295

将这种责任委托给其他人的想法，或者在这种情况下，将其他事情委托给别人。

在科学史上，我们已经了解到，实际的发现习惯，在有针对性的，有条理的学习搜索中，会产生最好的结果。这是真实的，许多的世界伟大的发明，同时寻找其他的东西，但这些东西被发现是一个故意试图解决不同的，SPECI网络连接的C部分已发现 的问题。

每个营销人员都希望，只要有足够的数据，计算机能力，概率引擎能力和自我学习，就会发现那些未被认为可能有价值的相关性。但是La Pointe反驳道，“但是，如果你发现香蕉和拖拉机之间存在相关性，谁会关心呢？”

澄清和指明问题是关键因素，因为当你完成这项练习时，不可避免的是你发现的问题是问题是你原先认为的左边。或者实际上有三个问题可能会或可能不会同时被探索。

你取笑说出来通过持续到问，“那是什么？” 如果我们知道了答案，我们该怎么办呢？如果解释和对“那是什么？” 继续给前来回为广泛而含糊，告诉你保持钻探到你的发音中的问题。

如果问题是提高客户的生命周期价值，一种方法是检查具有更高生命周期价值与更低生命周期价值的客户，并尝试确定潜在因果因素可能是什么。

另一种 可能 简单地 是 给 看 在 了 环境 ，并尝试 以 确定 哪些 组件 的 的 环境 行事 的 障碍 ，以 客户 实现 更高的 终身价值。 这 是 两个 非常 不同的
探索 载体。一个是内部导向，一个是外部导向。

您在哪里绘制关于您收集和分析的数据量的线？即使有几乎无限量的可用数据，几乎是免费的，你怎么知道什么时候你有足够的，不需要花费更多的不必要的资源？

296       

如果你很好地构建了这个假设，你知道    我们可以为你的商业决策者提出的50个不同的可能问题中，没有一个是真正需要的，他们也不能利用所有50个答案。他们可能真的只能利用其中10个子集。如果我们能回答四个人，大多数人都会很高兴！四个关键答案将让我们进入大门，然后我们可以迅速发展到10，这将真正推动增长。

如果你以前的问题得到了解答，你一直在关注，最好的问题是下一个问题。

这是关于教授科学严谨的原则。你在8年级的科学课上学到了它们，但由于缺乏使用而忘记了它们。它们并不复杂。

1.   
观察 – 环顾四周，看看你能看到什么可能是相关的。

2.    质疑你对 所见事物的理解。

3.   
德科幻NE 什么 你 知道 和 什么 你 知道 你 不 知道。

4.    将您的“不知道”重新 构成问题形式。

5.   
按照 获得最重要的学习价值的顺序排列问题的优先顺序。

6.   
构建 实验 以 生成 数据 以 帮助 回答 问题。

7.    评估您收集的数据（见上文第1点）。

我们必须参与更好的批判性思维。

多年来，我一直喜欢说营销人员在专注于“我的营销投资的投资回报率是多少？”或“下一美元投资的最佳位置是什么？”时，他们会追错题。真正的问题是首席执行官希望回答：“我应该花费一半还是两倍？”这就是成为首席执行官的本质 – 不断寻找能够应用公司资源的最大杠杆的地方。

你不能指望具有有限洞察力和低处理能力的人提出“正确”的问题

298       

无论我们在基础算法中获得多么异国情调，在基础数学中，无论你在数学上花多少钱，它都永远不会替代一个人的良好判断。

马克库班最近被引用说，创造性和批判性思维很快将成为最受欢迎的技能。      “我个人认为还有的要在十年的时间文科专业比编程专业的学生有更大的需求，甚至工程。” 3

人类有几个非常有价值的特征需要数年才能教授机器。

判断

如果你猜测判断是我们的力量，我们就必须有一个论点。 在 牛津 词典 德网络nition 写着 “的 能力 ，以 做出深思熟虑的决定或得出合理的结论。”这也叫审判意见或 结论。

这就是我们一直在教这台机器做的事情。形成意见。根据证据和推理得出结论 – 灯泡继续下去的时刻，明智的想法，炫目的实现，辉煌的闪光，启蒙，启示，顿悟。穿着 它 了 与 情感 和 你 有 啊，哈！
和 尤里卡！ 但 它 意味着同样的事情。经过一定程度的考虑，机器达到    了一定的信心并提出了自己的看法。但到目前为止，人类已经获得了各种 人类工具的帮助。

