最近关注的课题是，在同质化很高的类目，同竞争对手的价格差距，和转化率之间的影响。
上图是adobe sitecatalyst官博的一个虚拟例子，描述了在“价格比竞争对手贵50”的情况下，各个利润下的查询量，订单，和抽象简化的转化率（订单/查询量）。
这个报表的数据源，每一项都有很多坑，比如利润的统计口径，价格差的误差容忍度，查询量的定义和各种渠道平台兼容，订单和查询量如何多对多匹配，但是本文并不是探讨这个“形而下”的如何操作的话题，如果有兴趣的话可以公告号回复给我，有需求的话，再写一篇给干活的参考。
本文想讨论的是“形而上”的问题，即这个报表的实际指导意义。
还是从这个例子来说。价格差是由对方价格决定的，利润是由成本变化影响的，查询量是相对稳定的季节需求影响的，订单转化是这一切的综合影响结果。
不难看出，成本、查询、销售结果是“比较确定”的部分，而对方价格是“不确定”的部分，因为季节性多少还是有规律的，而竞争对手是根据对方的一套策略来应变的。
这里我们引入性能优化里的“冷热”概念，当一个订单刚刚创建时，修改、取消的数据读写需求很频繁，随着下单时间变久，很快会变成只有“查看”这一个需求，也就是从“热”变“冷”，根据数据得到分界点，进而分开处理，只要分开处理消耗的资源，比区分冷热节省下来的资源少，就是有效的优化。
这是性能优化的基本思想，某种程度上DBA可能比行销经理或者产品运营经理更懂客户行为，只不过后者比较喜欢写博客宣扬而已。
不难看出，较为确定的部分是比较“冷”的，而不确定性很强的，有博弈的部分是比较“热”的，往往最后业务结果是否和预测一致，就在于对“热”的部分的理解和预处理。
这里又可以写另一篇抓取和反抓取的文章，不过本文想说的是一个“跳”的预处理概念。
下过一点点围棋（棋魂的水平就够了）的读者可能知道，如果一直紧贴着对手走，会发现永远追不上，反过来如果隔空跳几步，乍一看没有直接拦住，但是走下去会发现，隔空跳的控制领域更大。初学围棋是背诵定势的方式，对于高手来说完全可以自创。由于隔空跳不仅看起来玄妙，而且有浩瀚无边的自创空间，自然而然就成为大部分人认为“计算机下不赢人类“的根据。然而现代大数据的水平显然已经克服了这个问题，至少在围棋领域。
再举一个对战游戏的例子，当年还是星际校队候补的时候，曾经有一个体会，“当某个时间点无论怎么打也打不过的时候，应该暂时退一下”，仅仅这个理念就可以让水平上去一大截，从每一次的事后战报分析可以看到，如果发生了“某个时间点对方完全压制你”，意味着对方“放弃了什么”，这时候暂退一下，就扩大了对方的损失，而加强了自身的全局优势，这就是全局概率思想的雏形。
历史上的例子更多，抗日战争就是这样拖赢的，不管是主席提的也好，委员长提的也罢，持久战的策略在中国这样大的棋盘上，远比决战明智。另一个例子是朝鲜战争，当美军在正面遭遇中，无论如何打不过志愿军的时候，将持续战斗时间延长，扩大志愿军补给军需的劣势以后，所有数据指标都开始往好的方向发展，李奇微实际上只是从紧贴变成先拖几天再打，全局概率变化之大，直接导致朝鲜没有和越南那样统一。
回到主题，假设我们用adobe的这套方案，监控价格差距、成本、需求和转化，我们可能可以解释过去一段时间发生了什么，然而这并没有什么用，笔者就曾经这样回头解释过很多个项目为什么失败。对于实际在进行的项目来说，必须要能切实指导出“如何得到客户和市场份额”，才有现实意义。
本文想阐述的是这样一个理念，首先基于比较稳定可控的数据，建立一个冷数据的基础，然后对于处于博弈状态激烈变化的热数据，以能够穷举的所有假设去计算概率，完全不猜对方的策略，而是和alphago一样，始终能得到一个整体概率相对较大的行动指南。
最后的结果，在围棋上的体现，可能是看似没有道理的“跳”，或者是星际里面一个毫无道理的集结点位置变化，因为并不是直接压制的思想，而是控制整体概率，压制的是“可能性”。
孙子兵法有很大的篇幅说如何用间谍来干扰对方的决策，对于天生自带大数据能力的名将来说，他们掌控了本文开头那些不确定性的数据，也就掌控了双方的决策依据，从而可以间接“指挥”对方或对方的领导，达到以少胜多的结果。历史的长河里，比以少胜多更经常发生的，是名将输给平庸的对手，例如汉尼拔，或小说里的诸葛亮，无非是遇到了根本无视竞争对手在做什么，而只是采取概率较高的稳妥决策的对手，这种情况下资源的优劣是决定性的。
最后按语文课的要求，是必须要点题的
大家也看到了，alpha go打败李世石也只是最近的事情，下一步alpha go打算用星际争霸来试验（所以本文的例子也不是随便举的），也就是说，真正结合到现实生活，考虑了包容复杂博弈的整体概率的大数据，也才刚刚露出曙光。
仅仅就目前来说，常见的“大数据”玩法大致是把上图的所有指标写成向量，计算大量向量的夹角余弦来评估相似关联的概率，也就是仅仅达到了格式化搜索推荐的水平，和下围棋的算法相比，只达到了形而下的水平，并没有解决形而上的问题（也就是预设问题）。因此说，“数据可以预测未来”在商业领域，仍然是一个有待商榷的命题。
谢谢阅读。
