利用人工智能、機(jī)器學(xué)習(xí)和高級分析的4種方式

編者按

現(xiàn)在是一個高級分析、人工智能和機(jī)器學(xué)習(xí)的時代，大數(shù)據(jù)、計算能力和算法的極致風(fēng)暴已經(jīng)到來。本文介紹了領(lǐng)導(dǎo)者利用人工智能、機(jī)器學(xué)習(xí)和高級分析等前沿技術(shù)中獲得價值的4種方式，包括：利用隱性知識、處理多維空間的認(rèn)知挑戰(zhàn)、掌握反事實(shí)思維以及組合思維。本文原載于2020年1月沃頓知識在線，作者拉維·帕普納（Ravi Bapna）是美國明尼蘇達(dá)大學(xué)卡爾森管理學(xué)院商業(yè)分析和信息系統(tǒng)教授。

現(xiàn)在是一個高級分析、人工智能（AI）和機(jī)器學(xué)習(xí)（ML）的時代，各個公司乃至社會正處于重建基礎(chǔ)設(shè)施的邊緣。但是，在實(shí)體經(jīng)濟(jì)或技術(shù)公司之外的世界，讓高級分析和人工智能成為一門管理學(xué)科，還存在很多困難。

大多數(shù)公司領(lǐng)導(dǎo)者都意識到，大數(shù)據(jù)、計算能力和算法的極致風(fēng)暴已經(jīng)到來。他們聽到了很多驚人的用例，例如人工智能在檢測早產(chǎn)兒視網(wǎng)膜病變方面勝過訓(xùn)練有素的放射科醫(yī)師等。對盈收電話會議的文本分析表明，高管對委婉語的使用掩蓋了壞消息的細(xì)節(jié)，并延遲了投資者的負(fù)面反應(yīng)。但是，許多公司領(lǐng)導(dǎo)者仍對這種新環(huán)境感到不確定，不知道如何從這些尖端技術(shù)中獲取價值。

我提出了需要自我反思的4個方面，以說明為什么領(lǐng)導(dǎo)者需要考慮采用人工智能、機(jī)器學(xué)習(xí)和高級分析。這些自我反思映射到可以創(chuàng)造價值的高級分析的4個基本支柱，它們是我在過去5年所觀察到的。

讓我們從經(jīng)典的波蘭尼悖論開始，該悖論即“人類所知遠(yuǎn)勝于其所能言傳”，意思是我們知道的遠(yuǎn)遠(yuǎn)大于我們知道自己知道的。

1.隱性知識的力量和局限

基于明確定義的業(yè)務(wù)規(guī)則，在IT系統(tǒng)上進(jìn)行數(shù)十年投資實(shí)現(xiàn)了業(yè)務(wù)流程的自動化，并提高了生產(chǎn)率。但是，基于邏輯規(guī)則的硬方法只能走這么遠(yuǎn)。這不是因?yàn)樵摲椒ㄓ惺裁磫栴}，而是作為人類，我們不能很好地闡明我們用于日常決策的規(guī)則。這歸因于隱性知識的作用。人類大腦憑直覺認(rèn)知和處理周邊世界，這是一種神奇的力量，但人類用語言將這種活動背后的規(guī)則或程序表達(dá)出來的能力卻很薄弱。

現(xiàn)在出現(xiàn)了一種先進(jìn)的分析技術(shù)，它使用機(jī)器學(xué)習(xí)進(jìn)行預(yù)測建模。例如，在傳統(tǒng)的編程方法中，當(dāng)我們使用一個企業(yè)資源規(guī)劃系統(tǒng)時，我們將數(shù)據(jù)（如交易）和業(yè)務(wù)規(guī)則作為輸入，然后按一個按鈕以獲取輸出（如現(xiàn)金轉(zhuǎn)換周期分析報告）。而在預(yù)測建模中，我們以過去數(shù)據(jù)和跟蹤數(shù)據(jù)作為輸入，然后使用數(shù)學(xué)和計算來“學(xué)習(xí)”如何把輸入數(shù)據(jù)映射到特定結(jié)果值的規(guī)則。例如，我們可以使用這種方法提前預(yù)測不同市場條件下的現(xiàn)金轉(zhuǎn)換周期，這對首席財務(wù)官管理資金有很大的價值。許多高管沒有意識到，他們坐擁過去的大量管理數(shù)據(jù)，這些數(shù)據(jù)可以用于預(yù)測，幫助做出更好的決策。

