编者按：本文来自微信公众号 刘润（ID：runliu-pub），作者：尤安，编辑：二蔓 ，创业邦经授权转载。

昨天早上，和所有平常的早上一样，我进到了公司，打开了电脑，却突然，收到了这么一条消息：

“你听说了吗？卡尼曼教授去世了。”

哪个卡尼曼？

看图。

从BBC，金融时报，再到纽约时报，在昨天对卡尼曼的介绍词都是：

诺贝尔经济学奖获得者、心理学家丹尼尔·卡尼曼(Daniel Kahneman)，于当地时间3月27日去世，享年90岁。

当然，我猜，除了“那个得过诺贝尔经济学奖的心理学家" ，更多人聊起他，还会忍不住聊起他那两本在全世界都畅销了很多年的书：

《思考，快与慢》和《噪声》。

很多人都是通过这两本总结了他毕生研究成果的书，了解了什么是“行为经济学”，了解了怎样能“让自己做出更好的决策”，进而了解了这位叫丹尼尔·卡尼曼的“行为经济学”之父。

我也一样。他的书，曾一再被我放在必读书单里。书中的很多观点，在中国的商业界和管理界都非常有影响。2021年，我还有幸因书结缘，和他进行过一次对话。

所以，收到消息后，哪怕已经看到图中那些英文报道，我还是有些不相信。或者说，不想相信。

这会儿国内还没看到什么报道，会不会还有转机？

刷热搜，还没有词条，太好了，肯定是误传。搜新闻，还没有报道，太好了，肯定是假新闻。

直到，终于，刷到报道，板上钉钉。

发消息的那位朋友说：“很遗憾，这样一位泰斗，没有得到应有的热度。”

是啊。热搜里，确实没有他。可是，诺贝尔的获奖词里有：

“他将心理学的前沿研究成果引入经济学研究中，特别侧重于研究人在不确定的情况下进行判断和决策的过程。”

人。不确定的情况。判断和决策。

这些年，我们这个号，已经和你一起，看过了太多经济的波动，技术的颠覆，商业的复杂......

所以，我们深知，今天的世界，有多不确定，今天要做决策的人，有多难。

也因此，卡尼曼教授和他关于“人应该如何在不确定的状态下做决策”的思考，弥足珍贵。

所以，哪怕热度不高，我还是新打开了一个文档，想花上一些时间，试着梳理一下他留下的思考，和已经了解他的人一起，再感受一次他的伟大，和还不了解他的人一起，再打开一次他的锦囊。

可是，从哪里梳理起呢？一段长达90年的人生，一位拿下诺贝尔奖的学者，又怎么可能是一个学识尚浅，且只和他见过一次面的我，能在一篇推文里和你说完的呢？

好在，我手边的书架上，还有卡尼曼教授的书。书里有一句公式，很短，却几乎概括尽了那些年我从卡尼曼的思考里获得的恍然大悟和醍醐灌顶：

决策错误=偏差+噪声

( error=bias + noise )

什么意思？用和卡尼曼教授合著了《噪声》的另一位教授奥利维耶·西博尼在一次访谈里说的话来解释，就是：“所有的专业性决策中都会存在错误，我们认为它们都有一个共同点，我们把这些决策错误视为偏差和噪音的组合。”

而这句话，在今天这个时代里，每个一睁眼就要面对不确定，面对竞争，面对变化，为此必须战战兢兢，如履薄冰的人听来，还可以是：

“如果你想做一个质量更高的决策，犯更少的错，活得更久更好，就要有意识地减小偏差，降低噪声。”

什么是偏差？什么是噪声？他们会怎么干扰我和我做出的决策？

今天，请允许我，和你分享。

先说偏差。

偏差

什么是偏差？

我举个例子。

今天，你做完体检，去一个朋友家玩，正准备一起吃炸鸡时，你看到他家有一个体重秤。

你往上一站：101kg。

天哪，我刚刚体检时，他们那台精度超高的体重秤，明明显示我100kg，怎么现在变成了101kg？

不行，100kg是我的底线，超过就得控制。这炸鸡我不吃了。

你朋友一看，说：哦，没事儿，吃吧。我这秤不准，一般测出来都会比实际重上那么1kg，你实际还是100kg.

