管理大师彼得·德鲁克提出：“无量化，无管理；先量化，后决策。”^[1]这句话对科技期刊的决策同样适用。然而，我国大多数科技期刊在决策时都喜欢或只借鉴他刊经验，却没有得到更多期刊本身的数据依据，所以决策后期刊“水土不服”的现象、出错的概率就增加了。量化期刊是为了提高决策的科学性，避免大多数科技期刊依靠经验和直觉作决策造成的失误。当前，对科技期刊的量化，除了用大数据挖掘规律性的指标数据来提供指示期刊发展的方向或为了学术研究需要提供期刊行业调查数据外，缺少依靠科技期刊自己的力量对自身做小数据分析，为科技期刊的日常决策提供数据支持。换言之，科技期刊需要主动采用小数据化战略引领发展与决策，用小数据分析来增加改进或改革的成功概率。

在当前的大数据时代，科技期刊的量化有两种：一是“量化业态”；二是“量化自我（个刊）”。两者功能各异，依赖的数据分析也不同。“量化业态”依赖大数据挖掘，对无预设前提的数据相关关系的挖掘，有着发现期刊各种关系、解放期刊发展被理论局限性束缚手脚的功用。但大数据挖掘天生有“骄傲的大数据”的弱点，总认为大数据什么都能做。^[2]每种科技期刊的日常决策却很难也很少依靠大数据，因为大数据挖掘量化的是整个期刊业态（科技期刊整体），指示的是规律或方向。每种科技期刊大量改善期刊营运的日常决策，对大数据挖掘需求不大，反而更需要能为其提供支持的个刊数据。而小数据分析恰能满足这种需要，它与大数据挖掘的分工不同，主要是让办刊人通过所在科技期刊的量化数据（量化自我）为日常决策提供决策支持。

小数据分析的“量化自我”，是办刊人或研究者用抽样调查、实验研究、专家会议、访谈等传统方法，对单个科技期刊的各种维度或层面进行的数据探索与分析，形成富有个刊色彩的数据集合。一方面，其表现为对“有形之物”的量化，主要用数据为个刊的差异性、个别性的画像；另一方面，其表现为对“无形之物”的量化，通过获取与期刊相关人（编者、作者、读者）的态度、情感、思想、价值观以及那些无法被大数据捕捉的微观行为的数据，帮助办刊人更加深刻、精准地认识和理解科技期刊。因此，小数据分析除了揭示个刊的物化特征外，还充分考虑了相关的“人”性因素，将冷冰冰的数字与人的直觉、感观有机结合，从而增加了这些数字的厚重感，有人直接称它是一种“厚数据”。^[3]科技期刊的任何数据都是由人的活动导致的，以致有人把所有期刊数据都理解为厚数据，如英国数学家及人类学家托马斯·克伦普指出：“数据的本质是人，分析数据就是在分析人类族群自身，数据背后一定要还原为人。”^[4]申言之，小数据分析能提供全方位的厚数据，不只可以收集由“人”创造的个刊“有形之物”的客观数据，还可以深挖由“人”表现的期刊“无形之物”的主观数据。因此，量化自我得到的厚数据能为科技期刊的日常决策提供全方位的数据支持。

大数据挖掘提供期刊业态的相关性、关键词，可以使小数据分析针对性地设计问卷和实验条件；反之，小数据分析的“量化自我”可以克服大数据挖掘的逻辑性不强的弱点，揭示数据间的因果关系。

小数据分析一般围绕个刊的问题或实际需要做信息收集，所以获得的数据较个性化和针对性。为个刊“量化自我”的小数据分析，经过多次信息循环验证后，获得数据信息的因果关系，可以弥补大数据挖掘的“重相关、轻因果”的不足。例如，用大数据挖掘方法发现文章质量与下载量具有较高的相关性，但不能确定两者之间是否有明确的因果关系，无法确认是研究者众多导致下载量大，还是因为文章的前沿性或热度引起关注和大量的下载行为。要厘清其因果关系，就需要通过提出假设、设置中介变量，进行小数据的抽样调查，或与实验相结合的方式得到数据关系，再经过信息反馈的循环验证，获得更为确定、细致和有内涵的因果关系。相较于能快速发现相关性的大数据挖掘，小数据分析在因果关系的深度分析方面则具有更加细腻的优势，足以让我们看清科技期刊各种表象后的本质。

