本文出自

別把指標當策略

別把指標當策略

2019年10月號

別讓資訊歸類害你做錯決定!分門別類有害思考

The Dangers of Categorical Thinking
巴特.迪朗格 Bart de Langhe , 菲力浦.芬恩巴赫 Philip Fernbach
瀏覽人數:1852
  • "別讓資訊歸類害你做錯決定!分門別類有害思考"

  • 字放大
  • 授課文章購買
    購買〈別讓資訊歸類害你做錯決定!分門別類有害思考〉文章
  • 個人收藏購買
    購買〈別讓資訊歸類害你做錯決定!分門別類有害思考〉PDF檔
    下載點數 10
我們已經太習慣把資訊分門別類,經常在沒有類別存在的地方也看到類別。這種做法扭曲我們的世界觀,可能會妨礙我們做出妥善、健全決定的能力。而這種現象,對任何仰賴收集和分析資料據以做決定的企業,特別值得關切。

說ta。說da。現在,重複這兩個聲音,注意自己嘴裡如何發出這些聲音。兩者有何不同?

這是個陷阱題!兩者沒什麼不同。這兩個聲音不同,不是因為嘴裡動作有何不同,而是「發聲起始時間」不同所造成的;發聲起始時間是指你開始移動舌頭,到聲帶震動之間相隔的時間。如果這段間隔時間超過大約四十毫秒,會聽到ta聲。如果間隔時間不到四十毫秒,聽到的就是da。

令人驚異的是,你絕不會聽到ta或da之外的聲音。如果兩個人發聲間隔都不到四十毫秒或者都超過四十毫秒,不論他們發聲起始時間有多大差別,你聽到的聲音都一樣。某個人發聲間隔可能是八十毫秒,另一個人只有五十毫秒,可是你聽到的都是ta。但是,如果他們發聲間隔分別處於四十毫秒這條分界線的兩側,即使只差十毫秒,結果都不同。如某個人的發聲間隔是45毫秒,你會聽到ta。如果另一人發聲間隔為35毫秒,你會聽到da。聽起來很奇怪,可是事實就是如此。

網路上最近拿「非此即彼」心態對我們玩弄的把戲大作文章,大家玩得不亦樂乎。例如,有個單字的錄音讓有的人聽起來是Yanni,有的人聽到的卻Laurel。還有一件衣服,有些人看起來是藍色和黑色,有些人看到的卻是白色和金色。就像ta和da一樣,這些例子都讓人落入類別分界線的左邊或右邊,而且他們都信誓旦旦堅持自己的觀感是「正確」的。

人的腦子是一種分類機器,隨時都忙著接收大量亂七八糟的資料,然後加以簡化和建立結構,好讓你能夠理解周遭的世界。這是人類大腦最重要的能力之一,讓人一眼就能分辨眼前的東西是蛇還是棍子。

要讓分類有價值,必須有兩個事實成立:第一,分類必須是合理有效的。你不能武斷地切分一個同質的團體。正如柏拉圖所說,合理有效的分類「把自然從它的關節切開」,就像蛇與棍子那樣。第二,分類必須是有用的。不同的類別,必須在你注重的某些方面有不同的表現。區分蛇與棍子是有用的,因為這能協助你在林間散步時保持安全。

這一切顯而易見。但是,在商業上我們經常創造和仰賴無效、無用的類別,或既無效又無用的類別,而這可能導致做決定時犯大錯。

就拿邁爾斯–布里格斯性格分類指標(Myers-Briggs Type Indicator)來說。它的發行機構宣稱,《財星》五百大企業有八成以上使用這種評估性格的工具,協助做人資決定。這種工具要員工答覆93個有兩種可能答案的問題,然後根據答案來判定他們屬於16種性格類別當中的哪一種。問題在於,這些問題需要持續進行複雜的評估。你要根據事實來回答,還是根據直覺?大部分的人可能表示「看情形」,可是測驗不准你這樣做。因此,接受測驗的人必須選擇其一,選擇一些他們再度受測時可能不會再選的答案。這些問題的答案會被匯集起來,用來評定接受測驗的人是「外向」而非「內向」,或是「評判者」而非「感受者」。這些分類根本就不合理有效。這項測驗也沒有用:性格類別並不能預測工作成敗和滿意度等結果。

