05

理解决策理论

大数据的一个有趣的地方在于，它挑战了传统的思考模式，告诉人们为什么非分析业务用户应该使用分析方法。克里斯·安德森 ^[1] （Chris Anderson）曾经写过一篇文章叫《理论的终结：数据洪流淘汰科学方法》，这篇文章不仅让我感受到大数据和高级分析的力量，更让我了解这两者的结合对业务用户体验的意义。这篇文章的前提是从海量的数据中能够获得对业务的认知，而不像使用样本数据集时一样需要大量的统计模型。下面这段话吸引了我：

谷歌只使用应用数学就占领了广告世界。它并不假装自己对广告的历史和文化了如指掌，它只是假设更好的数据和更好的分析工具将会迎来胜利。谷歌是对的。

谷歌不需要真的对一个行业（广告业）了如指掌，就能够成为这个行业的统治者。谷歌得到这个位置并不是靠对广告技巧的了解和熟练掌握，而是靠将应用分析运用到大量具体的数据源上，确认什么是行之有效的，并不管它为什么有效。

商业智能的挑战

这是大数据实践者需要了解的关键的顿悟时刻——根据这些庞大的、详细的、各种各样的数据集，你可以对你的业务流程产生重要的、实质性的、可操作的认知。你并不需要真的将统计技巧运用到这些庞大的数据集中才能了解为什么某些行为会出现，或者为什么某些事情会发生，因为你处理的不是样本，而是整个数据集。

某些不是统计分析专家的业务用户很难学会并将统计分析融入他们日常的业务。商业智能工具并不能帮助业务用户从报告转型为分析认知和优化，因为这些工具并不适合帮助用户理解为什么某些事情会发生。重要的统计训练和技能可以帮助业务用户量化原因和结果，建立所需的模型以预测接下来会发生的事，而这超出了他们的训练和兴趣的范围。这导致用户原本想转型为用预测的、前视视角来看待自己的业务，却落入了分析的泥沼（如图5–1所示）。

图5–1 分析的泥沼

分析的泥沼是指在进行数据分析时，用户尝试将统计算法运用到他们的数据上，以量化原因和结果——确认某个行为和相应结果之间的相关性。用户认为，如果他们可以量化原因和结果，就可以更好地支持假设分析，知道根据什么行动应该预期什么结果，对下一步要怎么做提出建议，改善业绩。

然而在21世纪早期，普通业务用户并不能成功地转型为统计专家（数据科学家的雏形），现在也不能。普通业务用户的理想并不是变成一个统计专家或数据科学家。他们分布在零售业、医疗业、电信业、银行业或其他行业是因为他们喜欢那个行业，而不是因为他们想要掌握统计方法或庞大的数据集。如今的工具难用到使这个过程变得琐碎。那么，你要怎么做？

大数据提供了这样一个机会，缓解了人们因为想要了解事情发生的原因而产生的对于掌握统计技巧的迫切需求。有了海量的、多元的、详细的数据和强有力的分析工具，人们有可能不需要考虑为什么有效果，就能确认什么是有效的。这样你就可以换个角度去思考用户界面和你表达洞见的环境和方式。

疑问的终结

有了大数据和高级分析，组织能够确认掩埋在数据中的重要的、实质性的、可行的洞见，不需要了解这些洞见为什么会出现。这个概念为一个全新的分析过程提供了基础。组织不用在仪表盘上展示似乎无休无止的报告和图表，以希望用户能够分几个部分来探索业绩的驱动因素，组织可以利用预测性分析来推翻传统的分析过程，只将对用户重要的洞见展示给他们。要实现这个结果，需要高级分析新的、具体的结构化数据源和非结构化数据源以及实时的数据资源，只发掘那些掩埋在数据中的重要的、实质性的、可行的洞见，并将它们公布给业务用户。

这个由洞见引发的分析过程意味着，用户的分析过程是从那些埋藏于数据中的实质性的、可行的洞见出发的，加上特别的推荐意见，最后达到改善业绩的目的。这种新的分析过程仍然能够支持数据发现和数据探索，因为它赋予了用户深入挖掘洞见背后的支持性细节的能力。但是这种视角从一开始就转变了传统的分析过程——传统的分析过程一开始就是铺天盖地的图形和表格，希望用户通过这些图表发现有趣的东西。由洞见引发的分析过程则不一样，它将特别的洞见引入那些可能影响业绩的领域（如图5–2所示）。

