如今，已经有许多公司适应了“数据驱动”的运营决策方法。但数据的作用是改进决策，想要发挥最大的作用，处理器才是关键。

从“数据驱动”一词就能看出，数据作为一股力量的背后是由人来管理和总结的。也有不少人认为人类才是最佳的“处理器”，也就是决定者。

但想要充分挖掘数据中包含的价值，公司需要将人工智能（AI）引入其工作流程，有时候甚至必须将人类剔除在外。

这就意味着，我们需要从数据驱动的工作模式发展到AI驱动的工作模式。

而“数据驱动”和“AI驱动”不仅仅是语义上的不同。两个术语反映出来的行动也有所区别，前者侧重于数据，后者侧重于处理能力。

数据提供了能够做出更好决策的信息；处理是提取这些见解并采取行动的方法。人类和AI都是处理器，但各自拥有着完全不同的能力。

为了了解如何更好地利用每一种方法，回顾人类自身的生物进化和知道决策是如何在工业中演变的，也许能有所帮助。

就在50到75年前，人类的判断力还是商业决策的CPU。有着多年经验的专业人士依赖于他们对行业高度灵敏的直觉（和相对很小的数据资源），来为广告活动挑选合适的创意、确定合适的库存水平，或批准合适的金融投资。

可以说，经验和直觉是我们当时分辨好坏、高低、风险和安全的绝大部分来源。

也许，这太“人性化”了。而我们的直觉远非理想的决策工具。

我们的大脑受到许多认知偏见的影响，这些偏见以可预见的方式削弱了人们的判断力。

但这正是人类几十万年进化的结果。作为早期的狩猎-采集者，我们形成了一个推理系统，该系统依赖于简单的启发式——规避处理大量信息的高成本的捷径或经验法则。

简单来说，这使人类能够迅速做出几乎无意识的决定，使我们摆脱潜在的危险境地。然而，“快速且几乎无意识”并不总是意味着最佳或准确。

想象一下，我们的祖先围在篝火旁，附近的灌木丛突然发出了沙沙声。这时，“快速且几乎无意识”的决定是什么？

一种情况是得出这是一种危险食肉动物引发的声音的结论，他们应该立刻逃跑；另一种是继续试探，收集更多的信息，看看它是否是潜在的猎物——比如说，一只兔子。

不管当时的人做出了何种决定。不可否认的是，那些更谨慎的先辈——决定逃跑的人——很可能比那些更好奇的人活得更长。

从这个例子可以看到，损失一只兔子的代价远远低于冒着生命危险留在原地并被捕食者吃掉的结果。

但也正是由于结果的不对称性，进化往往倾向于导致代价更低的结果特征，即使这意味着要牺牲准确性。

因此，冲动决策和信息处理较少的特征在后代群体中普遍存在。到了现代，生存启发模式也已成为我们的遗传大脑中预先加载的无数认知偏见之一。

这些偏见以偏离理性客观的方式影响我们的判断和决策，让我们过分重视形象的或最近发生的事件。

我们依赖以前的经验，即使它完全无关紧要。我们也倾向于对那些实际上只是随机的事件做出似是而非的解释。

不仅如此，人们还会粗略地将观察对象分类到广义的刻板印象当中，但仅依靠这些刻板印象并不能充分解释它们之间的差异。

这些只是认知偏见困扰人类判断的几十种方式中的几种。而通过上面的描述，我们现在知道，仅仅依靠人类的直觉是低效的、反复无常的、易犯错误的，并且限制了组织的能力。

更让人惊讶的是，几十年来，认知偏见一直都是商业决策的核心处理器。

数据支持决策

先来看看“数据驱动”。

进入网络时代，连接到一起的设备捕获了难以想象的大量数据。谢天谢地谢数据，多亏了它，每一笔交易、每一个客户的每一个选择、每一个微观和宏观经济指标，所有这些信息都能提供更好的决策。

为了响应这个新的数据丰富的环境，人们调整了工作模式。IT部门使用机器（数据库、分布式文件系统等）支持信息流，将处理不了的数据量减少到可供人类“消化”的范围。

然后，人类使用电子表格、仪表盘和分析APP等工具进一步提取关键信息。最终，经过高度处理的、可管理的小型数据被显示出来并用作人们进行决策的手段。

至于中央处理器，仍然是人工判断，只不过现在是使用汇总数据作为新的依据。

虽然这无疑比仅仅依靠直觉要好，但是人类扮演CPU的角色仍然存在一些限制。

首先，人类无法权衡所有的数据。

确实，人类具备多方位思考的能力，也能毫不费力地处理大量周围环境信息。但在面对处理数百万或数十亿条记录的结构化数据时，这完全超出了我们的现有极限。

进而为了适应人类CPU的水平，必须减少数据。但摘要数据可能会掩盖原始（大）数据集中包含的许多洞见、关系和模式。

比如说，一个人可能会对销售数字和平均销售价格的变化很敏感。可一旦开始思考价值的完整分布，以及最关键的数据元素之间的关系，他的大脑可能就不好用了。后者对做出正确的决策反而更重要。

