只有22%的人做对了这道数据分析题，你来试试吗？

最新推荐文章于 2024-09-21 12:29:42 发布

大数据v

最新推荐文章于 2024-09-21 12:29:42 发布

阅读量448

点赞数

文章标签：人工智能算法大数据编程语言 python

本文链接：https://blog.csdn.net/zw0Pi8G5C1x/article/details/115290967

版权

导读：认知偏见在日常活动中经常发生，本文提到的一道看似简单的思考题（在第03段），只有22%的人能做对。认知偏见可能导致错误的决策，数据分析和人工智能会帮你避免此类错误。

本文将探索一些模式，利用数据洞察，帮助你做出更好的决策。

作者：加里·奥布莱恩（Gary O’Brien）、郭晓（Xiao Guo）、迈克·梅森（Mike Mason）

来源：大数据DT（ID：hzdashuju）

01 数据自我决策

曾担任谷歌和百度深度学习与人工智能部门负责人的吴恩达在2016年的《哈佛商业评论》上发表的一篇文章中写道：

如果普通人能在不到一秒的时间内完成一项脑力任务，现在或不久的将来就可以用人工智能将该任务自动化。

有人提出质疑，认为只要是一分钟之内的思考任务，人工智能都可以完成。毫无疑问，人工智能正在经历一个爆炸式增长的阶段。依靠适当的算法和足够的数据进行训练，机器可以做出非常好的决策，就像有经验的人能做到的那样。

虽然这些都是简单的小任务，但是从数量和准确性中获得的好处对于一个企业或整个行业来说是非常重要的。有一些众所周知的例子：人脸识别、语音识别、语法纠正和语言翻译。

异常监控是一个特别有用的领域。长期以来，传统的数据分析方法一直用于检测欺诈事件，通常需要进行复杂且耗时的调查，以处理不同的知识领域。

事实证明，人工智能和机器学习在检测垃圾邮件方面非常有效。从那以后，人工智能和机器学习在异常监控中的应用已经扩展到信用卡欺诈监控、放射学诊断和信息安全中的系统入侵检测。

02 个性化客户体验

产品推荐在亚马逊和Netflix的案例研究中得到了充分肯定。这两家公司惊人的收入增长很大程度上是建立在产品推荐引擎上的，这些引擎是由人工智能算法和大量在线数据驱动的。即使不成为互联网巨头，也可以利用人工智能和机器学习技术来推荐更好、更相关的产品和服务。

我们在房地产行业的一个客户成功地建立了市场中最大的数字资产之一，但遗憾的是，网站上大量的匿名用户限制了企业了解他们并向合作伙伴提供有价值的洞察力的机会。

于是该企业开展了一项机器学习活动，在匿名用户进入网站时，询问他们是否首次购房。尽管客户的响应度不高，但企业依然收集到了足够的数据来训练机器学习算法。该算法检测点击流和其他浏览行为的模式，从而实时且准确地预测首次购房者。

这给企业带来了新机会，可以产生与该目标受众高度相关的首次购房报价和产品。

如果客户允许我们访问他们的更多数据（例如，位置、声音、移动、温度等感知数据，以及日历、电子邮件和社交网络等个人数据），就可以推断出更准确、更具体的用户上下文（例如，他们的活动、环境、情绪，甚至压力水平）。考虑到这种丰富的上下文，设计师将需要做很多工作。

在机器学习时代，定义用户体验的是个体，而不是目标群体。

03 做出更好的决策

人工智能和机器学习非常擅长“大海捞针”，而人类更善于观察“针”并决定如何使用它。除了简单的小任务外，大多数业务决策都需要良好的判断力、同理心、直觉和创造力。由于认知偏见，人类实际上在模式识别方面表现很差，因为人类大脑非常不善于预测统计趋势。

大脑会被抛硬币这样简单的事情困住：在连续5次得到正面后，大多数人会想，“下次肯定是反面！”从统计上看，即使连续得到100次正面，下一次得到反面的概率仍然是1/2。只要动动脑子，大多数人都能克服这种认知偏见，得出正确的结论。

