如今,已經(jīng)有許多公司適應(yīng)了“數(shù)據(jù)驅(qū)動(dòng)”的運(yùn)營(yíng)決策方法。但數(shù)據(jù)的作用是改進(jìn)決策,想要發(fā)揮最大的作用,處理器才是關(guān)鍵。
從“數(shù)據(jù)驅(qū)動(dòng)”一詞就能看出,數(shù)據(jù)作為一股力量的背后是由人來(lái)管理和總結(jié)的。也有不少人認(rèn)為人類才是最佳的“處理器”,也就是決定者。
但想要充分挖掘數(shù)據(jù)中包含的價(jià)值,公司需要將人工智能(AI)引入其工作流程,有時(shí)候甚至必須將人類剔除在外。
這就意味著,我們需要從數(shù)據(jù)驅(qū)動(dòng)的工作模式發(fā)展到AI驅(qū)動(dòng)的工作模式。
而“數(shù)據(jù)驅(qū)動(dòng)”和“AI驅(qū)動(dòng)”不僅僅是語(yǔ)義上的不同。兩個(gè)術(shù)語(yǔ)反映出來(lái)的行動(dòng)也有所區(qū)別,前者側(cè)重于數(shù)據(jù),后者側(cè)重于處理能力。
數(shù)據(jù)提供了能夠做出更好決策的信息;處理是提取這些見(jiàn)解并采取行動(dòng)的方法。人類和AI都是處理器,但各自擁有著完全不同的能力。
為了了解如何更好地利用每一種方法,回顧人類自身的生物進(jìn)化和知道決策是如何在工業(yè)中演變的,也許能有所幫助。
就在50到75年前,人類的判斷力還是商業(yè)決策的CPU。有著多年經(jīng)驗(yàn)的專業(yè)人士依賴于他們對(duì)行業(yè)高度靈敏的直覺(jué)(和相對(duì)很小的數(shù)據(jù)資源),來(lái)為廣告活動(dòng)挑選合適的創(chuàng)意、確定合適的庫(kù)存水平,或批準(zhǔn)合適的金融投資。
可以說(shuō),經(jīng)驗(yàn)和直覺(jué)是我們當(dāng)時(shí)分辨好壞、高低、風(fēng)險(xiǎn)和安全的絕大部分來(lái)源。
也許,這太“人性化”了。而我們的直覺(jué)遠(yuǎn)非理想的決策工具。
我們的大腦受到許多認(rèn)知偏見(jiàn)的影響,這些偏見(jiàn)以可預(yù)見(jiàn)的方式削弱了人們的判斷力。
但這正是人類幾十萬(wàn)年進(jìn)化的結(jié)果。作為早期的狩獵-采集者,我們形成了一個(gè)推理系統(tǒng),該系統(tǒng)依賴于簡(jiǎn)單的啟發(fā)式——規(guī)避處理大量信息的高成本的捷徑或經(jīng)驗(yàn)法則。
簡(jiǎn)單來(lái)說(shuō),這使人類能夠迅速做出幾乎無(wú)意識(shí)的決定,使我們擺脫潛在的危險(xiǎn)境地。然而,“快速且?guī)缀鯚o(wú)意識(shí)”并不總是意味著最佳或準(zhǔn)確。
想象一下,我們的祖先圍在篝火旁,附近的灌木叢突然發(fā)出了沙沙聲。這時(shí),“快速且?guī)缀鯚o(wú)意識(shí)”的決定是什么?
