决策中未知项的思考

（图片来源：摄图网）

作者|王智远同学 来源|王智远(ID：Z201440)

如果你能知道决策的最终结果，那选择就简单许多，可是，决策之所以难，关键在信息不完善；假设你正在考虑换工作，下一步该做什么选择，就存在很多选项，比如：

不难看出，假设深度思考，会发现选择无穷尽，我们怎么办呢？类似现象下，你可以尝试这四种方法。

▍利弊清单成本收益

首选思考框架是“利弊清单”（pro-con list），分别列出做决策后可能带来的“好处与弊处”，然后进行平衡，这种方法在一些简单场合管用，但有不少缺点。

就像，如何知道清单中可选项有多少？好处和弊端拥有同样权重，怎么办？单独看利弊，相互关联，又怎么办？

所以，它会导致出现“隔墙草更绿心理”（grass-is-greener mentality），也就是，我们在心理上更注重积极因素（例如，更绿的草）而忽略消极因素。

比如：

金融学生，毕业后会踏上风险投资的职业生涯，如果你列出利弊清单，发现好处多多（有机会跟各种级别创始人，改变世界，获得高额投资回报，以高杠杆方式加入创新公司）。

可是，假定你是内向型人格，上述诸多选项并非好事，你可能要面临各种社交活动、承担别人没有的心理负担，甚至，进入某个领域，你大部分时间都会花在困境的公司上。

虽然风险投资职业的确不错，但他不代表“你一定适合”，唯有随着时间推移，经验增长，你的选择与职业生涯才会更加清晰。

你肯定听说过一个说法，“如果手里只有锤子，那么，一切看起来都像钉子”，就是这个意思；决策模型中的锤子就是“利弊清单”，它在某些情况下管用，但面对极为复杂、后果严重的事，就需要用更其他方法。

在你所列出的清单中，适当给选项加入一些数字，用-10到10给它们打分，以表示每个选项在你心中的价值（好处给正分，弊端给负分）。

比如：

换工作时，事少（+5分），离家远（-3分），钱多，加（10分），这样下来，每个选项不再是同等权重，要是多个选项关联，你也可以把它们组合起来打分。

是不是看起来更轻松一些？

只要将内心博弈的每个选项，优缺点加起来，依照最终得分，就会推进决策效率，这是一种简单的成本收益分析（cost-benefit analysis）。

当情况再复杂时，怎么办呢？

你只需要把对应分值换成人民币数（例如-100元，+500元），这样一来，将成本和收益相加，最终就能估算出某个选项的价值。

比如：

考虑买房，写下该付的钱（首付、过户费），以后要付的钱（按揭贷款、物业费、维修费、房产交易税...），还有未来卖方时希望获得的回报，然后把这些加起来，可以估算你的长期收益（损失）。

但是，利弊清单原理和它（成本收益分析）一样，很难详细计算出每一项收益和投入，有一个好办法，你可以跟做过类似决策的人聊聊，请他们指出你忽略的选项。

就像，当年我跟其他邻居聊过后发现，室内安装一个非常大的空调，师傅无法从电梯运输上去，必须用吊车，所以，这么做的好处，你能知道哪部分是无形的。

但是，列出无形成本和收益似乎有点奇怪，日常你也不可能计划如此巧妙，怎么办？

你可以用“终局思维”以折现率（PV = 现值present value，C=期末金额，r=折现率，t=投资期数）的方法进行衡量。

利弊分析难点，最终对折现率敏感。

这是一种比较实用的方法，把自己要投资的成本、折现率比放一起，然后按照时间维度计算，就能看出是否有增值可能。

比如：

感性分析面：去某个小公司待两年，两年能拿到多少钱，是否有成长、晋升可能，两年后出来，是否有机会去更大平台，还是面临年龄大，失业可能。

整体一衡量，大概能估算出，两年后自己折算下来，价值上升还是下降，不过，上升下降的看法围绕“最初目标”会发生变化，假定一开始，你已经计划好两年后创业，那可能在小公司更锻炼自己。

理性分析面：以5万元的债券为例，你只需要改变下折现率，就能算出净收益，这种分析法有助于我们用终局思维，按照比较合理的折旧率，算出净收入处在哪个范围内。

请注意，折现率越高，未来受益打折就越多，最终价值（受益）也会大打折扣；为了提高假设准确性，我们需要花时间找出那些关键要素，并且一起开始要想好，出发目标是什么。

关健要素就是“可选项”。

关于利弊成本分析，需要牢记一点，成本收益（利弊清单）是否有用，取决于你输入的数字，如果你不能把所有可选项变成数字，把数字变成金钱对照折现率来算，那就无法做出概率评估。

