★麻省理工學院指定教材，長踞亞馬遜網站商業類暢榜，一生受用的衡量技術！ 商業、科學、生活上所有問題的解答 任何需要做分析、決策的人必讀之書 世界上沒有什麼事物是不能被衡量的。 所有看似無法量化的難題， 只要能讓你知道得比以前多，就是一項成功的衡量。 本書對於降低決策風險、排除不確定性，大有幫助！ 面對個人生活選擇或商業上的決策，我們往往相信直覺或過往經驗，但難免重蹈覆轍。輕者不免聳聳肩自責，上一次當還不能學一次乖；嚴重的話或許是動輒上億元的企業損失，這時再怎麼喚回時光也無法翻轉情勢。然而，若持續對於決策抱持如此輕忽的態度，上述損失恐怕只有不斷重複的命運。 這本書從簡單的觀念開始，說明了深具實用性、直覺上又容易應用的統計技巧；同時也顯示出，在我們對企業和世界的了解上，衡量具有多麼大的力量。作者道格拉斯．哈伯德（Douglas W. Hubbard）為國際公認的決策分析、風險管理專家，在這本具深刻見解且令人著迷的書中，將告訴你如何衡量看似完全無法量化的事物，包括新科技的投資報酬率、組織的彈性、消費者滿意度，以及企業風險。這本書提供衡量的重要步驟，讓你能衡量所有的事物，尤其是其不確定性和風險。不僅如此，還可利用符合經濟效益的方式完成衡量。 不妨接受作者提出的挑戰：在閱讀本書之前，請寫下你在家庭生活或工作上的一項或多項抉擇難題，然後抱持著「找到衡量它們的方法」這個特定目的來閱讀此書。希望從本書中學習到的衡量知識，能為你個人或專業生涯的改善帶來意想不到的收穫！ 閱讀本書，你將了解： 看似無法衡量的事物，其實是有辦法予以量化的。 表面上不可能的衡量，卻能用意外簡單的方法解決。 即使樣本數很少，也能獲得許多資訊。 衡量風險的錯誤方法。 軟性事物像是幸福、滿意度、品質等等的衡量方法。 如何將人類的判斷，訓練為強有力、校準的衡量工具。 如何將網際網路當作衡量工具使用。 本書分四大部分： 第一部分：說明為什麼任何事物都可以測量，同時輔以例子佐證，以及給出關於衡量的精確定義。 第二部分：開始具體進入如何做衡量——特別是不確定性、風險、資訊的價值。您會學到如何以「校準的機率評估」來衡量自己主觀的不確定性，以及如何用這項資訊去計算風險和做更多衡量的價值。 第三部分：如何利用一些觀察方法以降低不確定性，例如隨機取樣與控制實驗等等。也會談到一些概算（快速評估）的方法；還有若是有新資訊加入，如何重新衡量以降低不確定性（貝氏分析）。這部分會涵蓋一些最初級的統計學。 第四部分：一些比較「軟性」的評估項目，例如偏好、價值、彈性（可變性）、品質等等如何衡量，並且再加入新的衡量工具，包括校準的人的判斷或利用網際網路。最後會集合所有的評量知識，來應用在兩個個案研究上。 【本書關鍵字】 資訊經濟學、商業分析、風險、不確定性、費米提問、校準、信賴區間、蒙地卡羅模擬、機率分配、貝氏分析

前言 第一篇 衡量：總是有方法可以衡量的 第1章　無形事物及其帶來的挑戰 是的，萬事萬物都可以衡量 第2章　直覺衡量的習慣 古希臘人如何衡量地球的大小／估算：學學恩里科．費米／實驗：不是只有大人才能做／從埃拉托色尼、恩里科和艾蜜莉學到的事 第3章　無形事物的假象 衡量的觀念／客體／方法／反對衡量的經濟理由／反對衡量的統計學理由／道德上反對衡量的理由／衡量的通用方法 第二篇　開始衡量之前 第4章　釐清衡量問題 用對話語：「不確定性」和「風險」真正的意思是什麼？／案例：企業可以從政府部門學到的事 第5章　校準的估算：你目前所知有多少？ 