协同决策--一种分析的新思路

自从2007年开始用Oracle BIEE做网易印象派业务分析以来，搞数据分析算搞了十三年了，曾经我院还管了网易大多数互联网业务的数据分析师团队，音乐、考拉、云课堂等等。

搞分析特别是多个业务的分析多了，就会体会到分析思路最重要。比如一开始做分析没啥章法，看到AARRR这样的分析思路，前前后后就瞬间知道应该往哪使劲，零售的RFM模型也是类似的效果。所以做分析的过程中，除了具体问题，也要不断思考提炼新思路。

今天我想提出一种分析的新思路--协同决策，可能会成为未来比较流行的一种分析套路。协同决策，指的是在分析中利用协同产生群体智慧来持续优化决策。

决策非常重要。诺贝尔奖和图灵奖双料得主Herbert A. Simon是研究决策的泰斗，Simon认为管理就是决策。我是不敢说Simon这句话对还是不对，但我会想起刚入职场参加管理学培训的时候，老师就谆谆教诲到作为下属的应该准备好多套方案，分析各套方案的利弊，让老板好决策。这么看，管理就是决策应该差不多。

决策很重要，但决策很难。经典的决策理论说决策过程有情报、设计、抉择、审查四大活动，然后应该要有一个决策支持系统（DSS）。道理是不错的，问题是几十年了，也没见谁做了个决策支持系统还卖的很好的。从决策理论出发，感觉是做不出一个很好的系统的，这就如同从商业智能的理论出发，也搞不出好系统。这些抽象的理论就是有这个问题，即便是Simon这样的大牛提出的。

我们做了十多年互联网，发现协同很有用。互联网最核心算法的就是个性化推荐。电商、广告、资讯，都是个性化推荐。而个性化推荐里面最基础的算法，就是协同过滤。就是根据大量的用户行为反馈，学习商品或产品之间的关联性，从而做出千人千面的推荐。

个性化推荐的过程，和决策的理论过程很像。个性化推荐一般主要分成召回和排序两个环节。召回环节生成推荐的候选集，排序环节决定最终要推荐的集合及其排序。这就很像是决策理论中的设计和抉择两个活动了。所以个性化推荐，其实是决策理论非常有效的算法实现。

可惜个性化推荐做了这么多年，基本都没用在决策上，都用在提供个性化的服务上了，因为互联网行业非常重视2C，但不太重视管理。

但我觉得可以有意识的把个性化推荐的方法用在决策中，特别是协同过滤的思想，这就是今天提出的协同决策。

现在恰好发展到需要大量应用协同决策的时候。之前不大需要协同决策是因为之前都是少量人（非互联网的管理层、互联网的运营）做低频决策。非互联网每周一决策就很不错了（据说沃尔玛就是因为每周都排计划领先零售行业很多年），互联网运营以前也基本是看日报。

但时代不同了。16年互联网进入下半场了，纯线上的生意机会越来越少，线上线下相结合的机会越来越多。用一个官方时髦的说法是，产业数字化大有可为。现在的场景是，有大量的业务人员需要高频决策。比方说我们有道这样的在线教育业务，大量的助教天天都要看很多数据，快速决策采取很多运营动作；再比如打得火热的社区团购，数十万的团长个个打了鸡血似的发优惠券啊。还有名创优品、瑞幸、茶颜悦色以及好多连锁零售、咖啡、茶，好多好多店长也是天天搞活动，做运营。

未来肯定会有更多这样的业态，需要大量的业务人员高频决策，这就是未来分析技术面临的市场环境主题。

这样的环境，就恰好可以把协同过滤的思想应用到决策中，快速优化决策的效果。很巧的是，另一方面的技术环境--实时数仓技术--也开始成熟，能够提供实时协同决策的技术支持。

以企业最关键的营销为例。营销里面有大量需要试的，不管你信4P还是4C，每个因素都很难拍脑袋就能最优，最好的方法就是试，无非以前条件不足没法经常试，现在有条件可以试了：

•  比方说你可以试哪种话术转化率高。是“优质胶州大白菜新上市，数量有限，马上下单抢购“好呢，还是”扶贫助农，原产地直销，胶州大白菜只卖0.99一斤，马上下单抢购“更好？拍脑袋不行，什么描述性、预测性、规范性，也不行。但是现在我们有这么多门店，可以试啊。少数门店试了之后，快速把结果统计出来，就知道哪种更好。

•  再比方你可以试怎么定价。是5块还是4块5？也一样，在少量门店先试，试了就知道。

公司其实也不需要去组织这个过程，总有业务员会首先去试的，系统只是需要把所有试过的结果都及时学习到，给后续的业务员提供建议。后面的业务员就越来越不需要创意，系统已经可以给他们提供很好的推荐建议了。

协同决策，让全公司所有业务人员的智慧都及时沉淀并为后续的决策提供帮助，未来随着产业互联网的发展，可能会成为一种流行的分析思路。