总之，我们要借助大数据去找规律，用小数据去匹配个人。^[5]与大数据全面反映科技期刊的整体业态不同，科技期刊的小数据就是用个体化的数据反馈科技期刊的差异性、个性化，并通过获取期刊相关人的情绪、思想、价值观以及那些无法被大数据捕捉的环境数据、行为数据的语义，从而帮助科技期刊决策者更加深刻、精准地认识期刊及其因果关系。^[6]据此，科技期刊的小数据包括两个部分：一是关于期刊个体“有形之物”的客观数据；二是关于期刊相关人“无形之物”的主观数据。它们既可以是抽样小数据，也可以是科技期刊某一个方面的全方位小数据。

每一种科技期刊不仅需要大数据挖掘提供的方向或规律预测，还需要为具体困境的疏解、具体事务的决策提供小数据分析。如提供科技期刊“有形之物”的数据，用数据的方式“深描”科技期刊各种客观存在的现象和过程，可以做到量身定做、减少“不确定性”，以回答特定问题。小数据分析相对大数据挖掘的更大优势是对“无形之物”的量化。

（1）“制造”数据。与大数据挖掘只能被动收集互联网上已经客观发生的所有科技期刊信息不同，小数据分析更多使用抽样调查、深访、会议咨询和实验设计等传统统计方法，针对一种科技期刊的具体问题，主动“制造”主观数据。例如办刊人可以根据办刊需要设计问卷，测量受访人对科技期刊的看法和态度；在带有信息登记功能的网站上加入询问作者偏好的问题，进一步完善科技期刊发展的基础数据；用离散数据记录编辑和作者的对话，有助于完善服务的方式；在开发新栏目、新专题时收集编委会的数值建议，等等。科技期刊在这些“量化自我”的过程中，主动“制造”小数据，目的是为决策提供数据支持服务。

（2）关注人。科技期刊的任何数据都是人造成的。例如一篇好文章的数据表现之一是被引量和下载量高，而这些数据也是作者、审稿专家、编者等不懈努力、协同工作的反映，既有共同的智力贡献，也融入了作者的科学精神、编辑的职业操守、审稿专家的专业态度等因素。因此，对数据背后人的因素的分析，是小数据分析区别大数据挖掘能确定期刊因果关系的关键所在。再如，大数据挖掘能发现办刊分散及重复办刊的现象，但不能解释为什么办刊人会重复办刊；大数据挖掘能发现论文被引用次数的分布是不对称的，存在所谓“二八定律”，即80%的引用次数来自20%的论文^[7]，但不能解释为什么读者对在同一种科技期刊上同类型的高质量文章的引用和态度会截然不同。小数据分析的价值就体现在对人的行为和态度的因果分析和研判上，例如对读者进行抽样调查或访谈式问卷调查，要求就文章质量、文章易读性、作者单位、作者职称、作者权威性等表明态度或意见，通过关注人的“偏好”，间接回答为什么期刊会存在“二八定律”。所以，相较于大数据挖掘发现科技期刊的相关性，小数据分析更能发现科技期刊因果关系中人的因素。

（3）有利于创新。小数据分析可以让办刊人发现，科技期刊拥有众多读者的原因之一是读者有连自己都未意识到的对科技期刊的情感卷入与信任性态度；据此，期刊决策可以从原来只关注文章质量，进而要开始思考如何培养更强的用户黏性，“在原有的单一的投稿—发表关系下，如何能够衍生出信任、依赖、共同发展甚至是共同经营的关系”^[8]，就像《国家地理》一样能培养一批长期喜爱这本期刊的忠实粉丝。这类小数据分析可以使科技期刊的创新聚焦“通过新技术、新内容、新服务更加智慧地服务科研用户，使这个庞大的用户群体有着更为深层次的、立体的用户体验”^[9]，从而提升用户黏性。总之，小数据分析更善于找到因果关系，更有营养、更为深刻，更可能激发科技期刊决策的创新行为。

科技期刊的决策通常包括：风险决策、战略决策、常规决策。这三类决策既决定科技期刊的风险大小，也影响科技期刊的发展进程，但大数据挖掘得到的规律，却不能为科技期刊个体做决策进行适切性匹配，完全规避风险、促进发展。小数据分析“匹配个体”的功能与特点，能让科技期刊办刊人花费较低的经济与时间成本，通过量化自我，洞察科技期刊个体的问题，特别是为期刊实践中最主要也是最常见的三类决策提供数据支持。

