心理游戏

当加文•波特（Gavin Potter）还在IBM欧洲商业优化中心工作时，他每天的任务就是将精密计算出的数据拿到市场上去检验。虽然“蓝色巨人”从不缺少功能强大的巨型机器，但这仍然不是一个容易的活儿，起码不像“公关之父” 爱德华•伯奈斯在上个世纪20年代所说的那样：“大众就像黏土一样，任凭你怎么捏就怎么捏。”

从商业诞生之日起，卖者对买者的心理揣摩大概就是一个永恒的研究课题。但是事与愿违的是，在信息爆炸时代，不仅消费者会在这种密集的“轰炸”中无所遁形，就连商家——这些“信息弹片”的始作俑者们也会迷失其中。是的，当邮件、消费记录、个人档案以及其他所有有助于销售的可得数据比10年前近乎增长了1万倍的时候，谁还敢叫嚣可以完全把控普通消费者的一举一动，并成功预测他们的“下一秒”。

当然，这样的尝试永远没有中止过，而如今，愈发万能的互联网更助长了这种勇气。Google、亚马逊以及其他一些大大小小的公司都寄托于发挥计算机的巨大作用，通过不断地归纳、统计，了解消费者的习惯，进而投其所好、掌握未来先机。

定位下一步

据ABI调研公司的调查显示，GPS全球定位系统是今年夏天最热的电子产品之一。看来，“位置”不光是地产行业的“生命线”，对其他行业也同样重要。经过分析，它不仅可以告诉商家消费者的行为，还能勾勒出经济趋势的基本雏形，更好地为办公及零售店选址。当然，随之带来的还有更精准的广告——问题是，如何从数据中理出这些头绪来。

纽约的一家软件分析公司Sense网络正致力于此。6月初，它发布了一款名为Macrosense的工具，通过一套复杂的算法，过滤大量关于方位的冗余信息——它们来自出租汽车公司提供的上下车地点、公开的气候信息等资料以及其他一些隐秘来源——然后从中挑选出与现实问题相关的部分。“我们能预测人们将去哪里旅游、告诉商家消费者的信心指数或者他们的竞争者来自哪里。” 其联合创始人托尼•杰巴拉(Tony Jebara)不无自豪地说。目前，该软件正分别在一家零售店、一家金融服务公司以及一家大型对冲基金公司进行测试。

而在Macrosense发布的当日，公司还发布了另一款名为Citysense的软件，它通过记录相似人群的活动地点为用户提供信息和建议。这项服务还可以在iPhone或黑莓手机上注册应用。

Sense的另一创始人曾将他们的工作命名为“现实挖掘”（Reality mining）。除此之外，从微软拆分出来的Inrix公司通过交通流量信息预测堵塞情况、英国一家机构通过追踪手机信号来观测商店里的人流等等，都具有利用现实数据指导现实的“异曲同工”之妙。

然而，比起现实来，网上的虚拟世界更难把握。而比起具体的行为来，人们的心理也更难揣测。但不幸的是，互联网已经渗透到生活中的方方面面，而很多消费行为，往往就是存乎于一念之间。

随着电子商务消费不断上升，越来越多的公司认识到，留住老客户可能比网罗新客户更重要。由此，公司们开始想尽一切可以抓住消费者“回头率”的方法。纽约著名时装百货品牌Barneys就表示，它们依靠一种微型数据软件，可以从特定的网络行为与消费倾向的联系中找到商机，从而使自己的在线业务增长至少10%。这种测试是由Proclivity Systems（倾向性系统）开发，通过它，Barneys可以知道某个消费者什么时候在哪里会登陆它的网站，并通过其他统计信息决定是否要给这位消费者发邮件推荐商品。

在这里，除了严谨的算法外，还需要猜测消费者的心理。比如，如果一个消费者在大减价时期买了某种商品或者特定类型的商品，并且这种行为在类似时期内发生过若干次，但在12月的购物季却没有发生过任何消费，那么Barneys就会由此判断这位喜好折扣的消费者也许并不想在圣诞节省钱。因此，它就会在除12月以外的其他减价季向其发送各大商场的打折海报。

这种将消费者的行为量化，评估其打开邮件并决定购买商品几率的方法，可以增加有效投放，也由此节省了运营成本。而结果并不仅仅是销售额的增长，准确的追踪服务还让消费者感觉到Barneys对他们的关注与了解，从而让他们更愿意来Barneys购物。

[---分页标志符---]

数字困境

追踪消费者对商品的倾情度是各种网络销售商（这里也包括Google、雅虎这样的网站）的一个普遍调查方向，而亚马逊和Netflix这两个目前最棒的网络经销商，根据其长期向客户推荐商品或者电影的经验，则采用了一种建立在特定消费者之前消费行为以及他们对商品排序基础上的主流技术方法——“协同过滤法”（collaborative filtering）。

然而，无论这些公司标榜自己的算法多么的高人一筹，但事实上，所有这些方法却并不能真正反应用户的兴趣变化，由此更不可能轻松地做出排序。人们的消费原因复杂多样，比如人们不一定总买自己喜欢的东西，也许他们会依照祖母的眼光为她买一件毛衣，或者因为飞机座椅上新设置的大屏幕而观看一部平常并不会购买的电 影。

这正是DVD租赁网站Netflix所面临的问题。它曾经说服500万用户接受它按等级为他们提供的20亿部电影，但即使这样，也还是很难归纳出具体某个人到底喜欢什么——或许我们只能说这个推荐系统是可信的，但不够完美。尽可能的利用多种信息是非常重要的，但要想达到更好的效果，就要追踪所有线索，包括消费者所进行的电影搜索、所浏览的网页，甚至是他的鼠标行径——但这些都是Netflix现在无法做到的。

