
微缩于19X19格的围棋规则边界后，AlphaGo运用大数据完成了远比人类更高明的决策，给予世人以启示。
在舍恩伯格看来，&人类要知晓大数据的力量，同时也要看到大数据的局限&。在未来，一个个有边界限定的&棋盘&，或许才是大数据在商业决策时更好的用武之地。
（界面新闻记者刘怡君对此文亦有贡献。）
更多专业报道，请
0界面记者关注管理与商业模式，出版有《全世界最贵的总裁管理课：杰克·韦尔奇的秘诀》。沟通请联系邮箱或微信leo452ad相关文章您至少需输入5个字评论()股票/基金&
运用大数据进行定价决策
　　利用来自于与客户互动的可利用的大量数据，可以使公司的定价更为合理，并得到相应回报。正确定价的重要性不言而喻。一般来说，价格上涨1%的话，相应的营业利润会增加8.7%（当然，假设销量不发生变化）。　　然而，据估计，每年成千上万的定价决策公司中，30%企业未能提供最好的价格。这是一笔很大的损失。值得关注的是，现在可用的海量数据为公司提供了一个更好作出定价决策的机会。　　当然，这不是一件容易的事。大数据的白热化增加了多通道的复杂性，客户接触点的数量一直呈爆炸性增长，但价格点需要保持同步。由于没有发现并就大数据带来的机会采取措施，许多企业正失去唾手可得的增加利润的机会。抓住机会的秘诀就在用大数据找到在产品水平上，而不是种类水平上的最优定价。　　对于每种产品，企业都应该能找到客户愿意支付的最优价格。最理想的是，他们洞察到非常具体的会影响到价格的因素，然后得出最优价格。事实上，对于产品种类不是很多的公司来说，这种定价方式很直接。　　当产品数量激增的时候，这样定价是有问题的。一家典型公司收入的75%来自于它的标准产品，其产品数量经常多达成千上万。耗时的、手动的价格设置，几乎不可能跟释放潜在价值的定价模式沾边。对大型企业来说，细化和处理好定价变量的复杂性太难了，且这些变量通常在不断变化，其核心在于，这实质上是个大数据问题。　　分析的模式强调基于支付意愿的客户产品水平上差异化定价的机会。　　许多营销人员对此却视而不见。他们仅仅基于简单因素来定价，比如制造产品的成本、标准利润率、相似产品的价格、折扣数量等等。他们依赖于过去的实践来管理产品，正如他们总是使用或者引用“市场价格”，作为不处理这些问题的借口。最糟糕的是，他们依赖于“久经考验”的历史方法，如普遍涨价10%。　　更好定价的关键就是充分了解公司现在处理的数据，需要放大而不是缩小数据的作用。　　事实上，在B2B背景下，使用大数据的例子实际上已经不只局限于定价，而是涉及到公司商业引擎的其他方面。例如，“动态评分”在个人交易、决策升级点、激励、绩效得分，以及更多基于一组类似的损益交易水平上提供价格指导。　　使用较小的、相关的交易数据是很有必要的，因为不同交易的相关因素会发生变化。大数据给技术领域带来的巨大成功已经出现―某公司依据大数据定价，相应增加了四到八个百分点的销售利润。（苟芬）
（责任编辑：HN666）
07/24 09:4707/23 09:3807/18 11:0007/18 09:4807/16 16:0607/14 10:5207/04 15:05
暂无专家推荐本文
同时转发到我的微博
将自动提交到和讯看点，
请输入您的观点并提交。
请输入您的观点 168字以内
同时转发到我的微博置顶我的观点
科技精品推荐
每日要闻推荐
精彩焦点图鉴
　　【免责声明】本文仅代表作者本人观点，与和讯网无关。和讯网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。如何利用大数据指导营销决策
_舆情应对_蚁坊软件
如何利用大数据指导营销决策
浏览次数:263
文本来源:网络
