量化大数据时代的量化管理剖析.docx
《量化大数据时代的量化管理剖析.docx》由会员分享，可在线阅读，更多相关《量化大数据时代的量化管理剖析.docx（15页珍藏版）》请在冰豆网上搜索。
量化大数据时代的量化管理剖析
1.1三头小猪的故事|1第1章统一语言数据、指标、信息，天哪！
如果有一种通俗易懂的语言，能让所有人（无论其人生阅历或教育经历如何）都能明白量化的好处，该有多好！
我认为语言不通是事业（和生活）的最大障碍。
所以，提炼总结出公用词汇至关重要，是迈向成功的第一步。
本书中的很多概念可能都比较新颖，但这并不意味着要发明新词儿，组织发展术语表已经臃肿不堪了。
实际上，我用的都是常见词汇。
尽量用大白话介绍那些看上去很复杂的概念，让其浅显易懂，简单直白。
先讲个故事吧。
1.1三头小猪的故事有一次，在半路上，我家那个三岁的小宝宝想听故事。
因为没带书，我不得不搜肠刮肚努力回想，好找出一个故事来哄她入睡。
好吧，我承认我虽然对讲过的课记忆深刻，但却完全记不住那些儿童故事。
所以，就像所有好父亲都会做的那样，我即兴创作了一个。
还有什么能比量化故事更能催人入眠的呢？
故事背景打败大灰狼之后，三头小猪放浪形骸，生活奢靡。
三年过去了，它们生活在肮脏的环境里，体重严重超标——就算是猪，也太胖了。
由于健康状况不断恶化，它们分头去看医生。
三个医生的结论完全一致：
你马上就要变成烧烤了。
它们胡吃海塞，缺乏睡眠，不锻炼身体，也没注意到身体发出的危险信号。
三个医生一致认为，如果不改变生活方式，这些猪就只有死路一条。
第一头小猪不幸的是，猪，也会遇到庸医。
第一头小猪的医生对它说：
“你的身体每况愈下，必须认真对待，改变生活方式！
”医生给小猪开出了饮食计划、健身计划，还要它12个月内回来复查。
这头小猪确实吓坏了，所以努力自救。
它不再吃垃圾食品，每天坚持锻炼。
甚至上床睡觉的时间都提前了。
一个月后，小猪感觉棒极了，这么多年第一次觉得这么爽。
他决定搞个庆祝一下。
于是约上羊羔兄弟，去外面彻夜狂欢。
大餐过后，又搞了个吃冰激凌大赛（他赢了）。
他们玩到凌晨3点才回家，回去倒头便睡。
第二天，他忘了锻炼身体。
好习惯被毁掉只是一眨眼的事儿。
因为平时太忙（借口），只好周末锻炼了。
快到月底时，他又开始吃垃圾食品，虽然没有以前吃得多，但也超过了正常标准。
年底复查时，面对医生失望的表情，他震惊了。
“可我是按医嘱做的啊，”第一头小猪说，“我饮食健康，努力锻炼，甚至睡得也比以前早了。
我知道我的身体变好了……觉得比去年强了。
”“是，但你的体重没有明显改善。
你可能吃得更健康了，但还不够健康。
你的睡眠可能更充足了，但还不够充分。
总体来说，你的身体恶化了……如果再不改变，性命堪忧。
”医生给第一头小猪开了一个新的饮食和健身计划，还给他报了一个动感单车课程，开了处方药，真诚祝愿他再来复查时能变好。
第一头小猪确实被这些东西吓着了，因此对着自己的大下巴发誓，他一定要做得更好。
这次他坚持住了。
定期锻炼，只吃健康食品，饿了就吃胡萝卜、芹菜或脱脂酸奶。
每周都去参加动感单车课程，简直就像钟表一样准时。
可是，悲催的小猪不知道自己的进展如何。
7个月过去了，它虽然感觉好了点，可是因为焦虑，压力太大，它中风了。
尽管身体状况有所改善，但它还是扛不住中风的打击。
一个月后，它死了。
听到这个消息，医生非常难过。
在从日历上划掉马上到期的复诊预约时，他哭了。
