預測的必要性和誤差的必然
事物是複雜的,我們對事物的認知是有限的,正因如此,事物在發展過程會發生超越我們預期的偶然事件和隨機事件,我們把這些叫做誤差,這是必然存在的。
隨著我們對事物認知得越清楚,掌握的資訊資料越完善,這個誤差就會越小,偶然事件就會越少。預測不準確是正常的,我們不能因為預測不準確而放棄對事物的預測。掌控未來發展是人類的本能,是人類進化的動力。
大資料給我們帶來了福音。因為資料技術的發展,我們能夠從資料中加工出更多事物發展的規律,積小成多,集腋成裘,資料會逐步豐富我們對現實世界的認知,會逐漸沉澱我們的經驗和知識,並透過教育或者未來生物技術的植入技術,讓知識在人類中傳承下去。
網際網路、物聯網、智慧裝置、移動網際網路,以及資料分析與挖掘技術的聯合作用,讓大資料技術的發展如虎添翼,必然讓其更加廣泛地應用到企業生產和管理過程中,應用到生活的方方面面。現在我們出門選擇出行路線時,會根據地圖應用提供的交通流量資訊選擇最不堵車的路線,這是一個典型的應用——把大資料當作平臺和基礎設施應用的場景。未來會有越來越多的這種場景。
有了這些場景,我們就能夠預測未來可能會碰到的事情。企業之間將不再是價格的競爭,而是根據消費者需求的定製化的模式競爭,未來企業的規模可能會變小。大企業的存在是為了讓更多的人集結在一起做出少數人做不到的事情,大資料所帶來了人工智慧技術,當智慧機器可以完成少數人無法完成的任務時,大企業存在的優勢將不再顯現,而且企業越大,其個性化產品和服務就會越加不靈活。那麼人類的組織方式都有可能發生變化。
通常情況下,有4種預測的方法。
一、經驗法
所謂的經驗法就是根據過去的經驗,知道一件事情怎麼做,然後按照經驗來預測透過做什麼來達到什麼結果。
一個市場總監在A公司做了5年,每年花費多少廣告,帶來多少銷售額,什麼方法打廣告會更有效果,不同的時間段的廣告最能夠觸達客戶,帶來更高的轉化,在工作中他會積累豐富的經驗,從而能夠形成準確的判斷。進入B公司後,B公司內部沒有這樣的經驗,所以他能夠成為預測未來廣告和銷售收入的人。能夠根據經驗判斷,該如何打廣告更加有效。這就是靠經驗判斷事物未來的發展狀況,我們叫憑藉經驗來預測。
量化的經驗預測是一種資料化的方法。單純依靠少數人的預測往往風險比較高,因為每個人的生活經歷都是有限的,見過的事情、經歷過的過程都是少數的,並且看問題的視角也是有侷限的,所以對於重大決策,在沒有其他好的方法可以預測時,需要構建更多人一起利用經驗來預測的方法,這個方法稱作德爾菲法。
德爾菲法的核心思想是:既然每個人都有經驗,在一個行業中經歷越豐富的人經驗越多,但每個人都有侷限,所以如果把相關領域內的多位專家的意見聚集起來,或者在資料上聚集起來,則這個經驗預測就更加準確了。如果專家之間存在巨大的分歧,那麼我們可以校驗分歧產生的原因,並讓專家之間相互對話,或者透過研究人員的傳話來進行校正,確保得到一個相對中肯的結果。
二、類比法
所謂的類比法就是根據A事物的發展歷程,來判斷B這個新事物可能會怎樣發展。
透過類比相似的事物,把我們對已知事物的發展規律應用到未知事物的發展規律上,這種方法就是類比法。例如透過對網際網路發展史的研究,來認知未來大資料技術的發展史,透過類比,就能夠對大資料技術有更加深刻的認知。
標杆研究也是一種類比的方法。可以透過研究標杆企業的做法借鑑其經營和管理決策。如果一個公司採用某種管理模式成功解決了同一類問題,那麼我們也可以採用同樣的方法來解決類似的問題。所以當我們針對某些管理問題找不到解決方案時,最簡單和高效的方法就是尋找標杆企業的做法。
類比法也有其侷限性,主要的侷限來自於類的可比性。類比的本質含義是同類對比,如果不具有可比性,則類比的預測會出現問題。當然,沒有兩個事物是完全相同的,我們還需要在不同的類中尋找共同點,並在這個共同點上找到差異。
三、慣性法
事物的發展都會有慣性,這種慣性規律在經濟學上特別明顯。社會發展的慣性主要是根據人們的行為習慣。人們的行為習慣一旦養成,如果要更改,則需要一定的時期,這個時期我們就成為慣性期。
