全新的大數(shù)據(jù)計算時代來臨并不意味著人們不再需要直覺和創(chuàng)意!          

美國總統(tǒng)奧巴馬在 2012 年競選中的成功很大程度上要歸功于對量化分析的運用。例如，他的團隊可以分析出哪些人在收到競選宣傳單張、電話或家訪后更有可能去投票，從而改變那些關(guān)鍵 的“搖擺州”的局面。沃爾瑪通過數(shù)據(jù)分析發(fā)現(xiàn)，在颶風襲擊某地之前，不但當?shù)貙κ蛛娡驳男枨髸仙?，某種果塔餅干的銷量也會提升。這陣量化風還吹到了體育 界──暢銷書《Moneyball》把量化分析的概念普及給了民眾。但這些新的量化技巧到底是怎么回事？企業(yè)應(yīng)該如何運用它們？

           最近的三本書有助于管理層找到這些問題的答案：《大數(shù)據(jù)：改變我們生活、工作與思考的革命》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）的作者維克多·梅耶-勛伯格和肯尼斯·庫基耶分別是牛津大學互聯(lián)網(wǎng)管治教授和《經(jīng)濟學人》的數(shù)據(jù)編輯；《預測型分析》（Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die）的作者艾力·西格爾是 Predictive Analytics World 創(chuàng)始人及哥倫比亞大學前任助教；《跟上量化分析師的腳步》（Keeping Up with the Quants: Your Guide to Understanding and Using Analytics）則由巴布森學院信息技術(shù)與管理教授托馬斯·H·達文波特與韓國國防大學的 Jinho Kim 合著。前兩本書著重講了大數(shù)據(jù)與量化分析的威力，第三本書則指導企業(yè)如何利用這些技術(shù)。三本書既包含介紹也包含建議，加在一起，它們可以成為想理解這個復 雜數(shù)據(jù)時代的管理層的入門讀本。

如何理解“數(shù)據(jù)化”

          根據(jù)艾力·西格爾的估計，人類如今每天都會增加 2.5 萬億字節(jié)的數(shù)據(jù)。文字成了數(shù)據(jù)，機械的物理狀態(tài)成了數(shù)據(jù)，我們所處的地理位置成了數(shù)據(jù)，甚至人與人之間的互動也成了數(shù)據(jù)。“很 多時候，數(shù)據(jù)的收集是被動的。你不但不需要做什么，甚至都不知道自己的數(shù)據(jù)被記錄了。另外，由于存儲成本大幅降低，我們沒有什么理由要刪除任何數(shù)據(jù)了，” 維克多·梅耶-勛伯格和肯尼斯·庫基耶寫到。兩位作者用“數(shù)據(jù)化”一詞來描述這種新現(xiàn)象。的確，數(shù)據(jù)淹沒了我們，不過這究竟意味著什么？

          當然，擅長有選擇地進行數(shù)據(jù)分析的公司已經(jīng)從數(shù)據(jù)中找出了各種有價值的關(guān)聯(lián)。有些結(jié)論并不令人意外。例如西格爾發(fā)現(xiàn)那些會購買小絨墊墊在椅子腿下方 以保護地板的人的信用記錄往往較好。還有一些結(jié)果則很出人意料。某些辦公室里，吸煙者得腕管綜合癥的幾率比不吸煙的人更低（或許是因為吸煙讓他們休息得更 頻繁）。素食者誤機的比率也比較?。ɑ蛟S因為他們提前預定了特餐，所以不想錯過這班飛機）。

          不過，管理者要獲得這樣的信息，就必須從過去的“小數(shù)據(jù)”心態(tài)中徹底擺脫出來。梅耶-勛伯格和庫基的書非常引人入勝，信息量也很足。他們提出了三個要點：

1.企業(yè)應(yīng)該用全部的數(shù)據(jù)，而不僅僅是某一部分。在過去，企業(yè)沒有經(jīng)濟能力捕捉、存儲與分析關(guān)于其各類業(yè)務(wù)的全部數(shù)據(jù)，因此只能用其中的一部分。但如今像亞馬遜這樣的公司已經(jīng)完全可以把每一個顧客的交易數(shù)據(jù)都捕捉和存儲下來。

2.接受混亂。不準確的數(shù)據(jù)的危害比以前要小了，因為巨大的數(shù)據(jù)量可以彌補單一數(shù)據(jù)的不足。用作者們的話說：“更好不如更多。”

3.擁抱關(guān)聯(lián)。對于很多目的而 言，有關(guān)聯(lián)就足夠了，人們不需要知道因果關(guān)系。梅耶-勛伯格和庫基提到，某個關(guān)于二手車的分析發(fā)現(xiàn)橙色汽車發(fā)生故障的幾率比其它顏色的汽車低一半。就算我 們不知道這背后的原因，橙色和故障的關(guān)聯(lián)也是有價值的信息。（或許橙色車的車主更熱愛汽車，因此更愛護它？）