如何利用大数据指导决策大数据思维不像互联网思维那样令人热血沸腾。最近一项研究表明，采用大数据的公司比不采用大数据的公司利润平均高6个百分点。6个百分点也许不那么起眼，但“积少成多、聚沙成塔”，在激烈的竞争环境中，这是可以让企业生存下来、脱颖而出的资本。那么如何利用大数据指导营销决策呢？&大数据实际上是营销的科学导向的自然演化。大数据思维有三个纬度——定量思维、相关思维、实验思维。&第一，定量思维，即提供更多描述性的信息，其原则是一切皆可测。不仅销售数据、价格这些客观标准可以形成大数据，甚至连顾客情绪（如对色彩、空间的感知等）都可以测得，大数据包含了与消费行为有关的方方面面；第二，相关思维，一切皆可连，消费者行为的不同数据都有内在联系。这可以用来预测消费者的行为偏好；第三，实验思维，一切皆可试，大数据所带来的信息可以帮助制定营销策略。&这就是三个大数据运用递进的层次：首先是描述，然后是预测，最后产生攻略。然后讲一讲如何利用大数据的这些思维进行实践的一些例子供大家参考。&一切皆可测：迪士尼MagicBand手环&美国迪斯尼公司最近投资了10亿美元进行线下顾客跟踪和数据采集，开发出MagicBand手环。游客在入园时佩戴上带有位置采集功能的手环，园方可以通过定位系统了解不同区域游客的分布情况，并将这一信息告诉游客，方便游客选择最佳游玩路线。此外，用户还可以使用移动订餐功能，通过手环的定位，送餐人员能够将快餐送到用户手中。利用大数据不仅提升了用户体验，也有助于疏导园内的人流。而采集得到的顾客数据，可以用于精准营销。这是一切皆可测的例子，线下活动也可以被测量。&一切皆可连：网上订餐追踪系统&一家做订餐配送的互联网企业，在送外卖的自行车和汽车上安装一套软件和追踪系统，从配送外卖中采集了大量数据，如谁订了什么外卖、经过什么路线、到了谁的家里……而通过对数据的分析，可以得出哪家餐馆的什么外卖比较受欢迎，最快捷的路径是那一条等，在此基础上为商家提供备料建议，并规划一条合理高效的送餐路线。利用分析表面看似无关联的大数据，公司能够提供优化餐馆运营的增值服务。&一切皆可试：电商页面推荐功能&电商购物中，商品页面的其他产品推荐是个重要的功能（例如“买过该商品的人还买过XXX”）。如何量化和优化推荐功能的效果？有研究机构做了这样一个测试：按顺序向用户推荐全部/屏蔽部分推荐/屏蔽所有推荐，经过一个月测试之后，跟踪被测试对象的购买情况，发现不屏蔽推荐的短期效应最高，购买量最多。而屏蔽所有推荐的效果要优于屏蔽部分推荐。而原先购买过商品的消费者在被屏蔽推荐之后，商品的销售额下降更快，因而可以得出推荐功能对有忠诚度的客户作用更大。更有趣的是推荐功能的长期效果。研究发现，不论首次购买过程中用户是否购买了推荐商品，第二次的访问情况都遵循这一规律：未被屏蔽推荐的顾客中，10%的人会再次访问，被屏蔽推荐的访问率是9%，而实际转化成访问的次数是8%，如果再结合老顾客推荐效果会更好，最后会产生超过10%的营收提高。总体看来，推荐的效果更可观。&从描述到预测，再到产生攻略&社交网络分析跟踪，将消费者社交网络上的关键词频率转化为可视化表达，对消费者进行分类，进而做针对目标客群的精准营销，这是大数据营销的描述阶段。&预测阶段的案例是对信用卡使用情况的研究。原先每家银行只能看到消费者的本行刷卡记录，银行据此消费记录对客户实行奖励。其中存在的问题是，客户使用非本行信用卡的消费情况无从知晓，银行无法了解客户的实际消费情况，哪些是隐藏的“消费大户”。解决这一问题的难点在于，他行的数据记录很难获得，因此研究机构就使用第三方零售商调研的数据，通过建立模型，将两种数据融合，再对消费者的实际消费情况进行预测。模型中原先可能年消费只有元的消费者，实际消费达到了4万，这些人成了非常有潜力的银行客户。&在攻略阶段，银行可以根据预测结果调整客户奖励政策，例如给年均消费3000元的客户提高返点，或者提供更丰富的积点兑换产品等，使这部分人群变成银行的忠诚顾客。&运用大数据来指导营销决策，是许多并购战略的内在逻辑。推荐阅读：当前位置： >>
利用大数据进行产品研发决策
利用大数据进行产品研发决策
14:08:19&&作者：Dassault Systems 张俊 胡其登&&来源：
　　近来IT技术领域最热门的话题之一就是大数据，关于大数据的应用更是被神化及夸大化。对于在PLM/PDM中应用大数据更多的是概念及愿景，很难使应用落地。本文想从产品需求管理上入手，探讨如何使大数据为产品设 ...