一種情況是得出這是一種危險(xiǎn)食肉動(dòng)物引發(fā)的聲音的結(jié)論,他們應(yīng)該立刻逃跑;另一種是繼續(xù)試探,收集更多的信息,看看它是否是潛在的獵物——比如說(shuō),一只兔子。
不管當(dāng)時(shí)的人做出了何種決定。不可否認(rèn)的是,那些更謹(jǐn)慎的先輩——決定逃跑的人——很可能比那些更好奇的人活得更長(zhǎng)。
從這個(gè)例子可以看到,損失一只兔子的代價(jià)遠(yuǎn)遠(yuǎn)低于冒著生命危險(xiǎn)留在原地并被捕食者吃掉的結(jié)果。
但也正是由于結(jié)果的不對(duì)稱性,進(jìn)化往往傾向于導(dǎo)致代價(jià)更低的結(jié)果特征,即使這意味著要犧牲準(zhǔn)確性。
因此,沖動(dòng)決策和信息處理較少的特征在后代群體中普遍存在。到了現(xiàn)代,生存啟發(fā)模式也已成為我們的遺傳大腦中預(yù)先加載的無(wú)數(shù)認(rèn)知偏見(jiàn)之一。
這些偏見(jiàn)以偏離理性客觀的方式影響我們的判斷和決策,讓我們過(guò)分重視形象的或最近發(fā)生的事件。
我們依賴以前的經(jīng)驗(yàn),即使它完全無(wú)關(guān)緊要。我們也傾向于對(duì)那些實(shí)際上只是隨機(jī)的事件做出似是而非的解釋。
不僅如此,人們還會(huì)粗略地將觀察對(duì)象分類到廣義的刻板印象當(dāng)中,但僅依靠這些刻板印象并不能充分解釋它們之間的差異。
這些只是認(rèn)知偏見(jiàn)困擾人類判斷的幾十種方式中的幾種。而通過(guò)上面的描述,我們現(xiàn)在知道,僅僅依靠人類的直覺(jué)是低效的、反復(fù)無(wú)常的、易犯錯(cuò)誤的,并且限制了組織的能力。
更讓人驚訝的是,幾十年來(lái),認(rèn)知偏見(jiàn)一直都是商業(yè)決策的核心處理器。
數(shù)據(jù)支持決策
先來(lái)看看“數(shù)據(jù)驅(qū)動(dòng)”。
進(jìn)入網(wǎng)絡(luò)時(shí)代,連接到一起的設(shè)備捕獲了難以想象的大量數(shù)據(jù)。謝天謝地謝數(shù)據(jù),多虧了它,每一筆交易、每一個(gè)客戶的每一個(gè)選擇、每一個(gè)微觀和宏觀經(jīng)濟(jì)指標(biāo),所有這些信息都能提供更好的決策。
為了響應(yīng)這個(gè)新的數(shù)據(jù)豐富的環(huán)境,人們調(diào)整了工作模式。IT部門(mén)使用機(jī)器(數(shù)據(jù)庫(kù)、分布式文件系統(tǒng)等)支持信息流,將處理不了的數(shù)據(jù)量減少到可供人類“消化”的范圍。
然后,人類使用電子表格、儀表盤(pán)和分析APP等工具進(jìn)一步提取關(guān)鍵信息。最終,經(jīng)過(guò)高度處理的、可管理的小型數(shù)據(jù)被顯示出來(lái)并用作人們進(jìn)行決策的手段。
至于中央處理器,仍然是人工判斷,只不過(guò)現(xiàn)在是使用匯總數(shù)據(jù)作為新的依據(jù)。
雖然這無(wú)疑比僅僅依靠直覺(jué)要好,但是人類扮演CPU的角色仍然存在一些限制。
首先,人類無(wú)法權(quán)衡所有的數(shù)據(jù)。
確實(shí),人類具備多方位思考的能力,也能毫不費(fèi)力地處理大量周圍環(huán)境信息。但在面對(duì)處理數(shù)百萬(wàn)或數(shù)十億條記錄的結(jié)構(gòu)化數(shù)據(jù)時(shí),這完全超出了我們的現(xiàn)有極限。
進(jìn)而為了適應(yīng)人類CPU的水平,必須減少數(shù)據(jù)。但摘要數(shù)據(jù)可能會(huì)掩蓋原始(大)數(shù)據(jù)集中包含的許多洞見(jiàn)、關(guān)系和模式。
比如說(shuō),一個(gè)人可能會(huì)對(duì)銷售數(shù)字和平均銷售價(jià)格的變化很敏感??梢坏╅_(kāi)始思考價(jià)值的完整分布,以及最關(guān)鍵的數(shù)據(jù)元素之間的關(guān)系,他的大腦可能就不好用了。后者對(duì)做出正確的決策反而更重要。
