第七百九十七章敲打

第797章敲打

毕竟现在的他旗下企业的规模和横跨的行业，已经超过德隆了。

而且比起唐家兄弟，他才二十六岁。

正是‘嘴上没毛办事不牢’的年纪。

别人看到他的第一眼，就会情不自禁产生怀疑。

这么年轻真的能整合好庞大的德隆集团？

这么年轻真的掌舵德隆的资产、鸿蒙、汉华、康师傅？

一旦他像老唐那样飘了，徐氏集团倒塌的影响力，十倍百倍于德隆。

由不得首辅不担忧。

不过这种基于年岁的固有印象，是千百年来形成的习惯，徐良一个人也改变不了。

他也不想改变。

如果敌人因此看轻他的话，那再好不过。

就在徐良继续看自己准备的演讲资料的时候，一个工作人员走了过来。

“徐先生，时间到了，请跟我来吧。”

徐良点了点头。

简单整理了一下资料，阔步朝门外走去。

在工作人员的带领下，来到一个厅堂。

在对方做出请进的手势后，徐良脚步一停，深吸了口气后，迈开大步走了进去。

‘哗啦’！

洪亮的掌声响起。

这热烈的掌声，也驱散了徐良心底的一丝紧张。

站上主席台，目光向下一扫。

一排排沙发上做了六七十个人，元首、首辅两位大佬坐在最前面，周围是长老团的成员。

徐良在他们身后看到了老岳父的身影。

再往后，除了极少数，剩下的基本不怎么认识。

低头看了眼面前的笔记本电脑。

里面的PPT已经调到了第一页。

打开带进来的演讲稿放到桌子上。

稳了稳情绪后，宏声道。

“很荣幸能够接到内阁邀请来这里做这场演讲，第一次面对这么多大人物有点紧张，如果接下来有说的不对的地方，还望各位前辈看在我还是黄毛小子的份上多多原谅。”

“小徐啊，放心大胆的讲。

不要有心里包袱，就把我们当成你的员工。”元首笑道。

“有您这句话我就放心了。”

客气了一句后，徐良也不再浪费时间。

“今天演讲的题目是：大数据、云计算和人工智能对未来的影响！

首先，让我们明确一点，什么是数据？

在很多人的印象中，数字就是数据，或者必须是由数字构成的。

其实不然，数据要比数字大得多。

互联网上任何内容，比如文字、图片和视频都是数据。

医院里包括医学影像在内的所有档案也是数据；

公司和工厂里的各种设计图纸也是数据；

出土文物上的文字、图示，甚至它们的尺寸、材料，也都是数据。

甚至我们人类的活动本身，也可以看做是一种特殊的数据。

全世界各个领域的数据不断向外扩展，渐渐形成了另一个特点，那就是很多数据开始出现交叉。

各个维度的数据从点和线渐渐练成了网。

或者说，数据之间的关联性极大的增强，在这样的背景下，就出现了大数据。”

