堪比智商、情商、逆商的一种顶级能力

大家好，我是混沌大师兄。 之前很多媒体曾广泛报道过这样一件事：由于地价高企，北京被称为“便利店的死地”。 但在2017年2月，北京的便利店行业来了一个猛人，一下子在中关村开了五家店，他就是便利蜂创始人庄辰超。 庄辰超是一个数学学霸，他的信条是：不信命运，信概率。 不信命运我们都能能理解，“信概率”是怎么想的？其实这背后隐含了一种很顶级的能力，那就是“数商”，这个概念是前阿里巴巴副总裁涂子沛提出的，他的专著《数商》于2020年7月出版。这两天大师兄和涂子沛就这个话题进行了探讨。 本文结构速览： 1、用数据和算法把人覆盖
2、数据时代，数商是一种顶级能力 3、高数商者从来都是占尽先机 4、万物皆可被数据化 5、幸亏数商可以培养
编辑|朱晓录 混沌大学
*本文由混沌大学编辑，部分内容参考自《数商》，中信出版社出版。

用数据和算法把人覆盖
2019年，庄辰超在混沌大学的课程上讲述他在北京投资便利店的理念。 他相信随着中国经济的发展，中国人的消费水平不断提高，对便利店的需求会越来越大。高盛的报告显示,消费必需品和药品占中国国民个人消费的30%以上，每年消费额能够达到约1万亿美元。 接下来，庄辰超为北京的便利店市场算了一笔账，整个台湾地区2400万人口，有1万家便利店。北京有2200万人口，却只有700多家。北京消费水平并不比台湾地区低，以相同的人数，至少应该有5000家便利店。因此，北京有着巨大的市场潜力。 所以，当外界都不看好北京便利店时，便利蜂却悄然进入。 之前来北京闯荡的便利店巨头也不少，如7-11、罗森等等，但7-11花了15年，也只开了不超过200家店。 因为7-11始终是按照模板在北京开店。而在中国，店铺建造是没有标准化的，每一家商铺货架的摆放都不一致，所以每一家店铺的财务数据，也都要重新动态计算。 但如果把动态调整的工作交给加盟主，又会碰到一个问题，中国加盟主相对来讲学历不高，自我优化经营的能力没有那么强。便利店的营业收入又支撑不了高学历水平的店长薪资。 这就是此前便利店管理中的核心问题，每一个有人的节点，都会导致整体效率下降。 这种情况下，庄辰超认为只有一种方法能解决这个问题——用数据和算法来把人覆盖掉，在便利蜂的整个经营决策过程中没有人的参与。 便利蜂的供应链自动化分为7个层次： 1.员工职能自动化 2.订购、生产排班和动态定价系统；订购、展示和上架储存系统 3.排班和任务管理系统 4.关于动态定价和算法选品的案例研究 5.数据驱动选址策略 6.店铺设计自动化 7.为便利店量身定制物流网 以前三项为例。 员工职能自动化指的是把员工所需的技能按订购、生产、排班、定价等分别列项，并智能化。 7-11培养一个优秀店长大概需要花2年，而有了这套自动化系统，便利蜂只需要6个月。 在便利蜂的订购界面，每个店铺大概有2000多种商品，日配品就有300多种，所有商品都需要按照不同时间、天气变化、地域、气候需要来订购，数据非常复杂，人类员工很难综合考量做出决策。 所以，便利蜂的订购决策都是通过系统进行的；货物陈列也是如此，便利蜂平均每周都要换接近150个以上的产品，而且每一家店铺结构、货架和陈列图都不一样。有了自动陈列系统，店员可以什么都不知道，甚至不认识商品，也能完成任务。 动态定价使便利蜂能够像机票打折一样对面包打折。便利蜂的很多商品都是24小时、48小时过期的，属性非常像航空公司或者酒店。因此，便利蜂店铺里用了大量航空公司的动态定价方法。 在便利蜂的系统中，几点钟面包的销量低于预期，几点开始打折，打几折，几点恢复原价……都存在一系列的按时间排布的数据序列。第二天订货的时候，系统会通过数据分析，动态更改面包定价。 