--- 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: 120 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1?start=120&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=120&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=110&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=130&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=120 | PRINTED_PAGE=100 20世纪末，公司的决策者掌握的信息比以往任何时候都更多了。这是一个令人惊讶的飞跃，它开始于五六百年前记账簿的实践。建立和保持全面的信息流动，已经成为良好管理的基本原则。正如亚马逊的案例所强调的，即使是数字宠儿，也要坚持那些管理信息流动所需要的，或者正在尝试的，或者已经确信的理念。 当然，公司仍然存在一些不正确和不完全的信息。有时候，即使是最重要的信息，也可能无法到达决策者那里，不论是因为员工的恐惧，或者群体思维，还是因为在有些情况下，可能根本没人在乎这件事。但总体来说，公司已经成为一种人类高效合作的最佳模式。作为一种可供选择的合作机制，公司的重要地位与市场已经相差无几。公司获得了效率红利，但是这些红利大部分已经被吸收，要获得更多的红利，公司以后还需要专注于提高其高层决策者的信息处理能力。然而，在这个问题上，公司将要面对一个更大的挑战：人类认知的局限性。 提高企业决策者的决策能力 正如心理学家丹尼尔·卡尼曼和阿莫斯·特沃斯基在他们所创建的研究体系中所指出的那样（这个研究体系推动了一个新的学术领域—行为经济学的建立)，人类受到一系列基本认知局限的困扰这些限制削弱了我们做出良好决策的总体能力。我们在价格方面已经觉察到了这一点，而实际的限制范围远不止于此。例如，我们通常都会不自觉地将新信息与我们容易想到的信息进行比较，借此来对新信息做出评估，这就导致我们很可能会高估发生戏剧性事件的可能性，比如飞机失事。此外，与维持现状相比，我们更倾向于低估做出改变的好处。与未知的事情相比，我们更喜欢已知的事情。公司改善高层决策能力的一个更大的挑战是，人们并不是以完全相同的方式受到这些偏见的困扰。我们中的一些人比其他人更容易受到某些偏见的影响。在市场上，各类决策者更容易使认知局限缩小(但他们绝不会消除局限性)。相比之下，在公司里，集中决策的做法则会使认知局限放大。 数据资本时代 100 ## PDF_PHYSICAL_PAGE_INDEX=121 | PRINTED_PAGE=101 要提高公司的决策能力，就必须提高决策者的认知能力。这可能做到吗？也许有人会说，公司可以选择那些不太可能在决策过程中出现认知偏差或类似错误的人来担任领导职务。确实有证据表明，我们中的一些人在评估信息时，在某些方面可能比其他人做得更好。研究表明，男性比女性更有可能表现出确认性偏差更喜欢找出或者更重视那些可以证实自己已有信念的信息。比起受亚洲文化熏陶的人，来自西方文化背景的人更容易出现基本的归因偏误——相信别人的表现和行为源于他们的个性与性格，而不是来自更大的文化或环境。但是，这些相对而言的不利因素，通常不会集中在一个人身上，每个人都会有自己经常出现的偏差。智力和认知偏见之间也没有直接的关系，至少在我们所谈的此种情况下，聪明并不一定会让你更擅长做出决策。因此，在选择公司的领导者时，没有一种万无一失的方法，可以让我们找到那样一个能够神奇地克服所有人类认知局限的人。我们无法通过选择，来逃避美国管理学家赫伯特·西蒙所提到的“人类理性的局限性”，也就是说，人类做出最优决策的能力有限。 第5章 公司与控制 101 ## PDF_PHYSICAL_PAGE_INDEX=122 | PRINTED_PAGE=102 另外一个弥补的办法，是公司可以采用领导小组制。被聘用的小组成员在认知优势上必须互补，这样整个团队的认知偏差就可以减少。但即使这样做是可行的，我们也不清楚团队成员各自的认知优势，是否能保证他们在担负其他责任时不会出现疏漏。