在《点球成金》这部关于奥克兰运动家棒球队如何通过利用统计学和数学建模的方式分析数字，从而取得最终胜利的电影中，有一个有趣的场景，就是灰头发的老球探们坐在一旁评论球员。观众不得不因此感到畏缩，不仅因为它体现了人类做决定时完全不依靠数据的草率，而且因为我们都经历过这种依赖情感而不是科学进行判断的情况。

一个球探说，“他不错，有天赋……而且长得也不错。”

一个满头白发、戴着助听器的老人虚弱地附和道，“他击打动作不错，球一被碰到就一下子弹出去老远。”

另一个球探也附和说，“击打很大声。”

有一个球探打断了对话，说，“他女朋友真丑。”

会议的负责人说，“那是什么意思？”

那个人似乎很肯定地说，“女朋友丑说明没自信呀！”

“很好！”负责人对回答很满意，然后会议继续。

开了一会玩笑之后，一个一直没说话的球探说，“这个人有很大的气场。我的意思是，他还没上场呢，对手就已经提前感受到了他的气势。”

另一个人附和道，“他通过了长相测试，长得不错。他随时都能打球，只是需要点儿上场时间。”

那个常年持不赞同意见的人反复说，“我就是说说，他的女朋友真是长相平平。”

这个场景完全展示了人类判断的误区。一个似乎经过了理智讨论的事情其实是在没有什么实际标准的情况下做出的决定。签约一个几百万美元年薪的球员，也只是看感觉，没有什么客观标准的。是的，这只是电影中的场景，但是生活中这种情况也多得是。这个场景之所以具有讽刺意味，就是因为这是普遍存在的，从曼哈顿的会议室、美国总统办公室到街角咖啡馆，任何地方，这种空泛的推理都到处盛行。

影片《点球成金》改编自迈克尔·刘易斯的《魔球——逆境中制胜的智慧》。讲述的是一个真实的故事，介绍奥克兰运动家棒球队（又称绿帽队或白象队）总经理比利·比恩（Billy Beane）的经营哲学，描写了他抛弃几百年一直依赖的选择球员的传统惯例，采用了一种依靠电脑程序和数学模型分析比赛数据来选择球员的方法。他并没有采用那些像“棒球击球率”这样传统的标准，而是采用了看上去很奇怪的、类似“上垒率”这样的标准。这个方法发现了这项体育赛事的另一面，始终存在却一直被忽略了的一面。一个球员怎样上垒并不要紧，不管是地滚球还是三垒跑，只要他上垒了就够了。当数据表明偷垒不实用的时候，即使这会让比赛更有看头，比利·比恩也不会再关注这种华而不实的技能。

在一片批评与质疑声中，比恩的“赛伯计量学”（Sabermetrics）在奥克兰运动家棒球队的办公室里被铭记了下来，这是以体育新闻记者比尔·詹姆斯（Bill James）在美国高级棒球研究协会（Society for Advanced Baseball Research）中的工作命名的。直到现在，美国高级棒球研究协会一直是一种奇特的亚文化的中心。比恩打破一切常规惯例，就如同伽利略用“太阳中心论”来挑战天主教的权威一样。最终，比恩带领这支备受争议的球队在2002年的美国联盟西部赛中夺得

冠军，还取得了20场连胜的战绩。从那以后，统计学家取代球探成为了棒球专家，很多其他球队也开始争相采用“赛伯计量学”来指导球队运作。

同样地，人类从依靠自身判断做决定到依靠数据做决定的转变，也是大数据做出的最大贡献之一。行业专家和技术专家的光芒都会因为统计学家和数据分析家的出现而变暗，因为后者不受旧观念的影响，能够聆听数据发出的声音。他们的判断建立在相关关系的基础上，没有受到偏见和成见的影响，这就如同莫里中校不把干瘦的船长在酒吧喝酒时所说的航道信息当真一样。他们的判断完全依赖于汇集起来的数据所显示出的实际信息，所以有着牢靠的根基。

