--- schema_version: "library-reader-v1" source_type: "original_book" title: "数据资本时代" author: null edition: null publisher: null year: null isbn: "9787508694313" library_document_id: "fa2211c7-60b5-424b-a841-a97c7196aed1" source_sha256: "8dfd76f8a229ff851688e437b0a26ddf2082deffc2cf8b80b8e93acb79b50020" pdf_physical_page_count: 278 pdf_physical_page_index_base: 0 range_start: 100 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1?start=100&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=100&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=90&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=110&limit=10" --- # 数据资本时代 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=100 | PRINTED_PAGE=080 这种机器学习系统在任何环境下都是可以派上用场的，不仅仅是在市场环境中。但是某些社会结构更容易产生机器学习系统所需要的反馈数据。基于市场的分散性质，它能够产生大量的机器学习系统能够吸收和学习的独特信号。每一个信号，从交易达成、结账付款，到浏览可选商品时一个表示感兴趣（或不感兴趣）的微小手势，都具有信息价值。甚至这些互动的顺序也是很重要的，它代表信号发出的顺序。这些很小的信号可以产生大量的数据，数据点与个人偏好分析的关联也是充分的。 市场自身的重塑 市场重塑的所有必要因素都已就位。数据本体的改进帮助我们从大量的数据流中提取出有价值的数据，并对其进行多维度分类。匹配算法的进步使我们能够在我们所选择的市场中找到并选择最佳交易伙伴。机器学习系统通过观察我们，可以识别出我们的个人偏好，这样我们就不必花时间去思考和确定自己的个人偏好，以及赋予不同偏好不同的权重。作为我们信任的助手，当我们做出有偏颇的决策时机器学习系统会提醒我们（如果我们希望如此)，并在我们做出选择时给我们提出建议。最终，机器学习系统甚至会为我们做出很多决策。 这些技术如果结合起来，将会使我们成为非常强大的买家或卖家。这不是因为我们会在每一次谈判中获胜，而是因为我们的每一次行动都会是高效的，我们将会基于个人偏好不断地优化结果。这些技术如果结合起来，不仅会使参与者受益，而且将会大大地改善整个市场，使其成为协调人类活动的最有效场所。 数据资本时代 080 ## PDF_PHYSICAL_PAGE_INDEX=101 | PRINTED_PAGE=081 我们在本章中概述的每一项技术进步，都在克服市场的两个基本挑战方面起到了独特的作用：一是以低成本获取海量、多维度的信息流，二是将信息转化为决策。数据本体可以促进信息的流动，自适应机器学习系统和个人偏好匹配算法可以帮助人们处理信息。它们也可以彼此以微妙且重要的方式相互促进。自适应机器学习系统不仅可以帮助我们根据数据来梳理自己的个人偏好，而且我们可以用它来改进个人偏好匹配算法，找到能够引向高级数据本体的遣词造句模式。同样，数据本体可以帮助我们找到为个人偏好排序的更好方式。个人偏好匹配算法不仅可以帮助我们找到最佳的交易合作伙伴，而且可以帮助我们确定一套最恰当的客观优先级排序，并以此作为我们自己的个人偏好基准。 我们可以预见这样一个时代：一个又一个的市场将会利用技术的进步和如上所概述的观念来重塑自身。这一变化已经开始。但是，它不会是一个简单、快速、线性的转变。随着不断地创新，市场将不得不进行试验，以发现技术与市场设计的正确组合—市场设计必须符合其参与者的需求。但是，一旦以货币为基础的市场转变为海量数据市场，一个建立在多维信息流上的市场，一个被优先匹配算法和自适应机器学习系统优化了的市场，它就没有回头路可走了。这样的发展变化，我们在那些作为市场重塑试验场的地方已经可以看到，比如爱情市场。 应用范例：爱情市场 千百年来，寻找爱情的人都会向中介机构寻求帮助。媒人是一种非常古老的职业，每种文化都存在许多社会活动，这些活动至少在一定程度上是为让人找到自已的灵魂伴侣而设计的。但是长期以来，这种机会一直受到地理障碍与信息匮乏的限制。完美的灵魂伴侣可能就住在两个村庄以外，但是因为他们不知道彼此的存在，所以他们永远不会相遇。 第4章 市场的复兴 081 ## PDF_PHYSICAL_PAGE_INDEX=102 | PRINTED_PAGE=082 这就是为什么在互联网发展早期，交友网站几乎一炮而红。