撰文:李韡玲
欄名:任瑩在此
“美國有彭博,香港有展博! ” 展博研究 “一個人要成功一定要搵到自己的世界,只有係自己的世界入面,先至可以將天份潛質發揮到最高境界。”大時代 當將你的糧食撒在水面、因為日久必能得著。 你要分給七人、或分給八人、因為你不知道將來有甚麼災禍臨到地上。傳道書 11:1-2 平凡人做非凡事! "Ordinary people to become extraordinary performers!" Value Partners "人生就是不停的戰鬥" 九把刀 "因為我十分清楚, 世上所有一切, 係死亡面前都輕於微塵。當你已肯定你終會死亡, 你還有甚麼可以輸, 還有甚麼理由不去追隨心中所想?" 史泰龍 "Be Water! My Friend..." Bruce Lee
標籤: White House
標籤: 展博天下 -時事評論
前車路士及熱刺主帥保亞斯,剛被俄超球隊辛尼特委任為教練,雙方簽約兩年,此消息未致於震驚球壇,但也突如其來,皆因該名葡萄牙少帥不久前才指,今年之內不會再執教任何球隊。
但出爾反爾,並無不妥,反而非常正確。因為今年只不過三十六歲的他,在教練行業屬新仔一名,應該不理三七二十一,有工就要見,有約就要簽,盡快累積執教經驗,日後才可成就大業。
很多年輕人不明白這個道理,有錢只顧及時行樂,沒有及早學習投資理財,為日後生活鋪路。投資是易學難精的事,只有趁早實戰,累積成功與失敗的經驗,才能有所收成。有些退休人士,打足一世工,獲得一筆豐厚退休金,但退休後百無聊賴,臨老走入股海,結果輸了身家,喊都無謂。
保
亞斯的教練資歷並不深,2009年才展開教練生涯,第一支執教的是葡萄牙球隊科英布拉大學,上任不久就替球隊成功護級,並打入葡萄牙盃四強,翌季更得到班
霸波圖的垂青。結果他在波圖大放異采,帶領球隊成為聯賽、葡萄牙盃及歐霸盃軍三冠王,一時間名聲響徹歐洲球圈,成就與著名少帥摩連奴齊名,人人稱呼他為摩
連奴接班人。
失敗才寶貴
他的遭遇,與不少初買股票的人一樣,頭幾次獲利而回,就誤以為買股票毫無難度,變得心
雄,接下來多是處處碰壁,嘗盡虧損的滋味。一夜成名之後,保亞斯獲得英超勁旅車路士的邀請,如此吸引的聘約,當然無拒絕的理由。可惜來到英超後,才發覺英
超領隊不易做。在他帶領的四十場賽事,得勝率不及50%,又經常傳與林柏特、泰利等幾名老臣子不和,結果執教僅七個月,就被球會開除。之後輾轉來到熱刺,
雖經過一年蜜月期,但最後因為戰績不濟,以及與球員起衝突,再落得被辭退的下場。
沒有一個成功的投資者是一帆風順,必須經歷過失敗,並從中
學習,才能打好投資根底,慢慢走向成功。最怕是輸了就退縮,從此不再涉足投資市場,向自己認輸。所以,保亞斯被熱刺炒魷後,決定接受辛尼特的聘請,重投教
練市場,繼續吸收經驗,是非常正確的做法,趁年輕不斷勇於嘗試及學習,說不定其日後的成就,真的高過摩連奴呢!
放大圖片
上周文章談及Big Data「大數據」的產生。但事實上,嚴格來說,一般企業能用得上 「大數據」規模的分析不可能太多。因為Big
Data的其中一個特點是量(volume)大,最少是在數十 TB(Terabyte)到數 PB (Petabyte)之間。所以除非是像
Google 那樣要每月處理900多億次的網路搜尋、共600 PB(petabyte)的數據量,才算是Big Data。
無論如何,
在這資料爆炸時代,企業要制定競爭優勢,少不免要用上「數據分析」。企業進行的「數據分析」,包括了Data Warehouse(數據倉儲)與Data
Mining(數據探勘)。Data Warehouse儲存企業與所有客戶往來的交易數據,成為企業行銷與決策的參考工具,至於Data
Mining就是從龐雜的數據中篩選出有用資訊,並善用各項資訊科技工具加以分析與解讀。
數據科學家人才難覓
但是數據探勘的工作是否一定能為企業創造更高的商業附加價值(added value)?美國當下知名的統計與預測鬼才席爾瓦(Nate Silver)否定了。
席爾瓦指出,就算真的擁有「大數據」Big data的行業,其中的專家與決策者雖然掌握海量數據,但因為未能分辨出那些是無意義的雜訊,及那些才是關鍵的訊號(signal),往往誤把雜訊(noise)當訊號,所以仍不斷做出失敗的判斷。
故
此,在「數據分析」中,無論統計模型、數學分析、電腦應用程式等決策功能有多麼強大,仍無法取代人的理解能力。事實上,決策模型(decision
model)只能提供的數據,是屬於企業無法影響(cannot influence),所以「數據分析」提供了預測(prediction)。
企業要把預測數據轉化成附加價值,必須由人作出企業可以影響的決定,去產生理想效果。
既
然企業在「大數據」的附加價值的關鍵仍是人,那麼進行「數據分析」中不可缺少的是那一類人才呢?直覺告訴大家,這類人才最低限度要擁有統計及程式的能力。
要找到這類人才不難,他們的專業名稱是「數據科學家」(data scientist) ,他們的專業訓練是能做好Data
Warehouse(數據倉儲)與Data Mining(數據探勘)的工作。
可是要能從數據分析後分辨出適合訊號及決定出企業可以影響的行動,就不是統計及程式專家的能力。這人必須熟悉該企業領域的知識(Domain Knowledge) 。
所以真正能把適合的數據訊號提升競爭優勢的人才是應兼備三種能力範疇:統計、程式、及該企業領域的知識(Domain Knowledge)。
可是企業要找到一個熟悉領域知識(Domain Knowledge)的Data Scientist是不容易。如何解決這人才難覓的問題?
Nate
Silver反對人才培養方面太早便專門化,他認為要領域知識(Domain
Knowledge)最重要,如Microsoft的研究員一樣,每天四處聽演講、參加研討會。要從數據取得商業價值,先要對領域有認知及熱情。反而數據
分析的其他技術可以遲一步才學。
另一方面,在哥倫比亞大學開辦 Data Sciences 課程的 Rachel
Schutt建議企業,應以一群分別是擅長統計(Statistics)、數學(Mathematics)、資訊工程(Computer
Science)、機器學習(Machine Learning)、資料視覺化(Data
Visualization)、溝通(Communication)、領域知識(Domain Knowledg)等的專家團隊來跟Business
user(包括內部高層、客戶及市場大眾)作溝通。
參考:Rachel Schutt, Cathy O'Neil, "Doing Data Science: Straight Talk from the Frontline". Kindle edition. 2013
http://www.mckinsey.com/Insights/Strategy/The_benefits_and_limits_of_decision_models
http://blogs.hbr.org/2013/09/nate-silver-on-finding-a-mentor-teaching-yourself-statistics-and-not-settling-in-your-career/
作者為理工大學專業進修學院高級講師