所以，今天如果你走进北京的任何一家便利蜂，虽然售卖、上货、清洁都是有人的，但是它的经营决策是由一台系统自动完成后，每15分钟推送给店铺的。 而且，为了保证便利蜂对数据思维的敏感，庄辰超让员工参加数学考试，不合格者将被开除。 对此，庄辰超特意发了个声明： “每个总部员工的数学逻辑能力对于便利店业务尤其重要。便利店业务每一天都需要大量的基于数学逻辑评估的小决策。数学逻辑好，绩效不一定超越预期，数学逻辑不好，绩效很难达成预期。” 对于数据的获取，庄辰超也表现出了数学人特有的“洁癖”。为了避免因为媒体关注而产生过多看热闹的用户，使真实的用户数据受到“污染”，庄辰超宁可一直保持低调。 事实胜于雄辩，数据胜于成见。 从被称为“便利店死地”的北京出发，到现在为止便利蜂开了800多家店。在北京，便利蜂的店面数量和销售额都是第一，天津、南京也是第一。 庄辰超的成功底蕴正是数据分析的能力，或者说数商。 在近日混沌大学的一期直播中，从庄辰超与高瓴创始人兼首席执行官张磊的对话中，我们得知，原来庄辰超连找女朋友都是用数据分析指导决策的，约会过多少个女生，哪个阶段成功率最高要close deal，全部都有严谨的数据支撑和逻辑推理。 难怪在这个数据爆炸的时代，脱颖而出的个人和企业都是数商高的人。

数据时代，数商是一种顶级能力
每个人都向往成功，智商和情商就是过去100年间人们从前人案例中提取的成功密码。所谓“商”，是指对人类某种特定能力的量度。 智商主要表现为一个人逻辑分析水平的高低，情商则用来衡量一个人管理自己和他人情绪的能力。 “数商”是一个新概念，是一种以数据为中心的能力，一种把事实转化为数据，并能对数据进行处理和分析的能力。 数商虽然是个新概念，但其实人类在建立复杂的文明之前就有了对数的感觉。文字出现前，人们就已经在用刻痕、结绳等计数方式记录事实、传递信息。 人类发明文字之初，数字表达占据了文字的中心位置，最早的文字都是以数字为中心，“数”和“字”最初是一体的，后来数字才逐渐从文字中独立出来了。 数字对世界的记录是精确的，而文字有很大的不确定性，但可以很生动。 凭借数字和文字，人类可以用固定的形式把自己的观察、经验、思想和成就记录下来，共享出来，并代代相传，不断叠加。这突破了人类单个个体的生理边界，催生了文明的快速积累和发展。 今天的社会，正在发生一场巨大的变迁，要从以文字为中心变成以数据为中心。 由于电子化的力量，数字和文字在重新成为一体，统称为数据。 数据是一种新的资源，它可以释放出新的能量，这种能量对人和世界会产生新的作用力。 在数据爆炸的今天，搜集数据、分析数据、用数据来指导决策的能力将越发重要。对这种能力高低的衡量就是 “数商”。 这就是为什么，今天我们要讨论数商的重要性。数商不仅如开头提到的例子中，可以影响一家企业，还能影响个人、国家的命运，还能推动科学和公共卫生事业的发展。

高数商者从来都是占尽先机

数商高能够决定一个国家的国运。一些对数据运用能力强的国家往往在大时代占据天时。 “账本”改变了历史走向 几千年以来，人们都只会记流水账。 如果你吃饭、购物花了钱，按流水账记录就是： 吃饭支出：500元 购物支出：20000元 流水账的问题是，它只能记录简单的收入和支出，不能反映复杂的商业关系。 但生活并不是这么简单。有些账目的性质是交叉的，它既可能是收入，也可能是支出。比如，买股票既是支出，也是投资，因为这笔钱并没有真正花出去。 假如购买股票支出5000元； 还信用卡5000元，还欠1000元； 向朋友借了1000元，用200元为公司垫付交通费。 如果都记下来，一定会记重，如果不记，又可能漏记。 流水账对商业发展的限制实在太大了，账记不清楚，公司就只能小本经营。