其中最受欢迎的网站，似乎为爱情提供了一个稠密市场一那些提供大量不同参与者的市场，因为这必定会增加成功的机会。美国西北大学心理学与管理学教授、世界知名的在线约会专家伊莱·芬克尔，将这些第一代约会平台称作“爱情超市”。这些平台确信，市场上到处都是潜在的灵魂伴侣。用户一开始也很喜欢这种平台，但是他们发现自己很快就晕头转向了，因为这种大海捞针般的寻找所需要付出的努力实在是太累人了。 面对这种局面，交友网站进行了一些详尽的问卷调查来梳理客户的个人偏好，以方便客户快速且轻松地识别出各自最好的匹配。从本质上讲，这些网站切换到了多维度信息流，并实现了优先匹配算法。这似乎是明智之举，但是结果遭遇惨败。参与者花费几个小时的时间来回答数百个关于他们自己的问题，但是最终的匹配结果只比在爱情超市里随机漫步好那么一丁点儿。 问题就出在这里：交友网站在试图改善其平庸的匹配结果时，却降低了服务质量。事实证明，转向多维度信息是正确的选择，但多维度信息本身并不足够。正如芬克尔教授所解释的那样，问卷调查过于简单，只是为了寻找相似点（或不同点)，而且问卷调查使用的引导数据也是错误的。正如上面我们所讲的，他们需要的是一套更好的个人偏好匹配算法，以及一个可以捕捉人与人之间关系的更好的数据本体。未来的约会服务将会使用机器学习系统，它可以从视频、照片、语音，甚至是可穿戴跟踪设备中，推断出必要的相关数据，而不是让用户花数小时回答问题。当我们与我们喜欢的人互动时，机器学习系统会在我们微笑或脸红的时候进行记录，它还知道什么时候我们的心脏开始同步跳动。如果一个系统不用费力就可以收集到用户的个人偏好数据，并将这些个人偏好与相应的多维度信息流和适当的匹配算法结合起来，成功的匹配就会大量增加。下一代的交友市场将会更加成熟和高效，尽管它可能不像上一代的市场那么令人兴奋。我们已经拥有了重塑在线交友市场所需要的技术与技能，现在要做的就是将它们正确地组合在一起。 数据资本时代 082 ## PDF_PHYSICAL_PAGE_INDEX=103 | PRINTED_PAGE=083 把最重要的决策权，握在自己手里 类似在线交友市场的情况也发生在其他市场。一些市场已经领先，其他市场仍然滞后。但是，任何想要继续做交易的市场都无法抵制这样的变化。再过几年，我们将会拥有可以随意支配的强大的海量数据系统，这些系统足够了解我们，能够为我们的市场交易提供有意义的帮助。这样，我们就可以使用更少的资源，花更少的时间，却能获得更好的匹配。效率红利唾手可得，但这还不是全部。 在人类历史上，我们第一次有机会，在进行合作时，对是否要参与那些至关重要的决策做出选择，或者对参与到何种程度做出选择。我们将会引导机器学习系统去做那些无聊的事情，把那些能给我们带来最大快乐的决策留给自己来做。我们会故意放弃一些选择，这样我们就可以专注于对于我们来说最重要的选择，并将决策的需求与选择的快乐分开。 第4章 市场的复兴 083 ## PDF_PHYSICAL_PAGE_INDEX=104 | PRINTED_PAGE=084 但是，当我们重塑市场，为其注入海量数据时，我们也必须理解并重新思考公司的角色。 数据资本时代 084 ## PDF_PHYSICAL_PAGE_INDEX=105 | PRINTED_PAGE=NOT_DETECTED 第5章 公司与控制 NPixins["name""WMBE WikiLovesHer 115005260."end"1538288460"preferred":1."thr ## PDF_PHYSICAL_PAGE_INDEX=106 | PRINTED_PAGE=NOT_DETECTED 最优秀的“亚马逊机器人” 亚马逊公司自1994年成立以来，所做的生意无不具有颠覆性。如今，它被誉为一站式、一键式市场。通过分析你的数字购物车，它可以为你的产品偏好提供信息。亚马逊的年收入超过了1000亿美元。先是书店，然后是宠物商店，再是鞋店—一个又一个行业的零售商开始与这个庞大的在线市场竞争。亚马逊不仅提供了比实体店更大的商品目录，而且邀请个人注册成为卖家，从手工奶酪制造商到自媒体作家。但是，向个人开放虚拟的大门并不是亚马逊拥抱市场模式的唯一途径。它同时也允许买家通过评级和评论产品来发出自己的声音，以方便未来的买家在决定要买什么时，能够轻松地直接获得相关市场的信息。如果确实有一个数字公司的成功典范，它的表现更像是一个市场而不是一家公司，那么这个公司似乎就是亚马逊—“万货商店”(Everything Store)。 然而，这些还远非故事的全部。在过去几百年里，公司协调促进了很多世界经济的显著增长。在一些重要方面，亚马逊充分展现了只有公司才具有的层级组织，以及指挥与控制结构。亚马逊是一家传统的公司，杰夫·贝佐斯也是一个传统的首席执行官，他时刻在寻找更有效、更高效的方法来控制公司的各方面，而综合信息就是他的选择工具。 ## PDF_PHYSICAL_PAGE_INDEX=107 | PRINTED_PAGE=087 贝佐斯对小到一个像素的细节都会关注，这简直令人惊讶。