第1 章 简介
信息大爆炸正在加速。通过我们日常使用的电子邮件、在线搜索、短信、博客，以及在脸书（Facebook）和优兔（YouTube）上发布的内容，就可以看出这一点。正在被创造出来和被抓取到的数据量是惊人的，它正冲击淹没着企业的围墙。而新一波的大爆炸—机器之间彼此交谈的物联网时代的降临，则让我们的处境雪上加霜。此时此刻，信息的增长率可能会呈指数级增长。大卫·拉塞尔·席林（David Russell Schilling）在为新闻网站Industry Tap 撰写的文章中，阐述了未来学家巴克敏斯特·富勒（Buckminster Fuller）的“知识倍增曲线”（Knowledge Doubling Curve）理论：
……截至1900 年，人类的知识每次翻倍大约需要一个世纪。到二战结束时，知识每25 年翻一番。而今……人类的知识每13 个月翻一番。据IBM 称，“物联网”的建设将导致知识的翻倍周期变为12 个小时。
据高德纳咨询公司（Gartner）称，到2020 年将会有多达250 亿件物体被连接起来。当我们尝试理解这个被汤姆 ·达文波特（Tom Davenport）称为“事物的分析”的信息时，我们需要有效的方法和工具，用于将信息吸收提炼，转化为具有可行性的、能带来收入的洞见。如果没有利用这些信息给公司带来竞争优势，那么它们就没有什么价值。当今时代，公司如何解决信息变现这一难题呢？
仅仅使用数据挖掘这一种方法会导致不一致的结果。吸收海量数据集能让企业进行多次数据测试，发现潜在模型，但是如果经理人不能有效地利用其中的关联性来提高业务表现的话，是不会有所收益的。纯粹的数据挖掘通常只是在无穷尽地搜索数据的真正含义。
上 文 引 自 鲍 达 民（Dominic Barton） 和 大 卫· 考 特（David Court）发表于《哈佛商业评论》的文章《大数据实用指南——让高级分析工具 为 你 服 务 》（Making Advanced Analytics Work for You），可口可乐公司的商务部门主任（Director of Trade Capability） 詹森· 赖林（Jason Reiling）进一步强调了这个想法，他评论说：“如果我们不将数据的业务用途与待验证的假设和总体目标联系起来，就会出现数据本身主导分析的情况，而非由业务来主导数据。”这总结了目前数据分析中存在的挑战之一：各类机构期望通过对问题“砸”数据的方式来找到问题的解决之道，而非理解业务问题，并针对它使用正确的数据和方法。
从现在开始愈发重要的是将信息编码提炼为有意义的洞见的能力，而不一定是数据量的多寡。由于缺乏系统完善的方法、工具、技巧和资源公司正陷入对这一问题的苦战中。如果它们能够解决这个挑战，就将具有明显的竞争优势。然而，这只解决了部分问题；即便掌握了相关的信息，公司仍无法避免陷于不良决策之中。
1.1 决策
收集和综合这些信息的终目标是为高管和经理提供洞见，从而做出更好的决策。决策是业务的核心，也是大多数管理人员实现成果有力的工具。决策的质量将直接影响到组织的成功。为组织领导、管理人员和分
析师提供一次性的培训课程和会议，期望他们根据有限的知识和直觉来做出高质量的决策，已经不再是可行的做法了，因为比以往任何时候都多的信息在等待他们处理。新的挑战是从海量信息中提炼出可行的、使组织从
中获益的决策。
不幸的是，仅仅提炼信息是不够的。从决策疲劳（decision fatigue）到认知偏误（cognitive bias），有许多因素会破坏我们做出优质决策的能力。一种改善决策的途径是参考实践和组织的集体智慧，但是这种实践并
未被广泛执行。埃里克·拉森（Erik Larson）针对500 多名经理和管理人员的研究表明，只有2% 的人在做出决定时应用了这些实践，而拥有改善决策的方案的公司甚至更少。
当高管没有依据实践或数据进行决策时，往往会依赖于自己的直觉或“本能”。这种类型的决策充满缺陷，并经常伴随着影响选择的认知偏误。认知偏误是指由于个人偏好和信仰导致的判断上的偏差。例如，确认偏误（confirmation bias）是刻意寻找特定信息以证实我们既有观点和想法的倾向。这些偏
