先進的分析技術(shù)能夠幫助企業(yè)解決許多管理問題，包括那些與營銷、銷售和供應(yīng)鏈運作有關(guān)的問題，由此帶來可持續(xù)的競爭優(yōu)勢。比如，企業(yè)可以整合決策并優(yōu)化整個價值鏈，其方法是對個人客戶的行為和偏好進行建模，并提供定價盡可能接近購物者支付意愿價位的定制產(chǎn)品——同時降低單筆交易的服務(wù)成本。

然而，隨著可用數(shù)據(jù)日漸增多以及高級分析法得到進一步完善，管理者可能會糾結(jié)于何時、在哪、在多大程度上將機器納入他們的商業(yè)分析，以及在做出數(shù)據(jù)驅(qū)動的決策時應(yīng)在多大程度上做出自己的判斷。他們需要回答的問題是：何時從以人為中心的傳統(tǒng)方法，轉(zhuǎn)變?yōu)樽詣踊潭雀叩姆治龊蜎Q策才算合理？我們?nèi)绾尾拍茉趦烧咧g達成適度的平衡？

我們中的一位（法布里齊奧）創(chuàng)辦了一家事務(wù)所，幫助客戶利用人工智能（AI）自動化定價和供應(yīng)鏈決策來提升業(yè)績；另一位（達斯）是一名學者，他開發(fā)了一門MBA課程，其中納入了側(cè)重利用AI增強營銷、銷售和保障職能的實地案例。我們共同著手了解如何最大限度地發(fā)揮人類和機器的潛力，以便做出最佳商業(yè)決策。

一般來說，人類在直覺和模糊度解算方面能力更強；而機器在演繹、精細度和可擴展性方面則遠勝一籌。你如何才能找到適當?shù)钠胶猓?/p>

有三種常見的分析方法：描述性分析，此法中的決策主要由人類做出；預(yù)測性分析，其中機器確定可能的結(jié)果，但需要由人類來選擇要遵循的路線；以及規(guī)定性分析，這通常意味著由機器進行自主管理。本文描述了何時以及如何使用每種方法，并審視了其中的取舍與局限。（雖然這里的重點是營銷和銷售，但這些原則可以得到更廣泛的應(yīng)用。）

三種分析方法

機器的角色在這些方法中大不相同——從幫助管理者了解業(yè)務(wù)情況的工具，到支持管理者決策的助手，再到減輕管理者職責的決策者。讓我們對每種方法分別加以探討。

1、描述性分析——匯總觀察結(jié)果

在描述性分析中——通常稱為“商業(yè)智能”——管理者使用機器來理解歷史數(shù)據(jù)中的模式。它們實質(zhì)上是在要求：“請幫我理解發(fā)生的事情?！边@種幫助通常以儀表盤的形式出現(xiàn)，突出投入和產(chǎn)出的業(yè)績變量，使管理者能夠根據(jù)歷史上觀察到的事實決定“該轉(zhuǎn)動哪個旋鈕”以及“轉(zhuǎn)動幅度該有多大”。

描述性分析指的是理解過去，以告知未來。過去的數(shù)據(jù)是具體的、清晰的、確定的，這種方法根植于可驗證的客觀事實。我們預(yù)計，描述性分析依然會是企業(yè)管理者日常經(jīng)歷的一部分。不過由于人類無法處理巨量的精細數(shù)據(jù)，他們必須依賴高度匯總的信息?；谶@些數(shù)據(jù)的決策本身通常比較粗糙，它們需要一個重要的步驟，即推算過去的趨勢并將其投射到未來。

此外，描述性分析通常過度依賴內(nèi)部交易數(shù)據(jù)，這是成本最低、最容易獲得的數(shù)據(jù)。與客戶有關(guān)的數(shù)據(jù)（比如，凈推薦值）和市場調(diào)查數(shù)據(jù)等外部數(shù)據(jù)的獲取成本更高，也更加耗時；很難對其進行實時分析和綜合。因此，描述性分析中最常用的數(shù)據(jù)類型是內(nèi)部及行業(yè)表現(xiàn)的變量，這些都是歷史上觀察到的事實。出于部分本能，管理者會用自己的經(jīng)驗或公認的智慧來補充回顧性數(shù)據(jù)，特別是在使用這種方法進行診斷時。因此，描述性分析法嚴重依賴具體決策者的直覺以及他們克服偏見的能力，比如，不挑選可以驗證既存觀點的數(shù)據(jù)。