這并不是說(shuō)數(shù)據(jù)摘要沒(méi)有用處??梢钥隙ǖ氖牵鼈兲峁┝藢?duì)業(yè)務(wù)的基本可視性。但其在決策中幾乎沒(méi)有什么價(jià)值,因?yàn)樵跍?zhǔn)備的過(guò)程中已經(jīng)損失了太多內(nèi)容。
在其他情況下,匯總的數(shù)據(jù)可能完全具有誤導(dǎo)性。混雜因素的集合實(shí)際上可以表現(xiàn)出積極卻完全相反的結(jié)果,具體可參見(jiàn)辛普森悖論。(簡(jiǎn)單地將分組資料相加匯總,不一定能反映真實(shí)情況)
而且,一旦數(shù)據(jù)聚合起來(lái),可能就無(wú)法恢復(fù)起作用的因素,也就失去了其作為輔助的目的。
也許,最佳實(shí)踐是使用隨機(jī)對(duì)照試驗(yàn),即A/B檢驗(yàn)。沒(méi)有這種實(shí)踐,即使是AI也可能無(wú)法正確控制混雜因素。
簡(jiǎn)而言之,通過(guò)使用人類作為數(shù)據(jù)的CPU,我們?nèi)匀辉跔奚鼫?zhǔn)確性,以規(guī)避人類數(shù)據(jù)處理的高成本。
其次,數(shù)據(jù)并不足以使我們免受認(rèn)知偏見(jiàn)的影響。
數(shù)據(jù)匯總是由人類以一種容易產(chǎn)生所有這些認(rèn)知偏見(jiàn)的方式進(jìn)行的,并以一種對(duì)我們來(lái)說(shuō)是直觀的方式來(lái)總結(jié)。
然而,就像上文提到的,如果只是粗略地將觀察對(duì)象分類到廣義的刻板印象當(dāng)中,不能充分解釋它們之間的差異。
一個(gè)例子是,即使所研究的區(qū)域之間沒(méi)有明顯的差異,我們也可以將數(shù)據(jù)匯總到地理之類的屬性中。
數(shù)據(jù)摘要也可以看作是數(shù)據(jù)的“刻板印象”,畢竟,這只是對(duì)數(shù)據(jù)的粗略估計(jì)。拿地理信息來(lái)說(shuō),對(duì)地區(qū)的劃分也許只有“東部”、“西部”這樣的層級(jí),但城市、郵政編碼甚至街道級(jí)別的數(shù)據(jù)可能都比前者更好用。
那么,為什么不這么區(qū)分?因?yàn)閷?duì)于人腦來(lái)說(shuō),這很難進(jìn)行匯總和總結(jié)。
另外,我們還喜歡對(duì)各元素之間的關(guān)系給出簡(jiǎn)單解釋。對(duì)于這一點(diǎn),人們傾向于認(rèn)為關(guān)系是線性的,因?yàn)檫@更容易理解。
價(jià)格與銷售、市場(chǎng)滲透率和轉(zhuǎn)化率、信貸風(fēng)險(xiǎn)與收益之間的關(guān)系等,所有這些假設(shè)都是線性的,即使數(shù)據(jù)顯示并非如此。
人們甚至喜歡對(duì)數(shù)據(jù)的趨勢(shì)和變化做出詳盡的解釋,即使自然變化或隨機(jī)變化更能充分地解釋數(shù)據(jù)的情況下也是如此。
可以說(shuō),當(dāng)我們處理數(shù)據(jù)時(shí),我們已經(jīng)開(kāi)始適應(yīng)自己的偏見(jiàn)了。
引入人工智能
為了進(jìn)一步發(fā)展,將AI作為數(shù)據(jù)的主要處理器引入工作成為一種必要。而對(duì)于只依賴結(jié)構(gòu)化數(shù)據(jù)的常規(guī)決策,將決策委托給AI來(lái)做也許是最好的選擇。
與人類相比,AI不太容易產(chǎn)生認(rèn)知偏見(jiàn)。但使用本來(lái)就偏置的數(shù)據(jù)可能導(dǎo)致AI發(fā)現(xiàn)不公平的可疑聯(lián)系,這是一個(gè)真實(shí)存在的風(fēng)險(xiǎn)。因此,除了了解如何使用數(shù)據(jù),還要確保了解如何生成數(shù)據(jù)。
當(dāng)AI經(jīng)過(guò)訓(xùn)練后,可以在總體中找出最能解釋細(xì)微差別的部分,即使它與人類的感知方式完全不同。不光如此,就算是讓AI處理成千上萬(wàn)甚至上百萬(wàn)的群組時(shí)也沒(méi)有任何問(wèn)題。
