一位資深量化分析師曾告訴 Thomas H. Davenport：「我有模型強烈顯示這批房貸很多會違約，我也把報告送給房貸業務主管了，不知道為什麼我們沒把它們從帳上處理掉。」業務主管的回答是：「就算他給我看，我也看不懂。」這家美國大型銀行最後因此賠掉數十億美元。
為什麼經理人不能再把分析全交給專家#
我們已身處大數據（big data）時代，分析能力是企業的競爭必需品。但只有資料、只有 quants（量化分析師）並不夠，組織還需要能夠和 quants 有效協作的一般經理人，才能把模型轉化為更好的策略與戰術決策。
像 Caesars Entertainment 的 Gary Loveman、Amazon 的 Jeff Bezos、Google 的 Sergey Brin 與 Larry Page 那樣本身就懂分析的領袖屬於少數。一般經理人的數學底子可能只剩一兩堂大學課，會用 Excel、看得懂長條圖與圓餅圖，但面對統計分析就感到力不從心。本章正是寫給這群人——「非 quant 的分析消費者（consumer of analytics）」——的入門指南。
核心心態：把自己當成「分析的消費者」#
你的任務不是製造模型，而是提出假設、判斷結果在不斷變化的商業環境中是否合理。這是 quants 通常做不好、卻又最關鍵的一塊。
要扮演好消費者的角色，需要做到下列五件事。
1. 學一點分析的基本功#
如果大學統計還記得個大概，恭喜你；如果忘光了，至少要重拾以下基本概念：
- 迴歸分析（regression analysis）
- 統計推論（statistical inference）
- 實驗設計（experimental design）
並理解每個分析模型都建立在「假設」之上，這些假設應由 quants 解釋與辯護。著名統計學家 George Box 說過：「所有模型都是錯的，但有些是有用的」——模型刻意簡化複雜世界，因此它的限制必須被攤開來討論。
提升資料素養的方式：
- 報名高階主管的統計課程
- 上線上課程
- 親自和組織內的 quants 一起做專案
Cigna 的臨床營運副總裁 Jennifer Joy 採取了第三條路。她有護理學位與 MBA，但對分析不熟悉。當她意識到客服中心的厚厚報告無法回答「電話輔導真的能讓病患少進醫院嗎？」這個關鍵問題時，她直接找上 Cigna 的實驗設計專家，與他們合作執行配對隨機試驗（pre-matched random assignment）。如今她每年跑 20–30 個這類測試，被同事評為「非常具有分析導向」。
分析決策的六個步驟#
非 quant 應特別關注第 1 步與第 6 步，中間步驟交給數字人，但要全程多問問題。
- 辨識問題或疑問 — 釐清決策或業務問題的框架，並考慮其他可能的框架方式。
- 回顧既有發現 — 找出曾解決類似問題的人與他們用過的方法。
- 建模並選擇變數 — 對變數如何影響結果提出具體假設。
- 蒐集資料 — 收集主要資料與次要資料。
- 分析資料 — 跑統計模型，評估其適切性，必要時迭代。
- 呈現並採取行動 — 用故事方式向決策者與利害關係人傳達結果，促成行動。
2. 找對的 quant 結盟#
Intel 決策工程組的 Karl Kempf 被稱作「首席數學家」，他常說：「有效的量化決策不是關於數學，而是關於關係。」quants 與資料消費者只有在建立深入信任、能自由交換訊息與想法時，效果才會好。
- quants 不一定擅長社交，但要找出**能溝通、且熱衷解決商業問題（不是數學問題）**的 quant
- 建立關係後，刻意鼓勵坦白對話與基於資料的異議
Bank of America 的零售策略主管 Katy Knox 監督 5,400 多家分行、5,000 多萬客戶。雖然銀行有上百名 quants，多數集中在共用池子難以調用，她堅持擁有自己的分析團隊，並透過頻繁會議與專案回報建立關係，特別是與兩位有零售銀行與六標準差（Six Sigma）背景的隊長 Justin Addis 與 Michael Hyzy 緊密合作。她開了先例後，銀行為消費金融分析師建立了矩陣式組織。