因为公司要做大，就要有合伙人，如果算不清账，合伙人就会因分红发生争吵，结果就是互相红脸跺脚、一拍两散。 这种情况直到1494 年，帕乔利将威尼斯的记账方法总结成“复式记账法”才得到改观。 这个方法的精髓是：每一笔商业来往都要以相等的金额同时在两个账户中进行双重登记，即有借必有贷，借贷必相等。 例如，你今天花5000元买了股票，用流水账的记法记下“买了5000元股票”就行了。 但如果用复式记账法，你必须同时记下两项：一项是从现金账户减少5000元，记为“–5000”；另一项是在投资账户增加5000元，记为“+5000”。 如果全部的业务都这样记录，那么商人就可以建立随时结算的体系，即随便什么时候都可以算出一个利润的准数。公司就可以清晰地追踪每一笔资金的流动和来龙去脉，计算它的回报率了。 因为所有账户的借贷之和，即正数和负数之和必须为零，就像能量守恒定律，这种方法也特别方便在记录中找到错误。 从此，记账进入文化和家庭，意大利，荷兰、苏格兰、英格兰开始陆续建立大量的会计学校。16世纪晚期，阿姆斯特丹一度成为世界会计中心，荷兰产生了全世界第一家股票交易所，以及后来世界闻名的东印度公司。 头脑灵活的欧洲人开始制作国家的“账本”：对整个国家的经济活动进行事无巨细的记录，对国家和社会的每一笔财富进行追踪，以此分析一个国家所有资本的增减变化、流动去向等，实现整个国家资源的数据化管理。 著名经济学家熊彼特甚至认为，资本主义起源于复式记账法，复式记账法是资本主义“高耸入云的纪念塔”。 除了推动历史进程，数商高的人还推动了科学革命。 数据思维战胜了人类感觉 这是一个用数据思维和逻辑推理战胜感觉的故事。 科学革命起源于天文学，其中的一项重要课题是观测各种星体运行的轨迹。 但长期以来，影响天文学研究取得突破最大的障碍，是我们的直觉，人类感觉不到地球在自转。 因此，人们笃信“地心说”，相信地球是静止的，并把天体在天穹中位置的变化理解为它们在围绕地球旋转。 直到波兰天文学家哥白尼提出日心说，科学的历史才真正翻开了篇章。 依靠自制的简陋仪器，哥白尼详细记录了从 1497 年至1529 年间 50 多次观测的数据，其中包括日食、月食，还有火星、金星、木星和土星的方位等。 他观测得到的数据精确度相当高。比如，他计算得出的恒星年时间为 365 天 6 小时9分40秒，误差只有百万分之一。 在掌握大量天体数据基础上，哥白尼提出，地球围绕太阳旋转，同时在自转。是地球的自转，使人们产生了整个宇宙都在围绕地球运转的错觉。 哥白尼之前整个人类的视野都是地球，哥白尼借助数据的力量，第一次把人类的视野带向地球外。 数据把人类的杂乱无章变成有迹可循 数商高的人还推动了商业制度的进步。 1662年，英国国王查理二世收到一封申请信，要求册封格兰特为英国皇家学会会员。 格兰特是一名经营皮毛生意的商人，没有接受过高等教育，他到底凭什么获得国王和学会的青睐呢？ 伦敦从1527年开始建立死亡名册。到1603 年，死亡报告表一周统计一次，每当一个社区有人死亡，政府就会收集死者的资料，记录死亡的原因。 格兰特的历史功绩在于，他梳理了这份名册80多年的记录，把看起来一团混乱的表格汇总起来，做出了一张可以体现死亡法则的“人口存活数表”。 格兰特梳理的人口存活数表

年龄（岁）	每 100 人当中活下来的人数（人）
0	100
6	64
16	40
26	25
36	16
46	10
56	6
66	3
76	1
86	0

