空间选择模型--既能帮决策,还可助推断

简介: 空间选择模型--既能帮决策,还可助推断

在上一篇多准则决策模型中,我们讨论出用打分的方法,对主体在不同维度进行评估,然后综合各项指标来比对做选择。今天我们再来学习一种简单实用,能帮我们做出更好决策的「空间选择模型」,这个模型由经济学家Harold Hotelling首先提出。

假设你在海里玩了一圈,回到沙滩上,饥渴难耐,你发现在左边50米处有个冰淇淋售货机;而在右边40米处也有一个冰淇淋自动售货机,正常情况下,你会飞奔向离你近的右边的冰淇淋售货机。

这就是空间选择模型,在地理空间中,我们会选择距离自己近的那个。当然,空间模型不仅限于地理空间,还可以拓展到其他方面。在我们的心中,对不同的偏好会有一个「理想点」,我们会挑选距离理想点最近的产品或服务购买。

比如,你手机坏了,要买一个新手机,你很喜欢看公众号文章,并经常对文章赞赏。在你心中,手机能不能方便的赞赏文章很重要。所以你买手机的时候,就会选择更加易于赞赏文章的安卓手机,而不选择苹果手机。

这个模型非常简单,也很好理解,如何用在具体决策中呢?我们举两个例子。

最近你对键盘长了草,在机械键盘和电容键盘HHKB之间犹豫不定。这时就可以用空间选择模型来辅助决策。

你找出两个最看重的键盘参数,比如一个是手感,一个是DIY特性,然后将这两个参数作为纵横坐标。我们将画出图来会更直观,五角星代表你,机械键盘的手感明显有优势,放在右下角的位置。

HHKB小巧,DIY特性好,可以适应几乎所有的系统和平台,它应该在左上角的位置。然后你用直线将五角星和两个键盘连起来,发现d1<d2,也就是说你更看重的是HHKB随身携带的便捷性和DIY特性。

空间选择模型帮助你做了决策,你喜欢的是HHKB。于是你打开了购物车,毫不犹豫的提交了一个2000多元的HHKB键盘订单。

我们再举一个吃货喜欢的。假设我理想中的汉堡成分是这样的:两块奶酪,两块肉,两片西红柿,四勺番茄酱,四勺蛋黄酱,四片酸黄瓜(嘴挺挑的哈)。我们把这些内容做一个表格如下:

这6个参数构成了一个六维空间。现在我饿了,去买一个巨无霸还是汉堡王呢?作为一个吃货,对各种汉堡的成分研究的非常细致,先看巨无霸的构成:

图中第三列为巨无霸的构成,最后一列是第三列(巨无霸构成)与第二列(理想的汉堡)的差值(取绝对值)。简单计算得出,巨无霸的总差值为2+1+2=5,即巨无霸与我们的理想汉堡距离的差值为5。我们再来看一下汉堡王里有什么:

直接将最后的差值绝对数相加,1+1=2,汉堡王与我们的理想汉堡的差值是2,显然2<5,经分析得出汉堡王更贴近我的需求。

我们建立模型,不仅要用它来解释一些现象,更重要的是用它推断出看不见的本质或者个人偏好。

假设我们看到一位朋友买了汉堡王而没有买巨无霸,那么我们可以推断出什么呢?

我们将巨无霸和汉堡王列在一张表上,你会发现,它们两个间,奶酪成分是一样的,番茄酱和蛋黄酱也是相同的,那就可以推断出这位朋友可能喜欢西红柿,或者他不爱吃酸黄瓜和肉。

这就是酷酷的空间选择模型,它能让我们决定去哪儿买冰淇淋,该买什么样的键盘,选择吃那种汉堡。

我们也可以在产品上使用这个模型,比较不同的产品,不同类型的手机,口味各异的咖啡等;我们也可以通过人们购买的键盘或者汉堡类型,来分析研究人们购物的决定,判断人们的偏好。