顿了一下，徐良调整了一下PPT。

“那么数据和大数据怎么运用呢？

大致可以分为以下流程。

获取数据→分析数据→建立模型→预测未知。

我们举一个简单的例子。

现在我们想要了解一家电影院的观众年龄分布，以便做市场推广。

假定我们把观众群分为15岁以下，16~25岁，26~40岁和41岁及以上四个人群。

要了解每个人群的比例，一个简单的办法就是到电影院门口去问一问那些看电影的人的年龄。

比如我们通过调查了解到大约有343人在15岁以下，459人在16~25岁，386人在26~40岁，490人在41岁及以上。

根据这个数据，我们大致可以得出以下结论：

15岁及以下的观众占20%左右，16~25岁的观众超过四分之一，但不到三成；

26~40岁的观众略少于四分之一，41岁及以上的观众最多，大约占到三成。

但是，如果我们只在周末的晚上抽样调查10个人，我们就会发现。

有三个15岁及以下的观众，五个16~25岁的观众，2个26~40岁的观众。

我们显然不能说25岁以下的观众占了八成，而41岁及以上的中年人从来不来电影院，这样的结论。

但我想各位也都承认一点，在统计样本不充分的情况下，得到的结果跟实际结果存在很大的偏差。

所以，越想要得到准确的统计结果，需要的统计数据量就越大。

在上面的例子中，统计的样本总数是1678人。

但是如果我们一定要说‘41岁及以上的观众就是29.2%’，或者‘15岁及以下观众一定超过20%’。

这样非常肯定的的话，大家就可能会挑战这个结论。

因为，统计是有随机性的，也是有误差的。

仅仅上千人的数据得不到这样准确的结论。

统计除了要求数据量必须充分之外，还要求采样的数据必须有代表性。

有些时候不是数据量足够大，同阶级过就一定准确。

一个很简单的例子，一个爱情影片和一个战争影片，它的受众并不相同。

所以如果我们只采集爱情影片上映当月的观影人群，就不具有普遍的代表性。

那么怎么避免这种情况，获得准确的结论呢？

19世纪的俄国数学家切比雪夫对这个问题给出了他的结论，即切比雪夫不等式。

P|≥ε)≤Var/ε^2。

这个公式的含义是，当样本数足够多时，一个随机变量和他的数学期望值之间的误差，可以任意小。

把切比雪夫不等式应用到我们了解电影院观众年龄分布的问题中。

随机变量就是：观察到的各个年龄段观众的比例。

数学期望值就是：真实情况下所有看电影观众中不同年龄段的比例。

当我们把样本数据带入后，大致可以得出以下结论。

15岁以下观众占20%，16~25岁占27%，26~40岁占24%，40岁以上占29%，误差小于5%。

但如果我们要将四个年龄段观众的准确率，提高到小数点后一位数，那么我们大致需要10倍的数据，即两万个左右的样本。

如果我们把这个问题放大。

我们想知道一部电影在全世界的观影人群年龄分布，而且必须具体到更细致的年龄段人数。

比如18~20岁，21~24岁等等。

又或者更具体的地域。

华夏、东瀛、南韩等等。

在一个更大，更详细的范围内，为了获得更准确的结果，我们需要的数据量，将千百倍的提升。

当我们获得了超级数据。

普通的计算机已经很难完成计算。

而且就算能完成，也需要大量的时间。

时间就是金钱，在商业上，这显然是不可接受的。

因此。

为了尽可能在短时间内得到结果，我们要一台或几台超级计算机来计算。

但动用超级计算机的费用非常昂贵。

想要了解电影院观众年龄的企业，显然不愿意在这个问题上花费这么大的代价。

那么怎么办呢？”

徐良操作了一下电脑。

背后的投影屏上显示出三个硕大的楷体。

云计算。

“云计算，‘云’就是互联网，‘计算’则是字面意思。

目前的云计算是一种分布式计算，指的是通过网络“云”，将巨大的数据计算处理程序，分解成无数个小程序。

然后，通过多部服务器组成的系统，进行处理和分析这些小程序，得到结果后返回给用户。

整个计算过程只需要几秒钟。

也就是说，云计算把一个原本需要动用超级计算机，需要几天，甚至十几天时间才能计算出来的问题。

变成了只需要几秒钟，花费几万块，最多十几万块便能得出的准确数据。

大大减少了支出，提高了效率，得到了更准确的结果。

也许有人觉得统计电影观众年龄分布，没什么太大的价值。

但如果变成一家餐饮企业统计饮料产品的受众年龄分布呢？

只要有了准确的数据，餐饮企业就可以针对不同年龄段人群，开发更有针对性的广告和服务，从而提升自己的销量。

这一点已经被康师傅公司运用到了实际的经营中。

根据盘古公司大数据调查，康师傅公司发现旗下‘健力宝’运动饮料产品最大的受众是15岁~25岁之间的青少年人群。

其中男性占比41%，女性占比59%。

然后又通过线下抽样调查，网上问卷调查等多个渠道得出数据，并用数据驱动的方法，计算出这部分人群感兴趣的明星，喜欢的电视剧类型等等数据。

综合这些相互交叉的大数据，制定了详细的广告宣传方案和宣发渠道。

短短一个季度的时间，康师傅的销售额便增加了22%，净利润增加了14.8%。

同样的方法，我们可以运用到汽车、餐饮、娱乐等所有消费品领域。

毫无疑问，这将形成巨大的商业变革。

原本粗放的广告投放和宣发方式，将变得更细致，更有针对性。

原本口味统一的产品，将根据全国各个省份消费群体的口味和消费习惯，开发出更符合本地特色的产品。

消费者将成为真正的主体。

可以肯定的说，以后所有拒绝大数据的消费品公司，基本都不会存活太久。”