靠專家，還是靠機器？讓我們先看一下回答。
耶魯大學法學院和管理學院教授Ian Ayres "在紐約時報評選最佳商業(yè)暢銷書《Super Crunchers》中明確提出："不是讓統(tǒng)計機器服務于專家的選擇，而是讓專家服務于統(tǒng)計機器。(Instead of having the statistics as servant to expert choice, the expert becomes a servant of the statistical machine.)" 。他還提到，"It's best to have the man and machine in dialogue with each other, but, when the two disagree, it's usually better to give the ultimate decision to the statistical prediction. 最好是由人與機器互相對話，但是，如果雙方不一致的話，通常還是讓統(tǒng)計預測來做最終決定會更好。"
社會學家克里斯·斯尼德斯（Chris Snijders）基于他的研究說道：“你通常會以為，專家有了數(shù)據(jù)和分析作輔助，這種情況介于算法模型和專家個人判斷之間，所以專家得到模型的支持會得到更好的結果。但其實，這樣還是不如單獨用數(shù)據(jù)模型做出的判斷。"What you usually see is the judgment of the aided experts is somewhere in between the model and the unaided expert," he said. "So the experts get better if you give them the model.But still the model by itself performs better."
從以上的研究結果，我們看到這樣的決策效果排序，即，專家輔助數(shù)據(jù)模型/統(tǒng)計機器決策 > 數(shù)據(jù)模型/統(tǒng)計機器決策 > 數(shù)據(jù)/統(tǒng)計機器輔助專家決策 > 專家（直覺）決策。
不得不說， 這真是一個讓無數(shù)職業(yè)經(jīng)理人悲傷的論斷。。。
那是時候來描述一下“數(shù)據(jù)驅動的決策(Data Driven Decision-making, DDD)”的這個概念了。
當前，隨著大數(shù)據(jù)以及數(shù)據(jù)采集、存儲、分析等技術的快速發(fā)展，幾乎所有公司都在盡可能充分利用數(shù)據(jù)來獲取競爭優(yōu)勢。這個進程中，大數(shù)據(jù)也帶來了公司商務管理和決策的根本轉變，這個轉變被定義為數(shù)據(jù)驅動的決策，其概念表現(xiàn)為公司的管理決策盡可能基于數(shù)據(jù)和數(shù)據(jù)分析，而非是更多的依賴于管理決策人員的直覺和經(jīng)驗。比如，在以前，公司市場管理人員會憑借其多年的專業(yè)經(jīng)驗和眼光選擇廣告創(chuàng)意，而現(xiàn)今，他們會越來越多的會根據(jù)消費者對不同廣告的反響進行數(shù)據(jù)分析和推薦來確定最后的廣告選擇。
公司轉變到數(shù)據(jù)驅動的決策模式本質是由于當前先進的數(shù)據(jù)處理技術而產生的大數(shù)據(jù)，大數(shù)據(jù)特點包括大規(guī)模全記錄樣本(volume)；快速實時產生和收集(Velocity)；來自不同來源、形式和結構多樣(Variety)；真實準確可信且能有效去除噪音(Veracity)；進而給社會和組織產生價值(Value)。拿以上所舉場景為例，大數(shù)據(jù)系統(tǒng)采集由不同廣告創(chuàng)意引發(fā)，來自社交媒體廣告管理系統(tǒng)或其他來源的包括瀏覽、轉化率等在內客戶反饋的所有的結構化和非結構化數(shù)據(jù)，進行時間序列和實時的分析處理，并提供如可視化結果在內的信息和方案而做出決策。整個過程中，我們可以看到大數(shù)據(jù)驅動的管理決策包括三個重要組成部分：大數(shù)據(jù)處理分析系統(tǒng)、大數(shù)據(jù)以及決策場景。（另，按照業(yè)界已有不成文約定，一般的我們也將大數(shù)據(jù)處理部分定義為大數(shù)據(jù)工程，大數(shù)據(jù)分析部分定義為大數(shù)據(jù)科學。）
