《噪声》5：为什么流程比人强

1.临床判断明显不如机械预测，而复杂的机械预测往往并不比简单的机械预测好多少。

2.“想太多”弊大于利：想太多会大大增加你的判断噪声，通常不如按照几个简单指标、几条简单规则走标准化判断流程。

3.你应该关注判断的过程，而不是判断的结果。相信过程，走流程，是决策卫生的关键。

说一个最基本、最简单而且也是能最有效减少噪声、提高准确率的判断方法，「机械预测（mechanical prediction）」。你会被它的简单性和有效性所震惊，你会很奇怪为什么大家没有普遍这么做。然后你会意识到，这背后有个值得深思的处世哲学。

假设我们公司有两位新来的女高管，一个叫李薇一个叫于丽娜。她们都是搞行政的，岗位职责一样。她们都刚刚接受了一家咨询公司的评估，已知她们在五个能力维度上的得分是下面这样的 ——

请你判断，两年后，她俩谁的工作表现会更好？

王总说这很简单， 直接看平均分啊。李薇的平均分是 7.2 分，于丽娜是 6.8 分，那么显然是李薇更强。

孙总觉得不能这么算。李薇的各项指标比较平衡，但是于丽娜的表达能力非常突出，那可是满分 10 分啊！她俩担任的是行政管理职位，表达能力难道不应该比技术能力重要得多吗？我支持于丽娜。

而赵总则说，老孙你说的也不一定对。表达能力更重要，那只是你的直觉，不一定符合事实。我的建议是能不能用个统计方法，拿以往的数据搞个线性回归分析，看看到底哪些指标更重要，然后来个加权平均值 —— 重要的指标我们就多算一点，不重要的指标就少算一点。

这里孙总使用的基于个人经验和直觉的综合判断方法，卡尼曼称之为「临床判断（Clinical Judgement）」，而王总和赵总建议的、用一个公式计算的方法，就是机械预测。王总用的是简单模型，赵总用的是稍微复杂一点的模型。

你猜哪个方法好。

卡尼曼介绍了好几项相关的研究，结论是高度一致的，这里面有个普遍的规律 ——

临床判断明显不如机械预测，而复杂的机械预测往往并不比简单的机械预测好多少。

*

先说临床判断不如机械预测。前面的例子是一项真实的研究。到底李薇强还是于丽娜强？研究者请一群专业心理学家，调动各种他们认为有效的理论，做了综合的临床判断……结果专家的预测结果和实际绩效结果之间的相关系数只有 0.15。这意味着他们的判断也就比投硬币稍微好一点。

而有人用回归模型做数据分析，搞了一个计算加权平均值的机械预测公式，结果的相关系数则有 0.32。

这个研究不是孤立的。2000 年，有人综合调查分析了 136 项研究，其中包括各种主题 —— 什么黄疸病的诊断、服兵役的适应性、婚姻满意度等等 —— 结果是其中 63 项是机械预测更准确，65 项是机械预测和临床判断一样好，只有 8 项是临床判断比机械预测好。

而且别忘了机械预测比临床判断快得多，而且根本不需要相关领域的专家，可以说是省事省力省钱。

可是为啥呢？专家不是会具体问题具体分析吗？怎么还不如一个公式的水平高呢？

卡尼曼说，原因就在于专家的噪声太大。

*

回到开头那个关于李薇和于丽娜的判断。机械预测直接用公式计算得分，这听起来确实很生硬。也许有的人某一项素质就是特别好，就应该得到特别的关注。有的数学天才就是从小专攻数学，你总不能说因为他英语没学好就抹杀了一个天才吧？上大学不还有个保送渠道吗？专家具体问题具体分析，就是要识别这样的特例，进行复杂判断。

这个逻辑听起来没错，毕竟每个人的成长模式都不一样，不应该一刀切。

但是这种复杂判断的有效性被高估了。于丽娜的表达得分是 10 分，这能说明她是一个表达天才吗？你要知道天才是非常、非常罕见的。也许得 10 分的人很多，也许她那个 10 分纯属侥幸。孙总看见于丽娜的一个 10 分就押注给她，这是一个冒险的、不靠谱的判断。

