道朱莉的鞋码,那么你会恰当地将此信息的权重设为0,并坚持平均GPA的预测;而如果你有朱莉各科成绩的列表,据此信息将能完美地预测她的GPA。这两个极端之间有许多灰色地带。如果你有朱莉高中时期优异的学业成绩的数据,那么这些信息将比她的阅读年龄更具诊断意义,但比起她的大学成绩,其诊断意义又会小得多。
你的任务是量化已知数据的诊断价值,你可以将这个诊断价值表示为已有数据与你所预测的结果之间的相关性。除极个别情况外,这一相关性肯定只是粗略估计。
想要合理地估计这一相关性,请你回忆我们在第12章中列举的一些例子。在社会科学领域,超过0.5的相关系数非常罕见。在多数情况下,相关系数达到0.2就已经十分难得了,而在朱莉的例子中,0.2可能就是相关系数的上限了。
4.基于外部视角来调整你基于直觉的猜测,从而尽最大可能体现已有信息的诊断价值
最后一步是将已有的三个数字进行简单的算术整合,即对平均值进行调整,让它向基于猜测的值的方向偏移,偏移的程度取决于你所估计的相关系数的大小。
这一步只是我们对刚刚所做观测的进一步扩展:如果相关系数为0,那么你应该坚持平均值的估计;而如果相关系数是1,那么你应该忽略平均值并愉快地做出匹配性预测。因此,在朱莉的例子中,对其GPA的最佳预测应该是:由群体平均值向依据阅读年龄做出的直觉道朱莉的鞋码,那么你会恰当地将此信息的权重设为0,并坚持平均GPA的预测;而如果你有朱莉各科成绩的列表,据此信息将能完美地预测她的GPA。这两个极端之间有许多灰色地带。如果你有朱莉高中时期优异的学业成绩的数据,那么这些信息将比她的阅读年龄更具诊断意义,但比起她的大学成绩,其诊断意义又会小得多。
你的任务是量化已知数据的诊断价值,你可以将这个诊断价值表示为已有数据与你所预测的结果之间的相关性。除极个别情况外,这一相关性肯定只是粗略估计。
想要合理地估计这一相关性,请你回忆我们在第12章中列举的一些例子。在社会科学领域,超过0.5的相关系数非常罕见。在多数情况下,相关系数达到0.2就已经十分难得了,而在朱莉的例子中,0.2可能就是相关系数的上限了。
4.基于外部视角来调整你基于直觉的猜测,从而尽最大可能体现已有信息的诊断价值
最后一步是将已有的三个数字进行简单的算术整合,即对平均值进行调整,让它向基于猜测的值的方向偏移,偏移的程度取决于你所估计的相关系数的大小。
这一步只是我们对刚刚所做观测的进一步扩展:如果相关系数为0,那么你应该坚持平均值的估计;而如果相关系数是1,那么你应该忽略平均值并愉快地做出匹配性预测。因此,在朱莉的例子中,对其GPA的最佳预测应该是:由群体平均值向依据阅读年龄做出的直觉估计值的方向偏移,偏移的距离不超过平均值与直觉估计值距离的20%。据此,我们可以算出最佳预测值大约是3.3。
虽然这里我们只是举了朱莉的例子,但这种方法也可应用于本书讨论过的许多判断问题。例如,有一位销售副总裁需要招聘一名销售人员,他刚刚面试了一位十分优秀的候选人。根据对候选人的深刻印象,这位高管估计该候选人入职第一年的销售额能达到100万美元——相当于新入职员工第一年平均销售额的两倍。如何让副总裁的估计有回归性呢?需要注意的是,计算要取决于面试的诊断价值。在这个案例中,招聘面试能够在多大程度上预测出应聘者入职后的绩效呢?依据我们见过的研究证据,0.4的预测相关系数是一个相当高的估计值。因此,对新员工第一年销售额的回归性估计至多是:50万美元+(100万美元-50万美元)×0.4=70万美元。