上述大數(shù)據(jù)的特點使得數(shù)據(jù)驅動的管理和決策相對于傳統(tǒng)決策有著很大的不同，基于已有研究和實踐，我們發(fā)現(xiàn)公司在大數(shù)據(jù)驅動的決策有著以下特征：
§大數(shù)據(jù)驅動的管理和決策在設定問題目標和范圍時往往會依據(jù)情境具有一定的靈活性，相應的，給到的決策答案并不像小數(shù)據(jù)給予的答案那樣僅僅針對特定問題。
比如傳統(tǒng)的小數(shù)據(jù)利用產品入庫和出庫數(shù)據(jù)對庫存控制進行決策，而大數(shù)據(jù)則不僅僅利用公司內部生產、庫存和銷售數(shù)據(jù)，更多的還會采集和分析公司外部如客戶和供應商數(shù)據(jù)、市場銷售歷史與趨勢、物流與大宗商品指數(shù)等等大數(shù)據(jù)對公司產品庫存進行動態(tài)的、更長周期的決策判斷。也可以說，大數(shù)據(jù)驅動的管理和決策更適用于不斷變化的決策情境和更為復雜、不能在早期進行明確定義的決策問題。
§決策所需數(shù)據(jù)范圍取舍、數(shù)據(jù)的完備性和顆粒度將相對于傳統(tǒng)決策對決策質量影響更大
大數(shù)據(jù)驅動的管理和決策先要確定決策所需的數(shù)據(jù)范圍，然后進行數(shù)據(jù)處理和算法分析。因而，數(shù)據(jù)分析或者說決策結果的質量很大程度上取決于數(shù)據(jù)范圍、顆粒度等因素（而在傳統(tǒng)決策中，決策者的直覺和經(jīng)驗而非數(shù)據(jù)也許對決策質量影響更大），大數(shù)據(jù)驅動的管理和決策過程的重點將落在對決策所需數(shù)據(jù)的范圍的定義、識別，而非是決策計算過程。這也就要求公司需要在大數(shù)據(jù)準備上投入更多的努力以保證決策質量。
§大數(shù)據(jù)驅動的管理和決策是一個迭代和遞進的過程
公司利用大數(shù)據(jù)進行管理和決策時，因為大數(shù)據(jù)的高顆粒度和實時時效等特性，將呈現(xiàn)出更為簡短的決策周期。也就是說一方面大數(shù)據(jù)提供了快速乃至實時做出決策的基礎和能力，另一方面，持續(xù)大量的數(shù)據(jù)存儲和處理讓公司的決策行為轉變成更為頻繁的做出決策。這些決策之間也體現(xiàn)出遞進關系，也即大數(shù)據(jù)驅動的前序管理決策也將作為后序管理決策數(shù)據(jù)來源之一。典型的場景比如在線商品推薦系統(tǒng)，大數(shù)據(jù)基于消費者購買和點擊歷史等數(shù)據(jù)快速給予該消費者推薦產品，隨即根據(jù)該消費者接下來的點擊、購買等數(shù)據(jù)再次推薦可能更為精準符合該消費者需求的產品。同樣的，企業(yè)內部的決策也基于大數(shù)據(jù)迭代做出，研究數(shù)據(jù)表明，基于大數(shù)據(jù)驅動決策的公司，產品開發(fā)和交付周期明顯縮短，而后再基于客戶或者市場等運營數(shù)據(jù)進行持續(xù)優(yōu)化。（注1：? 我的進一步觀點是，大數(shù)據(jù)提供了精益企業(yè)的物質基礎，這在以后文章會探討。）
§公司的管理決策將更為客觀
大數(shù)據(jù)驅動的管理決策過程中，數(shù)據(jù)更為充分，且可以通過更為深層次的挖掘大數(shù)據(jù)的內涵，提取出更為深入和準確的洞察信息，以及對不同決策進行比較選擇，降低了個體在決策過程中的介入和參與，從而減少個體因為經(jīng)驗、情緒以及信息不足而導致的偏差，使得決策更為客觀。此外，可以推想，更為客觀透明的決策也可能將得到更多人員的信任和支持，從而提升決策的效力和執(zhí)行效果。
