在过去，企业常常基于碎片化的信息，或过分依赖已有的经验，因而难以做出有竞争力的战略决策。然而，进入数字化时代，我们每天接触与处理的信息更加丰富，却依旧不知该如何厘清其中的内在逻辑。那么，企业在做决策时，究竟是该利用经验还是利用数据呢？
在近日举办的中欧DBA（工商管理博士）博学沙龙上，中欧战略学及创业学助理教授郭薇对此发表洞见。在她看来，尽管依靠经验可以快速做出判断，但人类的认知偏差还是会对决策造成不同程度的影响，“企业依然需要通过数据的驱动，来做出更加理性与科学的决策。”
01
你的直觉与经验靠谱吗？
现在很多企业在做报表的时候，都喜欢用很漂亮美观的图表。但如何把这些图表中的数据抽丝剥茧，形成有价值的信息或知识，反而变得越来越难。
甚至我们会发现，有时候这些数据会变得很片面，且需要花费大量精力去消化。最后，很多企业还是重新回到起点，用直觉和经验来做出判断。为什么会这样？主要还是因为用这种方式有一个最大的好处，那就是快——对于企业来说，时间是最宝贵的。
比如，企业在做决策前，一般会进行市场调研，他们先派人出去收集数据，之后再把这些数据整理出来做成图表，这个过程所花费的时间和精力显然是巨大的。但企业出于效率的考虑，需要做出快速的决定，因此很多情况下会直接采用直觉与经验。
当然，凭借直觉与经验也有其自身的问题，即这种决策方式的不确定性很高。比如，一家企业无法判断这些过往的经验在未来或新的场景中是否还适用。更重要的是，我们总是会有一些认知偏差——高估了自己的判断，而低估了事实原本的样貌。
图表来源：郭薇教授演讲PPT
来看以下两个问题，你们会如何选择？
Q1
点击空白处查看答案
字母K作为第一个字母出现还是作为第三个字母出现的概率大？
A：作为第一个字母出现的概率大；
B：作为第三个字母出现的概率大。
答案：B
Q2
点击空白处查看答案
有人身患致命疾病，现在有两种治疗方案，你会选择哪一种：
方案A：有%概率挽救人的性命；
方案B：有33%的概率可以救个人，但有66%的概率所有人都会死。
答案：或许他们根本没有区别
A.*%=
B.33%*+0%*0=
02
五种常见的认知偏差
上述两个问题，大家是否都答对了呢？实际上，我们在做决定的时候，可能会出现各种各样的认知偏差。只不过很多时候，我们不一定能意识到它们的存在。一般来说，我们常见的认知偏差有以下几种：
1
可利用性偏差（Availabilityheuristic）
指人们往往根据认知上的易得性来判断事件的可能性。由于人们记忆或知识的局限，往往会利用那些容易记起或自己熟悉的事进行判断。比如，你多次坐飞机都遇到了延误，并经常从朋友那里听到相似的事，你很可能就会认为国内的飞机延误率很高。但事实并不一定如此，我们还是要通过大量的数据收集，来看看整体的概率问题。
2
可利用性层叠（Availabilitycascade）
指如果一件事越是经常被公众谈论，其真实性就被认为越高。比如，媒体中经常会出现的恶性事件，其中有一些发生的概率其实很低，但经过多家媒体的争相报道，我们就会觉得这件事很严重，甚至几乎每一天都在我们身边发生。
3
锚定效应（Anchoringeffect）
指人们在对某人某事做出判断时，易受第一印象或第一信息支配。一个很经典的例子，一些卖场在出售货品时，经常会在真实价格上面划掉原价（比如实际上卖8.7元的东西，价格牌上会划掉“9块9”的原价）。这就相当于在消费者心中下了一个“锚”，让人们认为自己比原价买得便宜，购买的概率因此会高很多。
4
知识的幻觉（Illusionofknowledge）
指人一旦知道了某件事，就没办法想象不知道的样子，也很难体会到不知道的人的感受。心理学学者曾经做过一个实验，他们招募了一群喜欢看NBA的大学生，并将其分为两组。A组得到了某球队的命中率、胜负场等比赛数据，但他们并不知道球队信息；B组则不仅得到了比赛数据，还获得了球队的名称、历史、球员关系等更为充分的信息。
那么问题来了，如果预测这支球队的下一场表现，哪一组的预测会更准呢？从结果来看，是获取信息更少的A组。这是因为，A组获得的信息仅仅是数据，相对客观；而B组则额外获得了其他信息，无法避免地加入了主观且个人的情感，因而产生了“幻觉”。
5
禀赋效应（Endowmenteffect）
