说到马云，多数人想到的是口才和生意直觉，很少有人先想到数学。他自己提过，学生时代数学成绩一般，高考数学分数低到后来常被拿来当笑话讲。可阿里后来做成了大型商业平台，里面每天都在跑大量运算和模型。关于马云阿里数学这个话题，最常见的说法是“马云数学不好”，但更值得看的是阿里怎么用数学解决实际问题。
这篇文章不打算把谁神化。我们从几个业务场景看数学在阿里体系里怎么落地，也顺便看看马云那种“公式不一定会，问题要看清”的做法，对普通人有什么用。
案例一：双11背后的运筹问题
每年双11，订单在短时间里涌进来，系统要同时决定库存放在哪个仓、订单派给哪个仓、包裹走哪条线。这类问题叫运筹优化：仓储、运力、时间都是有限的，要在这些限制里找成本低、速度快的方案。
卖家通常看不见这些计算。但包裹能从离买家更近的仓库发出，少走一段跨区域运输，背后就是这类模型在起作用。一场大促顺不顺利，线性规划、排队论、图论这些工具要占去相当一部分功劳。
这个思路放到小店也能用。比如备货前，先看过去三个月的销量、供应商的补货周期，再算一下缺货一天会损失多少单。三样数字摆在一起，备多少货基本就有了依据，不必每次凭感觉拍板。
案例二：推荐系统与“猜你喜欢”
打开购物应用，首页的东西常常正好是你想买的。这背后通常是协同过滤、矩阵分解，近几年也会用到深度学习模型。系统先把浏览、点击、收藏这些行为转成向量，再计算用户和商品之间的相似程度。
数学在这里做的事，是把“你大概会喜欢什么”这种模糊判断，变成能计算、能修正的概率问题。每次点击和收藏，都会让模型往更准的方向调一点。这也是为什么你刚看过一次露营装备，接下来几天首页就会冒出帐篷。
推荐也有副作用。如果系统只盯着你过去的行为，你会不断看到同类商品，新东西反而进不来。所以好的推荐通常会留一部分位置给探索，这个比例要靠数据反复调，没有一劳永逸的答案。
案例三：支付风控中的概率判断
支付宝每天的交易量很大，要在几毫秒内判断一笔交易有没有风险。系统会把设备信息、操作轨迹、历史记录等多种变量放在一起，算出欺诈概率，再决定放行还是拦截。
常见的方法有贝叶斯推断、逻辑回归和异常检测。它并不追求百分之百准确，因为拦得太狠会误伤正常用户，放得太松又会漏掉欺诈。你偶尔遇到的额外验证，多半就是这种权衡留下的痕迹。误判率和拦截率之间怎么定线，本身就是数学判断。
马云的态度：先想清楚问题
马云没有因为数学底子弱就绕开技术。他公开讲过，企业要重视技术人才，同时管理者得把业务问题说清楚，让工程师知道到底要解决什么。
这和建模的第一步很像：先定义问题，再选工具。很多项目出问题，原因往往是目标没定清楚，变量选错了，算法新旧反倒没那么关键。创业者不需要成为数学家，但要能把一个模糊的生意难题拆成可以计算的问题，这已经够用了。
给普通人的几点用法
- 遇到复杂决定时，先列出影响结果的三四个变量，比如时间、成本、风险，再比较哪个方案代价最小。别凭感觉直接选。
- 做选择前先问自己两件事：目标是什么，用什么标准判断做得好还是不好。目标不清，算得再精也没用。
- 不擅长算数不等于用不上数学思维。能把“最近效率低”改写成“每周处理多少单，卡在哪一步”，就已经是在建模了。
- 技术和业务之间常需要有人翻译。如果你能把需求讲给工程师听，也能把技术限制讲给老板听，这种能力在团队里值得练一练。
从一次不理想的数学成绩，到一个大型商业生态，马云和阿里的例子说明，数学的价值不一定在分数上，而在于能不能把问题拆开、算清楚。对很多人来说，这比背公式更有用。