其创新在于，统计了每一个年龄段的人口数以及生存的比率。 例如，格兰特发现，能活到16岁的，100人中只有40人，而活到76岁的，100 人中才有1个。 这是他从样本数据中得出的一般性结论，后来这被称为“推断统计”。 通过这张表，人们才认识到，看似孤立的、没有规律的个体死亡事件，放在群体中就会呈现出某种规律。这个群体越大，观察的时间越长，规律就越明显。 只要掌握了这个规律，就能预测一个地区居民的死亡事件，这些发现后来成了现代人寿保险体系的基础。 人寿保险体系，关键在于确定保费。如果人人都活到八九十岁，保险公司却按照六七十岁的平均寿命做保险订单，保险公司肯定是赔不起的。同理，如果社会平均寿命才七十岁，保险公司却按八十岁来计算缴费额度，那保险可能卖不出去。 人们按照格兰特的思路，在死亡率和利息的基础上，计算出了每个年龄段的人寿保险价格，也就是生命保险的现价。 这种计算人寿保险费率的思路一直用到今天。 危机来临时，人类依靠数据力挽狂澜 数据分析还能救命。 在今年抗击新冠疫情的战役中，大数据在发现疫情传播路径，控制疫情发展等方面发挥了巨大作用。 事实上，数据分析在流行病的防治历史中有非常久远的应用，比如在19世纪，远在人类能够用显微镜观察到细菌几十年前，英国人斯诺就成功用数据分析方法发现了霍乱的真实传播方式。 霍乱是一种非常恐怖的烈性传染病。患者全身肌肉痉挛，肚子剧痛，上吐下泻，直到体内水分被排干，但却苦于无药可医，染上只能等死。英国曾在20年间发生过4次大面积暴发，每次都有数以万计的人死亡。 今天人们知道霍乱是通过污水传播的，预防和控制霍乱，最关键的措施应该是保护水源。但200年前的主流观点是“瘴气论”，认为城市里的恶臭空气是霍乱的源头。 错误的认识和防治措施延误了宝贵的防治时机。直到斯诺出现，这个错误才得以扭转。 1848年，伦敦第三次暴发大霍乱时，斯诺发现，霍乱患者的最初症状都是腹泻呕吐，“如果真的是瘴气传播，那为什么最先被感染的不是鼻子和肺，而是肠胃？” 斯诺断定，霍乱一定是经口腔进入肠胃的。他推测这极有可能是因为喝了不干净的水。但用当时的科学设备，看不到水里的微生物，被霍乱弧菌污染的水看起来完全和正常的水一样，斯诺无法说服身边的人相信他的判断。 斯诺需要的是更多的证据。 他深入病区，发现一个惊人的事实：这次霍乱暴发期间，泰晤士河南岸的死亡率接近0.8%，而伦敦西边和北边的死亡率仅0.1%。 他认为真正的原因是，南岸的伦敦人都饮用泰晤士河的水，而北岸伦敦人的饮用水来源并不仅仅限于泰晤士河，而是有多个来源。 他发现有两个饮用水公司，用户群体大致是一样的，但饮用A公司水的家庭，每 1万户死亡人数是B公司的约8.5倍。 追踪两个公司的水源，就会发现，A公司在流经伦敦市中心的泰晤士河的下游取水，B公司在上游取水，而当时的泰晤士河，已经被霍乱患者的排泄物污染了。 所以斯诺得出结论，水源不干净，才是霍乱传播的真正原因。 斯诺的论断是天才式的，他在“随机对照实验”的概念还远没有产生的时代，就在现实中发现了一次科学实验。 当1854年秋天大霍乱第四次席卷英国时，斯诺运用自己之前的判断和数据思维锁定在了伦敦宽街的水井，并建议政府立即封闭宽街上的水井，以此切断霍乱的传播。 宽街霍乱引发的死亡，由此慢慢地平息下来。 此后，整个伦敦的地下水道体系建成使用，伦敦的恶臭渐渐消失，饮用水的质量逐步提高。 当1892年霍乱再次来袭时，新的地下水道真正成为一道防线，完全把病菌隔离了。对伦敦而言，霍乱彻底成为历史，再也没有在英国流行。 危机来临时，斯诺教会了人们用数据力挽狂澜。今天被全世界尊称为“现代流行病学之父”。

万物皆可被数据

