一个数字摆在你的面前，你是否能够真正的了解这个数字代表的真正含义？一组数据呢？数据的图形曲线呢？
不是所有的曲线都能够一眼看穿它真正的含义，在图形的背后必须有一个模型的思维在支撑你的想法。
中国GDP10万亿美元/年，这个数据到底什么意思？没有比较就不知道，你必须知道全世界的总GDP，美国的GDP，这个数字才有意义。
全球GDP第二，看起来很有意义。果然如此么？我们和美国差了将近40%，这是第一和第二的差距。
中国人腿长平均为1米，这个数据有意义么？没有那个厂商会把自己的裤长设定为1米，因为长了可以剪短，短了没法长了，厂家需要的是在那个区间里人最多，他要那个范围里最大值。
你可能会说，如果每个数据都要建立一个模型，那么模型太累了，我也顾不过来啊。
你可能想错了，模型的思维很简易，只不过看你需要的精度来确定你设计的变量到底有多少，变量越多越复杂，但是一些简单的数据分析，你只需要制定几个简单的变量即可。
比如最著名的谢林隔离模型，一个模型，4个数据，就几乎可以把所有的隔离图形的数据看的大致清晰。
模型要的是简化，能够最简单最极致，就不要复杂。你要看黑白黄红各人种的隔离，也不需要制定那么多个变量，可以先从两个变量来设计，然后慢慢看看简单模型是否就能解释现在的数据分布，如果可以，那么就无需复杂，如果不行，再慢慢的增加变量。
第一，设定一个最完美的范围。以隔离为例，在每个地方穷人和富人的比例基本一致。
第二，设定一个最糟糕的范围，一个地方要么全是穷人，要么全是富人。
第三，假设一个大概的接近现实的范围，比如一部分糟糕，一部分完美，一部分这个多一些，一部分那个多一些。
重点是看看第三个设定，这个设定能让我们准确的找到现实的落脚点。
这就和在综艺节目上猜商品的价格，我们知道最低价和最高价，现在是需要估计一个中间的大概价格，我们估出来的价格一定是比两端要更接近真实的价格的。
我们的估计是一定有个预设值的，这个预设值其实就是我们的类比，我们心里一定有一个我们觉着和这个商品类似的商品，而我们恰恰知道它的价格。
比如猜刚出的飞行汽车，我们肯定不会把它和飞机比较，因为飞机不属于个人用品，我们会把汽车进行类比，大概猜个价格，一旦真实的价格出现了，我们就知道这个飞行汽车到底和汽车有多少差别了，因为在现代社会，价格基本体现了价值。
回到模型，我们第三个设定最重要的意义，就是能够让我们能够马上类比出来，我们看到的数字和我们心里类比的现实，有多大差距。
这是建立我们世界观的一个重要发现，模型能够让我们通过数字，看清楚这个现实世界。