影响科技期刊未来发展的大问题，通常是在发生一系列警示信号和迹象之后肯定会出现的大概率事件，有人称其为“灰犀牛”^[10]。它们深刻且长远地影响科技期刊发展，甚至会导致科技期刊的生存风险和危机。例如颠覆传统媒体的新媒体技术的出现，就是当今奔向科技期刊的“灰犀牛”。对待“灰犀牛”并不需要预测，因为它的迹象非常清晰，只是办刊人没有引起足够重视，或因认识偏差、抱着拖延的习惯一直回避、拒绝采取行动，以致直冲而来的“灰犀牛”造成一些科技期刊无法挽回的损失。

在面对即将到来的大概率事件时，办刊人可以选择最经济的小数据分析去挑战这头“灰犀牛”，分析它会如何影响个刊的生存状态，会导致什么后果。例如“在新媒体时代，科技期刊存在意识形态问题审查较难、编辑的政治素养略显欠缺、意识形态风险来源较广，某些问题极有可能被新媒体无限放大，这些风险会引发一系列的问题”。^[11]新媒体时代的意识形态问题就是当前科技期刊面临的大概率事件，它的出现有其早期迹象，且是科技期刊运营中极易被忽略和遗漏的信息。小数据分析可以在编辑、作者的问卷调查中捕捉与刊物休戚相关的“小细节”，但它却是“大到难以忽视”的信息，如调查作者、编辑是与否注意到不能将香港、澳门、台湾和其他国家并列，“‘一带一路’战略”应是“‘一带一路’倡议”^[12]，地图要素表达不规范等一系列的意识形态问题，以得分数据来判断作者、编辑的政治敏感度。这些在科技期刊运营中很容易被忽视的“小问题”“小数据”，在新媒体时代正是极易成为影响科技期刊发展的大概率事件。小数据分析只要测试编辑或作者出现“小问题”的概率，就能从编辑工作中捕捉这种迹象及发生概率，有助于办刊人及时决策、采取措施，增强编辑的政治意识，培育编辑的政治素养，预防冲向自己的“灰犀牛”。

长期以来，各种科技期刊根据传播的“二八定律”，热衷于追逐高引文的选题，以致大多科技期刊千刊一面、毫无特色。数字出版时代的来临，增加了大多数科技期刊非热点、区域性、特色性和非核心作者研究成果的传播机会，产生了“长尾效应”，使大量曾经不被重视的区域性、特色化、小众化研究或交叉学科研究、冷门绝学等的传播成本普遍降低，传播机会却翻倍增加。

新媒体时代的“长尾效应”为大量科技期刊提供了特色发展的机会，然而，依靠办刊人的直觉或经验作出特色发展决策，同样会遭遇特色发展同质化的风险。因为直觉、经验虽然可以为科技期刊发展提供思路，但是越来越多的研究和实验证明，“给专家足够多的‘结构化数据’，专家们的判断准确度仍然比不过简单的统计模型”^[1]，更遑论要专家面对科技期刊大量非结构化数据来作出直觉判断。而小数据分析却能发挥传统统计方法的优势。一方面，建立统计模型解答在“长尾效应”中小众化研究成果的有效传播方案以及期刊特色发展的问题。例如《实用骨科杂志》根据长尾理论调查尾部小众化的需要，创建《骨科见闻》栏目，将专家们参加国际会议、学习深造、援非、国际救援等经历书写成文进行发表；创建《文献导读》栏目，将最新发表的全英文版学术文章翻译成汉语摘要，使基层的骨科工作者可以跨越语言的障碍，得到最新的学术资讯；创建《骨科史萃》栏目，宣传中外骨科历史上一些著名大师和著名事件，这些栏目的内容短小精悍，更被受众所接受，在通过微信公众号或网站推出时，还可以增加很多纸刊不宜表现的图片等内容，更易于传播和阅读^[13]，从而形成兼具科普特色的专业期刊。另一方面，使用非结构化的离散数据量化科技期刊特色发展需要的“无形之物”，如对《湖南师范大学自然科学学报》的刊物性质、优势栏目、编辑素质、编委会组成、作者结构、学科支持等传播者因素，赋予权重，将每个因素的评分（在1～5分之间）与相关权重相乘，得到“无形之物”的量化数据，最后确定将“生态环境”作为刊物发展的特色。这种将“无形之物”的评估工作进行条理化，使用加权评分法形成简单线性模型得到的小数据，至少可以为非结构化的特色发展难题减少不确定性，从而提高办刊人的决策水平。要进一步减少不确定性、增加测量的信度效度，还可进一步通过透镜模型来进一步优化权重，消除评估过程中的不一致性，进而提高评估科技期刊特色定位的准确性，引导科技期刊特色发展的走向。

