再牛的企业家也有判断失误的时候

正文

请到「今天看啥」查看全文

CBR： 人们对“偏差”的敏感程度日益加深，也理解偏差对判断带来的影响，基于纠正偏差、消除歧视也产生了一系列的法规和机制，但对于非统计学专业人士而言，很少有人会将判断错误归因于“噪声”，甚至要严格区分“偏差”与“噪声”也十分困难，对于企业管理者而言，承认“噪声”的存在有什么意义？

《噪声》作者： 偏差是一种可以预见的方向错误。不是所有错误都源自偏差。当人们被期望就某个目标达成一致，而到头来他们却产生了严重的分歧，此时这些判断就存在噪声。

一个测量的例子可以最好地说明“偏差”与“噪声”的区别。比如，你放在浴室的体重秤，每次测出来都偏重一斤，这就是“偏差”，也很容易纠正，只要每次在显示的体重的基础上减去一斤就可以了。但假如有一台秤，你连续三次站上去结果都不一样，三个数值之间存在微小的差别，且这个差别是随机的，这就是“噪声”。

偏差和噪声，即系统偏差和随机离散，是误差的不同组成部分，为了做出正确的决策，组织需要同时与偏差和噪声作斗争。

CBR： 在您日常接触的硅谷科技公司的创始人和高管中，他们通常采取什么样的措施减少决策过程中的噪声？

《噪声》作者： 我们日常不会接触硅谷公司，不过，通常而言，认真对待噪声的组织倾向于制定决策流程，以减少噪声对个人决策的影响。一种减少噪声的方法我们称之为决策卫生，另一种方法是用算法代替人类做决策。

CBR： 算法在其中发挥着怎样的作用？

《噪声》作者： 无论算法的质量如何，相对于人类判断，算法还是具有巨大的优势的——算法消除了噪声。算法在做出决策时，不存在心情好坏，也不受客观环境的影响。这也是为什么人工智能算法在许多应用程序中发挥着举足轻重的作用。即使是依据简单规则搭建的算法模型，在做决策时也往往比人类更可靠。

当然，这不是说我们要用算法替代人类。首先，这不可能。其次，算法有时会产生偏见和歧视，这将导致运用算法减少噪声得不偿失。第三，哲学意义上，即使一种算法在多重指标上的表现都优于人类判断，我们可能还是想要人来负责算法。

基于以上三个原因，《噪声》一书并非倡导“人类决策是糟糕的，必须用算法取代它”，这本书研究的是，“人类决策是有缺陷的，我们该如何提高决策的准确性？”为了实现这个目标，我们应该尝试模仿没有噪声的机器决策。

CBR： 有判断的地方，就有噪声，尤其当涉及到个人对个人的判断，比如面试、绩效评估、人才选拔/淘汰上，噪声数量和危害尤甚，对管理者而言，如何跨出解决问题的第一步，您有什么好的建议？

《噪声》作者： 第一步是正视噪声问题。也许迄今为止，你都没有思考过噪声对决策的负面影响，是时候研究一下噪声问题有多严重，存在多大的风险。我们可以通过噪声审查来评估系统中的噪声。在噪声审查过程中，几名专业人员对同一案例做出独立判断，我们可以在不知道真实值的情况下测量噪声。

以人事决策为例，我们可以询问几名专业人员对某个应聘者的看法，或他们对某位员工表现的评价，由此评估人事系统的噪声，前提是，我们必须确保专业人员独立做判断，且结果互不干扰。

请到「今天看啥」查看全文