数据的三体问题：为何分析、决策和运营无法协调一致

三个世界的失败乐团

大多数系统并没有出问题。更糟糕的是：它们几乎可以正常工作。作为一名资深 Salesforce 用户，你要做的第一件事就是下载 Excel 文件，然后从中操作。两个人对 PowerBI 数据的切分方式不同，得出的见解也截然不同。然后，机器学习系统会做出预测：需求会上升，某个设备存在风险，某个订单可能会失败。而且，这个预测并没有错。 

但等到有人真正采取行动时，这已经无关紧要了。 运维团队继续他们的日常工作，在 ServiceNow 上提交工单，处理三天前出现的问题。每个人都在努力工作，每个人都在采取行动。但他们从来都不是针对同一件事采取行动，或者在必要的时间窗口内的正确时间采取行动。 

这就像一支管弦乐队。分析团队演奏古典音乐，AI/ML 即兴演奏爵士乐，而运营团队仍在调整乐器。指挥家正埋头于未读的仪表盘和未点击的 PDF 文件之中。如今我们所谓的“洞察力”有半衰期，在大多数公司，我们都在浪费它。你获取信号，对其进行分析，然后构建一个简洁的图表 ， 甚至可能还会将其呈现出来。 

但如果不在业务流程中一个狭窄的窗口期内（涵盖从数据到运营的三个领域）采取行动，它就会像昨天的报纸一样被遗忘 。数据很好。仪表盘很清晰。但却没有后续行动。 

问题不在于工具故障，而在于人的信任和系统时序。人们以自己想要的方式看待数据。他们解读那些符合自己视角的信息。一个人的洞见只是另一个人的背景噪音。因此，反馈回路中断，预测停滞不前，操作照常进行，仿佛一切都没有发生过。平台之间互不沟通。更糟糕的是，它们甚至没有意识到自己身处不同的空间。 

数据的三个世界

每家现代公司都生活在三个平行的现实中：三个世界以截然不同的方式收集、计算和处理数据。它们本身并没有错，只是协调性不足。如果没有共同的节奏，整个系统就会停滞不前。 

就上下文而言，我们设想这三个系统如何协同工作 

1. 分析系统

第一个是分析的世界：报告、仪表盘、BI 工具。在这里，数据具有历史性、可视化，并且越来越具有观赏性。你登录 Snowflake 或 BigQuery，在 Looker 图表上分层，然后满怀信心地走进会议室。它会告诉你上个季度发生了什么，上周销售额为何下降，哪个品类表现不佳。它清晰、直观，而且通常很准确，但它并非用于干预。无论图表多么精美，它都不会引发采购订单，不会造成延期，也不会促使系统恢复正常。 

分析世界 很少流入真正做某事或采取行动 的系统。在大多数公司中，分析仍然是一种导出功能：数据从平台到 PowerPoint，再到收件箱。 

2.决策或预测系统

这个世界总是试图展望未来。想想机器学习模型、预测引擎，或者深藏在供应链软件中的库存优化逻辑。这些系统不仅仅是报告，它们还试图预测。例如，电商品类经理知道哪些书名正在流行，以及什么时候会缺货。他们的工作就是预测未来：什么书会畅销，什么书不会畅销，以及现在需要采购什么才能满足下个月的需求。但即使在这里，也存在局限性。预测系统可能知道某个SKU即将缺货，但它们无法下订单或标记物流。 

它们发出信号，但 依赖其他人来接收并采取行动 。因为它可以 预测 货物会出故障，却无法 阻止 它。它知道火车脱轨了，但却不会踩刹车。 

3.运营系统

运营是企业赖以生存的基石。它是 ERP、订单管理系统、仓库仪表盘和工单队列的领域。它并不关心模型预测了什么，也不关心哪个仪表盘亮了。它关心的是货物是否送达、设备是否发生故障、工单是否已关闭。它深深植根于 响应、解决和路由的 每一个环节。例如，在生产或供应链中，温度检查、交付 SLA 和合规性标志都存在于此。 

但它 通常不知道已经产生了洞察、做出了预测 ，或者上游发出了信号。它根据流程标准而非商业智能行事。它要么盲目运行，要么按照过时的指令运行。 

这三个世界共同构成了企业的完整数据栈。然而，如果没有桥梁或通用层来 转换和处理数据， 每个世界就会变成孤岛。仪表板负责感知，模型负责猜测，运维团队则负责即兴发挥。最终，业务发展与自身发展脱节。 

案例：相同的供应链，三个不相连的系统

假设一家公司管理多个品牌的供应链，比如制药、电子、汽车零部件等。每个品类都有各自的主管。每个主管都与不同的供应商合作：仓库、货运、包装。这是一个相互依赖的网络。 

现在想象一下：一辆卡车晚点了。库存扫描显示库存 数据 不匹配。20个订单可能无法送达。 下午2点 ，配送经理接到一个电话：“我们要改路线吗？要等一段时间吗？要分批发货吗？” 

