掌握三大智能分析法,做决策变得“so easy”
先进的分析技术能够帮助企业解决许多管理问题,包括那些与营销、销售和供应链运作有关的问题,由此带来可持续的竞争优势。比如,企业可以整合决策并优化整个价值链,其方法是对个人客户的行为和偏好进行建模,并提供定价尽可能接近购物者支付意愿价位的定制产品——同时降低单笔交易的服务成本。
然而,随着可用数据日渐增多以及高级分析法得到进一步完善,管理者可能会纠结于何时、在哪、在多大程度上将机器纳入他们的商业分析,以及在做出数据驱动的决策时应在多大程度上做出自己的判断。他们需要回答的问题是:何时从以人为中心的传统方法,转变为自动化程度更高的分析和决策才算合理?我们如何才能在两者之间达成适度的平衡?
我们中的一位(法布里齐奥)创办了一家事务所,帮助客户利用人工智能(AI)自动化定价和供应链决策来提升业绩;另一位(达斯)是一名学者,他开发了一门MBA课程,其中纳入了侧重利用AI增强营销、销售和保障职能的实地案例。我们共同着手了解如何最大限度地发挥人类和机器的潜力,以便做出最佳商业决策。
一般来说,人类在直觉和模糊度解算方面能力更强;而机器在演绎、精细度和可扩展性方面则远胜一筹。你如何才能找到适当的平衡?
有三种常见的分析方法:描述性分析,此法中的决策主要由人类做出;预测性分析,其中机器确定可能的结果,但需要由人类来选择要遵循的路线;以及规定性分析,这通常意味着由机器进行自主管理。本文描述了何时以及如何使用每种方法,并审视了其中的取舍与局限。(虽然这里的重点是营销和销售,但这些原则可以得到更广泛的应用。)
机器的角色在这些方法中大不相同——从帮助管理者了解业务情况的工具,到支持管理者决策的助手,再到减轻管理者职责的决策者。让我们对每种方法分别加以探讨。
1、描述性分析——汇总观察结果
在描述性分析中——通常称为“商业智能”——管理者使用机器来理解历史数据中的模式。它们实质上是在要求:“请帮我理解发生的事情。”这种帮助通常以仪表盘的形式出现,突出投入和产出的业绩变量,使管理者能够根据历史上观察到的事实决定“该转动哪个旋钮”以及“转动幅度该有多大”。
描述性分析指的是理解过去,以告知未来。过去的数据是具体的、清晰的、确定的,这种方法根植于可验证的客观事实。我们预计,描述性分析依然会是企业管理者日常经历的一部分。不过由于人类无法处理巨量的精细数据,他们必须依赖高度汇总的信息。基于这些数据的决策本身通常比较粗糙,它们需要一个重要的步骤,即推算过去的趋势并将其投射到未来。
此外,描述性分析通常过度依赖内部交易数据,这是成本最低、最容易获得的数据。与客户有关的数据(比如,净推荐值)和市场调查数据等外部数据的获取成本更高,也更加耗时;很难对其进行实时分析和综合。因此,描述性分析中最常用的数据类型是内部及行业表现的变量,这些都是历史上观察到的事实。出于部分本能,管理者会用自己的经验或公认的智慧来补充回顾性数据,特别是在使用这种方法进行诊断时。因此,描述性分析法严重依赖具体决策者的直觉以及他们克服偏见的能力,比如,不挑选可以验证既存观点的数据。
简而言之,描述性分析法通常缺乏外部视角,并局限于高层次的汇总。拥有商业智能工具的管理者依靠过去经验和高水平的模式识别将过去投射到未来,通常凭借的是他们的直觉。这可能导致重复长期可靠的方法来解决问题,而不是寻找创新性的新途径。尽管这种方法涉及主观性问题,但它仍然得到了广泛使用,因为它的开发和实践相对简单且成本低廉。而且它依赖于人类的理解,正好使其位于大多数在模拟世界中成长的管理者的舒适区。
2、预测性分析——对未来的有限看法
