心理游戲

從紛繁復雜的數據中追尋消費者的未來行動與思想。

當加文·波特(Gavin Potter)還在IBM歐洲商業優化中心工作時，他每天的任務就是將精密計算出的數據拿到市場上去檢驗。雖然“藍色巨人”從不缺少功能強大的巨型機器，但這仍然不是一個容易的活兒，起碼不像“公關之父”愛德華·伯奈斯在上個世紀20年代所說的那樣，“大悅眾就像黏土一樣，任憑你怎么捏就怎么捏，”

從商業誕生之曰起，賣者對買者的心理揣摩大概就是一個永恒的研究課題，但是事與愿違的是，在信息爆炸時代，不僅消費者會在這種密集的“轟炸”中無所遁形，就連商家——這些“信息彈片”的始作俑者們也會迷失其中 是的，當郵件、消費記錄、個人檔案以及其他所自有助于銷售的可得數據比10年前近乎增長了1萬倍的時候，誰還敢叫囂可以完全把控普通消費者的一舉一動，并成功預測他們的“下一秒”

當然，這樣的嘗試永遠沒有中止過 而如今 愈發萬能的互聯網更助長了這種勇氣Google、亞馬遜以及其他一些大大小小的公司都寄托于發揮計算機的巨大作用通過不斷地歸納、統計，了解消費者的習慣，進而投其所好、掌握未來先機。

定位下一步

據ABI調研公司的調查顯示，GPS全球定位系統是今年夏天最熱的電子產品之一?？磥恚拔恢谩辈还馐堑禺a行業的“生命線”，對其他行業也同樣重要。經過分析，它不僅可以告訴商家消費者的行為，還能勾勒出經濟趨勢的基本雛形，更好地為辦公及零售店選址。當然，隨之帶來的還有更精準的廣告——問題是，如何從數據中理出這些頭緒來。

紐約的一家軟件分析公司sense網絡正致力于此。6月初，它發布了一款名為Macrosense的工具，通過一套復雜的算法，過濾大量關于方位的冗余信息——它們來自出租汽車公司提供的上下車地點、公開的氣候信息等資料以及其他一些隱秘來源——然后從中挑選出與現實問題相關的部分。 “我們能預測人們將去哪里旅游、告訴商家消費者的信心指數或者他們的競爭者來自哪里?！逼渎摵蟿撌既送心帷そ馨屠?Tony Jebara)不無自豪地說。目前，該軟件正分別在一家零售店、一家金融服務公司以及一家大型對沖基金公司進行測試。

而在Macrosense發布的當日，公司還發布了另一款名為Citysense的軟件，它通過記錄相似人群的活動地點為用戶提供信息和建議。這項服務還可以在iPhone或黑莓手機上注冊應用。

Sense的另一創始人曾將他們的工作命名為“現實挖掘”(Reality mining)。除此之外，從微軟拆分出來的Inrix公司通過交通流量信息預測堵塞情況、英國一家機構通過追蹤手機信號來觀測商店里的人流等等，都具有利用現實數據指導現實的“異曲同工”之妙。

然而，比起現實來，網上的虛擬世界更難把握。而比起具體的行為來，人們的心理也更難揣測。但不幸的是，互聯網已經滲透到生活中的方方面面，而很多消費行為，往往就是存乎于一念之間。

隨著電子商務消費不斷上升，越來越多的公司認識到，留住老客戶可能比網羅新客戶更重要。由此，公司們開始想盡一切可以抓住消費者“回頭率”的方法。紐約著名時裝百貨品牌Barnevs就表示，它們依靠一種微型數據軟件，可以從特定的網絡行為與消費傾向的聯系中找到商機，從而使自己的在線業務增長至少10％。這種測試是由Proclivity Systems(傾向性系統)開發，通過它，Barneys可以知道某個消費者什么時候在哪里會登陸它的網站，并通過其他統計信息決定是否要給這位消費者發郵件推薦商品。

