先進的分析技術能夠幫助企業解決許多管理問題，包括那些與營銷、銷售和供應鏈運作有關的問題，由此帶來可持續的競爭優勢。比如，企業可以整合決策并優化整個價值鏈，其方法是對個人客戶的行為和偏好進行建模，并提供定價盡可能接近購物者支付意愿價位的定制產品——同時降低單筆交易的服務成本。

然而，隨著可用數據日漸增多以及高級分析法得到進一步完善，管理者可能會糾結于何時、在哪、在多大程度上將機器納入他們的商業分析，以及在做出數據驅動的決策時應在多大程度上做出自己的判斷。他們需要回答的問題是：何時從以人為中心的傳統方法，轉變為自動化程度更高的分析和決策才算合理？我們如何才能在兩者之間達成適度的平衡？

我們中的一位（法布里齊奧）創辦了一家事務所，幫助客戶利用人工智能（AI）自動化定價和供應鏈決策來提升業績；另一位（達斯）是一名學者，他開發了一門MBA課程，其中納入了側重利用AI增強營銷、銷售和保障職能的實地案例。我們共同著手了解如何最大限度地發揮人類和機器的潛力，以便做出最佳商業決策。

一般來說，人類在直覺和模糊度解算方面能力更強；而機器在演繹、精細度和可擴展性方面則遠勝一籌。你如何才能找到適當的平衡？

有三種常見的分析方法：描述性分析，此法中的決策主要由人類做出；預測性分析，其中機器確定可能的結果，但需要由人類來選擇要遵循的路線；以及規定性分析，這通常意味著由機器進行自主管理。本文描述了何時以及如何使用每種方法，并審視了其中的取舍與局限。（雖然這里的重點是營銷和銷售，但這些原則可以得到更廣泛的應用。）

機器的角色在這些方法中大不相同——從幫助管理者了解業務情況的工具，到支持管理者決策的助手，再到減輕管理者職責的決策者。讓我們對每種方法分別加以探討。

1、描述性分析——匯總觀察結果

在描述性分析中——通常稱為“商業智能”——管理者使用機器來理解歷史數據中的模式。它們實質上是在要求：“請幫我理解發生的事情。”這種幫助通常以儀表盤的形式出現，突出投入和產出的業績變量，使管理者能夠根據歷史上觀察到的事實決定“該轉動哪個旋鈕”以及“轉動幅度該有多大”。

描述性分析指的是理解過去，以告知未來。過去的數據是具體的、清晰的、確定的，這種方法根植于可驗證的客觀事實。我們預計，描述性分析依然會是企業管理者日常經歷的一部分。不過由于人類無法處理巨量的精細數據，他們必須依賴高度匯總的信息。基于這些數據的決策本身通常比較粗糙，它們需要一個重要的步驟，即推算過去的趨勢并將其投射到未來。

此外，描述性分析通常過度依賴內部交易數據，這是成本最低、最容易獲得的數據。與客戶有關的數據（比如，凈推薦值）和市場調查數據等外部數據的獲取成本更高，也更加耗時；很難對其進行實時分析和綜合。因此，描述性分析中最常用的數據類型是內部及行業表現的變量，這些都是歷史上觀察到的事實。出于部分本能，管理者會用自己的經驗或公認的智慧來補充回顧性數據，特別是在使用這種方法進行診斷時。因此，描述性分析法嚴重依賴具體決策者的直覺以及他們克服偏見的能力，比如，不挑選可以驗證既存觀點的數據。

簡而言之，描述性分析法通常缺乏外部視角，并局限于高層次的匯總。擁有商業智能工具的管理者依靠過去經驗和高水平的模式識別將過去投射到未來，通常憑借的是他們的直覺。這可能導致重復長期可靠的方法來解決問題，而不是尋找創新性的新途徑。盡管這種方法涉及主觀性問題，但它仍然得到了廣泛使用，因為它的開發和實踐相對簡單且成本低廉。而且它依賴于人類的理解，正好使其位于大多數在模擬世界中成長的管理者的舒適區。

