個案很生動時，基準率容易消失

假設有人這樣形容一個人：

他很安靜。

做事有條理。

喜歡一個人待著。

不太喜歡熱鬧場合。

對細節很敏感。

然後問你：

你覺得他比較可能是圖書館員，還是業務員？

很多人會直覺選：

圖書館員。

因為這段描述聽起來「很像」。

安靜、獨處、有條理，和我們腦中對圖書館員的印象很接近。

問題是，如果現實世界裡業務員的人數遠遠多於圖書館員呢？

這時答案就不能只看：

「他像不像圖書館員？」

還要看另一件事：

「原本圖書館員出現的機率有多高？」

這個原本就存在的比例，就是：

基準率。

《快思慢想》想提醒我們的是，人類很容易被一個生動的個案吸引，然後把原本應該放在判斷起點的基準率忘掉。

基準率其實就是「原本有多常見」

這個名字聽起來很像統計學。

但概念沒有那麼難。

假設一個城市裡有：

900 輛白色計程車。

100 輛綠色計程車。

現在發生一起交通事故。

有人說：

「我看到的好像是綠色計程車。」

這個證詞當然很重要。

可是你不能因此完全忘記：

原本路上的白色車就比綠色車多很多。

在得到任何其他資訊以前，一台隨機出現的計程車，本來就比較可能是白色。

這個「原本比較可能是哪一種」的資訊，就是基準率。

新的證據可以改變判斷。

但它不是把原本的機率全部刪掉。

一段故事很容易蓋過一個數字

假設今天公司有兩種職位。

A 部門有 900 人。

B 部門只有 100 人。

你現在拿到一份新人的資料：

喜歡分析。

比較安靜。

不太喜歡與陌生人聊天。

擅長處理大量數字。

你可能立刻覺得：

「這個人一定比較像 B 部門。」

因為人物描述很具體。

你腦中甚至可能已經形成一個人的樣子。

但「A 部門有 900 人、B 部門只有 100 人」只是兩個冷冰冰的數字。

它沒有故事。

沒有畫面。

沒有個性。

所以系統一很容易抓住那個生動的人物描述，忽略背景比例。

我們會開始回答：

「這個人像哪一類？」

卻忘了原本真正的問題可能是：

「這個人最可能屬於哪一類？」

這兩個問題看起來很接近。

其實完全不同。

「很像」不等於「機率很高」

這是理解基準率最重要的一點。

假設有一所大學。

900 名學生讀商學院。

100 名學生讀哲學系。

現在有人告訴你：

小明喜歡思考人生。

平常喜歡閱讀。

話不多。

常常一個人去咖啡店寫東西。

你可能馬上覺得：

「哲學系。」

因為很符合我們腦中的印象。

可是如果只知道這些資訊，你其實還需要考慮：

商學院學生是哲學系的九倍。

即使「這個人看起來像哲學系」是一條有用的線索，也不表示那個九比一的起點可以直接消失。

這就是 Kahneman 一直在談的一種思考錯誤：

我們常常把相似程度，當成真正的機率。

醫療檢驗最能看出基準率有多重要

再看一個更實際的例子。

假設有一種疾病很少見。

每 1,000 人裡，大約只有 10 個人患病。

也就是 1%。

現在有一種檢驗。

如果真的患病，大多數能驗出陽性。

如果沒有患病，也還是有少部分人會出現偽陽性。

某天你的報告寫著：

陽性。

第一個直覺可能是：

「那我是不是幾乎確定生病了？」

但不能這樣直接看。

可以把 1,000 個人真的排出來。

其中：

10 個人真的患病。

990 個人沒有患病。

就算檢驗很不錯，10 個患病者中可能有大多數被驗出。

可是 990 個沒有病的人數非常多。

只要其中有少部分出現偽陽性，累積起來就可能不少。

所以在所有「陽性的人」當中，不一定每個人都真的患病。

問題的關鍵，就是一開始：

這個疾病原本有多常見？

這就是基準率。

新證據很重要，但不能把起點丟掉

這不是叫我們忽略新的資訊。

剛好相反。

正確的想法應該是：

先有一個起點。

再用新證據調整。

假設某種疾病非常少見。

一開始患病機率很低。

後來出現一個很強的檢驗結果。

那麼患病機率應該提高。

只是不能從：

「很少見」

直接跳到：

「幾乎百分之百」。

新的證據有多強，要和原本的機率一起看。

這種想法背後，就是統計學中的貝氏推論。

日常生活並不需要每次都拿計算機算公式。

真正值得記住的是：

新資訊是在修改原本的機率，不是在讓原本的機率消失。

公司找人時也很容易忘掉基準率

假設一家公司面試一位新人。

面試時非常有自信。

回答流暢。

主管也覺得：

「這個人很有領導力。」

於是大家開始預測：

「他以後應該會表現很好。」

但如果公司過去有資料顯示：

同類型職位的新進員工中，只有大約三成能在一年後達到高績效。

那三成就是一個重要的基準率。

今天這位候選人表現好，當然可以提高我們的期待。

但不能因為一場漂亮的面試，就假裝過去的整體紀錄不存在。

更好的問題不是：

「他今天看起來厲不厲害？」

而是：

「像這種背景、這種職位的人，過去通常表現如何？」

然後再問：

「今天我們看到的資訊，有多大理由讓他偏離那個平均狀況？」

創業成功故事也一樣

你可能看過這種文章：

某個人辭去工作。