这个“重上那么1kg”的错误，就是偏差。

偏差，不止出现在体重秤上，还会出现在人心里，干扰人的判断，影响人的决策。

而卡尼曼教授，正是因为发现了这些“人在判断和决策上的系统性误差”，获得了2002年的诺贝尔经济学奖。

其中，有五个偏差，尤其有影响力，让当时的很多人醍醐灌顶，让今天的很多人耳熟能详。

我们一个一个说。

第一，锚定效应（Anchoring Effect）

什么是锚定效应？

先问你个问题：

今天你和一个朋友走进一家奶茶店，突然，他看了看海报上写着的一行字：“原价30元，今日特价15元”，你觉得他接下来会和你说什么？

A，挺便宜诶，买吧

B，怎么要15元，不买

C，等等，你先讲

等等，15元的价格，之于这杯奶茶，真的算便宜吗？

你是因为做过这行，了解行情，能算出成本，基于纯粹的理性做出这个判断的吗？

还是，你是因为看到了“30元”，被这个数字先“锚”定了，再看到“15元”，两相对比之下才觉得便宜呢？

人的大脑，并没有很多人想象的那么理性。

卡尼曼的研究表明，在做决策时，尤其是在做自己不确定的数值估计时，人往往会被第一个看到或听到的数字所影响，不自觉地把这个最初获得的信息当成一个“锚”，作为判断的参考点去做决策。

这，就是锚定效应。

现在，再走进那家奶茶店，你会选什么？再开一家奶茶店，你又会怎么做？

第二，代表性偏差（Representativeness Heuristic）

什么是代表性偏差？

还是先问你一个问题：

今天你有一位投资人朋友，在找他的下一个机会。今天，他看到一家叫“TechFuture”的科技公司，发现它在人工智能领域很有创新能力，你觉得他接下来会怎么做？

A，人工智能诶，赶紧投

B，投资公司嘛，慢慢看

C，等等，你先讲

这还用选？投资公司，是真金白银的决策。有技术不一定有市场，有创新也不一定会成功，当然要看商业模式，看财务状况，看竞争环境...多个维度慢慢看。

可是，如果你听说有一个朋友冲动选了A，你真的会意外吗？同样的事，你见得还少吗？

人工智能一夜暴富的公司，有多少，技术创新带来指数级增长的故事，有多少，看到这些概念容易上头，从而被影响判断的人，就有多少。

卡尼曼的研究表明，人们在看到一个东西时，总会联想和这个东西表面上相似的其它东西，并且以此为基础，简单粗暴地把它们归作同一类，去做判断，做决策。

这，就是“代表性偏差”。

现在，再遇到一些看起来很光鲜的概念，听起来很厉害的故事时，你会怎么做？换你去争取投资时呢？

第三，可得性偏差（Availability Heuristic）

什么是可得性偏差？

还是刚才那位投资人朋友，选择了要投那家公司后，打算买张机票，下午就飞去当地看看。

可是，刚要点付款时，屏幕上方突然弹出一条新闻：“xx航空飞机失事，机上乘客无一生还”。你觉得，他接下来会怎么做？

A，继续支付，买机票

B，取消订单，换高铁

C，等等，你先讲

嗯，不说那位投资人朋友，就说那条新闻，你大概率能在弹幕里，看到类似这样的决定：

“以后再也不敢坐飞机了”...

