下载掌阅APP，畅读海量书库
立即打开
在这一小节，我们来学习这本书有别于其他数据分析课程的独有部分：数据决策。为什么这么说？首先，前文说过数据分析可以分为描述性分析、相关性分析和预测性分析。不管哪种分析，最终的目的还是决策；其次，常见数据分析模型过分依赖数据质量，而现实数据状况则是缺乏和低质量为主。没了张屠夫就得吃带毛猪？下文会讲到，在缺乏数据和不确定情况下，怎样做数据决策。
“不是我不明白，只是这世界变化太快！”崔健几十年前的歌词居然现在还不过时。人心本就难测，再加上利益纷争，现在外部环境又变化太快。现代人忽然发现脚下居然没有一块稳固的基石。企业是以上冲突的集中爆发地。在瞬息万变的环境下，企业决策者怎样能及时收集到市场变化，做出准确有效的决策？
中国领导人说过：“国家的发展未必只有一个模式”，决策也是如此，可按模式、属性来分类：
先听马老师的决策理论：“因为相信，所以看见！”这句话最早我在某个项目的老板处听来，马老师在视频里说他也是听人讲的？这句话自然有他的道理，但我作为一名数据分析师，对此还是本能保持批判主义精神。
“因为相信，所以看见！”也可以理解为“因为愿意，所以相信！”这种决策方式无可厚非，但是要警惕一厢情愿过度。这在心理学上被称为“期望偏差”：因期望的存在而导致的错误，因过早或强烈期望某件事到来，而产生幻觉，进而造成决策偏差。
相信自己的，而不是权威的眼和脑，则是另一些人的选择。法国科学家拉普拉斯给拿破仑上课，讲解怎样用牛顿万有引力定律来计算行星轨迹。皇帝问：“在您的理论中，上帝在哪里？”科学家平静的回答：“陛下，我的理论不需要这样的假设。”拉普拉斯们信奉的是“因为看见，所以相信！”
客观的说两种决策模式各有千秋，没有对错，只有不同场景下的适合不适合。既然有奋力破开风雨的头雁，自然也有跟随协同的群雁。扪心自问：你想做头雁、独雁还是群雁呢？
决策除了按模式、属性来分类，还可以从角色上划分：
决策者压力山大，常说一把手工程，往往是被迫的结果。
咨询公司的职责不仅是提供专业知识，最重要的职责是分担决策者的决策风险，顺便做企业决策者不方便做的工作。我的一位北大师兄是国内著名咨询机构的高级合伙人。我在创业失败后的茫然失措中，找这位师兄，问他能否走咨询这条路。师兄盯着我问了一句话：“你真想做咨询吗？”直到今天才终于有了答案：“授人以鱼不如授人以渔！”相较于替客户出主意，我更喜欢帮助客户学会自己拿主意。
如下图所示，数据决策表现如中心雷达图的最外测一圈，全方位提升风险控制、成本控制、信息效率和执行效率！
上图：数据决策模+型（红线：数据决策；绿线：咨询；灰线：个人决策）
好是真好，难也是真难，一言难尽，最后一章再谈。
我们首先明确几个术语：在涉及定量决策方法的知识体系中，“管理科学”“决策科学”和“运筹学”这三个术语常被混用，今天已不再有区别。科学决策解决的是在动态和不确定情况下，如何有效利用稀缺资源的问题。定量决策方法也就是数据决策方法。
科学决策方法有三个特点：
（1）逆向决策。 数据决策是从目标结果倒推输入变量的逆向决策。通过衡量目标的完成数值，数据决策方案的有效性能得到客观评估。
（2）慢决策。 数据决策是慢决策，甚至是不决策，而不是快决策。推荐丹尼尔·卡尼曼的《思考快与慢》，简单说大脑有两个决策系统：快系统和慢系统，快系统特点是直觉、情绪、省力，可以被看成是已经训练好的决策模型；而慢系统的特点则是主动控制、理性、专注，可以被看成是待训练的新决策模型。两种模型互相配合才能避免决策偏差。
数据决策用数据说话，拥有系统化的计算过程，明显是一种慢系统。
（3）近似决策。 数据决策方法是近似决策，而不是精确决策。数据决策的目的是解决问题，不追求完美和绝对解决方案，综合考虑成本和效益，秉承够用就好的原则。
