【51CTO.com原创稿件】
作者Yuval Noah Harari
《未来简史》作者介绍
作者Yuval Noah Harari是一位历史博士，***本书《人类大历史》，《Homo Sapiens》得到了比尔盖茨 (Bill Gates)和马克扎克伯格(Mark Zuckerberg)的推荐。《未来简史》，《Homo Deus》是继此之后又一部作品，而这部作品得到了中国互联网大佬们的关注。傅盛(猎豹移动的CEO)就是其中之一的一位粉丝，邀请了Harari教授参加了2016年4月份的猎豹 Connect 大会。会上Harari教授谈论了《未来简史》，以及人工智能在未来世界中将会扮演的角色。
《未来简史》提出简单却有些令人心寒的论点：21世纪人性将因为智能与意识的分离被改变。我们已经制造了机器，包含处理海量数据的网络，而它们能比我们更好地认识我们自己的感受。谷歌搜索引擎自身并没有个人想法或偏见，所以它不会在乎我们在搜索些什么。但是它能够通过处理搜索行为比我们自己更早地知道我们想要什么。
在这篇书评中，我将把重点放在“数据主义”(Data-ism)上。它也是书中的另一个主题。由于大多数的企业没谷歌的数据垄断性资源，我将讨论非500强企业如何能够采用数据主义去获取见解以及商业优势。我将在Harari教授的看法的基础上进行一些延伸。由于我并不是一个哲学家或者历史学者，所以我将不讨论相关的哲学问题。
什么是数据主义?
之前，由于人类要将数据提取成信息和知识，数据仅仅只是一系列脑力活动的***步。而据Harari教授说，现如今海量数据已经使信息提取变得异常艰难。由此而看，只有算法才能进行这种处理。
尽管Harari教授对算法有着应有的尊敬，他还是接着列举了一些数据处理中非算法的机制。
- 价格机制：通过得知人们是否愿意支付，资源分配将变得可能(例如一个像伦敦一样的大城市该生产多少面包)
- 证券交易所：当政坛丑闻、自然灾害这样的事情发生的时候，证券交易所只需要大致15分钟的交易时间就可以获知一个纽约时报的头条对大多数股票价格的影响。
Harari教授接着指出了能够推动非算法的成功的四个方法：
1. 增加“处理器”(Processors)的数量。一个有着一百万投资人的证券交易所要比一个只有一百人的实体市场有着更高的计算能力。
2. 增加“处理器”的种类。不同的处理器可能会用不同的方式去计算和分析数据，所以在单个系统中使用不同种的处理器或许可以提高系统的活力和创造力。一个农夫、祭司、医生之间的谈话或许将促成奇特想法的产生，而三个狩猎者之间的谈话就未必如此了。
3. 增加“处理器”之间的连接数量。如果处理器间的连接非常不足，那么仅仅增加处理器的数量和种类也就毫无意义了。十座城市相连的贸易网络无疑要比十座互相隔离的城市带来更多经济、技术和社会的创新。
4.增强连接“处理器”传达信息的灵活性。如果数据无法传达、连接处理器也就毫无用处。 十所城市间单纯的道路修建终会在强盗横行和独裁君主限制行动的情况下沦为无用功。
这四个方法有时候相互矛盾。随着处理器数量和种类的增多，它们间自由连接的难度也就越大。如果要成功地利用好这四个方法，找到一个能解决关键问题的折中平衡点尤为重要。
可操作的数码见解
当你采用以上四个方法来了解团队如何能够最有效地获取高质量的数码见解，它们可以提供很多帮助。退一步说，如果有着更多数量、同时也更多连接的“处理器”可以供我们利用，我们应该最终会得到更高质的数码见解。所以，对于脱颖而出的商业性移动或网络app而言，到底什么是“处理器”呢?