她打开分析仪表盘。仪表盘显示，昨天东仓库的SLA未达标率为3.2%。但这一洞察并没有很好地融入到经理跟踪的运营系统数据中，或者说根本没有融入。 

她查看了预测工具。模型显示：该供应商周二 经常 错过提货。它不会自动触发路线变更，不会阻止有问题的批次，它不会自行执行任何操作。 

经理不需要昨天的洞察，也不需要上个月的趋势。 她需要的是行动号召，现在就行动。

谁来整合这些信息并将其转化为决策？没有人。 

运营 超载，正在等待触发。 

分析 仍然停留在总结过去上。 

预测系统 正在推动——但尚未执行。 

每个系统都了解一些事情，但它们并非为在特定时刻协同 行动而构建的。因此，经理最终会像其他经理一样：凭直觉行事，做出决定，并祈祷事情不会像滚雪球一样越滚越大。 

这就是问题所在。预测和仪表盘都是被动的。预测本身也是被动的。而当关键时刻，当需要人类决策时， 这些系统都无能为力。

这三个领域必须同步运作。 平台必须将情境、预测和行动整合到一个循环中。 否则，你管理的实时供应链将面临工具滞后和声音断断续续的困境。时机总是会错失。 

大家仍在使用 Excel

在某个工厂车间，价值数百万美元的供应链正在电子表格上运行。不是现代的网格应用程序。不是花哨的仪表盘。只是 Excel。甚至不是“Excel 作为临时工具”，而是 Excel 作为 系统 。 

以家电制造为例。一个成品单元可能包含200个零部件，每个零部件都来自不同的供应商：比如说，一些在中国，一些在韩国，还有一些在德国。每个供应商都有自己的产能限制、交付周期和定价模式。生产经理呢？他们在一个Excel工作簿里处理所有这些信息。跟踪零部件库存。交叉引用供应商的限制条件。试图回答唯一重要的问题：我能按时生产下一批产品吗？ 

你可能无法想象，如此大型的制作公司竟然会用 Excel 来支撑其运营中最关键的部分。甚至有些情况下，关键决策会因为 Excel 表格行数达到上限而面临风险。所以，现在的世界真是乱糟糟的。 

但人们仍然使用 Excel，因为它赋予了他们大多数企业系统所不具备的东西： 控制力 。它灵活。本地化。无需凭单或培训课程。最重要的是，它反映了他们对流程的心理模型，而不是某些供应商的模板版本。 

Excel 不是一种工具，而是一种情感。它让流程经理感觉自己掌控一切，直到他们不再掌控一切。 

人工智能准备度测试

问问十家公司“AI 就绪”意味着什么，你会得到十个不同的答案。有些公司认为，AI 就绪是拥有预测洞察的仪表盘。而另一些公司则认为，AI 就绪是像产品经理一样说话、像工程师一样执行的自然语言代理。每个人对 AI 都有自己的定义。这就是问题所在。 

你的人工智能就是你的信仰。

每个人都相信自己在做这件事。却很少有人思考如何才能做好。我们将其分为三个层次：不容妥协、竞争性和 理想性 。 

基本要求：快速、干净、可靠的数据

这并非可有可无。如果你无法快速、干净地访问可信数据，你就已经落后了。到了2025年，如果一个团队连实时获取可靠数据都做不到，还要费劲地跑三个人、跑五个文件，那我们还谈什么人工智能呢？ 

这是大多数组织仍然没有落实到位的部分。访问缓慢会破坏信任，延误行动，并降低相关性。你可以随心所欲地预测，但如果你的销售经理24小时后才打开表格，那就错失良机了。 

最新技术：统一数据平台

在这里，您可以将三个世界：分析、预测和操作，整合在一个 展开行动的 表面上。 

你不仅要构建管道，还要构建数据产品。你可以称之为网格、结构或平台，它是上下文、逻辑和操作的交汇点。正是这一层将运作型公司与被动型公司区分开来。 

如果你没有统一的层，你仍然会把仪表盘复制到 Slack 里，然后让运营经理“有空的时候看看”。当人仍然充当桥梁而不是做出重大决策时，系统就没有起到什么作用。 

理想状况：代理系统

这就是系统发挥作用的地方。它不仅仅是建议或警报，而是 行动 。这些系统不仅会通知人类，还会代表他们执行任务。 模型不会只是说“东区将无法完成配送目标”，它会实时地重新规划路线、调整优先级或向相关人员发出警报。

并非所有事情都需要自动化。但如果所有事情都需要人工干预，你的构建就无法实现规模化。你正在阻碍人力带宽的提升。想想 RAG、代理流、自然语言界面和自主行动。 

如果您不投资快速、可靠的访问，就不要谈论代理。 

如果您的数据平台没有统一堆栈，就谈不上自主。 

人工智能就绪并非一句口号，而是一个简单的系统测试。你要么立即通过，要么就失败。 

渴望成为代理者的原因

大多数公司都希望人工智能在董事会会议上表现出色。但很少有人会问，如何才能推动运营的进程。追求代理系统的真正原因在于：关键不在于复杂程度，而在于 在等待某人采取行动时不会损失金钱 。 

