用大数据来做预测？那只是一场游戏一场梦.docxVIP

依靠直觉进行盲目决策，是很多企业领导者容易跌入的坑。如今，大数据为这一风险提供了规避途径，日益受到企业青睐。 谷歌内部正用数据进行“即时预报” ，比如根据 6 月份的第 2 周汽车销售的查询数量， 预测出几周后发布的 6 月汽车销售报告。 美国运通公司正通过分析数据监控查找违规者。如果有人在美国运通卡上存入大额账款，再在佛罗里达州注册一个转寄地址，他很可能在利用该州不严格的破产法钻空子。 亚马逊则申请了一项包裹运输预测系统的算法专利，它根据消费者的网站停留时间、商品浏览时间、点击及停留的链接和愿望清单等，来预测他的购买情况，从而尽可能减少运输、库存和供应链成本。 英国网络服务公司沙赞（ Shazam），让 200 个国家的 4 亿用户，使用自家产品查找歌曲、电视节目和广告，从而建立了一个巨大的用户偏好数据库，沙赞声称，自己能够准确预测哪些群 体/ 艺术家 / 曲目会取得成功。 麻省理工斯隆管理学院教授安德鲁·麦卡菲（ Andrew McAfee）甚至建议，人类应该尽量减 少对经验判断的依赖， 更多地依靠数据驱动型硬性算法的结果。 他认为， 大量研究表明， 在“混 乱、复杂、真实”的环境中做出判断时，基于数据的算法比专家更有可能做出正确的预测。 反对的声音：过度预测是场骗局 这股迷信浪潮近年来越刮越烈，忠实的追随者前仆后继，同时也有一群激愤的反对者逐渐出现。 之前，“大数据之父”舍恩伯格在接受界面新闻记者采访时，就曾表示， “如果对大数据解 读得过度，实际上就是滥用数据” 。 Thinkers50 奖得主、管理学者马丁 ? 林斯特龙（ Martin Lindstrom ）也提出： “目前我们面临的问题是，商业世界已经完全被大数据给蒙蔽了。 ” 谷歌对流感趋势的分析就是一个典型事例。 谷歌依据自己的搜索结果，推测 11%的美国人都患了流感。然而事实证明，庞大的搜索量 很大程度上受到社交媒体造势的影响， 谷歌高估了 2013 年年初的流感趋势。 美国东北大学的大 卫·拉泽（ David Lazer ）领导的研究团队指出： “谷歌的方法是在 5000 万个搜索词中，找到适 合的 1152 个数据点。”而在此过程中，与“流感”相匹配、但实际上与此无关的搜索词出现概 率“相当高” 。 过分迷恋数据，也会影响公司前程。 Zynga 公司的联合创始人马克·平卡斯（ Mark Pincus ），在公司创立之初就搭建了一套完 整的数据分析系统。管理层习惯不做决策，他们只按用户反馈意见作出反应。比如，游戏中的 草地到底是设为红色还是绿色，直接依据用户喜好拍板。这种讨好策略的确让 Zynga 在草创时 期获益良多，其最热门的一款游戏《 Farm Ville 》曾创下月活跃用户 8300 万的纪录。但时间一 长， Zynga 公司的新游戏产品只能同质化迭代，公司上下关注游戏商业模式创新者日益减少。 随着对手不断推出创新型游戏， Zynga 也在市值蒸发逾 100 亿美元后，逐渐淡出主流游戏公司 阵营。 学界将数据预测失败主要归纳于两个方面的原因—— 对历史数据的过度信赖 所有预测的好坏，都取决于管理者所运用的历史数据。然而现实中，创新性业务或新产品是没有先例可循的。历史数据即使有，也不可靠——手机品牌商虽然拥有手机购买和使用体验等方面的大量历史数据，但手机的类别已经今非昔比。 管理者总是怎么方便怎么选 对于一些很重要、但不方便采集的数据，人们常常会选择性忽视。很多专家学者认为，如 果金融机构将采集的范围扩大，也许可以避免 2008 年金融危机的发生。 此外，企业的大数据研究，已经成为一场军备竞赛。 Facebook 花了将近四年时间，才建立 了一个超过 30 人的数据团队， 而维持该平台的常规运行需要超过 100 名数据分析专家， LinkedIn 公司建立起自己的大数据部门用了整整六年时间。这显然不是每一个普通公司都可以承担的。 数据只能预测简单事务，复杂决策别指望它 这样看来，数据可以很好地预测一些事情，比如去某地度假是否会下雨，鸟类是否会以预定的途径迁徙，然而我们却很难准确预测出股价走势、有多少人会买一款新型汽车、鼓励健康饮食是否能达到理想的效果。 《读懂你的客户：基于大数据的消费者战略》一书提出了一个新观点。它认为数据本身没 有错，数据预测的两极化效果，主要在于简单系统和复杂系统的区别  : “简单系统，是用一个模型就可以把握所有或大部分变化的系统  ......  而复杂系统内部， 则有许多以非线性方式相互作用的因素。 ” 因此，如果该系统是“简单的” ，只要我们能够模拟出它的变化，就可以精准预测出该系统的下一步活动。现实中，乐高和雪佛兰都曾利用“小数据”帮助企业探索创新业务。 相反的是，复杂系统是无法预测的，系统内的一个微小变化，可