1. 引言

随着计算机技术、网络通信技术、智能终端设备、各类信息系统在各行各业的应用，形成了“无处不在的网络、无处不在的计算、无处不在的服务”的经济社会环境，原本依赖于组织内部信息系统所产生的数据支持企业决策的情境发生了根本的变化，大量的数据在开放的、多源的渠道产生，并逐渐汇聚成一个巨大的、精准映射并持续记录物质世界和精神世界运动状态和状态变化的“大数据（Big Data）”空间。数据作为未来最具竞争力的一种人造资源，与自然资源、人力资源一样，必将会对企业的组织结构、运营管理、营销决策等传统管理模式产生巨大影响，挖掘数据中隐藏着的知识，发现其中的管理逻辑，成为管理领域应用创新的核心。

2. 大数据驱动的管理创新

  （1）大数据驱动的人力资源管理创新

人力资源是企业最核心的资源，传统的人力资源管理是根据企业发展现状，有计划地进行人力资源的合理配置，其关注重点在于对人力资源现状的把握。而在大数据背景下催生的新型人力资源管理则更关注对人力资源未来的预测，实现其从静态处理到动态规划的转变。谷歌的实践为我们重新定义了大数据时代的人力资源管理逻辑。谷歌公司基于在职人员的绩效数据，针对每类工作员工招聘开发了一个算法来预测应聘者（鉴别面试背后所隐含的价值）在获聘后是否具有最佳生产力；谷歌通过追踪并分析员工的多维数据，例如在咖啡厅所花费的时间、员工互动、娱乐爱好、身体状况等，设计个性化的激励方式、饮食配给，最大化地结合学习、合作与娱乐设计它的工作环境；运用数据分析来鉴别出卓越领导者的能力、优秀技术专家的行为差异、表现薄弱的员工的本质原因、预测员工离职，进而实施人才开发、发展、多样性管理以及员工保留等；谷歌人力资源分析团队成功的最后一项关键要素并不是发生在分析过程中，而是出现在给高管们和管理者的最终建议书上，即不仅给出趋势预测，还给出决策方案，基于强大的数据以及所呈现的行为来说服员工。

（2）大数据驱动的产品研发创新

图1 《纸牌屋》是怎样炼成的

在社会快速发展的今天，由企业和专家团队协同构造的传统产品研发模式，逐渐跟不上时代的潮流，并显示出其固有的缺陷。但幸运的是，随着社会信息生产与传播方式的变化，消费者与企业之间的关系日趋平等和相互影响。企业可通过与消费群体的密切互动，主动引导其参与到具体的创意、设计、生产等关键环节，并根据网民群体的互动反馈完成产品的优化与再创新。而此时对海量数据中消费者需求的洞察则成为企业产品研发创新的最原始动力：通过对消费数据、评论数据的分析发现用户兴趣偏好，然后研发出满足市场需求的产品，并按照消费者的习惯将产品投放市场。Netflix从3000万付费用户的播放、评论数据中精准分析出用户的喜好和收视习惯，从剧本、导演、演员和产品投放方式上精心决策，创造了巫术一般的精准产品——《纸牌屋》，《纸牌屋》的出品揭示了大数据环境下产品研发的管理逻辑。

（3）大数据驱动的市场营销创新

“或许它比我更了解我自己。”这一有些艺术的表达形式，却揭示出我们身处海量数据环境中的生活现状。企业不再局限于对简单业务、历史数据的分析，而是开始探索其“站在未来看今天”的能力。它能够从社会化网络中搜集并记录消费者在各个渠道、各个生命周期阶段的行为数据，分析和了解消费者在搜索、浏览、消费、社交、评论、时空等方方面面的兴趣偏好，从而设计出精准度高、绩效可度量的个性化营销方案。以亚马逊为例，它意识到在这个信息快速流动、消费者异质化明显的时代，由专家组成的书评团队会表现得愈发低效，遂开始尝试利用数据挖掘技术了解消费者的行为特征，预测消费者的兴趣偏好，以此来优化排序结果，为每一个顾客提供个性化的推荐列表。亚马逊展现了大数据时代的营销管理逻辑。

图2 亚马逊比你自己更了解你

（4）大数据驱动的客户服务创新

在数据相对贫乏的时代，企业没有深入探知客户需求与偏好的渠道，提供的服务也大都以“粗犷”的模式进行。但随着海量搜索、社交、评论等数据的积累，企业可以更好地了解客户，映射出企业与客户互利共赢的关键结点，实现客户服务的“精细化”发展。如联想利用数据分析了解客户在数字属性与呼叫中心之间的访问过程，从而为客户提供更贴切的用户体验；百度通过分析游戏爱好者的搜索行为，来引导网络游戏运营商对客户需求热点的服务。联想和百度展示了大数据驱动的客户关系管理逻辑。

