Nicole Torres 與 Scott Berinato（HBR 資深編輯，著有《Good Charts》）對談整理。
開場：2016 美國總統大選之夜#
那一晚《紐約時報》提供即時預測——一個半圓形儀表（gauge），像汽車油表，需要持續更新：
- 指針往左：Hillary Clinton 機率高
- 指針往右：Donald Trump 機率高
- 但指針不停劇烈抖動（jitter）
觀眾以為是統計機率即時劇變，焦慮飆升。
抖動其實是為了表現「統計預測中的不確定性」而硬寫的視覺效果，不是真的代表機率在變。立意良好——同時呈現即時變化與不確定性——但執行失敗，讓人困惑與不安。
「不確定性」其實有兩種#
1. 統計不確定性（statistical uncertainty）#
「這是我的數值，統計信心 95%」——例如民調的誤差幅度。
常見視覺工具：
- 盒鬚圖（box-and-whisker plot）：盒子顯示第 1、3 四分位距，盒中橫線是中位數，鬚線顯示資料範圍，點代表離群值
- 學界有許多變形，但一般觀眾很少看得懂
2. 資料不確定性（data uncertainty）#
不是「數值 + 信心」，而是只知道在某個範圍內。例：
- 估計從「1/2,000 到 1/4,500」
- 估計從「1/5,500 到 1/8,000」
目前沒有公認、正確的方法來呈現這類不確定性。它是當代資料視覺化最重要的挑戰之一。
為什麼視覺化不確定性這麼難？#
視覺化的本質是把抽象的「數字、統計」變具象——用「長條、點」代表「20%」。但一個點看起來那麼確定，怎麼用它表達「100 次裡有 5 次答案會落在別處」？
於是很多人乾脆不呈現不確定性，因為太難——但這是危險的。
舉例需要傳達不確定性的場合：
- 醫療：療法的結果不確定，病人需要知道整個範圍而不只是最可能或最不可能
- 疫情建模：最壞、最可能、最佳情境
- 天氣與颶風預測
一些可用的方法#
- 用**長條（bar）**表現不確定範圍
- 實線顯示均值，虛線顯示上下界
- 用色彩飽和度或漸層表現「越來越不可能、但仍在可能性內」
機率本身對人腦也是難題#
「80% 機率」是什麼感覺？大腦無法直觀感受。它看起來很可能會發生，但若沒發生，那不代表你錯了——只是 20% 那一邊發生了。
統計很怪：
- 「20%」與「1/5」嚴格說來相同
- 但人腦覺得「1/5」比較具體、比較可能會發生
- 「1/5 人犯罪」會讓你想像那一個人——「我們會把分子畫面化」
- 「20%」不會犯罪，它只是統計數字
那 20% 真的發生了，怎麼辦？#
對遭遇罕見壞事的人說「依照當時的機率，那是正確的建議——只是你運氣不好」是非常困難的。
商業也一樣：事後說「我們的模型錯了，不可能的壞事發生了」其實不對——大家從一開始就在傳達這種小機率存在的可能。人類就是難以接受這件事。
為什麼選舉預測讓人覺得被誤導？#
選舉模型有三個交織因素：
- 10 天前候選人 10% 機率勝選，最後勝出 → 不代表模型錯，只是不可能的事發生了
- 我們把選舉視為二元結果（這人贏 vs. 那人贏），所以難以理解「80% 機率」這種說法
- 每天更新機率——候選人說錯話，機率就降；對手機率就升。觀眾誤以為自己看的是「反映候選人最新表現的指標」，像支持率而非預測
對企業的啟示#
隨著資料科學在公司越來越重要，主管要面對的不只是單一答案，而是整個結果範圍——既有統計不確定性，也有資料不確定性。
如果不協助上司理解不確定性：
- 上司會把「最可能」當「就是答案」
- 失敗時就把責任歸咎於「模型錯了」
實務建議#
- 呈現「最可能」沒問題
- 但永遠不要省略可能結果的範圍
- 如果說「有 90% 成功的機率」、實際失敗，老闆應該明白「這不是你錯了，而是踩到了 10%——擲骰子的「snake eyes」」
對腦袋來說這很難，但對於投資資料驅動策略的公司來說，這是必須學會的。