大数据时代，让我们通过数据来找机会，而不仅是解决问题！读《决战大数据》

　　

我们通常都认为，经验应该是越多越好。一个有经验的人总是更能够在很多事情上做出正确的判断，因为积累使然。但事实上，我们发现，有时候经验越多，似乎越容易让人犯一些低级错误。这就好像，你会发觉往往天天研究彩票和股票的人总是发不了大财，而往往是一个菜鸟莫名其妙地就中了大奖和买了一只牛股。

　　

为什么经验有时会使人犯低级错误呢？在这里，我们应该将其分成两种情况来看待：一种是信息不对称；另一种则是逻辑错误。

　　

当我们讨论信息的不对称时，首先要讲的就是经验。经验是对过去的度量，但不是所有经验信息的质量都很好。在经验的数据库里，肯定有一些信息是正确的，有一些是错误的。当经验中混有很多噪音干扰时，我们会跟随错误的经验做出判断，此时，我们就会发现自己变笨了。

　　

比如，在使用没有评估过的经验时，你用 A方案获得了成功，用 B方案却失败了，而且在评估的过程中也不是单纯的 0或1，而是用 0~1的范围来度量的。说到这个，就要提到数据分析师了。一般而言，数据分析师对于信息是很有洁癖的，也就是在对于经验的累积上，他们对质量把控得十分严格，如对于数据信息的排序、分析可靠的信息源进行多次使用、了解信息的出处和知道信息的提供者等。根据这些，数据分析师在它们的辅助下做出了决定。这意味着，你所有的信息来源都需要有正确的途径和渠道，不然，这个决策也会出现偏差。

　　

除此之外，还有一个因素导致经验使人变笨，那就是在分析时忽略了趋势，这个道理可以用赛马的故事来举证。

　　

在香港，你经常会发现拿着一大堆材料的人会分析马匹的数据。比如，有人会根据一匹马进行 1 200米跑的时间，来计算它未来可能跑完全程所需要的时间。但我们发现，还是有很多人因算错导致赌马失败。为什么呢？因为历史数据和我们今天面对的情况中出现了一些假象。香港大多数赌马的人，他们最终收集到的数据都是受到影响的，而不是经过清洗的，当然是不准确的。每一个赌马的人都在看过去的数据——马会会给每一个赌马者提供前三场赛马的数据，大家只会关注这个结果，而不会去关注赛马当天发生了什么。如果是我，则会去回看录像，就可能发现其他的情况。比如，如果这匹马本来想发力，但前面有马匹挡住了它，它才被扣除了两秒钟；或者骑师扬鞭，鞭子掉了，扣除 5秒钟；再或者有些马发脾气偏离跑道，也要扣除秒数。当排除所有意外算出的时间，就是干净的、没有影响因素的真正经验了。这时候，我们得到的第 1~3名的数据和最终比赛结束公布出来的第 1~3名的数据就会不一样。

　　

除此之外，还要观察有关赛马成长的趋势问题。事实上，在每一场赛马里都会出现很多意外，如果这些意外都不出现，也会直接导致结果的不同。因为每匹马幼年和成年的状态是完全不同的，因此它的数据价值评估也是不一样的。一匹马 3～4岁等同于我们人类 18～25岁，体能上会出现非常大的变化；又或者，年幼的马匹对于骑士的体重非常敏感，多 1～2磅就会有非常大的影响，但长到 5岁后，负重对其的影响则会慢慢降低，这就是硬趋势。即便有很多过往经验的数据都不能很好地匹配今天你要做的事情时，意味着经验需要将数据进行清洗——把当天的影响因素都找出来，并还原，这时候得到的数据才是正确的经验。

结论就是，经验使人变笨的原因在于你之前的经验本身就存在误差，即数据源本身就存在问题，而这种误差一般人看不出来。因此，在过去的经验积累本身就有问题的情况下，根据经验得出的结论自然会使人犯低级错误。

　　

你永远不要假定这个世界是真空的，所以你还需要多多观察频繁出现的新数据。当有新的数据出现时，以往的经验就需要重新做评估了。