（5）大数据驱动的投资决策创新

随着数据采集和分析技术的推陈出新，投资者可获得的原始数据与参考信息量快速增长，以往隐匿于浩瀚信息海洋中的投资亮点、领域风险亦可被有效挖掘，财经新闻、金融贴吧等数据被充分利用，实现投资资源的优化配置。如英国金融公司Derwent Capital运用大数据技术分析社交网络平台Twitter上2.5亿条/天的公众信息记录，及时感知并预测社会公众对某一股票的看法，从而判断金融市场走向，优化投资决策。除此之外，大数据还可让金融业学习到如何更深入地了解投资者，认识每名客户的基本情况、需求和目标，以便为其提供更为个性化的投资决策支持。

（6）大数据驱动的内部风险控制创新

以往的企业内部风险控制，主要利用管理信息系统对内部资源进行动态监控，以期通过精益的资产分析来实现及时、有效的预警。但随着信息技术的发展，现代企业的运营管理对社会媒体、消费群体、供应链上下游合作企业及其竞争对手的依赖性越来越强，致使简单的内部监控无法达到防患于未然的目的。因此企业只有利用先进的技术手段，对其所处的整个生态系统的数据信息进行系统全面的分析处理，才能有效识别隐匿于海量数据间的潜在风险。如阿里巴巴运用大数据技术成功预见了“互联网冬天”的到来，有效管控了阿里巴巴及其客户的经营风险。

（7）大数据驱动的金融服务创新

图3 你有没有信用，蚂蚁知道

蚂蚁金服在拿到金融执照短短几年时间里，便向全球6亿消费者用户提供普惠金融服务，为数千万小微企业提供综合金融服务，覆盖线上和线下，成为银行界未来最可怕的对手。而其如此成功背后的实质是什么？是大数据经营与业务创新的结合。蚂蚁金服利用阿里巴巴提供的交易数据，可以从100多个不同的风险维度来快速评估客户的信用水平，提供少到几百元，多达几十万元的小额贷款，贷款速度快到只有几分钟时间。这种只依赖于数据，极大地精简手续和环节，且不受时间和空间的限制的金融服务创新，打破了银行需要抵押或担保的传统做法，颠覆了信贷行业的认知，并取得了巨大的成功。

3. 大数据时代的思维变革

（1）总体 vs 样本

社会信息技术环境的改善，互联网络、移动终端、传感设备等可以轻易获取海量数据，使我们可以分析更多，甚至是和某个特别现象相关的所有数据，从而得到更高的准确性，也让我们更清楚的看到了样本无法揭示的细节信息。然而，在管理研究与实践中，由于数据交易机制的不完善、隐私保护的限制等等，真正获得总体数据依然是困难的，而具有流特征的数据更加无法获得总体数据，因此在很多情形下，我们依然使用样本分析方法，但在样本的关注上，不再只是关注某个维度的数据，而是关注样本的全景数据。

图4 消费者的全景数据

（2）混乱 vs 精确

大数据时代，大量的数据产生于多源、开放的信息系统，数据源无法控制，数据纷繁多样、优劣掺杂，我们要做的就是要接受这些纷繁的数据并从中受益，不再担心某个数据点对整套分析的不利影响而以高昂的代价消除所有的不确定性。当然，面对这种不确定性，统计学将面临着巨大的挑战，在大数据环境下，现有统计工具所基于的与数据集特征和抽样方式相关的假定可能不再有效，误差评估和统计诊断工具自身的计算过程可能是计算上不可行的。

（3）关联 vs 因果

图5 关联关系还是因果关系在起作用？

寻找因果是人类长久以来的习惯，大数据时代会不会改变我们的习惯？有些时候我们并不需要知道事物的起因，比如我们只知道什么时候是买机票的最佳时机，就算不知道机票价格疯狂变动的原因也无所谓，因为在许多情况下，相关关系虽不能准确的告知我们某件事情为何会发生，但他会提醒我们这件事情正在发生，这已经足够强大。但在另外一些情境下，如果不清楚事物的起因，其决策就可能面临着巨大的风险。例如啤酒与尿布的故事众所皆知，即在周五下午沃尔玛超市里啤酒和尿布往往被消费者同时购买，该发现被沃尔玛成功地应用于产品捆绑销售；但单纯的从数据角度看，啤酒与教堂之间也具有很强的相关关系，即一个地区的教堂数量与啤酒销量有显著的正向关系，但任何一个企业都不会去为了在某个城市促销啤酒而在这个城市多建一些教堂，其实这种相关关系是没有因果关系的关联，难以支持企业决策。因此关联关系与因果关系在大数据时代都是重要的，而作为管理学者，更多的是关注其中的因果联系。

