【ZhaoWu笔记分享】
许多分析工作，不仅需要利用硬数据，而且需要做出判断。如果你正在起草一份商业计划，计算一个未来项目的成本，或者只是简单地估算一些没有完美数据可供参考的事项，那么你就是在做判断。
判断的基本规则是其明确性。假设你要进行一项预测，其中一部分 要以货币为依据。没人会指望你确切地知道一年后美元兑欧元的汇率是多少，但你究竟选定哪个汇率还是值得讨论的。记住，你做出的判断可能对你而言是显而易见的，但对你的受众来说并非如此。
明确判断还有另一个好处，那就是有助于你与受众进行对话。问题 所有者想要知道你的判断，这一点是合情合理的。这并不是说他想对你的分析进行攻击，而是他接受你的结论必须经过这一步。建立这种对话的最佳方式，就是当你的结论依赖于这些判断时，主动提供一份关于关键判断的清单。最好以你自己喜欢的方式开始对话，而不是在设防的状态下被人盘问和质疑。
这就引出了一个难度很大的问题：如何做出符合现实情况的判断，或者说，如何让你的受众认为你提出的判断是符合实际情况的。对于这样一个宽泛的问题，并没有什么放之四海而皆准的答案，但以下四点可以帮助你避开可能会经常犯的错误。
第一，若想贴近现实，就要落到实处。许多判断要用抽象的数字来表示，如百分比、比率或指数等。这些都是有用的参考点（我们将在下面展开讨论），但是在进行判断并与他人共享这些判断时，你最好将判断转化为具体的数值。举例来说，如果你预测新店销售额每月增长15%，并认为这个判断是合理的，那么就踏踏实实地计算出从现在算起一年后店铺的客流量。这时，你才可能发现这个数字是不可信的。讨论有形的、实实在在的数据，比讨论抽象概念要更加容易。
第二，检查全部的判断是否彼此一致。同一份报告的不同部分，包括外部事件发生的时间、竞争对手的行为，甚至是大宗商品价格或汇 率等基本信息的判断前后不一致，这种情况并不少见（尤其是当内容是由多人提供的信息汇集而成的时候）。更常见的情况是，当你孤立地对某些判断进行考虑时，可能感觉很靠谱，但若将多个判断放在一起考虑，就很难让人信服。例如，在一个商业计划中，受众可能会相信你提出的大胆的收入预测，或是你积极削减成本的计划，但不会同时相信两者。
第三，对你的判断进行基准对比。对判断可信度予以支持的最佳方法，是给出相关的比较。假设你要预测新产品的销售额，就以对消费者产品使用量的估计为基础（这也是上面所说的落到实物原则的实际应用案例）。你的受众可能对这个数字没有直观的感受（你知道自己每年要消耗多少克牙膏、糖或面粉吗），没有上下文，人们可能会质疑这种判断的合理性。但是，如果你的判断是在市场平均水平或相关竞争对手的基础上进行校准的，你的估值就会变得更加可信。这就需要假定，你选择作为基准的竞争对手不是极端案例（例如，不要以脸书作为你的用户增长的基准）。
第四，敏感性测试。对自己提出的判断有信心是很自然的，对估计未知或预测未来的精准度过分自信也是很自然的（这种过分自信通常被称为“校准错误”。当你以九成信心确定自己估计的数值处在某个范围内时，你至少有50%的时候是错的。即使你对自己的判断非常自信，你也必须问自己：“如果我错了，我的结论会改变吗？”这就是敏感性分析的目的。如果关于某关键输入的判断（如预测和估算）发生了20%的改变，你的结论仍然适用吗？如果发生了50%的改变呢？更好的方法是，把问题反过来问：无论是单一判断还是多个判断，你的判断需要做出多大的改变，才能让你的结论不成立？当你有理由怀疑消息来源的可靠性或客观性时，进行敏感性测试会显得更为重要。在本章前面的太阳系公司的案例中，天王星的商业计划就包含了相关判断。天王星的 管理层比一般的管理团队更有可能产生过于乐观的估计，因此通过改变这些判断来测试结论的敏感性，就是至关重要的。
在受众面前对你的判断进行详细的分析、基准对比和测试，可能看 起来不太自然。你可能会认为，应该在计算过程中表现出自信的风度，如果将你的判断与他人分享，就会暴露出自己的弱点。或者你只是担心事无巨细地与受众交流，是在浪费他们的时间。但这难道不是问题所有者委托你进行分析的原因所在吗？这些担心是多余的。佯装出一副自己可以确定一些很难预测的事情的样子，这不是自信，而是愚蠢。将你提出的建议所适用的边界条件分享出来，并不会削弱建议本身的说服力，而是会令这些信息更加可信。一位优秀的问题解决者会给出优秀的判断，最重要的是，他不会羞于解释和分享这些判断。
网友评论