图5–2 疑问的终结

大数据对用户界面的影响

这个由洞见引发的新分析过程能够打造一个全新的、更富有成效的用户界面。传统的仪表盘界面展现给用户的是一大堆看似不相关的图表。将数据的发掘任务（分解、交叉探查、向下深入研究）留给了用户，让用户自己从图表中找出有趣之处。运用由洞见引发的分析过程，则会让用户界面得到简化，只展现优化业务所需要的信息或洞见。想想iPod（苹果音乐播放器）如何凭借更加简化的用户界面颠覆了已经建立起的音乐播放器市场——它的用户界面让每个用户能够播放自己想听的音乐和播放列表。有了大数据支持的高级分析法，用户界面可以专注于两方面的关键信息——洞见和建议。

洞见是需要用户进一步深入调查的不同寻常的行为或表现（比如偏离正常态两个标准差，超出或者低于预测值两倍或一半的表现）。洞见将会同时运用基础分析模型（时间序列趋势、前期比较、基准测试）和高级分析模型（预测性分析、数据挖掘、回归分析）来确认偏离正常态的运营表现。用户会在这些洞见的基础上开始更加详细的调查。下面是一些洞见示例：

• 你是否知道产品A在足球爸爸这类客户中的销售量是上一阶段的150%？

• 你是否知道在“2011年开学特卖”促销活动还剩两周的时候，销售量比预测的少了50%？

• 你是否知道查尔斯涡轮机120这款机器的差错水平偏离了正常控制界限的20%？

建议是对业务认知和业务现状进行详细分析后做出的专门行动。它运用高级分析模型和实时反馈分析关键的驱动因素和变量，更新或调整分析模型，提出专业的建议。下面是一些建议示例：

• 我们建议从12月9日起将产品类别（圣诞彩灯）的价格下调25%，并在12月16日下调50%。

• 我们建议将用在展示广告（雪佛兰Suburban）上的媒体预算增加22%，并将用在展示广告（雪佛兰Volt）上的媒体预算减少33%，剩下的用来支持活动（假日季）。

• 我们建议在接下来的5天内修好你的（美泰3200型）洗衣机滚筒的发动机，因为有95%的可能存在产品缺陷。

• 我们建议让A101–23V号病人再留院一天，因为他有很大可能会再次住院。

用户界面可以从这些洞见和建议开始，按照它们对业务的潜在影响进行优先级排序。假如用户还想对这些洞见或建议有更加详细的了解，他们会选择“更多”按钮，以获得细节信息。如果用户想要根据给出的建议采取行动，他们会选择“行动”按钮（如图5–3所示）。

为了得到洞见和建议而实施的分析可能非常复杂，但是业务用户或许并不需要担心分析的复杂性。业务用户希望数据可以告诉他们目前业务的状况，也希望技术可以在以往经验的学习和最佳实践的基础上提出建议。另外，个性化的、能够自我学习的分析模型会根据客户的反馈，知道客户喜欢什么、不喜欢什么、为什么喜欢（思考潘多拉这款在线音乐服务如何根据客户的反馈，更好地了解客户对音乐的偏好），持续地进行细微调整。

图5–3 大数据优化用户体验

有了更加强大的分析工具和大量、详细的数据源，用户不需要被迫掌握分析技巧去量化事件发生的原因，就能够确认数据中重要的、实质性的、可行的洞见。它支持了一种全新的用户界面——专注于提供大大简化后的洞见和建议，帮助业务用户优化他们的业务流程。

人们在决策时遭遇的挑战

组织希望在大数据的帮助下，越来越多地依靠分析来完成业务决策过程。要想成功转型，还需要面对一些挑战，比如人类做决策时的天性，以及基因产生的影响。

人脑是很蹩脚的决策工具。为了在热带草原上存活下来，人类的决策能力在数百万年间不断演化。人类变得擅长图案识别，从“远处那个东西看起来没有危险性”到“嗯，那个看起来像羚羊”，再到“哎呀，那是头剑齿虎！！”出于必要，我们变得擅长辨别图案，并且根据这些图案迅速地做出本能的生存决定。

不幸的是，人类是蹩脚的数字分析者（可能是因为我们并不需要为了发现剑齿虎而分析很多数字）。这让人类学会了把试探、内心感觉、经验法则、传闻信息以及直觉作为决策指南。但是这些方法本身就有缺陷，无法应对庞大的、各种各样的、高速的数据源。

如果我们想要改变我们的组织和人员，让分析来驱动业务，就很有必要认识这些人类在决策方面的缺陷。

决策时的陷阱

让我们举几个决策陷阱的例子，在这些情况下人脑会做出不是最佳的、不正确的决定，甚至造成致命的错误。

决策陷阱一：过分自信

我们十分看重自己知道的信息，而且假设那些我们不知道的信息并不重要。拉斯韦加斯的赌场就是建立在这个人类缺陷上的（这也是为什么我儿子喜欢说“赌博是一种对不擅长数学的人征的税”）。

