发帖
雷达卡
为什么数据孤岛和现在的分析孤岛继续存在？不可能是技术问题。数据孤岛出现在 1990 年代，当时我们试图构建为单记录事务处理而构建的关系数据库管理系统 (RDMBS)，它执行大规模的表扫描以识别隐藏在数据中的趋势、模式和关系。感谢上帝，那些日子已经过去了。大规模并行处理 (MPP) 数据库、键值存储和 Amazon S3 等基于云的数据架构等技术创新已经消除了许多需要这些隔离数据和分析存储库的技术问题。
今天，数据和分析孤岛往往是一个文化问题，它在我拥有而其他人没有的信念下发酵，让我更强大，同时让他们更弱。由于过时的“稀缺心态”，这些数据和分析孤岛持续存在——一种机会、资源和成功有限的心态，因此必须加以保护或囤积。
稀缺心态是一种“我赢，你输”的心态
另一方面，“富足心态”是一种愿意与他人自由分享和协同的意愿，并意识到分享和融合越多，获得的就越多。拥有丰富心态的人相信每个人都有大量的资源、关系、财富和机会（。
专业播客“丰富与稀缺的心态”
斯蒂芬科维在他的《高效能人士的七个习惯》一书中说，丰富的心态是一种思维方式，一个人相信有足够的资源和成功可以与他人分享。
现在，在一个“学习经济”比“学习经济”更强大的知识型世界中，稀缺心态阻止了组织充分利用数据和分析的独特经济特征——可以持续学习、适应的经济资产，并改进它们共享和重用的更多内容。
数据和分析是经济资产，不仅永不枯竭、永不磨损，而且可以以零边际成本在无限数量的用例中使用。此外，数据和分析资产的价值可以升值，而不是贬值，它们被共享和重用的次数越多……可以不断学习、适应和完善的经济资产。
让我们看看我们可以从开源软件中学到什么，了解丰富心态的力量和学习的经济性。
从开源软件运动中吸取教训的经济学
开源软件运动强调了共享、重用和不断改进的经济性。开源软件通过促进关键数字技术的协作开发和改进来利用学习经济。
例如，Google 开源 TensorFlow以在数千个新用例中获得数以万计的额外用户，以提高 TensorFlow AI/ML 库的预测和运营效率，该库运行着 Google 令人难以置信的盈利业务。谷歌使用 TensorFlow 为其个人照片应用程序提供支持（它会自动将您的照片神奇地分组到故事板中）、识别口语（自然语言处理）、翻译外语，并作为其极其有利可图的搜索引擎的基础。可以说，TensorFlow 是让谷歌赚钱的一切的基础。
通过开源 TensorFlow，谷歌可以通过将 TensorFlow 暴露于更广泛的用例来加速 TensorFlow 的学习，最终使运行谷歌的引擎更加有效——这超出了谷歌自己的能力。他们正在让世界——包括他们的竞争对手——改进驱动谷歌商业模式的引擎，实际上，挑战任何人在他们自己的游戏中击败他们……这是一个大胆而聪明的举动。
底线：开源软件运动——由共享、重用和不断完善这些软件资产的能力驱动——改变了软件开发的经济性。
请参阅我的博客“学习的经济价值以及为什么 Google 开源 TensorFlow ”，了解更多关于 Google 决定开源 TensorFlow 的学习经济教训。
“学习经济”与“规模经济”
从历史上看，组织通过“规模经济”创造了竞争优势和坚不可摧的市场地位。这些组织通过大规模投资——大规模采购、大规模生产、大规模分销和大规模营销——建立了巨大的市场和运营护城河来竞争。
规模经济 是组织由于其运营规模而可以实现的成本优势，其目标是降低每单位生产或产出的成本。
学习经济削弱了定义规模经济的固定成本和产出之间的强大反比关系。敏捷、快速学习的公司可以占领并主导快速发展的市场，并成功挑战因数十年的规模投资而受压的“规模经济”公司。
学习经济是指组织在逐个案例或逐个参与的基础上快速构思、尝试、测试、失败、忘却、学习和应用这些学习的能力。
