从亚马逊官网的介绍来看，《Decision Driven Analytics》一书的主旨深得我心。
过去四年的数据分析工作经历，让我对这一职业领域产生了深刻的反思。尽管面临的问题外表多样，但解决方案却往往单一且重复，加之组织架构的繁琐低效，导致多数努力未能显现成效。若非人工智能技术的飞跃性进展，以及我将重点转向决策制定的探索与研究，我对未来的职业路径或许会感到更加迷茫。
超越我所在组织的局限，数据分析的基本原理和思维方式，实则能助力企业乃至个人应对各类决策挑战。AI技术降低了代码工具的使用门槛，而这些工具与办公软件的融合，正逐步赋予普通用户前所未有的强大分析能力。
因此，在当前时间节点，出版一本务实地聚焦决策与分析的书籍，无疑将惠及广泛读者。
我在看书之前是很赞同《Decision Driven Analytics》的理念：成功的数据分析并不纯粹依赖技术堆砌或海量数据，其核心在于将决策融入分析之中，智慧与科技并重。不过，此书更像是对教学概念和思路的梳理，内容略显浅尝辄止。
例如，在讨论如何有效提问时，作者虽以客户流失为例，指出基于数据预测并采取措施的普遍做法，但仅触及“客户流失概率”这一层面，而对于“赠送礼物如何影响流失概率”这类需额外数据收集与分析的问题探讨不足。实际上，多数企业已建立起分析后复盘机制，预测绝非终点。
另一案例涉及Twitter为品牌提供的数据产品，旨在证明其平台价值。书中指出，简单比较接触品牌内容与未接触内容的消费者如同比较苹果与橘子，忽略了两者间本就存在的诸多差异，以及因果关系的复杂性。这种对于相关性与因果性的区分，也已是业务人员常识，无需赘述。
学院派的文章，如《哈佛商业评论》(HBR)和麻省理工斯隆管理评论(MIT Sloan)，通常避免效仿自媒体制造焦虑的倾向，也不会空洞地宣称“未来已至”。它们擅长提供引人入胜、值得铭记的案例分析，而这恰恰是本书有所欠缺之处。事实上，我最近观看的一部关于冷战的Netflix纪录片，其中关于决策与数据利用的案例，留给了我更为深刻的印象。
该纪录片中的两个场景尤其令人难忘。第一个案例讲述了苏联为预测美国是否可能率先发动核打击，部署了大量间谍以窥探对方决策内幕。直接渗透诸如国防部或中央情报局(CIA)等核心部门风险极高，故苏联另辟蹊径，派遣间谍监视主要城市的医院，留意是否出现大规模储存血液和医疗物资的情况，以此间接推断美国的真实意图。
第二个案例发生在1983年冷战紧张局势的高峰时期。苏联雷达防御军官Petrov在值勤时，雷达系统突然报警，显示美国在短时间内连续发射了五枚核导弹。按既定程序，他应立即向上级乃至国家领导层汇报。然而，这一举动极可能导致苏联启动核报复，因为在等待前线雷达确认的宝贵时间内，苏联将处于被动挨打的不利地位。
Petrov灵机一动：若美国真欲发起全面攻击，为何只发射区区五枚导弹，而非倾尽数千枚核武之力彻底摧毁苏联？片刻权衡后，他决定不报告这一警报，坚信这是系统的误报。历史证实了他的判断，苏联新建成的导弹预警系统确实存在技术故障，Petrov因此被誉为“拯救世界的人”。
显然，若要阐述如何在决策中恰当地利用数据，这两个案例提供了生动且富有启发性的叙事。这种级别的案例，是我在《Decision Driven Analytics》书中觉得尤为缺失的。
回到（不关生死的）商业场景下，若由我执笔决策和数据主题，我将构建“无数据/少量数据”、“适量数据”及“海量数据”三种场景的解决方案框架。
以产品销量预测为例，在缺乏历史数据的新产品发布前（如2007年首代iPhone），可能的解决方法包括（1）外部市场调查和通过消费者访谈获得目标消费者群体的倾向数据，（2）参考其他智能手机的销售初期表现做推测，（3）各种宏观指标，比如消费者的可支配收入，以及对手机的花费等做推算。
在这个场景下，AI的作用是可以帮助你理清思维，特别是销量和其他各个因素的逻辑关系。你可以让AI帮助你建立基本的算式，明确你所需要做的假设（也就是日常工作中的拍脑袋），共同推演出你最后的预估。
值得一提是，在这个场景中也会有不少创新解法。我在一个视频里曾经提到了我向Kaggle CEO Goldbloom提出的这个问题，而他给到的答案也很有启发意义，那就是去做一个预售网页（类似于京东和小米所做的，让用户点击下表示要参与抢购）。这个点击参与量，和初期的成交量是有很强的映射关系。
至于预测成熟产品（如2024年的第16代iPhone）销量，则属于数据丰富的场景毫无疑问我们会先去看过去所有iphone的历史销售数据和趋势，再考虑到用户的升级周期等等，使用各种机器学习方法来对做足够精准的预测。
在这个场景中，AI能帮助你写出复杂高效的代码，你基本只需要告诉它：我有什么数据，我要解决什么问题，它就能提供详细的python代码（并且可以给你解释每一行是做什么）。你可以和它一起解决各种奇怪的报错，一起探讨如何检验模型和如何让模型更精准。
《Decision Driven Analytics》书中列出的一个简单的图示，倒和我这个思路比较接近：复杂的数据分析方法使用，很大程度取决于你的数据是否丰富，以及整个分析过程是否能带来你想要的结论。
希望我下一本买的书，能够在这个论证过程中做地更好。