毕竟，公司的领导者也需要担负激励和鼓舞员工、研发产品与服务、与客户和股东进行沟通等责任。作为公司领导者，个人魅力、专业知识和充沛的精力也是其决策能力的重要组成部分。我们如果选择领导小组成员时.将注意力过于集中在一个人的信息分析技能上，就不能保证这个人在其他角色中的表现。 一些公司一直在寻求提升各级管理者决策能力的方法，但收效甚微。公司会雇用、提拔商学院毕业生，以及一些管理培训项目的毕业生，因为公司觉得他们应该学习过如何将信息转化为决策，如何更少地受到认知偏见的影响。一些研究显示，针对某项决策的明确反馈可以减少认知偏见。这就像飞行员知道机翼没有打开，飞机就没有足够的升力起飞，或者医生知道使用某种药物，就可以使病人的血压降低一样准确无误。但是，按照这种反馈做出管理决策的情况是非常少见的。 探索法可行吗？ 在过去的十年里，关于如何改善人类决策的另一种观点，开始吸引人们的注意力。这个观点认为，只要我们跟着自已的直觉走，坚持使用一些简单的探索法，或者始终遵循经过反复试验的便捷方式，在信息处理上，其实我们人类没有那么糟糕。探索法的支持者，包括马克斯·普朗克研究所（MaxPlanck Institute）人类发展研究中心主任畅销书作者格尔德·吉仁泽。他们并不否认那些能够证明决策偏差存在的广泛证据，但他们认为行为经济学家精心构建的实验是脱离现实的。 数据资本时代 102 ## PDF_PHYSICAL_PAGE_INDEX=123 | PRINTED_PAGE=103 这个批评是合理的。几乎所有科学实验的目的，都要减少所涉及的变量，从而梳理出因果关系。很多心理学实验也都以二元选择为主。但是真实生活鲜有如此黑白分明的时刻。根据吉仁泽的说法，人类已经开发出了自己的信息过滤器，以“保护我们不受处理太多信息的威胁”。他说：“答案不是要找到弥补我们认知局限的方法，而是要依靠我们已经成功利用了数千年的内在感觉直觉’。” 你如果是一位高管，每天都要做很多既重要又非常不同的决定，那么这个方法对于你来说可能会是一个很诱人的选择。别再想通过分析信息来获得更深入、更丰富、更详细的理解了，别再惦记世界的复杂性了，让我们为简单的直觉欢呼吧！对信息一无所知也同样值得欢呼，依赖你的直觉比处理信息过载更快更省钱。吉仁泽的建议得到了相当多的公司领导者的拥护，这并不令人意外。2014年的一项调查显示，约有3/4的公司高管相信决策时的直觉；甚至有2/3自称“数据驱动型”专业人士的人，也表示他们很重视自己的直觉，尽管他们“在做出决定之前会尽可能多地收集并分析（信息)”。比起选择花费大量时间分析信息并将其转化为决策，谁不愿意选择那个既便宜又简单的方式呢？谁不愿意不用付出很大努力就可以取得成功呢？ 探索法的根本问题，与中世纪放血法的问题如出一辙。只要没有更好的选择—如果一个人不能全面地收集信息，处理信息，并将其转化为适当的决策，我们就试试这种方法。但是就像婴儿在学会走路后就会放弃爬行一样，最终每一个次优的解决方案都会被我们真正想要的方案取代。如果我们从启蒙运动中学到了什么，那就是无知绝不是好事，最多只能算作一个应急措施，它提醒我们还要更加努力。所以探索法没能给我们提供一个简单的解决方案，来帮助我们面对企业的认知决策挑战。 第5章公司与控制 103 ## PDF_PHYSICAL_PAGE_INDEX=124 | PRINTED_PAGE=104 海量数据让公司面临挑战 在过去的几个世纪里，公司确实改善了其内部信息的流动情况，并将其转化为一种强大的组织创新手段。这不仅为公司在基于货币的市场上带来了竞争优势，而且为其在信息简化方面带来了优势。但是在将信息转化为决策方面，我们并没有取得同样的进步。这不是因为公司没有尝试这样做，而是因为人类认知的局限性。权力下放、标准化（通过标准作业程序等）、选择（正确的员工)，甚至是探索法，能起到的改进作用也就这么大了。由于我们已经收获了信息流动的果实，下一步的发展必然来自决策能力的改进，这就将更具挑战性。杰夫·贝佐斯选择将亚马逊塑造成一家比较传统的公司，如此做法也说明了决策改进是多么大的一项挑战。尽管我们现在已经进入数字时代，但传统的层级管理结构依然是公司最高效的选择。 海量数据的出现彻底改变了这种局面。可以用来加速我们所做事情的数字工具，也可以帮助我们重新组织社会合作机制。通过使用尖端的以数据为核心的工具，市场参与者可以大大提高自己找到最优四配的能力。