由 dawei 
大数据文摘出品
来源：Hackernoon
编译：邢畅、林安安、钱天培
网购时看评分，逛商场时比标价，选餐厅前查排队时间……
是不是觉得自己也是“数据驱动”的时尚进步青年呢?
很遗憾，你的决策中很可能缺少了最重要的一步——没有这一步骤，即便你有数据，也往往只能被自己的主观“偏见”牵着鼻子走。
你要想通过数据驱动做出决策，那么就必须完全依赖数据。这听起来似乎很简单，但实际上却很难做到，很重要的一个原因是决策者没有提前设定决策标准。
“提前设定决策标准”正是众多数据决策者经常忽略的、却也是至关重要的一个步骤。
被误解的数据驱动
让我们来设想一个场景，你决定在网上购买东西，这个决定的前提是你信任网上的卖家。接着你开始上网搜索，你看到一个卖家的评分是4.2分(总分5分)，如果你无法通过4.2分判断这个卖家是否可靠，那么你就很难做出决定。但如果你知道4.2分已经超过了平均水平，那么也许你就会决定下单。
这个例子告诉我们，如果没有决策基础，那么我们只能在数据中瞎摸索，由此做出的决定最多只能说是受数据启发，并不是由数据驱动。
数据启发
我们的生活里充满着数据，就像鲸鱼身边充斥着浮游生物一样。但由于没有决策基础，我们只能这边看看那边看看，最终可能懒得再看了，随便下个决定算了!
大部分决策者在接触数据之前就已经做出决定了，所以当他们接触数据时，马上就能从中挑出自己想要的数据。事实证明，人类会选择性地与数据交互，以对自己做出的选择进行判断，但人们往往会忽视这种选择性，这在心理学上称为：确认偏误，即遇到一个命题时，人会倾向于寻找支持这个命题的证据，而忽视否定这个命题的证据。
由于选择性地挑选那些对自己有利的数据，所以往往人们就会觉得自己的决定是正确的。
使问题和答案相符
满分5分，那么4.2分算好吗?这取决于你的无意识偏见。
当一个有经验的网购买家人看到4.2分时，他会很开心的说：“已经超过4.0的均分了，很棒了!”他们甚至可以进行一个严谨的分析，来说明这个4.2分在统计学上是显著高于4.0的(看呐，这就是大家一直想要的p值!)与此同时，那些缺乏经验的买家会说：“4.5分都不到，我要换一家。”或“4.2分比1分高多了，挺好的，就它家了。”
1. 决策者没有决策基础，再牛逼的数据科学家也无能为力
有时候，数学的复杂性会使简单的问题变得棘手。人们常常用一大堆函数去分析一个其实很简单的东西。
一群数据科学家和工程师可能花了几个月的时间，经过仔细的数学建模和精密计算后，才得出4.2分这个数字。
2. 那么，决策者会怎么做呢?
由于确认偏误，决策者很可能会戴着有色眼镜来解读这一数据。他会选择性的挑选有利于自己决定的数据，也根本不在乎这个数据是否准确。就这样，科学家们几个月的努力全白费了——其实还不如随便编个数呢!
决策者若没有决策基础，再强大的数据科学团队也解决不了问题。这种情况下，我建议数据科学家们使用最简单的数学方法分析就好了，省钱又省力，简直完美。
消除确认偏误
决策者在分析数据之前需要做大量功课来消除确认偏误，一个有效的解决方法是提前设定决策边界，确保这个边界不被突破。决策者需要明白制定决策和制定决策标准是相互独立的。。
孰能生巧
最近我和朋友去买衣服，她看中了一件漂亮的裙子。她扯了扯裙子后面的价签，问我：“嘿，朋友，这裙子多少钱?如果少于80美元，我就买。”
她没有先看价格，然后“说服”自己做一个决定。她首先权衡了自己对衣服的喜欢程度和自己的预算，接着设定了决策边界，在这之后，她才去看价格(即数据)。艾玛有正确使用数据的习惯，这就是典型的数据驱动型决策。。
讲道理，人们并不总是需要数据驱动，我朋友也明白这一点，她不必在这样的小事上做出数据驱动型决策。但俗话说的好，孰能生巧，在琐碎的事情上养成良好习惯，遇到重要事情时就能更加淡定从容。
谈判课的经验
这种观念其实并不新鲜，许多课程都会谈到，尤其是谈判课，第一讲一定会涉及这一道理。如果在进行谈判之前，你没有明确自己的最佳替代方案(BATNA)是什么，那么你还不如直接在额头上写“别问我，我什么都不知道”。同样的，谈判者也要需要在首选方案和备选方案之间确定决策边界。
解决方法是什么?那就是提前设定决策标准。
事实上，对于谈判者来说，谈判前应充分考虑所有可能出现的报价组合，并提前计划好相应的反应，否则就很容易被一个经验丰富的对手打败。即使不是对方的谈判策略，一些无关紧要的因素，诸如血糖水平、心情、对方微笑的程度以及阳光是否灿烂等也会对谈判产生影响。同样的，数据分析也是如此——把数据看成你的谈判对手。关键的解决方法就是提前计划好你的反应。例如，下次你在谈薪水的时候，确保在听到对方的报数之前，你已提前在心里设好了底线
掌握诀窍后就很简单
总结一下，提前设定决策标准能帮你提高决策质量和谈判能力。在数据驱动型决策中，应该有正确使用数据的习惯。熟能生巧，相信你可以做到哒~
相关报道：https://hackernoon.com/data-inspired-5c78db3999b2
【本文是51CTO专栏机构大数据文摘的原创译文，微信公众号“大数据文摘（ id: BigDataDigest）”】
戳这里，看该作者更多好文