还有一个更具挑战性的问题。行为经济学先驱阿莫斯·特沃斯基（Amos Tversky）和丹尼尔·卡内曼（Daniel Kahneman）进行了一项实验：

一个城镇有两家医院。在大医院里，每天大约有45个婴儿出生；在小医院里，每天大约有15个婴儿出生。虽然大约50%的婴儿是男孩，但确切的比例每天都在变化—有时高于50%，有时低于50%。

在一年的时间里，每家医院会记录超过60％的新生儿是男孩的日期。你认为哪家医院会有更多记录？

大医院。
小医院。
相同。

结果：56%的人选择了选项3，22%的人选择了选项1，其余22%的人选择了选项2。

正确答案应该是2，因为更多的事件会导致更平均的概率趋势。为了应对这种认知偏见，需要花费更多的精力。

这不是一个钻牛角尖的问题，在日常活动中经常发生。为一个产品设定价格时，除了需要知道竞争对手的定价、历史定价、产品的必备性质和定制性质外，还需要预测消费者对该产品的未来潜在需求，以及供应商和供应链数据对该产品的未来潜在供应。

人工智能和机器学习技术将在基于数据预测未来趋势方面变得更好。人类的工作是使用数据和算法，应用洞察来做出更好、更理性的决策。

对于重要的业务决策，如定价、库存管理、供应链管理、人员和设备调度、维护调度等，需要进行分解，划分出信息处理、模式识别和预测等部分，让数据/人工智能模型/机器学习模型给出答案。而需要同理心、创造力和常识的部分应保留在人类判断的范围内。

数据在帮助建立高响应力组织方面非常有效。通过尽早有效地应对来自市场、客户和组织内部的信号，可以更好地完成以下工作：

带着不完善的信息前进。
在必须决策的最后时刻再做决定。
提高变革能力。
能够产生新的价值来源。

一方面，企业领导者需要了解组织约束和人类的认知偏见，并学习如何从个人和制度上消除或减轻它们。另一方面，通过技术能力来收集干净的数据，将其放到适当的位置，应用正确的算法。

小结

数据洞察可以帮助组织中的人员做出更好的决策，来为客户提供更好的产品和服务或创建新的商业模式。

数据的爆炸式增长正在推动数字化生态系统的发展，重塑组织架构，通过数据创建新的产品、增强个性化和增加客户服务价值。麦肯锡全球研究院（McKinsey Global Institute）指出，与传统组织相比，数据驱动型组织的获客率高出23倍，留存率高出5倍，获利率高出18倍。

组织正在以历史上前所未有的速度发展，与客户之间的数字化交互正在揭示新的商业意义，以及关于客户价值是什么和如何最好地交付它的洞察。

关于作者：加里·奥布莱恩（Gary O'Brien）是ThoughtWorks总监咨询师，从业超过20年，帮助管理人员、团队与个人采用和改进技术以建立更有能力应对不断增长的变化的人性化组织。他致力于帮助高管提高业务敏捷性和战略一致性，从而为客户提供价值。

郭晓（Xiao Guo）是ThoughtWorks首席执行官。他于1999年加入ThoughtWorks，担任软件开发者，一直为组织提供咨询和交付服务，致力于使数字技术成为关键的竞争优势和业务转型的驱动力。自2013年起，他一直担任ThoughtWorks联席主席和首席执行官。

迈克·梅森（Mike Mason）是ThoughtWorks全球技术负责人，他热衷于弥合技术与商业之间的鸿沟，帮助他人理解应用技术能为他们的企业带来什么。他专注于为ThoughtWorks及其客户提供技术战略、领导力和执行力，将工业和技术趋势带到现实的商业环境中。他还是ThoughtWorks技术雷达的撰稿人，出版过三本技术书籍。

本文摘编自《数字化转型：企业破局的34个锦囊》，经出版方授权发布。