哪怕，坐飞机的死亡率，甚至可能是所有交通模式中最低的。

根据美国交通部的官方数据，常规旅途民航飞机的死亡率是0.003人/亿英里，铁路是0.06人/亿里，商用大巴是0.05人/亿英里。

为什么会这样？因为一条最近发生的新闻，一段唾手可得的信息，对人的影响，可能会超过一串待在官方统计里的数据。

卡尼曼的研究表明，我们的大脑，有时会因为信息的易获得性，而过度估计其重要性。

换句话说，就是人在做决策时，往往会依赖于最容易获得的信息。

那些最近发生的、尤其显眼的、频繁刷屏的信息，往往也意味着，最容易被想到的信息，而基于这种信息做决策，对于大脑来说最省力。

这，就是“可得性偏差”。

现在，再看到热搜的新闻、刷屏的广告，你会怎么做？如果今天你是一家传媒公司的老板，或者，是那家等待被投资的公司的老板时，又会怎么做？

第四，损失厌恶 (Loss aversion)

什么是损失厌恶？

你在双十一，参加过“预付定金”的活动吗？活动规则是，双十一之前，只要支付一小部分定金，你就能提前锁定一个很优惠的价格。双十一当天，不买的话，定金不退。要买的话，支付尾款。看到这个规则，你什么感觉？

A，算算总价，挺优惠啊

B，分开支付，挺多余啊

C，等等，你先讲

是啊。加起来明明都是那个价格，为什么偏要分成两笔钱，又是定金又是尾款的，多麻烦？一起付不一样吗？

不一样。那笔定金，有用。

什么意思？

这么说吧。假设，“我在马路边，捡到一分钱”带来的快乐，对应的感知是心情+1。你猜，“我在马路边，丢了一分钱”带来的痛苦，对应的感知是多少？

不都是1分钱的事儿吗？-1？不。是-2.5。

卡尼曼的研究表明，人们对于收益和损失的感知，是不对称的。

这，就是损失厌恶。

人们面对同样数量的收益和损失时, 会认为损失更难受。如果一定要为这个难受做个量化，那么同量的损失带来的负效用为同量收益的正效用的2.5倍。

换句话说，和“伤敌一千”的收益比，别说“自损一千”，“自损八百”都是亏，最多“自损四百”，感知上才能打平。

现在，回到那个“预付定金”的活动，你发现了吗？

定金，是不能退的。这是损失。天生会让人厌恶，让人规避。

所以，定金加尾款，看起来，还是等于优惠后的总价，但实际操作起来，对于消费者来说，从感知到决策，都已经不一样了。

现在，如果你消费者，你怎么想？你是商家呢？

第五，框架效应（Framing Effect）

什么是框架效应？

现在，还是双十一，了解了损失厌恶后的你，又看到了两个不同的促销广告：一个是“购买满200元，立减20元”，另一个是“购买满200元，即可获得20元的优惠券，有效期30天”。你会选择点进哪一个？

A，“购买满200元，立减20元”

B，“购买满200元，即可获得20元的优惠券，有效期30天”