换言之，我们应该把内心博弈的选项、中间影响选项的关键要素找出来，变成分值，如果分值替代不了，就用现金值，然后基于2年、5年后的某个目标进行折现率分析。

那成本收益分析（利弊清单），就是帮助你做决策的一流参考模型。

▍决策树算概率

理想很丰满，现实很骨感，多数情况下，你的选项与相关成本、收益都不是很清晰，甚至，潜在结果不确定性太大，以至于一开始你也很难弄清楚关键要素。

比如：

我目的希望夏天游泳季节到来前，把泳池设施弄好，现在有两个承包商报价。其一，来自以前用过的泳池维修团队，报价高达3元。

其二，报价低一些只要2万元，不过该团队只有一个人，我之前没有跟他打过交道，而且这人看起来，似乎有点不厚道。

我觉得，他只有50%概率能准时（1周内）按照报价完成合同，如果未完成，会出现25%概率拖延一周，加收300元人工费，20%概率拖延两周，加收600元人工费，5%概率拖延3周以上，还需要返工，总共加收1000元的人工费用。

怎么办？

我可以用决策树（the decisiontree）来衡量这件事，它是一幅示意图，看起来像一颗倒着的树，能帮你分析不确定的决策，通常树干是决策点，树叶代表可能出现的不同结果。

现在，将每个潜在结果出现的概率及金钱，全部加起来，就能算出每个承包商的预期值（expected value），根据潜在结果算出的总数，就是我要为承包商支付的价格。

不管怎么说，从决策树和最终期望值出发，即使当中存在不少潜在问题，我们仍然可以处于理性的，站在时间周期、金钱投入双角度做选择。

决策树纳入这些额外值，可以有效地“计入”（price in）额外成本，因为这些数不仅包括需要支付的钱，还有心理效应，所以，我们也把它称为“效用值”（utility values）。

效用可能与实际价格脱节。

即使两样同样价格的东西，你仍然会觉得其中一样，比另一样价格高，就像你喜欢的乐队演出，同其他相同价格的乐队比起来，你更愿意看自己喜欢的乐队。

事实上，效用存在一种功利主义（utilitarianism，）哲学思想。它的观点是，能为所有相关人士带来最大效用的决策才最符合道义。

不过，作为一种哲学思想，难免存在许多弊端。

首先，如果涉及多人决策提升了整体利益，但利益在所有人之间分配不均，这个决策看起来就会不公平，就像生活水平的提高，不意味着收入平衡。

其次，效用值难以估算。如果只考虑哪个决策能最大限度地提升整体利益，那么功利主义是非常有用的哲学模型；不管怎么说，存在多种概率结果的情况下，决策树有助于你弄清该怎么做。

不妨想想保险：

你该选择保费低、自付额高的保险、还是选择保费高，自付额低的保险？这取决于预期的医疗水平，以及能否承担发生概率小，需要自负很多钱的意外情况。

换言之，你觉得身体健康，未来不可能有大病，自然保费低比较合适；你认为未来可能会出现某些大问题，自然是后者。

诚然，考虑不太可能发生但后果严重的情况，决策树特别管用，因此，发生这种事的实际成本，远远高于自付额的成本；另外，这类分析中，也要注意小概率的“黑天鹅事件”（black swan events）。

所谓黑天鹅，即重大后果的极端性事件（例如最终造成巨大的经济损失），但它出现后的概率，要比你最初预期的高得多。

▍已知与未知‍‍‍‍

对于未知项，我们也可以从简单的2×2矩阵出发，构想这四类知道或不知道的东西，此概念在1955年，由心理学家约瑟夫·卢夫特（Joseph Luft）和哈灵顿·英厄姆（Harrington Ingham）提出。

当你更系统地考虑风险（例如项目可能存在的风险）时，这个模型特别管用。

正如你看到的，先列举属于上述四个类别的事物，然后努力将它们变成“已知的已知数”。这个模型关注的是，尽可能全面了解某个情景，它类似于系统思考。

拿生孩子举例：

通过阅读书籍，你知道孩子刚生下来的头几周会很难熬，你需要请假，购买汽车安全座椅、婴儿床、尿布，等等（这些都是已知的已知数）。

你还知道，孩子的吃和睡（或者不吃不睡）可能是个问题，但在孩子呱呱落地之前，你都没法确定他们的喜好（未知的已知数）。

你可能还不知道需要“将孩子裹进襁褓”，但护士或家人很快就会告诉你，将这个“未知的未知数”变成“已知的已知数”；此外，还有一些事根本没人知道，甚至想都没想过，例如你的孩子会不会有学习障碍，等等。