也许是因为此，2006年10月， Netflix为了有效的发展自己的推荐系统而发起了一项名为Netflix Prize的长达5年的竞赛。它要求参赛者根据48万余用户对17000部电影的上亿条评分记录推测出另外近300万条记录的分数。任何组织或个人只要能够提交比Netflix现有的电影推荐系统 Cinematch 效果好 10% 的新方法，就可以获得诱人的7位数奖金。不仅如此，每年它还会为此提供5万美元的年度进步奖。

比赛开始短短两周后，Netflix就收到了169个方法，一个月后这个数字就超过了1000。当时，第一名是来自多伦多大学的BellKor小组，它们的算法比Cinematch好8.43%。逐渐地，这场比赛已经演变成一场学术研究事件，很多参与者都是如多伦多大学这样的数学研究机构。但当各种方法都向10%迈进的时候，之前看起来简单的事情变得越来越难，进展也越来越慢。要想更上一层楼达到10%，这越来越被人们认为是不可能完成的任务。

比赛开始的一年后，一匹“黑马”突然闯入，并一下杀进前十。他首次递交的计算方法就比Cinematch好7.15%——要知道，当初BellKor是花了长达7个月的时间才达到这个成绩的。而仅仅两个月后，这个神秘人物就跃居到了首位。最令人惊奇的是，不同于一些参赛者把自己使用的计算方法完整的描述了出来，这个网名为“Just a guy in a garage”（车库中的家伙）的神秘人物可谓吊足了众人胃口，甚至连一个链接都没有留下。没有一个人知道他到底是何方神圣，甚至他是一个单独的个体，还是一个小组都无从知晓。每个人的想法都如BellKor小组的组长一样：“我很想知道那个迷一样的人的尊姓大名。”

[---分页标志符---]

“心理分析师”的胜利

他就是加文•波特，一个48岁的英国人，曾经为壳牌、普华永道等大公司工过，而最近的一份职业则是IBM公司的一名管理咨询师。对于他的“神秘”，波特坦诚并非刻意为之，他只是觉得在取得任何成绩前，没有必要透露身份。

2006年，因为厌倦了大公司，波特离开IBM转而研究自己完全陌生的机器领域。当他听说Netflix Prize后，决定放手一搏。尽管他不知道并非学者或者数学家的自己能够走到哪一步，但作为一名“待业者”，他有的是充裕的时间。

而波特的方法的确与众不同——并不以数学为基础，而是开发一种从未被使用过的新途径：心理学。有趣的是，他只是一名心理学肄业生。如果非要用到计算的话，他则求助于自己的大女儿艾米丽——一个计划到牛津读大学的高三学生。事实上，波特必须要十分努力的学习才能把复杂的数学问题搞明白，不过好在他对电脑并不陌生，虽然那只是一台“年代久远”的戴尔台式电脑。当然，它并不像其网名所表现的那样放置在车库（garage）中，而是搁在自己家中的卧室里。而这个被涂满了充满朝气的嫩绿色，堆满了孩子们玩具的房间才是他真正工作室。每天从早到晚，他都会在电脑前敲敲打打，时而又在旁边的一打稿纸上写写画画，不过却从来不会为了比赛彻夜试验。

实际上，波特并不像自己所说的那样“外行”。早在2001年，他就与人合写了一本名叫《虚拟世界中的商业》（Business in a Virtual World）的书，描述了公司如何更好地利用新技术的技巧。在这个过程中，他完全认识到了发展推荐系统的商业价值。波特说：“20世纪是人们专注供给的世纪，不断整合这条供给线。而21世纪，将成为需求的时代，人们的需求将得到理解。”

波特用心理学来观察人的行为。他很赞赏BellKor小组的工作，但是他觉得他们在研究问题时经历了一场不太好的集体审议。他把他们这种数学研究方法背后隐藏的心理学模型称做“粗鲁”——在他看来，或许这还是客气的说 法！

将人的因素放入计算中说来容易，但如果你只知道一个人喜欢的电影类型，其他一无所知，那如何运用心理学来研究他的消费行为呢？

波特的深层分析建立在“心理定格”创始人阿莫斯•特沃斯基（Amos Tversky）和诺贝尔奖得主丹尼尔•卡纳曼（Daniel Kahneman）所研究的行为经济学的理论基础之上——他们开创性地研究了人类对于不确定性信息的认知能力。

简单地说，这就是一种参照反应。如果顾客看了价值4颗星的电影，如《星球大战》三部曲，紧接着又看了质量更好一些的《银翼杀手》(Blade Runner)，那么他们不出意外就会给《银翼杀手》5颗星的评价。但是，如果他们以一颗星的电影开始，比如《星球大战》前传，那么《银翼杀手》很可能只得到4颗星或者3颗星。参照反应提醒我们，排位系统需要考虑到惯性问题——总是给出高评价的顾客很有可能继续给出高于平均水平的评价。在Netflix的数据中，波特发现了这一点，结合偏差效应一起考量，他几乎找到了使用者的真实品味。

其实，一个统计员也能察觉到这些惯性的东西，只是其中蕴含的无限偏差、形式以及异常因素太多，几乎在每个案例中，数字计算研究机（number-cruncher）都不能呈现所有因素。但是，一个心理学家通过原始智慧恰恰可以告诉统计员如何运用他们强大的数字武器。

如同所有传统与现代的辩证一样，传统心理学和现代计算机技术的结合或许才是最好的解决办法。如今，BellKor小组的程序已经是107种不同算法的结合，而且还在用偏差等方法不断完善与更新。而波特也开始在他的心理学方法中，融入进了更多的纯数学算法。