第四節 認知大數據范式下的管理決策理論

一 數據攝取階段

管理人員摒棄已有經驗和直覺，盡可能保持客觀中立的原則來確定數據目標，技術人員則根據數據目標確定攝取哪些類型、哪些來源的數據和攝取數據的技術，并從相應的傳感器、智能設備等數據域中收集數字足跡。由于認知導向的系統結構、系統參數和應用邊界定義存在一定的局限性，數據完整性往往存在誤差，而數據攝取的關鍵在于確保數據的完整性，即能夠根據數據目標真實地反映客觀世界，這就要求管理人員和技術人員能夠理解并掌握數據空間中的已有數據、缺失數據和未知數據的充斥程度。基于此，本章從大數據有效性維度將數據分為活躍數據、休眠數據和緘默數據三種類型，以便實現數據空間有效理解和進一步擴展。活躍數據是指大數據集合中與其他數據發生價值關聯，可供管理人員和技術人員隨時訪問和使用的數據。例如快遞公司利用活躍數據（地理定位數據以及車輛各部位的傳感器數據）來跟蹤車輛位置，并達到優化行車路線的目的。休眠數據是大數據集合中已經被識別并存儲在各種相應的系統中，囿于沒有與其他數據發生價值關聯，或者價值關聯尚未被挖掘或呈現而未被訪問和使用的數據，但是決策者可以根據已有理論和經驗對這部分數據的屬性做出合理假設，進而假設和界定其對系統模型的影響。例如，移動公司通過電話來訪、短信來訪等形式獲取顧客滿意度數據，在此過程中會遇到諸如客戶拒接電話、拒回短信等情況，使移動公司無法獲取到每位客戶的數據，但是這部分數據的不完整度是被移動公司所掌握的。緘默數據是系統中尚未被挖掘和表達的數據，且無法被管理人員和技術人員以任何方式定性或定量進行合理假設的數據。例如，社交網絡包含多個數據空間配置，任何社交媒體平臺都無法覆蓋所有個體，而個體在不同的社交媒體平臺行為存在差異，此時若對某個個體進行社交網絡分析，數據空間會充斥較多的緘默數據。特別地，數據空間中存在的三種類型的數據不是靜態固定的，而是根據數據目標的界定以及大數據分析技術的發展進行動態的轉化，且呈單向和雙向兩種形式轉化。隨后，管理人員和技術人員根據數據目標、數字足跡和上述劃分的三種數據類型形成可理解的數據情報，使管理人員和技術人員對系統結構、系統參數和應用邊界有一個統一的認知和把握。

二 數據準備階段

管理人員和技術人員直接或間接從有效的獨立數據源攝取的數據往往需要經過合并、集成等環節，無差錯的數據合并、集成后的錯誤通常是無法避免的（Dean & Sharfman，1996；Yaqoob et al.，2016），獲取的數據情報也仍包含著錯誤，而大數據的應用要求是根據數據目標客觀反映研究對象的特征和變化，進而建構事物客觀發展規律的數據模型和得出正確的數據結論。因此，管理人員需秉持著經驗性和非評判性處理標準，在技術人員的協助下對數據進行質量檢查、同構轉換、建立索引以及加密存儲等工作（Gandomi & Haider，2015；Blazquez & Domenech，2018），去偽存真，加以修正，進而完成信息提取。經驗性和非評判性處理標準指的是按照觀察的事實進行處理，不需要立即判斷或標記（Good et al.，2016），只涉及對當下的感知但并不自發地評估、分析或反思。質量檢查，即防止意外值、缺失值對數據分析起干擾甚至破壞作用，保證數據的一致性；同構轉換即根據分析軟件配置，選取標準通用的數據形式，將多源異構的數據進行同構轉換；建立索引即通過建立數據索引機制，實現數據的重用和可追溯性；加密存儲即根據國家法律法規對數據進行加密處理及存儲，實現數據安全。由于系統結構、系統參數和應用邊界定義的局限性，管理人員和技術人員清醒地認識到數據攝取的有效性和可信度，并通過大數據技術探索和外部環境調整等策略發現數據攝取的新來源、關聯休眠數據的尚未發掘的價值、挖掘和表達系統中緘默數據，進而拓展活躍數據、休眠數據、緘默數據獨立的數據空間半徑和改變數據空間中三種類型數據的權重來提高數據情報的有效性。

