数据化决策：第三版

这本书是真好。我得读它三遍以上。这是第一遍，反正爱上了。 ①万事皆可量化。就从这句话，我就会爱上这本书。量化才能让我们进入科学思维状态，而且量化需要的数据远比我们想象的少。 ②作者讲了三个故事，都很精彩，尤其是埃拉托色尼估算地球周长是方法，实在高明，令我印象深刻。对，就需要两个数字和简单的加减乘除，就可以估算出地球的周长。7°，360°，两点之间的距离，代入公式，就可以估算出来。 ③我们之所以不会量化，是因为我们问错了问题，更不会拆解问题。 ④量化的目的，不是追求精确数字，而是减少不确定性，从而适应不确定性，也不是彻底消除不确定性。知道了这个点，我们就不会纠结。 ⑤作者提出的五步法量化模型，实在很妙，如果我没有掌握这个方法，我觉得我有点儿蠢，而且我相信总有机会我会用到这个方法。 ⑥量化分析有两种，传统统计分析和贝叶斯分析。我更爱后者，因为它赋予了归纳法以先验概率。 ⑦在我从事的交易领域。量化风险是首要的工作，优秀是交易员时刻都知道他所有头寸是最大风险敞口，也知道每个具体头寸是最大风险敞口。而且在建立头寸的时候，已经对未来有了详细的规划。这就是专业与小白的主要区别。 好书，我得吃透它。

美国职业经理人：无量化，无管理”（No Measurement, No Management 一、万物皆可量化 1、故事一：如何测量地球周长？通过不同城市正午的阴影的不同长度。古人发现在一年里的一天的正午在埃及的一个地方的一口井的阳光正好垂直射进去，于此同时在另一个地方的阴影测量出来是7°，那么7°是360°的50分之一，地球周长就是两个地方距离的50倍。 2、故事二：费米分解法“芝加哥钢琴调音师有多少”？芝加哥人口300万，每家2-3人，家庭拥有钢琴的比例十分之一，每个钢琴一年需要调音的次数1次，一个调音师每天调音4次，一年工作250天，300/3*0.1*1/(250*4)=100,因此大概在这个数量级上面。 3、故事三：决策是否开设一个车辆保险公司？利用费米分解可以大致预估要不要开，查询基本信息这个地方有60000辆车，每个车保险费在870快，保险佣金在12%，那么总收入就是在600万左右，当地有38家公司，那么平均值就是16万收益，而且这个地方人口还在下降，因此在这个地方开保险公司不合算。 4、量化能让你进入科学思考的状态：当你谈论一个事物的时候，如果你不能量化就不能进入科学思考的状态 5、如何量化人生的价值？是一个很好的问题，设置目标，达到目标，提升体验的维度... 6、量化的目的：量化的目的是减少不确定性。量化的误区：量化不是追求绝对的精确，而是衡量趋势的变化。 7、不能量化的原因：很多情况下我们无法量化的原因是我们不知道我们要量化的目标是什么？比如我们要制定技术安全绩效指标，最终发现信息安全就是未经过授权的网络攻击和病毒攻击。因此定义了概念，就可以量化。如果你不能量化，那一定是你不知道你要什么！ 8、香浓量化了信息，是现有理论再有通信和信息传递。 9、5人法则：如果对于一个大样本的数据来讲，你很难去定量化，那么可以随机抽样5份或者5个人，那么从这5个人里面去找到数据的准确的范围。 10、4个假设：第一我们行业的问题并不如你想象的那么特别。第二，你拥有的数据比你想象的更多，你需要的数据比你想象的要少。比如说在在图书馆里就能算出地球周长的人。 二、量化和决策（不确定性和风险） • 如果我们的量化不能支撑我们的决策，那这个量化就没有价值。 • 直觉本身就是一种决策模型 • 故事四：给政府量化未来五年采购IT系统如何量化信息安全价值？可以采用费米拆解，比如一年发生几次安全事故，多少人受到影响，不能工作时间多次，人力成本是多少。这样就可以算出来总共的影响。 • 如何校准你的评估水平，可以用“等价赌注”，也就是你的评估愿意付出等价值的资金吗？ • 量化风险？这是一个很好的值得思考的课题。风险就是未来存在损失的可能性。我们在计算收益的同时要量化风险。有一个工具是蒙特卡洛模型。 三、量化减少不确定性 • 在实际的世界中很多事物都是间接测量的，比如电子的质量，地球的质量 • 量化分析有两种，一种是传统的统计分析，一种是贝叶斯分析。 • 故事五：如何测算一条湖有几条鱼？第一次抓捕1000条鱼然后做上标记放回去，然后再抓取1000条，发现是50条有标记，那么1000/0.5=2万条，湖里大约有2万条鱼。 • 传统的统计学分析，基本都建立在总体分布式正态分布状态。每个人都有本能的贝叶斯算法作为决策，总是通过新信息更新原来的信息。那么这个也是改变人认知的一种途径。 四、量化人的偏好，态度，判断 1、如何观测每个人的偏好，一个是看他说了什么，一个是看他做了什么 • 人类下心理如何影响决策（可以反向利用这些效应） 1、锚定效应：给定一个范围，这样可以影响人的判断 2、光环效应：一开始就有正面印象，后面就会很好 3、从众效应：设计一个群体，一个人答应了其他人也跟着答应 故事六：计算美国在伊拉克的用油量。第一分解出使用模型 第二对52种车用油量采用置信区间评估 第三量化战斗场景下的耗油量