　　近来IT技术领域最热门的话题之一就是大数据，关于大数据的应用更是被神化及夸大化。对于在PLM/PDM中应用大数据更多的是概念及愿景，很难使应用落地。本文想从产品需求管理上入手，探讨如何使大数据为产品设计进行决策。
　　一、何为大数据?
　　大数据有很多的定义：笔者在这里引用来自维基百科、高德纳公司及IBM对于大数据的定义。
　　维基百科：大数据(Big data)或称巨量数据、海量数据、大资料，指的是所涉及的数据量规模巨大到无法通过目前主流软件工具，在合理时间内达到截取、管理、处理、并整理成为帮助企业经营决策更积极目的的信息。网络上每一笔搜索，网站上每一笔交易，敲打键盘，点击鼠标的每一次输入都是数据，整理起来分析排行，它的功能可不仅仅止于事后被动了解市场，搜集起来的数据还可以被规划，引导开发更大的消费力量。
　　2012年，高德纳公司修改了对大数据的定义：大数据是大量、高速、及/或多变的信息资产，它需要新型的处理方式去促成更强的决策能力、洞察力与优化处理。
　　IBM：大数据是指无法使用传统流程或工具处理或分析的信息。
　　既然大数据的定义都与信息量和计算机处理能力有关，那么接下来让我们来看一下人类的信息量、计算机处理能力与世界经济发展速度的对比情况。
　　人类存储信息量的增长速度比世界经济的增长速度快四倍，而计算机数据处理能力的增长速度则比世界经济的增长速度快9倍。
　　有数据显示：2000年时，数字存储仅占25%，报纸图书等占到75%。而到2000年，报纸图书等只占到7%。2007年人类存储的数据超过300EB(1EB=10亿GB)，而且还在剧烈增长中。
　　通过以上信息，我们可以清晰地看到：所谓“大数据”只是一个相对的概念，初期是指需要处理的信息数量过大，超过了一般电脑在处理数据时的极限，因此科学家必须改进数据处理的工具。这也导致了新的处理技术的诞生，如开源Hadoop平台。这些技术使得人们可以处理的数据量大大增加，更为关键的是，这些数据打破了必须使用关系型数据库管理数据的模式，因此也出现了更多的非结构化数据。
　　二、大数据的特征
　　可以采用3个特征来定义大数据(3V)：数量(Volume)、种类(Variety)和速度(Velocity)，如图1所示。这些特征相结合，定义了IBM所称的“大数据”。他们创造了一种需求，那就是使用一类新功能来改善当今的做事方式，提供了一种对我们现有的知识领域和驾驭其能力的更有效控制。
　　当然现在也有的公司采用4V来做定义，增加了真实性(Veracity)为第四特点。
　　下面笔者将解释一下这几个特征。
　　(1)数量：多大才算大?10年前全世界超过TB的数据仓库屈指可数，而现在个人电脑轻松超过TB，说明数据的大小与时间相关。如今可供使用的数据量不断增长，而它们可分析的数据比例不断下降。所谓大，可以理解为使用传统方法无法处理的数据，必须采用新的技术才能处理的数据就能被认为数量足够大。
　　(2)种类：传统系统能处理的数据为关系型数据，但是随着传感器、智能设备以及社交协作技术的激增，企业中的数据也变得更加复杂：它不仅包含传统的关系型数据，还包含来自网页、Web日志文件(包括流数据)、搜索索引、社交媒体论坛、电子邮件、文档、主动和被动系统的传感器对数据等原始、半结构化和非结构化数据。世界上目前存在的数据只有20%的结构化数据，这也是目前我们的系统可以处理的部分。因此在大数据领域需要新的系统才能处理原始、半结构化和非结构化数据等更多种类的数据。