既然如此,邁爾斯─布里格斯測驗為什麼這麼流行?這是因為分類式思考會製造強大的假象。

分類式思考在四個重要方面可能很危險。它可能讓你把一個類別的成員全部壓縮簡化(compress),認為他們很相似,但其實他們沒那麼相似;擴大不同類別成員之間的差異;歧視、偏袒特定類別;固定化(fossilize),把你強加的類別結構視為固定不變的。

只做壓縮忽略差異

找錯目標顧客、招募錯的人、投資錯誤

在做歸類時,你是用刻板印象來思考。但是,這會讓人很容易忘記,你所建立的類別裡存在很多差異性。

對目標顧客的迷思。陶德.羅斯(Todd Rose)在他的著作《終結平均值》(The End of Average)中,講了一個故事:美國克利夫蘭市一家報紙在1945年舉辦比賽,以尋找身體結構最典型的女性。在那之前不久,有一項研究剛剛決定身體各種尺寸的平均值,而報紙編輯用這些尺寸來定義他們所謂的典型。總共有3,864名女性提供她們的身體數據。要不要猜有幾個人的每一種尺寸都接近平均值?

一個也沒有。每個人在許多方面都不一樣,因此不可能有任何人在每一方面都接近平均值。

顧客也是如此。以顧客區隔研究為例。這是行銷部門最常用的工具之一,目標是把顧客區分成不同類別,然後找出目標顧客,也就是值得特別注意、成為策略焦點的類別。

區隔研究一開始通常是詢問顧客的行為、希望和人口調查特性,然後根據答案的類似程度,用叢集演算法把他們分成幾組。這種分析很少能夠產生彼此有高度差異的類別。但是,行銷人員並未認真評估這些群體劃分是否合理有效,只顧進行區隔流程接下來的步驟:決定平均值,建立顧客樣貌和顧客人物誌(persona)。

「廂形車媽媽」等類別就是這麼產生的。某位行銷人員在進行一項調查後,找到一個看起來很有趣的群體,其中60%為女性,平均年齡四十歲出頭,而且平均有2.75個孩子。人們看到這些平均數字,很容易就會偏離資料,開始想像一個擁有這些特性的典型顧客:廂形車媽媽。

這類標籤,導致我們看不到各種類別裡面存在的差異。例如,2011年的一項研究,讓參與者看到處於身體質量指數九個等距點的女性輪廓圖像。研究人員讓他們看那些圖像兩次,一次如圖1,另一次有加上「厭食」、「正常」和「肥胖」的標示(圖2)。

大多數企業採用的顧客區隔類別,並不像表面上看起來那麼截然分明。同一類別裡的顧客,行為表現經常很不一樣。

參與者每次看的時候,都被要求根據各種標準為這些圖像評分。他們看到有標示的圖像時,對這些女性的看法,與看到沒有標示的圖像時顯著不同,雖然這些女性本身沒有絲毫改變。例如,看到附有標示的圖像時,他們會認為7號女性的個性和生活方式比較類似9號女性,因為這兩人都被標示為肥胖。同樣的,看到附有標示的圖像時,他們會認為同樣被標示為正常的4號和6號女性比較類似。

就像體型一樣,大多數企業採用的區隔類別,並不像表面上看起來那麼截然分明。同一類別裡的顧客,行為表現經常很不一樣。為了抗拒壓縮做法的影響,分析師和主管不妨詢問,兩個不同群組的顧客,比兩個屬於同一群組的顧客更類似的可能性有多大?例如,一個廂形車媽媽喜歡的服裝品牌,更類似一個特立獨行的媽媽,而非另一個廂形車媽媽的可能性有多大?這種可能性經常更接近50%而非0%。

篩選效應。壓縮做法也可能扭曲招募決定。假設你負責為公司雇人,最近你貼出徵才公告,有二十人應徵。你會先做初步篩選,根據他們的技術能力來排名,然後請排名最高的五個人接受面談。

