吉宁博士观点
营销人员如何预测观众是否会为某部新电影或歌曲付费呢？这类结果非常难猜。学术界称电影或歌曲为“时尚产品”，因为它们的销量由不稳定的消费者偏好驱动。时尚产品往往生命周期很短，而且有赖于冲动性消费。
提高预测准确度的方法之一是搜集更多数据。但有新研究表明，这一方法不一定适用于时尚产品。IE商学院的马蒂亚斯·塞弗特（MatthiasSeifert）及其同事想知道，综合历史和情境数据是否有助于判断哪类产品会迅速走红，哪类产品销量会不温不火？比如，某音乐公司在评估即将发行的新专辑时，该如何权衡历史数据（“泰勒·斯威夫特上一张专辑卖了X份”）与情境数据（“我们计划投入Y来宣传这张专辑”）？
因为创意产业起伏变化很大，所以单看历史数据不一定有用。虽然你可以假定某部有知名男演员参演的影片可能大卖，但调查发现，明星影响力并不能保证影片票房飘红。情境数据较主观，且不太可能以数值表示，这又加大了我们预测的难度。
塞弗特的团队调查了对流行单曲前100排行榜的预测。他们先采访了4大唱片公司的23位高层经理，请他们指出与唱片成功存在联系的“预测变量”。这些变量包括每支单曲的宣传预算、同一周内发片歌手以及歌手地位（新人或歌坛天王、天后）。
接下来研究者找到92名负责发掘并招募音乐人的艺人经纪部门经理，并将印有一些即将发行歌曲的清单和对应的预测变量信息交给他们。每个经理都要在12周内利用预测变量判断出指定单曲在前100榜单中可能的排位情况，并将之填到4份网络调查问卷上。之后研究者就坐等共210个单曲表现预测的结果。
实验最后一步是将每个预测变量划分为历史或情境变量，然后进行数学分析，看哪类数据更精准以及这两种数据如何相互支持。研究者发现一条妙计：如果艺人经纪部门经理只考虑情境数据，对不稳定需求的判断就会更准确。历史数据似乎干扰了他们理解情境的能力。
相较之下，算法更擅长预测直线关系，因此塞弗特团队建议，在仅靠历史数据就能做出精确预测的稳定环境下，让电脑做决策。但如果你请人来预测某不稳定数据，不要将历史信息透露给他们，这样他们就能把全部重心放在情境信息上。所以说，数据多了并不一定是好事。
关于本研究：《对时尚产品做有效预测》（EffectiveJudgmentalForecasting in the Context of Fashion Products），马蒂亚斯·塞弗特、英诺·西门、阿莱格尔·哈迪达和安德里亚斯·艾辛格利|文
旧档重提
“在过去10年中，一种新技术开始全面影响美国商业，但它过于新颖，以至于我们很难评估其重要性……
这种新技术还没有一个确定的名称，我们应该将其称为信息技术。”
《20世纪80年代的管理》（MANAGEMENT IN THE1980’S，《哈佛商业评论》1958年11－12月合刊），哈罗德·莱维特和托马斯·惠斯勒|文
