Don't Miss

決策者須學會與雜訊共存 (車品覺)

By on July 21, 2021

本文作者車品覺,為紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員,為《信報》撰寫專欄「全民大數據」

每個人的噪音源頭皆不盡相同,可能源自情緒,又或許是突如其來的訊息,簡單如昨晚睡得不好。(Freepik網上圖片)

每個人的噪音源頭皆不盡相同,可能源自情緒,又或許是突如其來的訊息,簡單如昨晚睡得不好。(Freepik網上圖片)

上期提到諾貝爾經濟學獎得主、87歲高齡的丹尼爾.卡尼曼(Daniel Kahneman),早期專門研究行為經濟學,其新作《雜訊:人類判斷的缺陷》(Noise: A Flaw in Human Judgment),讓筆者對未來數字經濟倍感擔憂,基於大量數據所衍生的人工智能(AI),也許會因雜訊而扭曲,成為錯誤判斷的罪魁禍首。

現實生活中亦充斥雜訊,有用的訊息與噪音夾雜一起,無奈也要從中作出抉擇或篩選。筆者以女兒近期升中面試的親身經歷為例,學校安排考生面試的先後順序、面試老師的安排、試題設計,再加上遠程面試時,畫面與聲音的質素等,每一個環節都有機會釀成面試的雜訊。可想而知,儘管學生成績相若,惟要在競爭激烈的Band 1學校取得一席位,沒有點兒運氣是不可能的。同一道理,時常在科創比賽擔任評委的筆者覺得,隨機性的影響也很大,評委要在短短10分鐘內挑出尖子,參賽者的出場次序,以及他們在短時間內吸引評委選擇性注意力(selective attention)的能耐,均起了決定性作用。

現實生活中亦充斥雜訊,有用的訊息與噪音夾雜一起,無奈也要從中作出抉擇或篩選。(Freepik網上圖片)

現實生活中亦充斥雜訊,有用的訊息與噪音夾雜一起,無奈也要從中作出抉擇或篩選。(Freepik網上圖片)

丹尼爾在《雜訊》裏提出公式:錯誤判斷=偏差+噪音。他認為,偏差屬於系統性的錯誤,比較有跡可尋,也相對容易糾正,可是噪音則不一樣,它是分散的,方向不一致。每個人的噪音源頭皆不盡相同,可能源自情緒,又或許是突如其來的訊息,簡單如昨晚睡得不好。就因此而做成的錯誤判斷來說,意味着你可以透過盡量減少噪音來避免發生錯誤。他進一步提醒讀者,要應對雜訊的滋擾,依靠的並非沉默,而是積極加強對噪音的認知與捕捉。出色的決策者應該善於自我剖釋,了解進行決策時的普遍性弱點,並通過設立有效的分析方法來強化自身在決策中的紀律性,避開雜訊和偏見的干擾,以免做出各種不理智的決定。

基於大量數據所衍生的人工智能,也許會因雜訊而扭曲,成為錯誤判斷的罪魁禍首。(新華社資料圖片)

基於大量數據所衍生的人工智能,也許會因雜訊而扭曲,成為錯誤判斷的罪魁禍首。(新華社資料圖片)

筆者從事數據分析行業多年,其實在每一次進行分析之前,八成時間都會花在清點及處理噪音,這又稱為數據清洗(Data Cleaning)。可能是職業養成的習慣,每當在生活中遇上重大決策時,筆者都會先靜下心來問自己,當前情況的決策邏輯是什麼?訊息來源是否可靠?尚有多少噪音存在?然後才盡量選擇可量化的分析框架。

就旁觀者來看,可能會覺得筆者太過理智,其實剛好相反,筆者是在刻意改變自己性格上太隨心的弱點,也可以說分析師這份職業改善了筆者的人生。根據《原則》的作者達里奧(Ray Dalio)所言,我們要成功就先要成為專業犯錯者,懂得從錯誤中學習;假如跟丹尼爾的主張結合起來,就是專業犯錯者必須學會如何與雜訊共存的思考能力。

根據《原則》的作者達里奧(Ray Dalio)所言,我們要成功就先要成為專業犯錯者,懂得從錯誤中學習。(Freepik網上圖片)

根據《原則》的作者達里奧(Ray Dalio)所言,我們要成功就先要成為專業犯錯者,懂得從錯誤中學習。(Freepik網上圖片)

(編者按:車品覺著作《覺悟.大數據》現已發售)

歡迎訂購:實體書、電子書

更多車品覺文章:

支持 StartupBeat

如欲投稿、報料,發布新聞稿或採訪通知,按這裏聯絡我們