第二头小猪第二头小猪的医生知道量化分析的重要性。
他是一个善于与病人沟通的好医生。
医者父母心，他希望自己的病人更健康。
看过第二头小猪的体检表后，他很沮丧。
怎么才能改变小猪的命运？
如何帮小猪重获健康？
他喜欢量化，认为如果有目标指导，小猪能做得更好。
医生设计的方案有三个指标：
体重，血压，胆固醇。
他告诉小猪，它随时有生命危险。
然后建议小猪减掉100磅的体重，降血压，1.1三头小猪的故事|3降低胆固醇，让三项指标都达到正常值。
他还画了个健康趋势图，用来跟踪小猪的三项健康指标。
当小猪进一步询问，该如何达成目标时，医生给了小猪6本小册子、两本书，还告诉它一些提供健康改善计划的网站。
医生跟小猪约好，明年每隔三个月来复查一次。
第二头小猪非常努力地执行健康计划。
它把体检表和健康趋势图贴在冰箱上，改变饮食习惯，健身，还尝试冥想。
它又买了血压计、磅秤（质量很好），还有一个测胆固醇的漂亮小包。
它不在乎钱——为健康花多少钱都是值得的。
它一起床就去量血压，称体重，测胆固醇，每天三次。
在第一季度检查时，医生对它的进展很满意。
他们查了一遍数据，决定让它继续保持。
小猪备受鼓舞，它决定更进一步。
想去做胃绕道手术，但最终还是放弃了，而是选择每周有六天靠吃豆腐度日，第七天只吃大拌菜。
它加大了锻炼强度，还开始尝试垃圾邮件里推荐的降胆固醇药物（它可爱垃圾邮件了）。
第二次检查临近，小猪变得急躁冒进。
在复查的前三天只喝水，为了降低体内水的重量，还在复查当天早上去蒸了桑拿。
医生都惊呆了。
这头猪的体重足足减掉了60磅，血压好了，胆固醇离标准值也只差不到10%了。
医生为它取得的成绩拍手叫好，说下次复查时它一定能听到喜讯，离治疗成功只差三个月了。
可两个月后就传来噩耗，小猪挂了，死于肾脏衰竭。
这头猪最终也没搞明白总体目标是什么，或者说如何评估它的整体健康状况。
在死前的最后8个月，它一直都在跟几个数字较劲，却忽视了真正重要的“良好的身体状况”。
它赢了数值，却输了生命。
第三头小猪第三头小猪的医生也相信量化，对待病人也很友善，但他和第二头小猪的医生不同。
他相信病人能够应对真相，也应该了解指标的含义。
医生告诉第三头小猪，它的身体之所以如此糟糕，主要是因为生活方式不好。
医生解释了体重、血压和胆固醇三个指标，为什么它们能很好地反映健康状况，但却不能作为唯一标准。
小猪的健康状况在很大程度上还是取决于它对自己的爱惜程度，要及时和医生交流身体中出现了哪些“有趣的变化”。
小猪想知道什么叫“有趣”，医生说这没有量化标准。
下面是小猪跟医生之间的对话。
“那我该如何使用这些数据呢？
”“收集数据，跟踪数据，以数据为依据来判断我们是否错过了什么，4|第1章统一语言或者取得了什么进展。
”小猪拿着图表，问：
“那我是不是得让这些数字更好看？
”“不。
咱们的目标是让你更健康！
那些数字只能用来判断你的发展方向是否正确。
”第三头小猪哼哼着：
“这有什么区别呢？
”“这么说吧，反映身体状况的指标有很多，血压、体重、胆固醇只是其中三个。
你确实需要改善这些数字，但也不能以牺牲其他指标为代价。
比如说，睡眠质量还是要保证的，还要经常锻炼，要进行精神压力测试，要保证记忆力、营养摄入等等很多东西。
目标是健康，而且不仅仅是身体健康，还包括精神健康。
”“那，我不用管这些数字？
”“也不是，如果这些数字没改善，说明你的身体状况也没好转。
”“那，怎么办呢？
”“这下问到点上了，小猪！