从最微观的层次上来说，这些“处理器”就是你的用户——他们的反馈和行为都是珍贵资源。Harari教授并不是***个考虑根据用户来获取见解的人，宜家(IKEA)的创始人Ingvar Kamprad就喜欢坐在一个收银台后面观察客户。当他被问到为什么这么做的时候，他回答道：“因为这是最合算也是最有效率的调查了，因为我可以问每一个人他们选择和不选某个产品的原因。”
但你是在运营网站或移动app的时候，你没法也坐在一个收银台后面向别人提问。那么，为了获取宝贵的见解，你的团队具体能采用哪些步骤呢?下面就把这些步骤分解到Harari教授的四种方法中。
1. 增加”处理器”的数量
(1) 实际应用
- 记录所有数据：每个用户， 比如一个宜家店铺的顾客，是一个“处理器”，也是一个宝贵见解的来源。细致的数据是关键。用户层面上关于数码行为及交易的记录是获取见解的基础。
(2) 如何重要
- 举例说，当使用Google Analytics或友盟这样免费的数码分析工具时，它们通常用抽样，但这个方法会因为一些并不具有代表性的武断规则(比如每月的前5000名用户)而导致目标用户的过滤/转换率分析出现偏差。
- 如果非得抽样，那么你应该自己注明抽样规则，而不是让供应商替你支配。
2. 增加“处理器”的种类
(1) 实际应用
- 群体分析：分辨出一些用户间的共同特征和共同数码行为，以便将他们分割进不同的群体。一片大体的数据不太好操作，而群体分析就有助于在各个群体的兴奋点上集中精力。
- 了解用户情绪：数据较难形容用户是否激动或失望。但通过跟踪应用内的社交媒体达人，你可以了解他们分享前的行为，更好理解那时的情绪。
(2) 如何重要
- 除了在最有价值的顾客上集中精力外，理解用户在促销活动时的花费也有助于发掘升级机会。
- 举例说，希拉里(Hillary Clinton)的团队在2016年的美国大选利用数据的力量找到潜在支持者的***一票。但特朗普(Donald Trump)始终脱颖而出。他通过有力的竞选主题，而不是大数据所产生的精确推广(micro-targeting)。这些主题让美国选民较激动，在社交媒体转发他的Twitter帖子。可见情绪是非常宝贵而难以通过大数据衡量的指标。
3. 增加“处理器”之间的连接数量
(1) 实际应用
- 线上和线下数据的集合：许多企业在线上和线下进行推销(比如一个实体店里的二维码宣传)
(2) 如何重要
- 线下的市场活动可以增强网络营销的有效性：“七的定律(Rule of Seven)”的重要标准。这个概念很简单：一个普通消费者只有在接触到一个品牌的信息七次的时候才会消费。用线上和线下的指标来测评不同的通道以及更有效地接触目标用户。
4. 增强连接“处理器”传达信息的灵活性
(1) 实际应用
- 获取见解的途径不断地在改变：企业采集、管理和数据分析的方式将在5年后有所不同。为了在不断的变化中与时俱进，一个可提供数据采集、可视化和分析的开放式技术构架是良策。
(2) 如何重要
- 软件工具和用户喜好不断地在更新，但是市场原理并不会改变。因此，企业们需要掌握原始数据的存取和集合不同平台上的数据。
算法并不是解决所有问题的良药
Harari教授认为算法能够复制这些生活中所见到的复杂、自我调节的机制。然而，这些算法只能强调关联性，却不能告诉我们为什么用户这样行动。解决这类“为什么”问题会为移动app及网站提供了最巨大的商业价值。
与其在大数据技术上进行大量投资来获取或有或无商业用途的关联性方面的信息，我认为不如向宜家的创始人Ingvar Kamprad学习和参考Harari教授的四个方法。这能更好地获知你团队的数据分析构架该怎么才能更集中于找寻“为什么”的因素。
作者介绍
陈俊勋是Countly的中国与亚太区的市场经理。Countly 代表一种新类型的互动协作技术，从而为技术型和非技术型利益相关者提供一条求知和创新之路。Countly建立了一个开放源的Web和移动解决方案，允许公司掌握自己的数据，回答针对售后需求的问题。因此，Countly 的格言相当简单，“赢在定制” 。如果你有意向分享自己公司在数据分析的不平凡之路，欢迎随时联系 Countly(hello@count.ly)。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