三 數據分析階段

根據認知發展理論，在分析推理過程中，人類的強項是在受到外界刺激時瞬間將新感知到的信息納入已有的知識結構中，同時，對于感知到的與現有知識結構不一致的信息，也能夠迅速找到相似的知識結構予以標記，或者創造一個新的知識結構。機器在分析過程中的強項是具有遠遠超過人類的工作記憶能力、強大的計算能力以及信息處理能力，并且不帶有任何主觀認知偏向性（Piaget，1972）。但也有學者提出異議，認為政治內嵌與資本介入、社會結構性偏見的循環以及量化計算對有機世界的遮蔽使基于機器的大數據分析仍存在主觀偏向（Bengio，2013）。事實上，機器從未獨立創造認知偏向性，偏向性習得于數據挖掘中的數據集不均衡、特征選取的偏頗以及人工打標帶入的主觀性等環節。也就是說，數據攝取和數據分析階段已經存在認知偏向現象，而這種“隱匿性”往往未被管理人員和技術人員所察覺。因此，管理人員和技術人員應協同分析，充分發揮人類強項和機器強項，使數據分析結果呈現客觀性和合理性。一方面，管理人員作為需求主體，根據研究目標選擇合適的組織理論建構分析模型，并利用對外部環境的態勢感知將個人經驗、直覺和知識融入到數據分析過程中，為技術人員提供理論化和情境化的信息。另一方面，技術人員將管理人員提供的信息納入和整合到自己已有的認知結構中，改變原有的認知結構或創造新的認知結構，運用算法將新的認知結構數據化來豐富數據空間，并通過編碼構建和完善數據分析模型，如此不斷建構、修正、擴展現有的經驗空間和數據空間，使其摩擦、同化、順應和平衡，得出客觀結果。此外，技術人員利用可視化技術輸出數據分析結果，盡最大限度地消除數據空間和管理者認知空間的邊界（邱國棟和王易，2018），呈現出數據中隱含的信息和規律，并建立符合管理人員認知規律的心理映像。基于可視化結果，管理人員利用創造力和思維表征啟發性地關注分析結果中富有潛力的空間領域（Holzinger et al.，2019），提高數據分析的附加值。

四 數據決策階段

大數據技術納入決策的參考范圍深刻影響了組織的決策制定和決策執行。相較于智能決策（即基于數據分析模型產生的結果預測和評估不同方案的結果進而做出決策），知情決策（即基于數據分析所產生的信息使決策者在知情狀態下決策）的可操作性和可解釋性更容易被組織所接受（Tabesh，Mousavidin & Hasani，2019；Lee，Kao & Yang，2014）。事實上，Simon早在20世紀60年代在其決策理論中就提出計算機作為一種新的決策技術和工具能夠為組織管理決策帶來全新的變化，這種變化不僅僅在于數據與經驗的區分，還在于決策過程的參與（Simon，1960），而決策過程進而又影響決策的有效性，即決策產生預期結果的程度（Eisenhardt & Zbaracki，1992）。Dean和Sharfman（1996）選擇程序理性和政治行為兩個構念開發了戰略決策有效性的模型。程序理性是指決策過程多大程度上包含與決策有關的信息收集，以及多大程度上依賴于對這些信息的分析。政治行為是指旨在保護自己個人或者群體利益的行為。Dean和Sharfman（1996）認為有效的決策必須基于組織整體的目標，但決策過程中的政治行為更多地涉及個人或群體的利益，一旦這些利益與組織整體利益相沖突，政治行為就會使決策目標偏離。綜合Simon、Eisenhardt、Zbaracki、Dean和Sharfman的觀點，認知大數據的數據決策應是基于決策過程的數據知情決策。程序理性則表現為決策過程中依賴于數據和經驗的程度。政治行為則表現為組織決策過程中涉及自身利益的不同部門和管理人員行為，例如，數據部門通過大數據分析獲取了產品測試權力，使業務部門管理人員無法直接決定多款產品的生產和營銷資源分配，長遠來看，影響了部門內部收入分配及權力分配，因而遭受業務部門等利益相關部門和人員的抵制（劉意等，2020）。不可否認的是，數據分析結果不僅可以顯著地降低決策復雜度，減少決策過程中的不確定性，還能洞悉大數據背后的信息、知識與智慧（Chang，Kauffman & Kwon，2014），從而在微觀、中觀、宏觀層面為決策者提供支持（邱國棟、王易，2018）。因此，管理人員和技術人員的有效溝通、組織正確的數據文化等價值命題引導顯得極其重要。價值命題引導下的認知大數據決策過程中，管理人員面對非線性、變結構、變參數等開放性復雜決策問題，根據經驗、直覺所積累的知識存儲，客觀把握數據決策程度和調整數據分析結果，同時，盡可能地減少政治行為對決策過程的消極影響。當然，隨著人工智能等新興技術的發展，無人工參與的機器決策也不斷應用在組織決策中。例如，阿里金融以大數據為基礎，引入大數據分析和數據挖掘技術尋找企業經營狀況和資金流向等關鍵數據，通過阿里云征信系統將分析結果轉化為提供授信審批的憑證，從而實現“三分鐘申請、一秒鐘房貸、無人工審核”的阿里金融信貸模式。因此，除了積極將基于決策過程（程序理性和政治行為）的數據知情決策應用在組織實踐中，我們也要不斷探索數據智能決策模式。