”医生为小猪制订了一个简单的改善计划，还给小猪演示了如何量血压、体重和胆固醇。
他让小猪每天填一份日程表，每周都要放到在线日记本上。
每周的在线日记本包括它采集的数据，测量“我今天感觉如何”的数据，还有一部分内容记录了它为改善身体状况做了什么。
医生承诺会定期检查，并且说如果发现异常情况，会及时跟它联系。
医生说：
“我希望你不会觉得我在控制你，我只是想了解你的进展情况。
这对于改善你的健康状况至关重要。
”“不会，我喜欢这样。
”小猪看医生有点担心，马上回答。
“不过为什么不每个月给我做一次全面检查呢？
”“那太浪费了。
除非有指标表明需要这样，否则我不会给你做全面检查。
以免浪费你的时间或金钱。
”到第六个月时，第三头小猪的气色已经好多了，感觉也不错，医生对它所做的努力予以肯定。
到第九个月，它表现得棒极了，朋友和同事们都夸它气色非常好。
它恢复了健康。
故事讲到这里就结束了。
我知道人们不可能把这个当成那个经典童话的续集，反正它的自身价值也已经实现了。
我女儿听到一半就睡着了。
为了使沟通更顺畅，先来定义一些基本术语。
数据（）、指标（）、信息（）、量化分析（）截然不同，但又彼此关联。
每一个都建立在另一个的基础之上。
量化分析由信息和其他量化分析组成，信息由指标组成，而指标又由数据组成。
图1-1展示了一些相互独立的实体，人们经常认为它们和量化分析相关，甚至认为它们就是量化分析。
通常，数据被定义为“单一的事实，统计项，或信息项”。
然而这个定义有些言过其实。
它暗示数据是精确的，并且具有某种实用性，但其实数据本身并不具备什么实用性。
按我的定义，数据就是最简单的信息，通常用数字或常量值表示，比如：
6，22，70，真，假，高，低。
因为没有和任何有意义的信息关联，数据本身并没什么用处。
如图1-1所示，重叠的泡泡表示有些数据能够“联系起来”，但数据定义中并不包括这种联系。
图1-1数据关系图数据是最简单的信息形式，通常表示为数字或常量值。
数据之间可能毫无关联（泡泡之间的距离很远），也可能因为某个共同的目标联结在一起。
在分析数据时，可以用关系图这种可视化方式表示数据之间的关系。
但有时这些关系并不存在，仅仅因为来自同一数据源或采集目的相同而被误认为6|第1章统一语言彼此相关。
比如“响应时长”和“解决时长”，可能看似相互关联。
因为它们数据源一致，都来自于同一问题跟踪系统。
数据类型（时间）相同，也会给人造成两者关系密切的假象。
实际上，无论是否来自同一数据源或采集目的是否相同，数据之间往往毫无关联。
如果把无关数据误认为彼此相关的数据，就可能会得出错误结论。
比如响应时长和解决时长，它们其实并不会互相影响，表示的也是不同的事情。
1.3指标图1-2说明了信息的下一层级：
指标和数据之间的关联关系。
因为有更多细节，所以指标更有价值。
这种细节可能包括指标单位（以50%为例，指标单位是“百分比”，数据是50），以及数据之间的关联关系。
“70%”的含义比简单的“70”更丰富，如果能明确是“63个用户中的70%”，那就更有价值了。
每个指标都由一或多个数据组成。
指标跟数据一样，彼此间可能存在不同程度的关联关系。
图1-2左上角的泡泡表明不能归结为某个指标的一组数据。
虽然这些数据彼此关联，但它们不能构成含义更丰富的指标。
人口统计数据、身高、体重就是这样，每项数据都有用，但不能合在一起构成一个更大的指标。
图中还有三个孤立的数据。