2、預測性分析——對未來的有限看法

在預測性分析中，機器根據輸入變量的不同組合，確定特定情況下可能產生的某種或幾種結果，讓管理者能夠獲得深刻見解，以選擇預期結果最符合其目標的行動方案。預測性分析法可用于預測贏利和損失，計算價格彈性，預測營銷行動對特定客戶的影響，并動態地將客戶劃歸細分市場。這些預測讓管理者能夠在交易和策略層面深入研究并做出決策，這與描述性分析中通常的高層次決策截然不同。

預測性分析法在結構上有局限。人們幾乎不可能明確預測未來的需求（更不用說未來本身）。此外，就連預測單個輸入變量也可能非常復雜：比如，天氣、競爭和供應商業績可能需要其各自的預測模型。這些模型不僅難以建立，而且會帶來問題，因為輸入和輸出通常相輔相成，從而迫使管理者同時預測輸入和輸出變量。

能夠建模的輸入變量的數量以及可以實現的精細水平存在局限。盡管多種因素通常會影響到購買決策，但回歸、聚類和時間序列預測等常見的預測技術，通常只考慮一小部分的變量。這是因為要讓一個模型有效，其變量必須互不依賴——但增加更多的輸入變量會產生復雜的相互依賴關系，使模型不適合用于統計。此外，為了進行更精細的預測，企業必須收集更細化的數據。比如，為了預測某一特定產品的銷售額，企業必須收集庫存單位級別的數據，而不是品類級別的數據。

預測性分析的另一個問題是數據科學家和業務科學家之間在目標上的差距迅速增大。數據科學家專注于提高統計的嚴謹性，而業務科學家則專注于優化分析技術，以提升業務成果。對于數據科學家來說，預測性分析的目標可能是提高其模型的準確性，而對于業務科學家來說，目標是業務影響。業務科學家專注于通過解釋正誤判（當預測為正但結果為負）或負誤判（當預測為負面結果，公司決定不采取任何行動，但如果它追求這個機會，原本會取得正面結果）的經濟影響，來最大程度實現預測性分析的好處。比如，在盈利/損失的預測分析工作中，正誤判通常會造成銷售和營銷工作的浪費，而負誤判通常會造成機會的浪費或業務的損失。只注重提高準確性可能會導致一個模型減少正誤判（一個好的結果），但還是存在很高程度的負誤判，這會導致機會的浪費和整體表現欠佳。

簡言之，預測性分析可能會造成問題。僅僅依靠機器可能會導致業務決策欠佳和盈利潛力的損失。當然，除描述性數據外，管理者還可以進行人工診斷和預測分析，以提高決策的質量。不過，這種特別的努力很容易產生在描述性分析中觀察到的同樣偏差。

3、規定性分析——精細的指導

在規定性分析中，機器根據管理者確定的目標做出決策，為此要使用大量的數據來快速分析市場條件，并通過設計和開展大量低成本實驗和假設情景來學習。雖然許多實驗最初可能欠佳，甚至是完全錯誤的，但機器可以迅速學習，快速、低成本地接近最佳結果目標。然后，它們會告訴管理者需要做什么，將重點從輸入（比如，確保決策變量的準確性）轉向輸出（比如，優化決策的商業影響），同時明確地對風險和經濟成本進行建模。

最佳的規定性決策通常取決于市場預測（它會推動預期收入）和不確定性（它會推動預期成本）。在預測性分析中，重點是在預測預計銷售的單位數量上，而忽視了需求不確定性的誤差水平。規定性分析法將這種不確定性考慮在內，以做出優化利潤的決策，并隨著新信息的出現不斷調整。比如，貨架上庫存量少、物流成本相對較低的零售商可能會以積極的庫存補充策略來應對需求上升的可能性。然而，同一個零售商在面對高物流成本和市場不確定性時，可能會發現更保守的補貨策略才是最佳策略，可以實現利潤最大化。

與描述性或預測性模型相比，精心設計的規定性模型可以提供更多的財務回報和更好的企業績效。然而，要建立這些模型可能會付出高昂的成本且非常復雜：它們需要專門的軟件和硬件解決方案以及專業人員的知識，才能將管理策略轉化為數學的、適合機器的優化目標和業務規則。

人在這一切中的作用——確定業務規則和目標——極其重要。預測性分析依賴的是將業務目標、規則和制約條件轉化為向規定性機器發出明確指令的能力。這反過來又使規定性模型能夠動態地面向管理層指定的方向校準自己的建議，同時保證最佳結果，并系統性地滿足所有規則和制約條件。

