為做好種種商業預測，越來越多企業現在求助于計算機算法——這種技術能以驚人速度完成超大規模分析過程。
算法能讓預測更準確，但也會帶來風險，尤其是在我們不理解這些算法的情況下。一個例子是社交媒體。很多社交網站通過算法決定推送哪些廣告和鏈接，如果設計算法時過于側重點擊量，“騙點擊”的內容就會充斥網站。雖然點擊量上升了，但整體用戶滿意度可能直線下降。
這類問題可以避免。問題根源通常并非算法本身有漏洞，而是使用不當。為避免犯錯，管理者須首先了解算法的功能和局限：它能解決哪些問題，不能解決哪些問題。
為何“聰明”算法反誤事？
越來越多證據顯示，將算法“人格化”更易讓人們接受。例如在自動答復系統中，真實人聲要比模擬人聲的傳達效果好。然而根本問題在于，人們通常像對待人類同事一樣對待算法和計算機，可算法和人類有兩大不同：
算法極其“單純”。在最新的《復仇者聯盟》（Avengers）電影中，鋼鐵俠托尼·斯塔克（Tony Stark）設計了人工智能防御系統奧創（Ultron）。奧創的任務是保衛地球，但它完全按字面意思解讀任務要求，認為拯救地球的最佳方法就是毀滅人類。在很多方面，奧創就像典型的算法，完全按命令行事，不顧及其他問題。如果使用算法時不夠謹慎，我們就會遇上麻煩。
社交網站如果突然充斥騙點擊內容，就可能是落入了類似陷阱。這些網站目標明確，即提供對用戶最有吸引力的內容。在設計算法時，網站管理者將這個目標替換為：找到用戶最愿意點擊的內容。這個指令邏輯上并不算錯，因為人們顯然會點擊感興趣的內容。但由于只根據潛在點擊量篩選內容，網站迅速充滿無聊和帶攻擊性的內容，導致聲譽受損。人們會理解網站管理者希望“最大化優質內容點擊量”，而非“即便損害質量也要最大化點擊量”；相反，算法則只按字面意思執行指令。
算法是個黑箱。在莎士比亞作品《愷撒大帝》（Julius Caesar）中，一名預言者警告愷撒：“當心3月15日”。這句話意思明確：愷撒最好有所防范。但同時又讓人完全無法理解：當心什么？為什么？愷撒對這個信息非常困惑，于是把預言者打發走，宣稱：“他是個夢囈者，我們走吧。”最終，3月15日確實是愷撒大帝倒霉的日子，他在這天被刺。問題是預言者提供的是不完整信息，而且沒法猜到缺失的是什么，也不知道這條信息有多重要。
和莎翁筆下的預言者一樣，算法有時能非常準確地預見未來，但不會告訴你事件背后的原因。算法可以通讀《紐約時報》文章，告訴你哪篇在Twitter上會火，但解釋不了人們為什么要轉發；算法可以告訴你哪位員工最可能成功，但不能告訴你哪種特質對成功最重要。
為更好地管理算法，認識到上述兩項局限是第一步。現在我們再看看還需要做什么。
明確所有目標
每個人都有自己的目標和計劃，但很少有人會不擇手段。為了某些未明言的軟性目標，我們會做出權衡取舍：例如為了明天的聲譽放棄一部分今天的利益，或為實現組織內部平等付出短期代價。但算法只會一門心思追求給定目標。因此在設計算法時，你必須明確想要達到的所有目標。
如果你在意某個軟性目標，就要明確指出、清晰定義，并設定其在總體目標中的權重。由于軟性目標較難衡量，實施算法所得結論時要特別留意。
我們最近對軟性目標的重要性有了切身體會。本文作者之一與美國西海岸某市政府合作，幫助其提升餐飲業督查效率。幾十年來，該市的做法基本是隨機抽查，并重點關照有違規經營記錄的單位。不過，選擇督查哪些餐館，很適合交給算法決定。除違規歷史外，我們的算法發現了很多相關變量，幫助政府衛生部門更易發現違規餐館，提高督查效率。
政府對此非常感興趣，希望采用算法。我們問對方有何問題或顧慮，一陣尷尬的沉默后，有人舉手。“我不知道該怎么說，”她說，“但有個問題應該討論一下。”她告訴我們，在有些人口密集的社區，違規經營更常見。這些社區低收入少數族裔比例較高，她不希望算法篩選出的餐館集中于這些社區。這涉及公平，即屬于軟性問題。我們的解決方法很簡單：設置各區域督查餐館數量上限。這樣做既能實現硬性目標，即找到最有可能違規的餐館，又照顧了軟性目標，即保證較落后區域得到公平對待。
