麦肯锡教我的思考武器
生产力是输出与输入的比值, 以较小的劳动时间获得较大的成功, 则生产力较高. 高生产力的工作者其工作效率并非比一般人快十倍, 而是他们始终能够选择最优价值的工作完成, 从而在同等输出的情况下使用了最少的投入时间.
如果高技术的程序员真的在绝对的工作效率上比普通程序员有数倍的差距, 则合理的规划任务能够进一步放大这种差距.
工作是为了产生某个成果而存在的, 因此无法产生结果或者说结果无法观测的工作是没有意义的. 在工作的过程中, 始终需要思考这项工作产生的影响是什么, 是否值得.
“烦恼”是以“找不出答案”为前提“假装思考”。“思考”是以“能够找出答案”为前提,有建设性的真正思考。
所以在思考的过程中永远要排除确认无解的问题, 既然无解所谓的思考也只会增加焦虑. “不要烦恼”是工作上最重要的信条.
工作的价值
工作的价值可以从两个维度进行评判, 一个维度是议题度, 一个维度是解答质. 其中“议题度”是指“在目前的情况下,找出该问题的答案的必要性有多高”;“解答质”是指“对于该议题度,目前可以提供明确答案的程度”。
理想的工作应该同时具有较高的议题度和解答质. 但所有人都是从从低议题度, 低解答质的任务开始的. 在到达理想的工作的过程中有两条路径:
- 首先增加解答质, 再考虑增加议题度
- 首先增加议题度, 再考虑增加解答质
路径1不如路径2. 因为低议题度的工作由于其必要性低, 因此即使解答质很高, 也不会给受益者带来太多的收益. 依靠蛮力积累解决的问题数量是一种事倍功半的“败者之路”.
与此相反, 如果先提高议题度, 再考虑增加解答质则需要先锁定需要解决的核心问题. 即使无法立即锁定核心问题, 也应该将问题的规模缩小的原本的10%.
大部分问题的议题度有很低, 最有议题度的问题只有1%
如果是初入职场的社会新人可能无法独立的判断那些问题的议题度较高, 此时可以请教自己的上司或研究室的指导老师请教:“我所想到的问题中,在当下真正具有找出答案的价值的问题是什么?”
每个团队中肯定都有这样的人, 可能是领导也可能是技术专家, 要主动与他们讨论.
专业工作者的工作方式,与“劳动时间越长,赚的钱越多”这种劳动者或工薪族的想法形成对比:不以劳动的时间,而是凭借“造成变化的程度”获取报酬或评价;或者可以说,存在的意义取决于“可产生多少有意义的输出”。像这样开启专业工作者生存之道的开关,正是打下产生高生产力的基础。
所以对于给定的一个需要, 多想一想这个任务的价值是什么, 如何证明其具有的价值.
议题思考
开始一个工作之前应该充分地讨论”什么有必要找出答案”, 并以”为此必须先弄清楚什么”的思考流程着手分析. 即使分析结果与预设不同, 但最后成为有意义的输出(成果)的概率仍然很高.
有价值的问题的答案显然还是有价值的, 即使对于当前问题没有帮助, 也有助于解决后续的其他问题.
一个好的议题应该具有如下的特点
- 属于本质的议题, 该议题的结论对后续的分析将会产生重大影响
- 含有深入的假说
- 可以找到答案, 已知无解或非常难以解决的问题要及早排除
对于一个问题的原因, 不要贸然做出判断, 有可能最初的判断根本就不涉及本质, 进而导致假设不成立, 从一开始就做了无用功.
确定议题的过程中需要及时的清理假议题, 最有价值的议题只有1%, 大多数问题都不是当下真正有必要立刻找出答案的问题.
优先解决本质的议题, 一些当前看来也许需要讨论的问题可能在本质议题解决后根本就不再是问题了
金字塔原理
文章表达不清晰的一个重要原因是写作的顺序与读者的思考逻辑发生了冲突. 对于受众来说, 最容易理解的顺序是: 先了解主要的, 抽象的思想, 然后了解次要的, 为主要思想提供支持的思想. 因此表达的过程天然的具有一个金字塔的结构.
作者对于想要表达的内容进行归纳和整理, 并按照自上而下的顺序进行表达能够降低读者的理解难度. 由于人脑的临时记忆能力有限, 无法记住输入的所有信息, 因此读者在阅读内容时会自动的对内容进行归纳总结, 提取其中表达的思想. 如果作者能够明确的归纳整理其中内容, 则可以减少读者对于内容归纳消耗的脑力, 从而产生更轻松且准确地理解作者想要表达的想法
自下而上的思考, 总结概况. 将多个句子组成一个段落时, 句子之间应该具有某种关系, 从而能够被组织到一起. 这种概括性的关系能够使思维上升一个层次, 并压缩表达的信息. 多次重复这个操作后, 最终将会得到一个概括了整篇文章的核心句子. 而文章就应该是对这个核心句子的表达.