§公司決策結構將更為扁平
基于上述大數(shù)據(jù)驅動的決策將表現(xiàn)出更為客觀的屬性，公司對決策的評估和監(jiān)控也因此可以在組織結構中更低的層次達成。事實上，在這個背景下，公司傾向授權與具體行動更為接近的一線人員，進行決策以提升運營效率、降低成本。也就是說相對于以往，大數(shù)據(jù)驅動的管理和決策將更多的在組織架構中較低的層次做出，或者在組織中更為恰當?shù)膷徫蛔龀觯虼?，公司也將更多的體現(xiàn)出至下而上的決策模型。
§領域專家(domain expert)在決策中的價值發(fā)生變化
盡管大數(shù)據(jù)驅動的管理決策對大數(shù)據(jù)極大的依賴，但并不能削弱領域專家在決策中的價值。事實上，大數(shù)據(jù)的不斷開發(fā)利用，領域導向的大數(shù)據(jù)對管理決策的價值愈發(fā)明顯，領域專家利用其領域知識，在這個過程中的角色和作用將更多發(fā)揮在他們知道“尋找和發(fā)現(xiàn)什么”，也即能提出正確的問題；以及“哪里去尋找”，也即識別和定義恰當?shù)臄?shù)據(jù)源和數(shù)據(jù)變量。
§大數(shù)據(jù)、大數(shù)據(jù)處理分析系統(tǒng)以及與決策問題情境之間的不可分割
一方面，大數(shù)據(jù)以不同形式分布式存在于不同來源，并實時不間斷的大量產生，離開強大的大數(shù)據(jù)處理分析進行采集、存儲、處理和分析，這些數(shù)據(jù)對于管理決策將毫無意義。數(shù)據(jù)卻動的管理和決策所需的大數(shù)據(jù)不僅是指數(shù)據(jù)，而包括數(shù)據(jù)的洞察和智能。而呈現(xiàn)這樣的洞察和智能必須將大數(shù)據(jù)和對應的大數(shù)據(jù)處理分析系統(tǒng)整合起來，大數(shù)據(jù)處理分析系統(tǒng)是大數(shù)據(jù)系統(tǒng)的一部分。另一方面，基于上述特征，大數(shù)據(jù)驅動的管理決策結果還將不斷的與決策問題情境進行交互和持續(xù)分析，問題和方案都將會不斷被更新或調整。所有這些，都要求大數(shù)據(jù)、大數(shù)據(jù)處理分析系統(tǒng)乃至決策問題情境之間相對于傳統(tǒng)決策支持系統(tǒng)提出了更高的整合要求。
隨著大數(shù)據(jù)逐漸成為公司的最重要戰(zhàn)略資產，公司的決策和競爭能力的要素也將變化，每個公司都需要定義并建立新型的競爭資源和能力。
大數(shù)據(jù)時代的商業(yè)競爭對公司提出了投入并建立所有這些資產能力的急迫需求。比如，最基本的，公司需要定義并收集大數(shù)據(jù)，其中有些數(shù)據(jù)可能公司已有，只需加以清洗、整理，但更多的大量的其他數(shù)據(jù)需要投入資金、設備（如物聯(lián)網(wǎng)設備）、人力等成本進行收集。以阿里巴巴公司發(fā)展科技金融業(yè)務（螞蟻金服）為例，該公司通過消費補貼、人力推廣等巨額投入，不僅僅是獲取了更多的客戶量，更重要的是從不同數(shù)據(jù)來源采集到了用戶的個人特征、通信聯(lián)絡方式、消費記錄、信用相關數(shù)據(jù)、地理位置相關數(shù)據(jù)以及社交數(shù)據(jù)等等海量數(shù)據(jù)，結合公司不斷發(fā)展的強大的數(shù)據(jù)處理（如阿里云）以及數(shù)據(jù)分析能力（如招聘大量的數(shù)據(jù)科學家）以構建持續(xù)的核心能力和競爭壁壘。事實上，擁有更強數(shù)據(jù)和數(shù)據(jù)處理分析能力資產的公司相對于競爭公司已展現(xiàn)出顯著的戰(zhàn)略優(yōu)勢，并且這些優(yōu)勢進一步的反饋到產品開發(fā)、業(yè)務運營、客戶吸引等各環(huán)節(jié)，競爭優(yōu)勢又得到持續(xù)增強而呈現(xiàn)馬太效應。（注2：之后我會專門撰文討論大數(shù)據(jù)時代的公司估值問題）
