隨著大數據理論的廣泛應用及AI算法的深入研究，對於數字信息的收集、處理和應用的能力，已經成為了劃分朝陽企業和夕陽企業的唯一標準。這裡說的是“企業”，而非“行業”或者“產業”。因為在產業互聯網時代，任何野蠻人都不再具備跨界顛覆整個產業的能力，轉而謀求合作與賦能。只有對數字信息理解更透徹，更重視的企業，才能在產業互聯網時代找到風口，不管你的產業有多麼“傳統”。
數字化的價值
- 兩件使用價值完全不同的物品孰貴孰賤，很難判斷。於是引入了金錢，即一般等價物，將完全不同的使用價值進行了同等的量化。
- 同理，判斷兩個國家實力的強弱，最重要的考察指標即是GDP，其次還有人類發展指數（HDI）等等。
- 判斷學生學習好壞，考察指標自然是學生的學科成績。
數字化的第一個價值即在於將不同事物引入統一的量化標準，於是人們對不同事物的高低貴賤有了判斷的依據。 就好像三國遊戲中武將的能力各異，但將其抽象量化為武力、智力等指標後，即使關公戰秦瓊，玩家也有了評判孰強孰弱的標準，儘管這個標準有大量的主觀因素。
人類天生就喜歡比較，但比較只是手段，真正的目的是樹立一個優化的榜樣或目標。數字化的第二個價值即在於指明進步的方向。就好像永遠在你媽媽口中的“別人家的孩子”，你媽媽並不是只想告訴你別人家孩子的成績比你強這個事實，而是期望你能在下次考試時能獲得一個優秀的成績，可以讓她也能在親戚朋友面前得意洋洋一番。
數字化的本質是給個性的事物安裝了一個共性的數據接口，只有標準化的數據信息才能更方便的加工、處理及優化，這也是數字化的第三個價值。
數字化的合理性
數字化是對客觀事物的抽象反應。客觀事物是豐富多樣的，幾個簡單的數字化指標並不能反應事物的全部，但指標過多同樣會影響判斷。比如購買電子產品時，普通消費者是無法針對產品參數逐一比較的，專業一些的消費者可能會參考性價比或跑分，大多數消費者可能憑藉口碑傳播。
數字化指標少則不能反映事物的關鍵特徵，多則會影響判斷並失去價值。而現實中，更多的問題是由後者導致。
雷軍七字訣被很多商業人士奉為圭臬，其中一條即為“極致”，極致的前提就是數字化指標不要過多，如果某企業KPI動輒數十上百項，其結果就是沒有任何一項能做到極致。
數字化既要合理的反應現實，又不能太多，那麼數字化體系的制定即是標準或者理論建立者的智慧體現。有價值的數字化體系，要經過合理的“奈奎斯特抽樣”，使得數字化指標對客觀事物的反應，既不失真，又不冗餘。
- 比如2007年，在追逐GDP的背景下，時任的遼寧省委書記推出了通過耗電量、鐵路貨運量和貸款發放量三個指標分析經濟狀況的量化體系，被稱為“克強指數”，該體系得到了眾多國際機構的認可。
- 20世紀60年代，美國營銷學學者傑羅姆·麥卡錫教授提出營銷學4P理論，隨著市場的不斷演進，1990年美國營銷專家勞特朋教授在4P的基礎上提出4C營銷理論，將驅動導向由企業轉移到消費者。
- 在筆者看來，判斷初創企業成功率的三個指標：項目、團隊、資本；判斷團隊管理質量的三個指標：士氣、效率、能力。（這兩個為筆者淺見，另文詳述）
等等……
真正有價值、對現實有指導意義併產生影響的，不是海量實例，而是從實例中經過“奈奎斯特抽樣”抽象出來的數字化理論體系。
模型的建立
明顯的數字信息很容易理解，比如考試成績，通話記錄，購物記錄，GDP等等，這些都很容易記錄。但某人的性格特徵、興趣愛好，資質潛力、或者某團隊價值，能力高低，品牌競爭力等，這些連本人或團隊自身都無法準確評估，又如何產生數字化效果呢？
