伦顿商学院教授：让决策快速而节俭

　　试想下面的情景：病人因严重的胸痛被送到医院。医生怀疑他是急性缺血性心脏疾病，需要迅速做出决定：是把病人安排到冠心病监护病房，还是把他安排到常规护理病房以监测病人的情况？

　　医生会怎样去做这种决策？那些没有受过多年正规医疗培训的医生（甚至有许多接受过这种教育的医生也如此）的回答很可能是：“在这种情况下，一个好医生会尽量多搜集病人的信息，并结合当前急诊的背景进行权衡，考虑所有可能的选择，然后做出最好的决定。”

　　然而，这种通常出现在有关决策的教科书上的回答，在现实中却往往是错误的。在分秒必争的情况下，尽可能多地搜集信息可能非常费时；而且考虑所有可能的选择，会使医生被一些牵强且不切实际的选择所累，而这些选择很可能对病人的康复毫无帮助。

　　同样的道理也适用于商界。很多情况下，决策并不来自条分缕析的复杂过程，而来自一种启发式的思考模式。虽然你在做商业决策时可能很少想到“启发式”这个词，但事实上大多数决定都用到了启发式的方法。

　　并不必要的复杂？

　　“启发式”来自希腊语的“heuriskein”一词，该词有“发现”之意。启发式是经验规则，帮助我们找到解决问题的办法。在制定决策的时候，启发式可以帮助我们在时间有限、知识水平有限的情况下做出决定。

　　经理人往往坚持让手下的管理团队对未来做出复杂的预测。但是，“复杂”的预测真的就更好吗？我和其他一些人探讨了一个问题：在预测科学方面，“复杂”的优化方法相较于启发式的预测方法，到底有多少优势？结果令我们非常吃惊。我们阅读了许多有关预测技术的研究，例如在今年每日气温的基础上预测明年的每日气温、追踪罪犯下一个可能袭击的地方、预测温网或世界杯比赛的结果、预测现有客户是否会在一个给定的时间内再次购买某种商品等等，结果发现，更复杂的预测策略对很多日常问题的预测没有明显优势。换句话说，我们吃惊地发现，在许多情况下，对所有可用数据进行搜集和分析来帮助你进行决策很可能是多此一举。

　　用“启发式”预测最佳客户举一个商业中的例子。许多企业都有预测“未来最佳客户”这个重要任务。2008年，马克斯·乌本（MarkusWübben）和佛罗莱恩·汪恩海姆（FlorianWangenheim）这两位研究者用历史数据测试了两种主要的预测途径：（1）预测哪些客户是不活跃的，也就是说，他们不会再次购买商品；（2）预测哪些客户将会是未来的“最佳客户”，也就是购买最多的客户。研究者采用了航空业、服装业和在线音乐行业的客户数据进行测试。例如，服装业的数据包含某个零售商的2330个客户超过80周的最初购买和重复购买信息。

　　这两位作者对启发式的预测方法和复杂的预测方法进行了对比。首先，他们考虑了一个相对简单的“间断启发式”：如果一个客户在过去数月内没有购买商品（间断），这个客户就被归入“不活跃客户”之列；另一些客户则被认为是活跃的，他们可能会是回头客。在预测最佳客户这个问题上，他们也采用了一个简单的持续启发式：仅仅预测过去购物最多的X%的最佳客户将会是未来购物最多的X%的最佳客户。与启发式相对的是两个复杂的随机模式。这两个复杂模式在条件适宜、数据充足的情况下表现良好，但在数据有限的一般情况下并没有特别的优势。

　　“启发式”和复杂预测模式的竞争结果如何呢？两个研究者发现：复杂的预测技术并没有比极为简单的经验规则表现得更出色。怎么会这样呢？

　　原因在于，“启发式”不需要估算大量的参数，从而避免了对少量数据进行笼统总结而得出很不精确的结论。另一方面，“启发式”已经存在了很长时间，它包含了数十年资料中蕴含的智慧，在商业领域的运用也得到了发展和完善。在这些分析中，经理人的直觉出人意料地接近最优结论。例如，在服装行业，经理人对购物间断长度的直觉为39周，而最佳的数字是40周。在正确对客户进行分类方面，选择最佳间断时间比经理人直觉选择的间断时间带来的改进不到1%。

　　在找出“最佳客户”这个问题上，根据交易量将航空业、服装业和在线音乐行业数据库中的客户列入或排除出前10%或20%。对这一领域，管理者感兴趣的关键数值是：到底有多少预测中的最佳客户是实际的最佳客户？以此为标准，在12次测试中，启发式有9次胜出，仅有3次落败。进一步的分析表明，改变研究时间段的长度对结果影响不大。