这些离群（“没有关联”）的数据，以后也许有用，也许毫无价值。
1.4信息|7指标将真正有关系的数据分组，添加上下文，使数据的含义更清晰。
然而，没有对应到目标或根本问题（详见下文）的指标，也仅仅是装扮起来的数据。
指标将真正有关系的数据分组并添加上下文，使数据的含义更清晰。
1.4信息图1-3展示了第一层可用信息——我们就称之为“信息”。
信息对指标和数据（包括离群数据）分组，赋予它们明确的含义。
1.4信息|7指标将真正有关系的数据分组，添加上下文，使数据的含义更清晰。
然而，没有对应到目标或根本问题（详见下文）的指标，也仅仅是装扮起来的数据。
指标将真正有关系的数据分组并添加上下文，使数据的含义更清晰。
1.4信息图1-3展示了第一层可用信息——我们就称之为“信息”。
信息对指标和数据（包括离群数据）分组，赋予它们明确的含义。
图1-3数据、指标、信息关系图信息汇聚指标和数据，并添加上下文。
上图中的信息并没有囊括所有数据，无论计划多么周密，采集的数据如何优质，总会得到一些没用的数据。
最后，你会发现这些数据要么和要解决的问题格格不入，要么毫无帮助。
信息只会收编需要的数据和指标。
上下文信息对于理解数据和指标中的数值非常必要。
对于指标，我们只知道是在讨论一定数量用户中的百分比，而添加了上下文的信息含义更丰富，对理解指标更有帮助：
“63个用户中的70%更喜欢滑雪机，而不是踏步机。
”信息添加了上下文含义，使指标更好理解。
1.5量化分析图1-5是由信息、指标和数据组成的一幅插画，展示了一个完整的故事，可比作量化分析。
老话说得好：
“一图抵千言。
”终于，我们要定义最重要的“量化分析”了。
量化分析不仅仅是把一堆信息分到一块。
好吧，其实也差不多。
按我的定义，量化分析是由信息、指标和数据组成的，它也可以包含其他量化指标。
量化分析与信息最大的区别是，量化分析做完整的描述，全面解答根本问题。
另外，量化分析所做的描述必须是“正确的”。
如果量化分析做的描述完全错误，那它就没什么价值。
除了数据、指标和信息，量化分析还包括文字说明。
尽管一幅图可能会胜过千言万语，但面对没有任何解释的图时，往往是仁者见仁智者见智，所见所感千差万别。
如果你已经在量化分析上下足了功夫，配合图形、图表和表格将故事讲得一板一眼，那么你对它的解释就很难出现偏差，但也不能保证完全没有曲解。
除非确信量化分析的观众没有自己的见解，不会曲解量化分析，持完全开放的态度，否则我强烈建议你给图画配上文字说明。
文字说明并不是什么新概念。
我在读大学的女儿报了一门艺术欣赏课，在她的教材中，每件艺术品都配上了几页文字介绍，讲述创作该作品的艺术家，其创作背景、所投入的时间、所用素材以及当时的社会大环境。
我对此颇有感触，因为在我读高中的时候艺术老师就讲过，艺术品的含义就是欣赏者对它的解读，除此之外它没有任何意义。
现代艺术更是如此（我一直没搞懂）。
这本书没让欣赏者们玩猜猜猜，而是对隐藏在图画之后的重要信息逐一详细解说。
不仅油画、雕塑和素描有，版画、雕刻和史前壁画也有。
这些文字说明进一步解释了艺术家通过胜过万语千言的图像要“传达”什么。
如果艺术品的含义有必要解释，那么量化分析的含义是不是更有必要明确呢？
而且，是不是最好由创作量化分析的“艺术家”自己来阐述呢？
当然，对量化分析的任何解释都仅仅是一种解释，每个人对量化分析的看法都会不一样。
但你肯定希望是你自己的解释与这幅图一起出现。