校準練習／校準的進一步改善／校準在觀念上的障礙／校準的成效 第6章　建立模型來衡量風險 衡量風險的錯誤方式／真實的風險分析：蒙地卡羅法／蒙地卡羅方法及風險的例子／蒙地卡羅模擬的工具及其他可用資源／風險矛盾及更佳風險分析的需求 第7章　衡量資訊的價值 犯錯的機會及成本：預期機會損失／範圍資訊的價值／不完全的世界：降低部分不確定性的價值／覺悟方程式：資訊價值如何改變一切／總結不確定性、風險、資訊價值：衡量的第一步 第三篇　衡量方法 第8章　過渡：從衡量什麼到如何衡量 觀察的工具：衡量手段的介紹／分解／間接研究：假設你不是第一個衡量它的人／觀察的基本方法：如果一個方法沒有用，嘗試下一個／只做必要的衡量／考量誤差／選擇和設計工具 第9章　抽樣：觀察少數，探知全體 建立抽樣的直覺：果凍豆的例子／樣本數很少的情況：啤酒釀造商的方法／統計上的顯著性：程度問題／極端值影響重大的情形／最簡單的樣本統計／抽樣方法的偏誤例子／母體比例抽樣／門檻的衡量／實驗／看出資料中的關聯性：迴歸模型的介紹 第10章　貝氏分析：以先備知識為基礎的衡量 簡單貝氏統計／使用你天生的貝氏直覺／異質的標竿：「品牌受損」的應用案例／範圍的貝氏反推：簡介／範圍的貝氏反推：細節／貝氏教導我們的事 第四篇　基礎之外 第11章　偏好與態度：衡量的軟性面 觀察意見、價值，以及對幸福的追求／願意支付多少：透過取捨來衡量價值／將全部放在一起：量化風險耐受性／主觀取捨的數量化：多重矛盾偏好的處理／不要忘記事情的全貌：利潤最大化相對於純主觀的取捨 第12章　衡量的終極工具：人的判斷 荒謬的人類：決策背後的奇怪理由／條理化：績效評量的案例／令人驚訝的簡單線性模型／如何將評量標準化：拉許模型／去除人的不一致性問題：Lens模型／萬靈丹或安慰劑？可疑的衡量方法／各種方法的比較 第13章　新的管理衡量工具 二十一世紀的追蹤者：用科技做紀錄／衡量世界：以網際網路做工具／預測市場：動態的意見總合 第14章　通用的衡量方法：應用資訊經濟學 拼出全貌／案例：飲用水監控系統的價值／案例：海軍陸戰隊的燃料預測／啟動的想法：幾個最後的例子／總結 附錄　校準測驗（附解答） 中英名詞對照

　　衡量的定義 　　 　　衡量：根據一項或多項觀察，以數量表達的方式降低不確定性。 　　 　　就所有實用上的目的而言，科學家將衡量當作是數量上降低不確定性的觀察。只要降低不確定性，不必然要消除不確定，對衡量來說這就足夠了。即使科學家沒有精確說明這項定義，他們的作法已清楚說明了這項定義。微量的誤差無法避免，但仍改良了先備知識（prior knowledge）。這個事實對如何進行實驗、調查，以及其他科學衡量而言是最重要的。 　　 　　這種「降低不確定性」的觀點，對企業而言是非常重要的。在不確定的狀態下要做的重大決策——例如是否核可大型IT計畫，或是新產品開發案——都能因為降低不確性，而做得更好，其所帶來的價值，可能高達數百萬美元。 　　 　　因此，一項衡量根本不必消除不確定性。衡量帶來的微幅不確定性降低，其價值可能遠大於衡量的成本。但還有另一個關鍵的衡量觀念，會讓大多數人驚訝的是：衡量不一定是我們通常所認為的數量化的衡量。請注意，我提出的衡量定義所說的是，一項衡量是「以定量的方式表達」（quantitatively expressed）。不確定性，至少要數量化，但是觀察的主體可能不是定量的量（quantity）——可以完全是屬質的（qualitative），例如是否屬於某一個集合。比方說，我們可以「衡量」一項專利能否取得判決，或是一個合併案是否會成功，而這些仍能符合我們對於衡量的精確定義。但是我們對於那些觀察的不確定性，必須以定量的方式表達（例如，有85%的機會我們會贏得專利訴訟；我們有93%的把握，在合併後可以改善我們的公眾形象）。 　　 　　衡量的方法 　　 　　有些事物看似無法衡量，只是因為當事人不知道解決問題的基本衡量方法，例如各種抽樣程序或各類對照控制實驗。一項反對衡量常見的理由是，問題很獨特，過去從來沒有被衡量過，而且沒有任何方法能顯示出它的數值。這樣的反對，總是透露出那個人在科學上的無知，而不是實證作法有根本上的限制。 　　 　　振奮人心的是，我們知道一些獲得驗證的衡量方法，可以用在各類主題上，幫助衡量你最初認為無法衡量的事物。此處有一些例子： 　　 　　1.以非常小的隨機樣本數做衡量：從小樣本數的潛在客戶、員工等，你可以得知一些事情，尤其眼前狀況存在很大不確定性的時候。 　　 　　2.在無法完全看遍整個母體的情況下做衡量：要衡量海洋中某種魚類的數量、雨林中植物的物種數量、新產品生產誤差的數量，或是未被偵測到的、試圖侵入貴公司資訊系統的非法攻擊次數等等，都有聰明且簡單的作法可以衡量。 　　 　　