在過去工作經歷裡，外企給人最深的印象是「大數據導向」，理性和大數據是跨越文化隔閡，進行平等溝通的橋樑；而在國內企業，「經驗導向」是主流，大數據的作用主要是「輔助證明經驗得到的想法」。
兩者的優劣本文不展開討論，但有一點是很顯著的，在培養新人團隊方面，理性和大數據的方法更容易操作。而經驗論，是所謂的「外師造化，中得心源」，模糊點撥，自己領悟，用這種「散養」方式培養藝術家是可以的，但是用來培養具備大數據意識的網際網路產品運營團隊，顯然是不靠譜的。
可能讀到這裡，有人會說：
剛畢業的新手理論頭頭是道，但不能獨立運用，缺了什麼呢？
學校的運籌／決策學的知識，都基於一個假設：訊息是相對充分和正確的。如果不太充分、不太正確呢？只能吐槽麼？
本文認為，訊息充分的情況下如何大數據化決策應該是「極端特例」，「訊息不充分情況下如何大數據化決策」才是常態。
我們知道，經濟學的基礎假設是，資源是「稀缺」的，經濟學就是在資源不夠的情況下如何「do more with less」。能夠真正用於實戰的大數據分析決策，也應該立足於承認和正視「訊息不是充分的」。
第一個理念：嘗試量化「不充分」
常見的問題例如，由於埋點問題，數據不全，那麼究竟「不全」到什麼地步，是否可以量化，是否有其他數據可以互相佐證，在這些基礎上，利用已有數據已經可以做很多事情。
第二個理念：嘗試「容納誤導」
隔壁部門／合作方不願意分享充足的訊息，導致預測和實際數據結果差異很大？這也是非常常見的情況。抱怨是沒有任何意義的，影響大數據的還有大量天災，相比這些來說，其實隔壁部門提供的大數據，有多少偏差還更容易預知一些，畢竟那是有「目的」的，而天災是無「目的」的。
絕大部分「有目的偏差」的數據，例如活動作弊，刷優惠，客觀情況就位於「目的」兩級的中間（比如說俄羅斯和土耳其雙方的新聞，往中間歸納就比較接近真相）。
預測時就容納黑天鵝，將異常因素納入考慮，大數據預測也和程序一樣，有所謂「健壯性」，能夠一定程度上容納意外情況，而「留餘地」程度的多少是可以通過對比測試，不斷逼近合理值的。
第三個理念：不要找藉口不思考
為什麼大數據分析周全的方案一再被上級否決，常見的心靈雞湯會說，因為上級看到更多的訊息，因此「訊息更多的一方決策比訊息更少的一方要科學」，這是典型的「找藉口」說法，不僅相當消極，而且容易引導人惰於思考，漸漸遠離理性，投身於追逐權力。
之前我們提過，現實生活里根本就沒有訊息充分的情況，更可能的是，執行層擁有更多的訊息（解釋了為什麼「權力下放」的網際網路企業勝算更大），況且即使是最高層，也無法預測新的競爭對手和行業政策巨變。數據分析如果切入面獨特，邏輯完整，而且留有健壯容錯性，完全有「一沙看穿一世界」的可能，這也是玩數據在精神上最過癮的地方。
小結
本文是隨手一口氣打完，沒有太多雕琢，初衷是，如果以後想教小朋友用大數據分析來解釋世界，不希望說類似「如果實際情況不滿足假設，那就隨機應變吧」。
