數據化決策：第三版

這本書是真好。我得讀它三遍以上。這是第一遍，反正愛上了。 ①萬事皆可量化。就從這句話，我就會愛上這本書。量化才能讓我們進入科學思維狀態，而且量化需要的數據遠比我們想象的少。 ②作者講了三個故事，都很精彩，尤其是埃拉托色尼估算地球周長是方法，實在高明，令我印象深刻。對，就需要兩個數字和簡單的加減乘除，就可以估算出地球的周長。7°，360°，兩點之間的距離，代入公式，就可以估算出來。 ③我們之所以不會量化，是因爲我們問錯了問題，更不會拆解問題。 ④量化的目的，不是追求精確數字，而是減少不確定性，從而適應不確定性，也不是徹底消除不確定性。知道了這個點，我們就不會糾結。 ⑤作者提出的五步法量化模型，實在很妙，如果我沒有掌握這個方法，我覺得我有點兒蠢，而且我相信總有機會我會用到這個方法。 ⑥量化分析有兩種，傳統統計分析和貝葉斯分析。我更愛後者，因爲它賦予了歸納法以先驗概率。 ⑦在我從事的交易領域。量化風險是首要的工作，優秀是交易員時刻都知道他所有頭寸是最大風險敞口，也知道每個具體頭寸是最大風險敞口。而且在建立頭寸的時候，已經對未來有了詳細的規劃。這就是專業與小白的主要區別。 好書，我得喫透它。

美國職業經理人：無量化，無管理”（No Measurement, No Management 一、萬物皆可量化 1、故事一：如何測量地球周長？通過不同城市正午的陰影的不同長度。古人發現在一年裏的一天的正午在埃及的一個地方的一口井的陽光正好垂直射進去，於此同時在另一個地方的陰影測量出來是7°，那麼7°是360°的50分之一，地球周長就是兩個地方距離的50倍。 2、故事二：費米分解法“芝加哥鋼琴調音師有多少”？芝加哥人口300萬，每家2-3人，家庭擁有鋼琴的比例十分之一，每個鋼琴一年需要調音的次數1次，一個調音師每天調音4次，一年工作250天，300/3*0.1*1/(250*4)=100,因此大概在這個數量級上面。 3、故事三：決策是否開設一個車輛保險公司？利用費米分解可以大致預估要不要開，查詢基本信息這個地方有60000輛車，每個車保險費在870快，保險佣金在12%，那麼總收入就是在600萬左右，當地有38家公司，那麼平均值就是16萬收益，而且這個地方人口還在下降，因此在這個地方開保險公司不合算。 4、量化能讓你進入科學思考的狀態：當你談論一個事物的時候，如果你不能量化就不能進入科學思考的狀態 5、如何量化人生的價值？是一個很好的問題，設置目標，達到目標，提升體驗的維度... 6、量化的目的：量化的目的是減少不確定性。量化的誤區：量化不是追求絕對的精確，而是衡量趨勢的變化。 7、不能量化的原因：很多情況下我們無法量化的原因是我們不知道我們要量化的目標是什麼？比如我們要制定技術安全績效指標，最終發現信息安全就是未經過授權的網絡攻擊和病毒攻擊。因此定義了概念，就可以量化。如果你不能量化，那一定是你不知道你要什麼！ 8、香濃量化了信息，是現有理論再有通信和信息傳遞。 9、5人法則：如果對於一個大樣本的數據來講，你很難去定量化，那麼可以隨機抽樣5份或者5個人，那麼從這5個人裏面去找到數據的準確的範圍。 10、4個假設：第一我們行業的問題並不如你想象的那麼特別。第二，你擁有的數據比你想象的更多，你需要的數據比你想象的要少。比如說在在圖書館裏就能算出地球周長的人。 二、量化和決策（不確定性和風險） • 如果我們的量化不能支撐我們的決策，那這個量化就沒有價值。 • 直覺本身就是一種決策模型 • 故事四：給政府量化未來五年採購IT系統如何量化信息安全價值？可以採用費米拆解，比如一年發生幾次安全事故，多少人受到影響，不能工作時間多次，人力成本是多少。這樣就可以算出來總共的影響。 • 如何校準你的評估水平，可以用“等價賭注”，也就是你的評估願意付出等價值的資金嗎？ • 量化風險？這是一個很好的值得思考的課題。風險就是未來存在損失的可能性。我們在計算收益的同時要量化風險。有一個工具是蒙特卡洛模型。 三、量化減少不確定性 • 在實際的世界中很多事物都是間接測量的，比如電子的質量，地球的質量 • 量化分析有兩種，一種是傳統的統計分析，一種是貝葉斯分析。 • 故事五：如何測算一條湖有幾條魚？第一次抓捕1000條魚然後做上標記放回去，然後再抓取1000條，發現是50條有標記，那麼1000/0.5=2萬條，湖裏大約有2萬條魚。 • 傳統的統計學分析，基本都建立在總體分佈式正態分佈狀態。每個人都有本能的貝葉斯算法作爲決策，總是通過新信息更新原來的信息。那麼這個也是改變人認知的一種途徑。 四、量化人的偏好，態度，判斷 1、如何觀測每個人的偏好，一個是看他說了什麼，一個是看他做了什麼 • 人類下心理如何影響決策（可以反向利用這些效應） 1、錨定效應：給定一個範圍，這樣可以影響人的判斷 2、光環效應：一開始就有正面印象，後面就會很好 3、從衆效應：設計一個羣體，一個人答應了其他人也跟着答應 故事六：計算美國在伊拉克的用油量。第一分解出使用模型 第二對52種車用油量採用置信區間評估 第三量化戰鬥場景下的耗油量