科技期刊特色发展后能否发生“长尾效应”，还需要去发现传播受众。小数据分析对发现精准受众有两个方面的作用：一是通过抽样调查定位科技期刊的读者群，给读者群体画像，确定传播对象和方式；二是利用兴趣算法发现读者细分和利基，组成若干动态子群，展开精细化阅读推送，满足差异化阅读需求。总之，小数据分析能把读者数据转化为传播价值，更好地推动科技期刊的特色发展。

科技期刊日常运作存在大量决策，小数据分析提供的数据支持，可以使科技期刊的日常运营更加精细、科学、有效。科技期刊日常运营的大部分工作都与人紧密关联，诸如量化“期刊质量”“社会效益”“期刊形象”“期刊服务满意度”等获得的厚数据，主要是量化人的主观判断，采集人的态度、价值等偏好性主观数据。可以说，人的偏好是量化期刊日常运营的重要数据来源。我们应该如何量化这种看似不可量化的人的偏好？笔者认为有以下两种方法。

一种方法是从客观数据中间接调查人的偏好。例如用利克特量表询问读者获得的数据，可以间接反映读者偏好，包括请他们回答阅读期刊文章的篇次、引用期刊文章的次数、传播期刊文章的次数、订购期刊费用、个人收入的变化等客观数据，从阅读、引用、传播等频次的客观数据中得到读者的忠诚度，反映读者的黏性。办刊人根据这些厚数据，再提出科技期刊服务精细化的对策，改善科技期刊的服务意识。

另一种方法是直接调查人的主观反应。用小数据分析量化偏好，可以像分析客观属性的测量一样，从一个总体中抽样，然后问一些特定的偏好问题。这种测量主要让被调查对象作四类回答：①单项选择。用利克特量表让被调查对象在一个范围内选择一项，例如“非常同意”“同意”“不一定”“不同意”“非常不同意”。②多项选择。让被调查对象在限定范围内多项集合中选择，例如“有开拓创新”“有较大创新”“部分内容创新”“无创新”等。③排序选择。被调查者对项目排序，例如按照重要性从高到低给“特色鲜明”“质量较高”“科学规范”“社会效益”“发行量”排序，最高为5分，最低为1分。④开放式回答。被调查对象可以任意方式回答问题，例如“对期刊的传播方式，有什么是你不满意的吗？”通过这种小数据分析，可以快速了解被调查对象的偏好，及时地改进科技期刊的日常运营，工作更加精细化。例如为了改进投稿流程，科技期刊要先调研作者实际的和认同的投稿时长，进而在保证基本信息的情况下，改进流程，提升作者的投稿体验。

用小数据分析来量化偏好本质上是为了坚守“以用户为本”的科技期刊经营理念，为同一类偏好的用户制定适宜的服务方案，精细化科技期刊的日常运营。小数据分析不仅向用户精准传播个性化的内容，也给科技期刊改善经营省去了大量的无用功。因此，科技期刊的决策只要不忽视“以用户为本”的运营理念，就需要借助小数据分析使其日常运营越来越个性化、精准化。具体而言，有以下三种方法。

使用连续数据描述的传统数据统计法主要适用于科技期刊对“有形之物”开展的小数据分析，根据数据的特点又分为以下两种方法：

（1）使用抽样统计法，以样本思维从更加细微、全面的角度获得科技期刊的样本数据。样本虽然相对较少，但能用更小、更精良的小数据过滤掉“噪声”，获得有价值的信息。在抽样更有代表性和随机性的情况下，小样本足以揭示总量的规律而且更加快捷。简言之，小数据分析能“以小见大”“见微知著”。统计学上的“5人法则”就反映了这个道理，只需要随机抽样的5个样本就有93.75%的可能性断定最大值与最小值区间。^[1]例如为了改善科技期刊的投稿流程，随机抽样5位作者投稿所花的时间，分别是3分钟、6分钟、4分钟、8分钟、6分钟，由此可以推断，所有作者投稿时间的中间值就有93.75%的可能在3～8分钟之间。“5人法则”说明，小数据分析的优势在于只要达到一定的随机抽样代表样本后，就不需要再继续分析剩下的大量数据了，否则只会延长研究时间、耗费研究精力、降低研究收益。