大數(shù)據(jù)的另一個要點在于，很多對數(shù)據(jù)的應(yīng)用和收集數(shù)據(jù)時的原始目的完全不同。距離來說，手機公司收集地理位置信息是為了有效地轉(zhuǎn)接電話，但這些數(shù)據(jù) 也可以用來了解人們周末晚上去哪玩──這一信息對于預測房地產(chǎn)價格可能會有幫助。確實，梅耶-勛伯格和庫基承認“數(shù)據(jù)的許多價值源自其次要用途和期權(quán)價 值，而非主要用途。”事實上，兩位作者預測，“每組數(shù)據(jù)集都很可能包含內(nèi)在的隱藏價值，現(xiàn)在人們正在搶著發(fā)現(xiàn)和捕捉它們。” 雖然如此，我們也要指出很多潛在的數(shù)據(jù)應(yīng)用都游走在倫理、道德甚至法律邊緣。例如一個人的社交網(wǎng)絡(luò)可以被用來判斷他的信用記錄。假若他的朋友中多有信用記 錄不佳者，那么根據(jù)“近墨者黑” 原理，他或她是不是也更有可能拖款？

          西格爾的《預測型分析》主要講的是如何將一個人做某件事──無論是拖款、升級有線電視套餐還是跳槽──的可能性量化。作者描述了如何通過量化技巧在 數(shù)據(jù)中尋找有價值的規(guī)律，從而幫助企業(yè)預估顧客、員工等人的行為。根據(jù)書中的信息，聯(lián)邦快遞能以 65% 到 90% 的準確率預測哪些用戶更容易轉(zhuǎn)用別家快遞服務(wù)。美國公民銀行（Citizen Bank）可以通過更加復雜的量化分析手法將支票詐騙帶來的損失減少 20%。另外，惠普一直在依靠預測型分析來預判哪些員工更有可能離職，從而給經(jīng)理們留出充分的時間挽留員工，或是為其離職做好準備。（有趣的是，惠普的某 個部門里，獲得升職的員工若是薪水沒有明顯增加，反而更加容易離職。）

          當然，每人的情況不同，出現(xiàn)“黑天鵝”事件的幾率也必須考慮進去。但整體而言，人類的確是習慣性動物，這種慣性讓企業(yè)得以預測某些行為發(fā)生的可能 性。此外，西格爾對“預報”和“預測”做了明確區(qū)分：“預報講的是下個月在內(nèi)布拉斯加州總共會賣出多少個甜筒，預測則會告訴你哪些內(nèi)布拉斯加人最有可能買 甜筒。”

        《預測型分析》的某些段落有點冗長（作者花了很長的一章專門講 IBM 的華生電腦如何在美國的益智搶答節(jié)目 Jeopardy! 上獲勝），但它仍然包含了足夠多簡明有力的見解，翻一翻至少是有益的。書中提到了所謂的“預測效應(yīng)”。具體而言，預測效應(yīng)是指哪怕預測的準確度只有微小提 升，都有可能極大節(jié)省開支。例如，西格爾說有家保險公司通過預測性分析將賠付率（賠款支出除以保費收入）減少了僅 0.5%，結(jié)果一年就省下了 5000 萬美元。

把握量化分析的力量

          知道預測性分析能幫公司省 5000 萬美元是一回事，知道如何利用這種分析工具是另一回事。的確，管理者必須超越對著大數(shù)據(jù)和量化技巧驚嘆的蜜月期，了解企業(yè)如何能夠最好地從這個新的復雜計 算年代獲益。《跟上量化分析師的腳步》一書就能提供很好的幫助。如書名所暗示，本書是給并非分析專家、但漸漸需要理解這一類專家的管理者（包括企業(yè)內(nèi)部與 外部的）看的。

         在本書中，作者達文波特與 Kim 介紹了量化分析師的思考方式。整個框架包括三大步：定義問題、解決問題、溝通結(jié)果。

1.定義問題。這一步看上去或許簡單直接，其實不然。舉例來說，若企業(yè)想要了解郵件直銷的成功率，就會問“多少人收到郵件后會買我們的產(chǎn)品？”但其實應(yīng)該問的是“有多少原來不會買我們產(chǎn)品的人，收到郵件后會買？”（即在本例中因果關(guān)系很重要，企業(yè)想知道的是郵件的效果如何。）

