噪声数据诱发叙事
叙事谬误是把噪声中的偶然模式编成连贯因果故事;随机股价图配上新闻后,受试者会更确信判断。故事顺畅不等于关系真实,解释数据前可检验随机数据是否也能支持同一叙述。
主题对照
比较不确定条件下的风险偏好、基准率、结果分布、确认偏差与选择过载,关注证据如何影响判断。
叙事谬误是把噪声中的偶然模式编成连贯因果故事;随机股价图配上新闻后,受试者会更确信判断。故事顺畅不等于关系真实,解释数据前可检验随机数据是否也能支持同一叙述。
确定收益7400美元低于75%获10000美元的期望7500美元;确定损失7400美元与75%损失10000美元的期望损失7500美元。偏好确定收益、厌恶确定损失可使A+D=-100、B+C=+100,差200美元(原文误称2000)。框架会改变风险选择。
患病率0.1%、敏感度99%、健康者误报率1%时,百万人约有990个真阳性和9990个假阳性;阳性预测值为990/(990+9990)≈9.0%。原书漏将真阳性计入分母,误写为9.9%;检测结果须结合基准率。
少量历史点可被复杂曲线完美拟合,但拟合不能证明未来仍服从同一结构。预测模型隐含规律稳定的假设,结构突变可能使表现骤降;历史数据无法单独验证这一假设。
中位生存期把群体分布压成一个位置:右偏分布中,一部分人可能远超中位数。它便于概括群体,却不是个体命运;解读风险时还应查看完整分布和尾部。
确认偏见是把既有结论带入新分析,并更容易注意或接受支持原假设的证据,甚至可能在反面证据压倒性时仍坚持旧判断。它不同于从噪声中编出连贯故事:前者偏向筛选证据,后者偏向组织解释。检验分析时,可先写下什么观察会推翻自己的假设,再主动寻找这类证据。
增加样本通常能缩小随机误差,但前提是分布与抽样假设合适,而且新增数据确实改善要处理的错误。若漏掉致命疾病的代价远高于一次误报,收集能降低漏报的数据可能比单纯扩大样本更有价值。数据工作应先明确误差类型、代价和分布假设,再决定增加什么数据。
选择集合扩大不只增加比较工作,还可能让人拖延、放弃选择,并降低事后满意度;更多可选项因而不必然改善决定。设计数据界面或决策流程时,可先呈现与当前目标最相关的少量选项,再允许用户按需展开,避免把筛选成本全部转嫁给决策者。
选择最可能结果只适用于各类错误代价相近的目标。若错误提示会造成尴尬等负效用,决策应结合结果概率与正负价值,最大化期望效用;因此模型输出相同,应用场景和代价不同也可能应采取不同动作。
汇总曲线应同时显示置信区间,帮助读者判断均值估计的不确定性。样本很少时区间可能很宽;区间窄只表示估计更精确,不能单独证明无偏或结论有效。
住房价格绝对跌额受基数影响:高价房跌额较大;按危机前基期计算相对变化,低价房跌43%、高价房跌9%。绝对额与相对率回答不同问题,应并看。
均值把整组房价压缩成一个数,可能遮住不同价格段的走势。逐月计算10%到90%的价格分位数,再分别按初始值指数化,能同时比较分布位置和相对变化;本案例中低价住房较早见顶、相对跌幅更大。
不同城市起始房价差距很大时,将每条价格序列除以各自初始值,可以把曲线置于共同基准,比较其相对变化,而不是混淆绝对价格水平与涨跌路径。展示指数时仍应保留原始价格视图,以免比例变化掩盖实际金额差异。
完全分割会使经典逻辑回归系数趋向无穷;弱信息先验可将极端估计收回有限范围,同时保留更大的不确定性。使用先验时还应检查它是否只缓和问题年份,而未不必要地影响其他估计。
参访几家知名公司得到的办公环境和文化印象,不能代表所有创业企业。作者提醒,所访的Uber、Airbnb、Coursera属于成功的少数,同时也见到资源有限的小团队,更多公司则已失败。由此可以推论:评价创业环境时,应留意没有进入参访名单的失败样本。原文没有给出可核实的失败率,也没有进行统计抽样。
参访知名公司容易只看到幸存者:被安排参观的Uber、Airbnb、Coursera本来就是“金字塔尖”,同一环境中还有大量采用不同做法却已失败、因而不会进入观察样本的团队。把标杆公司的办公方式、文化或管理动作直接解释为成功原因,会混淆“成功者具有的特征”和“导致成功的特征”。借鉴前应主动寻找失败样本、基准公司与适用条件,再判断做法是否可迁移。
