数据化决策- 第4部分

　　　　艾米丽的例子证明，简单的方法也可以产生重要成果。她的实验比绝大多数科学杂志上发表的简单多了，但是简单的实验给她的发现提供了强大的支撑力量。《美国医学会杂志》的编辑乔治·伦德伯格说，该杂志的统计学家〃都被它实验的简单性、结果的清晰性迷住了。〃

　　　　也许你会认为艾米丽是个神童，因为即使作为成年人，我们中的绝大多数人都很难想到这样聪明的量化方法。但艾米丽坚决否认这一点。当我修订本书第二版时，艾米丽正是心理学专业大四本科生，而且就快毕业了。她各科平均成绩是3。2，相当平庸，所以她认为自己只是个普通人。而且她确实碰到过那些期望遇到〃在11岁就发表论文的天才〃的人。她说：〃这对我来说很艰难，因为这些人认为我应该是火箭般蹿升的科学家，当发现我如此普通时，他们很失望。〃在和她谈过话之后，我认为她有点过于谦虚了。但她的例子雄辩地证明：如果绝大多数管理者试着进行那些看似不可能的量化工作，将会取得巨大成果。
第13页　：
　　　　我曾多次听过这样的说法：应该避免使用诸如控制实验这样的高级量化方法，因为管理者不懂。卡通画家斯科特·亚当斯半开玩笑地指出，只有最没有竞争力的人才会被提升，而这似乎是在假定所有的管理者确实都被迪尔伯特法则（工作最没效率的员工被自动推向他们能造成破坏最小的岗位。——译者注）控制了。艾米丽，请把你的实验解释给他们听吧。

　　　　质量和创新究竟能为企业带来多大的收益？

　　　　商界该如何量化一个以前从未量化过的〃无形之物〃？这里有一个有趣的例子，就是麦特信息基础架构（MitreInformationInfrastructure，MIL）系统。该系统是在20世纪90年代晚期由麦特公司开发的，后者是一个为联邦机构提供信息工程和信息技术咨询的非营利组织。MIL是一个提高部门合作力的知识管理系统。r米r花r书r库r ；www。7mihua。com

　　　　2000年，《首席信息官》（CIOMagazine）杂志曾发表过一个关于MIL的案例。该杂志通常会派一个记者单独完成案例中的所有艰巨工作，然后邀请社外专家写一篇叫做《关键分析》（CriticalAnalysis）的专栏文章。当案例涉及价值、量化、风险等方面的问题时，该杂志经常请我写专栏意见，因此我也受邀写MIL的案例。

　　　　这篇案例文章引用了麦特公司首席信息官阿尔·格拉索的话：〃最重要的收益是不能被简单量化的，我们的解决方案能提高质量，实现创新，所有的信息都唾手可得。〃但是我在专栏文章中提出了量化质量和创新的简易方法：

　　　　如果MIL真的提高了传递信息的质量，就会影响客户对企业的看法，并最终产生利润。因此，可以随机询问一些顾客，让他们给使用MIL系统之前和之后的信息传递质量打分就行了，但要保证他们不知道哪个在之前哪个在之后，看看提高了的质量是否使得他们在近期购买麦特更多的服务。

　　　　和艾米丽一样，我建议麦特公司不要下阿尔·格拉索那样的结论，如果质量和创新确实吸引了更多顾客，难道就没人感觉到吗？他们难道就分辨不出任何差别？如果在一个盲测中被试者者不能分辨在实施MIL之后的〃高质量〃或〃更多的创新〃，那么顾客满意度或者利润就不会有什么差别。如果顾客确实能分辨出MIL比以前的系统强，那你就可以考虑下面的问题了：提高的收益是否能弥补2000年的700多万美元的投资？和其他所有事情一样，如果不能检测出质量和创新给麦特带来的收益，就说明这两者根本无关紧要。麦特现在和过去的雇员都跟我说过，我的专栏文章引起了公司内部的大讨论。但是，他们对任何检测质量和创新的措施仍不关心。记得首席信息官说这将是MIL最重要的收益，但他们仍不展开任何量化工作。
第14页　：
　　　　从量化大师身上能学到什么？

　　　　埃拉托色尼、费米和艾米丽给我们展示了和商界极为不同的东西。首席执行官经常会说：〃我们不能一开始就对某件事情猜测。〃他们认为不确定性是永远无法解决的。当和这些不确定性打交道时，他们宁愿被震慑得一动不动，也不愿意尝试做一些量化工作。面对这种情况，费米或许会说：〃是的，有很多事情你确实不知道，但是你知道什么？〃

　　　　其他管理者或许会反驳：〃如果不花几百万美元，根本没法对那种事情量化。〃因此他们不愿意进行一些小研究，因为这些小研究虽然花费很有限，但比大型调研工作更容易犯错误，可这种减少不确定的量化工作出的结果也许值几百万美元。埃拉托色尼和艾米丽也许会指出，有效量化可以告诉你以前不知道的事情，包括预算问题，如果你多一点点创造力、少一点点害怕的话。

　　　　埃拉托色尼、费米和艾米丽以不同的方式启发着我们。埃拉托色尼无法估算误差，因为估计不确定性的统计方法在2000多年后才出现，但如果他有计算不确定性的方法的话，只需测出两个城市的距离以及阴影的倾角是否存在不确定性，而这也很容易计算。幸运的是，我们现在有了可以减少误差的工具。量化的概念是〃减少不确定性〃，而且没有必要完全消除不确定性，这是本书的核心观点。

　　　　我们从恩里科·费米那里学到了与此相关但又不同的内容。费米获得了诺贝尔奖金，是精通实验和理论的物理学家。但是费米问题显示了如何量化初看十分困难甚至无法估测的事物。对于没有获得诺贝尔奖金的人来说也是如此，虽然对各种高级实验方法的掌握有助于解决问题，但我认为无形之物之所以看起来不可量化，绝不是因为缺乏复杂的量化手段。在商业领域，通常看起来不可量化的事物常常有非常简单的

　　　　量化方法，只要我们学会怎样看透迷雾即可。在这个意义上，费米给我们的启示就是，我们怎样确定目前的知识状态，然后以此为基础展开进一步量化工作。

　　　　和费米的例子不同，艾米丽的例子基本上和初始判断无关，因为她的实验对抚触疗法的疗效没有任何先入为主的假设。她的实验也没有使用精妙的算法来代替不可行的量化。她的计算仅仅基于标准抽样方法，并不需要更进一步的、像埃拉托色尼的简单几何学计算那样的知识。但是艾米丽确实展示了有用的、不算复杂而且也不昂贵的量化方法。而且，理解她的实验绝对不会比理解诸如抚触理论、战略整合、员工授权、加强沟通等〃短命概念〃（EphemeralConcepts）难。
第15页　：
　　　　和这些课程同样有用的是，我们将在此基础上进一步完善费米的方法，学习怎样评估某事物的不确定程度。而其中一些抽样方法在某些方面甚至比艾米丽使用的还要简单。还有一些简单方法，甚至可以让埃拉托色尼不用环游地球就能提高计算地球周长的精度。

　　　　给出以上这些例子后，我们奇怪为什么还有人相信某些事物是不可量化的。实际上，只有很少的论据蛊惑人们相信一些事物不可量化。在第3章，我们将讨论为什么这些论据都是缺乏说服力的。
d米d花d书d库d ；http：//www。7mihua。com