雖然這五個人的技術能力差別相當大,可是你在決定雇用哪個人時,不太會受這個因素影響。你一旦根據技術能力篩選過這些人之後,就會覺得進入最後階段的人選在技術能力方面全都很類似。你受到分類式思考的這種影響,因而會是主要根據這些人在面談時表現的軟技能來做決定,像是他們是否讓人看得順眼、他們的溝通能力如何等等。這些技能當然很重要,可是許多工作最重要的條件,是盡可能尋求最高的技術能力,而篩選效應會妨礙你鎖定這種條件的能力。

財務投資異常。金融市場也會出現壓縮簡化的做法。投資人根據規模(小型公司或大型公司股票)、產業(能源、健康照護等)、地理等因素,把資產大致做分類。這些分類協助投資人篩選大量的投資選擇,這一點很重要。但是,它們也導致投資人在風險和投資報酬方面,未能有效率地分配資金。例如,在1990年代末的網路泡沫時期,大家幾乎想都不想就大肆投資於名稱裡有「網路公司」的企業,即使這些企業本質上沒有任何其他改變。這種錯誤使許多投資人損失慘重。另一個例子是,一家公司的股票一旦被納入標準普爾五百指數,就開始更密切地隨著這個指數裡其他公司的股價起伏,即使這家公司或它的股票實際上並沒有改變。

擴大不同類別的差異

刻板印象、武斷的門檻、結論錯誤

分類式思考會鼓勵你誇大不同類別之間的差異。這可能促使你用刻板印象看待其他群體的人、訂定武斷的決策門檻,以及做成不正確的結論。

團體動態。擴大效應若是影響到你對社會或政治團體成員的看法,就可能造成嚴重後果。研究顯示,分屬於對立政黨的人,往往會高估對方觀點的極端程度。

你覺得誰比較關心社會平等:自由派或保守派?如果你回答自由派,就答對了。平均而言,自由派比保守派更重視社會平等。但是,有些保守派比有些自由派更重視社會平等。假設我們任意在街上找兩個人,第一個人投票給保守派,第二個人投票給自由派。第一個人比第二個人認為社會平等更重要的可能性有多大?答案比你可能以為的更接近50%。平均值會掩蓋不同團體之間的重疊之處,擴大我們認為的差異。雖然這個例子裡有平均值,但其實許多保守派比許多自由派更關心社會平等。  

如果你是美國的自由派,你可能以為所有保守派都反對墮胎、槍械管制和社會安全網。如你是保守派,你可能以為所有自由派都希望開放邊界,以及由政府主辦全民健保。事實當然就是,這些意識形態和政策立場存在於一個連續的政治光譜之中。

在當今注重大數據和顧客樣貌描繪的時代,分類式思考造成的擴大效應特別值得擔憂。例如,臉書會根據用戶的瀏覽歷史,為他們貼上政治標籤(「溫和派」、「保守派」或「自由派」),並提供這些資訊給廣告商。這種做法可能導致廣告商以為臉書不同類別用戶之間的差異程度,其實大於實際的差異,而諷刺的是,這可能鼓勵廣告商向每一個群體傳達為他們量身打造的訊息,結果擴大了實際的差異。2016年美國總統選舉和英國有關是否脫離歐盟的宣傳活動期間,似乎就發生這種情況:臉書向「保守派」和「自由派」提供了數以千計可能引發分裂的溝通訊息。

許多公司內部也窮於應付類似的擴大現象。公司成敗經常取決於能否創造跨部門的綜效。但是,分類式思考可能使你嚴重低估各個團隊的跨部門合作能力。例如,你可能認為你的資料科學家擁有很多技術專長,可是不太了解業務運作方式,而你的行銷經理擁有本身領域的知識,但不知道如何處理資料,如此一來,你可能很少會想到要讓他們共事合作。這正是許多分析計畫宣告失敗的一個原因。

