分类：谁是他？谁是我？-新东方前途出国

分类：谁是他？谁是我？

 

工作和生活中，分类是我们每天都要做的。看到一朵花，我们需要分辨是玫瑰还是月季；看到沙发上趴着一个宠物，需要分辨它是猫还是狗；店里进来一个顾客，需要分辨他是来逛逛还是要买东西；接手一份重要工作，需要马上分辨它是重要不紧急，还是重要且紧急……  

分类的任务很清楚，就是把总体分成几个小组，我们一直在凭直觉或者经验去做。  

但是，如果我们面对的问题特别复杂呢？比如，怎么按照职场优势给员工分类，然后把他们匹配到最适合的岗位呢？怎么给客户划分类型，然后有针对性的出方案呢？这时候，直觉和经验就都不靠谱了。怎么办？  

用数据的方法解决。在数据的方法里，分类有一整套流程和几个非常重要的认知，下面我们一一说明。  

按照量的标准分类  

要保证分类是有效的，首先要做到的第一点就是——按照量的标准来分类。什么是量的标准呢？就是我们用来区别事物的那个变量和这个变量的一个特别数值。  

听起来有些绕，我们举个例子。要把短跑运动员分成两组，一组是优秀运动员，一组是普通运动员。怎么分呢？当然是确定一个划分标准。这个标准就是定义一个变量和这个变量的具体数值。  

比如，我们把百米最好成绩小于等于10秒的运动员，归为优秀运动员这一组；其他成绩大于10秒的，归为普通运动员这一组。这里，变量就是百米成绩，标准就是10秒。  

又比如，把所有运动员按照最好成绩做一个排行榜，前100名归为优秀运动员，第101名以下的归为普通运动员。这里，标准就是在成绩排行榜中的位置。  

那么，是不是只能把一个量作为标准呢？当然不是。  

我们耳朵都听出茧子的那个对事情的分类——紧急且重要，紧急不重要，不紧急重要，不紧急且不重要，这种分类就用了两个维度，每个维度都有一个区别的量的标准。  

组内差异小，组间差异大  

是不是只要按照量的标准划分，就一定保证我们的分类是正确的呢？  

不一定。  

举个例子。我们的任务是区别男生和女生，用“智力水平”这个变量作为标准，可以有效地区分男生和女生吗？  

一统计，我们就会发现：男生群体内部，智力水平相差很大，天才很多，白痴也很多。女生的情况也差不多，高智力的女生很多，低智力的也不少，当然，比男生内部的差异稍微小一点。也就是说，组内差异很大。  

再看组间差异。整体而言，男生群体和女生群体的智力水平差不多。如果男生智商的平均值是100分，女生的平均值也是100分。这就说明，组间差异很小。  

组内差异大，组间差异小，这就说明用智力水平划分男生和女生是没有效果的。  

那么，我们换一个变量，看看用“是否得乳腺癌”这个指标来分类行不行。数据显示，100个乳腺癌患者，99个是女性，1个是男性。这样，只要一个人得了乳腺癌，我们就能说这个人99%的可能性是女性。  

这是一个区分度很明显的指标。但是，这就是一个好标准吗？不是。因为得乳腺癌的人很少，绝大部分人都没有得乳腺癌。我国的乳腺癌发病率大约是万分之四左右，男生更低。虽然这个标准的区分度很明显，但在实际工作中，它就没有太大的意义。  

怎么办呢？  

最常见的解决办法就是寻找一组指标，建立一个判别模型。  

有一个经典的案例，任务是用4个特征——花萼长、花萼宽、花瓣长和花瓣宽，判断一支鸢尾花是哪一种，是刚毛鸢尾花、变色鸢尾花，还是佛吉尼亚鸢尾花。  

怎么建立判别模型呢？先把样本分成两部分，一部分用来做模型训练，这样我们就会得到一个模型，然后用另一部分样本评价这个模型的预测准确率。等这个模型通过考验之后，就可以执行任务了。  

这个模型由三个方程组成，分别是刚毛鸢尾花方程、变色鸢尾花方程和佛吉尼亚鸢尾花方程。当你知道一个样本的花萼和花瓣的数据之后，分别代入这三个方程，看看哪个方程的数字最大，那个样本就被判断是哪一种鸢尾花  。  