另外,AI非常擅長(zhǎng)處理非線性關(guān)系,無(wú)論是指數(shù)分布、冪法則、幾何級(jí)數(shù)關(guān)系、二項(xiàng)分布關(guān)系,還是其他關(guān)系。
該工作流程更好地利用了數(shù)據(jù)中包含的信息,并且在其決策中更加一致和客觀。它可以更好地確定哪個(gè)廣告創(chuàng)意最有效、要設(shè)置的最佳庫(kù)存水平,或進(jìn)行哪些金融投資。
值得注意的是,雖然AI工作模式消除了人工因素,可能會(huì)幫助企業(yè)降低成本,但這只是一個(gè)增值收益,純粹的自動(dòng)化并不是AI驅(qū)動(dòng)的目標(biāo)。
AI的價(jià)值在于,它能做出比單一的人類更好的決策。這在效率和啟用新功能上將帶來(lái)越級(jí)的改進(jìn)。
權(quán)衡AI和人類CPU
將人員從只涉及結(jié)構(gòu)數(shù)據(jù)處理的工作流中移除并不意味著人工操作已經(jīng)過(guò)時(shí)。有許多業(yè)務(wù)決策不僅僅依賴于這類數(shù)據(jù)。
愿景陳述、公司戰(zhàn)略、公司價(jià)值觀、市場(chǎng)動(dòng)態(tài)都是例子,這些信息一定程度上只存在于我們的腦中,并只在思想和文化等形式中以一種非數(shù)字通信的形式傳播。
這些與業(yè)務(wù)決策極其相關(guān)的信息,AI卻無(wú)法訪問(wèn)。
例如,AI可以客觀地確定正確的庫(kù)存水平,以實(shí)現(xiàn)利潤(rùn)最大化。然而,在競(jìng)爭(zhēng)環(huán)境中,公司可能會(huì)以犧牲利潤(rùn)為代價(jià)去選擇更高的庫(kù)存水平,以提供更好的客戶體驗(yàn)。
在另一種情況下,AI可能會(huì)給出在市場(chǎng)營(yíng)銷上投入更多資金的決定,原因是這在公司可用的選項(xiàng)中投資回報(bào)率最高。但該公司可能會(huì)選擇減緩增長(zhǎng),以確保達(dá)到一如既往的高質(zhì)量水平。
由此可見(jiàn),人類獲得的額外信息,無(wú)論是策略、價(jià)值還是市場(chǎng)條件,都有可能背離AI的客觀合理性。
在這些案例中,AI可以被用來(lái)生成各種可能性,擁有額外信息的人類則可以從這些可能性中挑選出他們認(rèn)為最好的選項(xiàng)。
對(duì)于執(zhí)行順序,要依據(jù)具體情況而定。有時(shí)候先用AI可以減少人類的工作量,也有時(shí)候,人類的判斷可以作為AI處理的輸入項(xiàng),又或者是在兩者的處理之間循環(huán)進(jìn)行。
關(guān)鍵在于,人類并不是直接與數(shù)據(jù)交互,而是與AI處理數(shù)據(jù)所產(chǎn)生的可能性交互。而價(jià)值觀、戰(zhàn)略和文化成為我們協(xié)調(diào)決策與客觀理性的方式。
通過(guò)利用AI和人類,我們可以做出比單獨(dú)使用其中任何一種更好的決策。
進(jìn)化的下一步
從數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)向AI驅(qū)動(dòng)是我們進(jìn)化的下一個(gè)階段。
在我們的工作流程中包含AI可以提供更好的結(jié)構(gòu)化數(shù)據(jù)處理,并允許人類以互補(bǔ)的方式做出貢獻(xiàn)。
然而,這種進(jìn)化不太可能發(fā)生在單個(gè)企業(yè)中,就像自然選擇的進(jìn)化不會(huì)發(fā)生在個(gè)體中一樣。
更有可能的是,這是一個(gè)作用于總體的選擇過(guò)程。效率更高的組織,生存下來(lái)的幾率也就更大。
由于成熟的公司更難適應(yīng)環(huán)境的變化,新崛起的很可能是那些從起步就將AI和人類的作用融入工作模式里的企業(yè)。
來(lái)源:第一電動(dòng)網(wǎng)
作者:汽車商業(yè)評(píng)論
本文地址:http://autopag.com/kol/94897
文中圖片源自互聯(lián)網(wǎng),如有侵權(quán)請(qǐng)聯(lián)系admin#d1ev.com(#替換成@)刪除。