在資訊氾濫的現代充滿著許多噪音，這會大大影響人的判斷，心理學大師Daniel Kahneman開創了「行為經濟學」的研究熱潮。二○○二年，他成為唯一獲得諾貝爾經濟學獎的心理學家，被認為是當代最權威的行為經濟學、認知心理學「跨界」泰斗。

 

在他的書《Thinking, Fast and Slow》（思惟快與慢）提到人的思考分為快、慢兩種。前者屬直覺性思考，對於簡單的決策，如買哪家炸雞、買哪牌耳機，直覺思考會是個好主意，但若是複雜的決策則需要慢思考，而在《雜訊：人類判斷的一個缺陷》一書中，他提及通過機械預測（Ｍechanical Ｐrediction）來做判斷是較有勝率的方法。

 

機械預測簡單來說就是用數據做出統計分數來幫助做判斷。為何如此？因為「噪音」太多，若是依照人的直覺判斷，各式各樣的訊息會影響著我們做出正確的判斷，另外想太多也弊大多利。

 

舉例來說；有些法官對於某類罪犯犯罰較重，這是因為他帶有個人主觀意識，這最終影響他的判決，因為人總是會被喜怒哀樂各種情緒給影響，因此若法官可用機械預測，那他所做出的判決將會正確許多。

 

機械預測若太過複雜，因為可能會放大或低估部分指標的權重，影響判斷。

 

舉例來說；阿普伽新生兒評分（Apgar Score）是美國女醫生Virginia Apgar在1952年發明的一種對剛出生的新生嬰兒健康狀況快速評核方法，裡面包含外觀、脈搏 、反應、肌肉張力、呼吸等五個評分指標，每一個項目可以拿到0-2分，所以最少零分，最多十分，一般七分以上都表示孩子健康正常，4 到6分就不太健康；0到3分 就必須立即採取急救措施。

在此，Kahneman建議不要評分指標超過五個，搞得太複雜。

 

所以簡單定一個評分系統很重要，這可大大減少噪音，提高準確性。例如寫稿找題，也可訂出標準： 1.題目有無吸引力 2,是否對讀者有幫助…等。你可以以這為標準打分數，數字達標就可入選。

作家萬維鋼指出，那既然這麼簡單，為何大家不照著做？除了許多決策者不能接受算法判斷，更重要的是決策者對算法容忍度特別低，也就是說人們可以接受「人」的判斷錯誤，卻無法接受算法出錯，就像是你無法接受 Ｇoogle Ｍap出錯一樣，一旦它出錯幾次，你就再也不相信它，決定靠自己的人腦來判斷。

這裡的重點是做判斷應該走程序，你應該關注判斷的過程而非結果。其實判斷結果很難預測，但是你能做到的是，在每次判斷時使用最好的判斷方法，而機械預測就是一個好方法。

 

股神Warren Buffet選股也是走流程，市面上有各種關於他如何選股的書，例如他選股有幾個原則，例如：每股盈餘（EPS）連續10年成長、每股盈餘從未出現負值、長期債務負擔與現有淨盈餘的比值小於5、公司是否年年維持高資本報酬率、10年平均資本報酬率為12％、公司是否有必要再度投資資本…等，然後做綜合評比選出優質股。

這一切就是個「流程」，他不跟風，沒被市場上過多噪音影響，堅守他買股的流程走，規則簡單，紀律嚴明，這讓他成了人人心目中的股神。　

 

因此，做決策重要的是流程，在過程中為每項選擇打個分數，在綜合評比選出分數最高一個，這樣你判斷對的可能性就會提高。因此有關於決策判斷的研究都是在於改善程序，而非保證判斷無誤，因為就算是機器也是有可能會出錯的！

 

 

資訊參考來源：  得到、Wiki