簡而言之，描述性分析法通常缺乏外部視角，并局限于高層次的匯總。擁有商業(yè)智能工具的管理者依靠過去經(jīng)驗和高水平的模式識別將過去投射到未來，通常憑借的是他們的直覺。這可能導致重復(fù)長期可靠的方法來解決問題，而不是尋找創(chuàng)新性的新途徑。盡管這種方法涉及主觀性問題，但它仍然得到了廣泛使用，因為它的開發(fā)和實踐相對簡單且成本低廉。而且它依賴于人類的理解，正好使其位于大多數(shù)在模擬世界中成長的管理者的舒適區(qū)。

2、預(yù)測性分析——對未來的有限看法

在預(yù)測性分析中，機器根據(jù)輸入變量的不同組合，確定特定情況下可能產(chǎn)生的某種或幾種結(jié)果，讓管理者能夠獲得深刻見解，以選擇預(yù)期結(jié)果最符合其目標的行動方案。預(yù)測性分析法可用于預(yù)測贏利和損失，計算價格彈性，預(yù)測營銷行動對特定客戶的影響，并動態(tài)地將客戶劃歸細分市場。這些預(yù)測讓管理者能夠在交易和策略層面深入研究并做出決策，這與描述性分析中通常的高層次決策截然不同。

預(yù)測性分析法在結(jié)構(gòu)上有局限。人們幾乎不可能明確預(yù)測未來的需求（更不用說未來本身）。此外，就連預(yù)測單個輸入變量也可能非常復(fù)雜：比如，天氣、競爭和供應(yīng)商業(yè)績可能需要其各自的預(yù)測模型。這些模型不僅難以建立，而且會帶來問題，因為輸入和輸出通常相輔相成，從而迫使管理者同時預(yù)測輸入和輸出變量。

能夠建模的輸入變量的數(shù)量以及可以實現(xiàn)的精細水平存在局限。盡管多種因素通常會影響到購買決策，但回歸、聚類和時間序列預(yù)測等常見的預(yù)測技術(shù)，通常只考慮一小部分的變量。這是因為要讓一個模型有效，其變量必須互不依賴——但增加更多的輸入變量會產(chǎn)生復(fù)雜的相互依賴關(guān)系，使模型不適合用于統(tǒng)計。此外，為了進行更精細的預(yù)測，企業(yè)必須收集更細化的數(shù)據(jù)。比如，為了預(yù)測某一特定產(chǎn)品的銷售額，企業(yè)必須收集庫存單位級別的數(shù)據(jù)，而不是品類級別的數(shù)據(jù)。

預(yù)測性分析的另一個問題是數(shù)據(jù)科學家和業(yè)務(wù)科學家之間在目標上的差距迅速增大。數(shù)據(jù)科學家專注于提高統(tǒng)計的嚴謹性，而業(yè)務(wù)科學家則專注于優(yōu)化分析技術(shù)，以提升業(yè)務(wù)成果。對于數(shù)據(jù)科學家來說，預(yù)測性分析的目標可能是提高其模型的準確性，而對于業(yè)務(wù)科學家來說，目標是業(yè)務(wù)影響。業(yè)務(wù)科學家專注于通過解釋正誤判（當預(yù)測為正但結(jié)果為負）或負誤判（當預(yù)測為負面結(jié)果，公司決定不采取任何行動，但如果它追求這個機會，原本會取得正面結(jié)果）的經(jīng)濟影響，來最大程度實現(xiàn)預(yù)測性分析的好處。比如，在盈利/損失的預(yù)測分析工作中，正誤判通常會造成銷售和營銷工作的浪費，而負誤判通常會造成機會的浪費或業(yè)務(wù)的損失。只注重提高準確性可能會導致一個模型減少正誤判（一個好的結(jié)果），但還是存在很高程度的負誤判，這會導致機會的浪費和整體表現(xiàn)欠佳。