指当个人一旦拥有某项物品，那么他对该物品价值的评价要比未拥有之前大大提高。也就是说，人们在决策过程中对于利害关系的权衡是不均衡的。比如，人们在出售自己的物品时，往往会索要过高的价格，这一点在房地产交易中体现得十分明显。
03
冰淇淋卖得越好，犯罪率越高？
既然人类拥有如此多的认知偏差，仅仅依赖直觉与经验显然无法做出理性的判断。因此，企业依然应该需要通过数据的驱动来进行决策。数据驱动的决策（DataDrivenDecision-making，DDDM）是指根据实际数据而不是仅仅根据直觉或观察做决策的过程。
根据经济学人智库（EconomistIntelligenceUnit）的调查报告《GutGigabytes：在决策制定中利用艺术和科学》显示，有43%的全球高管承认，那些拥有高度数据驱动的企业，在过去两年中决策制定的效率有显著提升。据统计，高度数据驱动型企业比一般企业在做出重大决策时效率可提高3倍。
那么，我们应该怎么样去分析数据，才能被称为“数据驱动的决策”呢？
首先，拥有了数据并不代表就可以进行有效决策。我们还要搞清楚：1.发生了什么？正在发生什么？（现象）。2.为何发生？（原理原因）3.会不会再发生？4.什么情况下会再发生？（发生的充分必要条件）5.如果我做一些改变，它还会发生吗？
比如，有数据表明，冰淇淋与犯罪率之间存在关联：只要冰淇淋卖得好，犯罪率就高。但我们并不能得出，只要冰淇淋不卖、犯罪率就能降低的结论。因此，我们就要问：为什么会发生这样的现象？是否存在一些社会学、心理学的理论依据？
接下来，我们要思考的是，在什么样的情况下不会发生上述情况：若不卖冰淇淋，就没有犯罪了吗？这显然是不可能的。二者只是关联关系，并非因果关系，但它们都与同一个因素有关——天气热了。冰淇淋卖得好通常与气温升高有关；而犯罪率的增加也是如此，由于美国夏天白天较长，人们通常回家较晚，并且常常开窗透气，这就给了罪犯可乘之机。
可以看出，我们需要挖掘出数据背后的逻辑，找出二者发生关联的充分必要条件。同时，我们还应运用科学的数据分析方法：
04
在谷歌，经理人该被移除吗？
接下来，我们从具体的商业案例，来看看上述理论是如何与商业实践相结合的。
众所周知，谷歌是“一家由工程师、为工程师而创立的公司”，两位创始人拉里·佩奇、谢尔盖·布林本身也是工程师出身。因此，组织内部常常有人对经理人的整体重要性和贡献存在质疑：经理人的存在对谷歌是否必要？
于是，谷歌在2年进行了一场实验，他们尝试移除公司所有的经理人，并用完全扁平化的管理，看看这样企业是否会变得更好。结果发现，在没有职业经理人管理的情况下，整个公司陷入了一片混乱。
为什么会出现这样的局面？主要是因为工程师偏好解决问题，但却不喜欢做项目管理，他们只要攻克了自己的难题就万事大吉。结果是，在没有经理人来管理的情况下，工程师们只在各自的领域不停地钻研，而整个公司就变成了一盘散沙。
通过这次实验，谷歌得出了结论：经理人的确重要。接下来，他们又做了另一个实验：经理人为什么重要？什么时候重要？
这次实验采用的是双盲定性访谈，即采访者和被采访者双方均不知道彼此在做什么。也就是说，被采访的经理不知道自己做得是好是坏，采访者也不清楚前者做得是好是坏。在这种情况下，采访者会问经理平时都做些什么、每一步如何去做等问题。结果，谷歌将收集起来的素材整理出来，形成了好经理应该具备的八种行为（见下图）。
郭薇教授演讲PPT
对于谷歌来说，好经理首先应是一位好教练。经理不能只是发号施令，他需要帮助员工成长；其次，经理还要重授权，不能每天只盯着细节、盯着流程的每一步。此外，经理还要真心关心团队成员，善于沟通和聆听，给他们提供职业发展的建议和支持等等。
从谷歌的案例可以看出，数据是如何驱动一家全球知名企业进行决策的。我们也可以根据上述这些方法来进行决策，看看我们的企业是否需要做出必要的调整。
数据分析五部曲
1
把商业问题转化成分析问题
2
收集和准备数据
3
建立对数据的直观认识
4
分析数据，解释结果
5
用你的分析来对商业问题提出解决方案
本文内容由郭薇教授在中欧DBA博学沙龙上的演讲整理而成。文中创意图片已获海洛图库授权，如需转载使用，请联系其授权。
编辑
李琼
你更倾向用数据还是经验来做决策呢？欢迎文末留言。