在這里，除了嚴謹的算法外，還需要猜測消費者的心理。比如，如果一個消費者在大減價時期買了某種商品或者特定類型的商品，并且這種行為在類似時期內發生過若干次，但在12月的購物季卻沒有發生過任何消費，那么Barneys就會由此判斷這位喜好折扣的消費者也許并不想在圣誕節省錢。因此，它就會在除12月以外的其他減價季向其發送各大商場的打折海報。

這種將消費者的行為量化，評估其打開郵件并決定購買商品幾率的方法，可以增加有效投放，也由此節省了運營成本。而結果并不僅僅是銷售額的增長，準確的追蹤服務還讓消費者感覺到Barneys對他們的關注與了解，從而讓他們更愿意來Bameys購物。

數字困境

追蹤消費者對商品的傾情度是各種網絡銷售商(這里也包括Google、雅虎這樣的網站)的一個普遍調查方向，而亞馬遜和Netflix這兩個目前最棒的網絡經銷商，根據其長期向客戶推薦商品或者電影的經驗，則采用了一種建立在特定消費者之前消費行為以及他們對商品排序基礎上的主流技術方法一“協同過濾法”(collaborative filtering)。

然而，無論這些公司標榜自己的算法多么的高人一籌，但事實上，所有這些方法卻并不能真正反應用戶的興趣變化，由此更不可能輕松地做出排序。人們的消費原因復雜多樣，比如人們不一定總買自己喜歡的東西，也許他們會依照祖母的眼光為她買一件毛衣，或者因為飛機座椅上新設置的大屏幕而觀看一部平常并不會購買的電影。

這正是DVD租賃網站Netflix所面臨的問題。它曾經說服500萬用戶接受它按等級為他們提供的20億部電影，但即使這樣，也還是很難歸納出具體某個人到底喜歡什么一一或許我們只能說這個推薦系統是可信的，但不夠完美。盡可能的利用多種信息是非常重要的，但要想達到更好的效果，就要追蹤所有線索，包括消費者所進行的電影搜索、所瀏覽的網頁，甚至是他的鼠標行徑——但這些都是Netflix現在無法做到的。

也許是因為此，2006年10月，Netflix為了有效的發展自己的推薦系統而發起了一項名為Netflix Prize的長達5年的競賽。它要求參賽者根據48萬余用戶對17000部電影的上億條評分記錄推測出另外近300萬條記錄的分數。任何組織或個人只要能夠提交比Netllix現有的電影推薦系統Cinematch效果好10％的新方法，就可以獲得誘人的7位數獎金。不僅如此，每年它還會為此提供5萬美元的年度進步獎。

比賽開始短短兩周后，Netflix就收到了169個方法，一個月后這個數字就超過了1000。當時，第一名是來自多倫多大學的BellKor小組，它們的算法比Cinematch好8.43％。逐漸地，這場比賽已經演變成一場學術研究事件，很多參與者都是如多倫多大學這樣的數學研究機構。但當各種方法都向10％邁進的時候，之前看起來簡單的事情變得越來越難，進展也越來越慢。要想更上一層樓達到10％，這越來越被人們認為是不可能完成的任務。

比賽開始的一年后，一匹“黑馬”突然闖入。并一下殺進前十。他首次遞交的計算方法就比Cinematch好7.15％——要知道，當初BellKor是花了長達7個月的時間才達到這個成績的。而僅僅兩個月后，這個神秘人物就躍居到了首位。最令人驚奇的是，不同于一些參賽者把自己使用的計算方法完整的描述了出來，這個網名為“Justa guy in a garage”(車庫中的家伙)的神秘人物可謂吊足了眾人胃口，甚至連一個鏈接都沒有留下。沒有一個人知道他到底是何方神圣，甚至他是一個單獨的個體，還是一個小組都無從知曉。每個人的想法都如BellKor小組的組長一樣： “我很想知道那個迷一樣的人的尊姓大名。”

