哈佛商业评论网站发表麦克·施拉格（Michael Schrage）的文章，称机器学习和AI算法的进展正在改变我们熟悉的80/20规则。以下为编译整理的文章概要：
意大利工程师和经济学家维尔弗雷多·帕累托
很多业绩出色的公司，都对意大利工程师和经济学家维尔弗雷多·帕累托（Vilfredo Pareto）推崇备至，因为他提出的80/20规则产生了非常大的影响。
这个规则指出，80%的效果（销售额、营收等）都来自于20%的贡献者（产品、员工等）。
现在，机器学习和AI算法创新正在改变帕累托分析的方式，我认为，下一代算法将为帕累托范式提供巨大的推动力。
AI和机器学习将从以下三个重要方面来改变公司使用帕累托原则以提升利润的方式。
第一，更大的数据量、更高的数据多样性可以保证算法获得足够多的训练，让它们变得更加智能。
例如在新型工作场所分析中，更多的公司可以更加容易地确定是哪20%的员工为产品、流程或用户体验贡献了80%的价值。业务流程、平台和客户体验的持续数字化也是如此：
哪20%的平台升级带来了80%的效果？哪20%的客户体验唤起了80%的喜悦或厌恶？
公司高管希望可以用算法来解决这些和数据有关的问题。
第二，传统的分布比例发生了颠覆性变化。大数据显示，坚持80/20的比例可能会犯经验主义错误。一些公司日益注意到，帕累托比例有10/90、5/50、2/30和1/25的可能。换一个方法划分、切割和定义数据，你可能就会看到1/50、5/75以及10/150的帕累托比例。帕累托所说的“重要的少数”现在变成了“重要的极少数”。
这种极端的分布出现在很多行业中。例如，一半以上的酒类都是被不到10%的饮酒者消费的。更极端的是，所有移动游戏内购营收的一半，来自于不到0.25%的游戏玩家。
然而，仅仅是清楚地识别并接受“超级帕累托”是不够的；要想获得市场份额，你就需要用这些描述性的统计数据来进行预测。换句话说，需要将这些数据集转换为智能算法的“训练集”。
公司需要确定自己的帕累托特征——也就是说，从算法的角度而言，公司需要弄清楚怎样哪些微小的调整，可以促进较大的业务影响。管理者和数据科学团队必须围绕着极端帕累托的潜力和可能性，而不仅仅围绕着更多更好的数据来开展工作。
例如，一家工业设备公司拥有2000多个产品，规模达数十亿欧元，不足4%的产品贡献了销售额的三分之一和大约一半的盈利能力。但把这种分析也运用到服务和维护上之后，发现大约100个产品贡献了超过三分之二的盈利能力。这就促使了该公司对定价策略和捆绑策略进行重新思考。
围绕产品属性和功能进行的精细帕累托分析，而不仅仅是对产品本身进行的分析，可以提供了更加令人兴奋的洞见。这家公司的工程团队围绕着用户期望的功能和功能集，而不是产品本身，进行了以数据为驱动的重新设计，结果发现了一些更具价值的帕累托洞见。例如，一些目标功能被取消之后，不仅降低了产品成本，而且提供了更好的用户体验。
第三，随着数据进一步细化，以及算法使用更聪明的方式来处理复杂的模式，对帕累托的管理方式也在发生变化。在整个企业中，若干不同的帕累托分析可以组团到一起来使用。下面用KPI这个简称来代表“关键帕累托信息”（key Pareto information）。如果公司的KPI设计得含糊不清，你就看不到未来如何进行优化和创造价值的机会。
如果单个流程的责任人、产品经理和销售团队之前很重视优化自己的核心帕累托，他们现在就需要探索和研究别人的帕累托。他们不再只专注于自己的部分，而是会认识到，本部门的帕累托可以在整个企业中进行交叉、重叠和重组。
要重新审视帕累托，最可靠的方法就是把它和另一个帕累托联系起来。拥有丰富的数据和强烈的算法意识的公司，之前会分别管理十来个关键的帕累托指标，现在它们开始监督数百个甚至数千个KPI，发现新的帕累托集群，这将最大程度地为创新捕捉机会。
因此，连接在一起帕累托网络提供了一个非常强大的分析前景。 10%的KPI集群贡献了90%的新客户、增长或利润率吗？要把这个方法用好，就需要进行数据驱动的跨职能协作，需要企业内部的管理者发挥创新精神，把那些“重要的少数”因素融合在一起。
一些公司在尝试帕累托集群的过程中，已经获得了初步的成功。一个关键是：最佳结果不是来自于改善单个模型的表现，而是创造集群，让最佳特征获得共同放大。怎样找到最有价值的集群呢？仍然可以用帕累托分析。
一个经验是，要想获得增量结果（从而成为竞争中的赢家），有很多模型都很用，但实际上使用少数几个精选出来的模型就可以构建出优秀的系统。
更好地预测明天最“重要的少数”因素，在整个企业里找到关键帕累托组团的机会，这种能力不仅可以提高公司的效率，而且会是创造价值的决定性因素。
你的算法越是聪明，你的公司就越需进行帕累托分析。
