1990年代初期，我和妻子住在紐約市。晚上無事時，我們會租片回家觀賞。就如同那個時代其他影片出租店一樣，店裡會有一兩位店員根據你之前喜歡的影片及你當時的心情，非常熱絡地向你推薦，甚至可能不時會推薦一兩片你不常看的影片。考慮到他們相對不算多的電影庫存，以及對我們的電影口味有限的知識，這些員工算是相當有幫助的。
DVD影片租借網站Netflix設立於1997年，以客戶滿意度為核心考量，初期便成功依據訂戶的喜好，介紹匹配的影片，業務因而蓬勃發展。2000年，這家公司推出名為「Cinematch」（影片配對）的服務，由一套演算程式系統，執行觀眾和光碟的配對。Cinematch利用消費者回饋的資訊提供推薦，迅速改善預測消費者口味的準確度，讓用戶持續感到滿意及減少對新片發行資訊的依賴。
Cinematch帶動Netflix一半以上的租金收入。但公司管理階層意識到，Cinematch並非所有問題的答案。因此在2006年，他們發出戰帖：只要能提出更好的電腦程式，在預測消費者偏好的準確度上，比Cinematch高出1成，Netflix願意支付100萬美元獎金。
撰寫這本書時，該筆獎金仍在各方爭奪之中，領先團隊的程式比Cinematch準確 9.8％。有兩個值得強調的重點：第一，有些人雖然聰明絕頂，但處理問題的價值和Netflix相較之下卻是小巫見大巫。（Netflix的主管不諱言，一個成功演算法的價值超過100萬美元。）第二，無論是Cinematch或任何最終取代它的程式，其表現都大幅優於紐約市影片出租店的員工。
Netflix的演算法，以及和當地影片出租店員意見的品質之間南轅北轍的對比，說明了本章第一個錯誤的決策制訂：利用專家，而不是數學模型。我承認，這個錯誤對各領域的專家而言是個直接的侮辱，令人難以忍受。但是在社會科學領域，這也是紀錄最為詳盡的研究發現。
專家已死？
1954年，明尼蘇達大學心理學家米爾（Paul Meehl）出版一本書，評論專家（心理學家和精神病學家）的臨床判斷與線性統計模型的研究。他認真分析，有信心做到公平的比較。在一次又一次的研究後，他發現統計方法不輸（甚至超過）專家的表現。
較近期的例子是，加州大學柏克萊分校心理學家泰洛克（Philip Tetlock）針對專家預測，完成一項歷時15年以上的周詳研究，其中包括來自60個國家300位專家的2,800項預測。泰洛克請專家針對有機率性質、結果範圍廣泛的政治和經濟案例的結果進行預測。總結這些研究發現，泰洛克斷然表示：「不可能找到任何人類預測能力明顯優於外推演算法的領域，複雜的統計方法就更不用說了。」
儘管有幾十年充分的證據，各領域依賴專家的傾向依然毫無變化。事實上，大多數人很難吸收廣泛的統計證據，以融入他們的判斷中。當你面對如何挑選影片的決定時，問問自己，比較希望得到Cinematch提供的推薦，還是影片出租店櫃檯後頭的店員。現在，你已知道何者最可能提供你最大的觀賞樂趣。
多樣性的集體決策，往往優於個人
我們在此要介紹第二個決策錯誤：依靠專家的智慧，而不是群眾。想了解集體為何通常是明智的（且有時是很不明智的），我們需要深入了解群眾智慧運作的方式。但在進行之前，請思考以下問題：一群不是專家的人，怎能做出優於專家的預測？
社會科學家史考特．佩吉（Scott Page），曾針對群體解決的問題進行研究，並對了解集體決策提供非常實用的方法， 稱之為「多樣性預測定理」（diversity prediction theorem）。該定理陳述如下：
集體誤差＝平均個人誤差－多樣性預測
在解釋多樣性預測定理時，我會要求學生猜測罐內軟糖豆的數目，讓他們了解集體誤差、平均個人誤差及多樣性預測。例如有一年，學生平均猜測1,151顆軟糖豆，實際為1,116顆，誤差約為3％。個人的猜測與平均猜測差最多的約700顆。但是，多樣性之高，足以抵消大部分的個人誤差，留下一個小的集體誤差。