          在定義問題時，管理者必須讓所有利益相關(guān)者參與進來。這不僅僅是為了了解他們的觀點，也是為了搞清楚在分析結(jié)束后他們會不會認同其結(jié)果。這里的一個關(guān)鍵問題是：這次分析會帶來什么樣的行動？達 文波特和 Kim 講述了一家連鎖餐廳的故事。這家餐廳想研究自己的菜單上的每一道食品的盈利能力。當管理者們被問到打算拿這次分析的結(jié)果來干什么時，一位管理者說打算取消 那些不賺錢的菜，但另外一位管理者則反駁說，餐廳在過去二十年里從來沒有取消過一道菜。經(jīng)過進一步討論后，管理者們轉(zhuǎn)而決定研究菜品定價，而非盈利能力。

2.解決問題。這一步由建模、數(shù)據(jù)收集和數(shù)據(jù)分析構(gòu)成。作者強調(diào)了新信息源的價值──更多、更好的數(shù)據(jù)往往比更 好的用來分析那些數(shù)據(jù)的算法更加重要。舉例來說，保險公司 Progressive 利用 FICO 公司提供的數(shù)據(jù)分析評估了某個特定顧客未來可能發(fā)生車禍的幾率，從而超越了競爭對手。另外，在 Hadoop 和 MapReduce 等工具的幫助下，企業(yè)不僅可以考慮使用結(jié)構(gòu)化的數(shù)據(jù)（例如顧客的年齡與收入），也可以開始用非結(jié)構(gòu)化的信息（例如文字與圖片）。

3.溝通結(jié)果，并采取行動。許多量化分析師都犯了一個錯誤：假定他們可以單純“靠結(jié)果說話”。這是不對的。“把 結(jié)果呈現(xiàn)得越清晰，量化分析越能導向決策與行動──畢竟進行量化分析最初的目的就是這個，”達文波特和 Kim 寫到。有時光是清晰還不夠，結(jié)果還需要以引人入勝、友好的形式展現(xiàn)。舉例來說，德勤咨詢?yōu)?Delta 航空公司開發(fā)了一個 iPad 軟件，讓管理者能夠迅速查詢航班的運營情況。軟件用不同的顏色表示各機場的狀態(tài)，觸摸地圖上的某個機場則能夠調(diào)出有關(guān)當?shù)氐念~外信息。管理者若想深挖，還 可以進一步取得更細致的信息：員工、客服水平、相關(guān)問題。

          《跟上量化分析師的腳步》中提到的一個重要觀點是，全新的計算時代來臨并不意味著人們不再需要直覺和創(chuàng)意。這點對于那重要的第一步──定義問題──尤其適用。“解決問題和決策的過程有一半是在于用富于創(chuàng)造性的方式定義問題 / 決策，從而讓人們可以高效地解決它，”達文波特和 Kim 說。例如一位聰明的研究員盧俊翔（音）找到了一種方式來預測顧客對于電信業(yè)的終身價值。他很有創(chuàng)意地將問題重新定義為“生存分析”。這是一種生物統(tǒng)計技巧，用來決定某個生物群體中有多少能夠存活超過一定的時間。

未解決的問題

          當然，大數(shù)據(jù)和預測性分析為我們帶來了一些難題。隱私就是其中的一個熱點話題。2012 年，美國的 Target 超市采用量化分析手法預測哪些顧客已經(jīng)懷孕，從而引起了一場媒體風暴。（西格爾在《預測型分析》一書中討論了這一事件。）此外，跟很多新工具一樣，技術(shù)發(fā) 展的速度往往超越了法律與政府管治。根據(jù)梅耶-勛伯格和庫基的說法，“我們的社會已經(jīng)發(fā)展出一套用來保護個人信息的規(guī)則。但在大數(shù)據(jù)的時代，這些法律條款 基本上只是一條無用的馬奇諾防線?！?/span>

           另一個棘手的問題是如何為數(shù)據(jù)定價。在過去，企業(yè)花了很多心力去評估其品牌、專利、商業(yè)秘密以及其它知識財產(chǎn)的價值?，F(xiàn)在我們也應(yīng)該將數(shù)據(jù)納入其中。但 是，企業(yè)在 Facebook 上收獲的那些“贊”究竟值多少錢？谷歌的搜索信息全部加起來值多少錢？此外，消費者是否有權(quán)共享這些價值？尤其是當信息被收集起來，以和原本目的不同的方 式盈利的時候？

          先拋開這些難題，有一件事情是肯定的：大數(shù)據(jù)和量化分析的時代剛剛開始?！皩⑹澜缫暈閿?shù)據(jù)，視為數(shù)據(jù)的海洋，可以不斷更深、更廣地去探索它，這種思 維方式讓我們對現(xiàn)實有了全新的視角，”梅耶-勛伯格和庫基寫到。那些正在嘗試把握這一新現(xiàn)實的公司很可能會在競爭中勝出──這，很可能就是預測型分析為我 們畫出的未來商業(yè)圖景。

                                                                                                                                        數(shù)據(jù)分析師