簡言之，預(yù)測性分析可能會造成問題。僅僅依靠機器可能會導致業(yè)務(wù)決策欠佳和盈利潛力的損失。當然，除描述性數(shù)據(jù)外，管理者還可以進行人工診斷和預(yù)測分析，以提高決策的質(zhì)量。不過，這種特別的努力很容易產(chǎn)生在描述性分析中觀察到的同樣偏差。

3、規(guī)定性分析——精細的指導

在規(guī)定性分析中，機器根據(jù)管理者確定的目標做出決策，為此要使用大量的數(shù)據(jù)來快速分析市場條件，并通過設(shè)計和開展大量低成本實驗和假設(shè)情景來學習。雖然許多實驗最初可能欠佳，甚至是完全錯誤的，但機器可以迅速學習，快速、低成本地接近最佳結(jié)果目標。然后，它們會告訴管理者需要做什么，將重點從輸入（比如，確保決策變量的準確性）轉(zhuǎn)向輸出（比如，優(yōu)化決策的商業(yè)影響），同時明確地對風險和經(jīng)濟成本進行建模。

最佳的規(guī)定性決策通常取決于市場預(yù)測（它會推動預(yù)期收入）和不確定性（它會推動預(yù)期成本）。在預(yù)測性分析中，重點是在預(yù)測預(yù)計銷售的單位數(shù)量上，而忽視了需求不確定性的誤差水平。規(guī)定性分析法將這種不確定性考慮在內(nèi)，以做出優(yōu)化利潤的決策，并隨著新信息的出現(xiàn)不斷調(diào)整。比如，貨架上庫存量少、物流成本相對較低的零售商可能會以積極的庫存補充策略來應(yīng)對需求上升的可能性。然而，同一個零售商在面對高物流成本和市場不確定性時，可能會發(fā)現(xiàn)更保守的補貨策略才是最佳策略，可以實現(xiàn)利潤最大化。

與描述性或預(yù)測性模型相比，精心設(shè)計的規(guī)定性模型可以提供更多的財務(wù)回報和更好的企業(yè)績效。然而，要建立這些模型可能會付出高昂的成本且非常復(fù)雜：它們需要專門的軟件和硬件解決方案以及專業(yè)人員的知識，才能將管理策略轉(zhuǎn)化為數(shù)學的、適合機器的優(yōu)化目標和業(yè)務(wù)規(guī)則。

人在這一切中的作用——確定業(yè)務(wù)規(guī)則和目標——極其重要。預(yù)測性分析依賴的是將業(yè)務(wù)目標、規(guī)則和制約條件轉(zhuǎn)化為向規(guī)定性機器發(fā)出明確指令的能力。這反過來又使規(guī)定性模型能夠動態(tài)地面向管理層指定的方向校準自己的建議，同時保證最佳結(jié)果，并系統(tǒng)性地滿足所有規(guī)則和制約條件。

何時使用哪種方法

從描述性分析轉(zhuǎn)向更先進、成本更高昂的方法需要進行成本/效益評估。成本與收集和分析數(shù)據(jù)所需的基礎(chǔ)設(shè)施、專業(yè)知識和領(lǐng)導力有關(guān)，而效益則取決于通過更細化、更具相關(guān)性的決策來獲取額外利潤的機會。

因此，在特定情形下該使用哪種方法取決于兩個因素：可用數(shù)據(jù)的相關(guān)性和商業(yè)案例的強度。成功實現(xiàn)人和機器間的平衡，可以最大限度發(fā)揮各自的作用。

數(shù)據(jù)：當可用數(shù)據(jù)有限且存在高度不確定性時，描述性分析是為管理者提供方向性指導的最可行的選擇。隨著決策頻率的增加、可獲得的精細數(shù)據(jù)越來越多，以及數(shù)據(jù)與問題的相關(guān)性提升，更具自主性的規(guī)定性分析法通常表現(xiàn)最好。在中間情況下，如果僅有有限的相關(guān)數(shù)據(jù)可以獲得，預(yù)測性分析法則是首選。