用数据训练模型是一个很重要的方法。那些很厉害的模型，比如用B超影像对乳腺结节的良性恶性进行判断的人工智能程序，完胜医生的肉眼，它背后的原理就是如此。  

所以简单总结一下，怎么才能科学有效的分类呢？其实就是一句话，按照量的标准做区分，保证组内差异小，组间差异大。  

分类的结果是概率性的  

这里，必须得提醒你一下：  

既然分类的依据是量的标准，也是学习到的结果，那么分类的结果就一定是概率性的，而不是确定性的。也就是说，判别模型给出的结果，不管准确率有多高，都仍然有出错的可能。  

比如，刚才说了，100个乳腺癌患者里只有1个男性，如果一个人得了乳腺癌，你猜他是女性的准确率是99%。但是，毕竟也有男性会得乳腺癌。如果按照“是否患乳腺癌”来区分男女，就有可能出错。  

我们这里不是医学课，不是要讨论专业问题，我而是想说，数据思维不但要与数据知识和技能结合，更要与专业知识和技能结合，才能推进我们对事物的理解。  

把数据和现实世界连接  

当然，一切理论最终都要回归现实。上面的这些例子，我们都好像拥有上帝视角一样，知道什么数据对应什么结果，这样就很好划分。如果我们压根不了解事情到底是怎么回事，不知道正确的分类标准，那该怎么分类呢？  

也有办法。  

英国有一家著名超市Tesco，进入中国后叫“乐购”，是仅次于沃尔玛、家乐福的全球第三大超市集团，成立于1919年。它就有一套利用数据对顾客进行细分的经验。  

首先，他们给每一个商品打标签。还记得吗？这就是元数据。每一个商品打20个标签。不过，他们做得比较特别，这些标签都是次序变量。比如，其中一个标签是“脂肪含量”，最 高打10分，最低打0分，此外还有“刺激性”“包装大小”等等。  

根据这些信息，就可以对顾客的行为进行分析了。比如，有的顾客总是购买某个品类商品中便宜的一种，这种行为模式就表明他们是“精打细算的购物者”；有的顾客总是买很贵的熟食，表明这些顾客饮食很讲究，但是没有时间亲自烹饪。  

通过分析，乐购得到了几十个反映顾客生活习惯的细分群，依靠命名你就可以轻松抓住这个细分群的特征，比如“低消费的忠实顾客”“每周顾客”“高消费大量囤货家庭”等。这些命名生动地反映了顾客的生活形态，当业务遇到问题时，乐购的管理者和员工就可以利用这些信息发现和解决问题。  

比如，乐购曾经想推广一批品味精致的食品，但是在上层人士聚居区的门店销售得并不理想。求助于数据分析之后，他们把这些食品摆放到了有足够多的“精致的生活形态”的顾客光顾的门店中，终于取得了预期的效果。  

你看，乐购就是从数据中发现顾客的消费模式，然后指导自己的销售。这也就是说，只有在数据和现实生活中建立可靠的连接，才能用数据解决现实问题。如果数据不与现实结合，很可能就会犯错误。  

美国电影《不可抗拒》里有就一个戏剧性的场面。这部电影讲的是男主角——一位资深竞选专家，阴差阳错地到了一个小镇，帮助一个老兵竞选这个镇的行政长官的故事。  

为了打赢竞选战，男主角调动了数据分析团队加入。电影生动地表现了一个特点，那就是，一有机会，大数据专家就挤兑民意调查专家。这也反映了现在的一个流行趋势，即大数据分析非常鄙视民意调查。  

大数据是怎么怼民意调查的呢？大数据专家说，民意调查可以告诉你们人们声称自己去教堂的频率，但我可以告诉你们他们心中有没有上帝。人人都说谎，但是会把真相告诉电脑。他们的欲望，他们的偏见，每一次搜索，每一笔交易，都是无设防的私密时刻。数字足迹就是你真实的自我。  

大数据专家的意思是，行为数据比观点数据更可靠。但是随后，大数据专家就被打脸了。  

数据显示，一个地区聚集了一群对生育权非常关注的单身女性。于是，大数据专家指令宣传团队向这个地区密集发放竞选传单，说市长当选后，将确保避孕费用由政府支付。结果，这些单身女性纷纷打上门来，要求解释。原来，这些单身女性是修女，那里是一个修道院。  

这说明，任何单一维度的数据都不能全面理解这个世界。如果数据不与现实结合，就很可能会犯错。  

划重点  

1. 分类就是按照量的标准把一个总体分成几组，必须保证组内差异小，组间差异大。 2. 分类的结果一定是概率性的，有出错的可能。 3. 当没有标准答案，仅仅能通过分析数据来分类时，最重要的就是建立数据与现实世界的连接。只有这样，才能确保我们的发现是合情合理的。

点击咨询~

【免责声明】  

1、个别文章内容来源于网络善意转载，版权归原作者所有，如侵权，请联系删除；

2、所有图片来源于网络，版权归原作者所有。如有侵权问题请告知，我们会立即处理。