你所以为的特殊情况，往往就是一般情况。

如果有一个比如说“渣男模型”说凡是这几个指标得高分的男生都很有可能是渣男，最好不要找他们做男朋友 —— 我相信每一个找到这种类型男朋友的女生，都会发自内心地认为自己那个男朋友是特例，说不是啊！我男朋友给我送过饭！他就是跟别人不一样！

其实你高估了“不一样”。你见过的人太少。你心目中的不一样正是模型眼中的一样。

这个高估可能来自自己的经历和记忆，比如觉得于丽娜特别像小时候看的某个电视剧里的女强人……而这恰恰是稳定模式噪声。

机械预测抹杀了所有这些“特殊情况”和“微妙考虑”，这可能会带来一些判断损失 —— 但是，机械预测没有噪声。

那么卡尼曼说，这些研究结果表明，那些所谓微妙考虑的收益，比不上噪声带来的破坏力。

再换句话说，就是“想太多”弊大于利：想太多会大大增加你的判断噪声，通常不如按照几个简单指标、几条简单规则走标准化判断流程。

*

机械预测有多好使呢？每个法官有自己的判断风格吗？有人就根据每个法官的判决风格给他们定制了一个线性预测模型。比如这个法官爱对惯犯重判，那他的模型就会给“是不是惯犯”这个指标更高的权重。研究者做了假想的判决：让法官的模型代替法官做判决 —— 结果如果你跟踪那些判决五十年，你会发现这些模型的判决比法官本人的判决更合理。

你的模型，都比你本人好。因为模型没有喜怒哀乐。

一个更有意思的研究对 847 名行政职位的候选人进行评估，就如同这一讲开头那样分成几项打分。结果发现，哪怕用非常简单的模型 —— 比如直接取平均 —— 也比专家的临床判断好。

而且研究者甚至发现，哪怕用简单到不合理的模型 —— 也就是*随机*决定几项指标的权重 —— 预测结果中也有 77%的模型表现比人类专家好。

用卡尼曼的话说就是“你几乎不可能制造一个比专家表现更差的模型。”

机械化操作就有这么大的好处。人的判断噪声就有那么大的坏处。

*

另一个规律是复杂的模型未必更好。

有人给的建议是不用把预测算法弄那么复杂，你就弄几个指标，每个指标分别打分，然后也不用考虑什么权重，直接算个总分就好。

为什么呢？因为这可以避免过度拟合。是可以搞个“多元回归分析”，利用现有的数据发现每个指标的最佳权重 —— 但是你对现有数据拟合得太好，反而会伤害这个模型的预测能力。你会放大数据里的误差，你会高估或者低估一些指标的权重。

当然还有个办法是用“人工智能”，也就是“机器学习”。这次我们不是考察几个指标，而是考察几百个指标，用*大*数据，能不能提升预测水平呢？

如果数据量足够大，这个的确可以。有研究表明机器学习预测犯人再犯罪率，比法官要准得多。

机器学习的预测表现也的确比简单模型好，但是并不会好很多。这是因为机器学习的预测能力也有个上限 —— 那就是「客观无知」。

*

可以总结一套机械预测方法了。不管你是在银行决定发放贷款也好，还是作为医生给人诊断病情也好，都可以使用这个方法。

第一步，是确定若干个评分指标。卡尼曼的建议是最好不要超过五个。

举个例子，「阿普加评分（Apgar Scale）」。这是麻醉学家阿普加1953年设计的一个判断新生儿是否健康的模型。他一共考虑了五个指标，分别是 ——

肤色

心率

表情反应

肌肉张力

呼吸

第二步，打分。给每个指标设定一个整数分数区间。

比如阿普加评分中每个指标可以打 0、1 或者 2 分。像肤色，全身粉红色就是 2 分；四肢是青紫色就是 1 分；如果全身青紫就是 0 分。

第三步，计算总分。也不用加权平均了，简单相加就行。

阿普加评分的满分是 10 分。那么这个判断系统规定，总分在 7 分以上就是健康；4 到 6 分就不太健康；0 到 3 分就是需要立即采取急救措施。

简单吧？现在医学界有些别的诊断，比如一些癌症的筛查，都是使用类似的打分系统。这个方法把复杂的决定分解成了几个维度上的简单判断。它容易操作，不怎么受医生经验和水平的影响，而且因为大大减少了噪声，准确性很高。

