分析学

AU T H O RS

T EC H N O LO GY

& A N A LY T I C S

法布里齐奥·范蒂尼

Evo 首席执行官定价

达斯纳拉扬达斯

哈佛大学教授

商学院

哈佛商业评论

2023 年 5 月至 6 月

面向营销人员

I L LU ST R ATO R 安德鲁·施特劳斯

何时依赖

关于算法

以及何时

相信你的直觉

哈佛商业评论

2023 年 5 月至 6 月

可以帮助公司解决一系列管理问题，包括与营销、销售和供应链运营相关的问题，从而获得可持续的竞争优势。例如，公司可以通过对个人客户的行为和偏好进行建模，并提供价格尽可能接近购物者支付意愿的定制产品，同时降低为个人交易提供服务的成本，从而整合决策并优化整个价值链。

但是，随着更多数据的可用和高级分析的进一步完善，管理人员可能会努力解决何时、何地、将多少机器整合到他们的业务分析中，以及他们应该在多大程度上将

在做出数据驱动的决策时要承担自己的判断。他们需要回答的问题是：何时从传统的以人为本的方法转向更高的分析和决策自动化？我们如何在两者之间取得适当的平衡呢？

我们中的一位 （Fabrizio） 创立了一家公司，帮助客户使用 AI 来自动化定价和供应链决策来优化绩效;另一位 （Das） 是一位学者，他开发了一门 MBA 课程，该课程结合了专注于使用 AI 来增强营销、销售和支持功能的现场案例。我们共同着手了解如何最大限度地发挥人类和机器的潜力，以做出最佳业务决策。

一般来说，人类在直觉和模糊性解决方面更有能力;机器在推导、粒度和可扩展性方面要优越得多。您如何找到合适的平衡点？有三种常见的分析方法：描述性分析，其中决策主要由人类做出;预测性，机器决定可能的结果，但人类选择遵循哪条路线;以及规范性，这通常意味着机器的自主管理。本文介绍了何时以及如何使用每种方法，并研究了其中的利弊和限制。（尽管这里的重点是营销和销售，但这些原则可能适用得更广泛。

三种分析方法

在这些方法中，机器的作用差异很大——从帮助管理者了解业务状况的工具，到支持管理者决策的辅助工具，再到减轻管理者职责的决策者。让我们逐一探讨。

IDE A 简介

区别

人类更擅长涉及直觉和歧义解决的决策;机器在需要推导、粒度和可扩展性的决策方面要出色得多。

指南

作者的框架提出了最佳方法，以及人与机器之间的平衡，考虑到要做出的决策类型和可用的数据。

挑战

随着更多数据可用和高级分析的进一步完善，管理人员可能会纠结于何时信任机器以及何时信任他们的直觉。

高深

分析学

哈佛商业评论

2023 年 5 月至 6 月

T EC H N O LO GY

& A N A LY T I C S

关于艺术

视觉艺术家 Andrew Strauss 使用算法和代码，通过生成式自动化重新构想抽象、重复和模式。

哈佛商业评论

2023 年 5 月至 6 月

T EC H N O LO GY

& A N A LY T I C S

描述

聚合观测值

在描述性分析（通常称为“商业智能”）中，管理人员使用机器来理解历史数据中的模式。他们基本上是问，“帮我了解发生了什么。这种帮助通常采用仪表板的形式，突出显示输入和输出绩效变量，使管理人员能够根据历史观察到的事实决定“转动哪个刻度盘”和“转动多少”。

描述性分析是关于理解过去以告知未来。过去的数据是具体、清晰和确定的，这种方法植根于可验证和客观的事实。我们预计描述性分析仍将是业务经理日常体验的一部分。但是，由于人类无法处理大量细粒度数据，因此他们必须依赖高度聚合的信息。基于这些数据的决策往往是粗略的，它们需要一个重要的步骤，即推断过去的趋势并将其预测到未来。

此外，描述性分析往往过度依赖内部交易数据，而内部交易数据是成本最低、最容易获得的数据。外部数据，例如客户相关数据（例如净推荐值）和市场调查数据，获取成本更高且更耗时;它们也很难实时分析和综合。因此，描述性分析中最常用的数据类型是内部和行业绩效变量，它们是历史上观察到的事实。在某种程度上，管理者会用自己的经验或公认的智慧来补充回溯数据，尤其是在使用这种方法进行诊断时。因此，描述性分析方法在很大程度上取决于特定决策者的直觉以及他们克服偏见的能力，例如不挑选验证先前存在观点的数据。

简而言之，描述性分析方法往往缺乏外部视角，并且仅限于高水平的聚合。获得商业智能工具的管理者依靠过去的经验和高水平的模式识别，通常依靠自己的直觉将过去预测到未来。这可能会导致重复时间可信的方法

