為什麼資料越多，決策卻可能越糟？#

擁有海量資料、頂尖工具與嚴謹方法，仍可能做出糟糕決策——尤其資訊過載時，人會走捷徑。

在某些情況下，資料與分析反而讓事情變糟。

心理學家、行為經濟學家發現許多認知陷阱（cognitive trap）：人不會仔細處理每筆資訊，反而依賴「啟發法（heuristics）」——簡化的決策捷徑，讓我們在不確定或分析成本太高時還能決策。但啟發法會帶來系統性錯誤，且通常我們渾然不覺。

本章聚焦三個最常見的認知陷阱。

一、確認偏誤陷阱（The Confirmation Trap）#

我們會更注意支持先入為主的發現，忽視反向或不明確的模式。

當資料量大、變數間存在無數可能相關時，這個傾向特別致命。

經典案例：Minnesota Coronary Experiment#

  • 1960 年代後期到 1970 年代初，研究脂肪攝取對心臟健康的影響——這是設計嚴謹的研究之一
  • 結果長年未發表，因為與研究者及醫學界的信念衝突
  • 直到 2016 年（超過 40 年後），《BMJ》才出版基於原始資料的分析，挑戰了「飽和脂肪導致心臟病」的長期建議

在公司內，確認偏誤更難避免：員工往往受到老闆與同儕壓力，只挑出「老闆想看到的證據」，自我審查報告內容。

對抗確認偏誤的方法#

  • 事先寫死資料與分析方法，避免事後挑選對自己有利的發現
  • 主動找推翻自己的證據——問「如果我錯了，資料應該長什麼樣？」
  • 找懷疑論者協助、刻意指派人扮演 devil’s advocate
  • 不要自動忽略未達顯著水準的發現——大標準誤的關係或精準測量的小效應，都可能挑戰你的假設
  • 指派多支獨立團隊分析同一資料；若結論不同，分離並研究歧異點是錯誤、方法不一致還是偏誤
  • 把發現視為「預測」並真的去測試（例如用實驗驗證一個你認為公司可受益的相關性）

二、過度自信陷阱（The Overconfidence Trap）#

行為研究者 Max Bazerman 與 Don Moore 在《Judgment in Managerial Decision Making》中稱之為「所有偏誤之母（The Mother of All Biases）」。

我們總認為自己判斷的精確性、或計畫成功的機率比資料顯示的更高——尤其是因過去成功而升遷的高階主管，整個職涯被正向訊號餵大。

為什麼它特別危險#

  • 阻礙我們質疑自己的方法、動機、溝通方式
  • 導致對資料與分析投資不足——「我已經懂了」就懶得多花錢、多做分析
  • 更多資料反而會強化過度自信，但不見得提升準確性

對抗過度自信的方法#

  • 描述「完美實驗」：如果資源無上限、可量任何變數，你會怎麼做？再對比現有資料，找出差距
  • 把「自我反駁」變成正式流程：Daniel Kahneman 在《Thinking, Fast and Slow》中建議——對每一次分析都問「它可能在哪裡是錯的？」
  • 執行 Pre-mortem（事前驗屍）：心理學家 Gary Klein 的方法——啟動專案前，請熟悉專案的人想像它一年後失敗了，並寫下失敗的故事，藉此提早暴露盲點
  • 追蹤自己的預測 vs. 實際結果：定期回顧，避免相同偏誤再次潛入

三、過擬合陷阱（The Overfitting Trap）#

Nate Silver 在《The Signal and the Noise》中稱之為「你從沒聽過、卻最重要的科學問題」。

當你的模型給出意外的洞察時，也可能只是過擬合（overfitting）——模型描述的是隨機雜訊，而非真正的關係。過擬合模型「對過去解釋得驚人地好，對未來預測得驚人地糟」。

  • 2008 年推出時被譽為流感預測的創新
  • 早期演算法在數百萬個搜尋詞中找與流感的相關性
  • 詞太多 → 一些「看似顯著」的相關其實只是巧合（「高中籃球」與流感高度相關？）
  • 幾年後因預測失敗而被下架

對抗過擬合的方法#

  • 資料切兩份：訓練集（training set）建模、驗證集（validation set）測預測——若訓練集表現極好但驗證集崩盤，就是過擬合的警訊
  • 與確認偏誤同理——事先寫好你想測什麼、怎麼測
  • 保持分析簡單：先驗證重要、邏輯清晰的假設；對無法用經驗或常識排除的相關保持警覺；記住「資料永遠不會自己說話，必須靠人解讀」
  • 建立替代敘事（alternative narratives）：同一份資料還能說出別的故事嗎？若可以，你就還沒掌握真正的關係
  • 警覺人類在隨機資料中看到模式的傾向。例：打擊率 .325 的選手在某場系列賽零安打，教練看了像是「冷期」想換人——但只是少數比賽，統計上仍應留他在打線中，而不是換上前一場 4 安打的 .200 打者

從偏誤到更好的決策#

資料分析能促進一致的決策、揭露盲點、提供風險與報酬的證據——但也會讓人鬆懈。

經理人必須認識這三個陷阱，並主動以流程與認知策略抵禦它們。

認出自己的偏誤很難，但用對的心態與程序積極對抗，就能換來更好的分析與更好的決策。