误会扭曲我们的判断，导致出现选择上的错误。
另一个不良决策的罪魁祸首是诸如情绪等影响我们决策的隐性因素。例如，让我们观察两位身处不同地区的现场经理的用人决策。雇用谁、何时雇用或解雇某人，这些决策都基于很少的数据而非大量的训练。两位经理的决策可能会大相径庭，因为他们的诸多差异：从业时间、不同类型的从业经历、特定日子的情绪以及当时生活中可能发生的其他因素。即使面临相同的情况，这两个人也可能对员工的配置做出不同的决定。这种类型的决策差异就是《决策的隐形赋税：噪声》（Noise: How to Overcome the High, Hidden Cost of Inconsistent
Decision Making）一文中作者所说的“噪声”。
问题是，人类并非可靠的决策者；他们的判断受到不相关因素严重影响，比如当时的情绪，距离上一次就餐的时间以及天气。我们将这种随机变量称为“判断噪声”。对很多公司的利润而言，噪声都是一笔隐形成本。
若干研究已经证明，噪声无处不在。学术研究者已反复证实，专业人士在不同情景下处理同样的数据，往往给出互相矛盾的判断。例如，当软件开发者在不同的两个工作日中被问及完成某任务的时间，他们预估的时
间平均相差71%。当病理学者对活组织检查结果的严重性进行两次评估时，他们评分之间的关联性只有0.61（理想情况是1.0）。这意味着他们做出不一致的诊断很常见。
除了噪声外，决策的另一个障碍是“决策疲劳”。决策疲劳是指您在不断做出决策的一天中，将越来越难做出好的决策。例如，科学家史艾·丹齐格（Shai Danziger）、乔纳森·拉维夫（Jonathan Levav）和利奥拉·阿夫
男- 佩索（Liora Avnaim-Pesso）研究了某个假释法庭中法官做出的1112 次判决，并分析了有利判决二在一天之中的变化状况。研究发现，在一天开始时有65% 左右的有利判决，而到当天结束时则接近于零。支撑他们做出优质决策的内在资源被漫长一天中累积的疲劳所耗尽，这导致一天结束时很少出现有利判决。
决策面临的另一个挑战是公司规模。据一位负责财富50 强（Fortune 50）企业分析工作的高管所言，“大型组织的内部挑战是决策的巨大障碍”。她指出，由于在大型矩阵式企业环境中传播信息所需的努力程度，建立针
对特定市场的洞察耗时可达一年半。决策的初心在繁多的决策环节中被不断削弱，拖累了推向市场的速度。
如何才能解决这些影响我们做出优质决策的因素？一种方法是自动化全部或部分决策过程。《决策的隐形赋税：噪声》的作者随后在文中写道：
人们早已知道，简单统计学算法做出的预测和决策往往比专家更准确，哪怕专家能获得比算法更多的信息。但鲜有人知的是，算法的关键优势在于没有噪声：与人类不同，输入相同信息，公式得出的结果也相同。因为稳定十足，哪怕是简单甚至有瑕疵的算法，也比人类专家的准确性高。
我们推动组织做出更优质决策的方法是创建嵌入式分析解决方案，以帮助管理人员为其所在机构制定数据驱动的有变现价值的决策，从而展开行动。我们的做法得到了大量依据的支持。在安德鲁·麦卡菲（Andrew
McAfee）和埃里克·布林约尔松（Erik Brynjolfsson）的一项研究中发现，“运用大数据做决策的那些居行业前三分之一的企业，比其竞争对手在产能上高5%，利润上高6%。”
1.2 分析之旅
不同的公司处于分析之旅的不同阶段，它们所拥有的开发分析解决方案的能力也参差不齐。在过去十年中，公司已投资建立团队和利用工具来获取洞见，以取得竞争优势。那些走得远的公司已经在收割胜利的果实了。
哈佛商业评论分析服务（Harvard Business Review Analytics Services）团队进行了一项关于公司内部分析成熟度的研究，结果表明，“在将自己所在机构描述为同类的受访者中，有超过半数称其所在机构的年收入
在过去两年中增长了10% 以上。与此形成鲜明对比的是，三分之一的‘自称落后者’则表示，他们所在的机构收入呈持平或下降态势。”