想像力

想象力 是 更 重要的 不是 知识。

想法来自哪里？

从 寻找 在 一个 东西 和 看其他。

艾尔伯特爱因斯坦

从鬼混到玩耍的可能性。从猜测。并且改变。

推，拉。

改造。

                                                                                   299

而 如果 你是幸运的，你来了有什么值得 保存， 使用， 并 建设 上。

这就是游戏停止的地方，工作开始了。

Saul Bass，人为什么创造

人类具有发挥  想象力的奇妙能力。  看似无关的  事物之间的奇怪联系  突然间  可以解决问题。就在那个时刻，为电视侦探提供了一杯茶并说：“茶？           茶？？  当然！就是这样！为什么我以前没看到它？来吧 – 我们没时间 输！“

我们正在寻找一件事并看到另一件事。我们可以让我们的潜意识反复思考 – 我们可以睡在它上面 – 然后  提出一个机器无法模仿的问题。是的， 机器可以思考可以省略哪些数据。它可以考虑改变时间尺度并关注异常值。它可以找到模式和异常。但它不能考虑它没有的信息 。

想象力是由好奇心推动的。这心理痒了解更多，到 连接ND 了原因，并以明白是一个功能强大的工具。正如艾萨克・ 阿西莫夫（Isaac Asimov）所说的那样，“预示着新发现的最激动人心的一句话，不是尤里卡！（我发现它），但是： 嗯， 这是有趣的。”而有害于猫，好奇是人类最好的朋友。

这就是为什么我觉得，此刻，这是容易教的营销人员约ARTI网络官方智力不如授AI的市场营销。在 高档的 分析 中 的 世界 无法 预测 一个 未来 那 是 过去的经验范围之外。人类可以创造科学 的信息。

同情

第二个想象力就是将自己置于 另一个人的角度。AI系统可以传授模仿或响应时表现出同情 ，以 人类 的 真实 时间。 “我 这么 难过 到 听到 你 是 有麻烦了。” 它 可以 读取 的面部 表情 和 音调 的 声音 来 校准 是多么懊恼的人可能 是。

但是，从另一个角度重新构建问题并改变对该问题的处理方法的能力仍然是独一无二的。

■           
如果您是难民，该怎么办？

■           
如果你只有六个月的生活怎么办？

■           
如果你是 总统，你会怎么做？

300       

这 可能 是 一种 微妙的 心理 伎俩， 但它是一种通向新方式的途径，可以随时查看人类可以利用的问题。这只是我们可以从事横向思维，人类主要力量和主场优势的一种方式。

Jon Warner博士列举了横向思维的内容。4

横向思维涉及通过间接和创造性的方法解决问题，使用不立即显而易见的推理，并涉及仅使用传统的逐步逻辑或简单分析无法获得的想法。它涉及以下主要活动：

■           
根据可能缺失或 缺失的问题审查问题和问题

■           
从各种 不同或不同的角度看待问题

■           
扭转问题或问题/挑战以寻找新的解决方案

■           
查找和评估针对问题或 挑战的多个潜在解决方案

■           
重新排列问题以查看是否可能发现新角度

■           
延迟判断并保持开放的 心态

■           
消除任何陈规定型或陈词滥调 的思想或知识模式

人工智能无法利用想象力的飞跃并提出：

■           
如果我们从另一方面解决问题 怎么办？

■           
哪些额外数据会泄露？

■           
哪些真实世界的变化很 重要？

■           
如果这是错误的 问题该怎么办？

■           
如果我们 侧身看怎么办？

■           
如果我们 落后了怎么办？

■           
如果有车轮怎么办？

■           
查克诺里斯会 做什么？

相信你的直觉

你应该从字面上听你的身体  的  一部分  的  你的  评价  过程中，根据一项研究科学的Ç报告–自然。5 什么hap-笔 在 你的 胃 （和 你的 整个 神经 系统） 是 一个 响应

                                                                                   301

对你的环境。当你看到某 个人的时候，如果你的心开始比赛，那就是一些事实数据。你的身体正在努力，以告诉你一些东西。

Interoception是感知源自体内的生理信号，如饥饿，疼痛和心率。通过例如心跳检测测试测量的对内感觉信号更敏感的人在风险决策的实验室研究中表现更好。

胃疼，大便压力，饥饿和焦虑是  所有  要听从强信号。这一理论在伦敦对冲基金交易员身上进行了测试，他们在选股时经常提到他们的直觉。那些善于监测生理状况的人更成功 – 那些更好地默默测量自己的心率而不触及胸部或手腕。虽然这是相关的而不是致使的，但它确实暗示了你一直以来的假设  ：股票市场是由情绪而  不是 逻辑驱动的。