莫里所采用的方法并没有解释风向和水流为什么是这样的原因，但是对于想安全航海的航海家来说，“什么”和“哪里”比“为什么”更加重要。

如今，我们正在见证专家在各个领域影响力的减弱。在传媒界，如“赫芬顿邮报”（Huffington Post）和高客网（Gawker）这些网站上传播的新闻通常取决于数据，而不再取决于编辑的新闻敏感度。数据比有经验的记者更能揭示出哪些是符合大众口味的新闻。Coursera，一家网上教育公司，深度地研究它收集的所有数据，比如学生重放过讲座视频的哪个片段，从而找出不明确或者很吸引人的地方，然后反馈给设计课程的团队。这在以前是做不到的，所以老师的教育方法一定会改变。就像我们在前文提到过的，当贝索斯发现算法推荐能促进销量增加的时候，他就不再使用公司的书籍评论员了。

这都意味着，与时俱进才是在职业领域取得成功的必备技能；这样的员工能随时满足公司对他们的期望。安大略的麦格雷戈医生不需要是医院里最好的医生，也不需要是产前护理的世界权威，就能给早产儿提供极好的治疗，因为她采用的治疗方法是电脑在处理了近十年的病患记录数据之后推荐的。事实上，她也有计算机科学专业的博士学位。

正如我们所见，大数据的先锋们通常并不来自于他们做出了极大贡献的领域。他们是数据分析家、人工智能专家、数学家或者统计学家，但是他们把他们所掌握的技能运用到了各个领域。Kaggle的首席执行官安东尼·戈德布鲁姆（Anthony Goldbloom）说，在这个大数据项目竞赛平台上取得胜利的人通常不来自于他们做出成绩的领域。

一个英国物理学家设计了一个算法系统来预测保险索赔和发现二手车的质量问题，这个系统差点就获胜了；还有一个新加坡的精算师在一个预测人体对化合物的生理反应项目中取得了胜利；同时，在谷歌的机器翻译团队中，这些工程师们都不会说他们翻译出的语言；类似的还有，微软机器翻译部门的统计学家们在茶余饭后的谈资就是说每次一有语言学家离开他们团队，翻译的质量就会变好一点。

当然，行业专家是不会真正消亡的，只是他们的主导地位会发生改变。未来，大数据人才会与他们一样身居高位，就像趾高气扬的因果关系必须与卑微的相关关系分享它的光芒一样。这改变了我们怎样看待知识的价值，因为我们往往倾向于把专业人才看得比全才更重要，也就是说深度就是财富。然而，专业技能就像精确性一样，只适用于“小数据”时代，当时人类掌握的数据永远不够多也不够准确，所以需要依赖直觉和经验指导。在那个时代，经验是先决的，因为只有通过这种无法从书本上和别人口中得到的、埋藏在潜意识里的知识的积累，我们才能做出更明智的决定。

但是当你遭遇海量数据的时候，你就能通过挖掘数据而得到更多。所以大数据分析家会把过去看成是迷信和成规，这不是因为他们更聪明，而是因为他们拥有了这个财富之源——数据。同时，作为外行人，他们不会被行业内的争论所限制，因为他们不会被自己所支持一方的观点所影响而产生偏见，这是他们与行业专家不一样的地方。这一切都意味着，一个员工是否对公司有贡献的判断标准改变了。这也就意味着，你要学的东西、你要了解的人，你要为你的职业生涯所做的准备都改变了。

数学和统计学知识，甚至是有少许编程和网络科学的知识将会成为现代工厂的基础，一如百年前的计算能力或者更早之前的文学。人类的价值将不再体现在与思维类似的同行的交际上，而体现在与各行各业的人的交际上，因为这样知识就能广泛而深刻地进行传播。过去，要成为一个优秀的生物学家就需要认识很多生物学家，这并没有完全改变。但是如今，不只是专业技能的深度很重要，大数据的广度也变得很重要。要想解决一个生物难题，或许与天体物理学家或者数据视图设计师联系就可以实现。