這就需要建立數學模型，並提供一個合理的算法。
- 比如：克強指數=工業用電量增速×40% + 中長期貸款餘額增速×35% + 鐵路貨運量增速×25%，公式中的三個指標都很容易進行統計，而權重比例是根據三者增速與GDP增速擬合模型的一個簡單的迴歸分析結果，該數值更能體現經濟發展水平，擠掉GDP水分。
- 再如品牌指數模型，包括品牌競爭力模型，品牌成長模型、品牌影響力模型等，共分10個大類，100多個變量。
- 2012年初，淘寶推出了淘寶指數，包括人群指數、價格指數、熱銷指數等10個維度，幫助用戶瞭解淘寶購物趨勢。
一切信息都可以通過建立合理的模型或規則，轉化為數字，從而進行加工處理或指導人們進行比較和優化，關鍵還是看模型是否能夠不失真且不冗餘的反應客觀事物。
數據處理
上文提及：信息數據化的第三個也是最重要的價值是方便計算和處理。
舍恩伯格在《大數據時代》中闡述過兩個觀點：
- 數據量越全面豐富，計算或預測結果就越接近真實值。
- 在大數據時代，相關性比因果性更重要。
但面對海量數據總要有一個美妙的算法模型才能挖掘客觀真相，做出有效預測啊，而且面對各種品類的數據，如何兩兩組合尋找相關性呢？就好像超市的商品成千上萬，如何恰好找到了啤酒和尿布的相關關係呢？總不能所有商品都排列組合一遍吧。
其實這個美妙的算法並不高深莫測，就是現在如日中天的機器學習等AI算法。只需要把用戶行為（如購買的商品）視為一個向量，通過多層深度神經網絡，以海量的數據進行訓練，就可以產生一個無限接近真實情況的模型。至於神經元中的參數，我們不需要知道因果，我們只要知道，導入用戶向量，可以得到分類的結果就可以了。
就好像克強指數的權重為什麼是40%，35%，25%呢？我們不需要知道，這個因果關係的研究留給社會學家或者經濟學家，我們只要知道這個權重比例能夠更有效的擬合GDP增長就可以了。
和學術研究相反，數據處理時少問幾個“為什麼”可能更好。
當然，實際應用中的數據處理和挖掘，遠比上面描述的要複雜，需要經過不斷地建模、優化和擬合的過程。同時，不是每個企業都具備阿里巴巴那樣的EB級的數據處理能力和龐大專業的工程師團隊，但是，至少要具備儲備人才、能力和運用AI提高效率的意識，否則龐大的數據不會成為金礦，反而變成負擔。
數據驅動
產品驅動類型有很多，競品驅動、技術驅動、市場驅動等等，但這些在如火如荼的AI時代都已顯得過時。
在經過數據收集、量化、建模、處理之後，如果只是作為PPT上的報表數據，而沒有得到有效利用去驅動產品，那與買櫝還珠無異，因為沒有用到上文提到的數字化的第二個價值：指明方向。
數據驅動日益成為新的產品驅動模型。從用戶、銷售或業務前臺收集來的信息，或多或少都會摻雜主觀判斷或情緒，但是數據不會，因為數據的處理是建立在客觀模型基礎上的，它可以比用戶更瞭解自己，比銷售更瞭解市場。
看起來有些像數字迷信，但數字理論時代的產品經理必須善於捕捉微小的數字變化，而不能單憑主觀臆斷。寧可迷信數字，也不要迷信自己。
同樣，企業的基礎IT部門也不應再視為產品下游的支撐部門，而更應該將自己定位為數據驅動中心。
回到文章開頭所述，只有有效利用數字信息，合理抽象數字理論，才能在產業互聯網時代迎來朝陽。
文|高見遠，轉載請註明出處。