本書的兩個基本理念:1是任何事物都可以量化；2是量化的目的是爲了降低不確定性以支持決策。爲量化提供了很多新的視角，讀完第一和第二部分有種驚爲天書的感覺，讓我瞭解到減少不確定性對具有時間窗口的決策有非常大的價值，決策者做日常決策的時候往往是在一個有限的時間窗口和有限的資源情況下的。而且作爲數據分析從業者怎怎麼量化分析價值讓老闆直觀的感受到，簡直是關乎生死一樣重要的，所以對本書寄予厚望。然而從第三部分開始就介紹起了統計和量化的方法😓，至此本書在我心中的評分大打折扣。相信很多本書的讀者都是衝着風險的量化，退伍軍人量化決策支持，信息安全的價值等吸引人的量化例子來的，希望能切實的學習到案例中的量化方法和實際落地操作的，但是本書並沒有介紹，只是將過程簡單的歸納成幾個步驟。 最後給後來的閱讀者避雷，如果你只是想學習量化的方法，看到第二部分就可以了，如果你想學習統計學方法、控制實驗等可以去看統計相關書籍

道格拉斯·W.哈伯德的《數據化決策》(第三版)作爲應用信息經濟學的經典著作，以其獨特的量化方法論突破了傳統決策分析的侷限，提出了“萬事萬物皆可量化”的核心命題。 道格拉斯·W.哈伯德的《數據化決策》(第三版)構建了一套完整的量化決策方法論體系，其核心命題直指傳統認知的盲區——“萬事萬物皆可量化”。該書顛覆了人們對量化邊界的一般理解，通過系統的理論框架和豐富的跨領域案例，展示瞭如何將看似不可量化的無形之物轉化爲可測量、可分析的決策變量。全書內容可分爲三個有機組成部分：量化哲學基礎、風險與信息價值評估體系以及實用量化工具集，共同構成了一個邏輯嚴密的方法論系統。 第一部分“量遍天下：沒有什麼不可量化”構成了全書的哲學基礎。哈伯德在此部分挑戰了傳統量化觀念，提出了革命性的觀點：量化並非取決於事物的本質屬性，而是取決於我們觀察和定義問題的方式。他通過“澄清鏈”方法揭示了量化目標中本身就隱藏着量化方法，只要能夠明確定義決策問題，就能找到相應的量化路徑。這一部分特別引人入勝的是對歷史上各種“不可能量化”案例的剖析，如9歲女孩僅用10美元實驗揭穿醫學謊言、物理學家費米估算芝加哥鋼琴調音師數量等，這些案例展示了創造性量化思維的強大力量。哈伯德特別指出，傳統量化定義存在三大誤區：過度追求精確度而非準確度、誤認爲量化必須耗費巨大成本、忽視小樣本的統計價值。他提出的“5人法則”表明，極小樣本也能顯著降低不確定性，這對資源有限的新聞傳播研究尤其具有啓示意義。 第二部分“量化什麼：不確定性、風險、信息價值”將焦點轉向決策分析的核心要素。