在预测性分析中,机器根据输入变量的不同组合,确定特定情况下可能产生的某种或几种结果,让管理者能够获得深刻见解,以选择预期结果最符合其目标的行动方案。预测性分析法可用于预测赢利和损失,计算价格弹性,预测营销行动对特定客户的影响,并动态地将客户划归细分市场。这些预测让管理者能够在交易和策略层面深入研究并做出决策,这与描述性分析中通常的高层次决策截然不同。
预测性分析法在结构上有局限。人们几乎不可能明确预测未来的需求(更不用说未来本身)。此外,就连预测单个输入变量也可能非常复杂:比如,天气、竞争和供应商业绩可能需要其各自的预测模型。这些模型不仅难以建立,而且会带来问题,因为输入和输出通常相辅相成,从而迫使管理者同时预测输入和输出变量。
能够建模的输入变量的数量以及可以实现的精细水平存在局限。尽管多种因素通常会影响到购买决策,但回归、聚类和时间序列预测等常见的预测技术,通常只考虑一小部分的变量。这是因为要让一个模型有效,其变量必须互不依赖——但增加更多的输入变量会产生复杂的相互依赖关系,使模型不适合用于统计。此外,为了进行更精细的预测,企业必须收集更细化的数据。比如,为了预测某一特定产品的销售额,企业必须收集库存单位级别的数据,而不是品类级别的数据。
预测性分析的另一个问题是数据科学家和业务科学家之间在目标上的差距迅速增大。数据科学家专注于提高统计的严谨性,而业务科学家则专注于优化分析技术,以提升业务成果。对于数据科学家来说,预测性分析的目标可能是提高其模型的准确性,而对于业务科学家来说,目标是业务影响。业务科学家专注于通过解释正误判(当预测为正但结果为负)或负误判(当预测为负面结果,公司决定不采取任何行动,但如果它追求这个机会,原本会取得正面结果)的经济影响,来最大程度实现预测性分析的好处。比如,在盈利/损失的预测分析工作中,正误判通常会造成销售和营销工作的浪费,而负误判通常会造成机会的浪费或业务的损失。只注重提高准确性可能会导致一个模型减少正误判(一个好的结果),但还是存在很高程度的负误判,这会导致机会的浪费和整体表现欠佳。
简言之,预测性分析可能会造成问题。仅仅依靠机器可能会导致业务决策欠佳和盈利潜力的损失。当然,除描述性数据外,管理者还可以进行人工诊断和预测分析,以提高决策的质量。不过,这种特别的努力很容易产生在描述性分析中观察到的同样偏差。
3、规定性分析——精细的指导
在规定性分析中,机器根据管理者确定的目标做出决策,为此要使用大量的数据来快速分析市场条件,并通过设计和开展大量低成本实验和假设情景来学习。虽然许多实验最初可能欠佳,甚至是完全错误的,但机器可以迅速学习,快速、低成本地接近最佳结果目标。然后,它们会告诉管理者需要做什么,将重点从输入(比如,确保决策变量的准确性)转向输出(比如,优化决策的商业影响),同时明确地对风险和经济成本进行建模。
最佳的规定性决策通常取决于市场预测(它会推动预期收入)和不确定性(它会推动预期成本)。在预测性分析中,重点是在预测预计销售的单位数量上,而忽视了需求不确定性的误差水平。规定性分析法将这种不确定性考虑在内,以做出优化利润的决策,并随着新信息的出现不断调整。比如,货架上库存量少、物流成本相对较低的零售商可能会以积极的库存补充策略来应对需求上升的可能性。然而,同一个零售商在面对高物流成本和市场不确定性时,可能会发现更保守的补货策略才是最佳策略,可以实现利润最大化。
与描述性或预测性模型相比,精心设计的规定性模型可以提供更多的财务回报和更好的企业绩效。然而,要建立这些模型可能会付出高昂的成本且非常复杂:它们需要专门的软件和硬件解决方案以及专业人员的知识,才能将管理策略转化为数学的、适合机器的优化目标和业务规则。
人在这一切中的作用——确定业务规则和目标——极其重要。预测性分析依赖的是将业务目标、规则和制约条件转化为向规定性机器发出明确指令的能力。这反过来又使规定性模型能够动态地面向管理层指定的方向校准自己的建议,同时保证最佳结果,并系统性地满足所有规则和制约条件。