例如，雇有两位诺贝尔奖得主的美国长期资本管理公司在1994~1998年间，保持了大约40%的利润率。很快其他交易商就开始模仿它的技巧。于是美国长期资本管理公司开始寻找其他人无法模仿自己的新市场。它犯了一个致命的错误——想当然地认为这些新市场的运营方式和旧市场是一样的。1998年美国长期资本管理公司的投资组合价值从1 000亿美元跌到6亿美元，一个投资财团为了防止市场崩溃收购了这家公司。

公司往往会犯相似的错误，当它们进军新市场（比如美国电话电报公司进军电脑行业），或者推出新的产品类型（比如宝洁推出橙汁）时会过分依仗在现有市场中汲取的经验。公司既没有充分地进行研究和分析，建立模型并确认业务的驱动因素，也没有确认进入一个新市场或者推出新的产品类型时会遇到的竞争风险和市场风险。下文简要概括了这种陷阱：

• 陷阱：人们看重自己知道的信息，而且假设那些自己不知道的信息并不重要。

• 商业案例：公司在进入一个新市场时，会过分倚重自己在原有市场里汲取的经验，它们往往没有充分地研究这两个市场的区别，也没有弄明白进入新市场的风险。

• 如何避免陷阱：

• 建立有组织的决策过程。

• 开展研究，收集各方面的事实依据，了解风险。

• 设置评审组。

决策陷阱二：锚定偏见

锚定是指人们会下意识地抓住一个事实并把它作为决策的参考依据，即使这个参考依据和决定没有逻辑相关性。在通常情况下，人们会锚定或过分依赖某个特别的信息，然后向它靠拢，来解释其他环境因素。

比如，人们在决定何时卖出一只股票时犹豫不决。如果有人在20美元时买入一只股票，并且看着它涨到了80美元，当股票跌的时候他就很难抉择卖出的时间点，因为我们已经把价格设定在了80美元。在互联网泡沫破裂时也出现过这种现象，人们见证了自己低价买进的股票涨到无法想象的高度，所以他们一路追赶股票（追赶大盘）直到血本无归，因为他们心中的锚设得太高。

锚定偏见多出现在组织的定价、投资和收购决策中。下文简要概括了这种陷阱：

• 陷阱：人们潜意识地倾向于确定一个事实，并将此作为决策的参考依据，即使它可能和这次决策没有逻辑相关性。

• 商业案例：你在20美元的时候买进一只股票，看着它涨到80美元，但是当这只股票下跌到40美元时，你不愿意卖出以保留利润，因为你已经把心理预期设到了80美元。

• 如何避免陷阱：

• 广泛征求专家的意见。

• 开发模型以理解业务动态和关系。

• 计划一个持续性的过程，而不是一个事件。

决策陷阱三：风险规避

我们对风险的容忍度是截然不同的。风险规避是指相比于不确定的事物，人们普遍更偏爱确定的事物，而且人们倾向于最大限度地降低风险的严重程度。风险规避表现在相比于选择一个不确定的回报，人们更愿意接受一个虽然期望值低，但是更加确定的回报。

比如，一个规避风险的投资者可能更愿意把他的钱存进银行，虽然利率低但是有保障，而不是将钱投入股市，炒股虽然可能有高回报，但是也有可能遭受损失。再举一个例子，规避风险的人宁愿放弃有发展前景的产品，也不愿意分拆现有的产品，即使这个产品正在没落。下文简要概括了这种陷阱：

• 陷阱：人们对风险的忍受程度是截然不同的。

• 商业案例：公司以放弃有发展前景的新产品为代价，对垂死挣扎的传统产品进行投资，公司不敢拆分自己现有的产品，即使它们的竞争对手都在这么做。

• 如何避免陷阱：

• 采用结构化的流程，了解并衡量不作为带来的风险和机会成本。

• 外聘专家，减少锚定偏见。

决策陷阱四：不理解沉没成本

很多公司经常在糟糕的投资上追加良好的资本，因为它们不理解沉没成本的概念。在经济学中，沉没成本是已经发生且无法收回的成本。沉没成本是和未来成本相对的，未来成本是指采取一个行动后，即将可能发生或者改变的成本。在做面向未来的决策时，我们需要忽视沉没成本。

比如，即使人们不喜欢某部电影，也会选择看完这部烂片。为什么呢？大多数人认为既然花钱买了电影票，就要把它看完，但是事实上，电影票的钱是一种沉没成本。

再比如，可口可乐（对New Coke的投资）和IBM（对OS/2操作系统的投资）继续在糟糕的投资上追加良好的资本，因为它们已经在这些产品上投入了大量的时间和金钱（以及情感），它们想要收回投资，即使错过了更多有利可图的商机也在所不惜。如今我们看到，人们在对待正在进行的营销活动的费用以及决定品牌合理化时都体现了这一点。也是由于这个原因，公司迟迟不愿退出业绩很差的市场或停止生产销量不好的产品。下文简要概括了这种陷阱：