做決定。擴大效應也會對管理上的決定造成更微妙的影響。例如,美國職業男籃教練在以些微之差輸球(100比101)後改變先發陣容的可能性,比險勝(100比99)之後高出17%,雖然在這兩種情況裡對手的得分只差了兩分。但是,很少教練會因球隊以100比106輸球,而非以100比108輸球而改變陣容,雖然這兩場的對手得分差距仍然是兩分。輸球在感覺上性質與贏球不同,因為你不會把球賽結果看成是連續體。

行銷人員往往滿腦子只有目標顧客,忽略了能從所有顧客獲得的價值。

每當你根據某種連續體上的某個分界點(cutoff)來做決定,都可能擴大微小的差異。2008年金融危機發生後,比利時政府撥款為法國巴黎銀行(BNP Paribas)旗下的富通集團(Fortis)紓困,所以比利時政府擁有巴黎銀行數百萬股的股票。比利時《標準報》(De Standaard)指出,2018年1月底,這些股票的股價略高於67英鎊,當時比利時政府決定,股價若是達到68英磅就要賣掉。但股價一直沒有達到這個水準,反而直線下降,現在股價只有44英鎊。

比利時政府沒有人能預測股價會跌得這麼慘。但比利時政府的錯誤,在於把賣股票變成只有賣或不賣的決定。更妥當的做法應該是在某個價位賣掉一些股票,在另一個價位再賣掉一些,按照這種方式持續操作。

統計顯著性。隨著行為經濟學和資料科學的影響力上升,企業日益仰賴A/B測試來評估有效性。這有部分是因為A/B測試很容易執行和分析:創造出除了一個因素之外,其餘因素完全相同的兩個版本的情況;分派一組人體驗A版本,另一組人體驗B版本;接著衡量這兩組人之間是否有重大的行為差異。即使實驗操縱的因素(也就是刻意設定的唯一不同因素)沒有造成影響,但兩組人之間總是會有某種差異是純粹偶然隨機出現的。因此,為了判定這種差異是否夠大,足以顯示受操縱的因素的確有產生影響,於是要進行統計測試。這種測試的結果會計算出一個機率,顯示如果操縱做法沒有造成影響,你有多大機率會看到那個大小的差異。這種機率稱為p值(p-value)。p值愈接近零,你就愈能放心斷定,任何差異都是源自你操縱的那個因素,而不只是偶然造成的。但是,要多接近零才夠?

英國統計學家和遺傳學家羅納德.費雪爵士(Sir Ronald Fisher),在1925年武斷地決定0.05是方便合用的門檻。他大可同樣輕易地選定0.03,而其實他也建議,根據研究的具體特性來決定p值門檻。但是,很少人注意這一點。接下來數十年,整個科學界都盲目追隨,把0.05視為區分噪音與信號的神奇界線,並成為商業實務的通則。

這是個問題。A/B測試獲得的p值為0.04時,人們可能決定採用某種干預措施,但p值為0.06時,就可能不採用,雖然p=0.04和p=0.06的差異本身並沒有意義。更糟的是,許多實驗人員定期檢視資料,以測試統計顯著性,在看到p值低於0.05時,就停止收集資料。某項其實無效的干預措施,卻會因為這種做法,而大幅提高它被斷定為有效的可能性。最近有一項研究,檢視了採用一種流行的線上平台來進行A/B測試的實驗人員的做法,結果發現大多數做法都有這種「操弄p值」的現象,造成得到錯誤發現的機率從33%提高到42%。

因歧視而造成損害

目標過高、偏頗分析與解釋各式資料

你若是設定了類別結構,往往就會偏重特定類別,勝於其他類別。但是,不夠注意其他類別可能造成損害。

目標過高。假設你是一家網路零售商的數位行銷主管,銷售的是設計獨特新奇的家具。你做過顧客區隔研究,找出一個目標顧客區隔,他們具有下列特性:年紀18至34歲的男性專業人員,在時尚、行銷或媒體業從事創意工作,擁有中位數可支配所得。你有一萬美元數位廣告預算,正在考慮三種計畫:(1)不針對特定目標。廣告以相同機率向所有臉書用戶展示,平均每次點擊的成本是四十美分。(2)全部針對目標。廣告只向你的目標區隔展示,平均每次點擊的成本是六十美分。(3)部分針對目標。投資一半預算向目標區隔做行銷,另一半用於大眾行銷,平均每次點擊的成本是48美分。

你會選擇哪種計畫?可能第二或第三種,因為能讓你縮小目標群體,對吧?