评估一个技术方案时,”能不能做”和”值不值得做”是两个独立的问题——很多方案在纯技术上完全可能,却因为团队缺乏相关经验、许可证成本、硬件依赖、监管限制等现实约束而并不可行。可执行的做法是把这些现实约束拆成具体问题挨个检查:团队熟悉这套方案吗,公司或行业之前有没有类似先例,需要哪些许可及其费用,能不能说服执行官为此投入。只讨论技术上的”可能”而跳过这些现实检查,是方案在推行阶段忽然卡壳的常见原因。
面对组织未必批准、但你认为正确的行动,先斩后奏和事前请示都要付代价。先斩后奏要求自己能兜住失败,否则会让上司难以自圆其说,损伤已有信任;事前请示则可能被拒绝,也可能显得把责任推给别人。关键不是寻找标准答案,而是想清楚自己更能承受哪种代价,并主动承担选择后果。
领导者会持续收到改进和扩展建议,照单全收会让共同认知越来越臃肿。奥卡姆剃刀在这里是一道过滤器:一条建议只有在开销、质量、时间中的某一维有实质增益,且不拖累其他维度时,才值得吸纳。发散:清晰的认知不是靠收集更多意见形成的,而是靠有原则地拒绝多数输入。
面对一堆同时冒出来、看似都紧急的事情,判断该放下手头工作去处理哪一件,一个可操作的检验标准是自问:”如果我不处理这件事,会有哪位高层因此对我不满吗?”答案是否定的,说明自己在如何、何时处理这件事上还有相当大的自由度;答案是肯定的,就该立刻切换过去,把附带损失降到最低。这个检验之所以有效,是因为它把模糊的”重要性直觉”换成了一个具体、可反复复用的外部参照点,避免每次都要重新纠结优先级排序。
一旦管理者在心里给某个员工打上”不服管”“老油条”的标签,这个标签本身就会开始扭曲后续的判断——大脑习惯用无意识的直觉快速下结论,而第一印象会像船锚一样把之后所有的解读都固定在那个负面框架里。更关键的是,员工能敏锐地察觉到管理者心里的这份预设,一旦感受到”我被认定有问题”,绩效面谈就会被当成走过场的官僚仪式,起不到任何作用。破解这个循环的起点不是找方法”搞定”这个员工,而是先主动检查自己有没有被锚定——坚持”每个人当下的选择都是他能想到的最好选择”这个前提,才有可能打开真正有效的沟通。
判断和决策是两件不同的事:判断是根据现有状况和数据,从多个候选方案里筛出相对最优的一个,是分析层面的工作;决策则是在判断之后以明确态度拍板”就这么办”,需要承担这个选择带来的后果,是责任层面的行为。人在两难之际的迟疑,往往不是判断没做完,而是不敢承担决策的责任。发散:把”我还没想清楚”和”我不敢拍板”分开看待,能帮自己诚实定位卡住的真正原因——前者需要更多分析,后者需要的是勇气而非更多信息。
定量数据更客观,但收集成本也更高。是否继续追求精确,不看能否拿到数据,而看决策重要性和紧迫程度是否配得上成本。发散:任何”再等等数据”的场景,都应比较精确度的边际收益和调研成本。
把方案完全交给对方选择,看似中立,其实转嫁了决策成本。基于真实分析给出倾向,反而能推动事情前进。发散:负责任不总是保持中立,有时是敢于亮出判断;接收方也应默认每份信息都带立场。
点击箭头逐层展开,点击卡片标题查看详情。路径上下文仅用于连接层级,不计入主题卡片数。
来源书籍
书籍类型:知识图谱
29 张卡片
来源书籍
数据科学实践类。全书虽为多作者案例集,但整体围绕真实数据项目的定义、获取、清洗、分析、建模、呈现与治理,符合端到端数据科学实践的判定范围。逐项对照必答维度:
书籍类型:未标注
类别清单尚未核对
229 张卡片
来源书籍
书籍类型:未标注
71 张卡片
来源书籍
书籍类型:未标注
53 张卡片
来源书籍
系统架构类
书籍类型:工程实践
清单覆盖 3/7
57 张卡片
来源书籍
系统架构类
书籍类型:工程实践
清单覆盖 7/7
424 张卡片
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类
与 1 张主题卡片存在结构化链接;来自相同书籍;属于相同分类