对零售商来说，准确的销售预测非常关键。预测太低，造成货架空缺、利润损失；预测太乐观，导致库存积压、利润率下降。因此，零售商具有强大的动机，力图准确地进行销售预测。为此，大多数商家选择依靠专家——在组织中收集信息、研究发展趋势、并作出预测的人。
这种风险对于消费电子公司更高，因为他们的很多收入都来自于送礼季节，而且他们的库存也会很快贬值。
消费电子巨头百思买是依靠内部专家零售商之一，因此其内部专家的压力相当之大。因此，如果你走进百思买的总部，告诉他们“无知的群体，可能比公司最好的专家预测得更准确”，他们一定恨不能把你生吞活剥了。
百思买的礼品卡业务主管杰夫·塞佛兹（Jeff Severts）偏偏不信邪。他在公司里组织了几百人，给他们提供一些基本的背景信息，请他们预测礼品卡销售情况。统计结果出来后，他发现近200名志愿者的平均预测值能达到99.5%的准确性，而他团队本身的正式预测，准确度却要低5个百分点。
后来他又进行了一次试验。在公司的中心位置设置一个地方，请员工提交和更新他们对感恩节到年底的销量预测。300多名员工参与了活动，塞佛兹记录了他们集体预测的结果。次年初尘埃落定时，内部专家正式预测的准确率为93%，而业余群体的准确率仅低了0.1%。
随后，百思买分配了更多资源给行情预测，取名为TagTrade。在2000多名员工的预测下，TagTrade为公司管理者带来了有用的洞察。员工已经进行了非常多的预测，所涉及的话题从客户满意度，到开店、电影销售等。比如，2008年初，TagTrade预测一款笔记本电脑的服务程序包将会销量不佳，而专家则表示乐观。早期结果证实TagTrade的预测后，公司暂时取消了该产品的供应，打算秋季再重新上市。TagTrade虽然远非完美，但多数时候都比专家更准确，而且还为管理层提供了一些通过其他途径无法获得的信息。
1 红酒师不如一个方程式
葡萄酒是一个神奇的领域。判断葡萄酒好坏，就好像是鉴赏艺术品，而懂得品酒的“高级人士”总是那么博学和神秘。
计量经济学家、《超级数字天才》的作者伊恩·艾尔斯（Ian Ayres）却给他们迎头一击。他写道，葡萄酒的价值用一个方程即可概括：
葡萄酒的价值 = -12.14540 + 0.00117冬季降雨量 + 0.61640生长季节平均温度 – 0.00386收获季节降雨量
他并不是胡说八道。这个方程来自奥雷·阿森费尔特（Orley Ashenfelter），一位经济学家、葡萄酒爱好者。他设计的这个方程，是用来说明法国波尔多地区的红葡萄酒质量的。
在生产葡萄酒的过程中，波尔多酒商长期使用统一的方法，持续认真记录降雨量和气温，这为阿森费尔特提供了丰富的基础数据。他发现，天气和葡萄酒质量之间存在明确的因果关系，于是，他回归出了方程式，用以量化二者之间的关系。
阿森费尔特的公式当然遭到了葡萄酒鉴赏家的蔑视！但结果表明，公式对葡萄酒的价值预测达到了惊人的准确性，对于判断新葡萄酒的价值特别有用。
多年来，品尝葡萄酒的人们不得不依靠专家的意见，而专家自身的素质是有差异的，他们的意见也时常发生分歧。这就需要外部人员来识别之前被忽略的关系。“外行”的经济学家发明一个等式，计算机就能以更快、更经济、更可靠的方法进行评估，而不会带有一丝一毫的势利气息。
2 专家的殿堂正在坍塌
随着网络对群体智慧的利用、计算能力的增强，专家通过预测增加价值的能力正在稳步下降。这种“专家挤压(expert squeeze)”现象正在日渐强化。
尽管专家能力下降已成趋势，人们仍然渴望得到专家。作为掌握特殊技能或方法的人，专家能帮助解决技术知识与专业技能的欠缺。所以，人们信任身穿白色实验服或细条纹西装的人，相信他们的意见、觉得他们手中握有答案，而对电脑得出的结果或一群新手的群体意见心存疑虑。
专家挤压意味着，坚守陈旧思维习惯的人，无法利用新方法从面临的问题中获得洞见。知道何时超越专家需要一种全新的视角，而这并不是自然而然的。可以肯定的是，专家的未来并非完全黯淡，专家在一些关键领域保持着优势。你所面临的挑战是，知道何时利用专家、如何利用专家。
作为决策者，你如何应对专家挤压？首先是仔细考虑你所面临的问题。下表可以帮助你思考。
| 领域描述 | 基于规则； 结果范围有限 | 基于规则； 结果范围广泛 | 基于概率； 结果范围有限 | 基于概率； 结果范围广泛 |
| 专家表现 | 比计算机差 | 一般情况 比计算机好 | 与群体相同 或更差 | 比群体差 |
| 专家认可度 | 高 | 中 | 中/低 | 低 |