今天，我们正大步迈入一个新的时代——智能时代。数商高的人只会越来越重要。 大数据与城市管理相结合催生了智慧城市，使城市计准则智慧感知、反应、调控能力，实现城市的可持续发展； 大数据指导医疗保健诞生了智慧医疗； 大数据赋能工业引领了工业4.0，产业链数据和消费者数据互联互通，并实时集成、反馈，使工厂企业转向个性化定制，实现生产过程的柔性化、个性化。 在数据爆炸的智能时代，全面认识数据的价值，全面使用数据，应该成为新公民的常识。大数据的出现，不仅仅是一种技术现象，它将影响人类的决策流程、商业模式、科学范式、教育理念、生活方式和观念形态等。 万事皆可数据化 数据日益跟人的日常生活、情感，甚至人本身融合在一起，连婚恋这么感性的事竟然也离不开数据。 现代社会每个人在结婚上的自主权越来越大，却反过来发现结婚越来越难，为什么呢？ 难在信息。要找到一个合适结婚的人需要投入大量的信息搜寻成本，当然还有时间成本、金钱成本。如果信息不优质，时间和金钱就会变成沉没成本，一切又要从头来过。 因此，今天婚恋中介平台越来越火，因为通过这种方式，人们可以降低自己信息搜寻的成本。 但数商高的人就抢占了先机。 有一个叫麦金利的数学博士在婚恋交友平台OkCupid上相亲。 这个网站通过问卷调查和个人动态获得大量个人信息，然后用算法对平台上的人进行两两匹配。 麦金利注册后，回答了几百个问题，但OkCupid只向他推荐过几十位女性，他只从中成功约见过6个人。 为什么系统只给他匹配了几十人，而且还不精准呢？ 原来，OkCupid 算法匹配两个人的根据是两个人都回答过同样的问题。你没回答过对方回答过的那些问题，算法不可能无中生有进行匹配。 怎样知道自己钟意的女性群体会回答哪些问题呢？ 麦金利是个写爬虫程序的高手，他想到了用爬虫去搜取这类数据。十多个麦金利的爬虫在不同的电脑上每天24小时不间断地活动，三周就获得了2万多名女性对600多万个问题的回答。 然后，他对搜集到的女性数据进行分类，从中筛选出自己喜欢的气质类型。他用一个叫K-Modes的算法，根据2万名女性对不同问题的回答，把她们分成 7 个在统计学上具有明显区别的类型，例如多元开放型、高端专业型、艺术创造型等。 他最后选定了两组女性： 1.二十多岁喜爱音乐和艺术活动的年轻女性； 2.年龄稍大、从事创造性工作的专业人员。 他分别对这两组女性的问答信息进行了分析，以掌握她们对什么东西感兴趣。为了提高系统匹配度，麦金利统计挑选出了这两组女性回答次数最多的前500个问题，然后他对这500个问题一一如实地填写答案。 在完成了这些工作之后，他再登录OkCupid平台，骤然发现，他已经和上万名女性有了90%以上的匹配度。 仅仅一个夏天，他就约会了 55 次。 真爱最终出现了。一位叫王婷（音译）的中国女孩主动给他发来了私信。她是一位28岁的艺术系女生，就在附近的一所大学就读，她在 OkCupid 上和麦金利的匹配度是 91%。 两个星期后，他们不约而同地停止了 OkCupid 上的账号更新。据说在他获得博士学位之后，两个人就结婚了。 麦金利的成功给我们带来了哪些启示？ 每个人都有自己的核心圈子，跳出这个圈子的可能性很低。但像麦金利一样善用数据分析，用大数据给自己赋能，降低信息的搜寻成本，就可以在更大的圈子里做出选择。 数据让邪恶无处可逃 通过数据来决策的思维不仅可以耍小聪明，还能作为法庭证据，铁证如山。 2011年10月，有一个女记者克斯汀听说了一起恶性交通事故，一名退休警察开快车，结果肇事致人重伤。 在她的印象中，警察因为开快车导致的交通事故发生好多次了。 为了印证她的直觉和记忆，克斯汀收集整理了历年的新闻报道，果然发现：从 2004年起，整个佛罗里达州发生过320起警察开快车导致的交通事故，但只有一名警察入狱服刑。 克斯汀意识到，这可能是一个非常值得关注的社会问题，她怀疑类似的警察很多，开快车可能是警察的经常性行为。 但怀疑只是怀疑，克斯汀知道，要证明它，无异于要证明警察这个群体知法犯法、凌驾于法律之上，这是个相当大的挑战。 难就难在取证。 