多樣性預測定理告訴我們，多樣性群眾的預測絕對比群眾裡一般的個人更為準確，而且總是如此。雖然此定理並未清楚表明，但集體往往優於個人，即使是最優秀的個人也不例外。因此，一個多樣化的集體總是凌駕於一般人之上，而且通常擊敗每一個人。在軟糖豆實驗中，73位學生的猜測只有2位比共識準確。對專家來說，這可不是好消息，且必然深深震撼所有的決策者。
當然，集體不能解決所有的問題。如果你的水管需要修理，你最好找位水電工人，而不是召集主修英國文學的學者、和平工作團和天體物理學家一起工作。但當遭遇複雜問題，且具體規則無法解決時，多樣性的群體通常比專家更有價值。
專家也要練過才能使用「快思」
在最近的一次調查中，幾乎有一半的財星千大企業經理人表示，他們在制定決策時依靠直覺。事實上，許多暢銷書大力推崇直覺，而且商業和醫療產業巨擘也特別尊崇出於直覺（看似高深莫測）的決策。
問題是：直覺不是絕對有效的。這個想法引出我們要提出的第三個決策錯誤──不恰當地依賴直覺。在制定決策時，直覺能夠發揮明確和積極的影響力。但你必須清楚辨別，直覺何時對你有利，而何時又會引你步入歧途。
各位可以看看丹尼爾．卡尼曼在2002年諾貝爾經濟學獎演講時，所描述的兩種決策制定系統。第一套系統是經驗系統，特點是「快速、自動、不費力、聯想，以及難以控制或修改的」。系統二是分析系統，特點為「比較緩慢、一系列的、要付出努力，以及審慎控制的」。
在卡尼曼的模型中，第一套系統利用知覺和直覺，產生關於對象或問題的印象。這些印象是自然而然產生的，個人可能無法解釋。卡尼曼主張，不論個人是否有意識地做出決定，所有的判斷都牽涉到第二套系統。因此，直覺是反映印象的一種判斷。
透過在特定領域實際且審慎地操練，專家可以培養和增強他們的經驗系統。因此，國際西洋棋大師可快速地審度棋盤上的佈局，以決定在特定的比賽中該怎麼做。事實上，專家會將正在處理的系統特徵內化，釋出注意力到高層次的分析思考。這也說明了專家普世的特徵，其中包括以下特質：
- 專家會看出自身專長領域的模式。
- 專家解決問題的速度遠比新手快。
- 專家說明問題的層次比新手深入。
- 專家可以質化的方法解決問題。
因此，直覺在穩定的環境行之有效。然而，當你面對的是一個不斷變化的系統，尤其是涉及階段過渡時期，那麼運用直覺便會造成失敗的結果。儘管直覺的力量近乎神奇，但在日益複雜的世界卻逐漸失去作用。
讓我再強調一點。人要成為專家，必須經過審慎、刻意的練習，培養經驗系統。刻意練習有個非常具體的意義：它包括旨在提高績效的活動，具有可重複的任務，結合高品質的意見回饋，而且沒有多少樂趣。大多數人（甚至所謂的專家）離這些刻意練習的條件都還差得遠，因而無法建立起可靠直覺所需的能力。
不要盲從電腦和數據
我已讚美過電腦和群眾的美德。現在，讓我敲響在本章提出最後一個錯誤的警鐘：傾向以公式為基礎的方法或群眾的智慧。雖然電腦和集體的建議確實有效，但不值得盲目信從。
麥爾坎．葛拉威爾（Malcolm Gladwell）所稱的「誤配問題」（mismatch problem）便是對數字過度依賴的例子。當專家用表面上客觀的評量，來預測未來表現時，便犯了這個錯誤。在許多情況下，專家所仰賴的評量標準幾乎沒有（或根本沒有）預測的價值。
職業體育的聯合選秀，就是一個說明誤配問題的突出例子。聯盟在選拔之前，會召集具潛力的業餘頂級球員，在球探仔細觀察之下，透過一系列循環測試以評估技能。這些測試包括舉重、跑步和敏捷性演練等體力訓練，以及心理測試。之後根據表現，評鑑每一位球員。在某些情況下，球員表現相對較好或較差，會對其選秀排名造成重大影響，因此也關係到他未來的預期收益。聯合選秀是有壓力、高成本且費時的。
但是商業教授法蘭克．庫茲密茲（Frank Kuzmits）和亞瑟．亞當斯（Arthur Adams）在詳細檢討國家足球聯盟的選秀結果之後發現，聯合選秀排名和隨後的表現並無一致的關係（有一例外，衝刺的速度有助於預測跑衛的表現）。曲棍球和籃球聯合選秀的結果也是相似的。雖然測量是定量和標準化的，但是測量的標的卻是錯誤的。