• 陷阱：人们经常在糟糕的投资上追加良好的资本，因为他们不理解沉没成本的概念。

• 商业案例：可口可乐的New Coke、IBM的OS/2操作系统、微软的数字媒体市场。

• 如何避免这种陷阱：

• 建立一个商业模型，合理对待沉没成本。

• 确认在分析时只考虑新增的成本。

• 外聘专家，减少锚定偏见。

决策陷阱五：框架效应

一个决策的表达方式或者设计方式可以影响最终决策的形成。不同的信息表达方式会影响人们的决策。同一个问题在表达的时候侧重的是损失还是收益，会导致人们做出不同的选择。

比如，假设现在有600人感染了一种致命的疾病，病人被要求从两个医疗方案中选择一个。

• 方案A救活了200人（1/3被救活，2/3死亡）。

• 方案B有1/3的概率救活所有人，有2/3的概率一个都救不活。

这两个方案的预计救活人数都是200，但是方案B是有风险的。在这两个选项中，72%的参与者选择了方案A，只有28%的参与者选择了方案B。

另外一群病人也被要求在同样的情景下做出选择，两个方案的概率是相同的，只是表述不同。

• 选择方案C的话，400人会死亡。

• 选择方案D的话，有1/3的可能没有人会死，也有2/3的可能所有人都会死。

这一组中，78%的参与者选择了方案D（和方案B相同），只有22%的参与者选择了方案C（和方案A相同）。

在面对相同的方案时却做出不一致的选择，这正是框架效应：两个群体会偏好不同的选项，因为这些选项采用了不同的表达方式。在第一组中，正面框架强调了获救的人数，而在第二组中，负面框架强调了死亡人数。下文简要概括了这种陷阱：

• 陷阱：一个决策的表达方式或者设计方式可以影响最终决策的形成。同一个问题在表述的时候侧重的是损失还是收益，会让人们倾向于做出不一致的选择。

• 商业案例：购买人寿保险、美国401（k）退休计划。

• 如何避免陷阱：

• 确保决策模型使用同样的基准和假设。

• 从多个角度建立模型，确保模型在考察变量时保持一致。

其他需要注意的决策陷阱包括：

• 羊群效应（跟随大多数人的决定总是安全的）。

• 心理账户。

• 不愿承认错误。

• 将运气和技巧混在一起。

• 相对偏差。

• 过分强调戏剧性。

• 均值回归。

• 不尊重随机性。

我们能做什么

关键是引导人类的直觉，而不是扼杀。如果你想让你的组织转型为分析驱动型组织，可以参考以下意见：

• 利用分析模型帮助决策者了解并量化决策的风险和回报。利用可靠的统计工具和技巧加强对概率的理解。采用结构化的分析规则，捕捉并考量风险和机遇。

• 确认并且再次确认你使用的是合理的指标（想想《魔球》一书中的案例）。不能仅因为一直以来某个指标用得合适，就假设这个指标也适用于这次的决策。

• 挑战你的模型假设。通过敏感度分析和随机模拟方法检验模型和假设。比如，改变“房价永远不会下降”这个假设，就可能避免最近的房地产市场灾难。

• 审查模型时，听取各方建议。避免群体思维这种错误的决策方法。群体思维是一种陷阱，你身边围绕的都是和你有着相似思维的人。这会导致无论你做什么决定，周围的人都会不假思索地认同并通过你的决定。需要有人逆势而行。在决策过程中运用促进性技术，保证能够听取所有的声音和观点。

• 决定框架时保持谨慎。

• 创建合理对待沉没成本的商业模型。确保模型和分析只考虑新增成本。确定你的模型考虑了机会成本。

• 使用决策后的回顾和正式报告来确定什么是有效的、什么是无效的以及其中的原因。

• 注意违反直觉的代偿，人类是优化收入的机器。

分析驱动型文化是一种强大的业务转型驱动力，而不只是一种驱动转型的技术需要。倡导、管理并教育人们认识常见的决策陷阱，有助于确保转型成功。

小结

本章提到对大量的、多种多样的数据的获取，正在改变分析方法的表现形式——组织可以少花点时间去弄清楚事情发生的原因，更多地根据数据传达的信息来采取行动。当然这种途径并不适用于所有情况，毕竟有些情况下了解事件发生的原因是很重要的（想想医疗服务或对一个重大事故进行鉴别分类）。但是在大多数情况下，做出决策的速度比做出完美的决策更加重要（想想定价、收益管理、减价管理和广告服务以及欺诈调查）。乔治·巴顿将军说过：“一个可以立即强力执行的好计划，远优于一个下星期才能出炉的完美计划。”

[1] 克里斯·安德森作品《免费》《长尾理论》《创客》简体中文版已由中信出版社出版。——编者注