解决问题，而不是寻找创新的新路径。尽管这种方法存在主观性问题，但它仍然被广泛使用，因为它的开发和实施相对简单且成本低廉。它依赖人类进行意义建构，这使其完全处于大多数在模拟世界中长大的管理者的舒适区。

预测

对未来的有限看法

通过预测分析，机器可以针对不同的输入变量组合确定特定情况的可能结果或结果，从而为管理人员提供洞察力，以选择预期结果最符合其目标的行动方案。预测分析可用于预测输赢、计算价格弹性、预测营销活动对特定客户的影响、

并将客户动态地聚集在细分市场中。这些预测允许经理深入研究并做出

三种分析方法

不同的管理问题最好通过不同的分析方法来解决。由于决策需要较少的直觉和模糊性解决，而需要更多的推导、粒度和可扩展性，因此数据和算法发挥着关键作用。

描述：

商

情报

预测：

预测

发动机

规范：

决定

自动化

帮助我

理解

支持

我的决定

告诉我

该怎么办

发生了吗？

会发生吗？

应该做什么

我现在知道了吗？

战略的

规划

初始产品

定价

场景

规划

投资者

报告

需求

规划

折扣/

促销活动

管理

分割

保养

库存

优化

价格

优化

Markdown

优化

优化

通常很少

可用数据

相比

问题

高水平的

不确定性

简化的手册

方法

速效型

机会

相对频繁

决策和

观察

种子-

自动化

较大的尺寸

进步奖

高频

的决策

自动化

的作用

机器

大小

价值创造

机会

例子

理由

方法

哈佛商业评论

2023 年 5 月至 6 月

在交易和战术层面做出决策，而不是通常的高级别描述性分析。

预测分析方法在结构上受到限制。几乎不可能确定地预测未来需求（更不用说未来本身了）。此外，即使预测单个输入变量也可能非常复杂：例如，天气、竞争和供应商绩效可能需要自己的预测模型。这样的模型不仅难以构建，而且存在问题，因为输入和输出经常相互依赖，迫使管理人员同时预测输入和输出变量。

可以建模的输入变量的数量和可以实现的粒度级别也有限制。尽管通常有多种因素会影响购买决策，但常见的预测技术（如回归、聚类和时间序列预测）通常只包含一小部分变量。这是因为要使模型有效，其变量必须彼此独立，但添加更多输入变量会产生复杂的相互依赖关系，从而使模型在统计上不合适。此外，为了做出更精细的预测，公司必须收集更精细的数据。例如，要预测特定商品的销量，他们必须在 SKU 级别而不是类别级别收集数据。

预测分析的另一个问题是数据科学家和商业科学家在目标方面不断扩大的差距。数据科学家专注于提高统计的严谨性，而商业科学家则专注于优化分析以提高业务成果。对于数据科学家来说，预测分析的目标可能是提高其模型的准确性，而对于商业科学家来说，目标是业务影响。商业科学家通过考虑假阳性（当预测是积极的，但结果是负面的）或假阴性（当预测是负面结果，并且公司决定不采取任何行动，但如果抓住机会，本可以取得积极的结果）的经济影响，专注于最大限度地发挥预测分析的优势。例如，在赢/输预测分析练习中，误报通常会导致销售和营销工作的浪费，而漏报通常会导致机会浪费或业务损失。聚焦

仅提高准确性可能会导致模型减少误报（一个好的结果），但也具有高度的假阴性，这将导致机会浪费和整体性能欠佳。

简而言之，预测分析可能存在问题。仅依赖机器可能会导致次优的业务决策和潜在利润的损失。当然，管理人员可以在描述性数据的基础上进行手动诊断和预测分析，以提高决策质量。但这种临时工作受到与描述性分析相同的偏见的影响。

规范

精细指导

通过规范性分析，机器可以根据管理人员的既定目标做出决策，方法是使用大量数据快速分析市场状况，并通过设计和运行大量低成本实验和假设场景来学习。尽管他们的许多实验最初可能是次优的，甚至是完全错误的，但机器可以快速学习，快速且廉价地接近最佳结果目标。然后，他们告诉经理需要做什么，将重点从输入（例如确保决策变量的准确性）转移到输出（例如优化决策对业务的影响），同时明确地对风险和经济成本进行建模。

最佳的规范性决策通常取决于市场预测，这推动了预期收入，而不确定性则推动了预期成本。在预测分析中，重点是预测预期销售的单位数量，而忽略需求不确定性的误差水平。规范性方法将这种不确定性考虑在内，以做出利润优化决策，并随着新信息的出现而不断调整。例如，货架库存较低且物流成本相对较低的零售商可能会通过