葛拉威爾認為，誤配的問題不僅存在於體育運動。他舉出許多其他領域的例子，如教育（學歷無法完美預測績效表現）、法律專業（靠著平權措施〔affirmative-action〕進入法學院就讀的學生，畢業之後的表現和他們的同學一樣好），以及執法人員（魁梧的身材和警察工作本身未必有關）。你可以很輕易地看出，這個問題會如何延伸到各種類型工作的面試，因為未來的表現幾乎難以從這些問題和答案看得出來。
集體也容易放棄智慧，隨波逐流
盲目跟從群眾智慧也是愚蠢的。雖然自由市場信徒認為，價格反映了最準確的評估，但市場是極端容易出錯的。這是因為，當群眾智慧的三個條件中，任何一個或多個條件遭到違反時，集體錯誤就會膨脹。這也難怪，多樣性是最有可能失敗的條件，因為我們天生是社會性和模仿性的。
在了解多樣性崩解的過程方面，科學家已取得良好的進展。例如，當人們根據其他人的行動，而不是根據自己的見解做出決策時，就會產生「資訊階流」（information cascades，編注：當超過一定人數後，人們便會停止依賴自己的知識，轉而模仿其他人的行為）的誤導現象。這些階流有助於解釋蓬勃發展、潮流、時尚和崩潰。研究個人或組織彼此之間如何相互關聯的社會網絡理論（social network theory），對於這些階流如何傳遍整個社會，提供完整的解釋。
多樣性崩解也會發生於較小的群體。如果你曾經參加過委員會、陪審團或工作小組，你可能已經看過這種現象。多樣性的喪失通常源於某個領導者的主導、某事實的付之闕如、或群組中的認知同質性。哈佛大學法學院教授凱斯．桑思坦（Cass Sunstein）和一些同事為了說明後者，把自由派與保守派分開，讓他們與志同道合的人在一塊，思考在社會上具爭議性的議題，如同性婚姻和平權措施。在大多數情況下，與事前的面談相較，這些人士在經過分組後表達的意見較極端。個人和所屬小組一起之後，意見會變得更具同質性。沒有了多樣性，集體觀點（不論大小）都有可能變得離譜。
3個方法讓專家限制為你所用！
究竟該怎麼做，才能讓專家限制為你所用，而不是對你不利？以下提供一些建議：
-
為你面對的問題配置最合適的解決方案。正如我們在本章中所看到的，各式各樣的決策制定問題需要各種解決方案配合。因此，仔細考慮你正在制定什麼樣的決策，以及哪一種方法可能對你最有幫助。我們所知道的是，專家在許多情況下表現並不好，建議你應該嘗試其他方法以補充專家的意見。
-
尋求多樣性。泰克的研究工作顯示，雖然專家的預測在整體上並不理想，然而有些專家的表現還是好過其他專家。泰洛克把專家分為刺蝟和狐狸兩類。刺蝟只會一件看家本領，並嘗試透過這個鏡頭為一切事物找到答案。狐狸則是對許多事情都知道一點點，不會以單一答案解釋複雜的問題。泰洛克發現，狐狸是比刺蝟更好的預測者。狐狸看重多樣性的重要，結合「不同的資訊來源」，並從中做出決策。當然，刺蝟不時會有對的時候，但長期而言，預測準確度還是比不上狐狸。對於許多重要決策，多樣性在個人和集體的層次都是關鍵。
-
盡可能運用科技，利用科技抵消專家限制的影響力。儘管愈來愈多企業運用科技和數據來解決問題，但數量之寡還是讓人擔憂。谷歌（Google）面對眾多的求職者，意識到大多數面談都落得徒勞無功的下場，因此決定開發演算法來找出有吸引力的潛力員工。首先，公司要求有經驗的員工填寫附有300則問題的調查問卷，以掌握其職位、行為和個性的相關細節。公司接著比較調查結果和員工的績效評量，尋求中間的連結。透過這項調查，谷歌的主管發現到，學業成就與在職表現不見得具備絕對的相關性。這種新穎的做法讓谷歌得以迴避缺乏效果的面試，並著手化解箇中的分歧。
專家限制是真實存在的問題。科技讓決策制定者可以獲得寶貴的見解，有些組織甚至發展可以告知其決策的新方法。但最大的障礙在於，大多數人在心態上還是不能適應，無法把先前由專家決定的事情交由電腦或群眾來解決。雖然對專家不利的證據確鑿，人性仍然是個難以跨越的障礙。
好書推薦：
書名：泛蠢：偵測99%聰明人都會遇到的思考盲區，哥倫比亞商學院的高效決斷訓練
作者：麥可．莫布新（Michael J. Mauboussin）
譯者：胡瑋珊
出版：八旗文化
出版日期：2022/08
分享圖文請註明出處，未經本站同意不得轉載
瀏覽次數：2500
