前言
我们身边总有些“罗嗦”的朋友，会令人感受到，听他们说话“比较累”，而有些人，我们会觉得听他们说话，经常一针见血。
这种感受，可以量化么？
神奇的是：可以。
第一个重点：不知道的内容，才是信息
这句话听起来非常废话，但让我们用“编程思考方式”想一下：如何定义“不知道”？
显然，这里有一个预设参数，当符合参数，则为知道，反之则为不知道。
沟通必须要基于对方的“预设知识”。
假设我们在校园座谈里聊数据分析岗位，学生对于基础知识是了解，而对于行业应用是缺乏的，这时候企业案例就具有很大的“信息量”。
而如果是单位内部培训，大家对于如何应用是知晓，但反而对学术背景不了解，这时候从学术原理开始介绍，就有很大的“信息量”。
反过来操作的话，无疑就会被人觉得“听这人说话好累，好罗嗦”。
这就是第一点：“信息”的多少，和预设条件密切相关。
在各种合理/不合理的预设条件下，绝大部分的“原始信息”，都可以在“信息”不（太）受损的情况下，被压缩掉，这也是信息论的初衷：以最小的资源，传输信息。
第二个重点：传递信息的效率，取决于多大程度上，消除了不确定性
熵
信息论是一门典型的“用数学重新看世界”的学科，他的核心是量化“信息”。在信息论的领域，为了便于计算，参考热力学，创造了所谓“熵”的概念，衡量不确定性的大小。
在沟通中，可以通过针对受众预期组织内容，进而管理预期等各种方式，来减少“熵”，提高效率。
还是举一个工作中常见的例子，老板问某个产品功能上线后转化率下降，是否找到什么原因。你手头有如下这些信息：
1、上线期间有在做app的新用户让利活动
2、产品最近搜索步骤的转化相比上个月有所下降
3、上个月是旺季
4、功能上线一周以后，转化率比刚上线稍微回升。
5、上线后，竞争对手也有活动，有些产品价格比我们低
我们看一下“熵”最大的方式是什么效果，把我上面这段话12345复制粘贴给老板，大家换位体会一下，是不是很有让这位下属去人事处领工资回家的冲动。（适应这种心情也是管理者领薪水的职责之一）
稍微聪明一些的实习生，可能会这样操作：根据时间线，把事件和转化率数据做成时序图，然后进行一些主观解释，例如说：
假定5个状况的时间先后是t12345，新功能上线的时间点位于t3；
t1是上个月旺季、转化高于t3，也是引发话题的背景；
t2是我们发起了新客让利，可能带来更多不熟悉我们app的用户；
t4是竞争对手做活动
t5是我们的数据出现缓慢回升。
图文结合的话，这种分析已经相当令人满意。从信息论的角度解释，这种方式降低了“发生先后性”对“因果”影响的不确定性。
基于这种思路，我们不难发现下一步应该分析什么，比较明显的2个点是：竞争对手降价的产品是否是我们转化降低的产品，转化率的波动是否主要来自某一类客户。
ok现在我们看一下“熵”较小的方式可能是什么样的：
1、新增的客人转化率正常，部分老客人不习惯，转化短期降低，客户服务同事跟进调研。
2、部分产品遇到竞品降价打压，拉底转化平均数，推测为搜索以后经过比价离开，价格管理同事跟进。
假如说之前已经有正式/非正式会议沟通过这些前期调查，我们预设收件人已经知道调查方向，那么回答可以更简练：
1、产品功能排除问题，正常改版波动；
2、价格劣势已经处理，转化率开始恢复。
如果是创业团队的沟通，因为扁平化（比如一边吃泡面一边问），大家都已经知道很长很长的两个可能了，只是问结果，1个比特解决（我稍微奢侈还多浪费了几个）：
没事儿～
后记
要能完全看下来这篇随笔，我的假设是，读者稍微知道/感兴趣高数。
不过如果不符合这个前提的话，可能根本读不到这句话，因此我对于“能看到这里的都是同道中人”这一点，很有把握，“熵”值较低。
这个话题并不是第一次，之前有一篇随笔写了“锚点定理”和kmeans分类的神似之处，希望能带来一点思考或者吐槽欲望之类。
谢谢阅读。
网友评论