2.處理多維空間的認(rèn)知挑戰(zhàn)

當(dāng)要求MBA學(xué)生計算一張紙上兩點(diǎn)之間的距離時（比如在X-Y圖形上），大部分人會回想起小學(xué)數(shù)學(xué)課上學(xué)習(xí)的勾股定理。但是當(dāng)我向他們說明相同的“歐幾里得距離”公式可以擴(kuò)展到3000維時，他們大為震驚。美國網(wǎng)飛公司可能正在使用它來推薦電影，或者被他們最喜歡的零售商用來將他們聚類為細(xì)分廣告的投放目標(biāo)。

在另一項(xiàng)練習(xí)中，我向?qū)W生提供了一家信用卡公司運(yùn)營的交易數(shù)據(jù)集，要求學(xué)生們查找異常的交易。一般而言，大多數(shù)小組通常會采用在統(tǒng)計課程中學(xué)到的孤立點(diǎn)分析的概念，并按交易金額對數(shù)據(jù)進(jìn)行分類，以標(biāo)記一些高額的交易。

當(dāng)時我是和一群里約熱內(nèi)盧的EMBA學(xué)生一起做的探討。我告訴他們一個故事：在為妻子購買一件有點(diǎn)昂貴的珠寶時，我尷尬地發(fā)現(xiàn)自己的賬戶被銀行凍結(jié)了。有趣的是，這并不是因?yàn)榻灰捉痤~的原因（我為商務(wù)旅行購買的幾張機(jī)票價格更高），也不是因?yàn)槲疑硖幚锛s熱內(nèi)盧的原因（我去過那里幾次）。地理位置、金額和產(chǎn)品類別（我可能會購買數(shù)千種產(chǎn)品中的一種）的異常組合才是原因。考慮到產(chǎn)品類別，我的交易與3000維空間中的所有其他點(diǎn)都有不同尋常的距離。最終，我當(dāng)然因?yàn)闆]給妻子買到適合的珠寶而受到責(zé)備。但我的學(xué)生和高管們也逐漸了解到，他們的小學(xué)數(shù)學(xué)——應(yīng)用于許多銀行擁有的數(shù)千維數(shù)據(jù)集（想想你可能買也可能不買的每個產(chǎn)品類別）——可以幫助檢測超維空間的異常情況，使銀行避免數(shù)百萬美元的損失。

這些算法屬于描述性分析的支柱，它是機(jī)器學(xué)習(xí)的一個分支。通過探索和識別超維數(shù)據(jù)中有趣的模式來產(chǎn)生商業(yè)價值。在這方面，人類并不擅長。

3.在反事實(shí)思維方面的弱點(diǎn)

在許多工作場所和領(lǐng)導(dǎo)環(huán)境中，我看到的一個常見的認(rèn)知挑戰(zhàn)是：高管難以擺脫提供給他們的數(shù)據(jù)，很難跳出來索要一個反事實(shí)的數(shù)據(jù)。數(shù)據(jù)通常以報告或漂亮的可視化形式出現(xiàn)。例如，“量化”產(chǎn)品新功能的效益，或者像最近的一個項(xiàng)目那樣，量化某品牌引入新移動應(yīng)用渠道的效益。一位好心的主管資助了應(yīng)用程序的開發(fā)，他高興地看到，與僅基于網(wǎng)絡(luò)的交互相比，新移動應(yīng)用用戶的參與度更高。接著，一項(xiàng)關(guān)于增加應(yīng)用程序功能的新提議放在了他的桌子上，提議根據(jù)用戶參與度增加的價值和開發(fā)應(yīng)用程序的成本算出了應(yīng)用程序的投資回報率（ROI）。

