【哈佛商評】人工智慧將改變80/20法則

很多高效組織對於韋爾弗雷多•帕雷托，這位敏銳過人的義大利工程師和經濟學家，仍然十分鐘情。他的80/20法則繼續啟發著他們，即80%的結果（銷售額、收入等）取決於20%的原因（產品、員工等）。機器學習和人工智慧的演算法革新改變了分析學，我敢打賭下一代演算法將會讓在實證方面充滿爭論的帕雷托範式受到更大關注。組織機構如何利用帕雷托法則讓有利的創新舉措在數字化驅動下獲得常規演算法實現不了的發展，對此，人工智慧和機器學習將通過三種方式進行重新定義。

智能帕雷托法則

首先，數據在量上和種類上的增加保證了演算法智能升級所須的訓練。數字網路因此變成了帕雷托平台，能夠將影響因素的關鍵矢量轉化為新價值。舉例來說，新的工作場所分析法讓更多機構更容易識別出對某個產品、流程、客戶體驗作出80%貢獻的那20%員工。數字化過程中的商業流程、平台和客戶體驗同樣也創造性地利用了帕累托原理：平台升級中的哪20%能夠帶來80%的影響？顧客體驗中的哪20%帶來了80%的愉悅或不快？認真嚴謹的高層管理人士希望這些數據相關的問題能夠由演算法來解決。

超級帕雷托法則

傳統的比例分佈已經發生了徹底的變化。大數據的生產力小秘密在於帕雷托的80/20分佈判斷在實證上已經不合時宜。熱衷數據分析的公司越來越常見到接近10/90、5/50、2/30以及1/25的帕雷托分佈比例。因為數字化處理和定義數據的嚴格程度不同，還出現了1/50、5/75，甚至，是的，10/150這樣的帕雷托比例。帕雷托的「關鍵少數」變成了「關鍵更少數」。

極端分佈勝出並佔據了主導地位。超過50%的烈酒賣給了不到10%的飲酒人。更極端的是，不到0.25%的遊戲玩家貢獻了過半的遊戲相關收入。

準確識別和呵護「超級帕雷托法則」在分析層面上做得還不夠。市場和市場發展要求描述性的數據能夠引出預測性和規範性的數據。換句話說，這些數據集要能夠變成智能演算法的訓練集。

機構還要找出帕累托傾向——他們要用演算法破譯出哪些細微調整能帶來數量級的商業影響。管理者和數據科學小組必須重新調整，以極端帕雷托存在潛力和可能性為中心開展工作，而不僅僅是更多更好的數據。

舉例來說，一家庫存單位大於兩千、市值幾十億歐元的工業設備公司認為其三分之一的銷售額和大約一半的利潤來源於不到4%的訂單。但是將服務和保養納入分析之後，則顯示超過三分之二的利潤是由大約100種商品貢獻的。這促使該公司徹底對定價和打包策略進行了重新考量。

細化后的帕雷托分析法，關注產品的特性和特點而不僅僅是產品本身，帶來了更有挑戰性的見解。這家公司的工程小組和客戶團隊針對預期特點和功能模式而不是產品本身，以數據為驅動進行了重新設計。換一個分析單元處理會帶來更有價值的帕雷托判斷。比如說，有針對性地去除一些特性，不僅降低了成本，還能直接大幅提升用戶體驗，從而在越來越細分的用戶市場上佔領更多份額。

超超級帕雷托法則

第三，隨著數據含有的信息量越來越大，演算法處理複雜模式更加智能，帕雷托法則包的管理也發生了變化。現已掌握的、在分析層面和操作層面都適用的帕雷托法則包——是涵蓋整個行業的一系列不同的帕雷托判斷。對於這些法則包，字母KPI是帕雷托關鍵信息（key Pareto information）的縮寫，而不僅僅代表關鍵績效指標（key performance indicator）。如果關鍵帕累托信息集合板沒能促進關鍵帕雷托信息的數據化驅動，人們對於未來的優化和價值創造機會將一無所知。