这本书首先讲数据分析，遵循数据挖掘的标准流程，掌握常见的数据分析模型，所有的模型都是符合Y 指标 =F 关联 （X 维度 ），都是以指标、维度和关联作为核心要素。然后是科学决策，也叫运筹学，这部分是本书跟通常的数据分析课的最大的差别：
（1）不惟数据。 数据分析最大的问题是分析精度对数据本身质量依赖太高。而科学决策则融合了线性规划等科学决策方法，对不确定性的环境和数据缺乏有很强的鲁棒性，也就是耐操。
（2）不惟算法。 尽量简单，非专业人员也能用。不以机器学习算法为重心，但更偏向于需要人参与的分析模型，尤其是复杂问题的决策精算法。比如下面讲到的大数估算法。
前面的收费邮箱案例给我们一个启示：对一个不确定性很大的问题，用很简单的加减乘除和数据粗略估算，居然也能得到基本满意的答案。但是，大家不觉得奇怪吗？如果估算的转化比例大幅偏离真实情况，那么这样的数据预测还有存在价值吗？
解决数据估算不准的奥秘就是费米的大数估算法。这种方法与现在流行的机器学习有紧密的联系，但也有两点区别：近似但简单和数据依赖性低。这两个特性正好针对性解决了前文中说的非数据专业人士的“三无”困境。
大神费米是意大利裔美国物理学家，1938年获得诺贝尔物理学奖。他的照片都是笑模笑样的，感觉与其说他是严谨的科学家，不如说更像位和气生财的算命先生。喜欢他还有重要原因：诺奖获得者对我来说就是不可直视的太阳，五年前兴冲冲买来霍大爷的《时间简史》，可折页没羞没臊的，永久的停在了第一章。而费米就不一样，他的大数估算法居然能让我自以为能懂！跟大神跨越时空的神交令人心旷神怡。
举一例大数估算法的神迹：1945年7月16日第一颗原子弹在新墨西哥州的沙漠引爆成功，试爆40秒后，现场附近的费米感受到冲击波的气浪，伸手向空中撒了一把碎纸片，落在他身后2.5米的地方。费米估算出的爆炸威力相当于一万吨TNT，而仪器测到的数值大约是两万吨。
费米思想的核心：就是说把一个庞大的、抽象的、复杂的问题，逐级分解为微小的、具体的、简单的问题，只要保证了逻辑关系，那么这些小问题答案逐步反推，最终初始问题就可以得到相对准确答案。麦肯锡把这个方法叫做“逻辑树法”。
费米曾提出一个有趣的问题：“芝加哥有多少钢琴调音师？”初看这个题目，有没有无处下手的感觉？但是，费米把这个大问题分解成一系列小问题。
芝加哥总居民数约300万，平均每个家庭有4个人（美国四人家庭居多），那么芝加哥估计会有75万个家庭。在当时的美国，钢琴属于半稀缺物品，拥有钢琴的家庭应不超过1/2，也不会低于1/10，因此费米估算为1/3，那么全市大概有25万架钢琴。
调音师不是常见的岗位，调音次数应该不会超过1年3次，也不会低于10年1次，因此费米估算为3年1次，调音一次的时间不会超过10小时，也不会低于1小时，因此费米估算为3小时。那么每架钢琴每年需要调音多少时间就是1小时。
这样我们就计算出：所有钢琴的总调音时长大约是1×250000=250000小时
假设调音师一年工作250天，算上他每天需要往返的路时，那么他一年的工作时间就是250×24×0.6= 3600 H。
最终，调音师数量=249000/3600= 69位。
费米的学生们打电话确认：芝加哥的钢琴调音师共80位，只差了13.75%！
上图：费米的大数估算法
大数估算法为什么这么准？准确率的保障就是平均律：在任何一组计算中，估算带来的错误都可以相互抵消，所做的假设越多，被抵消的概率误差就会越大。
常用的科学决策方法包括：
（1）线性规划： 约束条件与目标函数都是线性的。
（2）非线性规划： 约束条件与目标函数不都是线性的。
（3）等候线模型： 平衡服务等待中的客户满意度与服务成本。
（4）库存模型： 库存量既要满足销售需求，又要维持低水平。
（5）配送网络模型： 解决运输系统设计的最优效率问题。
其中“线性规划”是应用最广泛和相对简便的决策方法，后面章节会涉及。