3. 聚焦在頭尾兩端：問題框架與結果溝通#
開頭：問題框架（framing）#
「假設」其實只是「對世界如何運作的直覺」，這正是經理人經驗與直覺最派得上用場的階段。分析思維的差別在於，用嚴謹的方法來檢驗這個直覺。
Transitions Optical 的母公司高層懷疑公司行銷投入不夠，但沒有實證支持。當時的行銷主管 Grady Lenski 沒有停在「成本是否過高」這種二元問題，而是請外部顧問衡量不同活動的成效——這個更具建設性的框架，比原本的問題深入許多。
結尾：把結果說成故事#
quants 常忽視這一步，因此非 quant 必須補上：
- 你想用什麼樣的故事？敘事的、視覺的？
- 用什麼語氣與語言？
- 你喜歡什麼樣的圖表？
別讓報告變成「我們先跑卡方檢定，再把類別資料轉成順序型，接著跑邏輯迴歸，再把經濟資料延後一年」這種統計方法流水帳，這種報告不會被接受。
許多商業人偏好 ROI 故事——新模型如何提高轉換率、營收或獲利。Merck 一位全球事業單位主管會在分析前先和分析團隊討論：**如果結果顯示促銷高度成功、有限度成功或失敗，我們各自會採取什麼行動？**確保分析不是學術練習。分析後再請分析師到管理會議桌前，當面辯論結果。
4. 一路上多問問題#
前美國財長 Larry Summers 曾擔任量化避險基金顧問，他形容自己的主要工作是「從旁邊看著肩膀」——對聰明的 quants 提出同樣聰明的問題。許多 quants 之前從沒被這樣質問過，他們其實需要一個有水準的資料消費者來協助他們把工作做得更紮實。
幾乎一定會帶來更嚴謹分析的問題清單：
- 你的資料來源是什麼？
- 樣本能多大程度代表母體？
- 資料分布是否含離群值（outlier）？它們如何影響結果？
- 分析背後有哪些假設？什麼條件會讓假設失效？
- 你為什麼選這個分析方法？還考慮過哪些替代方案？
- 自變數真的造成應變數變化的可能性有多高？是否有其他分析能更清楚建立因果關係？
Deloitte 美國 CFO Frank Friedman 說：「跟我合作的人都知道，我什麼都會問、總是在問。問完之後，他們知道得回去重做某些分析。」他也強調：「我從不假裝是會議裡最聰明的人。如果我自己講不清楚，我就無法替他們向別人辯護。」
5. 建立「追求真相」而非「為立場找證據」的文化#
千萬不要對 quants 說：「幫我從資料裡找一些可以支持我想法的證據。」這種要求會立刻摧毀分析的客觀性。
Merck 商業分析主管的說法是：「我們的管理團隊希望我們像瑞士一樣中立，我們只為股東工作。」
- 鼓勵分析師唱反調（devil’s advocate）
- 主管自己公開承認過去錯誤的假設與決策
Caesars 的 Gary Loveman 解釋：「所有組織都會傾向取悅領導者，所以必須刻意培養把想法與人分開、並要求嚴謹證據去比較不同想法的環境。」他常以自己的失誤為例——剛上任 CEO 時不忍開除不接受分析導向的物業主管，結果證明這是大錯。他用這個故事告訴大家：他自己「有時候很糟糕、考慮不周」的觀點，跟別人的一樣需要客觀檢驗。
結論：把藝術與科學結合#
Warren Buffett 曾說：「小心那些帶著公式來的怪咖（geeks）。」
但今天你已經沒有迴避的本錢，必須把分析的科學與直覺的藝術結合起來。
對比本章開頭那家賠掉數十億的銀行，再看看 Toronto-Dominion Bank（TD）：CEO Ed Clark 擁有經濟學博士學位，而且要求所有經理人都必須理解公司依賴的金融商品背後的數學，這讓 TD 在 2008–2009 金融危機期間成功避開最危險的結構性產品。前零售銀行主管 Tim Hockey 也堅持以對照組（control group）系統地測試延長營業時間的效果，發現確實能帶來更多存款後才推行。Ed Clark 的話：「我們不是完美的，但沒人會說我們沒在跑數字。」
你的組織不一定要像 TD 一樣，CEO 也不一定是 Ed Clark；但這不影響你自己成為傑出的分析消費者，並為公司其他人立下標竿。