此系列構想是源自於窮查理的普通常識這本書,希望增強自身的不可取代性,思維是機器最難以取代的能力。
為什麼要了解這個思維模型
數據是趨勢,也是現在進行式,擁有統計思維能夠更好的說服他人,能夠不被騙局輕易的蒙蔽,甚至能夠預測未來,平均與中位數可以了解趨勢,標準差可以了解風險,相關性可以做預測幫助決策。
不了解的話可能會怎麼樣
看太多雞湯卻不知道如何改進,因為落入倖存者偏差陷阱;
被無良理專或是保險業務用片面圖表呼嚨買到爛產品;
工作上無法有效快速說服上級獲得想要的資源;
行銷上落入調查偏誤導致理想被現實成果重擊;
管理階層誤用KPI定目標導致士氣大減營收衰退...etc;
不勝枚舉,在數據石油的世代,不掌握數據就像別人在開車你在騎腳踏車。
好了,讓我們開始吧。
演譯法與歸納法
何謂演譯法:追溯本質,類似第一性原理,找尋原因背後的原因。
何謂歸納法:找尋相關性,從經驗、行為、數據總結出結果,並可在條件不變下做預測。
以上便是兩大人類統整知識的體系,比如說公司Q4營業額突然下降許多,演繹法思維的人會從營業額的來源(如營收=客單價x來客數)去解析問題,歸納法思維的人會從過往營收資訊找可能的原因。
兩者並不互斥,是互補。原理是從經驗歸納出來的,而原理又可以當作下一個歸納的前提。
比如說一家從小就沒上學接班家裡麵店的老闆某天發現錢不太夠用,他突然心生好奇想找出原因,然後發現原來是最近的收入變少了,於是他開始觀察,是因為客人變少嗎?還是原物料變貴導致利潤減少?這樣的過程就叫做歸納,後來他總結出一套公式,利潤等於客人數x每個人吃多少錢-原物料成本,這就是演繹法,接著透過這個公式,又可以去想怎麼樣才能有效增加利潤,是要增加販售品項嗎?還是增加客人數?這時候就要去測試哪種方法有效,並且總結出更細膩的公式,利潤=(新客數+熟客數)x每個人吃多少錢-原物料成本-廣告成本。
演繹法無法事先得知結果,歸納法無法事先得知原因。
一個是腦,腦知道目的地在哪,但沒辦法走到;
一個是腳,腳能夠走,但要先知道走到哪才行。
相關性與因果性
何謂相關性:找出兩個或多個特徵之間的關聯性。
何謂因果性:找出兩個或多個特徵的前因後果。
相關與因果的差異:
- 相關是雙向關係,A增加B也增加,B增加A也增加,此為相關性;
因果是單向關係,A增加B也增加,但B增加A不一定增加,所以A是B的因,B不是A的因,此為因果性
- 相關的用途是預測與總結,因果的用途是優化與調整
生活常見的相關因果思維陷阱
一萬小時定律:某本書發現成功的天才都努力了一萬小時,所以鼓勵大家努力一萬小時就能成功,時間為必要因素,但非主要因素。
KPI的沒落:超級業務員每天打五通電話,所以對其他業務員的KPI設為打五通電話,電話數為必要因素,但非主要因素。
冰淇淋賣越多越多人溺水:核心的相關原因是氣溫,氣溫越高冰淇淋賣越多,也越多人去玩水,此為虛假相關。
如何避免思維陷阱
- 完整不遺漏且不重複的定義目標,
例如業績=電話數x拜訪轉換率x成交轉換率x每單金額
- 找出公式內每個因素的權重比,找出槓桿最大的優化。
其他統計常見思維與陷阱
隨機抽樣調查與偏誤:
隨機抽樣調查幫助我們在資源有限的情況下可以精準地找出統計答案,不需要大規模普查,但要小心很容易在母體抽樣時落入自以為隨機的非隨機抽樣。
典型例子為總統民調,某份雜誌對自己的訂戶隨機發送兩百萬份問卷總統民調,結果完全失準,因為忽略掉母體只侷限於自己的訂戶,而總統票選是全國人民。
避免方式為注意目標族群是否能完全代表抽樣母體,這樣才能做到真正隨機。
死者不會說話之倖存者偏差:
指沒被記錄到的統計資料被忽略了,例如商場POS只記錄到有消費的人,沒辦法代表整個地區的消費者,或是會員回客率沒辦法代表整體回客率,因為沒記錄到有消費但沒成為會員的人。
經典案例:二戰時,人們發現平安回來的戰機機翼跟機尾布滿了彈孔,所以一開始想要加厚機翼跟機尾去增加回來的機率,這有兩個錯誤:
1.忽略沒回來的戰機彈孔資料,也就是倖存者偏差,這也是通常這故事的重點。
2.邏輯錯誤,既然平安回來的條件是機翼機尾充滿彈孔,那就應該要讓彈孔盡量留在機翼機尾,而不是加強機翼的厚度。
小結:
統計是歸納的科學,是後照鏡,是相關性,它幫助了我在看待事情時更容易注意數據來源和數據樣本,避免被誤導,並且優先注意判斷事情是單純相關還是有前因後果,在很愛引用數據圖表的這個時代,加強媒體識讀的能力,也能夠在下決策時避免錯誤決定。