本书的两个基本理念:1是任何事物都可以量化；2是量化的目的是为了降低不确定性以支持决策。为量化提供了很多新的视角，读完第一和第二部分有种惊为天书的感觉，让我了解到减少不确定性对具有时间窗口的决策有非常大的价值，决策者做日常决策的时候往往是在一个有限的时间窗口和有限的资源情况下的。而且作为数据分析从业者怎怎么量化分析价值让老板直观的感受到，简直是关乎生死一样重要的，所以对本书寄予厚望。然而从第三部分开始就介绍起了统计和量化的方法😓，至此本书在我心中的评分大打折扣。相信很多本书的读者都是冲着风险的量化，退伍军人量化决策支持，信息安全的价值等吸引人的量化例子来的，希望能切实的学习到案例中的量化方法和实际落地操作的，但是本书并没有介绍，只是将过程简单的归纳成几个步骤。 最后给后来的阅读者避雷，如果你只是想学习量化的方法，看到第二部分就可以了，如果你想学习统计学方法、控制实验等可以去看统计相关书籍

道格拉斯·W.哈伯德的《数据化决策》(第三版)作为应用信息经济学的经典著作，以其独特的量化方法论突破了传统决策分析的局限，提出了“万事万物皆可量化”的核心命题。 道格拉斯·W.哈伯德的《数据化决策》(第三版)构建了一套完整的量化决策方法论体系，其核心命题直指传统认知的盲区——“万事万物皆可量化”。该书颠覆了人们对量化边界的一般理解，通过系统的理论框架和丰富的跨领域案例，展示了如何将看似不可量化的无形之物转化为可测量、可分析的决策变量。全书内容可分为三个有机组成部分：量化哲学基础、风险与信息价值评估体系以及实用量化工具集，共同构成了一个逻辑严密的方法论系统。 第一部分“量遍天下：没有什么不可量化”构成了全书的哲学基础。哈伯德在此部分挑战了传统量化观念，提出了革命性的观点：量化并非取决于事物的本质属性，而是取决于我们观察和定义问题的方式。他通过“澄清链”方法揭示了量化目标中本身就隐藏着量化方法，只要能够明确定义决策问题，就能找到相应的量化路径。这一部分特别引人入胜的是对历史上各种“不可能量化”案例的剖析，如9岁女孩仅用10美元实验揭穿医学谎言、物理学家费米估算芝加哥钢琴调音师数量等，这些案例展示了创造性量化思维的强大力量。哈伯德特别指出，传统量化定义存在三大误区：过度追求精确度而非准确度、误认为量化必须耗费巨大成本、忽视小样本的统计价值。他提出的“5人法则”表明，极小样本也能显著降低不确定性，这对资源有限的新闻传播研究尤其具有启示意义。 第二部分“量化什么：不确定性、风险、信息价值”将焦点转向决策分析的核心要素。