我們利用事物發展的慣性,對事物未來的發展做出判斷的方法就是慣性預測法。
其中,最典型的就是趨勢分析。炒股的人除了要看基本的股指點數外,還要看趨勢線,並根據趨勢線來判斷什麼地方是拐點等。這就是利用慣性預測法來預測未來是什麼市場行情的方法。例如為了跟蹤股票的變化趨勢,我們有10日均線、20日均線、30日均線和60日均線,根據均線之間的變換,我們來判別短線行情和長線行情,這些都是根據慣性來預測未來發展規律的方法。
四、邏輯關係法
邏輯關係法是預測的終極武器。如果我們知道兩個事物之間的邏輯關係、因果關係,則根據邏輯關係直接得出另外一個事物結果的方法就是邏輯關係法。
如果我們知道兩個資料之間的函式關係,我們就能夠根據一個變數的資料得到另外一個的資料。如果知道Y=f(X),知道了X,我們就能夠算出Y,這就是邏輯關係預測法。
我們最常用的邏輯關係是線性迴歸關係,即做構築Y=aX+b這樣的關係,但在商業經濟環境中,這個公式在某個階段成立,當到達某個階段時,同樣是線性關係,但a和b的值都會發生變化,這個與情景有關係。
-本文節選自-《企業經營資料分析》 作者:趙興峰
來自 “ 明悅資料研究院 ”, 原文作者:趙興峰;原文連結:https://mp.weixin.qq.com/s/fFFQK3v4o-l6Jm6pAZ-ArQ,如有侵權,請聯絡管理員刪除。
相關文章
- 執行前端測試的必要性前端
- 機器學習4-模型的誤差來源以及減少誤差的方法機器學習模型
- SAR運動誤差的補償
- 線上json差異比較工具--遞迴比較兩個json的節點和值的差異,並支援差異數預覽和逐個檢視差異JSON遞迴
- 關於核心體驗和功能堆積不協調的完美誤差
- Origin2024如何繪製誤差棒圖?直觀看出每個資料點的誤差
- 測試中,介面測試的必要性與介面測試的基礎用例設計
- 繪製帶誤差分析的柱狀圖
- led伏安特性實驗誤差分析_測繪小燈泡的伏安特性曲線?
- 少兒程式設計的必要性和如何學程式設計
- UDP和TCP的差異UDPTCP
- 最小變化法/極限法測定感覺閾限時,有哪些誤差?包括時間和空間誤差嗎?|小白心理-312/347考研答疑
- 人工智慧的惡意使用:預測、預防和緩解人工智慧
- AI一小時預測出奧密克戎變體結構,誤差僅半個原子直徑AI
- 灰色預測改進—三角殘差擬合_pythonPython
- CRM系統銷售預測的概念和作用
- 預測性分析的價值、方法和趨勢
- 建立“智慧黨建”平臺的重要性和必要性
- Mxnet速查_CPU和GPU的mnist預測訓練_模型匯出_模型匯入再預測_匯出onnx並預測GPU模型
- Keras速查_CPU和GPU的mnist預測訓練_模型匯出_模型匯入再預測_匯出onnx並預測KerasGPU模型
- Oracle中exists和in的效能差異Oracle
- Akka 和 Storm 的設計差異ORM
- TRIZ在減少人為誤差原理上的應用
- dmesg 時間誤差現象
- 資料庫2018年的驚喜和2019年的預測資料庫
- 軟體測試:SVN與Git的差異Git
- 張馳課堂:六西格瑪黑帶培訓測量系統的誤差分析與判定
- 效能測試的理解誤區
- 5個專注於檢測和預測異常的Java工具分享Java
- 谷歌的時間序列預測的基礎模型TimesFM詳解和對比測試谷歌模型
- 通俗易懂講解ML中的均方誤差 (MSE) - haltakov
- 移動端1px誤差的原因以及解決方案
- Bootstrap和Tailwind CSS之間的差異?bootAICSS
- python中分辨int和float的差別Python
- 聊聊t-io和netty的差異Netty
- 使用PyTorch進行主動遷移學習:讓模型預測自身的錯誤PyTorch遷移學習模型
- 高防伺服器的必要性伺服器
- 高匿ip代理使用的必要性