———今日小结———

空间选择模型既可以帮助我们做出更好的选择,也可以解释和推断人们为什么做出了那个选择。

注:今天的模型来自于Coursera 中的Model Thinking 课程。

目录
相关文章
|
算法 索引
阿里云 Elasticsearch 使用 RRF 混排优化语义查询结果对比
Elasticsearch 从8.8版本开始,新增 RRF,支持对多种不同方式召回的多个结果集进行综合再排序,返回最终的排序结果。之前 Elasticsearch 已经分别支持基于 BM25 的相关性排序和向量相似度的召回排序,通过 RRF 可以对这两者的结果进行综合排序,可以提升排序的准确性。
3751 0
|
SQL 设计模式 数据库
领域模型:贫血模型与充血模型的深度解析
领域模型:贫血模型与充血模型的深度解析
|
机器学习/深度学习 数据采集 算法
Python中的支持向量机(SVM)以及如何使用Sklearn库实现它
SVM是监督学习算法,用于分类和回归,Python中可通过Scikit-learn实现。步骤包括数据预处理、选择SVM模型(如线性或非线性,配合核函数)、训练模型找到最优超平面、模型评估、参数调整和新数据预测。Scikit-learn简化了这一流程,便于数据分析任务。
655 3
|
4月前
|
数据采集 监控 安全
2025企业如何做好数据治理:从成本中心到价值引擎的数据治理落地方案
2025年,数据治理已从合规防御转向价值赋能,成为企业创新与增长的核心引擎。本文系统解析数据治理的定义、实战路径与成功要素,结合阿里云Dataphin等案例,揭示如何通过组织协同、流程优化与技术工具,将数据转化为可信赖的战略资产,驱动业务高效决策与持续创新。
|
6月前
|
设计模式 算法 安全
JUC系列之《深入理解AQS:Java并发锁的基石与灵魂 》
本文深入解析Java并发核心组件AQS(AbstractQueuedSynchronizer),从其设计动机、核心思想到源码实现,系统阐述了AQS如何通过state状态、CLH队列和模板方法模式构建通用同步框架,并结合独占与共享模式分析典型应用,最后通过自定义锁的实战案例,帮助读者掌握其原理与最佳实践。
|
安全 Java 关系型数据库
Spring是如何保证同一事务获取同一个Connection的?使用Spring的事务同步机制解决:数据库刚插入的记录却查询不到的问题【享学Spring】(上)
Spring是如何保证同一事务获取同一个Connection的?使用Spring的事务同步机制解决:数据库刚插入的记录却查询不到的问题【享学Spring】(上)
|
关系型数据库 MySQL 数据库
深入浅出MySQL索引优化:提升数据库性能的关键
在这个数据驱动的时代,数据库性能的优劣直接关系到应用的响应速度和用户体验。MySQL作为广泛使用的数据库之一,其索引优化是提升查询性能的关键。本文将带你一探MySQL索引的内部机制,分析索引的类型及其适用场景,并通过实际案例演示如何诊断和优化索引,以实现数据库性能的飞跃。
|
Kubernetes Cloud Native 安全
云原生技术专题 | 解密2023年云原生的安全优化升级,告别高危漏洞、与数据泄露说“再见”(安全管控篇)
2023年,我们见证了科技领域的蓬勃发展,每一次技术革新都为我们带来了广阔的发展前景。作为后端开发者,我们深受其影响,不断迈向未来。 随着数字化浪潮的席卷,各种架构设计理念相互交汇,共同塑造了一个充满竞争和创新的技术时代。微服务、云原生、Serverless、事件驱动、中台、容灾等多样化的架构思想,都在竞相定义未来技术的标准。然而,哪种将成为引领时代的主流趋势,仍是一个未知数。尽管如此,种种迹象表明,云原生的主题正在逐渐深入人心。让我们一起分析和探讨云原生技术和架构安全体系的升级和改良,以期发现新的技术趋势和见解。
871 1
云原生技术专题  |  解密2023年云原生的安全优化升级,告别高危漏洞、与数据泄露说“再见”(安全管控篇)
|
监控 前端开发 Java
SpringBoot 太强了,这些优势你需要了解
SpringBoot 太强了,这些优势你需要了解
下一篇
开通oss服务