錯了。最好的選擇可能是第一項,也就是最廣泛的目標群。為什麼?因為,鎖定廣泛目標的投資報酬率,通常高於鎖定狹窄目標。研究人員發現,線上廣告提高購買可能性的幅度,通常只有不到1%的極小幅度。如果一個人不看你的廣告而買你產品的機率是 0.1%,那麼看了廣告可能可以把購買你產品的機率提高到0.13%。廣告對目標顧客的正向效用可能稍大一點,但很多時候並不能彌補平均每次點擊增加的成本。但是,行銷人員滿腦子只有目標顧客,忽略了能從所有顧客獲得的價值。

臉書正與伙伴合作教導廣告客戶,讓他們了解相較於鎖定狹窄目標,觸及範圍的重要性。它引用一個向來鎖定男性的啤酒品牌的例子。這個品牌轉向數位媒體平台之後,能夠縮小鎖定的目標對象。這似乎是好事,但其實卻嚴重限制了它的廣告的觸及範圍,品牌生意也開始下滑。這家公司經過一些調查之後發現,喝這種啤酒的有很大部分是女性。於是它擴大廣告鎖定的目標群體和創意訊息,生意立刻好轉。

淨推薦者分數。歧視作用可能扭曲對資料的詮釋。我們教資料分析課程時,經常問學生是否聽過淨推薦者分數(Net Promoter Score, NPS),以及他們的公司是否有使用這種指標。每次總是大多數學生都舉手。這是有理由的。弗雷德里克.瑞克赫爾德(Frederick F. Reichheld)在《哈佛商業評論》提出NPS的概念〔見本刊官網文章〈力求成長的關鍵數字〉(“The One Number You Need to Grow,” HBR, December 2003)〕,於是NPS迅速成為商業界最重要的關鍵績效指標之一,至今仍然如此。

NPS是什麼?它是怎麼運作的?公司請顧客(或員工)使用0~10的量表,指出他們向親友推薦這家公司的可能性有多大。0表示「完全不可能」,10表示「極可能」。公司根據顧客的答覆,把他們分成三類:批評者(detractor,0~6)、消極滿意者(passive,7~8)、推銷者(promotor,9~10)。決定每一類別裡的顧客的比率之後,把推銷者的比率減掉批評者的比率,得到的就是NPS。如果60%的顧客是推銷者,10%是批評者,NPS就是50。

有很好的理由使用NPS。它直截了當,而且容易了解。它也能協助避免分類式思考帶來的「擴大」偏誤,這種偏誤就像瑞克赫爾德在他的文章裡指出的:「傳統顧客滿意度評估容易出現『分數膨脹』,受訪者的態度其實只要比中立好一點點,就被視為『滿意』」。

這確有幫助。但實際上,NPS系統展現了它理應協助公司避免的那種擴大偏誤。例如,給6分的顧客更加接近給7分的顧客,而非給0分的顧客,卻仍被列入批評者類別,而非消極滿意者類別。換句話說,類別界線兩側分數的小小差異很重要,足以影響SNP分數,但同一類別內同樣大小的差異或更大的差異,卻沒有什麼影響。

NPS有另一個分類式思考問題:它不理會調查裡發現的消極滿意者。來看看兩個極端的意見調查結果:一家公司有0%批評者和0%推銷者;另一家公司有50%批評者和50%推銷者。這兩家公司的NPS一樣,可是它們的顧客群顯然非常不同,應該用不同方式處理。

對相關性的偏頗詮釋。分類式思考也可能扭曲你詮釋資料的方式。假設你負責管理服務台。你覺得員工滿意度可能影響顧客的滿意度,因此你委託進行研究。幾週後人資分析團隊提供資料給你,用類似圖1的散點圖顯示。

你如何評估員工滿意度與顧客滿意度之間關係的強度?大部分人看到的是中等強度的關係。

但如果結果不同,你看到的是圖2,情況會如何?現在你要如何評估這個關係的強度?

