主页（http://www.cnwulian.net）：智能的层次
【财新网】（专栏作家 张小彦）孤立的数据没有意义，未经加工和分析的数据不能产生价值。石油埋藏在地下千百万年，直到近代人类掌握了开采和提炼技术后，石油才变成燃料和各种化工产品服务于社会。今天的社会里数据无处不在，而且爆炸式的增长。但如果我们不掌握数据采集、管理、处理和分析的方法和技术，就无法使数据变成信息，产生智能以支持决策。数据科学和大数据技术的核心就是以数据为驱动的智能决策。
数据分析产生的智能对管理和决策有直接和现实的指导意义。智能是有层次的，不同层次的智能回答不同的问题，应用不同的方法获得，并有不同的应用层面。下面我们就来分析一下智能层次（见下表）。
目前大部分数据分析都在第1到第4层次。其产生的信息和智能主要应用在管理层面。这类统计、报表、分析报告等在各行各业和政府管理中的应用在大数据时代之前就已经很普遍了。近年来数据科学和大数据技术突飞猛进的发展使获得管理层面的智能更容易、快捷、全面和准确。这些数据分析对简单的管理来说已经够用。但它只能描述过去已经发生和当下正在发生的事而不能揭示事物的内部规律和预测未来的发展。因此对战略决策的价值有限。
第5到第8层的数据分析及其产生的智能是目前大数据技术应用和创新的重点。在决策层次上的数据分析要回答比日常管理更复杂的问题，它对数据科学家和分析人员的技能要求也更高。它的难度大，每一个新突破都会带来巨大经济效益。下面具体讨论一下每一层数据分析及其获得的智能。
问题寻源。当数据显示了某一种不寻常事情的发生，它可能是一个潜在的危险也可能是一个新机遇。这时要回答的问题是：“为什么会发生此事？”要找到因果关系就需要进行验证性分析。常用的方法是相关性分析（correlation）和回归分析（regression）。应用大数据技术对海量的营销和管理数据进行快速处理找出相关性，进而进行实地观察，产生理论假设，然后再进行回归分析来验证假设就可找出因果关系。沃尔码的数据科学家找到啤酒和尿布之间的关系就是一个实例。
运营决策。区别于日常管理，运营决策的目标在改进现状，提高效率，增加效益。这里要回答的问题是“现状持续的后果是什么？”和“如何改变现状？”这就需要进行推论式数据分析。根据历史和现有数据建立统计模型，对短期和中期的运营进行推测。一般是两种推测，比较维持现状和改变管理方法的利弊。这种智能在网络经济领域应用得非常成功。对提高销售，改善服务，优化经营都有重大意义。
战略决策。战略决策对一个企业和单位的中长期发展至关重要。它要回答的问题是“行业新趋势是什么？对自身有何影响？”这时，历史数据的用处是有限的。决策者需要的是对行业全局的宏观预测。特别是在推出创新方案和出台新政策时，需要预测分析和仿真模拟。过去10年发展迅速的计算社会学（Computational Sociology），主体互动模型（Agent-base Model），合成人口（Synthetic Population），以及人工智能（Artificial Intelligence）使宏观预测和仿真模拟成为智能决策中实际可行的新手段，值得引起国人的关注。在美国和西方，主体互动模型在合成人口上进行仿真模拟已经在交通管理和传染病监控领域成功地应用。
战略思维。最高层次的智能应用于战略思维。能够达到这个层次的企业和组织凤毛麟角。这里要回到的问题是“如何创新？如何综合解决复杂问题？”产生这种智能需要多类数据分析方法的混合应用。这对数据科学家的技能和多类数据的获取需求很高。更重要的是对决策者的理论水平和宏观意识及前瞻性要求更高。获得这个层次的智能对未来的科研方向，项目排序，资源分配都有重大意义。方向对了，获益巨大。方向错了，损失惨重。
数据科学和大数据技术的应用对中国实现从制造经济向创新经济的战略转折意义重大。在今天这个“数据驱动”（data-driven）的社会里，一步步走向智能决策是各行各业发展的趋势。懂得智能层次，知道创新中最需要而又最缺乏的是高层次智能使我们头脑清醒。我们要将有限的资源用在刀刃上，应用数据科学和大数据技术在问题寻源、管理决策、战略决策、和战略思维层次上取得突破能就可以达到事半功倍的效果。
作者为社会学博士，现任一家软件公司董事长兼资深科学顾问