如果量化分析使用得当，人们不会把你的解释当做唯一的“真理”，而是就把它当做解读量化分析含义的一种方式。
“在进行有氧锻炼时，63个用户中的70%更喜欢用滑雪机，而不是踏步机。
10|第1章统一语言这里有3个滑雪机和12个踏步机，滑雪机的平均等待时间是25分钟，而踏步机前通常没人。
”这就有点像个“好”的量化分析了。
如果再配上一幅图（图形或者图表），那就更像了。
量化分析的目的是解答根本问题，讲述一个完整（而有用）的故事。
应该怎么办呢？
买更多的滑雪机？
撤掉些踏步机？
限制客户占用滑雪机的时长？
开设一门踏步机的训练课程？
显然我们还是不知道该怎么办。
困惑的部分原因可能是因为没有提出明确的问题。
为什么收集数据？
为什么要分析？
如果没有明确根本问题，就不可能讲述好完整的故事。
1.6根本问题我与迈克尔·兰索恩和唐纳德·帕吉特合著过一本《组织为什么会事倍功半》（）。
在那本书中，我们将量化分析体系比喻成大树，数据是叶子，指标是细枝儿，信息是树杈儿，量化分析是主干。
然而它们的存在离不开良好的根系，这些根系就是根本问题。
这个比喻很贴切，量化分析体系各个组件之间就是这种关系。
图1-6是量化分析各组件的另一种展现方式，看起来就像一个组织机构图。
根本问题不好，得出的答案可能就会把你引入歧途。
不知道问什么，答案就没用。
根本问题对于量化分析而言特别重要，所以在量化分析的定义中必须提到。
1.6根本问题|11
量化分析用完整的故事来解答根本问题，其中要用到数据、指标、信息以及其他量化分析。
根本问题是量化分析最重要的组成部分。
它是指引方向的地图，是旅途中的路标。
虽然有时会有例外，收集数据时不知道问题是什么，理由充分，结果也能让人满意（见第15章），但在实际应用中，这种做法让人难以接受。
这就好比漫无目的地出门旅行。
没目标，没计划，没方向——只管钻进汽车点火出发。
开出去好一会儿了，才发现驾照没带，身上没钱，甚至鞋都没穿。
更糟的是你已经离家太远，油箱里的油都不够开回去的。
你这才意识到，即便还不知道要去哪儿，却也只能硬着头皮继续前进。
可能最终会停在一个做梦都想不到的地方。
既然出发之前你忘了决定要去哪里，那么就不可能到达正确的地方。
当最后没能到达目的地时（不管后来是否确定了一个），你就会把怨气都撒在车上，埋怨它都未能带你去加油站！
你不会埋怨自己糊涂，不会怪自己事先没想好。
即使有足够的汽油，终于知道自己要去哪里了，你也不会回家去拿钱包、驾照，或者鞋子。
你已经投入得太多了，得继续下去，从当前所在向目的地进发，打死也不会承认你折腾半天、累死累活地到了一个不知道是哪儿的地方。
量化分析需要有明确的目标，需要设定根本问题。
这样才可能充分利用资源（车、死贵的汽油、宝贵的时间，还有你的努力付出）。
当然，如果你有取之不尽用之不竭的资源，或者你日进斗金完全不在乎花这点儿小钱（也有可能你恰好载着一位款爷，只是想随便逛逛，不管目的地，毫无所求，也不在乎花多长时间），那就不用考虑效率。
但如果和大多数人一样，想要投入产出比最大，不是为了挥霍浪费才踏上这段曲折的旅程，你就需要明确目标和根本问题。
实际上最终投入将远远超出所需费用。
没有方向会埋下失望和愤怒的种子，同事、领导、下属都会受其影响，会摧毁企业的精神。
根本问题指明了方向和重心，让你知道前进的方向，知道目的地在哪里，知道开发量化分析体系的目的，知道要回答什么问题。
一个表述正确、经过深思熟虑的根本问题，可以让你找出正确答案。