　　(3)速度：多快才算快?对速度的传统理解通常是考虑对数据进行存储及其相关的检索速率。要理解速度，一种思考问题的新方式是：从数据产生的时刻开始考虑。不要将速度的概念限定为数据存储的增长速率，而定义为动态的数据：数据流动的速度。当今的企业正在处理PB级数据而不是TB级数据，而且如RFID传感器和其他信息流的增加导致了传统系统无法处理的持续的数据流。如IBM推出的大数据的流计算就是希望能实现实时数据速率统计，能够比竞争对手更快地确定数据趋势预测。
　　三、大数据的核心是预测与帮助决策
　　由于大数据是对所有的数据进行处理，而不是样本数据。他可以反映出数据的真实性。因此大数据不是采用随机算法进行分析，而是对所有的数据进行分析。
　　大数据的核心是预测，它通常被视为人工智能的一部分，或者被视为“机器学习”。大数据不是要教机器和人一样思考，而是把数学算法运用到海量数据上以预测事件的发生可能性。比如明年某产品流行什么颜色、样式、特性……这些预测能够成功都是建立在海量数据的基础上。此外，随着系统接收到的数据越来越多，他们可以聪明地选择最好的判断模式来改善判断与决策性能。
　　在不久的将来，现在单独依靠人类判断力的领域会被大数据决策所取代，例如目前最成功的语言翻译系统来自Google，其翻译性能的保证来自数万亿的语料库，而不是人类语言专家，专家的专业价值日渐萎缩。
　　以苹果为例，其产品的创新性与用户体验完美结合，其决策来自与苹果公司合作的全球电话服务商，他们提供了海量的全球电话客户的体验数据。
　　因此数据的核心是预测与帮助企业进行决策，对于制造型企业而言，产品研发决策是公司成败的关键。
　　四、PLM中产品研发决策面对的挑战
　　1.什么是IPD
　　集成产品开发(Integrated Product Development，简称IPD)是一套产品开发的模式、理念与方法。作为先进的产品开发理念，IPD的核心思想可以概括如下。
　　(1)新产品开发是一项投资决策：IPD强调要对产品开发进行有效的投资组合分析，并在开发过程设置检查点，通过阶段性评审来决定项目是继续、暂停、终止还是改变方向。
　　(2)基于市场的开发及创新：IPD强调产品创新一定是基于市场需求和竞争分析的创新。为此，IPD把正确定义产品概念、市场需求作为流程的第一步，一开始就把事情做正确。
　　(3)跨部门、跨系统的协同：采用跨部门的产品开发团队(PDT：Product Development Team)，通过有效的沟通、协调以及决策，达到尽快将产品推向市场的目的。
　　(4)基于平台的异步开发和重用模式：通过严密的计划、准确的接口设计，把原来的许多后续活动提前进行，这样可以缩短产品上市时间。同时，采用公用构建模块(CBB：Common Building Block)提高产品开发的效率。
　　(5)结构化的并行开发流程：产品开发项目的相对不确定性，要求开发流程在非结构化与过于结构化之间找到平衡。
　　IPD框架是IPD的精髓，它集成了代表业界最佳实践的诸多要素。具体包括异步开发与共用基础模块、跨部门团队、项目和管道管理、结构化流程、客户需求分析($APPEALS)、优化投资组合和衡量标准共7个方面，集成产品开发框架如图2所示。
　　从IPD整体框架可以清楚地看到，需求管理与决策是IPD的输入端也是决策段，其决定了产品与平台开发的成败。
　　2.PLM与IPD的关系
　　随着PLM软件的兴起，产品生命周期包含需求收集、概念确定、产品设计、产品上市和产品市场生命周期管理。如图3所示，PLM的应用范围逐渐扩大，可以帮助企业将IPD落地，但是依旧没有解决需求管理的瓶颈。
　　3.客户需求工程
　　可以说，没有需求就没有产品，缺乏好的、及时的市场需求是项目方向偏离和产品失败的最主要原因(图4)。IPD使用一种用于了解客户需求、确定产品市场定位的工具——$APPEALS进行需求分析。