在电子游戏领域，大数据的普通人才早已经和高级专家站在了一起，他们正在一同改变这个行业。该行业每年收入近100亿美元，比好莱坞的票房收入还要多。过去，游戏公司会设计一个游戏，发布它，指望它能一炮而红。然后，公司会考虑到销售情况，要么继续推出升级版，要么开始研发新游戏。游戏的速度、人物、情节、物品和事件的设定都是基于设计师的创造力，这些设计师对待工作的认真程度就像米开朗基罗画西斯廷教堂时一样。但是，这是一门艺术而不是科学，艺术讲究的是直觉和情感，就像《点球成金》中球探们所表现的一样，然而那个时代已经过去了。

zynga的FarmVille，FrontierVille，FishVille和其他网络游戏都是交互式游戏。表面上，这些游戏允许zynga收集用户数据以及在这些数据的基础上对游戏进行修改，而事实上，这些游戏远远不止一个版本。因为公司可以收集到游戏中的数据，所以一旦有玩家难以过关或者因为某一关不对劲而不想再玩了的时候，zynga就能通过这些数据发现问题，然后对游戏进行修改；但是更加隐性的是，该公司会针对不同的玩家设计不同的游戏，像FarmVille就有好几百个版本。

这个公司的大数据分析家们通过颜色或者是否有玩家看到他的朋友正在使用这些产品，来研究虚拟产品的销量是否增加了。比方说，当数据显示FishVille的玩家购买透明鱼的数量是其他产品的6倍的时候，zynga就会通过多出售透明鱼而谋取更高利润。在Mafia Wars中，数据则显示玩家更喜欢购买有金边的武器和纯白的宠物老虎。这些都不是一个游戏设计师在工作室里能发现的东西，但是数据就能把这些信息传递出来。zynga的首席分析师肯·鲁丁说道，“我们打着游戏公司的幌子，实际上在做的是分析公司的事。我们的运作都是以数据为基础的。”

这种转变意义非凡。大部分人往往都通过经验、回忆以及猜测做决定，就像W.H.奥登（Wystan Hugh Auden）的名诗中所说的“知识退化成骚乱的主观臆想，那是太阳神经丛的感情引起的营养不足”。坐落于马萨诸塞州的巴布森学院商科教授托马斯·达文波特（Thomas Davenport）是多部数据分析著作的作者，他把这种情感称为“黄金般的直觉”。执行官们信任自己的直觉，所以由着它做决定。但是，随着管理决策越来越受预测性分析和大数据分析的影响

和控制，依靠直觉做决定的情况将会被彻底改变。

大数据先锋

The-Numbers.com与电影票房预测

比方说，The-Numbers.com在好莱坞电影上映之前，就能利用海量数据和特定算法预测出一部电影的票房，而这些信息就可以为电影制片人所用。该公司拥有一个包括了过去几十年美国所有商业电影大约3000万条记录的数据库；数据库里有所有关于预算、电影流派、拍摄、阵容、获得奖项和收入等数据。电影的收入是指在北美和全球的票房、海外版权销售收入、影碟销售收入以及租金等。公司创始人兼总裁布鲁斯·纳什（Bruce Nash）说，我们公司开发了一个网络系统，其中有100万条类似“A编剧曾与B导演合作过，C导演曾与D演员合作过”这样的联系信息。

该公司通过找出这样复杂的相关关系来预测电影的收入。借助于这个预测，电影制片人可以向工作室或投资人募资。The-Numbers.com甚至可以告诉客户改变哪些选择可以增收或者降低风险。一次，它的分析发现有一部电影要是启用获得过奥斯卡提名的、身价在500万美元左右的某位一线演员做男一号的话，更有可能票房大卖。还有一次，纳什告诉IMAX工作室，一部航海纪录片需要把预算从1200万美元减少至800万才能赢利。纳什开玩笑地说：“这可乐坏了制片人，但是导演就不高兴了。”

从是否出品一部电影到签下哪个三垒手，公司的决策过程已经有了本质且明显的改变。麻省理工学院商学院教授埃里克·布伦乔尔森（Erik Brynjolfsson）和他的同事一起进行了一项研究，发现决策依赖数据的公司的运营情况比不重视数据的公司出色很多——这些公司的生产率比不使用数据进行决策的公司高6%。这是一个重要的竞争力，虽然随着大数据手段被越来越多的公司采用，这种竞争力会慢慢削弱。