学习飞轮的经济性
可以利用“学习经济”的公司的特征包括：
在环境、经济、社会、政治和运营条件以及客户和市场需求不断变化的基于知识的动态市场中竞争。
拥抱将“科学方法”应用于每个决策，了解哪些有效，哪些无效，并将这些知识重新应用到下一系列决策中。
专注于学习，而不是优化，因为优化当今有效的方法可以导致在不断变化的市场和环境中“优化奶牛路径”。
利用“复合法则”，一系列小的学习驱动改进可以产生重大影响（即，1% 的改进复合 365 倍会产生近 38 倍的性能和有效性改进）。
拥抱从失败中学习的文化。只有在以下情况下，失败才是糟糕的：1) 在采取行动之前没有彻底考虑失败的后果，以及 2) 失败的教训没有在整个组织中得到总结和分享。
注意： 有趣的是，我们可以应用于组织的“学习经济”与随机梯度下降和反向传播的深度学习概念相似。
反向传播是一种基于数学的工具，用于通过逐渐调整权重直到预期模型结果与实际模型结果匹配来提高神经网络预测的准确性。反向传播解决了寻找最佳权重以提供最佳预期结果的问题。
随机梯度下降是一种基于数学的优化算法（想想微积分中的二阶导数），用于通过在梯度的负值（斜率）定义的最陡下降方向上迭代移动来最小化一些成本函数。梯度下降通过将模型结果中的误差推回权重来指导对我们的神经网络模型的权重进行更新。
请参阅我的博客“使用浴室水龙头教授神经网络基本概念”，以了解有关随机梯度下降和反向传播的神经网络概念的更多信息。
丰富的心态驱动创新
培育丰富和分享的文化是推动创新的关键之一。
试图围绕一个关键的组织决策调整整个组织的不同观点是令人麻木的。许多组织以稀缺的心态运作，采用“磨损”的决策方法，导致妥协和冒犯最少“重要”利益相关者的“最坏”选择。这种“最小公分母”方法会导致从对您的客户和您的组织重要的角度做出次优决策。这就像让斯蒂芬库里加入你的篮球队，但强迫球队中的每个人都以皮特奇尔卡特的水平打球（对不起，伙计）。“最小公分母”决策不会让人快乐，不会让组织变得更强大，也不会让目标客户受益。
另一方面，拥有丰富心态的组织——每个人都可以赢得的心态——可以寻求识别和融合整个组织的各种人员“资产”，从而产生“最佳最佳”选项。丰富的心态推动识别和理解每个人的资产（例如，技能组合、经验、方法、工具、关系）的过程，然后以一种推动创新的方式混合、弯曲和协同这些个人资产，从而导致“最佳最佳”选项
协同与妥协：从“最差”到“最佳”选项
丰富的心态通过利用设计思维技术、工具和心态来汇集和融合不同的、有时是相互冲突的观点，从而通过以下方式实现“最佳最佳”选择，从而促进协同心态：
寻求使用利益相关者角色档案和客户旅程地图清楚地了解目标客户挑战。
对客户的旅程进行分类，包括待完成的工作（并衡量针对工作效率的 KPI）、收益（收益）和痛苦（障碍）。
确定整个组织中存在的广泛的组织“资产”（即技能、经验、方法、工具、关系）。
最后，设想和构思如何整合和融合不同的组织“资产”，以创建“最佳最佳”选项，以支持客户的待完成工作、收益和痛苦
设计思维：客户价值（解决方案）图
采用丰富的心态总结
规模经济是快速学习、应用这些知识以及不断学习和适应应用这些知识的能力。
数据和分析的经济学建立在共享、重用和不断完善的概念之上。也就是说，我们共享和重用的越多，这些数字资产就越有价值。
“学习型经济”组织为在动态市场中取得成功做好了准备，而不是那些寻求建立大型、笨重的护城河，试图根据昨天的学习来封锁商业模式和策略的“规模经济”组织。
至少那是法国人在马其诺防线学到的……
编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了
DA内容精选
京公网安备 11010802022788号