以一家大型零售连锁店为例，想想看，它有6000到7000台POS机。如今， 结账正常运行时间已不再是一个虚荣指标 。如果一台POS机出现故障，顾客就会离开。如果20个城市的200台POS机出现故障，经济损失是实实在在的。通常会发生什么？ 

门店员工致电 IT 部门。经理提交工单。区域运营部门介入。每一步都会延误修复进度。 每一步都会产生成本。即使是未接通服务台的电话也会被扣款。

那么问题来了： 人类为什么非得打电话呢？ 这就是代理系统改变现状的地方。 

POS 终端实时生成遥测数据：打印机状态、网络延迟、电涌、错误率。所有这些都被传输到统一的数据平台。一个基于历史故障训练的模型会标记出哪些终端可能在未来两小时内出现故障。 

但单凭预测并不能改变游戏规则，接下来会发生什么才是关键。 

该平台会按位置映射所有存在风险的设备。假设标记了 200 台设备。现场上门服务费用为 100 美元。但其中 80 台可以通过重启、固件补丁或清除缓存进行远程修复。因此，系统： 

筛选哪些设备无需人工干预即可恢复， 

通过远程接口立即执行这些操作， 

并且无需打开任何一张票 就可以完成整个循环。 

店长根本不知道出了什么问题。这就是问题所在。 

当您将分析（遥测）、预测（故障评分）和操作（远程修复）纳入一个数据应用程序时， 您就不再谈论“AI 用例”并开始降低每次事件的成本。

你并非渴望成为代理人以显得聪明或紧跟潮流。你这样做是为了让你的系统 在 员工需要行动之前就采取行动。这是一种投资，无疑是一项高影响力的投资回报率策略。 

认识主角：行动层

每个人都在构建报告系统，但很少有人构建 响应 系统。 

大多数企业都运行着三个互不关联的引擎：分析引擎告诉你发生了什么，机器学习引擎试图预测可能发生的情况，以及运营引擎时刻掌握着实际情况。但当你问：“究竟是谁根据这些洞察 做了什么 ？”时，通常得不到答案，或者答案模糊不清，缺乏透明度。 

这就是Action Layer 所要解决的问题。 

这不仅仅是分析、机器学习和 运营 的结合。而是这些系统汇聚在一个 统一的执行界面 上，旨在行动，而 不仅仅是报告 。当你的数据平台不再只是静默的档案库，而是开始运行业务时，它就会出现。 

神经系统类比

如果我们必须打个比方，使其具有功能性，那么企业神经系统具有： 

传感器 →您的分析：信号、事件、遥测。 

反射 →ML 系统：标记需要注意的内容的模型。 

肌肉 →操作系统：API、杠杆、执行接口。 

但 大脑 才是负责决策、反应和执行按钮的，这就是行动层。 

没有它，其余的都只是噪音。你掌握了所有信息，却没有行动。你得到了预测，却没有响应。这就是孤立运行系统的代价。 

行动层 = 具有代理行为的数据应用程序操作系统

我们要明确一点，这些应用并非拥有漂亮 UI 的仪表盘。它们是 拥有自主权的应用 。它们构建于统一的数据平台之上。容器化、可插拔，并直接嵌入到日常工作流中。 

他们不仅指出问题，还会解决问题。例如： 

通过遥测 检测 POS 故障→远程推送固件补丁

通过预测信号 标记低库存→触发自动补货工作流程

发现供应链中的 SLA 违规行为→自动升级至正确的解决层级

它们并不位于单独的系统中，而是 出现在操作发生的地方：就在操作员的工具内部，在需要做出决策的准确时刻。

归根结底，我们的业务并非基于洞察力，而是基于洞察力所采取的行动。其他一切都只是纸上谈兵。 

你可以有一百个绝妙的想法或洞见，但只有当你选择行动时，世界才会改变。愿景固然重要，但行动才是历史的记录。 

小结：行动是新的洞察力

仪表盘不会带来收入，决策才是。 

这些决定并不是停留在幻灯片上，而是能够触及现实世界并 产生影响的 决定。 

亚马逊不会因为拥有最智能的机器学习系统而获得报酬。亚马逊 自己心里清楚 。但亚马逊也不会因为推荐好产品而获得报酬。他们只有在用户真正购买时才会获得报酬。系统知道你在看一支昂贵的钢笔。所以它会向你展示一本高级日记本。然后是一个皮包。这可不是随机的。这是意图检测。但所有这些预测呢？在你点击“ 立即购买”之前，它们都 毫无价值 。 

数据系统的作用是 让业务运作更加智能。这意味着在执行时 提供正确的洞察，并 立即 完成闭环。任何不足之处都只是潜力。而潜力不会体现在季度数据中。 

本文来自微信公众号 “数据驱动智能”（ID：Data_0101），作者：晓晓，36氪经授权发布。