哈伯德認爲，量化不應是目的本身，而是服務於更好決策的手段，因此必須首先明確“什麼不確定性對當前決策真正重要”。他引入了“預期機會損失”(EOL)框架來評估不同信息的價值，幫助決策者判斷值得投入多少資源進行某項量化工作。這部分最具創新性的是對校準訓練和蒙特卡洛模型的闡述。校準訓練通過系統練習幫助研究者修正主觀判斷偏差，使“90%的信心確實對應90%的概率”；而蒙特卡洛模型則展示瞭如何對不確定性範圍進行數學運算，從而評估整體風險水平。這對新聞傳播領域的風險評估(如輿情危機預警、傳播效果預測)提供了實用工具。哈伯德特別強調的“風險悖論”現象——越重大的決策往往越缺少系統風險分析。 第三部分“量化方法：如何減少不確定性”是全書的操作指南，詳細介紹了從簡單到複雜的多層次量化技術。哈伯德提出“廣義測量儀器”概念，認爲任何能提供相關信息的方法都可視爲測量工具，包括互聯網數據抓取、社交媒體分析等非傳統手段。他系統比較了不同抽樣策略的適用場景，強調隨機抽樣和貝葉斯方法在動態更新認知方面的優勢。特別有價值的是對“異構標杆法”的闡述，即通過類比不同領域的相似問題來評估難以直接量化的對象。這部分還介紹了前沿的量化技術和工具，如GPS追蹤、屏幕抓取軟件、預測市場等。 《數據化決策》所倡導的量化方法論有利於新聞傳播學科的範式革新，推動本領域從傳統的質性描述向精確量化分析轉型。在數字化傳播環境中，傳播現象的數據化程度空前提高，每一條新聞的傳播路徑、每一位用戶的反饋行爲、每一次交互的時空軌跡都成爲可記錄、可分析的數據點。哈伯德的“萬物皆可量化”理念在此背景下爲新傳研究提供了認識論基礎，使我們能夠突破傳統方法的侷限，以全新的視角審視傳播現象。

本書雖然不是一部大而全、嚴謹的展開論證量化決策的工具庫，裏面的量化方法也偏傳統，但作者以詳實的案例講述了量化的重要性、適用範圍、開展量化工作需要的準備事項、開展的順序、以及介紹了一些傳統工具的用法。 對我而言收穫最大的是作者在本書中反覆強調的幾個原則： 1. 基本所有決策都可以量化 2. 不要執着於不可得的精確值，一個可靠範圍內的估值更可用 3. 精準定義很重要，多數麻煩不來自於不知道的事，而來自於知道的不確切的事 4. 簡單有效的方法很多時候效果優於複雜方法 5. 你的難題早就被人量化過了，不用重複發明 6. 你擁有的數據比你認爲的多 7. 你需要的數據比你認爲的少 8. 適當的新數據比你想象的更可得 9. 設計恰當的儀器和實驗很有幫助 10. 注意相關關係不是因果關係，如果認爲有因果，需要拿出可靠證據