在此，很多高管忽略了一個關(guān)鍵問題：在相信諸如此類的投資回報率計算之前，他們應(yīng)該關(guān)注，參與度的增加是否全部歸功于該應(yīng)用程序？這便是反事實(shí)思維的藝術(shù)。假設(shè)你擁有一臺時間機(jī)器，可以讓時光倒流而不啟動應(yīng)用程序，那么參與度會有所增加嗎？是否還有其他因素可能導(dǎo)致變化？人們通常會想到季節(jié)性或促銷活動的因素，但其實(shí)無法想象的、不可觀察的因素（如晴朗的天氣增加了人們的樂觀情緒，可能影響他們下載該應(yīng)用程序并積極參與其中）會帶來更大的挑戰(zhàn)。結(jié)果很可能是由于這些干預(yù)而導(dǎo)致的。

反事實(shí)思維是一種沒有得到足夠鍛煉的領(lǐng)導(dǎo)力。這導(dǎo)致了次優(yōu)決策和次優(yōu)資源分配。為了克服這一點(diǎn)，需要采用因果分析法。因果分析是指公司采用隨機(jī)實(shí)驗(yàn)的黃金標(biāo)準(zhǔn)方法，或其他準(zhǔn)因果方法（如傾向評分匹配或雙重差分分析）來確定X是否導(dǎo)致了Y。展示廣告的投入能否增加銷售額？消費(fèi)者在購買服務(wù)時會相互影響嗎？允許你的消費(fèi)者與公司合創(chuàng)產(chǎn)品會增加產(chǎn)品的終身價值嗎……這樣的例子數(shù)不勝數(shù)。不以因果關(guān)系回答這些問題，或使用最高薪資者的意見做出此類推斷，肯定會破壞公司的戰(zhàn)略決策價值。

4.組合思維的挑戰(zhàn)

許多領(lǐng)導(dǎo)者和高管通過各種試探方法來理解具有多個活動部分的復(fù)雜情況，從而成功獲得公司內(nèi)的晉升。大多數(shù)決策都是在存在各種約束（如必須維持預(yù)算或服務(wù)質(zhì)量水平）的情況下優(yōu)化某些目標(biāo)（如使收入最大化或使成本最小化）。一位負(fù)責(zé)增加收入的營銷主管做了一項(xiàng)艱苦的工作，他使用最新的因果關(guān)系和預(yù)測分析，評估他們正在考慮的三個不同宣傳活動的平均客戶成本和收益。但是，當(dāng)部署遇到預(yù)算限制時，意味著他必須選擇一部分客戶作為目標(biāo)（沒有足夠的預(yù)算將每個人作為目標(biāo)）。他提出了一種簡單的試探方法，根據(jù)客戶的收益與成本的比率對客戶進(jìn)行優(yōu)先排序。宣傳活動得以實(shí)施。不幸的是，公司的收入出現(xiàn)了負(fù)增長，盡管他們針對的只是那些在評估中收益成本比為正的人群。

組合思維包含在高級分析的指導(dǎo)性分析支柱中，可以為此提供答案。假設(shè)預(yù)算是100美元，你有兩個人響應(yīng)一個特定的活動，他們的收益（對公司）分別為100美元、1美元，成本（對公司）分別為100美元和1美元。兩者的收益成本比都是1。如果你拋硬幣選擇了第二個人，你就不再有預(yù)算把第一個人納入進(jìn)來（這是眾所周知的背包問題），所以最終你會得到1美元的收入。精明的做法（給定收入最大化目標(biāo)）應(yīng)該是選擇第一個人并獲得100美元的收入。假設(shè)這些人在響應(yīng)其他營銷活動時還有次優(yōu)結(jié)果，那么最好是服務(wù)具有第二或第三最優(yōu)結(jié)果的個體，以使公司的整體收入最大化。這就是組合優(yōu)化算法優(yōu)于人工的地方。

簡而言之，高級分析、機(jī)器學(xué)習(xí)和人工智能可以說是自現(xiàn)代計算技術(shù)問世以來最強(qiáng)大的通用技術(shù)，從中獲取價值對于企業(yè)和社會而言都是當(dāng)務(wù)之急。與現(xiàn)代基于軟件的機(jī)器和算法相比，它需要領(lǐng)導(dǎo)者對人類的長處和弱點(diǎn)有更深入的理解和反省。這個領(lǐng)域的清晰未來要求我們設(shè)計任務(wù)、職業(yè)、工作、流程和商業(yè)模式，以最好的方式結(jié)合人類智能和機(jī)器智能。