|
很多高效组织对于韦尔弗雷多·帕雷托，这位敏锐过人的意大利工程师和经济学家，仍然十分钟情。他的80/20法则继续启发着他们，即80%的结果（销售额、收入等）取决于20%的原因（产品、员工等）。机器学习和人工智能的算法革新改变了分析学，我敢打赌下一代算法将会让在实证方面充满争论的帕雷托范式受到更大关注。组织机构如何利用帕雷托法则让有利的创新举措在数字化驱动下获得常规算法实现不了的发展，对此，人工智能和机器学习将通过三种方式进行重新定义。 智能帕雷托法则 首先，数据在量上和种类上的增加保证了算法智能升级所须的训练。数字网络因此变成了帕雷托平台，能够将影响因素的关键矢量转化为新价值。举例来说，新的工作场所分析法让更多机构更容易识别出对某个产品、流程、客户体验作出80%贡献的那20%员工。数字化过程中的商业流程、平台和客户体验同样也创造性地利用了帕累托原理：平台升级中的哪20%能够带来80%的影响？顾客体验中的哪20%带来了80%的愉悦或不快？认真严谨的高层管理人士希望这些数据相关的问题能够由算法来解决。 超级帕雷托法则 传统的比例分布已经发生了彻底的变化。大数据的生产力小秘密在于帕雷托的80/20分布判断在实证上已经不合时宜。热衷数据分析的公司越来越常见到接近10/90、5/50、2/30以及1/25的帕雷托分布比例。因为数字化处理和定义数据的严格程度不同，还出现了1/50、5/75，甚至，是的，10/150这样的帕雷托比例。帕雷托的“关键少数”变成了“关键更少数”。 极端分布胜出并占据了主导地位。超过50%的烈酒卖给了不到10%的饮酒人。更极端的是，不到0.25%的游戏玩家贡献了过半的游戏相关收入。 准确识别和呵护“超级帕雷托法则”在分析层面上做得还不够。市场和市场发展要求描述性的数据能够引出预测性和规范性的数据。换句话说，这些数据集要能够变成智能算法的训练集。 机构还要找出帕累托倾向——他们要用算法破译出哪些细微调整能带来数量级的商业影响。管理者和数据科学小组必须重新调整，以极端帕雷托存在潜力和可能性为中心开展工作，而不仅仅是更多更好的数据。 举例来说，一家库存单位大于两千、市值几十亿欧元的工业设备公司认为其三分之一的销售额和大约一半的利润来源于不到4%的订单。但是将服务和保养纳入分析之后，则显示超过三分之二的利润是由大约100种商品贡献的。这促使该公司彻底对定价和打包策略进行了重新考量。 细化后的帕雷托分析法，关注产品的特性和特点而不仅仅是产品本身，带来了更有挑战性的见解。这家公司的工程小组和客户团队针对预期特点和功能模式而不是产品本身，以数据为驱动进行了重新设计。换一个分析单元处理会带来更有价值的帕雷托判断。比如说，有针对性地去除一些特性，不仅降低了成本，还能直接大幅提升用户体验，从而在越来越细分的用户市场上占领更多份额。 超超级帕雷托法则 第三，随着数据含有的信息量越来越大，算法处理复杂模式更加智能，帕雷托法则包的管理也发生了变化。现已掌握的、在分析层面和操作层面都适用的帕雷托法则包——是涵盖整个行业的一系列不同的帕雷托判断。对于这些法则包，字母KPI是帕雷托关键信息（key Pareto information）的缩写，而不仅仅代表关键绩效指标（key performance indicator）。如果关键帕累托信息集合板没能促进关键帕雷托信息的数据化驱动，人们对于未来的优化和价值创造机会将一无所知。 尽管流程主管、产品经理和销售团队曾经只专注于优化自身的核心帕雷托法则，现在也开始打探、研究、利用起他人的帕雷托法则。严谨认真的管理者和执行者打破分析的壁垒，一跃而出。他们认识到自己的帕雷托法则与行业里其他的帕雷托法则在分析层面有交叉重叠，在应用层面可以重组再结合。 与其他帕雷托法则相结合逐渐成为反思某个帕雷托法则、为其重新注入活力最有效的办法。随着拥有丰富数据，和算法敏锐度的公司不再独自掌握几十种关键帕雷托信息，而是着眼于行业里成百乃至上千种关键帕雷托信息，全新的帕雷托法则集合将会出现。哪些法则集合能给新的举措带来最多的启发和机会呢？ 我认为网络相关的帕雷托法则因此会成为最活跃、最有效的分析动因。关键帕雷托信息群里哪10%的数据能解释90%的新客户、新增长、新盈利。超超级帕雷托的创造力带来的挑战要求实现数据化驱动下的跨功能合作。高级经理和业内强人愿意创造性的融合他们手中的关键少数。 在一家国际电信公司，各种帕雷托分析法——描述性的、预测性的以及规范性的——都被用于预测、阻止和最大化的减少客户流失。客户流失管理小组工作十分出色，识别并维护住了约几百万有离开风险的客户。但是达到临界点之后，成效便趋于稳定，不再有新的突破。 当这个小组决定把眼界打开之后一切都发生了变化。他们不再围绕用户满意度、用户投诉和用户服务强调帕雷托法则，而是挖掘出若干有助于增加销售额的销售数据集：购买了80%的新业务的那20%客户；办理了75%的新装机业务和数据套餐业务的那25%客户。 对这些帕雷托数据进行分析后，客户流失管理小组开始思考，能否在实际中刺激客户产生更多的消费而不仅仅是保证客户不流失。直接的回归分析和简单的基于代理商的建模技术发现，帕雷托波动因素和帕雷托销售增加因素在某些层面存在着重要联系。 写脚本，对订单进行实验性的测试迅速、简单，成本小。尽管最终的结果并不是革命性的，却远远超出了增量的目的。不仅保有率增加了，小组耗用的时间也减少了，同时还成功地将销售额提升了一到两个百分点。 不过这种帕雷托法则集合还意外地带来了很明显的商业红利。客户流失管理小组的新帕雷托法则被证实有助于提升销售额和营销能力。他们创新的法则集合既降低了流失率，又提升了客户满意度和净推荐值分数（NPS）。每个人都是赢家。 帕雷托法则集合的初步成功让人想到Netflix 算法大赛带来的重要启示：最优结果不是来源于个体性能的提升，而是创建集合将所有最优的特性全部最大化。帕雷托分析法能够找到最有价值的集合，虽然有些讽刺，但确实如此。 这里的经验是，拥有众多模型有助于实现赢得比赛所必须的增量性结果，但是，实践中，仅有几个精选的模型也能建成出色的系统。 将帕雷托分析法严格应用到帕雷托分析法上看起来很理所当然，但没有几个机构能够一直这样做。这一点必须要改变。战略规划和技术路线图需要“帕雷托路径”分析后的信息。更准确预测未来关键少数的能力、数字化组合整个领域关键帕雷托信息的机会，不仅会成为效率提升的源泉，也是颠覆性价值创造产生的源泉。 算法越智能，越需要学习和利用帕雷托法则，拥有算法的机构也是如此。 ___________________________________ 迈克尔·施拉格是麻省理工大学斯隆管理学院数字商业中心的研究员，是《严肃游戏》（哈佛商业评论出版社）、《想让你的客户成为谁？》（哈佛商业评论出版社）、《革新者假说》（麻省理工出版社）等书的作者。 |
|
|