这不但有助于市场机制与公司机制在竞争中保持平衡，而且对市场更加有利。随着市场的发展，在货币市场转变为海量数据市场的过程中，传统公司是否是最大的输家？公司能否利用同样的数据驱动工具来处理自己的信息过载问题，以减少相关的决策数量，升级经营决策，并且像市场一样，从数据时代中受益呢？ 数据资本时代 104 ## PDF_PHYSICAL_PAGE_INDEX=125 | PRINTED_PAGE=105 问题的答案是:公司不会达到与市场一样的程度。我们在接下来的章节中会做讨论。这并不意味着公司没有未来，但它可能会促使许多公司重新评估自己的组织方式。那些受到来自数字颠覆者的巨大压力的传统公司，可能会是第一批实现转变的公司。不过，随着时间的推移，即使是杰夫·贝佐斯，可能也不得不重新思考，如何经营亚马逊才是最好的。 第5章 公司与控制 105 ## PDF_PHYSICAL_PAGE_INDEX=126 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=127 | PRINTED_PAGE=NOT_DETECTED 第6章 公司的未来 Nmuxin"[]{"name""WMBE WikiLovesHer X 115005260."end"1538288460."preferred":1,"thr ## PDF_PHYSICAL_PAGE_INDEX=128 | PRINTED_PAGE=NOT_DETECTED 2016年12月26日，对于保险理赔员来说，是一个带来坏消息的日子，尽管他们中的很多人并没有意识到这一点。这个令人担忧的消息，悄悄地隐藏在总部位于日本东京市中心的日本寿险巨头富国生命保险发布的一份新闻稿中。该公司宣布将使用IBM开发的一款机器学习系统沃森①，来评估保险理赔。公司乐观地断言，用这种方法，“工作流程负担可以减少大约30%”。几天后，日本最知名的报纸《每日新闻》做了这样的报道：聘用沃森将使富国生命保险的理赔部门裁员1/3左右。 几个月前，在位于地球另一侧的德国斯图加特市，汽车制造公司戴姆勒要求员工放弃他们一直在使用的传统办公室，但原因与富国生命保险完全不同。戴姆勒的首席执行官迪特尔·泽谢宣布对公司进行彻底重组。作为梅赛德斯-奔驰的母公司，戴姆勒是德国企业保守主义的象征，也是自上而下的传统管理文化的象征。重组的目标是要让6万名员工——约占戴姆勒全球员工的20%，在一年之内，做到脱离以前的报告体系，到公司各部门之外去运营。戴姆勒没有解雇自已的知识雇员，这些员工将组成多个灵活的团队，管理结构也比过去扁平。 一①沃森(IBMWatson)是享誉全球的人工智能平台，以IBM创始人托马斯·约翰·沃森的名字命名。很多人工智能具有里程碑意义的进展都是由沃森完成的，例如沃森在益智问答类综艺节目《危险边缘》中战胜人类选手，以及作为一种线上工具协助医疗专家进行疾病诊断，等等。一译者注 ## PDF_PHYSICAL_PAGE_INDEX=129 | PRINTED_PAGE=109 泽谢身材高挑，拥有电气工程教育背景。他浓密的胡子和幽默感让他很容易被认出来。面对像特斯拉和中国电动车品牌这样的新竞争对手可能带来的行业颠覆，面对自动驾驶等科技进步带来的可以改变游戏规则的挑战，戴姆勒发现自己与网约车等新商业模式正好走在相反的道路上。于是，泽谢决心将公司转变为初创模式。泽谢解释道：通过效仿谷歌等成功的互联网巨头的组织结构，戴姆勒将“用跨职能和跨学科的团队来补充其等级管理金字塔，并最终取代它”。戴姆勒的目标是鼓励更快速的创新，实现这一目标的关键是彻底改善决策能力，泽谢说：“目前，我们的决策层级多达6层。我们希望到2020年，公司对每个问题的决策只需要经过2层。” 效率红利 富国生命保险和戴姆勒代表了公司对由市场驱动的数据革命的两种截然不同的反应方式。但是，两种不同策略的目标是一致的：拯救公司。两家公司都没有陷入恐慌，它们的主营业务状况良好。然而两家老牌企业都早于其他竞争者意识到，当市场从根本上发生变化时，公司也必须改变。 第6章 公司的未来 109 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/fa2211c7-60b5-424b-a841-a97c7196aed1.md?start=130&limit=10)