*

这个方法既然这么简单又有效，为什么没有普及开来呢？事实上现代医疗诊断中也没有完全使用算法，还是以医生自己的临床判断为主。更不用说像招聘、决定一个电影项目能不能上马之类的决策，都是应该用、而没有大规模使用这个打分法。

以前的研究者觉得这是因为决策者反感算法。现在最新的研究认为不是这样。

其实决策者能接受用算法判断 —— 但是决策者对算法的容忍度特别低。

如果人类判断错了，我们会说这很正常，人本来就经常犯错。但是如果算法判断错了，我们就会很恼火，我们就倾向于再也不信任它了。

这就好比说自动驾驶汽车。将来某一天，自动驾驶出事故的概率将会比人类司机要低 —— 但是我们能容忍人类司机出事故，我们不太能容忍自动驾驶汽车出事故。

我们认为犯错是人类的特权，机器没有权利犯错。

卡尼曼不打算向这个思想偏误宣战。卡尼曼的态度是我们无需把判断彻底交给算法，我们可以还是自己判断，但是我们模仿算法。

*

做判断应该“走程序” ——

你应该关注判断的过程，而不是判断的结果。

其实结果对错往往是不能立即知道的，甚至可能永远都不知道。你说当初大学选专业，你选的对吗？你现在也未必知道。你能做的，是每次判断的时候，使用最好的判断方法。

你要的是程序正义。只要你这个程序科学合理，你判断正确的可能性就会提高。所有关于决策判断的研究都是在改善程序，而不是在保证某一次判断的结果正确。

相信过程，走流程，是决策卫生的关键。其实日常做事也是这样。

《噪声》6：有谱才能靠谱

量化判断容易产生很大的噪声，最关键的就是一定要有一个参考尺度。这个尺度可以是主动设定的，可以是类似事物的基础比率，可以是排名决定的，也可以使用一个共同的参考框架。如果没有尺度，判断就会盲目。

精准而低噪声的判断力能让你成为一个“靠谱”的人。所谓靠谱，就是能够以一个客观的尺度，做出量化的、合适的判断。

多年前有个社会新闻是这样的。某公司办公楼的正面是一块大草坪，公司领导强调不要踩踏草坪，可是员工们总爱抄近路踩着草坪进出大楼。有一天，公司总经理在办公室的窗前看到，一个负责保洁的员工居然没有走直线，选择了绕过草坪进门。总经理非常高兴，立即宣布，奖励该员工一千元！

这就叫不靠谱。一千元相对于那个员工的工资来说不是小数。不让踩草坪这种规定如何愚蠢暂且不说，如果一个人因为这点小事儿就能得到重奖，那那些兢兢业业工作，做出实质贡献的员工又该怎么奖励呢？一惊一乍重奖重罚是非常土的管理方式，与其说是为了管理还不如说是老板在享受权力的乐趣。

当我们要把自己的认识、感受、情绪冲动转化为行动的时候，我们常常要决定这个行动的力度应该有多大。而我们非常不善于做这样的量化。

再举个例子。一个 79 岁的美国老太太到麦当劳吃饭，不小心把咖啡洒在了自己的脚上，烫了几个泡，被诊断为三度烫伤。老太太起诉了麦当劳，因为根据规定，麦当劳的咖啡温度应该是 65 摄氏度左右，而那天服务员没调好，达到了 87 度。

结果法庭判决麦当劳赔偿 270 万美元。

很多人看到这样的新闻会赞美美国的司法制度，说就应该罚这么狠，所以商家才必须好好服务、没有假货。但是你想过没有，如果犯个这么小的错误都会随时被罚那么多钱，这生意还能做了吗？其实“天价赔偿”在美国也是罕见的，这就是为什么它是新闻。

事实是天价赔偿不但不代表司法制度的优点，而且反映了司法制度的缺陷。这是噪声。

*

人的大脑能非常自然地、直觉地给判断分配数值。卡尼曼把这种操作称为「匹配（Matching）」。比如说，此时此刻，如果满分是 10 分，请问你的心情是多少分呢？你马上就能给个分数。你觉得现今中国思想界的活跃程度，相当于一年四季中的哪个温度呢？你大概张嘴就来。

