决策的科学化，从数据统计开始

一百多年前，基于实效的医疗（EBM，Evidence-Based Medicine），也称为循证医学，极大地改变了医学界。之前的个人经验摸索，师傅带徒弟，独门秘籍，一下子被统计分析所取代。这种起源于流行病学的统计技术，进而迅速应用到经济和经营领域，对政府、机构和工商企业的科学决策，起到了革命性的推动作用。

那么，数据和统计分析究竟有什么价值呢？做出最佳判断的思考方式。统计分析的结果，只是指导你做出最佳决策并坚定行动，但它并不代表决策的结果。叶敦明认为：执行的过程，会出现一些事情，不符合事前的统计分析，这需要随机应变与果断决策。当然，这些“意外”的数据，也会进入下一轮“收集数据、进行分析”环节，从而得出更好或更适用的新答案。

数据统计的基本逻辑：假设和验证，这与商业决策完全一致。大胆假设，考验你的创想力，对一个行业或产业，有没有自己独特的观察与领会，进而差异化的选择。小心求证，则是在可能的选择方案中，找到最可行的那一个。

有选择，才有决策，而选择，也有自己的支撑技术：数理知识和计算机技术。技术的进步，推动了验证的正确率，可假设的创想力与洞察力，却无法用技术来替代。假设，属于商业智能，与一个国家的人才综合素质密不可分。这里面，阅读能力与统计分析，最为重要，它们构成了通才的最坚实根基。

阅读能力，每个人的必备能力，它决定了你的理解、分析和反思水平。职场人士，容易沉浸在自己的天地里，慢慢忽略了大环境的变化，对其他关联学科也关心不多。这就造成了决策的近视症（凭经验和直觉），以及自负症（觉得自己什么都看懂了、看透了）。这么说吧，统计思维，也是当今社会人的必不可少的能力，对于炒股、买房或买车这样的民生大事，以及企业战略制定、政府重大决策，都能派上大用场。

统计分析离不开数据，数据越多，分析的结果越准确。可是，大数据靠积累或购买，时间、管理水平和资金要求高，一般人玩不起。而从现有数据（企业的，社会的，行业的）进行挖掘，也能解决大多数预测或判断的大问题。

第一招，通过数据深度挖掘，展开有意义的假设，找到有价值的信息。用假设之长，克服数据量之短，再用扎实的验证功夫，迅速检验和判断假设的正确性。很多预测未来的大决策，比如战略兼并、海外扩张，或者是高铁大建设。

第二招，在非数据领域开辟战场，比如文本挖掘，利用语素分析，找出当下或未来的关键词，辅助决策的制定。像时装、奢侈品等行业，会从推特（twitter）、脸书（facebook），或者新浪微博、微信等社交媒体，挖掘到核心词汇、关联以及内在的含义，进而预测下一波时尚风潮的走向与表现。

第三招，利用企业内外部的非结构化数据，去形成构造化的表，然后呢，找到表与表之间的联系，进行有效的判断。图、表格、文档，都是非结构化数据，一个企业的营销部门，很多时间里，都在与之打交道，要么从中找到规律性，要么进行结构化再造，便于统计分析。

统计分析时，若是现有的数据不够用，或者无法信服地得出验证，那就需要进行相关的调查，有全面调查与抽样调查这两个方式。要在准确率、成本以及判断依据足够程度上，找到适合一件事情、一个项目、一个重大决策的平衡。一句话，少花钱，办对事。

随机抽样，正是抽样调查中最常用的一种。先找到为了正确的判断所必需的最少数据，控制误差，明确因果关系。有几个注意事项。首先，抽样对象的典型性或代表性要够强；其次，设定一个误差上限，一旦超过，就必须重新抽样；最后，打破人先见为主和惯性思维，避免盲目的、强行的因果联系。

宝洁公司，在推广一个新产品之前，倾向于使用对照测试。此时，提出A和B两个不同的方案，选择两个相近的市场（市场空间、消费人群、竞争格局等），进行比较分析。胜出的方案，再用于下一轮的几个市场的测试，若证明可行，最后才会全面推向市场。小心行得万年船，大公司的竞争优势，有时候在于事前准备工作的精细，以及决策的科学性。

有两个现象，值得我们警醒：临时抓数据，或拼命凑齐数据。数据的现抓先用，产生的误差会很大，不知不觉把你对到错误的方向上。用数据统计指导决策时，必须始终关注误差，坚信不正确的分析不如没有分析（靠直觉或经验）。叶敦明建议：可使用卡方检验，观察值与理论推断值之间的偏差。若为零，表示理论值完全符合，可以用于指导今后的实际决策。偏差值越大，则越不相符，这样的统计数据，小心使用。

拼命凑齐数据，才敢于决策，这又会走入决策死胡同。不求数据大而全，只求数据正确、沟通，最关键的是，要与预期利益相关联。一些公司的IT或市场管理部门，喜欢高大上的软硬件，拿出厚重而博大的数据分析。高层决策者往往觉得两难，投入太大，而又难以利用，为了统计分析而统计分析的做法，不符合务实决策者的商业思维。

说到这，你可能明白了这么一个理：统计分析的结果，要服务于商业实践。那么，如何将统计分析与具体决策或行动联系起来呢？正如《看穿一切数字的统计学》作者西内启所言，你要问自己以下三个问题。

第一，做出何种改变能够增加利益？未来产出的不确定性，需要我们拿起统计分析的武器，提供富有建设性的决策建议，帮助我们更好或更快地实现预期利益。也就是说，统计分析属于投资行为，不是一个简单的技术投入或成本。

第二，是否能够做出这种改变？有些正确而又美好的改变，实在有心无力，强行去做，只会空耗组织的资源和心力。都头来，想跑的没跑起来，该走的却寸步未行。知道理想与现实之间的距离，在不美好的现实中，依然保持激情和勇气，去一步步行出美好，这才是有谋略的、有智慧的勇敢者。

第三，如果能够做出这种改变，那么带来的利益是否大于所消耗的成本？这个账，肯定要算清楚的。统计分析，不为装点门面，不为驳倒对方，只是一笔合算的投入罢了。有点像我们买汽车保险，花一笔小钱，防止自己赔大钱。一些大型企业，在重大决策出台前，都会花钱请人做调查和统计分析，来校正自己决策。

美国的总统大选，也大量使用统计分析来调整竞争策略，甚至改变政治主张。奥巴马的连任，就是拿起了随机抽样、语素分析等新制胜工具，在舆论的把控上一举超越对手，让大多数投票人觉得选他是最正确的决策。

敬请关注叶敦明的2016年培训课程：http://www.360gyp.com/peixun/html/371