包括民航局在内的各级政府都在推行智慧监管。智慧监管的范畴很大，涉及大数据、云计算、人工智能算法、物联网、AR/VR等技术，但并非每项应用都这么高大上。今天我们来看一下非常入门级的智慧监管，仅涉及算法。
当前上级要求的监管思路是分类监管，将管理对象按安全管理效能分为三大类，优秀的则盯组织盯系统，适当从简；良好的则盯组织盯系统，全面监督；及格的则盯组织盯系统，盯人盯事，高频监督。说起来容易做起来难，最基本的问题是该怎么分类？
传统做法
1、分数线
假设已经对各公司的安全管理效能的各方面打了分，而且分数靠谱，最简单的做法是计算总分并划分数线。类似高考，分数决定一本、二本还是其他。
假设有13家公司参加评估，按90、80分划线，结果如上。
优点：快，立即出结果。
缺点：随着各公司分数的提升，第三梯队可能消失，甚至最后第二梯队也可能没了，到那时所有公司会不思进取，监管方也受制于分数不好下手。而且由于过度追求分数，会导致鸡犬不宁的评分纠结。
2、按名次
为避免分数线的缺点，选前三名为第一梯队，最后三名为第三梯队。
优点：各方永远竞争，总体趋向更优。
缺点：看上去分段不是很合理（而且会经常处于不合理状态）。例如本案倒数第四名似乎更接近倒数第三，如果归入第二梯队，合理性不足，往往导致巨大争议。
3、目视分段
其实肉眼看数据即可得出结论，M公司就是烂，中间9家应该差不多：
优点：更符合心理预期。
缺点：没有依据。差距明显的好办，差距不明显的就很容易被指责为暗箱操作，经常被投诉举报，该政策寿命不会长久。
智慧算法
有了算法的加持，最简单的智慧监管也就产生了。如果还关心大数据、正则表达式、数据可视化，可以翻阅前几篇介绍文章。本篇仅使用单纯的智慧算法。
1、聚类
所谓聚类，就是把数据分为n个组，本案是3组，每个组的成员最接近本组均值，而不是其他组均值。其计算过程是个无限循环过程，先随机分3组，然后各组计算均值，再看每个成员是否最接近本组均值，如果不是则调整到最近的那个组；接下来按新组建的3个组再次计算和判断，再次调整组；直到每个组换无可换，循环停止。此时的结果，每个成员更类似本组成员而非他组成员。
我们惊讶的看到，算法把最后4个公司而不是最后1个公司排到了第三梯队，和肉眼判断结果非常不同，这是为什么呢？简单来讲，L公司78.5分，D公司92分，差距13.5分，M公司71分，L和M的差仅为7.5分，所以L更像M而不是D。肉眼欺骗了我们的灵魂。
优点：算法必然是深思熟虑的，真实的，规避了前面三个方法的缺陷。
缺点：只算总分，就有点简单粗暴了，公司管理有多个维度，包括财务、飞行、维修、客舱、安保等等，总分不能体现维度特性，既然我们评估了每个维度的缺陷并打了分，为什么不利用呢？
2、多维
本案例是对公司的16个维度分别评估打分的结果。聚类算法是支持多维计算的，代码几十行，计算时间1秒不到，来看下结果：
不同形状代表不同公司，初始值为0分，往下的弯折表示某一项的扣分。可以看到第一梯队的各项扣分都比较少，第三梯队多项扣分严重。和上一个图不同，I公司被算法列入了第三梯队，原因是从多维度曲线上看，该公司的表现更接近第三梯队而不是第二梯队。
优点：增加了各维度的个性表达，更接近日常感受。
缺点：各维度颗粒度不同，有些维度分值差距大，有些则很小，如果没有认真分析设置过的话，某些大颗粒维度对整体评判的影响就太大，公司会追逐大颗粒维度做工作，例如用虚假财务、过度安保等方法减少这些维度的扣分，对其余维度仍旧不理不睬。结果就是形式主义的整改。
3、归一
在机器学习领域中，不同评价指标往往具有不同的颗粒度，这样的情况会影响到数据分析的结果，为了消除指标之间的颗粒度影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
简而言之，本案归一化的目的就是使得预处理的数据被限定在0~1之间，从而消除奇异样本数据导致的不良影响。每个维度的分值，除以本维度极值，实现归一。
本案仅有16个维度的数据，归一化的结果和之前的结果只有稍许差别，就是D公司跻身第一梯队，可以获得适当从简的待遇。但实际监管中，评估的维度是非常多的，当有上百甚至上千个维度拿来计算的时候，归一化就显得非常有用。公司面对这样的结果，更愿意针对每一项缺陷进行整改。
总结：在多维度评估打分靠谱的前提下，归一化多维聚类算法，可以为我们提供准确的公司分类，从而精准实施分类监管。
成本：0元。
入门智慧民航，请进入下列链接：
