導讀：認知偏見在日常活動中經(jīng)常發(fā)生，本文提到的一道看似簡單的思考題（在第03段），只有22%的人能做對。認知偏見可能導致錯誤的決策，數(shù)據(jù)分析和人工智能會幫你避免此類錯誤。

本文將探索一些模式，利用數(shù)據(jù)洞察，幫助你做出更好的決策。

作者：加里·奧布萊恩（Gary O’Brien） 、郭曉（Xiao Guo）、邁克·梅森（Mike Mason）

來源：大數(shù)據(jù)DT（ID：hzdashuju）

01 數(shù)據(jù)自我決策

曾擔任谷歌和百度深度學習與人工智能部門負責人的吳恩達在2016年的《哈佛商業(yè)評論》上發(fā)表的一篇文章中寫道：

如果普通人能在不到一秒的時間內(nèi)完成一項腦力任務，現(xiàn)在或不久的將來就可以用人工智能將該任務自動化。

有人提出質疑，認為只要是一分鐘之內(nèi)的思考任務，人工智能都可以完成。毫無疑問，人工智能正在經(jīng)歷一個爆炸式增長的階段。依靠適當?shù)乃惴ê妥銐虻臄?shù)據(jù)進行訓練，機器可以做出非常好的決策，就像有經(jīng)驗的人能做到的那樣。

雖然這些都是簡單的小任務，但是從數(shù)量和準確性中獲得的好處對于一個企業(yè)或整個行業(yè)來說是非常重要的。有一些眾所周知的例子：人臉識別、語音識別、語法糾正和語言翻譯。

異常監(jiān)控是一個特別有用的領域。長期以來，傳統(tǒng)的數(shù)據(jù)分析方法一直用于檢測欺詐事件，通常需要進行復雜且耗時的調(diào)查，以處理不同的知識領域。

事實證明，人工智能和機器學習在檢測垃圾郵件方面非常有效。從那以后，人工智能和機器學習在異常監(jiān)控中的應用已經(jīng)擴展到信用卡欺詐監(jiān)控、放射學診斷和信息安全中的系統(tǒng)入侵檢測。

02 個性化客戶體驗

產(chǎn)品推薦在亞馬遜和Netflix的案例研究中得到了充分肯定。這兩家公司驚人的收入增長很大程度上是建立在產(chǎn)品推薦引擎上的，這些引擎是由人工智能算法和大量在線數(shù)據(jù)驅動的。即使不成為互聯(lián)網(wǎng)巨頭，也可以利用人工智能和機器學習技術來推薦更好、更相關的產(chǎn)品和服務。

我們在房地產(chǎn)行業(yè)的一個客戶成功地建立了市場中最大的數(shù)字資產(chǎn)之一，但遺憾的是，網(wǎng)站上大量的匿名用戶限制了企業(yè)了解他們并向合作伙伴提供有價值的洞察力的機會。

于是該企業(yè)開展了一項機器學習活動，在匿名用戶進入網(wǎng)站時，詢問他們是否首次購房。盡管客戶的響應度不高，但企業(yè)依然收集到了足夠的數(shù)據(jù)來訓練機器學習算法。該算法檢測點擊流和其他瀏覽行為的模式，從而實時且準確地預測首次購房者。

這給企業(yè)帶來了新機會，可以產(chǎn)生與該目標受眾高度相關的首次購房報價和產(chǎn)品。

如果客戶允許我們訪問他們的更多數(shù)據(jù)（例如，位置、聲音、移動、溫度等感知數(shù)據(jù)，以及日歷、電子郵件和社交網(wǎng)絡等個人數(shù)據(jù)），就可以推斷出更準確、更具體的用戶上下文（例如，他們的活動、環(huán)境、情緒，甚至壓力水平）。考慮到這種豐富的上下文，設計師將需要做很多工作。

在機器學習時代，定義用戶體驗的是個體，而不是目標群體。

03 做出更好的決策

人工智能和機器學習非常擅長“大海撈針”，而人類更善于觀察“針”并決定如何使用它。除了簡單的小任務外，大多數(shù)業(yè)務決策都需要良好的判斷力、同理心、直覺和創(chuàng)造力。由于認知偏見，人類實際上在模式識別方面表現(xiàn)很差，因為人類大腦非常不善于預測統(tǒng)計趨勢。

大腦會被拋硬幣這樣簡單的事情困住：在連續(xù)5次得到正面后，大多數(shù)人會想，“下次肯定是反面！”從統(tǒng)計上看，即使連續(xù)得到100次正面，下一次得到反面的概率仍然是1/2。只要動動腦子，大多數(shù)人都能克服這種認知偏見，得出正確的結論。

還有一個更具挑戰(zhàn)性的問題。行為經(jīng)濟學先驅阿莫斯·特沃斯基（Amos Tversky）和丹尼爾·卡內(nèi)曼（Daniel Kahneman）進行了一項實驗：

一個城鎮(zhèn)有兩家醫(yī)院。在大醫(yī)院里，每天大約有45個嬰兒出生；在小醫(yī)院里，每天大約有15個嬰兒出生。雖然大約50%的嬰兒是男孩，但確切的比例每天都在變化—有時高于50%，有時低于50%。