凭借克斯汀手中的技术工具，她很难抓到一辆超速的警车。就算运气好，真的碰上一辆，克斯汀也无权截停，就算拍照录像，证据还是不够充分，事后也无法指证。 克斯汀最后想出了一个好办法，她向当地的交通管理部门申请数据开放，因为警车是公务车，公民有权了解其使用状态。她因此获得了110万条当地警车通过不同高速路口收费站的原始记录。 克斯汀的分析方法是：选取两个特定的收费站，测算之间的距离，再在110万条记录中找到每一辆警车通过这两个不同收费站的具体时间，两点之间的距离除以两个时间之差，即为该警车的平均行驶速度。 克斯汀和她的团队用了3个月对这些记录进行分析，结果令人震惊。 在3个月里，当地所属的3900辆警车一共发生5100宗超速的事件，当地1/5的警车都有时速超过144公里的“劣迹”。而且，记录表明，绝大部分超速行为发生在上下班的时间。 这意味着，他们开快车可能并不是为了执行公务，而是为了回家。 克斯汀的怀疑得到了证实。2012年2月，她利用这些数据分析的结果，在《太阳哨兵报》上发表了一系列报道。 数据就是证据，而且“铁据如山”。 舆论一片哗然。 当地警务部门则发生了一场“大地震”，5100宗超速案件涉及12个部门的近800 名警察，一些被“坐实”的警察陆续受到处理：有的被警告，有的被剥夺开车上下班的权利，有的被停职，甚至还有的被开除。 克斯汀的绝妙之处，是使用了一份看起来和警察超速风马牛不相及的数据，独辟蹊径解决了问题。同一组数据可以在新的维度上产生人们“初心”以外的价值和效用，这招可以称为“数据外部性”。 人类越来越多的行为都在留下数据。今天几乎所有的人类行为，都将在数据空间留下“数纹”，即数据纹理。 用好数据纹理，公安部门将迈入一个有案必破的新时代，而对大众而言，我们将迈入一个犯罪更少、更加安全的时代。 2020年2月，南京警方宣布，南京医科大学女生林某被害案告破，这是一宗悬而未决28年的案件。 结果在2020年一次治安纠纷中，警方抓了一个小混混，发现其DNA与南京医科大学命案嫌疑人的DNA相似度很高，警方立即对这个小混混的亲属进行了排查和DNA检测，最终找到了真凶麻某。 不要违法犯罪，这也是智能时代的聪明选择。 未来数据催生“新物种” 《人类简史》作者尤瓦尔·赫拉利曾谈到： 就像宗教神话赋予神权合法性，人文主义思想体系赋予人权合法性，高科技大师和硅谷预言家们正在创造一种新的全球性叙事将算法和大数据的权威合法化。 这一新颖的信条可以被称为“数据主义”。 当全球数据处理体系变得全知全能，接入这个系统就成为了一切意义的来源。 在前几个 世纪，机器是最贵重的资产，大部分机器集中在少数人手里，于是人类被分化为资产阶级和无产阶级。 如今，数据正在取代机器，成为最贵重的资产，如果大量数据集中到少数人手中，那时“人不会再分化为阶级，而是被分化为不同的物种。” 达尔文之后100多年的生物学研究主题是：生物即算法：“不管是病毒、香蕉，还是人类，生物其实都是有机化的算法。” 如今，机器学习与人工智能的发展正在赋予人们足够的计算能力；生物学的进步，尤其是脑科学的进步，又提供了足够的生物学数据。 “当这样的生理数据足够多，算力足够大，就可以创造出比人本身更了解自己的算法。”赫拉利说。 这时，一种“类人机器”的新物种将会诞生。

幸亏数商可以培养