这一过程并不是很直观。如上例所示,值得注意的是,校正后的预测总是比直觉性预测更保守,它们永远不会像直觉性预测那样极端,而是会更接近于平均值,通常情况下会非常接近平均值。如果你校正了你的预测,对于那些已经赢了10次大满贯的网球冠军,你就不会赌他们还能再赢得10次大满贯。同样,你也不会预测一家价值10亿美元的成功的创业公司将会发展成价值数千亿美元的行业巨头。总之,校正预测不会在极端值上下注。
从事后看,这意味着校正预测将不可避免地造成明显的失误,然而,预测并不是事后进行的。你应该记住,极端值是极其罕见的,与之相反的错误反而更为常见:我们往往以为自己预测的极端值在未来依然会是极端值,但由于存在均值回归,情况往往会发生变化。这就估计值的方向偏移,偏移的距离不超过平均值与直觉估计值距离的20%。据此,我们可以算出最佳预测值大约是3.3。
虽然这里我们只是举了朱莉的例子,但这种方法也可应用于本书讨论过的许多判断问题。例如,有一位销售副总裁需要招聘一名销售人员,他刚刚面试了一位十分优秀的候选人。根据对候选人的深刻印象,这位高管估计该候选人入职第一年的销售额能达到100万美元——相当于新入职员工第一年平均销售额的两倍。如何让副总裁的估计有回归性呢?需要注意的是,计算要取决于面试的诊断价值。在这个案例中,招聘面试能够在多大程度上预测出应聘者入职后的绩效呢?依据我们见过的研究证据,0.4的预测相关系数是一个相当高的估计值。因此,对新员工第一年销售额的回归性估计至多是:50万美元+(100万美元-50万美元)×0.4=70万美元。
这一过程并不是很直观。如上例所示,值得注意的是,校正后的预测总是比直觉性预测更保守,它们永远不会像直觉性预测那样极端,而是会更接近于平均值,通常情况下会非常接近平均值。如果你校正了你的预测,对于那些已经赢了10次大满贯的网球冠军,你就不会赌他们还能再赢得10次大满贯。同样,你也不会预测一家价值10亿美元的成功的创业公司将会发展成价值数千亿美元的行业巨头。总之,校正预测不会在极端值上下注。
从事后看,这意味着校正预测将不可避免地造成明显的失误,然而,预测并不是事后进行的。你应该记住,极端值是极其罕见的,与之相反的错误反而更为常见:我们往往以为自己预测的极端值在未来依然会是极端值,但由于存在均值回归,情况往往会发生变化。这就是当目标是最大限度地提高预测准确性(即均方误差最小化)时,校正预测会优于直觉匹配性预测的原因所在。是当目标是最大限度地提高预测准确性(即均方误差最小化)时,校正预测会优于直觉匹配性预测的原因所在。致谢
我们要感谢很多人。林内亚·甘地(Liea Gadhi)是我们的参谋长,她为我们提供了大量的指导和帮助,使我们的工作可以有条不紊地推进,让我们的工作充满欢声笑语。基本可以说,是她主持了本书的撰写。除此之外,她还为本书的初稿提出了许多宝贵建议,没有她,我们无法顺利完成本书。丹·罗瓦洛对成书也起到了非常重要的作用,本书的观点最初就源于他与人合著的一篇文章。我们的经纪人约翰·布罗克曼(Joh Brockma)在工作的每个阶段都热情洋溢、乐观、敏锐而又睿智,我们很感谢他。我们的主编,也是我们的引路人特蕾西·比哈(Tracy Behar)从诸多方面提升了本书的品质。阿拉贝拉·派克(Arabella Pike)和伊恩·斯特劳斯(Ia Straus)也从编辑角度提出了极好的建议。
同时也要特别感谢奥伦·巴-吉尔(Ore Bar-Gill)、马亚·巴-希勒尔(Maya Bar-Hillel)、马克斯·巴泽曼、汤姆·布莱泽(Tom Blaser)、戴维·布代斯库(David Budescu)、杰里米·克利夫顿(Jeremy Clifto)、安塞尔姆·丹内克尔(Aselm Daecker)、维拉·德莱尼(Vera Delaey)、伊蒂尔·德鲁尔、安杰拉·达克沃思(Agela Duckworth)、安妮·杜克、丹·吉尔伯特(Da Gilbert)、亚致谢