　　$APPEALS 能够从8个方面衡量客户对产品的关注， 确定产品的哪一方面对客户是最重要的。具体地，$APPEALS依次的含义为：$为产品价格(Price)，A为可获得性(Availability)，P为包装(Packaging)，P为性能(Performance)，E为易用性(Easy to use)，A为保证程度(Assurances)，L为生命周期成本(Life cycle of cost)，S为社会接受程度(Social acceptance)。
　　4.目前需求管理的瓶颈
　　也许读者会发现：PLM/IPD两者的源头都是需求，针对需求很重要的就是市场管理，这也是目前PLM系统里面非常弱的一面。以往的做法，需要各行业专家针对产品战略、市场信息、客户反馈、竞争信息、技术趋势和产品组合等大量内容进行抽样、样本分析，确定基线化的需求说明书。但所有这些都是基于小数据情况下的分析及决策。这也给企业产品研发决策带来了大量的隐患。经常出现的情况如：①样本数量不够，造成预测错误;②决策因子的权重取决于感性，而不是全部数据;③决策时间过长，与瞬息万变的市场脱节;④无法确定是否应该停止某些研发项目的投资……
　　以上这些情况的发生，都使得我们不知道客户需要什么样的产品、产品需要在多长时间内上市才会占有市场先机，这些都会阻碍我们尽快做出正确产品研发决策。
　　五、如何利用大数据为PLM进行决策
　　根据以上的问题与现状，依靠现有的PLM系统无法进行决策。那么我们可以依靠大数据来帮助企业进行决策。目前，有以下大数据方式可以帮助我们进行决策：①通过与社交网站合作，分析特定区域客户浏览习惯、交友年龄、性别等了解到潜在用户的喜好、习惯;②多年的数据分析，实现数据的再利用。如分析客户订购网站多年的订购习惯等过时数据，以了解客户需求变化趋势;③针对由于用户错误或者产品设计错误的反馈数据，了解客户真正需要的用户体验;④利用交互式技术集成企业PLM，让用户访问企业的PLM系统，收集客户访问交互式网站的体验及反馈，进行新产品决策。
　　以下，笔者通过介绍利用用户体验来进行产品决策的案例来讨论如何使用大数据为产品研发决策。
　　对于消费类产品来说，产品与时代潮流相符，市场瞬息万变，等到某类产品流行了再做产品研发及变更都会使企业丧失先机。如何能预测市场趋势，提前做好产品研发呢?必须提前准确预测未来产品的趋势，这就需要通过大数据来进行决策。
　　传统的做法是：通过委托调研公司进行市场抽样调查，这种做法存在着成本高、相应速度慢于市场变化、并且样本数量有限，难以反应市场真正的趋势。因此我们可以通过虚拟化技术嵌入社交网站，通过分析人们的浏览习惯、使用者的性别、年龄、职业和上网习惯等进行详细分类(这些都是在客户不知情的情况下被服务商所收集的数据)。
　　例如：采用与SolidWorks Enterprise EPM集成的Composer设计的企业交互式网站展示未来产品的雏形，发布到各个社交平台，通过用户访问的频次、停留时间(而不是通过客户投票选择)等浏览习惯来进行决策客户的喜好。例如将不同的手表样式、颜色等不确定信息设计成多种交互式动画展示于社交平台，通过社交平台提供一定时间内的客户浏览习惯、客户分类等信息进行手表流行趋势预测(图5)。然后通过PLM系统快速进行新的项目管理与研发，在最短的时间内将新产品推向市场，实现高盈利，并领先竞争对手。
　　六、结语
　　由于大数据是一个全新的具有勃勃生机的领域，只有通过深度挖掘大数据中的数据价值才可以帮助企业的PLM系统进行产品研发决策。
本文引用地址：
版权所有：智造网