前两天头条的推送给我推送了这张图，一颗技能树点偏的公司——雅马哈。刚看到这张图的时候不禁让我想到了德鲁克的一句话，不要拒绝意外的成功。
在不少商业案例中意外成功和拒绝意外成功的案例屡见不鲜，个人认为最具有戏剧性的案例就是柯达公司的倒闭。击垮这个巨人的是人们从胶卷相机到数码相机的需求转型，而世界上第一台数码相机的发明者恰恰是柯达公司自己。为什么大家会对这种成功视而不见呢，往往是因为会有这个想法：这个并不是我本来想要的。
在商业化数据分析中，我们有很多维度的原始数据，通过算法将他们组合在一起。一般而言当一套算法成型并且稳定的时候我们一般都是知道这个算法是算什么的，这个结果会是我们想要的数据维度，而我们在设计这个算法的时候也是以这个为目标去设计的。那么在这个时候我们会不会也存在一些忽略意外成功的行为。
按照我个人的思维逻辑，正常的情况下需要先将原始数据维度与结果的紧密关联程度加以区分，筛选出哪些数据是强相关，哪些是弱相关，接着从强相关数据入手提出模型以组建框架结构，然后再用弱相关的数据加以修正优化更新。那么在这个过程中一些无用的数据结果可能就会被我们错失掉了。举一个简单的例子，一个长方体，我们有长l宽w高h，有密度ρ，有速度v。那么我们可以得到体积V=l*w*h，进而得出他的质量m=V*ρ，因为同时我们还知道了速度v，所以E=1/2*mv²。全部一起的话那就是E=1/2*l*w*h*ρ*v²。
作为一道物理题可能这就是我们想要得到的，但是同时我们还能得到什么呢。压强P，P=F/S，F=m*g，S=l*w，所以P=ρ*g*h。
如果把这些转化成一些商业数据那又代表些什么呢，l*w*h在我看来是唯一变量（定量），密度ρ为物体固有属性（定性），相当于什么呢？可以是人群标签比如说学生、白领、工人，可以是收入水平等等。g为不变的恒值（定性）比如说是国家GDP，城市的商业指数等。v是一个瞬时的状态（可能偏定量一些，达到某一阙值产生定性变化），比如说在某个节日期间人们的消费热情。
那么第一部分能量公式就可以转化为1/2某些消费行为*某类特定的人群*某个节日期间的购买热情²。基本上已经可以得出来一些结论了，但我们忽略了意外的收获，压强P,即某类特定的人群*城市商业指数*某些消费行为的特定行为。在第一部分我们将l，w，h视为整体而第二部分我们结合一些外部的恒值仅选取某个特定行为去做归因分析，这个就是一个边角料，也许有用也许没用，谁知道呢。
在我看来每个原始的数据维度都是一块乐高的积木，多试一些组合也许就能拼出不一样的东西，就像雅马哈一样，我本来只想拼一栋房子，结果在拼房子的过程中做了条龙骨，那我干脆就再造艘船吧。
,