“心理分析師”的勝利

他就是加文·波特，一個48歲的英國人，曾經為殼牌、普華永道等大公司工過，而最近的一份職業則是IBM公司的一名管理咨詢師。對于他的“神秘”，波特坦誠并非刻意為之，他只是覺得在取得任何成績前，沒有必要透露身份。

2006年，因為厭倦了大公司，波特離開IBM轉而研究自己完全陌生的機器領域。當他聽說Netflix Prize后，決定放手一搏。盡管他不知道并非學者或者數學家的自己能夠走到哪一步，但作為一名“待業者”，他有的是充裕的時間。

而波特的方法的確與眾不同——并不以數學為基礎，而是開發一種從未被使用過的新途徑：心理學。有趣的是，他只是一名心理學肄業生。如果非要用到計算的話，他則求助于自己的大女兒艾米麗——一個計劃到牛津讀大學的高三學生。事實上，波特必須要十分努力的學習才能把復雜的數學問題搞明白，不過好在他對電腦并不陌生，雖然那只是一臺“年代久遠”的戴爾臺式電腦。當然，它并不像其網名所表現的那樣放置在車庫(garage)中，而是擱在自己家中的臥室里。而這個被涂滿了充滿朝氣的嫩綠色，堆滿了孩子們玩具的房間才是他真正工作室。每天從早到晚，他都會在電腦前敲敲打打，時而又在旁邊的一打稿紙上寫寫畫畫，不過卻從來不會為了比賽徹夜試驗。

實際上，波特并不像自己所說的那樣“外行”。早在2001年，他就與人合寫了一本名叫《虛擬世界中的商業》(Business in a Viaual World)的書，描述了公司如何更好地利用新技術的技巧。在這個過程中，他完全認識到了發展推薦系統的商業價值。波特說：“20世紀是人們專注供給的世紀，不斷整合這條供給線。而21世紀，將成為需求的時代，人們的需求將得到理解?！?/p>

波特用心理學來觀察人的行為。他很贊賞BellKor小組的工作，但是他覺得他們在研究問題時經歷了一場不太好的集體審議。他把他們這種數學研究方法背后隱藏的心理學模型稱做“粗魯”——在他看來，或許這還是客氣的說法!

將人的因素放入計算中說來容易，但如果你只知道一個人喜歡的電影類型，其他一無所知，那如何運用心理學來研究他的消費行為呢?

波特的深層分析建立在“心理定格”創始人阿莫斯·特沃斯基(Anlos Tverskv)和諾貝爾獎得主丹尼爾·卡納曼(Daniel Kahneman)所研究的行為經濟學的理論基礎之上——他們開創性地研究了人類對于不確定性信息的認知能力。

簡單地說，這就是一種參照反應。如果顧客看了價值4顆星的電影，如《星球大戰》三部曲，緊接著又看了質量更好一些的《銀翼殺手》(Blade Runner)，那么他們不出意外就會給《銀翼殺手》5顆星的評價。但是，如果他們以一顆星的電影開始，比如《星球大戰》前傳，那么《銀翼殺手》很可能只得到4顆星或者3顆星。參照反應提醒我們，排位系統需要考慮到慣性問題一總是給出高評價的顧客很有可能繼續給出高于平均水平的評價。在Netflix的數據中，波特發現了這一點，結合偏差效應一起考量，他幾乎找到了使用者的真實品味。

其實，一個統計員也能察覺到這些慣性的東西，只是其中蘊含的無限偏差、形式以及異常因素太多，幾乎在每個案例中，數字計算研究機(number－cruncher)都不能呈現所有因素。但是，一個心理學家通過原始智慧恰恰可以告訴統計員如何運用他們強大的數字武器。

如同所有傳統與現代的辯證一樣，傳統心理學和現代計算機技術的結合或許才是最好的解決辦法。如今，BellKor小組的程序已經是107種不同算法的結合，而且還在用偏差等方法不斷完善與更新。而波特也開始在他的心理學方法中，融入進了更多的純數學算法。