多项研究均得到了类似的结果：利用数据提高其决策表现的公司正以更高速度胜过其竞争对手。尽管如此，大多数分析应用程序背后的技术仍不够成熟，缺乏提供完整解决方案的功能。在哈佛商业评论分析服务团队的Analytics That Work: Deploying Self-Service and Data Visualizations for Faster Decisions（分析工作：部署自助服务和数据可视化以加快决策）文中提到，他们在一项对超过827 名业务管理人员的调查中发现了由于欠
缺工具使用能力而导致的挫败感。
“大多数现有的报告工具只是蜻蜓点水，‘Contractually 公司的米尔（Mier）说。’它们在理解基础数据结构方面有颇多局限，起到的作用言过其实。这导致了公司无法建立一个有效框架，用以解决复杂问题、形成假
设以及理解数据层次。”
这一点更加复杂，因为大多数解决方案只是简单地帮助管理者“阅读新闻”，这意味着所提供的数据没有任何可操作性，而只是信息本身。如果仅仅依靠技术来提供这个程度的功能，那么仍然无法接近“例外管理”这一难以企及的目标。
1.3 解决问题
本书的目的是使您能够构建分析解决方案，为管理人员在数据海洋中做出优质决策保驾护航。然而，这个过程充满挑战。个挑战是精炼大量的信息。我们有一个循序渐进的过程来帮助您从假设到数据再到指标，以构建分析解决方案。我们提供技术来指导决策者战胜困难免受偏误或噪声的影响。
此过程由您的变现策略引导，您可以在其中制定决策矩阵（decision matrixes）， 从而权衡各种行动的利弊。通过引导分析（guided analytics），我们向您展示如何构建分析解决方案，利用UI /UX 的专业知识讲述令人印象深刻的故事，并进行仪表板开发来实现自动化分析解决方案。
后，我们将从内部能力、组织结构和采用技巧等方面，为您的机构制定解决方案提供建议。我们的方法论—决策架构（Decision Architecture），提供了一种解决这些挑战的方法，并构建了一套分析解决方案来帮
助您的机构实现数据变现。这个方法的真正威力来自于将一系列学科知识、方法、工具和技能整合到一个结构化的过程中，包括数据科学（Data Science）、决策理论（Decision Theory）、行为经济学（Behavioral Economics）、决策架构、数据开发与架构（Data Development and Architecture）、UI/UX 开发（UI/UX Development）和仪表板开发（Dashboard Development）。将这些学科知识集成到一个无缝的过程中是难能可贵的。我们的方法论将它们整合起来，以一种易于理解的、循序渐进的方式来帮助组织构建解决方案，从而实现数据资产的变现。
以下是您将从本书获得的收益：
（1）将信息资产转变为创收策略；
（2）明确您的机构的目标，以与之相关的变现策略为中心，构建分析解决方案，使您的组织更具竞争力；
（3）为管理人员提供自主分析解决方案，以得到更高质量的决策；
（4）为管理者提供引导性的体验，帮助减少噪声和认知偏误；
（5）提升机构的分析成熟度；
（6）利用嵌入式分析技术，将机构中的集体智慧汇入可重复使用的分析解决方案之中；
（7）将您的分析转化为可行的手段，而不再是简单地“阅读新闻”；
（8）通过数据变现来提高收入并降低成本。
本书不是教您将内部数据出售给其他公司或消费者，也不会深入涉及各个学科的内容。相反，我们为您提供的是一个整体图景——关于各个相关学科和我们常用来构建这些解决方案的技术。
1.4 调研显示……
为了开创我们的道路，我们对各个学科进行了广泛的研究。此外，我们还采访并调研了分析社区的75 余名专业人士，他们就职于40 多家范围涵盖从财富500 强到收入不足1 亿美元的公司。终我们得到了一些有趣
的深度结论。
我们获得的个结论是，我们所调研的组织的成熟度水平正在逼近良好的分析成熟度曲线（analytical maturity curve）。大多数组织进入了统计建模（Statistical Modeling）层面，一些企业开始涉及更深入的领域。图1.1 显示了受访组织的成熟度级别。
（更多精彩内容请翻阅图书）