如果没有根本问题，也就是恰当的问题，得出答案的过程就像一次曲折坎坷的旅行，而且最终答案很可能有害无益。
12|第1章统一语言即使根本问题表述正确，但如果问题本身不恰当，也得不到好结果。
把这些放在一起，可以看到一个完整的案例。
量化分析完全通过展示信息来描述，信息又通过汇编指标传达含义，指标建立在数据之上，数据是可采集的最底层信息要素（常量值或数字）。
下面是个简单的例子。
数据：
15和35。
指标：
15和35。
信息：
紧凑型汽车使用无铅汽油的油耗效能（，每加仑英里数）：
城市路况为15，高速路为35。
量化分析：
接下来就是描述信息的配图（大多数时候都是图形或图表）。
这个描述应该是讲各种不同紧凑型车的油耗效能比，可以结合其他量化分析结果选择适合你的汽车。
根本问题：
什么车最适合你？
数据、指标和信息的划分是相对而言的，并非一成不变。
我也不想用一个呆板的定义让你对量化分析敬而远之。
目的是为了针对问题开发量化分析体系，找出答案。
因此，数据中也可以加上每加仑英里数的单位，指标中也可以包括“城市路况”和“高速路”的条件，而信息中也可以区分各种汽车的厂商和型号。
这里之所以没这样做，是因为这个例子只是为了演示，从数据到指标再到信息，会不断添加更多的含义（以及上下文），最终到量化分析构成完整的故事，提供更多信息。
再来看一个客服的例子，如图1-7所示，我们能找出下列组件。
根本问题：
客服能迅速响应客户的要求吗？
数据：
每月1259每月59答案选项为1–5分指标：
故障呼叫数放弃呼叫数等待时长调查反馈中选择的答案
1.7数据量化分析悖论|15数据回答这个问题，那就给问题加上详细的上下文。
到外婆家有多少公里？
需要花多长时间？
这种问题有数据就足够了。
但这样的问题很少见。
假设还有个问题：
如果既不想耽误外婆家的火鸡大餐，又不耽误沿途观光或者逛街，时间还够用吗？
这个问题就必须由信息解答。
信息中所包含的指标和数据可能有：
外婆家开饭的时间现在的时间这一路上观光点或商场的个数预计在每个观光点/商场停留多长时间量化分析对这种问题还是有点大材小用。
如果是那种定期收集、分析、汇报信息的量化分析，那就更是拿大炮打蚊子了。
可管理层（任何普通员工之上的人）几乎都被设定成自底向上模式了。
极少数能从量化分析入手的领导，通常都已经知道答案了（这本身不是个坏事儿），但却还没确定问题是什么。
所以他们希望能定期看到（周，月度，季度，年度）报告。
他们喜欢看到格式整齐的量化分析结果：
有基于最佳实践的基线，有和基线比较的趋势线，还有月度和经营年度总额。
听上去很酷吧！
但其实他们不知道根本问题是什么，只是在冒着铺张浪费的风险寻求答案。
有时候大爷们（经理、部门的头儿、企业领导等）在提出问题之前就已经知道自己想要的答案（量化分析结果）了，在发现答案与他们想要的不符之后，就想中途修正。
就像那个在路上奔波的司机一样，不肯回到原点重新开始，拒绝放弃沉没成本。
意识到量化分析结果不行后，他们的策略一般是：
断定数据是错的怪罪分析师调整数据（不是量化分析结果）有些真正聪明的管理者能判断出是量化分析的问题，并且也有勇气从头再来。
可他们意识不到真正的原因是因为没有根本问题，或者试图解决的问题不正确。
所以从头再来不是从根本问题开始，而是想重新设计量化分析。
这问题很常见，那其中的关键和解决办法是什么呢？
还是那些老话。
从顶层开始。
从根儿上来。