哈伯德认为，量化不应是目的本身，而是服务于更好决策的手段，因此必须首先明确“什么不确定性对当前决策真正重要”。他引入了“预期机会损失”(EOL)框架来评估不同信息的价值，帮助决策者判断值得投入多少资源进行某项量化工作。这部分最具创新性的是对校准训练和蒙特卡洛模型的阐述。校准训练通过系统练习帮助研究者修正主观判断偏差，使“90%的信心确实对应90%的概率”；而蒙特卡洛模型则展示了如何对不确定性范围进行数学运算，从而评估整体风险水平。这对新闻传播领域的风险评估(如舆情危机预警、传播效果预测)提供了实用工具。哈伯德特别强调的“风险悖论”现象——越重大的决策往往越缺少系统风险分析。 第三部分“量化方法：如何减少不确定性”是全书的操作指南，详细介绍了从简单到复杂的多层次量化技术。哈伯德提出“广义测量仪器”概念，认为任何能提供相关信息的方法都可视为测量工具，包括互联网数据抓取、社交媒体分析等非传统手段。他系统比较了不同抽样策略的适用场景，强调随机抽样和贝叶斯方法在动态更新认知方面的优势。特别有价值的是对“异构标杆法”的阐述，即通过类比不同领域的相似问题来评估难以直接量化的对象。这部分还介绍了前沿的量化技术和工具，如GPS追踪、屏幕抓取软件、预测市场等。 《数据化决策》所倡导的量化方法论有利于新闻传播学科的范式革新，推动本领域从传统的质性描述向精确量化分析转型。在数字化传播环境中，传播现象的数据化程度空前提高，每一条新闻的传播路径、每一位用户的反馈行为、每一次交互的时空轨迹都成为可记录、可分析的数据点。哈伯德的“万物皆可量化”理念在此背景下为新传研究提供了认识论基础，使我们能够突破传统方法的局限，以全新的视角审视传播现象。

本书虽然不是一部大而全、严谨的展开论证量化决策的工具库，里面的量化方法也偏传统，但作者以详实的案例讲述了量化的重要性、适用范围、开展量化工作需要的准备事项、开展的顺序、以及介绍了一些传统工具的用法。 对我而言收获最大的是作者在本书中反复强调的几个原则： 1. 基本所有决策都可以量化 2. 不要执着于不可得的精确值，一个可靠范围内的估值更可用 3. 精准定义很重要，多数麻烦不来自于不知道的事，而来自于知道的不确切的事 4. 简单有效的方法很多时候效果优于复杂方法 5. 你的难题早就被人量化过了，不用重复发明 6. 你拥有的数据比你认为的多 7. 你需要的数据比你认为的少 8. 适当的新数据比你想象的更可得 9. 设计恰当的仪器和实验很有帮助 10. 注意相关关系不是因果关系，如果认为有因果，需要拿出可靠证据