大部分人會看到關係弱很多,或是兩者根本沒有關係。但是,關係強度其實大致相同。這兩個散點圖,除了圖1右上側八個點在圖2移到了左下側之外,其餘完全相同。

那麼,為什麼人們在圖1看到了較強的關係?因為他們通常覺得右上側比較重要。在圖1他們看到許多滿意的員工有滿意的顧客,因此他們斷定兩者相關性相當強。在圖2他們看到較少滿意的員工有滿意的顧客,因此斷定他們的相關性較弱。這給我們的教訓是:未能對所有類別給予同等注意,可能損害你正確發現變數之間關係的能力。

固定化的世界觀

擺脫不了舊構想,新構想就進不來

劃分類別會導致固定的世界觀,讓我們覺得事情就是這個樣子,而不是呈現出某個人用來安排組織這個世界的方式。約翰.梅納德.凱因斯(John Maynard Keynes)說得好:「困難不在於新的構想,而在於擺脫舊的構想。」

1950年代,Schwin自行車公司稱霸美國自行車市場。Schwin專注於年輕人的市場,製造加上鉻外層的大輪胎厚重腳踏車,讓小孩子在住家一帶騎著玩。但是,1950到1970年代市場大為改變。許多成年人愛上騎自行車運動,想要較輕且性能更高的自行車。Schwin未能順應現實,美國消費者也逐漸轉向歐洲和日本自行車品牌。Schwin就此開始走向沒落的痛苦歷程,終至被人遺忘。Schwin持續幾十年成功地賣腳踏車給兒童,因此對消費者整體情勢的看法固定化了,看不到正在進行的天翻地覆改變。

創新。創新就是是突破分類式思考的傾向。許多企業的目標是要透過劃分類別來提高營運效率。它們分派任務給人,把人分派到各個部門等等。像這樣劃分業務類別是有作用的,但也得付出代價。設立各個部門的界線,是為了協助解決過去的問題,但未來的業務問題,不見得都會恰好落在既有部門界線之內。只在既有類別內思考,可能會拖慢了創造知識的速度,因為這會妨礙人們用新方式結合各種元素的能力。

看看多倫多大學(University of Toronto)研究人員2016年的發現。他們請大約兩百名參與者用樂高積木拼出外星人,要求其中一些人用已分成幾堆的積木來組合,要求另外一些人使用隨意放置的各種積木。然後由第三組人為作品創意評分,結果他們宣布,用沒有分類的積木組合成的外星人較有創意。

類別如果固定化了,可能會用另一種方式妨礙創新,讓人更難思索如何用不合常規的方式使用東西或構想。這就是功能固著(functional fixedness)的問題。如果給你一個螺絲釘和一把扳手,要你把螺絲釘插進牆壁,你會怎麼做?你可能會設法用扳手把釘尖敲進牆面,然後把釘子扭進去。可想而知這種做法既笨拙又無效。你可能想不到,最有效的做法是把扳手當成錘子,把螺絲釘像普通釘子一樣錘進去。

降低分類式思考危險性

提高警覺、資料分析能力、稽查標準

那麼,思慮周詳的領導人,要如何避免分類式思考造成的損害?我們建議一個包含四個步驟的流程:

1.提高警覺。我們都使用分類式思考,而且其來有自。但是,任何要做決定的人,都必須注意到分類式思考所鼓勵的過度簡化和扭曲、它帶來的一目了然感受,以及它創造的無形偏誤。協助員工坦然面對不確定性、微小差異和複雜性的公司,最能夠避免這些陷阱。在做決定時,必須隨時詢問自己:「某種分類是否合理有效?是否有用?」