激进的库存补货策略。然而，面对高昂的物流成本和市场的不确定性，同一家零售商可能会发现更保守的补货策略是最优的和利润最大化的。

设计良好的规范性模型可以提供比

精心设计的规范性模型可以带来更大的财务回报和更好的业务绩效。但它们的设置可能非常昂贵且复杂。

哈佛商业评论

2023 年 5 月至 6 月

描述性或预测性模型可以。但是，它们的设置可能非常昂贵且复杂：它们需要专用的软件和硬件解决方案以及专业的人类专业知识，才能将管理策略转化为数学的、对机器友好的优化目标和业务规则。

人类在这一切中的角色 — 定义业务规则和目标 — 非常重要。预测分析依赖于将业务目标、规则和约束转化为明确方向的能力，以

规定机器。反过来，这又使规范性模型能够根据管理层指定的方向动态校准自己的建议，同时保证最佳结果和系统地履行所有规则和约束。

何时使用哪种方法

从描述性分析转向更高级、更昂贵的方法需要成本/效益评估。

哈佛商业评论

2023 年 5 月至 6 月

虽然成本与收集和分析数据所需的基础设施、专业知识和领导力有关，但收益取决于通过更精细和相关的决策获得额外利润的机会。

因此，在给定情况下使用哪种方法取决于两个因素：可用数据的相关性和业务案例的强度。人与机器之间的成功平衡可以最大限度地发挥两者的作用。

数据：当可用数据有限且存在高度不确定性时，描述性分析是最可行的

选项，用于向经理提供方向性指导。随着决策频率的增加，可用的数据越来越细化，数据与问题的相关性也越来越高，自主性更强的规范性分析方法往往表现最佳。在只有有限的相关数据可用的中间情况下，首选预测分析方法。

商业案例：利润增长的潜力来自于数据驱动的洞察力可以预期解决的低效率问题。但效率低下并不是

哈佛商业评论

2023 年 5 月至 6 月

演化

价格

降价

在活动中

网络

库存过剩是一个常见问题。它必须出售，而且通常以折扣价出售，这使得降价成为库存管理中普遍且必要的部分。根本原因是，即使使用理论上完美的预测模型，也无法在结构上精确预测销售。

鉴于天气、竞争对手的行为和宏观经济冲击等因素的不确定性，管理人员倾向于保持高水平的库存，以避免失去销售和客户。

让我们看看在美国和加拿大经营礼品和纪念品商店的 Event Network （EN） 是如何应对这一挑战的。（披露：EN 是 Fabrizio 的公司 Evo Pricing 的客户。其位于博物馆、动物园、水族馆和其他文化景点的商店的客流量具有很强的季节性，并且相对不可预测。每个 EN 位置都有唯一的

库存，通常根据位置（例如旧金山或纽约）、景点主题（植物园的植物）和一年中的时间（冬天的毛衣）进行定制。该连锁店的大量 SKU — 超过 100,000 个 — 摆出

对降价管理的巨大挑战。

随着时间的推移，EN 已经使用了所有三种分析方法。以下是每个 API 的工作原理。

方法 #1

描述

分析学

EN 经理从一个简单的方法开始：他们提供更深入的服务

因销售令人失望而导致库存较高的商品的折扣。为了决定降价哪些产品以及降价多少，EN 经理考虑了每周历史销售额、库存水平和覆盖率（在当前销售率下库存将持续多少天）等指标。

为了计算单位成本为 10 美元且手头有 10,000 件商品的商品的降价，他们将建议的降价 （30%） 乘以现有商品数量 （30% x 10 x 10,000）。他们从覆盖率最高的 SKU 开始，然后逐步减少

在用完总可用 Markdown 预算之前的 SKU 列表。

这种方法最终并不令人满意，因为它完全依赖于历史内部库存绩效数据。它没有考虑对消费者需求有重大影响的客户或环境相关因素。

方法 #2

预测

分析学

接下来，经理们使用基于回归的技术对价格弹性最高的产品进行贴现（预期销量的百分比变化

T EC H N O LO GY

& A N A LY T I C S

这是每个业务问题的特征。当它是一个问题时，它可能只能通过不容易获得的数据来解决。因此，并非所有问题都适合高级方法。

例如，机器可能难以解决与制定长期战略和创新相关的问题，对这些问题来说，问题的初始定义实际上比制定准确答案更重要。但是，当涉及到价格、库存或营销投资的优化时，分析为公司提供了大量机会，因为准确的答案将更好地满足客户的需求。对于时间跨度较长的业务问题（如规划），或粒度级别的高水平内在噪声（如 CRM 细分），或从极端优化的低边际收益（如运营维护），预测方法往往效果最好。

在成本/收益分析中，描述性分析是一种“低痛苦/低收益”的方法。在可用数据有限且结果高度不确定性的情况下，它最相关。虽然每个决定的绝对经济影响可能非常大，但由此产生的绩效改进并不能证明投资的合理性