气味测试

另一个派上用场的人性特征是古老的气味测试。这次我们看的是比喻，而不是生理学。这个是当某些事情看起来不正确的时候。

Digital Mortar的联合创始人加里・安吉尔（Gary Angel）表示，“好的分析来自某人确定正确的变量是什么。”他指出计算人们最有可能想要看到的电影的例子。数据是从机顶盒收集的，机器确定以字母A开头的电影更可能是首选。一个人类知道瞬间，这 是 该 结果 的 电影 被 列出的 字母 和 是 不是 一个 确定任何特定影片的喜爱程度valu-能变量。它不是推荐
引擎的适当素材。

如果你在营销中处理数字，你知道时间是否比购买地理更能预测购买？搜索行为？点击行为？购物车人口？这就是为什么拥有商业智能的人总能找到工作的原因。

Angel描述了另一个例子：

我们对在线旅行聚合器进行了细分分析，查看纯粹的搜索行为数据。我们发现了一个非常有趣的细分，但我们不得不考虑搜索行为的含义。

302       

如果有人进行了搜索，更改了搜索数据，然后查找了相同的目的地，我们就可以推断出他们对日期很敏感。如果他们改变了目的地但没有改变日期，我们推断他们对目的地很敏感。

我们在分析中将它们创建为变量，并成为它们的一个非常强大的预测器。

但这不是行为所固有的，对吗？分析师必须证明，改变这两件事是分析的一个有价值的变量。

当我们开始，明显的变量是destination-是一个旅行者去拉斯维加斯拉斯维加斯为例。但是，正如我们通过分析所思考的那样，出现了许多更有趣的变量。这是关于  他们搜索的距离，搜索，搜索进行时间以及目的地日期之间的天数。

除此之外，他们是否更改了搜索，是否更改了目的地，是否是周末，以及是否包含在住宿期间。所有这些事情都被证明是非常重要的，但这些事情除非你把它们送进机器，否则你不会得到很好的分析。

一旦人类挑选出高价值的变量，机器就能很好地确定哪些是重要的。

我们的教训是使用最直观，相关性，推理等方面的大脑部分，然后让机器尽其所能：计算，制表和枚举。

计算机非常快速，准确，而且非常愚蠢。人类非常缓慢，不准确，而且非常出色。他们在一起超乎想象力。

艾尔伯特爱因斯坦

迈克尔吴想知道，如果在嗅觉测试是重要的了。我问，如果是不合理的机器上数着说，当谁穿红色袜子和投票人特朗普和喝可口可乐去到了店里，他们更容易来买土豆片。一个营销

                                                                                   303

专业人士会着眼于此并说：“你知道吗，那只是没有通过气味测试。那太奇怪了。“

它有用吗？它有价值吗？是否有意义？

Wu提供了一个银行的例子，该银行希望预测客户违约贷款的可能性。

他们利用所有的传统类型的承保变量： 信用 评分， 收入 水平，
量 的 的 贷款，支付历史，和这样的。但随后他们回顾了其他地方的许多非传统数据。

他们发现，那些  只使用大写或小写字母 – 不正确大写的贷款申请的人更有可能违约。他们说，“那不会通过气味测试。” 这很荒谬，对吧？但是，它确实有助于默认率，除了传统的承保之外，他们实际使用了这个变量 。

他们甚至发现，较高的人实际默认略低于其他人。这也没有通过气味测试。

事实证明，高度不是违约的因果预测因子，因此在承保 时 使用它对实际违约率没有贡献，但适当的资本化确实如此。你可以理解，使用适当资本化的人可能更加小心，他们更注重细节，但是谁在乎呢？

这几乎没关系。良好的数据科学意味着你验证你的模型，它会告诉你什么是预测性和它的信心水平的强度然后，你只需要相信这个数字，对吗？试试吧。如果它不起作用，那么。你学到了什么。但是直到你测试它才会知道。

因为验证是数据科学的正式过程，  
营销专业人员可以为机器做的最好的事情是收集  更好的学习知识，然后密切关注测试。

任何人都 可以 进来 了 有 一个 模型， 从 任何地方
和说，“这是 我们的典范。”但是也没有办法告诉模型有多好，直到你测试 它。