- 文章中任意层次上的思想都是对下一层次思想的概括
- 每一组思想属于同一逻辑范畴
- 每一组思想之间按照逻辑顺序组织
常见的逻辑顺序包括:
- 演绎顺序: 大前提 小前提 结论
- 时间顺序: 第一步 第二步 第三步
- 空间顺序: 波士顿 纽约 华盛顿
- 程度顺序: 最重要的 次重要的 等等
显然, 大部分时候并不能直接得到金字塔结构, 所以还是需要根据现有的一些想法, 逐步的整理出金字塔结构.
向受众发出新信息并引发受众疑问的语句
金字塔内部的结构可以考虑纵向关系和横向关系. 对于纵向关系, 每一个子项目是父项目的一个问题的回答. 通过在父项目中设置问题来自然的将注意力移动到子项目. 对于横向关系, 同一组内部的子项目之间, 按照逻辑顺序进行排列.
序言的结构. 读者只有在想寻求答案时才会主动寻求答案. 所以序言应该达到这种吸引注意力的目的.
序言的开头应该说明故事背景的时间和地点, 描述背景中发生的冲突, 使读者提出你这篇文章想要回答的问题
如何构建金字塔
- 优先尝试构建结构, 实在无法得到结构再考虑自下向上的归纳
- 序言先写背景, 多花时间写好序言再开始后续的写作
- 历史背景只放在序言中, 序言仅包含无疑义的内容
文章的序言必须用讲故事的形式,也就是说,序言必须先介绍读者熟悉的某些“背景”,说明发生的“冲突”,并由此引发读者的“疑问”,然后针对该“疑问”给出“答案”。
常见的冲突
背景 | 冲突 | 读者的疑问 |
---|---|---|
需要完成某个任务 | 发生了妨碍任务完成的事情 | 应该如何做? |
存在某个问题 | 知道解决问题的方案 | 如何实施解决方案? |
存在某个问题 | 某人提出解决方案 | 解决方案是否正确? |
采取某项行动 | 效果未达到预期 | 为啥没有达到预期? |
当你写完全篇文章时,还必须仔细检查一下全文的结构,因为你可能发现自己犯了以下两种常见错误之一:
●仅仅因为可以用同一个名词概括,而将关联性很小的思想排列在一起(如“10个步骤”或“5个问题”等),实际上这些思想之间不存在逻辑关系。
●金字塔结构顶端的中心思想,使用的是“缺乏思想”的句子(如“该公司存在5个问题”),而非具有揭示性的观点。
界定问题的方法称为连续分析(统计学上称为序列分析),是一种有效地解决问题的技巧,可以帮助你为以下按逻辑顺序排列的问题寻找答案:
1.是否有/是否可能有问题(或机会)?
2.问题在哪里?
3.为什么存在(产生问题的根源、原因)?
4.我们能做什么?
5.我们应该做什么?
学会提问
批判性思维的障碍
思考过快: 人的思维分为快思维和慢思维, 过快做出的决策容易失去准确性并且考虑的不周到
刻板影响: 基于刻板影响做出的决策不够准确
晕轮效应: 如果一个人在某个领域表现的好, 就会觉得其在所有领域都表现得好. 然而这一点是不准确的
信念固着: 对于已有的信念保持过分的忠诚, 导致忽略不利于证明已有信念的证据. 记住, 所有的信念都应该是批判性的思考
近因效应: 我们跟容易将我们最近接触的事情作为基础, 例如在出现一次空难后, 几个月内不敢乘坐飞机.
答非所问: 字面意思, 没有正面回答提出的问题.
自我中心和一厢情愿
议题的分类
描述性议题: 针对各类描述是否精确与否提出的问题. 例如 音乐学习是不是有助于提高一个人的数学水平?
规定性议题: 针对什么该做什么不该做, 或者什么是好什么是坏所提出的议题. 例如公立学校应不应该教授智能设计?
常见的论证谬误
对人不对事: 针对个人进行攻击, 而不是直接反驳其提供的理由
使用滑坡论证: 设想采取议题的步骤会产生一连串不可控的不利事件
表现出寻找完美方案的趋势: 错误的认为尝试某种解决方案后还有遗留问题未解决, 那么这种解决方案就不该采用
不恰当的诉诸公众意见: 错误的认为大部分人喜欢的事情就是可取的
诉诸可疑的权威:引用某一权威的话来证明结论, 但该权威对于这一论题并没有特别的知识
诉诸情感: 使用强烈感情色彩的语言来分散听众的注意力
攻击稻草人:歪曲对方的观点, 使其更容易被攻击. 实际在攻击一个不存在的观点.
呈现虚假的两难情形: 现实存在两种以上的选择, 确假想只有两种选择方案
通过乱扣帽子来解释: 错误的以为因为你给某个特定事件或行为起了个名字,你就合理解释了这一事件
环效应谬误:使用模糊、引发人们强烈感情认同的品德词汇,使我们倾向于同意某件事而不去细查其理由
转移话题谬误:一个不相干的话题被插进来将注意力从原来的论题上转移开,通过将注意力从当前的论证转移到另一个论题上,以此来帮助赢得这次论证。
循环论证谬误:指在论证过程中已假设自己的结论成立的论证
决策与判断
在阅读第一章之前, 作者给出了一组题目, 并要求读者在阅读本书之前一定要先完成这组题目. 作者声称让读者先做题的原因是避免读者在后续受到本书内容的影响或者在后续声称早已知道本书提及的内容.