在一年的時間里，每家醫(yī)院會記錄超過60％的新生兒是男孩的日期。你認為哪家醫(yī)院會有更多記錄？

大醫(yī)院。

小醫(yī)院。

相同。

結果：56%的人選擇了選項3，22%的人選擇了選項1，其余22%的人選擇了選項2。

正確答案應該是2，因為更多的事件會導致更平均的概率趨勢。為了應對這種認知偏見，需要花費更多的精力。

這不是一個鉆牛角尖的問題，在日常活動中經(jīng)常發(fā)生。為一個產(chǎn)品設定價格時，除了需要知道競爭對手的定價、歷史定價、產(chǎn)品的必備性質和定制性質外，還需要預測消費者對該產(chǎn)品的未來潛在需求，以及供應商和供應鏈數(shù)據(jù)對該產(chǎn)品的未來潛在供應。

人工智能和機器學習技術將在基于數(shù)據(jù)預測未來趨勢方面變得更好。人類的工作是使用數(shù)據(jù)和算法，應用洞察來做出更好、更理性的決策。

對于重要的業(yè)務決策，如定價、庫存管理、供應鏈管理、人員和設備調(diào)度、維護調(diào)度等，需要進行分解，劃分出信息處理、模式識別和預測等部分，讓數(shù)據(jù)/人工智能模型/機器學習模型給出答案。而需要同理心、創(chuàng)造力和常識的部分應保留在人類判斷的范圍內(nèi)。

數(shù)據(jù)在幫助建立高響應力組織方面非常有效。通過盡早有效地應對來自市場、客戶和組織內(nèi)部的信號，可以更好地完成以下工作：

• 帶著不完善的信息前進。

• 在必須決策的最后時刻再做決定。

• 提高變革能力。

• 能夠產(chǎn)生新的價值來源。

一方面，企業(yè)領導者需要了解組織約束和人類的認知偏見，并學習如何從個人和制度上消除或減輕它們。另一方面，通過技術能力來收集干凈的數(shù)據(jù)，將其放到適當?shù)奈恢?#xff0c;應用正確的算法。

小結

數(shù)據(jù)洞察可以幫助組織中的人員做出更好的決策，來為客戶提供更好的產(chǎn)品和服務或創(chuàng)建新的商業(yè)模式。

數(shù)據(jù)的爆炸式增長正在推動數(shù)字化生態(tài)系統(tǒng)的發(fā)展，重塑組織架構，通過數(shù)據(jù)創(chuàng)建新的產(chǎn)品、增強個性化和增加客戶服務價值。麥肯錫全球研究院（McKinsey Global Institute）指出，與傳統(tǒng)組織相比，數(shù)據(jù)驅動型組織的獲客率高出23倍，留存率高出5倍，獲利率高出18倍。

組織正在以歷史上前所未有的速度發(fā)展，與客戶之間的數(shù)字化交互正在揭示新的商業(yè)意義，以及關于客戶價值是什么和如何最好地交付它的洞察。

關于作者：加里·奧布萊恩（Gary O'Brien）是ThoughtWorks總監(jiān)咨詢師，從業(yè)超過20年，幫助管理人員、團隊與個人采用和改進技術以建立更有能力應對不斷增長的變化的人性化組織。他致力于幫助高管提高業(yè)務敏捷性和戰(zhàn)略一致性，從而為客戶提供價值。

郭曉（Xiao Guo）是ThoughtWorks首席執(zhí)行官。他于1999年加入ThoughtWorks，擔任軟件開發(fā)者，一直為組織提供咨詢和交付服務，致力于使數(shù)字技術成為關鍵的競爭優(yōu)勢和業(yè)務轉型的驅動力。自2013年起，他一直擔任ThoughtWorks聯(lián)席主席和首席執(zhí)行官。

邁克·梅森（Mike Mason）是ThoughtWorks全球技術負責人，他熱衷于彌合技術與商業(yè)之間的鴻溝，幫助他人理解應用技術能為他們的企業(yè)帶來什么。他專注于為ThoughtWorks及其客戶提供技術戰(zhàn)略、領導力和執(zhí)行力，將工業(yè)和技術趨勢帶到現(xiàn)實的商業(yè)環(huán)境中。他還是ThoughtWorks技術雷達的撰稿人，出版過三本技術書籍。

本文摘編自《數(shù)字化轉型：企業(yè)破局的34個錦囊》，經(jīng)出版方授權發(fā)布。

延伸閱讀《數(shù)字化轉型：企業(yè)破局的34個錦囊》

點擊上圖了解及購買

轉載請聯(lián)系微信：DoctorData

推薦語：基于ThoughtWorks多年數(shù)字化咨詢和自我實踐經(jīng)驗，從面向客戶成效、數(shù)據(jù)驅動決策、技術重構業(yè)務三個維度，全方位闡釋企業(yè)數(shù)字化轉型的實用工具、技術和方法。

劃重點????

干貨直達????

• 終于有人把網(wǎng)絡爬蟲講明白了
  

• 終于有人把搜索引擎講明白了
  

• 數(shù)字化轉型最致命的5個誤區(qū)
  

• Python高能小技巧：了解bytes與str的區(qū)別

更多精彩????

在公眾號對話框輸入以下關鍵詞

查看更多優(yōu)質內(nèi)容！

PPT?|?讀書?|?書單?|?硬核?|?干貨?|?講明白?|?神操作

大數(shù)據(jù)?|?云計算?|?數(shù)據(jù)庫?|?Python?|?可視化

AI?|?人工智能?|?機器學習?|?深度學習?|?NLP

5G?|?中臺?|?用戶畫像?|?1024?|?數(shù)學?|?算法?|?數(shù)字孿生

據(jù)統(tǒng)計，99%的大咖都關注了這個公眾號

????

總結

以上是生活随笔為你收集整理的只有22%的人做对了这道数据分析题，你来试试吗？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。