（4）事实 vs 假定

在小数据时代，无论关联分析还是因果探究都要通过一些建立在理论基础上的假定来指导我们选择适当的关联物，并收集与其相关的数据进行反复试验，以推动学科的发展，即思维/研究/决策的逻辑起点是某个合理的“假定(Assumption)”。但由于个人或团体观念偏差的存在，可能导致我们在设立假定、应用假定和选择关联物的过程中犯错误。且随着数据体量的增加，涉及领域的繁杂，这种建立在人们假定基础上的繁琐过程已经不再可行。在大数据时代，许多迫使我们选择假定分析法的限制条件逐渐消失，例如消费者产品保留价格不再假定其服从某种分布，而是可以通过大数据分析得到其真实分布，此时我们的思维/研究/决策的逻辑起点更多的会选择“事实(Fact)”。

4. 大数据分析：Descriptive Vs. Predictive Vs. Prescriptive

图6 将分裂的模型整合起来

借助于大数据分析技术，可以发现隐藏于数据中的管理逻辑。传统来看，管理科学的研究是通过对管理对象的观察、调查、实验，描述和刻画管理对象的行为特征，揭示行为规律，解释行为产生的原因，在此基础上预测管理对象的行为变化，并通过适当的行动方案控制管理对象的行为，实现管理目标，传统的管理研究往往割裂了上述各个环节。而对于大数据时代的管理科学研究，更加注重将上述环节统一到一个分析框架下，即“prescriptive analytics”，在该框架下，预测分析整合行动方案、反馈系统、甚至因果关系，跟踪管理系统的输出，并最终输出优化的行动方案，例如产品销售预测与价格优化、生产优化或库存优化管理，客户/员工流失预测与保留策略优化，机械故障预测与维护优化等等。

图7 预测的同时为管理者提供最优方案

大数据作为一种人造资源，与自然资源、人力资源一样，是推动国民经济、社会和科学技术发展，重塑国家竞争优势，提升政府治理能力的新动力、新机遇、新途径。大数据的研发应用已成为各国构建创新发展模式和提升国家长期竞争力的战略领域，并成为了学术研究热点。Science，Nature，AMJ，Management Science，MISQ等国际著名学术期刊都相继发表了大数据专刊，我国科技部门先后立项了多个重大课题，如科技部的“云计算与大数据”重点专项，国家自然科学基金委员会的“大数据驱动的管理与决策研究”重大研究计划等等。2015年国务院印发了《促进大数据发展行动纲要》，从政府数据资源共享、国家大数据资源统筹发展、政府治理、公共服务、现代农业、工业和服务业、创新创业、大数据关键技术及产品研发与产业化、大数据产业支撑能力提升、网络和大数据安全保障等十个方面规划了未来大数据的发展方向，为政产学研用创造了新的机遇。

参考文献:

1. 维克托·迈尔·舍恩伯格，大数据时代：生活，工作与思维的大变革，浙江人民出版社，2013.1

2. 冯芷艳，郭迅华，曾大军等，大数据背景下商务管理研究若干前沿课题，管理科学学报，2013，16（1）：1-9

3. 黄海军，刘作仪，姚忠等，管理科学与工程学科“十三五”发展战略与优先资助领域研究报告，2016.12

4. 陈国青，冯芷艳，路江涌等，工商管理学科“十三五”发展战略与优先资助领域研究报告，科学出版社，2016.11

5. Dimitris Bertsimas，Nathan Kallus，From Predictive to Prescriptive Analytics，Management Science, Forthcoming

作者简介:

刘业政，男，1965年9月出生，博士，教授，博士生导师，“新世纪百千万人才工程”国家级人选，国务院特殊津贴专家。现任威廉希尔院长，合肥工业大学电子商务研究所所长，教育部电子商务类专业教学指导委员会委员，过程优化与智能决策教育部重点实验室副主任，“智能决策与信息系统技术”国家地方联合工程研究中心副主任。

刘业政长期从事电子商务、决策科学的教学与研究工作。先后承担了国家自然科学基金3项、国家“973”项目子课题1项、国家“863”重点项目子课题1项、核高基国家科技重大专项子课题1项以及其他计划课题20余项，同时还承担了百度、阿里巴巴、腾讯以及奇瑞汽车、合肥海尔、安徽电力等20多个企业委托的开发与研究课题。

刘业政先后获省部级科技进步一等奖2项、二等奖1项、三等奖1项；在科学出版社出版学术专著1部，在国际顶级期刊《营销科学》以及国内外其他权威期刊和国际学术会议上发表论文100余篇。先后承担了“电子商务概论”、“电子商务新进展”、“移动商务”等课程的教学任务，主持国家精品课程和国家精品资源共享课程《电子商务概论》、“电子商务核心课程”国家级教学团队以及“十一五”、“十二五”国家规划教材《电子商务概论》的建设工作，先后获国家教学成果二等奖及安徽省教学成果特等奖各3项。