这并不是说数据摘要没有用处。可以肯定的是，它们提供了对业务的基本可视性。但其在决策中几乎没有什么价值，因为在准备的过程中已经损失了太多内容。

在其他情况下，汇总的数据可能完全具有误导性。混杂因素的集合实际上可以表现出积极却完全相反的结果，具体可参见辛普森悖论。（简单地将分组资料相加汇总，不一定能反映真实情况）

而且，一旦数据聚合起来，可能就无法恢复起作用的因素，也就失去了其作为辅助的目的。

也许，最佳实践是使用随机对照试验，即A/B检验。没有这种实践，即使是AI也可能无法正确控制混杂因素。

简而言之，通过使用人类作为数据的CPU，我们仍然在牺牲准确性，以规避人类数据处理的高成本。

其次，数据并不足以使我们免受认知偏见的影响。

数据汇总是由人类以一种容易产生所有这些认知偏见的方式进行的，并以一种对我们来说是直观的方式来总结。

然而，就像上文提到的，如果只是粗略地将观察对象分类到广义的刻板印象当中，不能充分解释它们之间的差异。

一个例子是，即使所研究的区域之间没有明显的差异，我们也可以将数据汇总到地理之类的属性中。

数据摘要也可以看作是数据的“刻板印象”，毕竟，这只是对数据的粗略估计。拿地理信息来说，对地区的划分也许只有“东部”、“西部”这样的层级，但城市、邮政编码甚至街道级别的数据可能都比前者更好用。

那么，为什么不这么区分？因为对于人脑来说，这很难进行汇总和总结。

另外，我们还喜欢对各元素之间的关系给出简单解释。对于这一点，人们倾向于认为关系是线性的，因为这更容易理解。

价格与销售、市场渗透率和转化率、信贷风险与收益之间的关系等，所有这些假设都是线性的，即使数据显示并非如此。

人们甚至喜欢对数据的趋势和变化做出详尽的解释，即使自然变化或随机变化更能充分地解释数据的情况下也是如此。

可以说，当我们处理数据时，我们已经开始适应自己的偏见了。

引入人工智能

为了进一步发展，将AI作为数据的主要处理器引入工作成为一种必要。而对于只依赖结构化数据的常规决策，将决策委托给AI来做也许是最好的选择。

与人类相比，AI不太容易产生认知偏见。但使用本来就偏置的数据可能导致AI发现不公平的可疑联系，这是一个真实存在的风险。因此，除了了解如何使用数据，还要确保了解如何生成数据。

当AI经过训练后，可以在总体中找出最能解释细微差别的部分，即使它与人类的感知方式完全不同。不光如此，就算是让AI处理成千上万甚至上百万的群组时也没有任何问题。

另外，AI非常擅长处理非线性关系，无论是指数分布、幂法则、几何级数关系、二项分布关系，还是其他关系。

该工作流程更好地利用了数据中包含的信息，并且在其决策中更加一致和客观。它可以更好地确定哪个广告创意最有效、要设置的最佳库存水平，或进行哪些金融投资。

值得注意的是，虽然AI工作模式消除了人工因素，可能会帮助企业降低成本，但这只是一个增值收益，纯粹的自动化并不是AI驱动的目标。

AI的价值在于，它能做出比单一的人类更好的决策。这在效率和启用新功能上将带来越级的改进。

权衡AI和人类CPU

将人员从只涉及结构数据处理的工作流中移除并不意味着人工操作已经过时。有许多业务决策不仅仅依赖于这类数据。

愿景陈述、公司战略、公司价值观、市场动态都是例子，这些信息一定程度上只存在于我们的脑中，并只在思想和文化等形式中以一种非数字通信的形式传播。

这些与业务决策极其相关的信息，AI却无法访问。

例如，AI可以客观地确定正确的库存水平，以实现利润最大化。然而，在竞争环境中，公司可能会以牺牲利润为代价去选择更高的库存水平，以提供更好的客户体验。

在另一种情况下，AI可能会给出在市场营销上投入更多资金的决定，原因是这在公司可用的选项中投资回报率最高。但该公司可能会选择减缓增长，以确保达到一如既往的高质量水平。

由此可见，人类获得的额外信息，无论是策略、价值还是市场条件，都有可能背离AI的客观合理性。

在这些案例中，AI可以被用来生成各种可能性，拥有额外信息的人类则可以从这些可能性中挑选出他们认为最好的选项。

对于执行顺序，要依据具体情况而定。有时候先用AI可以减少人类的工作量，也有时候，人类的判断可以作为AI处理的输入项，又或者是在两者的处理之间循环进行。

关键在于，人类并不是直接与数据交互，而是与AI处理数据所产生的可能性交互。而价值观、战略和文化成为我们协调决策与客观理性的方式。

通过利用AI和人类，我们可以做出比单独使用其中任何一种更好的决策。

进化的下一步

从数据驱动转向AI驱动是我们进化的下一个阶段。

在我们的工作流程中包含AI可以提供更好的结构化数据处理，并允许人类以互补的方式做出贡献。

然而，这种进化不太可能发生在单个企业中，就像自然选择的进化不会发生在个体中一样。

更有可能的是，这是一个作用于总体的选择过程。效率更高的组织，生存下来的几率也就更大。

由于成熟的公司更难适应环境的变化，新崛起的很可能是那些从起步就将AI和人类的作用融入工作模式里的企业。

返回第一电动网首页 >