如匆匆于&《1+1−1×1÷1》&《底层逻辑》

关于商用数据与算法的底层逻辑，早在2004年，就已经被瑞典数据算法的骨灰级人物Hans Rosling给予解构，他在解构序列排序中非常生动的说：The species of the world we can't see are not just dark matter, but the laws of the data themselves are one of them. They are the spirit of everything.『1』我是非常着迷于Hans Rosling的这句话。所以，当我们在荷兰的算法公司开始应对时尚零售底层数据框架建设的时候，我们在Provincie Gelderland见面。于是，关于The underlying data group section and collation『2』由此诞生，并且，一直是我们今天突破时装设计和客群画像的核心算法系统。这个系统，亚马逊花了近十年的代价，至今仍然无法追赶到我们的一半。

The underlying data group section and collation的意图比较简单，但是，无论怎样的语言架构环境，都不会让它产生不稳定性。这对于我们分布在全球不同互联网国家的不同技术环境下提供了更好的算法应对。零售与商用商业的特性是不稳定的变量因素很多，不确定性在很多时候都无法把横向纵向数据采集、处理、计算保持在恒定值内。这会造成很多重大的决策失去判断的基准。而The underlying data group section and collation保证了所有商业事务底层的数据统计逻辑。在这个基础上，展开的变量排序就会变的可控。是计算的结果，不论在什么环境下，都能够准确的体现值结果背后的真相。

所以，底层逻辑的核心是统计的排序。在统计学中，The core of variable sorting is to ensure that all variables float above and below the benchmark.『3』。所以，底层逻辑的准确性被判断的非常清楚，并且都在被统计的范围内。我们举个例子来说明底层数据抓取与计算能够被精确的事实。

两个三十岁的女人（我不会称之为中年妇女滴），都结了婚，并且收入水平与受教育水平相同。但是，一个住在中国的辽宁，一个住在中国的广东。他们在购买衣物的时候，所产生的极大差异化被表现出来。如果按照正常的客户画像，首要考虑的是变量因素。这个方向是对的，但是，结果你肯定错误的。因为影响她们产生的变量因素太多。很多时候，统计的排序根本无法统一到算法公式的范围内。那么，我们该怎么办呢？那我们就用底层逻辑来做，三十岁的女人，不论在欧美还是在中国，她们共性的范围特征是有的，那好，就用这的范围特征来做统计数据抓取的定性标准。最终，共性排序越多，表现出来的差异化越能够被应用企业的决策层所注意到，并且，能够保证差异部分怎样被设计的货品实现。最终，你会发现，无论哪个地区的三十岁女人的共性需求被完美的解决，差异需求也会被完美的解决，并且，完美的把公司多品类与分区定准定向投放做到完美。这个过程所有的排序，非常的简单并且容易被统计。

所以，我们无论怎样选取假设我们的数据与算法框架，最终需要的是了解到数据与算法的底层逻辑。这个底层逻辑的基准就是来自于统计数据组节的排序规则制定。有了这个，我们才能预知未来，把不确定性变成确定性。

……

1968年，瑞典出生了一个小男孩，他最终所发明的算法，被称为“通往未来的梯子”……

《1+1−1×1÷1》&《底层逻辑》

参考文献：

『1』Hans Rosling～2003年～Algorithmic thinking of the underlying logic；

『2』hendry～2006年～Rule the world；

『3』came～2017年～Statistical trap。

学院创始人：王士如