需要整合机器输入以提高预测和决策的质量。另一方面，当有大量数据可用，并且有机会以高度的确定性增强每个预测的经济影响时，规范性分析是最有意义的，因为它证明了其相对较高的复杂性和成本及其高投资回报率是合理的。通常在这些情况下，单个决策的绝对经济影响并不高，但做出的决策数量、每个决策的上行潜力以及结果的更高确定性

哈佛商业评论

2023 年 5 月至 6 月

随着时间的推移，这些结合使对规范性分析的投资变得值得。预测分析最适合中间区域。

在选择分析方法时，必须重新考虑管理者的角色：从拥有所有答案的人到提出正确问题的人。问题框架，然后可以交给机器来解决，这完全是人类的能力。但管理者可以明智地将一些控制权交给机器。选择最佳方法时的主要考虑因素是已知且明确的：数据的相关性和可用性，以及投资更复杂的分析预期改善业务影响的潜力。

人类和机器擅长不同的任务：人类擅长处理有限的数据并将直觉应用于

不熟悉的上下文，以及做出决策的机器，无论多么精细和稀疏，都在时间和/或空间以及充斥着丰富数据的环境中重复出现。如果数据太少，在高度模糊的情况下，或者存在限制从数据中推断出的冲突目标，机器很难产生相关的结果。但是，对于具有丰富相关数据且其解决方案可以显著提高业务绩效的复杂问题，管理人员应该购买或构建合适的机器，并为他们设定正确的目标，让他们做他们能做好的事情。

HBR 重印版 R2303E

FABRIZIO FANTINI 是 Evo Pricing 的创始人兼首席执行官，该公司提供 AI 解决方案来自动化和优化定价和供应链决策。是哈佛商学院 Edsel Bryant Ford 工商管理教授。

在选择分析方法时，我们必须重新考虑管理者的角色：从拥有所有答案的人到提出正确问题的人。

给定价格的百分比变化）。他们通过按商店、每周的类别对历史价格的历史销量进行回归来计算价格弹性。例如，对于价格弹性为 –2 的 SKU，降价 10% 将导致销量增加 20%（商品为 –10% x –2）。因此，从以每辆 10 美元的价格销售 100 辆收入为 1,000 美元的基线转变为以每辆 9 美元的价格销售 120 辆，这将带来 1,080 美元的收入，相当于收入增长 8%。可以对利润率和库存水平等指标进行类似的计算。通过模拟场景，经理们

可以选择他们喜欢的战略目标，并根据其预期影响确定最佳降价组合。这样做不仅可以考虑内部库存数据，还可以考虑客户需求预期，从而考虑其决策对市场的影响。

最佳降价根据经理的目标而变化，而不是根据销售或库存水平。尽管他们的回归模型的结果在统计学上是显著的，但 EN 经理发现模型的解释能力相对较低（价格解释仅为 10% 到

20% 的方差

产品销售）。这是因为除了价格之外，还有许多其他因素会影响销售，包括天气、客流量和可用产品的范围。将此类变量添加到模型将产生及时收集额外数据的成本。此外，更多的数据会引入更多的噪声并导致变量之间不必要的相互依赖性，从而增加计算的复杂性。

EN 经理继续进行数量与价格的简单一维回归，无论多么粗糙，因为它产生的结果优于使用

描述性分析方法。由此产生的性能改进也增强了 EN 管理层对使用更高级分析方法的兴趣。他们开始愿意完全使用不同的方法来克服预测分析方法的结构性限制。

方法 #3

规范

分析学

EN 经理最终使用的规范性分析方法通过考虑最广泛的影响因素，对前两种方法进行了改进

消费者行为。使用多个数据源和高级技术（如机器学习和自动优化），EN 可以确定在任何特定时间要打折的产品以及打折的幅度。

管理者们认识到，在这种粒度和非线性水平上，依靠直觉几乎是不可能的。此外，他们穿越不同分析方法的旅程使他们认识到使用自动化和机器学习来理解复杂性和建立自我学习的好处

随着时间的推移显著提高盈利能力的系统。

哈佛商业评论

2023 年 5 月至 6 月

哈佛商业出版社版权所有 ©保留所有权利。此内容仅供个人研究使用，并受以下约束：

除非在单独的许可中明确授予许可，否则此内容不得用于课堂或教学用途，包括教材、电子储备、课程包或教学大纲中的永久链接。请咨询您所在机构的图书馆员，了解您所在机构持有的相关许可证的性质以及可能适用或可能不适用的限制。

除非在单独的许可中明确授予许可，否则此内容不得用于企业培训和/或用作企业学习材料。对于企业用户，请查阅贵公司许可证的具体条款，了解完整的信息和限制。

有关哈佛商业出版社的更多信息和教学资源，包括哈佛商学院案例、在线学习产品和商业模拟，请访问 hbsp.harvard.edu。