在個人利用數據做決策時,我們常誤以為只要數據夠多,答案就會自動浮現。但事實是,數據只是工具,人腦的認知限制與偏誤才是決策的核心變數。
先承認:人腦不是數據處理器
很多人以為決策就是輸入資訊、輸出結果,就像電腦運算一樣。但人類在處理和評估資訊時,能力是有極限的 [1]。我們無法同時關注所有資訊,注意力會分散,記憶也容易遺忘 [2]。
更麻煩的是,我們的大腦有「系統一」和「系統二」兩種模式。系統一快速、直覺,但容易受情緒和刻板印象影響;系統二慢速、理性,但很耗費精力。當數據複雜時,我們往往依賴系統一的直覺,結果做出非理性的選擇。例如,我們可能因為媒體大量報導某類事件,就高估其發生的機率,而忽略統計數據顯示的真實比例 [3]。
承認自己不是數據處理器,並不意味著放棄理性。相反,這提醒我們需要外部工具來補足大腦的短板。既然我們無法完美地記住所有變數或計算所有機率,就應該設計流程,讓數據以我們能理解的方式呈現,而不是強迫大腦去處理超出負荷的資訊。
數據不足時,把直覺變成可檢驗的判斷
當數據完全缺失或不足時,我們不能乾等,也不能憑空猜測。這時候,結構化的提問能幫助我們把模糊的直覺轉化為具體的判斷 [4]。
例如,在預估市場銷售額時,如果專家說「沒概念」,預測人員可以透過一系列區間提問來引導:「會超過一千萬嗎?」「會低於四百萬嗎?」「六百萬是否較有可能?」透過這種逐步縮小範圍的方式,專家能給出更可靠的估計,如「七百萬元左右」 [4]。這顯示即使沒有精確數據,透過結構化對話也能提取出有價值的資訊。
此外,個人決策往往不是一蹴而就的,而是一個過程。我們可以先透過不同來源獲取資訊,再進行小規模試行,最後才做出全面決定 [5]。這種「試錯」機制能降低風險,讓直覺在實踐中接受檢驗,而不是盲目相信第一感覺。
讓工具算、視覺化來看:輔助理性思考
既然人腦不擅長複雜計算,我們就應該讓工具來做這些事。決策支援軟體的核心功能,就是代為計算、列出選項,並檢查假設 [6]。電腦擅長記憶、計算和比較,這些正是人類不擅長的工作 [3]。
資料視覺化則是另一個關鍵。它利用人類視覺系統對結構、邊界和運動的敏感感知,幫助我們從複雜數據中發現關聯。這並非要排除直覺,而是利用視覺化的優勢來輔助系統二進行理性評估。例如,一張清晰的圖表能讓我們一眼看出趨勢,而長篇的數據表格則可能讓我們迷失在細節中 [6]。
好的數據工具應該像一位嚴謹的助手,它不替你做決定,但它會把選項攤開,把計算做完,並提醒你檢查那些容易被忽略的假設。這樣,你的注意力就能集中在「判斷」而非「計算」上,從而提升決策品質。
模型與大數據:把選擇變機率,也要防預測失靈
數據建模能將二元的選擇(如「去」或「不去」)轉化為機率,讓我們更精確地評估風險 [7]。然而,模型並非萬能。時間序列數據具有路徑依賴性,過去的規律未來不一定重演 [8]。
更危險的是,隨機過程和結構變動會讓預測失靈。例如,在2018年世界盃中,多個預測模型都認為德國隊能進入前三,但結果德國隊意外出局。這顯示當面對不確定的衝擊時,基於歷史數據的模型可能完全失效 [8]。
因此,專業知識必須介入數據解讀。例如,在運動數據分析專案中,結合運動員的專業經驗與數據解析,才能更準確地理解數據背後的意義 [7]。數據提供機率,但專業知識提供上下文,兩者缺一不可。
社會數據與群體智慧:輔助還是偏誤放大器?
關於是否該參考「多數人的意見」,不同觀點存在張力。一方面,當選擇過多時,相信多數人與網路樞紐能簡化決策,因為我們傾向於向最大的網路樞紐靠攏,這能降低選擇困難 [9]。
但另一方面,群體影響也可能扭曲個人判斷。從眾壓力會讓我們服從群體規範,尤其是當資訊模糊時。社會比較過程也會影響我們,例如看到廣告中的理想形象後,我們可能對自身產生不滿,進而影響消費決策。此外,群體極化現象顯示,群體討論後可能做出更極端(更冒險或更保守)的決定,而非更理性的決定 [10]。
群體智慧是一把雙刃劍。在資訊不對稱且選擇複雜時,參考多數人可能是高效的捷徑;但在涉及個人價值觀或需要獨立判斷的情境下,從眾壓力可能導致盲從。關鍵在於辨識何時該借力於群體,何時該堅持獨立思考,並警惕群體討論可能帶來的極化效應。
個人資料與集體資料:守住隱私與用途邊界
在利用數據時,必須區分「個人資料」與「集體資料」的用途。個人資料(如信用卡號碼、購物史)只應用於協助個人做出更快、更明智的選擇,例如提供產品建議。若將個人資料用於市場分析或促銷,則可能侵犯隱私並帶來歧視風險 [11]。
集體資料(如整體需求、價格敏感度)則較適合用於判斷市場趨勢和調整經營策略 [11]。將兩者混用,不僅違反隱私原則,也可能導致誤判。例如,利用個人資料來洞悉市場動向,雖然能鎖定狹小族群,但風險極高,不如使用集體需求資料來創造經營優勢 [12]。
數據使用的邊界在於「尊重」。個人資料是私密的,應僅用於服務個人;集體資料是公共的,可用於理解市場。混淆兩者不僅是倫理問題,也是策略錯誤。個人決策者在使用數據時,也應意識到數據來源的性質,避免將集體統計數據誤解為對個人的精確預測。
數據是輔助,不是答案
總結來說,個人利用數據做決策,重點不是把數據當答案,而是用工具補認知限制、用模型暴露假設、用社會與集體數據時守住邊界。我們必須承認人腦不是數據處理器 [1],因此需要決策支援軟體來輔助系統二 [6];我們必須警惕模型的盲點與預測失靈 [8],並理解社會數據可能帶來的偏誤 [10]。
最終,數據是輔助工具,而非最終答案。保留系統二的理性評估空間,並透過試行來驗證判斷 [5],才是個人利用數據做決策的正道。
參考來源
- 人因工程學, p.149
- 人因工程學, p.147
- 認知與設計, p.169
- 產品經理聖經, p.264
- 創新的擴散, p.183
- 認知與設計, p.172
- 大數據決策分析盲點大突破10講:我分類故我在, p.136
- 大數據決策分析盲點大突破10講:我分類故我在, p.90
- 超級關係, p.128
- 消費者行為概論, p.80
- 刻不容緩, p.247
- 刻不容緩, p.253