2.發展持續分析資料的能力。要避免在做決定時因分類式思考所造成的錯誤,關鍵在於良好的持續分析能力。但是,許多公司缺乏這種知識技能。例如,要做市場區隔時,它們把分析工作外包給專門公司,可是後來卻錯誤詮釋買到的資訊。這種問題比較容易解決。只要接受一些訓練,就可以使用已驗證過的指標,來評估某個已界定出來的區隔是否合理有效。任何公司若是把區隔研究當成行銷研究或策略規畫的重要部分,都應採用這些指標,並接受這類訓練;聰明的組織會把這當成絕佳的機會,用來培養內部專業知識,並取得競爭優勢。

3.稽查做決定的標準。許多公司會在一個連續體上武斷地選擇一個點作為門檻,並決定要在通過那個門檻之後,才展開行動。這種做法有兩個缺點。

首先,這會增加風險。假設有一家公司正在做市場研究,以判斷某項新產品是否可能成功。如果大規模意見調查當中的消費者評估達到預定門檻,或者有一項實驗的p值小於0.05這個神奇數字,公司可能就會著手推出產品。但是,剛剛超過門檻或只差一點就達到門檻,這兩者的差異極小,因此公司可能只因樣本的隨機變異,或收集資料方法出現某種小偏差,就取消整個計畫。所以,一些微小和根本沒有意義的差異,可能導致極為不同的決定,而且就如比利時政府從未能達到售股門檻所學到的教訓,這可能導致錯誤的決定。在這種情況下,採取分階段的做法更加健全得多。比利時原本應該可以根據證據的權重,來分配投資數額,而不是設定一個門檻來決定賣或不賣的二元做法。

其次,武斷決定的門檻,可能妨礙學習。假設有一家公司決定,如果沒有達到某個營收目標,就要調整組織結構。如果它距離目標只差一點點,它可能會認為有地方出錯了,因而進行變革。但如果它剛好勉強達成目標,它可能認為情況不錯,並維持原來的做法,雖然這兩種情況下的數字幾乎相同。

為了避免這些問題,我們建議你仔細查核整個組織採用的決策標準。你可能意外發現,有那麼多的決定是根據「做或不做」的標準而做成的。有時候,這種情況無法避免。但是,通常會有其他替代做法,而這些替代做法代表著獲得競爭優勢的另一種機會。

4.定期舉行「破除固定化」會議。即使你遵行前面三個步驟,仍有固定化的危險。要避免這種危險,應該定期舉行腦力激盪會議,仔細檢討你對所在產業現況的最基本信念。你的顧客情勢模式是否仍然切合實際?顧客的需求和願望是否正在改變?

一個創新的方式,就是反思現有類別的個別組成元素,為它們想出新的功能。例如,汽車把人從A地送到B地;郵局員工把郵件從A地送到B地,對吧?

嗯,是沒錯,但如果你這樣想,可能忽略了許多很有意思的機會。亞馬遜公司(Amazon)就體認到這點。它探究汽車的功能,發現汽車也能用來收取包裹,因此在美國,它開始把郵件送到它Prime會員的車子。同樣的,荷蘭皇家郵政(PostNL)思考自家郵差的功能,結果想到他們在送信途中,可以定期拍攝雜草的情況,以協助更妥善評估噴灑除草劑的效用。這種寶貴的新功能,是分類式思考絕對不會讓公司看到的。

別變成分類機器

把事物分類,是我們理解世界、向別人傳達我們想法的方式。但是,我們就像分類機器一樣太習慣做分類了,因此常在根本沒有類別存在時,還看到類別。這扭曲了我們的世界觀,影響到我們的決策方式。以前企業即使犯這些錯,可能還過得去。但是現在隨著資料革命的進展,成功關鍵在於學習減少分類式思考造成的不良後果。

(黃秀媛譯自“The Dangers of Categorical Thinking,” HBR, September-October 2019)



巴特.迪朗格 Bart de Langhe

西班牙巴塞隆納拉曼魯爾大學艾薩德商學院(ESADE Business School, Ramon Llull University)行銷學教授。


菲力浦.芬恩巴赫 Philip Fernbach

美國科羅拉多大學波德校區李茲商學院(Leeds School of Business, University of Colorado Boulder)行銷學教授,與人合著《知識錯覺》(The Knowledge Illusion)。


本篇文章主題心理