而匹配有很大的噪声。卡尼曼举了一个非常重要的例子，每个企业管理人员都应该深思。

现在很多公司会使用一个叫做“360度绩效评估”的系统去评价员工的表现。这个系统把个人绩效分解成了很多方面，包括沟通技巧、人际关系、领导能力、行政能力……等等，员工周围的人，比如同事、上司、下属、包括员工自己、甚至可能还包括公司的顾客，都要在这些维度上给他打分，每一项最高 5 分。

你觉得这种评估合理吗？能真实体现一个员工的表现吗？

有人对360度绩效评估做过严格的研究，结论是悲观的。两个员工得分的差异，只有 20% 到 30% 可以归因于这两个人的表现差异 —— 剩下 70%-80%，都是噪声。

四分之一的信号，四分之三的噪声。这就等于说信号几乎都被噪声掩盖了，有极大的可能性表现比你差的同事得分比你高。

你能想见这里面有「水平噪声」。每个人的评分标准不一样，有的人认为 3 分代表“不错”，有的人认为 4 分都是低分；有的人对同事就是比较刻薄，有的人给谁都打 5 分。这里肯定有「稳定模式噪声」。一个严厉的上司可能偏偏就欣赏有一技之长的人，并且容忍他所有的缺点。这里面当然还会有「偶然噪声」，有个同事刚刚拿到奖金，看谁都是好人。

这个现象是大多数绩效评级都不能准确反映绩效。凭印象打分这种形式非常不靠谱。

不过打分毕竟还有个固定度数，5 分就是满分，不可能出现离奇的分数。

*

而美国法庭判决的罚款，则是没有度数的。刑事法庭判罚的刑期由法官决定，民事法庭判罚的罚款由陪审团决定，二者都有很大的任意性。像前面说的那种案子，罚款会由两部分组成，一个是赔偿性的，一个是惩罚性的 —— 天价罚金，就是来自惩罚性罚款。

这个思维是，啊，这件事儿实在太伤天害理了，我们必须给你一个惩罚。研究表明惩罚的冲动来自陪审团的愤怒。如果你让人用 0-6 分给自己的愤怒和想要惩罚的意愿打分，两个分数之间的相关系数高达 0.98 —— 几乎就是完美的。也就是说，陪审团越愤怒，想要给出的惩罚就越严重。

至少从噪声角度来说，这个愤怒和惩罚严重性之间的联系其实没问题。问题出在怎么*具体量化*惩罚的严重性上。

如果陪审团想要“严惩”，那请问到底罚多少钱才算是“严惩”呢？

这里面没有任何标尺。你可以罚一百万也可以罚一百亿 —— 你说罚多少就罚多少。

这可不是法律人的疏忽，这是美国法律的规定。法律不但不给陪审团提供罚款尺度指导，而且明确禁止向陪审团传达其他案件中惩罚性赔偿金的数额，不让陪审团有参考。这就等于说让陪审团完全凭着自己的正义感设定罚款。

而卡尼曼说，这种法律假设了一种人类不具备的能力。

在中国，一般的罚款都有个指导尺度，比如罚涉案金额的多少倍，罚公司年利润的百分之多少等等，大家都有个合理预期。美国没尺度。陪审团有时候真不知道该怎么罚，所以有时候真的能罚出一个不可思议的天价来。

怎么对待量化噪声呢？

*

第一个办法当然就是给一个尺度 —— 也可以说是给一个「锚」。

有研究表明，你只要跟陪审团说一句，不久前有个类似的案子，判的惩罚性赔偿是 150 万美元，陪审团立即就有数了。他们仍然是绝对自由的，他们可以判罚任意的数字，但是他们会以 150 万美元为基准上下浮动，不至于弄个 1.5 亿美元。