好書要做到兩點，即有料，又好讀。 這本書有點料，但真不好讀，給個一般。 首先翻譯不好，導致閱讀起來很費勁。此時如果行文邏輯流暢也可以彌補翻譯的不足，畢竟廢點心神也能啃下來，偏偏不是，經常讓人找不到上下段落的關聯。所以，不好讀。 說完了缺點說優點，這本書涉及面極廣，我們只說一個觀點和一個方法。 觀點：萬物皆可量化。量化不是追求精確的數字，是追求不確定度的降低，因此，量化不再是一件困難的事，有些時候通過對量化目標的簡單拆解，就可以顯著降低不確定度。而不確定度的降低，對有效的決策助益極大。 方法：費米拆解法。將量化目標分解成多個子因數，通過查詢或推算子因素的值，完成目標值的估計。如某種城市調音師的數量=人口/每家人口×有鋼琴的家庭百分比×每年調音次數/（調音師每天調音的鋼琴數×年工作天數） ——————————————————— 除此之外，以下是我摘出來的筆記，完全是站在我的角度寫，讀者不一定看得懂，蠻放。 1. 改變的觀念 什麼叫量化。量化不是要求計算出確切的數值，是爲了減少不確定度。 什麼時候該量化。當量化的收益大於量化的成本時，就應該量化。 量化很複雜。不會，要能夠一定程度減少不確定度，就是有效得量化。很多時候，只要簡單開展量化， 就能夠顯著減少不確定度。 很多東西沒法量化。綜上，如果只是爲了減少不確定度， 總能找到一個合適的方法。簡單的方法減少了不確定度少，複雜方法減少的不確定度多，但都是量化。 量化可以訓練。經常進行量化訓練，可以有效提升量化的準確度 2. 增長的知識 2.1 如何量化（自己的理解，非書中內容） 明確需求。問兩個問題，一是現在遇到什麼問題，需要量化來解決。二是通過量化行爲，希望估計大家做什麼行爲， 決定量化的維度。根據敘述，可以知道從哪些特徵開展量化。 決定維度的權重。有專家賦權，有 AHP 層次分析大，也有熵值法等。 決定量化的方法。專家打分法，計算法。 應用量化的成果。 跟進量化的成效。 優化量化的方法。 2.2 量化技巧 分解法。將量化目標分解成多個子因數，通過查詢或推算子因素的值，完成目標值的估計。如“這個城市的鋼琴師數量”——芝加哥調音師的數量=人口/每家人口×有鋼琴的家庭百分比×每年調音次數/（調音師每天調音的鋼琴數×年工作天數） 反向錨定。在估計時，不要先錨定一箇中心點，再上下拓展，而是先確定一個比較大的上下限， 然後再逐步降低上下區間。 5樣本抽樣。抽樣五個樣本，整體的中位數，有 94% 的概率 就落在這五個樣本的最大值和最小值之間。 善於搜索。大多數你需量化的難題，在網絡上都已經有人想過並且解決過。進一步開推廣，大部分你需要解決的問題 99%都已經有人解決過了。 蒙特卡洛模型。通過對可能狀態進行成千上次的模擬，得到成千上萬次的結果，計算各種結果的頻率分佈，從而得到對量化目標的評估。 t 校驗。樣本量小於30時， z 分佈不能直接使用，此時可以使用 t 檢驗。 兩次獨立抽樣。爲了估算魚塘裏有多少魚，先撈出1000只魚，做上標記，然後放回去。過段時間（確保魚都分散了），再撈200 只魚，計算標記魚的佔比，如 5%，則魚量大概是 1000/0.05。這裏的重點是確保第二次撈魚的時候是隨機且獨立的。進一步，可以估算 5% 的上下區間，按照二項分佈，結合 p 值 5% 和樣本量 200，可以得到上下區間。 定點抽樣。如果想知道員工們花多少時間在打電話，可以找一個時間點，剛纔有多少員工正在打電話，比如 12%，那麼每個員工平均每天大概有12%的時間就花在打電話上。這個前提依然是，員工打電話的時間是均勻分佈，不會集中在某個時候。 連續抽樣。給定一個連續序列，從中隨機抽樣 N 和數據，根據樣本的數量、最大值、最小值，結合量表，就可以估計整個序列總量的上限、下限、平均值。 加權求和。即便是簡單的加權求和也會比專家有更好的評估能力。 3. 相關概念 90% 的把握是什麼意思。什麼叫“我有超過 90% 的把握認爲 A 是對的”。給你兩個選擇，一個是在一場勝率爲 90% 的賭博中勝出給你一千塊，一個是如果 A 是對的也給你一片塊。如果你選擇了後者，那麼你是真的有90%的把握認爲 A 是對的。 系統誤差小，則偏差小，準確度大，效度高；隨機誤差小，則誤差小，精度大；信度指量化的可靠性和一致性，而效度指的是量化逼近真值的程度。 錨定效應。提問者先給另一個值 ，會影響回答者後續的判斷，即便提問者告訴你完全沒有關係。常見陷阱：買東西時，賣家給你開一個高價，然後你還的價格也會較高 光環效應。對名聲好的人，或者喜歡的人，給與更高的評價；反之。 從衆效應。跟隨大衆的意見走 ，喪失自己的判斷力。 先入爲主。事先有自己的理解後，對後續任何事情都會往這個理解強行解釋。

打開天窗說“量化”，人生就像一條馬爾可夫鏈。在每一個選擇的叉路口上，是遇到臭豆腐味的冰淇淋，還是遇到巧克力味的冰淇淋，取決於我們怎樣做出決策，而我們的每一念選擇，都會造就一個不同的世界。 量化的目的，是跳出確定性的錨定思維，如何進行問題拆解，釐清事物和決策之間的關係。不追求精確的數字，而是減少不確定性，從而適應和擁抱不確定性，利用已知來探索未知，一個不斷逼近的馬爾可夫過程！ 20230814 xw