拿著存款創業。

第一年很辛苦。

第三年公司營收破千萬。

故事很完整。

人物很真實。

還有照片。

看完以後很容易產生：

「原來創業真的有機會。」

這句話本身沒有錯。

當然有機會。

但如果接下來要判斷：

「我辭職創業，成功機率高不高？」

就不能只看成功的那個人。

還要知道：

有多少人創業？

多少人在第一年停止？

多少人最後沒有獲利？

多少人的收入其實比原本工作低？

這些沒有精彩故事的數字，才構成基準率。

成功個案可以告訴你：

成功可能怎麼發生。

但它不能單獨告訴你：

成功有多常發生。

投資時，「這家公司很好」也可能不是完整答案

假設你研究一家公司。

產品很好。

創辦人很有能力。

產業正在成長。

營收也快速增加。

你越看越喜歡。

最後產生一個結論：

「這家公司成功機會很高。」

但這時還有一些問題值得問：

同產業的新公司，長期有多少真正成功？

快速成長的公司中，有多少最後能維持成長？

現在的估值下，市場已經反映多少期待？

類似公司過去的結果如何？

這些問題沒有企業故事那麼吸引人。

卻是在補回基準率。

一家公司的故事可以非常好。

但判斷投資結果時，還需要知道：

這種類型的公司，通常最後會怎麼樣？

房地產也有自己的基準率

假設房仲帶你去看一個新建案。

他告訴你：

附近即將開發。

未來有人口進駐。

重大建設正在規劃。

這個區域以後很有潛力。

每一句話都可能是真的。

可是如果你要判斷：

「買了以後房價真的會大幅上漲嗎？」

還應該去看：

過去類似重劃區後來表現如何。

人口是否真的增加。

新建案供給量有多少。

周邊成交價格。

租金能不能支持售價。

不是只問：

「這個故事有沒有可能發生？」

而是：

「類似的故事，過去有多少真的照預期發生？」

這就是把基準率放回來。

為什麼故事總是比統計更有力量？

因為系統一喜歡有因果、有畫面的東西。

「他能力很好，所以創業成功。」

很好懂。

「這類創業者五年存活率是多少。」

比較抽象。

「這家公司產品很受歡迎，所以股價會漲。」

很好想像。

「類似估值與成長率的公司，長期報酬分布如何。」

很無聊。

但真正做重要決定時，無聊的資料往往很重要。

故事回答：

為什麼這一次可能成功？

基準率回答：

這種事情通常有多常成功？

最好的判斷，往往需要兩個一起看。

這也解釋了為什麼一個案例很容易說服人

假設有人說：

「這個治療方法有效，我朋友用了真的好了。」

這個說法很有力量。

因為朋友是一個真實的人。

有病情。

有過程。

有結果。

但如果要知道治療方法到底有效沒有，還需要知道：

沒有使用的人怎麼樣？

用了但沒改善的人有多少？

自然康復的比例多少？

有沒有其他因素？

一個人的故事可以是真的。

但一個真實故事，仍然可能讓我們對整體機率產生錯誤印象。

這一點很容易被忽略。

我們常常把：

「這件事情真的發生過」

不知不覺變成：

「這件事情很容易發生。」

兩者差很多。

基準率也不是永遠比較重要

這裡也不要走到另一個極端。

不是說只要有統計資料，就不要看個案。

如果今天得到非常強、非常可靠的新資訊，當然應該大幅修改原本判斷。

例如：

某種疾病本來很少見。

但一個高度可靠的檢查，再加上非常明確的症狀。

這些都會提高患病的可能性。

又例如一家公司所處產業平均失敗率很高。

但這家公司已經有穩定獲利、客戶、現金流。

這些個別資訊當然有價值。

真正的原則不是：

只信統計。

而是：

不要因為個案很生動，就讓統計背景直接消失。

一個很實用的判斷順序

下次遇到一個很吸引人的故事時，可以先不要急著問：

「這一次會怎麼樣？」

先退一步問：

「像這種情況，通常會怎麼樣？」

例如：

這種公司通常如何？

這種疾病通常多常見？

這種投資策略長期結果如何？

這種創業模式失敗率多少？

這種類型的房產過去表現如何？

先找出大概的起點。

再把眼前這個人的特殊資訊加進來。

這個順序很重要。

因為如果先聽完一個非常精彩的故事，系統一很可能已經形成答案。

到那時候，再看到基準率，我們反而容易覺得：

「可是這一次不一樣。」

有時候真的不一樣。

但我們需要證據證明它不一樣。

個案告訴你「他是誰」，基準率告訴你「他在哪個世界」

這是這一課最值得留下來的觀念。

個案資訊沒有錯。

基準率也不是冷冰冰、可以忽略的統計。

它們在回答不同問題。

人物描述告訴你：

眼前這個人有哪些特徵。

基準率告訴你：

具有不同結果的人，在整個世界裡原本各有多少。

如果只看基準率，你可能忽略重要的個別資訊。

如果只看生動的個案，你又可能忘記現實世界的分布。

所以遇到一個「非常像」、「非常有說服力」、「故事非常完整」的案例時，可以多問一句：

在看到這個故事以前，這件事情原本有多常見？

這個問題看起來很簡單。

卻能把我們從一個人的故事，重新拉回整個世界。

而這正是《快思慢想》想讓我們學會的一種判斷方式：

先知道自己站在哪裡，再決定新的資訊應該把自己往哪裡移動。