儘管流程主管、產品經理和銷售團隊曾經只專註於優化自身的核心帕雷托法則，現在也開始打探、研究、利用起他人的帕雷托法則。嚴謹認真的管理者和執行者打破分析的壁壘，一躍而出。他們認識到自己的帕雷托法則與行業里其他的帕雷托法則在分析層面有交叉重疊，在應用層面可以重組再結合。

與其他帕雷托法則相結合逐漸成為反思某個帕雷托法則、為其重新注入活力最有效的辦法。隨著擁有豐富數據，和演算法敏銳度的公司不再獨自掌握幾十種關鍵帕雷托信息，而是著眼於行業里成百乃至上千種關鍵帕雷托信息，全新的帕雷托法則集合將會出現。哪些法則集合能給新的舉措帶來最多的啟發和機會呢？

我認為網路相關的帕雷托法則因此會成為最活躍、最有效的分析動因。關鍵帕雷托信息群里哪10%的數據能解釋90%的新客戶、新增長、新盈利。超超級帕雷托的創造力帶來的挑戰要求實現數據化驅動下的跨功能合作。高級經理和業內強人願意創造性的融合他們手中的關鍵少數。

在一家國際電信公司，各種帕雷托分析法——描述性的、預測性的以及規範性的——都被用於預測、阻止和最大化的減少客戶流失。客戶流失管理小組工作十分出色，識別並維護住了約幾百萬有離開風險的客戶。但是達到臨界點之後，成效便趨於穩定，不再有新的突破。

當這個小組決定把眼界打開之後一切都發生了變化。他們不再圍繞用戶滿意度、用戶投訴和用戶服務強調帕雷托法則，而是挖掘出若干有助於增加銷售額的銷售數據集：購買了80%的新業務的那20%客戶；辦理了75%的新裝機業務和數據套餐業務的那25%客戶。

對這些帕雷托數據進行分析后，客戶流失管理小組開始思考，能否在實際中刺激客戶產生更多的消費而不僅僅是保證客戶不流失。直接的回歸分析和簡單的基於代理商的建模技術發現，帕雷托波動因素和帕雷托銷售增加因素在某些層面存在著重要聯繫。

寫腳本，對訂單進行實驗性的測試迅速、簡單，成本小。儘管最終的結果並不是革命性的，卻遠遠超出了增量的目的。不僅保有率增加了，小組耗用的時間也減少了，同時還成功地將銷售額提升了一到兩個百分點。

不過這種帕雷托法則集合還意外地帶來了很明顯的商業紅利。客戶流失管理小組的新帕雷托法則被證實有助於提升銷售額和營銷能力。他們創新的法則集合既降低了流失率，又提升了客戶滿意度和凈推薦值分數（NPS）。每個人都是贏家。

帕雷托法則集合的初步成功讓人想到Netflix 演算法大賽帶來的重要啟示：最優結果不是來源於個體性能的提升，而是創建集合將所有最優的特性全部最大化。帕雷托分析法能夠找到最有價值的集合，雖然有些諷刺，但確實如此。

這裡的經驗是，擁有眾多模型有助於實現贏得比賽所必須的增量性結果，但是，實踐中，僅有幾個精選的模型也能建成出色的系統。

將帕雷托分析法嚴格應用到帕雷托分析法上看起來很理所當然，但沒有幾個機構能夠一直這樣做。這一點必須要改變。戰略規劃和技術路線圖需要「帕雷托路徑」分析后的信息。更準確預測未來關鍵少數的能力、數字化組合整個領域關鍵帕雷托信息的機會，不僅會成為效率提升的源泉，也是顛覆性價值創造產生的源泉。

演算法越智能，越需要學習和利用帕雷托法則，擁有演算法的機構也是如此。

邁克爾•施拉格是麻省理工大學斯隆管理學院數字商業中心的研究員，是《嚴肅遊戲》（哈佛商業評論出版社）、《想讓你的客戶成為誰？》（哈佛商業評論出版社）、《革新者假說》（麻省理工出版社）等書的作者。