3.在涉及許多其他變數，甚至是未知的變數的情況下做衡量：我們可以測定新「品質計畫」是否是產品銷售量增加的原因，相對於總體經濟好轉、競爭者犯了錯誤、新的訂價政策等因素。 　　 　　4.衡量罕見事件的風險：過去沒有發射過的火箭，發生發射失敗的機會，或是發生另一次911攻擊的機會、紐奧良再一次潰堤的機會、再一次重大金融危機的發生機會等等，全都可以透過觀察和推論，得到有價值的訊息。 　　 　　5.衡量主觀偏好及價值：我們可以衡量藝術、悠閒時光、或降低死亡風險的價值，經由評估人們真正支付在這些事物上的金額來做衡量。 　　 　　這些衡量的方法，大部分只是變化自一些基本的作法，利用不同的抽樣、對照控制實驗，有時候是選擇把焦點放在不同的問題類型。像這些觀察的基本方法，在企業的某些決策過程中，通常都付之闕如，也許是因為這類科學程序常被認為複雜又太公式化。在很短的時限、有限的成本之下，如果必須做衡量的話，通常你不會考慮採用這樣的方法。然而它們是可以採行的。 　　 　　這裡提供一個非常簡單的例子，任何人都可以用一個很容易計算的統計不確定性來做快速衡量。假設你在考慮公司是否要多增加一些「遠距辦公」（telecommuting）的機會。在考量這類提案時有個相關的因素是，每名員工平均每天花在通勤上的時間為何。你可以針對這個題目進行一項正式的全辦公室普查，但這可能很耗時又昂貴。假設，你不用普查的方式，而只是隨機找了五名員工（本書稍後會討論一些關於「隨機」構成條件的議題）。你閉上雙眼，從員工名錄中挑出名字打電話給這些人，並問他們通常花多少時間通勤。假設你得到的數值是30、60、 45、80、60分鐘。這五個樣本中最低和最高的數值為30和80。則全部員工的母體中位數（median），有93.75%的機會，會落在這兩個數字之間。我稱此為「五的規則」（Rule of Five）。五的規則很簡單、有用，而且可以證明它在很多問題上都是統計上有效的。雖然樣本數很小，範圍可能很大，但是若能比你先前的範圍大幅縮小，那它作為一項衡量就很有價值了。 　　 　　五的規則 　　 　　任何從母體中隨機抽取的五個樣本，母體的中位數有93.75%的機會，會落在這五個樣本中最大和最小數值之間。 　　 　　根據只有五個樣本的隨機抽樣，要對任何事物有93.75%的確定，看起來似乎不可能，但是它的確行得通。要了解為什麼這個作法行得通，請注意五的規則估算的是母體的中位數，這一點是很重要的。母體的一半會高於中位數，另一半則低於它。如果我們隨機選取五個數值，全都高於或低於中位數，則中位數就會落在我們的範圍之外。但這樣的機會究竟會有多少呢？ 　　 　　隨機選取的一個數值，高於中位數的機會，依照定義而言是50%——和投擲一枚硬幣結果是「人頭」的機會相同。隨機選取五個數值，剛好全都高於中位數，就像投擲硬幣連續五次都是人頭一樣。隨機投擲硬幣得到連續五次人頭的機會為32分之1，也就是3.125%；連續得到五次背面的機會也是一樣。因此，不是全都人頭也不是全都背面的機會是100%－3.125%×2，也就是93.75%。於是，五個樣本中至少有一個高於中位數、同時至少有一個低於中位數的機會就是93.75%（如果你要保守一點，也可說是93%或甚至90%）。有些讀者可能會記得，統計課會有一堂課討論非常小樣本的統計。那些作法比起五的規則要來得複雜多了，但是，答案真的沒有好太多，理由在本書稍後我會詳細討論。 　　 　　我們可以使用一些簡單的方法修正特定型態的偏誤。也許最近在進行的建設工程，暫時增加了每個人所估計的「平均通勤時間」。或者通勤時間最長的人比較可能請病假，或有其他原因，讓你抽樣時找不到他。然而，即使有這些大家知道的缺點，五的規則仍然是很便利的。

作者：道格拉斯．哈伯德(Douglas W. Hubbard) 譯者：高翠霜 出版社：經濟新潮社 書系：經營管理 出版日期：2022-08-02 ISBN：9786269615353 城邦書號：QB1112X 規格：膠裝 / 單色 / 416頁 / 16.8cm×23cm