為找到軟性目標，我們特別注意給每個人機會說出任何顧慮。我們發現，人們經常通過表達擔憂來提出軟性目標，所以明確征求意見能促進開放和高質量的討論。讓人們坦率表達觀點，把平時私下說的話擺在桌面上，這點很關鍵。這讓很多問題浮出水面，不過我們遇到最多的還是公平問題，以及敏感局面處理問題。
明確核心目標和其他考量后，設計者可以讓算法做出權衡取舍。為此，設計者通常須列出多項目標，并按重要性排序。
盡量避免短視
一家受歡迎的快消品公司從中國低價采購，然而銷往美國。該公司運用算法預測哪些產品最好賣，銷量迅速提升。但良好勢頭只維持了幾個月，消費者開始要求退貨。
盡管算法未能成功預測消費者的反應，但驚人的高退貨率本可以預見到。公司當然關注質量，但在設計算法時，沒有明確將質量設為影響消費者滿意度的重要因素，而過于關注銷量。調整后的新算法既能準確預測產品銷售情況，同時也能預測產品的受歡迎程度和可持續度。公司現在推出的產品在亞馬遜等平臺上獲得極高評價，退貨率大幅下降。
這家公司最初設計算法時落入了常見陷阱：算法關注當下掌握的數據，而這些數據通常與短期結果相關，這造成算法本身有短視傾向。在短期利益和長期成功及企業整體目標間可能存在張力，這對于人類不言自明，對算法則不然，除非你明確告訴它。
解決這個問題的方法是，在設置目標時明確定義長期目標。而在按照算法的預測采取行動時，管理者也要考慮算法的建議是否符合長期目標。
過于關注點擊量而導致內容質量低劣的網站，其采用的算法也有短視問題。算法根據當下目標（讓用戶點擊鏈接）推薦內容，卻未能考慮更重要的長期目標，即用戶滿意度和黏性。
選用合適數據源
要選擇合適的數據源，應注意以下兩點：
數據應盡可能全面。企業常有的誤解，是把大數據看作“大量的數據”，例如從1萬名客戶擴展到100萬名。但這樣只理解對了一半。設想你把數據做成表格，每行對應一名客戶，那么客戶人數即為圖表長度；而你掌握的每名客戶的情況，即每行中的數據，決定了圖表寬度。雖然數據總量能夠提升預測準確度，但數據寬度才能讓大數據發揮全部威力。做預測最關鍵的就是信息的全面性。事件的每個新細節都是一條線索，能夠補充已掌握的情報。文字記錄就是典型的“寬”數據，每個字都可以成為線索。
數據多元性很重要。從上文可以推出，數據應盡可能多元，即各個數據源相關度低。這能讓算法的預測能力再上臺階。可以把每組數據看作一個朋友的推薦：如果朋友口味太相似，那么多幾個朋友推薦也不太有價值；反之，如果每個朋友視角不同，帶來的價值就大得多。
了解算法的局限
算法就是利用已有數據在稍有差異的情境中做預測，這些差異可能包括人員、時間等，對象事件也可能不同。本質上，你在尋求把某項結論移植到另一個情境中。因此聰明的做法是，列出算法可能在新情境中失效的原因，并評估這些潛在原因。例如，某個算法根據外部網站評論和違規歷史，預測波士頓哪些餐館可能違反衛生法規。而換到佛羅里達州的奧蘭多，該算法效果可能就沒那么好，因為那里天氣更熱，食品安全問題與波士頓有差別。
同樣要記住，相關性不等于因果性。假設某個算法預測，較短的Twitter發言比較長發言轉發率高。這絕不是說你應該縮短Twitter發言：這只是一項預測，而非建議。這項預測成立，是因為較短的Twitter發言更可能具備很多其他特征，使之更易被轉發，而僅僅縮短你的發言，并不必然滿足那些條件，所以不一定能得到更多轉發。
eBay曾多年通過谷歌打廣告，發現看到廣告的人比沒看到的人更可能消費。但eBay忽略的是，這些展示次數達數百萬的廣告，并不必然是人們訪問其網站的原因。畢竟，這些廣告針對的本來就是eBay用戶。為區分相關性和因果性，eBay進行大規模試驗，隨機選擇廣告展示對象，結果證明大多數情況下廣告不起作用，因為看到廣告的人已經知道eBay，無論如何都會在上面消費。
算法有很強預測能力。但在做因果推論時，你必須多加留意，因為算法不能取代對照試驗。不過在有些方面，算法能取得驚人成功：發現人類觀察不到的細微規律，并利用這些規律形成準確洞察，助力決策。留給我們的課題是：了解算法的風險和局限，并通過高效管理，釋放它的巨大潛力。
深圳網站建設-本文轉載自網絡，版權歸原作者所有！
文章轉載請保留網址：http://waterplane.cn/news/industry/2089.html