所以你跟人谈判，如果涉及到要量化什么东西，一定要先下手为强，给对方报一个对自己有利的数字，作为尺度参考。对方会被你影响的，而且是很大的影响。

反过来说，如果对方先报了数字，你要尽力避免被他影响。

*

第二个办法是寻求外部观点，找一找基础比率。

如果你对陪审团说，像这样的案子，过去两年中平均的罚款金额是 150 万美元，这就是一个非常有力的说辞，可以算的上是客观判断。

卡尼曼有个例子是这样的。朱莉是个女大学生，已知她四岁的时候就已经识字了，你能不能预测一下，朱莉在大学的 GPA（平均学籍点） 是多少？

正确的预测方法是先看一般大学生的平均 GPA 是多少，比如大约是 3.2。再看一般大学生最高的 GPA 是多少，大约是 3.8。朱莉四岁识字，说明比一般孩子聪明 —— 但是并不算“天才”那种级别的聪明，所以我们大约可以认为她的 GPA 会比平均水平高，比最高水平低。

这样你可以猜一个 3.2 到 3.8 之间的数字，比如说 3.6。这就是有章法的、靠谱的判断。

*

第三个办法是排序。应该把你要判断的事物先都放在一起，从高到低排列，然后再打分。

老张的技术水平到底应该给 3 分还是 4 分，你不一定能说准。但是老张和小王他俩谁的水平高，你容易看出来。相对判断总是比绝对判断的噪声小。

音乐比赛中选手的出场顺序对评分影响实在太大了，先出场有极大的劣势。科学的办法应该是让评委按照随机顺序看录像打分，而且一定要先把所有选手录像看完再统一打分。

比如你要给同事评分，噪声最小的办法是先把所有人从高到低排列，然后统一给比如说排在前 20%的人 5 分，后 15%的人 1 分……

有的公司就是这么干的。这样的确更公平，更能看出来到底哪些员工强、哪些员工弱。可是这个强制排名的做法也有很多弊端。

最大的问题是也许大家的表现差异并不像排名显示的那么大。也许这就是一个优秀的团队，每个人都不错。最差的老王也不比最好的小李差多少，那你凭什么给小李 5 分，给老王只有 1 分呢？这不太“狼性”了吗？这不影响团结吗？

所以一般的公司不会使用强制排名。强制排名又不好，主观打分又噪声太大，这就是为什么调查表明 90%的公司都认为绩效评估没啥用。那还有什么办法呢？

*

第四个办法是给一个「共同的参考框架（Common Frame of Reference）」。这个方法既避免了排名，又尽可能地让打分客观。

办法是这样的。还是在每一项评分上打 1 到 5 分，但是这回我们要详细规定，到底什么情况给什么分数。

比如一个评估餐馆服务员表现的共同参考框架是这么规定的：面对顾客时 ——

5 分，是哪怕顾客提出了不寻常的要求，也能尽量提供帮助；

4 分，是当顾客点的菜没有的时候，能够愉快地提供建议；

3 分，是听顾客只说一遍，就能准确记下来点了什么；

2 分，是跟顾客说话不够有礼貌；

1 分，是对顾客视而不见，跟别人聊天

你看有了这个框架，打分是不是就会精确很多，不同的人打出来的分数也会更加一致。

这个办法的缺点在于它对判断者的要求比较高。你必须仔细学习打分的规则，才能做出可靠的判断。对很多公司来说，让人花这么大工夫搞绩效评估未必值得。

*

总结来说，量化判断容易产生很大的噪声，最关键的就是一定要有一个参考尺度。这个尺度可以是主动设定的，可以是类似事物的基础比率，可以是排名决定的，也可以使用一个共同的参考框架。如果没有尺度，判断就会盲目。

那我们考察一下日常生活中的种种判断，就有问题了。人们常说要「加大力度」干什么什么，对什么什么行为要「严惩不贷」，要「大力推进」什么什么……这些都是什么意思？「你放手去做吧」是说要钱给钱吗？又或者「组织是你的坚强后盾」是给钱又给人吗？

当然，一定的模糊性往往能给说话的人保留更多的主动性。不过我们自己做判断做决定还是应该尽可能地精确量化。什么叫靠谱，关键是得有个谱。

孔子说「以德报怨，何以报德？」意思就是君子做事千万别就考虑眼前这一件事儿，你得考虑这件事儿会让别人对你有个什么样的预期。为此你必须把一些其他的事情、发生在别人身上的事情跟这件事儿放在一起考虑，给一个不大不小恰到好处的反应力度。如果张三伤害了你你还对他好，李四帮助你你反而抱怨他，那你的噪声就太大了。