即便在数据衍生出的新物种来临之前，未来每个人也都需要懂得一些数据科学。数商就是对这种能力的衡量，它不仅衡量通过测量和记录获得数据的行动能力，也衡量用科学高效的方法保存数据、使用数据，从数据当中洞察知识和规律，预测未来的能力。 大师兄总结了有关高数商的十大原则，我们要反复地去品味、去记忆、去应用，直到这些原则变成一种自动的思维习惯，让数据意识在不知不觉中进入我们人生的导航系统。 第一是养成记录的习惯。 数据是数商的基础。所谓“巧妇难为无米之炊”，没有记录，就没有数据，什么规律都无从发现。 数商高的人一定都是记录狂人，达芬奇腰间挂个小本子随时记录周边的事情和自己的观察，一生记了3万多页笔记。爱迪生受到他的启发，记了3500多本。 今天，记录变得更加容易，而且廉价。录制一天24 小时的完整视频，一年只需一块容量为1太的硬盘，价值不到400元，大小可以放进口袋。 从这一代人起，人的一生都可以被记录，数据将会成为宇宙当中比石头、土壤还稳定的一种客观存在。 二是定量分析，简单地分类、量化，以一定的次序、格式或者图表呈现数据，分析就会有很大的改进。 一个高数商的人，能够获得数据，会用算法分析数据，但这些还不够，数据分析的结果只有被人类真正使用和采纳才能产生价值。 1853年，战地护士南丁格尔在克里米亚战场发现一个惊人的事实：由于医疗卫生条件恶劣导致的死亡人数，竟然大大超过了战争一线的阵亡人数。 南丁格尔将她的统计发现制成了一个图，该图清晰反映了“战斗死亡”和“非战斗死亡”两种人数的悬殊对比。当这张图被登载在报纸上，英国民众愤怒的声浪此起彼伏，他们无法相信，人民的勇士不是战死了，而是饿死了、病死了。讨论的风暴越刮越猛，这促使当局随后建立了人类历史上第一所正式的野战医院。 南丁格尔的这份图，是历史上第一份“极区图”，也是早期统计学家利用图形来展示数据的经典探索。这种做法，今天被称为“数据可视化”。 一份图催生了一座医院，改变了一个制度。 不注重数据的呈现和交流，使自己的分析结果功亏一篑，这方面的反面案例也有。 孟德尔是现代遗传学的奠基人，他用了 8 年的时间做豌豆杂交实验，现代遗传学的三大定律他一个人发现了两个，实验成果也被整理成论文发表了。 他曾在科学会议上宣讲自己的重要发现，但因为他的论文和演讲只有枯燥繁复的数字，当时学术界都无人能够完整领会，更不要说普通人了，结果他的发现被埋没了！ 直到他去世16年后，有人翻出了他的论文，才重新认识到孟德尔那些数据的价值，整个遗传学事实上被耽误了40多年之久！ 第三，会用概率辅助决策。 上文格兰特的例子中，正是对人口死亡数据的长年统计使他找到了人在不同年龄段死亡的概率，这才能够合理地决定寿险的保费，从而孕育了保险行业。 除了死亡概率以外，还有很多事情都符合“大数定律”，也就是说，一些事件看起来是随机的，但如果在更大的规模上观察它们，其频率就会接近于一个恒定的比率。 比如自杀、犯罪。无论在哪个大城市，无论经济好坏，人类自杀的比例几乎是恒定的，就像存在一种引力吸引人去自杀一样。至于犯罪，也同样令人震惊，人类各种类型的犯罪数量，每年的总数几乎处于一个恒定的状态，年度差别很小，数量非常稳定。 在单个个体身上发生的事件可能没有任何规律，但要把它们记录下来，随着跨年度、跨地区的数据越来越多，群体的行为特点就会在数据上呈现出一种“秩序、关联和稳定”，即这些行为一加总，就会受一种严格的规律支配。 一旦捕捉到这种规律，一个人的决策就可以更合理，更容易顺势而为。 第四， 通过做实验收集数据，寻找真正的因果关系。 达尔文的外祖父韦奇伍德是一名制瓷大师，也是一名信仰数据的人，一手开创了英国国宝级瓷器品牌韦奇伍德。 18世纪前，世界上最好的瓷器来自中国。韦奇伍德喜欢中国瓷器，利用一切闲暇时间钻研瓷器的配方。 为了制造出既美且坚的瓷器，韦奇伍德反复尝试将动物的骨粉掺入原料，一次次地通过实验调配骨粉比例和烧制时间，以寻找最佳配方。他一共进行了5000多次烧瓷实验，并详细记录每一次实验的过程和结果。 到1774年，他研制出了碧玉细炻器，这种瓷器不仅晶莹剔透，透光度高，质地也比一般瓷器坚硬。 