（2）用全数据思维统计科技期刊某一面的全方位数据，为办刊人提供决策依据。科技期刊某一方面的全方位数据，其实是体量较小、能使用简单方法全面收集和统计的客观小数据。例如在数据库中就能全面统计到的2016—2018年《电力信息与通信技术》热点栏目引用量和下载量，数据量较小，但能从有限的小数据中得到2016年下载量较高的栏目排序依次为《能源互联网》《特别推荐》《大数据与云计算》《电动汽车》，等等；2017年下载量较高的栏目排序依次为《人工智能》《虚拟现实》《特别推荐》《电力大数据》《量子通信》，等等，其中，由知名专家团队担任特约栏目主编的《人工智能》栏目篇均下载和引用量创近3年新高；2018年下载较高的栏目排序接近2017年，其中《电力无线专网》栏目的篇均下载和引用量不温不火，主要原因是该栏目过于聚焦电力信息通信，交叉少、外延窄，在一定程度上影响了下载和引用量。类似的，办刊人可以借助小数据来判定科技期刊专栏的热度、广度、栏目主编的知名度和支持度等，这些直接决定专栏的影响力。^[14]

小数据分析的量化需要大量使用离散数据，如按1～5五个等级来对某篇文章、某本刊物的质量打分，可借助利克特量表，通过离散数据来间接表达意图、推测未知，这类用于是非判断或其他包括定性因素的“分级”数量等离散数据，并不表示相对大小和精确差距，而只表示是否属于某个集合。例如读者和作者、专家对科技期刊质量的评价等级、对科技期刊的情感态度的分类分级评价等。以《有色金属》为例，编辑部在业务流程优化前后，两次运用利克特量表和问卷调查法对《有色金属》青年编委进行受众满意度调查，对作答选项分别按区间赋予分值：十分满意为5分，满意为4分，基本满意为3分，不太满意为2分，不满意为1分。两次分别收到有效问卷197份和220份，根据问卷调查的结果，从学术用户群体服务与管理、学术资源挖掘和利用、出版周期和媒体融合4个方面制定《有色金属》业务流程再造方案，通过对《有色金属》业务流程再造前后的运营情况和数据进行分析和对比，得出可行性强、适用性强的业务流程优化策略。^[15]这类小数据分析区别于大数据挖掘的优势显而易见，可操作性强，减少了对“无形之物”判断的不确定性。

“无形之物”小数据分析还可以使用贝叶斯统计。与传统数据统计假设“测量者对被测量事物的可能取值范围之先验信息一无所知，或者仅认为其总体上呈正态分布”不同，“贝叶斯统计是与先验信息相关，即用‘后验信息’更新先验信息，其始于现有知识，然后考虑‘后验信息’对现有知识带来多少改变”。贝叶斯公式用以描述在已知条件下某事件的发生概率，它的表达式是P（A|B）=P（A）P（B|A）/P（B）。^[1]“我们可以把贝叶斯公式理解为是一种基于现有的可靠证据（比如一些观察、数据、信息），对所持信念（比如一些假设、主张或论点）的有效性进行计算的方法，简而言之，就是原本的信念+新证据=改进后的新信念”。^[16]例如，通常而言，如果某省（市）期刊的编校质量不合格率近1%，而抽检结果为不合格的期刊，通常会认为不合格的概率肯定是100%。而用贝叶斯统计却不一定是同样的结果。假设某科技期刊在第一次被抽检时结果为不合格，但是抽检不是完全可靠，假设抽检结果的准确率为99%（即100种不合格期刊中，可以准确检出99种不合格的期刊），如果某科技期刊第一次被抽检的结果为不合格，那么这本期刊不合格的真正可能性有多大？贝叶斯统计告诉我们，如果是第一次被抽检，结果为不合格，其不合格的概率只有50%，这个结论是令人意外的，并修正了前面的经验知识。由此可进一步推断，期刊申诉成功的概率就有50%。如果这本科技期刊再一次复查结果仍为不合格，用贝叶斯公式计算，这本科技期刊的不合格概率从50%上升到99%，这时再申诉，成功的概率就很低了。贝叶斯统计在科技期刊的办刊实践中应用广泛，如根据某科技期刊每年的影响因子及增加趋势来推定第二年其影响因子结果，由此来对科技期刊的最佳发文量进行推算^[17]等等。这些都有助于办刊人对期刊发展作出科学决策。

综上所述，在大数据备受追捧的时代，整体来看，科技期刊的决策远未真正依靠大数据挖掘技术。“拥有大数据本身；具备大数据思维；配备大数据技术”^[18]已经把大多数科技期刊拒之门外。而小数据分析无须复杂的算法、昂贵的设备、高额的分析费用，任何科技期刊、办刊人、编辑都可以实现数据的分析，经过简单的训练，人人都可成为一名出色的“小数据分析师”。因此，发挥小数据分析在科技期刊决策中的潜在价值，应当成为新时代科技期刊改革和发展的重要技术手段。