商業(yè)案例：利潤提高的潛力來自數(shù)據(jù)驅(qū)動的見解有望解決的低效率數(shù)量?？墒?，效率低下并不是每個商業(yè)問題的特征。當成為一個問題時，它可能只能通過不易獲得的數(shù)據(jù)來解決。因此，并非所有問題都可以用先進的方法來處理。

比如，機器可能難以應(yīng)對涉及長期戰(zhàn)略制定和創(chuàng)新的問題，對于這種情況，問題的最初定義實際上比準確答案的表述更為重要。不過，當論及價格、庫存或營銷投資的優(yōu)化時，分析為企業(yè)提供了大量機會，因為準確的答案會更好地滿足客戶的需求。對于時間跨度長的業(yè)務(wù)問題，如規(guī)劃；或精細化的高水平營銷內(nèi)在噪音問題，如客戶關(guān)系管理（CRM）的區(qū)隔營銷；或極端優(yōu)化的低邊際效益問題，如運營維護，預(yù)測方法往往最有效。

在成本/效益分析中，描述性分析是一種“低付出/低收益”的方法。在可獲得的數(shù)據(jù)有限且結(jié)果存在高度不確定的情況下，這種方法最有意義。雖然每個決策的絕對經(jīng)濟影響可能很高，但由此帶來的價值改進并不能證明需要進行投資來結(jié)合機器輸入以提高預(yù)測和決策的質(zhì)量。在另一個極端，當有大量的數(shù)據(jù)可供使用，并且有機會以高度的確定性在每個單一的預(yù)測中提高經(jīng)濟影響時，規(guī)定性分析最具意義，其高投資回報率可以證明其相對較高的復(fù)雜性和成本不無道理。通常在這些情況下，單個決策的絕對經(jīng)濟影響并不大，但所做決策的數(shù)量、每個決策的潛在好處，以及結(jié)果的確定性會在時間推移的過程中越來越高，綜合而言讓人值得對規(guī)定性分析進行投資。預(yù)測性分析則是中間區(qū)域的最合適之選。

涉及分析方法的選擇時，當務(wù)之急是要重新思考管理者的角色：從擁有所有答案的人轉(zhuǎn)變?yōu)樘岢稣_問題的人。擬定問題（然后可以交給機器去解決）無疑仍然屬于人類的能力，但管理者可以明智地將某些控制權(quán)讓給機器。在選擇最佳方法時，主要的考慮因素明確清晰：數(shù)據(jù)的相關(guān)性和可用性，以及因投資于更復(fù)雜的分析方法而有望改善業(yè)務(wù)影響的可能性。

人類和機器擅長不同的任務(wù)：人類擅長處理有限的數(shù)據(jù)并在不熟悉的情景中運用直覺，而機器擅長在時間和/或空間上以及在充斥著豐富數(shù)據(jù)的環(huán)境中反復(fù)做出決定，無論是多么細致和稀少的決定。如果提供的數(shù)據(jù)太少，在高度模糊的情況下，或者在存在相互沖突的目標，而這些目標限制了可從數(shù)據(jù)中推斷出結(jié)論的情況下，機器很難產(chǎn)生相關(guān)結(jié)果。可是，對于那些擁有豐富相關(guān)數(shù)據(jù)、其解決方案可以顯著提高企業(yè)績效的問題，管理者應(yīng)該購買或建造合適的機器，并為它們設(shè)定合適的目標，以讓它們完成善于完成的事情。

法布里齊奧·凡蒂尼是Evo Pricing公司的創(chuàng)始人及CEO，這家公司提供人工智能解決方案，以實現(xiàn)定價決策與供應(yīng)鏈決策的自動化，并對其優(yōu)化。

達斯·納拉揚達斯是哈佛商學院工商管理學埃德塞爾·布賴恩特·福特教授（Edsel Bryant Ford Professor）。

永年 | 譯? ? ?孫燕 | 校? ? ?李全偉 | 編輯