C，随便，不都是9折吗

确实。两个优惠，算下来都是9折。

但是，不同的写法，不同感受。B的写法里，有“额外”的优惠券，帮忙强调获得感，有“额外”的有效期，帮忙创造紧迫感。

信息的写法不一样，感受就不一样。决策，自然也会不一样。

卡尼曼的研究表明，人们对信息的接收和处理,会受到信息呈现方式的影响。换句话说，同样的信息，换一个说法，给人的感觉就完全不同了。

这，就是框架效应。

锚定效应。代表性偏差。可得性偏差。损失厌恶。框架效应。

5个偏差，本质上，都是认知上的偏差。

认知偏差了，决策就会有偏差，得到的结果自然也会有偏差。

这，就是为什么有人会说：你永远赚不到你认知以外的钱。

但好在，认知的偏差，一旦被你意识到，就有机会被校正。

但就算校正完，也不代表决策一定不出错。

因为，影响决策的，除了偏差，还有噪声。

噪声

什么是噪声？

还记得刚才那个不太准的体重秤吗？

现在，你的那位朋友吃完了炸鸡，打算再用那个体重秤称一下体重。

站上去1次，显示是100.5公斤。比你重了，他不想面对。

再站上去一次，显示是99.5公斤。比你轻了，他欢欣鼓舞。

再站上去一次，又显示100.0公斤。终于，他停下来了。

100.5公斤，99.5公斤，100.0公斤。

每次测量的结果，都不一样。而这种误差，随机出现，不会完全一样，也无法提前预测。

这，就是噪声。

卡尼曼曾说过，哪里有判断，哪里就有噪声。

并且，噪声越大，就越可能导致决策结果的不一致和不公正。

卡尼曼的研究里，区分了三种主要类型的噪声。

水平噪声，模式噪声，情境噪声。

我们也一个一个说

第一，水平噪声（Level Noise）

今天，有两个法官。一个，是身为妈妈的女法官，一个，是还没结婚的男法官。

你觉得，面对一个因为孩子被霸凌而过失伤人的被告，他们的判决结果会一样吗？

A，一样 B，不一样 C，不知道

我也不知道。

但概率知道。

概率上，同一个情境下，不同的人，做出的判断可能有差异。

这，就是卡尼曼在《噪声》里指出的水平噪声。

第二，模式噪声（Pattern Noise）

现在，还是那位女法官，还是同样面对一个因为孩子被霸凌而过失伤人的被告。

你觉得，在她身为妈妈时，和在她还没结婚生子时，判决的结果会一样吗？

A，一样 B，不一样 C，不知道

同一位法官，在不同时间，可能会对相似案件，作出不同的判决。

同一个人，在不同情境下，做出的判断也可能有差异。

这，就是卡尼曼在《噪声》里指出的另一种噪声：模式噪声。

第三，情境噪声（Contextual Noise）：

现在，那位女法官在开庭前，刚刚收到了一个快递，里面是来自一位以前判过的罪犯出狱后的死亡威胁。

再让她重新判一次那个案子，你觉得判决结果会一样吗？

A，一样 B，不一样 C，不知道

法官在状态好时和状态不好时，也可能对同一案件作出不同的判决。

很多偶然的，外界的因素，也会对判断有影响。

这，就是情境噪声（Contextual Noise）。

总结

偏差。噪声。

一个，是思维所产生的系统性误差。一个是判断中产生的不必要存在的差异。

它们的原理不一样，但对你来说他们的本质都是：

一个能导致你看到的体重不准确，更能导致你所做的所有决策不准确的错误。

然而，偏差天然存在，噪声无法根除。并且，噪声和偏差之间，还可能会相互叠加，一起干扰决策。怎么办？

至少，你还可以在做决策前，意识到这些偏差和噪声的存在，想办法去减小它，规避它的影响。

今天，有一句话，我猜你一定听过：

但行好事，莫问前程。

这句话，原句是“但知行好事,莫要问前程。” 出自五代冯道的《天道》。

译文里给它的注解是：做好当下的事情, 不要管将来会有什么样的结果。

但或许，我们这个时代的人听这句话时，是倒着来理解的：

先，莫问前程。

将来有什么结果，别问。因为，问了也左右不了什么。

再，但行好事。

做好你当下的事，就好。至少，做好你认知以内的事。

莫问。但行。说得真好。

尤其，在今天这个不确定性大的时代，莫问和但行，意味着屏蔽掉不确定，只着眼自己确定的。

但是，或许这句话里真正触动人心，让人念念不忘的，除了“但行和莫问”，其实还有“好事和前程”。

无论在什么样的时代，面临什么样的干扰和局限，总有人还是会心怀希望，向往“好事和前程”。

什么是“好事和前程”？

做好你的决策，在不确定的时代里走好你的路。

前天，为“人类应该怎么做决策”这道题，找了一辈子答案的卡尼曼，走完了他的路。

但是，他留下的答案，和那些因为他的答案，照亮了很多原本被偏差和噪声局限了认知的人的路。

所以，即使昨天的热搜里，没有他，也没有关系。

曾因为他的照亮，打破了更多局限，做好了更多决策，行到了更多好事，走上了更光明的前程的人，不会忘却他。

而不忘却，是最好的纪念。

祝福，每个曾照亮过别人前程的人。

本文为专栏作者授权创业邦发表，版权归原作者所有。文章系作者个人观点，不代表创业邦立场，转载请联系原作者。如有任何疑问，请联系editor@cyzone.cn。