依靠直覺進行盲目決策，是很多企業(yè)領(lǐng)導(dǎo)者容易跌入的坑。如今，大數(shù)據(jù)為這一風(fēng)險提供了規(guī)避途徑，日益受到企業(yè)青睞。谷歌內(nèi)部正用數(shù)據(jù)進行“即時預(yù)報”，比如根據(jù)6月份的第2周汽車銷售的查詢數(shù)量，預(yù)測出幾周后發(fā)布的6月汽車銷售報告。

亞馬遜申請了一項包裹運輸預(yù)測系統(tǒng)的算法專利，它根據(jù)消費者的網(wǎng)站停留時間、商品瀏覽時間、點擊及停留的鏈接和愿望清單等，來預(yù)測他的購買情況，從而盡可能減少運輸、庫存和供應(yīng)鏈成本。

麻省理工斯隆管理學(xué)院教授安德魯？麥卡菲（Andrew McAfee）甚至建議，人類應(yīng)該盡量減少對經(jīng)驗判斷的依賴，更多地依靠數(shù)據(jù)驅(qū)動型硬性算法的結(jié)果。他認為，大量研究表明，在“混亂、復(fù)雜、真實”的環(huán)境中做出判斷時，基于數(shù)據(jù)的算法比專家更有可能做出正確的預(yù)測。

這股迷信浪潮近年來愈演愈烈，忠實的追隨者前仆后繼，同時也有一群激憤的反對者逐漸出現(xiàn)。

之前，“大數(shù)據(jù)之父”舍恩伯格就曾表示，“如果對大數(shù)據(jù)解讀得過度，實際上就是濫用數(shù)據(jù)”。Thinkers50獎得主、管理學(xué)者馬??？林斯特龍（Martin Lindstrom）也提出：“目前我們面臨的問題是，商業(yè)世界已經(jīng)完全被大數(shù)據(jù)給蒙蔽了?！?/p>

谷歌對流感趨勢的分析就是一個典型事例。

谷歌依據(jù)自己的搜索結(jié)果，推測11%的美國人都患了流感。然而事實證明，龐大的搜索量很大程度上受到社交媒體造勢的影響，谷歌高估了2013年年初的流感趨勢。美國東北大學(xué)的大衛(wèi)？拉澤（David Lazer）領(lǐng)導(dǎo)的研究團隊指出：“谷歌的方法是在5000萬個搜索詞中，找到適合的1152個數(shù)據(jù)點。”而在此過程中，與“流感”相匹配、但實際上與此無關(guān)的搜索詞出現(xiàn)概率“相當(dāng)高”。

學(xué)界將數(shù)據(jù)預(yù)測失敗主要歸納于兩個方面的原因——

1.對歷史數(shù)據(jù)的過度信賴

所有預(yù)測的好壞，都取決于管理者所運用的歷史數(shù)據(jù)。然而現(xiàn)實中，創(chuàng)新性業(yè)務(wù)或新產(chǎn)品是沒有先例可循的。歷史數(shù)據(jù)即使有，也不可靠——手機品牌商雖然擁有手機購買和使用體驗等方面的大量歷史數(shù)據(jù)，但手機的類別已經(jīng)今非昔比。

2.管理者總是怎么方便怎么選

對于一些很重要、但不方便采集的數(shù)據(jù)，人們常常會選擇性忽視。很多專家學(xué)者認為，如果金融機構(gòu)將采集的范圍擴大，也許可以避免2008年金融危機的發(fā)生。

此外，企業(yè)的大數(shù)據(jù)研究，已經(jīng)成為一場軍備競賽。Facebook花了將近4年時間，才建立了一個超過30人的數(shù)據(jù)團隊，而維持該平臺的常規(guī)運行需要超過100名數(shù)據(jù)分析專家，LinkedIn公司建立起自己的大數(shù)據(jù)部門用了整整6年時間。這顯然不是每一個普通公司都可以承擔(dān)的。

這樣看來，數(shù)據(jù)可以很好地預(yù)測一些事情，比如去某地度假是否會下雨、鳥類是否會以預(yù)定的途徑遷徙。然而我們卻很難準確預(yù)測出股價走勢、有多少人會買一款新型汽車、鼓勵健康飲食是否能達到理想的效果。

本書提出了一個新觀點。它認為數(shù)據(jù)本身沒有錯，數(shù)據(jù)預(yù)測的兩極化效果，主要在于簡單系統(tǒng)和復(fù)雜系統(tǒng)的區(qū)別：“簡單系統(tǒng)，是用一個模型就可以把握所有或大部分變化的系統(tǒng)……而復(fù)雜系統(tǒng)內(nèi)部，則有許多以非線性方式相互作用的因素。”

因此，企業(yè)必須將大數(shù)據(jù)拉下神壇，不能依靠它來應(yīng)對不確定性，而應(yīng)該采取靈活而廣泛的戰(zhàn)略——即便有一部分規(guī)劃可能會失敗，而另一部分則有可能成功。管理者需要確定，大數(shù)據(jù)在哪些情況下有效，而在哪些情況存疑，并將精力投身于靈活戰(zhàn)略的建設(shè)中來。