| 示 例 | 信用评分 简单的医疗诊断 | 国际象棋 围棋 | 招生负责人 扑克牌游戏 | 股市 经济 |
第二列所覆盖的问题，解决方案都是基于规则的，所产生的可能结果也是有限的。有人可以在过去模式的基础上调查所涉及的问题，并把规则写下来，用于指导决策。专家能够处理好这些任务，但一旦原则清楚明了，计算机就更经济、更可靠了。考虑一下信用评分、简单的医疗诊断这样的任务，专家之所以能就如何处理这些问题达成一致，那是因为解决方案都是透明的，而且在很大程度上也是经实践证明的、真实可靠的。
最初，专家在这些问题上是很重要的，因为他们可以找出起作用的规则或算法，就像阿森费尔特的葡萄酒公式。但是潜在秩序并不总是那么明显，有时专家必须用统计方法寻找系统的结构，然而一旦他们定义出规则，计算机就能接管他们的任务。
哈拉斯赌场的经验就是很好的实例。和其他赌场一样，哈拉斯多年来都努力讨好在赌桌上下高筹码的人——豪赌客。然而，详细研究客户数据后哈拉斯发现，可自由支配时间和收入的中老年人，为赌场贡献了大部分收益。因此，针对最优质的客户群，管理层利用数据分析建立更好的客户忠诚度，同时继续有效地管理豪赌客。“豪赌客是创造最高价值的客户”这种专家意见显然是错误的，一般常识认为专家永远是对的，而通过新视角进行的数据分析能够有力地证明并非如此。
另一个极端是上表最右一列，它所涉及领域基于概率、有着广泛的结果范围。这里没有简单的规则，你只能通过概率来表达可能的结果，而且结果的范围也很宽泛，比如股市、经济和和政治预测。证据表明，群体在解决这些问题时胜过专家。例如，经济学家对利率的预测非常差，常常无法准确猜测利率变动的方向，更不用说其正确水平了。 还要注意的是，专家不仅不擅长预测实际结果，而且他们彼此之间往往也互不同意。 两名具有同等资历的专家可能会做出相反的预测，进而做出彼此不同的决策。
例如专家对油价的预测：一个阵营的专家以投资银行家为代表，他们认为世界已经达到石油开采的顶峰，石油价格有可能因此上涨。另一个阵营的专家以经济学家为代表，他们认为技术有可能会让人类发现新的石油资源，并且有效地开采它们。两个阵营的专家都很有头脑，也很有说服力，但在未来价格走势问题上却得出了相反的结论。
上表第三列：专家能够处理好基于规则、且结果范围广泛的问题，因为他们比计算机更善于排除错误的选择，也善于在信息之间建立起创造性的联系。例如，一款计算机程序将计算机和专家结合起来，作为包装设计解决方案，并通过演进原则（重组和突异）利用计算机生成可选方案，然后让专家选择下一代最佳设计（选择）。计算机创建设计方案很有效，却不懂什么是品味。宝洁和百事可乐等大型消费品公司已经成功地采用了这种技术，使其产品脱颖而出。
同时，随着计算机性能的不断改善，它将继续侵袭到这一领域。从前电脑无法击败世界象棋冠军，但1999年，经过6场比赛之后，IBM的国际象棋超级计算机“深蓝”击败了1985~2000年间的世界冠军卡斯帕罗夫。当时在围棋比赛中，人类仍然胜过计算机程序。围棋的规则很简单，可以有更多的位置组合，因为它的棋盘规格是19×19，比国际象棋更大。而今天，随着计算能力越来越强、价格越来越便宜，计算机已经赢得这场战争。
| 游戏 | 机器占优势 | 人占优势 |
| 桥牌 | √ | |
| 跳棋 | √ | |
| 国际象棋 | √ | |
| 围棋 | √ | |
| 黑白棋 | √ | |
| 拼字游戏 | √ |
上表右侧第二列：对基于概率、结果范围有限的问题，专家的表现有好有坏。如果缺乏特定领域的知识，则计算机和群体都会表现欠佳。例如，与计算机相比，专家型教练可以创建更好的训练计划，因为他可以利用自己团队的独特知识。同样地，公司高管可以更好地为自己的公司描绘战略。
一旦你能把某个问题正确归类，就可以寻找最好的方法来解决它。在医学、商业和体育等许多领域，计算机和群体仍未得到充分应用。专家仍然至关重要，体现在三种能力上：
-
只有专家能创建取代他们的系统。塞佛兹设计的预测市场胜过百思买的内部预测人员；在阿森费尔特之前，波尔多红酒的评估在很大程度上是主观的。当然，专家必须掌握这些系统，并根据需要改进市场或公式。
-
需要专家来制定战略。广义的战略不仅包括日常战术，也包括通过识别相互联系进行故障排除的能力，以及用全新方式组合创意进行创新的过程。如何最有效地挑战竞争对手、哪些规则需要强化、如何重组现有的基础知识来构建新产品和新体验，这些问题的决策都需要专家工作。
-
需要人来管理人。许多决策所涉及的心理学知识比统计学更多。领导者必须了解他人、做出好的决策，并激励他人支持决策。