top of page

調研僅供參考 決策須防偏誤

Updated: Apr 28

近日聽聞有團體希望以民調作為立法會議員去留的決策,對一向自命為「邏輯哥」的筆者而言,其實有些不解。調研的本身不是應該作為參考嗎?如果要把這個工具用作決策,恐怕會作繭自縛,又或者是數據很容易被人綁架了。這個話題無法長話短說,自己也從不參與政治,我想舉兩個小故事供大家參考。

首先,是現成偏誤(availability bias),意思是當我們借助一些易於取得的現成資訊作出決定,面對突發問題喜歡以感性的原則回答,又或者因為全面的資訊能見度低,給出帶偏見的答案。這種情況在考慮具長遠影響的問題時,因很少能深思熟慮,答案很可能僅是一時三刻的感性表達。大家別以為這種情況僅發生在菜鳥身上,專業的股票分析員也常出現這種感性錯誤。例如近期某電子商務公司的股價上漲,有評論員居然沒有深究一些潛伏的物流訊息,而歸因於大市所趨。股票市場的大量經驗,讓部分「專業評股人」早就因日常市場訊息導致現成偏誤,且不作深究。

其實,自從大數據問世後,傳統市場研究機構的生意也大不如前,當線上節目備受追捧,你還會相信從前的收視指數,還是更接受公開的互聯網點評數據呢?

Netflix的用戶會告訴大家,該平台的劇集排名很管用,疫情中我就是這樣無緣無故看完韓劇《愛的迫降》。當然你會說互聯網數據都有造假,但這也許已是另一個話題了。

另一點值得注意的是,抽樣調查準確度很取決於受訪者的覆蓋問題,一不小心就會出現自我選擇偏誤(self-selection bias)。好比一家百貨公司向客戶寄出問卷,以了解其對公司的服務是否滿意,但這些經「精心」選擇的受訪群眾(1.都是會員;2.居然還活躍;3.願意說真話)中,有多少能覆蓋到企業全量目標客戶群的真正意見?更糟糕是誤把馮京當馬涼的情況很常見,結果讓企業高層信以為真,錯估了真實情況。

最後,我忽然想起年少時,舅父見我興致勃勃地學習風水,作為外公唯一傳人的他常向我告誡,風水可以學但不能迷信,即管是一種絕技,變成了迷信就難以進步。至於數據分析的運用上,我一貫的態度都是戰戰兢兢地對待,不敢怠慢,不敢迷信。

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員

Recent Posts

See All
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
智能代理編程戰 懂人機協作致勝

上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型

 
 
集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值? 這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉

 
 
bottom of page