[gongshangyinghang]大数据挑战：敢不敢不要加入人的判断？

在咱们日子的这个年代，有这样一个简略准则：跟着数据数量的不断增加，人们判别力的重要性应该逐步下降。

这一定论听上去如同妖言惑众，不是吗？现在的办理教育大都是对人们判别力的培育——也便是培育未来领导者“形式匹配”（pattern-matching）的才能，选用的手法通常是让他们触摸许多的事例研讨和其他类型的例子，以便让他们充满信心地游走在商界江湖。不管是否在商学院，人们总是告知咱们，要信任自己的天性和直觉，尤其在身经百战之后，咱们完全能够靠天性和直觉在一眨眼的功夫就做出精准的判别。

但在当今的商业国际中（或许在其他范畴也相同），这却是最有害的过错观念。正如我在曾经的文章中写到的，人类的直觉很重要不假，但也是有缺点的。就决议让哪些罪犯回家而言，假释判定委员会的判别远不如简略的规矩。在确诊乳腺癌方面，训练有素的病理学家的定论也比不上印象剖析软件的成果。收购专业人员对哪些供货商将来体现出色的判别，远不如一种简略算法的猜测更精确。美国顶尖级的法令学者对某一年最高法院判定投票成果的猜测，也远远不如数据驱动型的决议计划规矩更精准。

这样的名录我能够一向罗列下去，不过，我仍是把终究一句话留给心理学家保罗·米尔（PaulMeehl）吧。早在近60年前，他就开端研讨“专家”与算法孰优孰劣的问题了。他在职业生涯行将完毕的时分曾总结说：“无可争议的是，社会科学的研讨标明，数量许多的各种研讨成果均指向了同一个方向，那便是：在从足球比赛的成果到肝病确诊的许多猜测中，你很难找出几个猜测的成果是对专家和临床医师有利的，咱们就此完全能够得出切合实际的定论。”

这个定论便是，咱们应该将咱们的许多决议计划、猜测、确诊和判别交给算法，不管是无关紧要仍是至关重要的工作。就算法是否能给咱们供给更好的成果而言，已经是毫无争议的问题了。

当咱们为专家递上这样的事实时，他们的典型回应往往是“我知道数据和剖析很重要，这也是我做出决议计划时要考虑它们的原因地点”。这种说法听上去很有道理，但实际上却大错特错了。研讨相同清楚地标明：当专家把自己的判别添加到数据驱动型的算法或数学模型的成果中时（换句话说，当他们做出过后点评时。），终究成果往往比只用算法自身得出的成果糟糕。正如社会学家克里斯·斯尼德斯（ChrisSnijders）所说的：“你看的成果往往是，专家参加的判别会介于模型单独判别和专家单独判别的成果之间。所以说，假如给他们供给模型，专家的判别成果会更好些，但仍然不如模型单独判别的体现。”

而当咱们把这个次第倒转过来的时分，也便是让专家为模型供给信息而不是相反的时分，成果则会好得多。假如专家的片面定见被量化，并添加到某一算法之中，其成果往往会得到提高。所以，病理学家对癌症病程的估量能够添加到影响剖析软件的剖析进程中，法令学者对最高法院对案子投票的猜测也能够改进模型的猜测才能。伊恩·艾瑞斯（IanAyres）在其杰出的作品《超级数字天才》（Supercrunchers）中曾写道：“不是让计算数据充任专家的家丁，而要让专家成为计算机器的随从。”

当然，大多数安排都无法轻松完结这一改变。现如今，大部分决议计划者都坚信自己很拿手此道，自己的决议计划毫无疑问要比没有魂灵、简略朴素的算法做出的决议计划更好，此外，他们还以为，拿走他们的决议计划权会削弱自己的威望、下降自己的价值。但清楚明了的是，第一种观念是过错的，第二种知道也相同谬之千里。

那么，怎么完成专家与算法之间人物的大逆转呢？倚重数据驱动型的决议计划进程，会让咱们的安排、经济和社会因此而得到更好的成果吗？到达这样的方针需求通明、时刻和对成果的知道，在这里，通明是指清楚阐明“专家”的判别有多么糟糕，时刻是指让这种理念广泛传播并得到充沛了解，对成果的知道则能让咱们为了得到更好的决议计划而乐意忍耐这一困难的改变。

在假释判定委员会的例子中，咱们能看到一切这三个要素的存在。正如艾瑞斯谈到的：“在最近25年中，18个州用量刑攻略（sentencingguidelines）替代了假释准则。这些州在评价再犯的危险时已越来越倚重算法评价模型。

对投票者来说，糟糕的假释决议会发生严峻的成果，所以，人为掌握判别准则的假释判定委员会乐得将投票权拱手相让。而在商业国际中，竞赛，尤其是来自数据驱动型竞赛对手的压力，会让略逊一筹的决议计划者寸步难行。我不知道多久会呈现这种成果，但我能够信心十足地说，数据驱动型的企业，会从仍然过度倚重专家的企业那里夺走更多的市场份额、客户和赢利。
数据剖析,数据发掘,算法,判别