好书要做到两点，即有料，又好读。 这本书有点料，但真不好读，给个一般。 首先翻译不好，导致阅读起来很费劲。此时如果行文逻辑流畅也可以弥补翻译的不足，毕竟废点心神也能啃下来，偏偏不是，经常让人找不到上下段落的关联。所以，不好读。 说完了缺点说优点，这本书涉及面极广，我们只说一个观点和一个方法。 观点：万物皆可量化。量化不是追求精确的数字，是追求不确定度的降低，因此，量化不再是一件困难的事，有些时候通过对量化目标的简单拆解，就可以显著降低不确定度。而不确定度的降低，对有效的决策助益极大。 方法：费米拆解法。将量化目标分解成多个子因数，通过查询或推算子因素的值，完成目标值的估计。如某种城市调音师的数量=人口/每家人口×有钢琴的家庭百分比×每年调音次数/（调音师每天调音的钢琴数×年工作天数） ——————————————————— 除此之外，以下是我摘出来的笔记，完全是站在我的角度写，读者不一定看得懂，蛮放。 1. 改变的观念 什么叫量化。量化不是要求计算出确切的数值，是为了减少不确定度。 什么时候该量化。当量化的收益大于量化的成本时，就应该量化。 量化很复杂。不会，要能够一定程度减少不确定度，就是有效得量化。很多时候，只要简单开展量化， 就能够显著减少不确定度。 很多东西没法量化。综上，如果只是为了减少不确定度， 总能找到一个合适的方法。简单的方法减少了不确定度少，复杂方法减少的不确定度多，但都是量化。 量化可以训练。经常进行量化训练，可以有效提升量化的准确度 2. 增长的知识 2.1 如何量化（自己的理解，非书中内容） 明确需求。问两个问题，一是现在遇到什么问题，需要量化来解决。二是通过量化行为，希望估计大家做什么行为， 决定量化的维度。根据叙述，可以知道从哪些特征开展量化。 决定维度的权重。有专家赋权，有 AHP 层次分析大，也有熵值法等。 决定量化的方法。专家打分法，计算法。 应用量化的成果。 跟进量化的成效。 优化量化的方法。 2.2 量化技巧 分解法。将量化目标分解成多个子因数，通过查询或推算子因素的值，完成目标值的估计。如“这个城市的钢琴师数量”——芝加哥调音师的数量=人口/每家人口×有钢琴的家庭百分比×每年调音次数/（调音师每天调音的钢琴数×年工作天数） 反向锚定。在估计时，不要先锚定一个中心点，再上下拓展，而是先确定一个比较大的上下限， 然后再逐步降低上下区间。 5样本抽样。抽样五个样本，整体的中位数，有 94% 的概率 就落在这五个样本的最大值和最小值之间。 善于搜索。大多数你需量化的难题，在网络上都已经有人想过并且解决过。进一步开推广，大部分你需要解决的问题 99%都已经有人解决过了。 蒙特卡洛模型。通过对可能状态进行成千上次的模拟，得到成千上万次的结果，计算各种结果的频率分布，从而得到对量化目标的评估。 t 校验。样本量小于30时， z 分布不能直接使用，此时可以使用 t 检验。 两次独立抽样。为了估算鱼塘里有多少鱼，先捞出1000只鱼，做上标记，然后放回去。过段时间（确保鱼都分散了），再捞200 只鱼，计算标记鱼的占比，如 5%，则鱼量大概是 1000/0.05。这里的重点是确保第二次捞鱼的时候是随机且独立的。进一步，可以估算 5% 的上下区间，按照二项分布，结合 p 值 5% 和样本量 200，可以得到上下区间。 定点抽样。如果想知道员工们花多少时间在打电话，可以找一个时间点，刚才有多少员工正在打电话，比如 12%，那么每个员工平均每天大概有12%的时间就花在打电话上。这个前提依然是，员工打电话的时间是均匀分布，不会集中在某个时候。 连续抽样。给定一个连续序列，从中随机抽样 N 和数据，根据样本的数量、最大值、最小值，结合量表，就可以估计整个序列总量的上限、下限、平均值。 加权求和。即便是简单的加权求和也会比专家有更好的评估能力。 3. 相关概念 90% 的把握是什么意思。什么叫“我有超过 90% 的把握认为 A 是对的”。给你两个选择，一个是在一场胜率为 90% 的赌博中胜出给你一千块，一个是如果 A 是对的也给你一片块。如果你选择了后者，那么你是真的有90%的把握认为 A 是对的。 系统误差小，则偏差小，准确度大，效度高；随机误差小，则误差小，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。 锚定效应。提问者先给另一个值 ，会影响回答者后续的判断，即便提问者告诉你完全没有关系。常见陷阱：买东西时，卖家给你开一个高价，然后你还的价格也会较高 光环效应。对名声好的人，或者喜欢的人，给与更高的评价；反之。 从众效应。跟随大众的意见走 ，丧失自己的判断力。 先入为主。事先有自己的理解后，对后续任何事情都会往这个理解强行解释。

打开天窗说“量化”，人生就像一条马尔可夫链。在每一个选择的叉路口上，是遇到臭豆腐味的冰淇淋，还是遇到巧克力味的冰淇淋，取决于我们怎样做出决策，而我们的每一念选择，都会造就一个不同的世界。 量化的目的，是跳出确定性的锚定思维，如何进行问题拆解，厘清事物和决策之间的关系。不追求精确的数字，而是减少不确定性，从而适应和拥抱不确定性，利用已知来探索未知，一个不断逼近的马尔可夫过程！ 20230814 xw