要记住得从根儿上来。
洞是从上往下挖出来的，不是从底下开始的。
要找出正确的根本问题。
上面这些记住其中任何一条都行。
根本问题决定了答案所在的层级。
如果问题很复杂，要定期给出答案，那么就需要设计一个综合的量化分析体系。
比如“（某项服务或小猪的）健康状况如
16|第1章统一语言何？
”，这种问题就需要用量化分析体系找出答案，尤其要随时监测健康状况时。
含糊不清会使问题更复杂。
明了即简洁。
在设计量化分析体系时，我们意识到需要给组织各组成部分的健康状况定义指标。
要了解三头小猪（或者人类）的健康状况，就需要知道呼吸系统、循环系统、消化系统、内分泌系统的各种指标，还有神经系统、排泄系统、骨骼或者肌肉。
也就是说，问题涉及的面越广，需要的信息就越多。
如果问题的范围比较窄，答案也会比较简单。
比如：
体重控制得怎么样？
要回答这个问题，只需要在体重进入稳定期后定期测量。
不过这么具体的问题很少见。
如果第一头小猪仅仅考虑体重，就会忽略其他健康指标。
过于关注某个具体指标可能会漏掉重要信息。
还有一种情况是提出的问题是错的，就像第二头小猪的医生一样，只用三个指标来监测病猪的身体状况，却忽略了总体健康状况。
也许你知道自己血压多高。
也许你刚做过一次全面体检，除了体重有点超标，其他各项指标都还不错。
问问“减肥减得怎么样？
”就够了。
回答这个问题也不需要量化分析，有指标就足够了。
设计量化分析体系时，最重要的就是找出恰当的根本问题。
有了问题，才知道回答它需要什么层级的信息。
根本问题会指导量化分析体系的设计，直到明确需要采集哪些数据。
1.8量化分析体系的构成让我们来总结一下量化分析体系的组件及其定义。
数据：
对我们来说，数据就是最简单的信息，通常由数字或常量值表示，比如：
6，22，70，真，假，高，低。
指标：
由数据组成，并将数据添加到最基本的上下文中。
指标也可以由其他指标组成。
信息：
信息由数据和指标组成，也可能包含其他信息。
信息提供了含义更丰富、内容更多的上下文。
量化分析体系：
量化分析体系是由数据、指标和信息组成的，也可能包含其他量化分析体系。
量化分析体系为信息提供了完整的上下文。
量化分析所讲述的故事是完整的（最起码尽量完整）。
量化分析要回答根本问题（或者说尽量回答）。
1.10小灶|17根本问题：
量化分析的目标。
根本问题定义了量化分析的需求，并能够判定量化分析体系是否有价值。
1.9总结本章介绍了针对量化分析及其组件的通用语言。
还讲解了数据量化分析悖论，明确了必须由繁入简，由难到易。
首先明确根本问题，再安全准确地定位到回答问题所必需的信息层级。
问题可能不需要由量化分析回答，甚至都不需要信息。
当管理层要求创建量化分析体系（或者量化分析体系计划）时，必须让自己先停下来，问问要解决什么根本问题。
我们必须接受，也应该愿意接受这样一个事实：
得到答案可能根本不需要创建一个量化分析体系。
1.10小灶恐怕我已经误导你了。
本章内容的组织方式可能会让你忐忑不安，担心我把你引入歧途。
但这是我慎重考虑之后的结果。
我也想过按从上到下的顺序给出这些定义：
根本问题到量化分析，再到信息，指标，最后是数据。
但我担心读者一时接受不了，因为这和目前常见的量化分析体系创建顺序相反。
很可悲，我们的量化分析之旅往往是从提出数据请求开始的。
18|第1章统一语言要向人们展示内涵丰富的信息（量化分析结果）。
这些管理人员首先都会问：
升级会员 