面对“未知的未知数”怎么办？

有个相关模型能给我们提供多角度，它就是情景分析，也称为情景规划（scenario planning），用于更深入思考未来的事情上。

▍多角度情景分析

它得名于分析可能出现的不同情景。听起来挺简单，实际上却很复杂，因为，考虑未来可能出现的情景相当困难，全面思考它们的可能性和后果更是如此。

怎么办呢？

常规情况下，为更好地进行情景分析，我们必须构想合理但不同的未来，最终得出几种可能出现的情景。

这个过程非常困难，你喜欢抓住脑海里蹦出的第一个念头。但这往往是根据当前（现时）情况做出的直接推断，而不会向自己的前提假设发起挑战。

要向自己的前提假设发起挑战，有一种技巧很管用，列出可能发生的重大事件，然后推测它们可能造成的影响，有些事件可能毫无影响，但有些事件会构成你应该深思的情景的基础。

第二种畅想未来情景的技巧叫作思维实验（thought experiment），它指，只在你思维中进行实验，也就是在现实世界中不会发生。

最著名的思维实验是“薛定谔的猫”（Schrödinger's cat）。

简单来说，你的箱子里有只猫，如果放射性原子在刚刚过去的一小时内发生衰变，猫就会被毒死。

该思维实验提出了一些看似无法回答的问题：你打开箱子观察猫之前，它是死是活，还是像量子力学的某些解释暗示的那样，介于死活之间？

实验具体怎么用？

你可以提出“如果……会怎么样”的问题，就像，如果预期寿命延长40年会怎么样？如果资金雄厚的竞争对手，抄袭我们的产品，会怎么样？如果我选择转行会怎么样？

也可以针对过去发生的事提出“如果……会怎么样”的问题。这称为反事实思维（counter-factual thinking），也就是想象过去发生的事与实际发生的相反。

如果我接受了那份工作会怎么样？如果我上了另一所学校会怎么样？如果我没有做那份兼职会怎么样？

但关键在于，重新考虑自己过去的决定时，不光要考虑，如果你做了其他选择可能带来的积极后果，也要考虑连带作用，蝴蝶效应提醒我们，微小的改变可能会带来连锁反应。

提出“如果……会怎么样”的问题，有助于进行创造性思考，更宽泛地说，这是与横向思维（lateralthinking）有关的众多技巧之一。

横向思维是“跳出固有框架”（thinking outside the box），另一种实用的横向思维技巧是在形成想法时增加随机性。这种思维能帮你从一个想法横向跳跃至另一个想法，与批判性思维（更多的是评判你面前的想法）恰恰相反。

比如：

你可以从周遭环境中随机选择一个对象，然后试着以某种方式将它与你此刻的想法联系起来，该过程中回催生新的想法。

不过，无论你使用哪种技巧，独自一人进行情景分析都会很困难，寻求外部意见会带来更好的结果。但是群体效应会产生一定认知偏差，或从众效应，那么，该怎么办？

值得注意的是，它与聚合思维（convergentthinking）恰恰相反，聚合指的是，积极尝试让思维聚焦到某一个解决方案上。

如同：

召集大家开个会，但不是进行“头脑风暴”，只是过一遍情景分析的目标，然后将大家解散。

此外，你身边的人可能拥有和你类似的特质，你应该跳出日常交际圈，以便尽可能多地获取横向思维和发散思维。

有一种方法是积极寻找不同文化背景的人，叫做创意众包（crowdsource），也就是从任何想参与的人（群众）那里寻求（外包）建议，这通过互联网很容易实现。

众包在很多情况下非常有用，从征集新闻线索到为维基百科增加词条，再到解决企业和政府面临的实实在在问题。

例如：

2009年，在线流媒体服务网站网飞（Netflix）举办的比赛中，众包研究人员，就击败了网飞自己的推荐算法。

诚然，只有当集体知识储备多于你原本拥有的知识，利用群体智慧才有意义，跟靠自己一个人做决定比起来，利用群体智慧能帮你做出更明智的决定，“群体”也能帮你在各类情境下，进行系统思考，获取新数据和新想法。

还有一种方法，你也可以找那些“反复做出准确预测的人”请教，这点也许有些难度。

不过，《超预测》一书作者，菲利普·泰洛克（Philip E. Tetlock）研究成千上万参与者后发现，能够准确做出预测的人，基本具备这几种特质：

首先，脑力至关重要，在垂直专业领域研究很深，付出诸多实践，可以随着时间推移不断迁移自我能力；经常团队合作又倾向独立思考，向自身观念发起挑战。

其次，能够审视过去，审视类似事件出现的概率，然后评估当前出现的可能性，避免基础比率谬误，最终敢于花时间，根据获得的信息，不断修正自己，避免证实偏差。

这种人很难找，你想想看，能预测市场，加上一定经验且思维敏捷，咖位一定不低。

总结一下：

决策中所有问题，不过是概率问题，如果你能把一件事，围绕设想的目标逐个拆分，进行分析；我想，行动中运气不会太差。

编者按：本文转载自微信公众号：王智远(ID：Z201440)，作者：王智远同学