從描述性分析轉向更先進、成本更高昂的方法需要進行成本/效益評估。成本與收集和分析數據所需的基礎設施、專業知識和領導力有關，而效益則取決于通過更細化、更具相關性的決策來獲取額外利潤的機會。

因此，在特定情形下該使用哪種方法取決于兩個因素：可用數據的相關性和商業案例的強度。成功實現人和機器間的平衡，可以最大限度發揮各自的作用。

數據：當可用數據有限且存在高度不確定性時，描述性分析是為管理者提供方向性指導的最可行的選擇。隨著決策頻率的增加、可獲得的精細數據越來越多，以及數據與問題的相關性提升，更具自主性的規定性分析法通常表現最好。在中間情況下，如果僅有有限的相關數據可以獲得，預測性分析法則是首選。

商業案例：利潤提高的潛力來自數據驅動的見解有望解決的低效率數量。可是，效率低下并不是每個商業問題的特征。當成為一個問題時，它可能只能通過不易獲得的數據來解決。因此，并非所有問題都可以用先進的方法來處理。

比如，機器可能難以應對涉及長期戰略制定和創新的問題，對于這種情況，問題的最初定義實際上比準確答案的表述更為重要。不過，當論及價格、庫存或營銷投資的優化時，分析為企業提供了大量機會，因為準確的答案會更好地滿足客戶的需求。對于時間跨度長的業務問題，如規劃；或精細化的高水平營銷內在噪音問題，如客戶關系管理（CRM）的區隔營銷；或極端優化的低邊際效益問題，如運營維護，預測方法往往最有效。

在成本/效益分析中，描述性分析是一種“低付出/低收益”的方法。在可獲得的數據有限且結果存在高度不確定的情況下，這種方法最有意義。雖然每個決策的絕對經濟影響可能很高，但由此帶來的價值改進并不能證明需要進行投資來結合機器輸入以提高預測和決策的質量。在另一個極端，當有大量的數據可供使用，并且有機會以高度的確定性在每個單一的預測中提高經濟影響時，規定性分析最具意義，其高投資回報率可以證明其相對較高的復雜性和成本不無道理。通常在這些情況下，單個決策的絕對經濟影響并不大，但所做決策的數量、每個決策的潛在好處，以及結果的確定性會在時間推移的過程中越來越高，綜合而言讓人值得對規定性分析進行投資。預測性分析則是中間區域的最合適之選。

涉及分析方法的選擇時，當務之急是要重新思考管理者的角色：從擁有所有答案的人轉變為提出正確問題的人。擬定問題（然后可以交給機器去解決）無疑仍然屬于人類的能力，但管理者可以明智地將某些控制權讓給機器。在選擇最佳方法時，主要的考慮因素明確清晰：數據的相關性和可用性，以及因投資于更復雜的分析方法而有望改善業務影響的可能性。

人類和機器擅長不同的任務：人類擅長處理有限的數據并在不熟悉的情景中運用直覺，而機器擅長在時間和/或空間上以及在充斥著豐富數據的環境中反復做出決定，無論是多么細致和稀少的決定。如果提供的數據太少，在高度模糊的情況下，或者在存在相互沖突的目標，而這些目標限制了可從數據中推斷出結論的情況下，機器很難產生相關結果。可是，對于那些擁有豐富相關數據、其解決方案可以顯著提高企業績效的問題，管理者應該購買或建造合適的機器，并為它們設定合適的目標，以讓它們完成善于完成的事情。

法布里齊奧·凡蒂尼（Fabrizio Fantini）達斯·納拉揚達斯（Das Narayandas）| 文

法布里齊奧·凡蒂尼是Evo Pricing公司的創始人及CEO，這家公司提供人工智能解決方案，以實現定價決策與供應鏈決策的自動化，并對其優化。達斯·納拉揚達斯是哈佛商學院工商管理學埃德塞爾·布賴恩特·福特教授（Edsel Bryant Ford Professor）。

永年 | 譯 孫燕 | 校 李全偉 | 編輯

本文來自微信公眾號“哈佛商業評論”（ID：hbrchinese），作者：HBR-China，36氪經授權發布。