数字是唯一的真理吗？

今天继续谈《意会时刻》这本书。

在这个时代，技术、市场、商业运营，甚至工作的本质都在发生巨大的变革，阿尔文∙托夫勒在他的畅销著作《未来的冲击》（Future Shock）中甚至把未来描绘成一个不断经历冲突的社会。“数字革命”“颠覆式创新”，这些名词整天充斥着我们的耳朵，我们感觉这个世界简直马上就要天翻地覆了。

变化真的有那么耸人听闻吗？

正所谓唯一不变的就是变化，可以说我们无时无刻不身处变化之中，但并非所有变化都是大地震。事实上，除了多了个手机，我们的主要生活方式跟十五年前并没有太大变化。

所以，如何给变化定性，这是这本书首先需要普及的概念。

一. 变化的三种级别

麦兹伯格把变化划分成了三个级别：可预测的、不可预测但是可解的、完全无解的。原文的用词有些专业晦涩，我举个简单的例子解释一下。

假设一条船上有75头牛、50只羊，如果每天吃2头牛和1只羊，

问何时牛羊的数量达到一致？这是可预测的变化；

再假设75头牛全是母牛，并且可以维持船员的牛奶供应，但最近一个月供应量显著下降，问怎样才能调整正常？这是不可预测但是可解的变化，因为可能的诱因不止一种，解决方案也不止一个。

但如果问题是让你根据牛羊的数量判断出船长下个月会养几条狗？

这就是不可预测且完全无解的变化，因为你根本就不知道问题出在哪里，更不知道如何解决。

二. 算法思维下的商业模式

分析现实世界的各类商业问题后不难发现，绝大多数问题属于前两个级别，而这两个级别恰巧是能够利用定量分析的算法思维解决的。那我们先来看一看，算法思维是如何工作的。

1.对存在的问题进行量化与细化。量化企业面临的问题，并尽可能细化成能被单独分析的事项。比如将“收益率降低”细化为客户细分、区域市场、市场占有率、价格、销售渠道、运营等影响因素

2.列举可能解决问题的一系列假设。比如：“可以靠降低公司的运营成本来提高收益率。”

3.搜集大量数据并进行分析处理

4.验证假设、澄清问题。运用归纳演绎的逻辑来验证假设的正确与否，并进一步找出投入产出比最高的区域。

5.提出解决方案。运用一套组织严谨的分析架构，提出解决方案。这套方案应当具备金字塔结构，从大量事实依据出发，先发展出若干条分结论，进而支撑起总结论。

6.开始实施。由相应团队跟进，并设立绩效指标、时间进度并匹配反馈流程。

算法思维有一种原生态的美感。因为身处复杂的世界之中，我们总是更愿意相信一切事物都可以被精确表达，所有的问题都可以被描述，而数字是唯一的真理。但是麦兹伯格驳斥了这个认识，并且用一个例子说明，有些问题是无法用算法思维解决的。

假设你是福特汽车的CEO，你的职责就是战略决策。

现在有这么一个问题。福特汽车在美国市场的卖点是高科技，因为美国消费者喜欢高精尖的功能。而现在福特汽车想要进入发展中国家的新兴市场，那你应该定位什么样的卖点呢？

如果要用算法思维解决这个问题，就得去预设很多款不同的车型，在各个国家做销售实验，根据海量销售数据调整战略。

但是这根本不可行，车型变化的灵活度太大，而且根本没有时间和金钱去支撑几百辆车型的销售实验。

这个时候，算法思维已经行不通了，你必须要去理解当地的文化，人为的判断消费者的爱好。

比如无人驾驶汽车在印度可能就没什么需求，因为在印度人看来雇佣一名专职司机是身份的象征。像这样的分析推理，就不可能是算法思维，而是意会。

福特公司当然需要算法。财务报表、供应链、消费者调查，这些都是依靠算法的支持，但有些重大决策是算法不能实现的。

| 思考

麦兹伯格所认为的这种算法思维，我个人认为还不能完全代表这个时代的大数据思维。

《长尾理论》的作者克里斯∙安德森曾有个大胆的说法，以前我们都是通过某种理论，弄清楚因果关系，对事情有个理解，才能解决问题。而今天，数据规模已如此之大，给我们提供了一个全新武器，可以直接取代理论。

安德森抨击的这种理论方法，实际上指的就是麦兹伯格所认为的算法思维——提出一个假设，讲一个故事，把故事变成量化的模型，然后再用数据去测试这个模型的正确与否。所以，与其叫算法思维，不如叫模型思维更加确切。我想，麦兹伯格想表达的含义是，在传统的商业世界中，企业更倾向于采用固有的模型策略，去研究真实世界的各类复杂商业问题，虽然其中运用了大数据与数据分析，但这并非是彻底的大数据思维。

什么是真正的算法思维？不需要什么理论模型，也不需要什么假设，只要用统计方法发现变量间的相关性就够了。在大数据时代，因果变得没有意义，只要相关就足够了。

不过麦兹伯格认为，一切并没有那么容易。

我们下回接着说。