Decision-Driven Analytics

Bart De Langhe & Stefano Puntoni · Wharton School Press · 2024

• 1
  数据驱动≠好决策，”先有数据再找答案”是最常见的陷阱。大多数组织把数据分析当出发点，把手头有什么数据当成分析边界。但决策驱动分析（Decision-Driven Analytics）要求倒过来：先明确要做哪个决定，再问需要什么数据，而不是看数据能告诉我什么。
• 2
  预测”谁会流失”和”干预谁才有效”是两个完全不同的问题。HP Instant Ink的例子说明：流失率最高的客户不等于对优惠最敏感的客户。把两者混为一谈，只会把预算浪费在本来铁定走的人身上，或者本来就铁定留下的人身上。真正有价值的分析是因果推断——谁会被这个干预改变决策。
• 3
  精确的数字会制造虚假的安全感。品牌估值公司给Twitter品牌估出$3.9亿到$200亿的区间——差距高达5倍，但每家公司都用精确到百万的数字呈现结果。决策者对精确数字天然有信任倾向，而真正的商业知识是拥抱不确定性，而不是把不确定性精确化地掩盖掉。
• 4
  NPS等流行指标往往是”随大流”而非”因地制宜”的选择。大量企业采用净推荐值不是因为它对自己最有效，而是因为”别人都在用”。一个行业里所有公司盯着同一个指标，既看不出差距，也找不到杠杆点。数据选择应该从要做的决策出发，而不是从行业风向出发。
• 5
  AI时代人类智识的核心价值不是给答案，而是提出正确的问题。毕加索说”计算机毫无用处，它只能给你答案”——这话在AI时代比任何时候都更准确。机器越来越擅长回答问题，人类的不可替代之处在于判断哪些问题值得问，以及在商业道德和因果判断层面做出取舍。