萬事萬物皆可量化。今天的管理者和決策者不缺乏數據，不缺乏信息，缺乏的是依靠量化做決策的態度和方法。道格拉斯·W. 哈伯德作爲兼具前沿學術研究和一線實際經驗的管理行家，在《數據化決策》（第三版）中，將向我們展示更多簡單易行、可操作性強的量化辦法。 作者在本書中： ·專注於量化不確定性、風險和數據價值； ·提供了令人拍案驚奇的測算無形之物的簡便方法，讓我們僅僅基於已知數據就能準確決策； ·增加了不同領域可借鑑的大量一手精彩案例。 本書兼具實用性、可讀性和趣味性，提出了一套完整的量化方法論，一套不亞於專業諮詢公司的行動計劃，通過對重大決策進行定義，對變量、不確定性與價值建模，可以爲企業、政府或其他組織機構的任何投資與決策進行風險量化分析，從而做出正確決策。

文福江的書評號 2024-06-03 19:51 四川 今天向大家推薦這本理工科出身的管理者特別喜歡的書——《數據化決策》。本書作者道格拉斯·W·哈伯德開篇即開宗明義：萬事皆可量化。這是非常具有吸引力的觀念，可量化就意味着“可確定性”，“確定性”對於管理者的決策就好比“枕頭之於打瞌睡者”。這本書之所以受歡迎，正是因爲對於我們而言，這個世界的不確定性實在是多到“罄竹難書”的程度。 本書第一部分一開始就列出三個案例，說明量化世界其實比我們想象的要容易的多，第一個案例是古希臘人僅僅通過正午時的陰影長度就測出地球的周長；第二個案例是僅用乘法計算就能測出芝加哥鋼琴調音師的人數；第三個案例是一位九歲的女孩僅通過簡單的實驗就揭穿了醫學上超自然力的謊言。接下來，作者又列舉一些已經被廣泛接受的、對無形之物量化的應用案例，諸如版權等知識產權價值的量化等。其他比如：預測新產品的收益；預測企業破產的風險；預測政黨選舉的輸贏等等，現在也可以通過統計學和概率進行量化。讀到這裏的書友是不是有一點躍躍欲試的心動呢？作者哈伯德說：我們應該向那些量化大師學習一些基本素質和思路。首先是對可用簡單方法解決困難量化問題的堅定信念，其次要清晰的認知到“量化”之於生產效率和商業價值的巨大貢獻。量化路上的第一障礙可能是“不知道如何下手”，這個問題可能出在“量化目標定義不夠明確”。量化的路上需要回答的第二個問題：你確定需要 100% 的確定性，還是 90% 甚至 80% 就足夠了？其實你認爲需要的信息往往比實際需要的少，其實你知道的信息遠比需要的多，其實你需要獲得的信息比你認爲的要容易。這部分的最後，作者專門提出兩種情形下就不要去執着量化了，一種是量化投入遠大於量化收益，另一種是如果量化工作有違道德良俗，就必須放棄。 本書的第二部分纔算是作者專業內容的開始，商業上量化的目標——爲決策提供價值。量化不確定性、量化風險、量化信息的價值都將爲決策提供最有力的支撐！作者在第三部分詳細介紹了量化的專業方法，也是本書的“金礦”所在。第四部分是量化的“拔高”，介紹量化抽象的事物——態度、偏好、判斷等等。這三部分在本書評中僅做精簡介紹，原因在於這三部分的整體性需要進行精讀，並依內容實踐才能獲得本書的真諦。當然，也只有認知到量化能量的讀者才能靜心讀完！ 願您讀有所得！ （最後推薦我的書評公衆號，微信搜索：shupinghao-wfj，我將繼續爲您帶來原創的書評）

吳軍在短視頻平臺親自推薦了《數據化決策》這本書。 數據是新的石油，今天全市值最高的公司蘋果、微軟都是大數據公司，它們掌握的用戶數據值多少錢？ 數字經濟時代，數據重要性堪比資本，管理者不可錯過的《數據化決策》（第三版）來自應用信息經濟學之父的商業量化分析決策法，提供了量化各種“無形之物”的思考邏輯與實施路徑，讓我們掌握數據資本，走向浪潮之巔。