2011年，一位名叫史蒂夫·耶格的亚马逊前工程师在GooglePlus（一个社交网站)上分享了自己对前任老板的一些激愤的看法，从而引起了国际社会的关注。他本不想公开发表这些言论。“贝佐斯超级聪明，你们别误会我的意思。”耶格写道，“他只是让普通的控制狂看起来像是喝醉酒的嬉皮士。”在Glassdoor网站上，员工们可以匿名评价他们的雇主和管理人员。与硅谷的其他大公司相比，亚马逊在工作满意度方面的排名低得可怕。在许多评论中，员工们都在抱怨公司对员工的要求，并宣称他们完全没有自主权。2015年，《纽约时报》在其对办公室工作人员的工作条件所做的一项调查中发现，员工对公司运营的不同方面，“在一系列指标上，都担负着重任”。这是一项长达50页的调查报告，它要求员工对每周和每月的业务总结会效率低下的问题做出解释。 处理那么多信息会使大家士气低落。“如果你是一个优秀的亚马逊人，你就得做所谓的亚马逊机器人’。”一名员工告诉《纽约时报》的记者。最优秀的“亚马逊机器人”声称，为了仔细研究数据，并回答所有那些关于信息应该如何影响决策的问题，他们每周工作100个小时。另一些人则会感到沮丧、精疲力竭，却依然需要继续前进他们如果是公司业绩最差的10%的人，就会被警告或者被解雇。这些指标允许贝佐斯在没有直接观察员工表现的情况下，依然可 第5章公司与控制 087 ## PDF_PHYSICAL_PAGE_INDEX=108 | PRINTED_PAGE=088 以掌控各层级的员工。① 《纽约时报》的调查被曝光后，触动了很多人的神经，官网上的评论达到5858条，当时，这是该网站历史上评论最多的一次。正如《经济学人》所指出的，许多评论者“声称他们的雇主也采取了类似的管理方法。这远非特例，亚马逊似乎是一种新趋势的体现”。依据弗雷德里克·温斯洛·泰勒的科学管理原则，《经济学人》将这一趋势命名为“数字泰勒主义(digitalTaylorism)”。新技术的产生似乎带来了某种动力加强版的指挥与控制系统，关于员工、流程、产品、服务和客户的数据就是其动力燃料。但是，为什么像杰夫·贝佐斯这样著名的市场创新者，会接受公司模式中的集中决策结构、规则和行为，用它们来管理他的商业帝国中绝大部分机构，而不是研发技术，来捕捉市场模式中的分散决策的魔力？是不是亚马逊和其他数字公司的大佬（以及他们的许多小兄弟）没有意识到，他们正在开发的海量数据市场也会对他们自身产生重大影响，并迫使他们重新考虑自身的存在理由，或者至少重新思考公司的组织架构? 要回答这个问题，我们首先需要了解信息是如何在公司内部流动并转化为决策的。随着时间的推移，新工具和新方法是如何帮助公司在结构上不断完善的？ 技术创新推动公司创新 公司可以扮演很多角色，包括作为一个法律实体来筹集资金、控制风险。借助公司，我们可以把管理权从所有权中分离出来。但是在本书的语境中，正如我们之前所解释的那样，公司与市场一样，是一种使人类能够合作的机制。与市场一样，公司的目标是以低成本提供合作服务。公司的设计，至少从原则上讲，也与市场一样，是为了在其不断壮大（或缩水）时能够继续高效合作。市场和公司之间的关键区别，就在于决策是如何做出和由谁做出的。市场的决策是分散的，分散在所有市场参与者身上。而在公司里，决策更加集中，局限在一个人数相对较小的群体里。决策模式的不同不但反映在二者如何处理信息的流动上，而且反映在他们如何将信息转化为决策上。几种差别交织在一起，相互作用。因此，要了解公司是如何随着数据流和数据技术的变化而发展的，就需要我们先弄清楚当下的变化是如何发生的。我们将看到一个令人震惊的反复创新的案例，它既是技术的创新，也是公司与社会的创新。 数据资本时代 ①最近一项研究显示，研究员通过分析员工长期在企业办公管理系统中和其他员工互动的信息，就可以较精确地预测员工的长期表现，包括升职和离职。读者可以参考研究论文:J.Yuan,et al.,Promotion andresignation in employee networks, Physica A 444(2016)442。——译者注 088 ## PDF_PHYSICAL_PAGE_INDEX=109 | PRINTED_PAGE=089 只有充分、及时、准确地从公司的各部门获得信息，公司的领导才能获得必要的“原材料”来做出决策。几个世纪以来，这种认识一直在推动有效的报告方式的发展，尤其推动了财务核算法的发明。这些方法的重要性经常被公众忽视，而它们是企业崛起和成功的关键因素至少与大规模定制和全球化同等重要。最初，报告只提供关于公司财务状况的数据，但随着时间的推移，报告范围扩大到公司活动的各方面。 报告的目的将会从公司要对过去负责，转变为公司利用信息对未来进行战略规划。要实现这种转变，对当前发生的事情我们必须要有一个全面的了解。数据取代了直觉，对理性管理的渴望取代了对特殊决策的依赖。虽然这里的重点是信息的流动，但最终的目标当然是更 第5章 公司与控制 089 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=110&limit=10)