从描述性分析转向更先进、成本更高昂的方法需要进行成本/效益评估。成本与收集和分析数据所需的基础设施、专业知识和领导力有关,而效益则取决于通过更细化、更具相关性的决策来获取额外利润的机会。
因此,在特定情形下该使用哪种方法取决于两个因素:可用数据的相关性和商业案例的强度。成功实现人和机器间的平衡,可以最大限度发挥各自的作用。
数据:当可用数据有限且存在高度不确定性时,描述性分析是为管理者提供方向性指导的最可行的选择。随着决策频率的增加、可获得的精细数据越来越多,以及数据与问题的相关性提升,更具自主性的规定性分析法通常表现最好。在中间情况下,如果仅有有限的相关数据可以获得,预测性分析法则是首选。
商业案例:利润提高的潜力来自数据驱动的见解有望解决的低效率数量。可是,效率低下并不是每个商业问题的特征。当成为一个问题时,它可能只能通过不易获得的数据来解决。因此,并非所有问题都可以用先进的方法来处理。
比如,机器可能难以应对涉及长期战略制定和创新的问题,对于这种情况,问题的最初定义实际上比准确答案的表述更为重要。不过,当论及价格、库存或营销投资的优化时,分析为企业提供了大量机会,因为准确的答案会更好地满足客户的需求。对于时间跨度长的业务问题,如规划;或精细化的高水平营销内在噪音问题,如客户关系管理(CRM)的区隔营销;或极端优化的低边际效益问题,如运营维护,预测方法往往最有效。
在成本/效益分析中,描述性分析是一种“低付出/低收益”的方法。在可获得的数据有限且结果存在高度不确定的情况下,这种方法最有意义。虽然每个决策的绝对经济影响可能很高,但由此带来的价值改进并不能证明需要进行投资来结合机器输入以提高预测和决策的质量。在另一个极端,当有大量的数据可供使用,并且有机会以高度的确定性在每个单一的预测中提高经济影响时,规定性分析最具意义,其高投资回报率可以证明其相对较高的复杂性和成本不无道理。通常在这些情况下,单个决策的绝对经济影响并不大,但所做决策的数量、每个决策的潜在好处,以及结果的确定性会在时间推移的过程中越来越高,综合而言让人值得对规定性分析进行投资。预测性分析则是中间区域的最合适之选。
涉及分析方法的选择时,当务之急是要重新思考管理者的角色:从拥有所有答案的人转变为提出正确问题的人。拟定问题(然后可以交给机器去解决)无疑仍然属于人类的能力,但管理者可以明智地将某些控制权让给机器。在选择最佳方法时,主要的考虑因素明确清晰:数据的相关性和可用性,以及因投资于更复杂的分析方法而有望改善业务影响的可能性。
人类和机器擅长不同的任务:人类擅长处理有限的数据并在不熟悉的情景中运用直觉,而机器擅长在时间和/或空间上以及在充斥着丰富数据的环境中反复做出决定,无论是多么细致和稀少的决定。如果提供的数据太少,在高度模糊的情况下,或者在存在相互冲突的目标,而这些目标限制了可从数据中推断出结论的情况下,机器很难产生相关结果。可是,对于那些拥有丰富相关数据、其解决方案可以显著提高企业绩效的问题,管理者应该购买或建造合适的机器,并为它们设定合适的目标,以让它们完成善于完成的事情。
法布里齐奥·凡蒂尼(Fabrizio Fantini)达斯·纳拉扬达斯(Das Narayandas)| 文
法布里齐奥·凡蒂尼是Evo Pricing公司的创始人及CEO,这家公司提供人工智能解决方案,以实现定价决策与供应链决策的自动化,并对其优化。达斯·纳拉扬达斯是哈佛商学院工商管理学埃德塞尔·布赖恩特·福特教授(Edsel Bryant Ford Professor)。
永年 | 译 孙燕 | 校 李全伟 | 编辑
本文来自微信公众号“哈佛商业评论”(ID:hbrchinese),作者:HBR-China,36氪经授权发布。