「如果你不能理解，就不能改變。」

— 艾文斯（Eric Evans）

要改善一個系統，先得了解它目前運作得如何。困難在於：你不能讓世界停下來讓你慢慢量。系統必須在運作中被分析——本章探討如何拆解、量測、解讀。

拆解#

「完美中無法產出新東西。每個過程都涉及把某物拆解。」

— 坎伯（Joseph Campbell）

複雜系統包含許多相互依賴的流動、存量、流程與部件，整體一次看完會踩到認知範圍極限。**拆解（Deconstruction）**是把複雜系統切成可理解的子系統，逐一研究後再串起來。

拆解時要關注：

• 觸發點與終點：什麼啟動子系統？什麼結束？
• 條件式：哪些 if-then 規則影響運作？
• 流動圖：用流程圖比文字更清晰

別忘了相互依存——子系統不是孤立存在的。

量測與關鍵績效指標#

「上帝面前可信，其他人請帶資料來。」

— 戴明（W. Edwards Deming）

量測（Measurement）幫助你避開缺席盲視——糖尿病患者必須測血糖，否則直到昏迷才會發現問題。但量太多會被資料淹沒，所以要找關鍵績效指標（Key Performance Indicators, KPIs）。

易測量未必重要。「程式碼行數」常被誤當生產力指標——好工程師的重寫常是「砍掉一萬行」。再加上激勵偏差，KPI 抓錯，整個系統就被推往錯誤方向。

商業常見 KPI 對應五項基本職能：

• 價值創造：流入速度有多快？
• 行銷：多少人關注？多少人允許你後續聯繫？
• 銷售：多少潛在客戶轉為付費？平均終身價值多少？
• 價值交付：服務一位客戶要多久？退貨/客訴率？
• 財務：利潤率？購買力？是否充足？

每個系統限制在 3–5 個 KPI，必要時再深挖數據。

Garbage In, Garbage Out#

「謹守起點，結果會自動安排好。」

輸入垃圾就輸出垃圾：低品質資料只能得出低品質分析。輸入決定產出的上限——飲食、團隊、原料、訊息來源都一樣。

容忍度與變異#

• 容忍度（Tolerance）：可以接受的「正常誤差」範圍。100% 可靠並不存在；越緊（如「五個 9」99.999%）通常越貴，留給最關鍵子系統。
• 變異（Variance）：資料的波動程度。光看平均沒用，要建立統計過程控制（statistical process control）——典型值加上下限。
  • 突破上限或連續多日逼近上限，才是可採取行動的訊號。
  • 對於難以全部測試的產品，追蹤客訴/退貨/保固請求的變異，能搶在大規模問題爆發前介入。

分析誠實#

當量測會影響你的社會地位時，準確性會被犧牲。作者在 P&G 發現網站訪客數量被機器人灌水，但業務單位不願換更準確的系統，因為新系統會讓 KPI 大幅下降，看起來變差——他們選擇繼續活在謊言裡。

找一個對結果沒有利害關係的第三方稽核 KPI 與分析方法。

你不一定喜歡聽到的結果，但至少能避免確認偏差與激勵偏差扭曲決策。

脈絡、抽樣、誤差幅度#

• 脈絡（Context）：「這個月營收 20 萬」是好是壞？看上個月、看支出才能判斷。任何單一數字本身沒有意義。別愛上「魔術數字」儀表板。
• 抽樣（Sampling）：系統太大或太複雜時，從輸出中隨機抽樣作為整體代理。抽血檢驗、密探客（mystery shopper）都是抽樣。但樣本必須隨機與均勻，否則會偏差（在曼哈頓抽樣量「美國平均收入」會嚴重失真）。
• 誤差幅度（Margin of Error）：樣本越大、誤差越小、結論越可信。聽到任何「平均」「機率」時，先問樣本怎麼來、有多大。

比率與典型性#

• 比率（Ratio）：兩個量度的相對關係。常用如：
  • 廣告報酬：每花 1 美元廣告帶回多少營收
  • 每員工利潤
  • 成交率：每位來客中有多少購買
  • 退貨/客訴率
• 典型性（Typicality）：用「平均、中位數、眾數、中距」描述「正常值」。
  • **平均（mean）**易受極端值左右——巴菲特讀《華爾街日報》就會把讀者「平均淨值」拉到 150 萬美元，並非真正典型讀者
  • **中位數（median）**較不受極端值影響
  • **眾數（mode）**找資料群聚熱點
  • 中距（midrange）：(最高+最低)/2，快速估算但易被異常值扭曲

相關不等於因果#

「相關不是因果，但確實是個提示。」

— 塔夫蒂（Edward Tufte）

• 心臟病患者一年吃 57 個培根起司堡——起司堡是元兇？
• 但他們也沖了 365 次澡、眨了 560 萬次眼——洗澡眨眼會引發心臟病嗎？

相關（Correlation）≠ 因果（Causation）。你的廣告與銷售上升 30% 同時發生，可能是巧合（鎮上有展會、學校放假、餐廳同時推促銷 ⋯⋯）。要證明因果需隔離變因；複雜系統中變因太多，因果通常難以證實。

基準、代理、區隔、人性化#

• 基準（Norms）：用歷史資料提供脈絡（季節性比較）。改了量測方法就不能再用舊基準——蘋果橘子比不得。也別假設「過去有效就會永遠有效」。
• 代理（Proxy）：難以直接量測時，用相關度高的另一個量測。電磁波長代理太陽溫度、滑鼠位置代理使用者注意力（CMU 研究：滑鼠經過區域與眼動注視重疊 84%）。
  • 代理必須真的與目標相關，否則「程式碼行數」就會成為陷阱。
• 區隔（Segmentation）：把資料切成有意義的子群——按過去行為、人口統計、心理特質。
  • 「本月訂單成長 87%」很模糊；「90% 來自西雅圖女性」就能行動。
• 人性化（Humanization）：把資料轉成真人故事。客服等待從 10 分鐘降到 8 分鐘是「20% 改善」嗎？對掛在線上的憤怒客戶來說，仍是糟糕體驗。
  • 用「人物誌（persona）」把資料具象成虛構但鮮活的人，「Wendy 會喜歡這個嗎？」比抽象統計更能驅動決策。

數字本身只是工具，分析的最終目標是回到真實人類體驗——這才能避免你優化指標時忘了客戶到底在想什麼。