我们要感谢很多人。林内亚·甘地(Liea Gadhi)是我们的参谋长,她为我们提供了大量的指导和帮助,使我们的工作可以有条不紊地推进,让我们的工作充满欢声笑语。基本可以说,是她主持了本书的撰写。除此之外,她还为本书的初稿提出了许多宝贵建议,没有她,我们无法顺利完成本书。丹·罗瓦洛对成书也起到了非常重要的作用,本书的观点最初就源于他与人合著的一篇文章。我们的经纪人约翰·布罗克曼(Joh Brockma)在工作的每个阶段都热情洋溢、乐观、敏锐而又睿智,我们很感谢他。我们的主编,也是我们的引路人特蕾西·比哈(Tracy Behar)从诸多方面提升了本书的品质。阿拉贝拉·派克(Arabella Pike)和伊恩·斯特劳斯(Ia Straus)也从编辑角度提出了极好的建议。
同时也要特别感谢奥伦·巴-吉尔(Ore Bar-Gill)、马亚·巴-希勒尔(Maya Bar-Hillel)、马克斯·巴泽曼、汤姆·布莱泽(Tom Blaser)、戴维·布代斯库(David Budescu)、杰里米·克利夫顿(Jeremy Clifto)、安塞尔姆·丹内克尔(Aselm Daecker)、维拉·德莱尼(Vera Delaey)、伊蒂尔·德鲁尔、安杰拉·达克沃思(Agela Duckworth)、安妮·杜克、丹·吉尔伯特(Da Gilbert)、亚当·格兰特、阿努帕姆·杰纳(Aupam Jea)、路易斯·卡普洛(Louis Kaplow)、加里·克莱因(Gary Klei)、乔恩·克莱因伯格(Jo Kleiberg)、内森·昆塞尔、凯利·莱纳德(Kelly Leoard)、丹尼尔·莱文(Daiel Levi)、萨拉·麦克拉纳汉、芭芭拉·梅勒斯、乔西·米勒(Josh Miller)、塞德希尔·穆来纳森、斯科特·佩奇(Scott Page)、埃里克·波斯纳(Eric Poser)、露西亚·瑞奇(Lucia Reisch)、马修·萨尔加尼克、埃尔德·沙菲尔、塔利·沙罗特(Tali Sharot)、菲利普·泰特洛克、理查德·泰勒(Richard Thaler)、芭芭拉·特沃斯基(Barbara Tversky)、彼得·乌贝尔(Peter Ubel)、克里斯特尔·王(Crystal Wag)、邓肯·瓦茨(Duca Watts)和卡罗琳·韦布(Carolie Webb),他们对书稿的部分章节乃至全文进行了阅读和评论,感谢他们的慷慨帮助。
我们很幸运能够从这么多优秀研究者的建议中受益。朱利安·帕里斯(Julia Parris)在许多统计问题上提供了极其宝贵的帮助。没有塞德希尔·穆来纳森、乔恩·克莱因伯格、詹斯·路德维希(Jes Ludwig)、格雷戈里·斯托达德(Gregory Stoddard)和常惠(Hye Chag),我们就不可能完成介绍机器学习成就的那几章。我们对判断一致性问题的讨论很大程度上要归功于亚历克斯·托多罗夫(Alex Todorov)和他普林斯顿大学的同事乔尔·马丁内斯(Joel Martiez)、布兰登·拉伯瑞(Brado Labbree)、斯蒂芬·乌登伯格(Stefa Uddeberg)、斯科特·海浩斯(Scott Highhouse)以及艾莉森·布罗德富特(Aliso Broadfoot)。这些了不起的研究者不仅热情分享了他们的见解,还非常友善地帮我们进行了一些特殊数据的分析。当然,如果书中出现了任何误解或错误,那一定是我们的责任。