哈佛商業評論網站發表麥克·施拉格(Michael Schrage)的文章，稱機器學習和AI算法的進展正在改變我們熟悉的80/20規則。
以下是AI世代（微信號：tencentAI）編譯整理的文章概要：
意大利工程師和經濟學家維爾弗雷多·帕累托
很多業績出色的公司，都對意大利工程師和經濟學家維爾弗雷多·帕累托(Vilfredo Pareto)推崇備至，因為他提出的80/20規則產生了非常大的影響。
這個規則指出，80%的效果(銷售額、營收等)都來自于20%的貢獻者(產品、員工等)。
現在，機器學習和AI算法創新正在改變帕累托分析的方式，我認為，下一代算法將為帕累托范式提供巨大的推動力。
AI和機器學習將從以下三個重要方面來改變公司使用帕累托原則以提升利潤的方式。
智能帕累托
第一，更大的數據量、更高的數據多樣性可以保證算法獲得足夠多的訓練，讓它們變得更加智能。
例如在新型工作場所分析中，更多的公司可以更加容易地確定是哪20%的員工為產品、流程或用戶體驗貢獻了80%的價值。業務流程、平臺和客戶體驗的持續數字化也是如此：
哪20%的平臺升級帶來了80%的效果?
哪20%的客戶體驗喚起了80%的喜悅或厭惡?
公司高管希望可以用算法來解決這些和數據有關的問題。
超級帕累托
第二，傳統的分布比例發生了顛覆性變化。大數據顯示，堅持80/20的比例可能會犯經驗主義錯誤。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。換一個方法劃分、切割和定義數據，你可能就會看到1/50、5/75以及10/150的帕累托比例。帕累托所說的“重要的少數”現在變成了“重要的極少數”。
這種極端的分布出現在很多行業中。例如，一半以上的酒類都是被不到10%的飲酒者消費的。更極端的是，所有移動游戲內購營收的一半，來自于不到0.25%的游戲玩家。
然而，僅僅是清楚地識別并接受“超級帕累托”是不夠的;要想獲得市場份額，你就需要用這些描述性的統計數據來進行預測。換句話說，需要將這些數據集轉換為智能算法的“訓練集”。
公司需要確定自己的帕累托特征——也就是說，從算法的角度而言，公司需要弄清楚怎樣哪些微小的調整，可以促進較大的業務影響。管理者和數據科學團隊必須圍繞著極端帕累托的潛力和可能性，而不僅僅圍繞著更多更好的數據來開展工作。
例如，一家工業設備公司擁有2000多個產品，規模達數十億歐元，不足4%的產品貢獻了銷售額的三分之一和大約一半的盈利能力。但把這種分析也運用到服務和維護上之后，發現大約100個產品貢獻了超過三分之二的盈利能力。這就促使了該公司對定價策略和捆綁策略進行重新思考。
圍繞產品屬性和功能進行的精細帕累托分析，而不僅僅是對產品本身進行的分析，可以提供了更加令人興奮的洞見。這家公司的工程團隊圍繞著用戶期望的功能和功能集，而不是產品本身，進行了以數據為驅動的重新設計，結果發現了一些更具價值的帕累托洞見。例如，一些目標功能被取消之后，不僅降低了產品成本，而且提供了更好的用戶體驗。
組合帕累托
第三，隨著數據進一步細化，以及算法使用更聰明的方式來處理復雜的模式，對帕累托的管理方式也在發生變化。在整個企業中，若干不同的帕累托分析可以組團到一起來使用。下面用KPI這個簡稱來代表“關鍵帕累托信息”(key Pareto information)。如果公司的KPI設計得含糊不清，你就看不到未來如何進行優化和創造價值的機會。
如果單個流程的責任人、產品經理和銷售團隊之前很重視優化自己的核心帕累托，他們現在就需要探索和研究別人的帕累托。他們不再只專注于自己的部分，而是會認識到，本部門的帕累托可以在整個企業中進行交叉、重疊和重組。
要重新審視帕累托，最可靠的方法就是把它和另一個帕累托聯系起來。擁有豐富的數據和強烈的算法意識的公司，之前會分別管理十來個關鍵的帕累托指標，現在它們開始監督數百個甚至數千個KPI，發現新的帕累托集群，這將最大程度地為創新捕捉機會。
因此，連接在一起帕累托網絡提供了一個非常強大的分析前景。 10%的KPI集群貢獻了90%的新客戶、增長或利潤率嗎?要把這個方法用好，就需要進行數據驅動的跨職能協作，需要企業內部的管理者發揮創新精神，把那些“重要的少數”因素融合在一起。
一些公司在嘗試帕累托集群的過程中，已經獲得了初步的成功。一個關鍵是：最佳結果不是來自于改善單個模型的表現，而是創造集群，讓最佳特征獲得共同放大。怎樣找到最有價值的集群呢?仍然可以用帕累托分析。
一個經驗是，要想獲得增量結果(從而成為競爭中的贏家)，有很多模型都很用，但實際上使用少數幾個精選出來的模型就可以構建出優秀的系統。
更好地預測明天最“重要的少數”因素，在整個企業里找到關鍵帕累托組團的機會，這種能力不僅可以提高公司的效率，而且會是創造價值的決定性因素。
你的算法越是聰明，你的公司就越需進行帕累托分析。