万事万物皆可量化。今天的管理者和决策者不缺乏数据，不缺乏信息，缺乏的是依靠量化做决策的态度和方法。道格拉斯·W. 哈伯德作为兼具前沿学术研究和一线实际经验的管理行家，在《数据化决策》（第三版）中，将向我们展示更多简单易行、可操作性强的量化办法。 作者在本书中： ·专注于量化不确定性、风险和数据价值； ·提供了令人拍案惊奇的测算无形之物的简便方法，让我们仅仅基于已知数据就能准确决策； ·增加了不同领域可借鉴的大量一手精彩案例。 本书兼具实用性、可读性和趣味性，提出了一套完整的量化方法论，一套不亚于专业咨询公司的行动计划，通过对重大决策进行定义，对变量、不确定性与价值建模，可以为企业、政府或其他组织机构的任何投资与决策进行风险量化分析，从而做出正确决策。

文福江的书评号 2024-06-03 19:51 四川 今天向大家推荐这本理工科出身的管理者特别喜欢的书——《数据化决策》。本书作者道格拉斯·W·哈伯德开篇即开宗明义：万事皆可量化。这是非常具有吸引力的观念，可量化就意味着“可确定性”，“确定性”对于管理者的决策就好比“枕头之于打瞌睡者”。这本书之所以受欢迎，正是因为对于我们而言，这个世界的不确定性实在是多到“罄竹难书”的程度。 本书第一部分一开始就列出三个案例，说明量化世界其实比我们想象的要容易的多，第一个案例是古希腊人仅仅通过正午时的阴影长度就测出地球的周长；第二个案例是仅用乘法计算就能测出芝加哥钢琴调音师的人数；第三个案例是一位九岁的女孩仅通过简单的实验就揭穿了医学上超自然力的谎言。接下来，作者又列举一些已经被广泛接受的、对无形之物量化的应用案例，诸如版权等知识产权价值的量化等。其他比如：预测新产品的收益；预测企业破产的风险；预测政党选举的输赢等等，现在也可以通过统计学和概率进行量化。读到这里的书友是不是有一点跃跃欲试的心动呢？作者哈伯德说：我们应该向那些量化大师学习一些基本素质和思路。首先是对可用简单方法解决困难量化问题的坚定信念，其次要清晰的认知到“量化”之于生产效率和商业价值的巨大贡献。量化路上的第一障碍可能是“不知道如何下手”，这个问题可能出在“量化目标定义不够明确”。量化的路上需要回答的第二个问题：你确定需要 100% 的确定性，还是 90% 甚至 80% 就足够了？其实你认为需要的信息往往比实际需要的少，其实你知道的信息远比需要的多，其实你需要获得的信息比你认为的要容易。这部分的最后，作者专门提出两种情形下就不要去执着量化了，一种是量化投入远大于量化收益，另一种是如果量化工作有违道德良俗，就必须放弃。 本书的第二部分才算是作者专业内容的开始，商业上量化的目标——为决策提供价值。量化不确定性、量化风险、量化信息的价值都将为决策提供最有力的支撑！作者在第三部分详细介绍了量化的专业方法，也是本书的“金矿”所在。第四部分是量化的“拔高”，介绍量化抽象的事物——态度、偏好、判断等等。这三部分在本书评中仅做精简介绍，原因在于这三部分的整体性需要进行精读，并依内容实践才能获得本书的真谛。当然，也只有认知到量化能量的读者才能静心读完！ 愿您读有所得！ （最后推荐我的书评公众号，微信搜索：shupinghao-wfj，我将继续为您带来原创的书评）

吴军在短视频平台亲自推荐了《数据化决策》这本书。 数据是新的石油，今天全市值最高的公司苹果、微软都是大数据公司，它们掌握的用户数据值多少钱？ 数字经济时代，数据重要性堪比资本，管理者不可错过的《数据化决策》（第三版）来自应用信息经济学之父的商业量化分析决策法，提供了量化各种“无形之物”的思考逻辑与实施路径，让我们掌握数据资本，走向浪潮之巅。