当·格兰特、阿努帕姆·杰纳(Aupam Jea)、路易斯·卡普洛(Louis Kaplow)、加里·克莱因(Gary Klei)、乔恩·克莱因伯格(Jo Kleiberg)、内森·昆塞尔、凯利·莱纳德(Kelly Leoard)、丹尼尔·莱文(Daiel Levi)、萨拉·麦克拉纳汉、芭芭拉·梅勒斯、乔西·米勒(Josh Miller)、塞德希尔·穆来纳森、斯科特·佩奇(Scott Page)、埃里克·波斯纳(Eric Poser)、露西亚·瑞奇(Lucia Reisch)、马修·萨尔加尼克、埃尔德·沙菲尔、塔利·沙罗特(Tali Sharot)、菲利普·泰特洛克、理查德·泰勒(Richard Thaler)、芭芭拉·特沃斯基(Barbara Tversky)、彼得·乌贝尔(Peter Ubel)、克里斯特尔·王(Crystal Wag)、邓肯·瓦茨(Duca Watts)和卡罗琳·韦布(Carolie Webb),他们对书稿的部分章节乃至全文进行了阅读和评论,感谢他们的慷慨帮助。
我们很幸运能够从这么多优秀研究者的建议中受益。朱利安·帕里斯(Julia Parris)在许多统计问题上提供了极其宝贵的帮助。没有塞德希尔·穆来纳森、乔恩·克莱因伯格、詹斯·路德维希(Jes Ludwig)、格雷戈里·斯托达德(Gregory Stoddard)和常惠(Hye Chag),我们就不可能完成介绍机器学习成就的那几章。我们对判断一致性问题的讨论很大程度上要归功于亚历克斯·托多罗夫(Alex Todorov)和他普林斯顿大学的同事乔尔·马丁内斯(Joel Martiez)、布兰登·拉伯瑞(Brado Labbree)、斯蒂芬·乌登伯格(Stefa Uddeberg)、斯科特·海浩斯(Scott Highhouse)以及艾莉森·布罗德富特(Aliso Broadfoot)。这些了不起的研究者不仅热情分享了他们的见解,还非常友善地帮我们进行了一些特殊数据的分析。当然,如果书中出现了任何误解或错误,那一定是我们的责任。
管理类 / 日期:2024-03-11
理解那个东西,但是我已经发现,他的信息距离和我越来越近了。因为他不再看《舟山晚报》,我也不再看《新民晚报》了,我们看的都是腾讯新闻App,看新闻头条,他也看我的朋友圈。所以信息高速一旦被打通了,一、二线和三、四线城市之间的认知壁垒也逐渐被打破了。要掌握70%~80%的都市消费,其实就是掌握两亿中产阶层。像分众这样的公司,之所以能够覆盖78%有家庭汽车的、80
管理类 / 日期:2024-03-11
实现资产最大限度的增值。一些合伙人可以通过“股权转让”等资产重组方式退出。二、退出如何结算当合伙人退出公司后,其所持的股权应该按照一定的形式退出。一方面对于继续在公司里做事的其他合伙人更公平;另一方面也便于公司的持续稳定发展。而合伙人退出之后,如何结算也是一个问题。一般采用三种方法:估值法、参考相关法律、另外约定。估值法,即当合伙人中途退出,退出时公司可以按
管理类 / 日期:2023-12-17
另一个例子里,某电信服务提供商选择重新设计其客户价值管理流程(涉及公司与客户互动的所有方式),利用AI去理解和应对每个客户独特的需求。这个项目很快令执行营销活动所需的时间减少了75%,客户流失率降低了3%。公司预计,至2021年年底,项目促成的改善可以让利润增加7000万美元。相互联系的活动。适合开展AI项目的业务域,会有一组明确的业务活动,对其进行校正可以
管理类 / 日期:2023-12-17
业内的雷布斯说过一句话:今天试错的成本不高,但错过的成本很高。但我引用这句话并不是赞同这句话,而是要告诉大家,如果不试错,我们永远不知道未来到底应该如何,如果有企业在某一领域先人一步制定出了标准,那就是错过。我们要敢于试错,或者说要敢于科学试错在企业承受范围内的情况下去试错。如果领导者都是在“不着急,先看看”“哎呀,我也想到了,但是当时怕……”很明显,你是不