可以说，正是从这时候开始，凭借实验、记录和定量分析的方法，欧洲人不仅掌握了中国瓷器的成分和炼制方法，而且开始通过创新超越中国。 第五，学会用幸存者偏 差 分析社会现象。 幸存者偏差，是指我们看到的结果是经过筛选后存在的，而被筛掉的个体在不知不觉中被我们忽视了，如果我们分析问题仅仅依赖那些筛选之后留下的信息，我们的决策就会有巨大的偏差。 就好像老师在教室里说，没来的同学请举手，这是可笑的。 幸存者偏差大量存在于现实生活中，即使很高明的专家也可能犯，而且犯了还自鸣得意，完全不知道。 2001年，美国管理专家柯林斯写了《从优秀到卓越》这本书，对1400多家曾经的世界500强公司进行了研究，从中选出了11家代表，柯林斯认为它们是从优秀走向卓越的典型企业，它们的经营理念和战略措施值得所有的公司学习借鉴。 柯林斯在书中宣称，只要采纳并认真贯彻，几乎所有的公司都能极大改善自己的经营状况，甚至可以成为卓越型的公司。 这本书非常成功，全球销量超100万册。但柯林斯同样犯了幸存者偏差的错误。 市场上有很多公司，它们可能会采用相同的做法或战略，但一个成功了，另外的倒闭了，倒闭的企业悄无声息地被其他公司取代，柯林斯可能完全不知道。 他只从世界500强公司中取样，从已经成功的公司当中寻找战略和经营的因果关系，一旦找到他就觉得是好的。但他没有向倒闭的公司“取经”，因为它们已经不复存在了，不然他就会发现，同样的战略带来的不仅仅有成功，还有失败。 这就意味着，如果我们盲目照搬柯林斯书里面一个成功公司的战略，很可能是行不通的。 最后是掌握一些搜集及分析数据的工具。 对于数据搜索来说，最基本的就是用好搜索引擎了，不要只会简单输入的方法进行搜索，搜索其实有太多技巧 ，比如：如果你想同时搜索两个关键词，但这两个关键词并不连贯，这时候你就可以用并行搜索，格式是： A | B。比如，搜索两个关键词：大数据 | 社会治理。 当你想要搜出来的结果只含关键词 A 而不含关键词 B 时，只要输入：关键词 A（空格）–关键词B，例如：大数据 –保险。 类似的方法还有很多，大家可以去网上多找找，在平时多用用，就会让得到的信息更精准，更高效。 除此之外， SQL、Python等计算机语言是非常好的数据工具，是数据世界的利器。 练熟了这些语言，你可能就像麦金利一样，在数据空间游刃有余。 如果长期坚持用数据化方式分析问题，改变在渐渐发生——以前你看问题靠感觉，现在靠的是从数据中寻找的因果关系和规律。 也就是说，数据化思维已内化为你的一种底层思考方式，你当然就是一个高数商的人。 这就能打破你原有思维对你的禁锢。 我们平时会用“差不多”“大概”等高度模糊的词语来看待世界，这有时候潜移默化影响了我们的思维方式，产生了“差不多主义”——点到为止，不去深究事情的原委，对发现事物的规律提不起兴趣，阻碍了个人认知水平的进一步提升，也妨碍着信息的有效传播。这甚至滋生了很多“神秘主义”——很多人得了病，宁可相信民间偏方或秘方。推荐人信誓旦旦地说，这个药有用，谁谁就是这么治好的。但是即便他说的是真的，这种疗效也是一种幸存者偏见，他没有看到的是，更多的人服用了这些秘方后没有起色，还耽误了正规治疗，造成悲剧。 所幸数商也是可以培养的，性格即命运。性格就是长期坚持的习惯，既包括行动习惯，也包括思维习惯。 而未来的文明将以数据为中心，未来的竞争就是数据竞争。 随着数商在社会中扮演的角色越来越重要，未来会有一个更科学的对数商的测试体系出现，数商也会得到全社会越来越多的重视，受到更多、更丰富的研究。

你过往有哪些成就是数商起了作用？ 参与话题讨论，随机赠送三本《数商》。 数据不是一切，但一切都将变成数据。这本书是大数据先锋思想家、阿里巴巴前副总裁涂子沛重磅新作，教你用数商理性决策，成为数据时代的聪明人。