作者不愧是搞心理学的, 这成功引起了我的兴趣. 题目中有些可以感觉是在测试风险偏好, 而有些确实看不出来在测试什么.
第一部分 知觉, 记忆和情景
不依赖于情景的决策是不存在的. 我们所作出的决策与判断都取决于我们看待和解释这个世界的方式.
选择性知觉
强有力的预期: 被试是否摄入了酒精对心跳速率其实并没有什么大的影响,真正影响他们心跳速率的是,他们是否相信自己摄入了酒精。
敌意媒体效应: 每一党派的人都会认为,媒体就某一颇有争议的报道是不公平的,且偏向他们所支持立场的对立面。他们认为,相似的知觉性偏差也存在于类似调解、仲裁或者其他情况中。
知觉的本质就是具有选择性。即便只是识别一张扑克牌——或是酒醉的感觉——也在很大程度上取决于认知和动机因素。因此,在做任何重大决策或判断之前,很值得停下来想一想并问自己一些关键的问题:我看待事物的方式是否受到了某种动机的驱使?我在看待和处理问题时是否夹杂了自身的预期?我是否与那些与我有着不同预期和动机的人交换过意见?通过询问这些问题,决策者可以发现许多能够引起知觉偏差的认知和动机因素。
认知不协调
人会自发的使自己的认知保持一致, 如果出现认知不一致的情况, 甚至可能潜意识的改变自己的看法. 人们会尽一切可能减少认知不协调感。不协调是一种“消极驱力状态(一种令人厌恶的状况)”。
记忆和事后聪明式偏差
记忆并不是在我们过去经历发生的时候被我们存进记忆库中的拷贝。相反,记忆是在我们提取它的时候才建立起来的(Loftus, 1980;Myers, 1990)。
有趣的看法, 可是回忆一下, 记忆是否真的是在你回忆的时候才存在呢?
人们并不是简单地记住句子;他们构造并记住了一个总体的情境。一旦一部分信息与其他信息相结合,有时候就很难分清楚哪些信息是新的,哪些信息是早已经存在于脑海中的了。
事后聪明式偏差是这样一种倾向,它将已经发生的事情视为相对不可避免和显而易见的事情,却忽略了自己的判断实际上已经受到已知结果的影响。如果你希望减少事后聪明式偏差,那么你应该仔细考虑,过去的事件在什么条件下可能会出现不同的结果。如果你只考虑为什么事件会出现这样的结果,很可能你就会高估这一结果出现的必然性以及类似结果在未来出现的可能性。
第二部分 问题如何影响答案
可塑性
对于如下的两个方案
方案一: 固定损失50元
方案二: 以25%的概率损失200元, 以75%的概率没有任何损失
对于损失, 人们通常是风险偏好的. 虽然两个方案的期望是一样的, 但人们更加倾向于选择方案二. 按照这一结论, 保险业务应该是不存在的. 因为保险就是用固定损失换取更小的风险. 当时当以上两个方案的说法调整为方案一时是购买保险时, 就会有更多人倾向于选择方案一
顺序效应
人们的答案也可能受到问题或者选项顺序的影响。这些影响通常很小,但在某些情况下,其影响却可能变得非常深远。比如说,如果两个问题都是关于同一主题,而且回答者需要表现得一致,那么回答者就会照着前一个问题的答案的思路来组织后一个问题的答案。
1.你认为一个共产主义国家,比如前苏联,是否应该允许美国的新闻记者进入其境内采访,并将他们所得到的新闻发回美国?
2.你认为美国是否应该允许其他共产主义国家的新闻记者入境采访,并将他们所得到的新闻发回他们所在的报社?
如果被试被问到的第一个问题是有关美国的新闻记者,82%的人认为美国记者应该被允许自由进入共产主义国家。与这一答案一致的是,75%的人也认为美国应该允许共产主义国家的记者自由进入美国采访。另一方面,如果被试被问到的第一个问题是有关共产主义国家的新闻记者,那么只有55%的人认为应该让共产主义国家的新闻记者自由进入美国进行新闻报道。在这种情况下,大概是为了保持一致,避免让自己看起来有双重标准,只有64%的人认为应该允许美国记者自由进入共产主义国家(相较于82%,64%的比例更接近于55%)。
对于以上结论, 可以将问题的顺序作为第一个问题, 是否支持美国记者自由进入共产主义国家作为第二个维度, 进行独立性检验. 结果显示χ2 = 8.219
,p = 0.004 < 0.05
, 即拒绝认为两者之间无关. 同样可以将是否支持共产主义国家的新闻记者入境采访作为第二个维度, 进行独立性检验. 结果限制χ2 = 8.791
,p = 0.003 < 0.05
, 即拒绝认为两者之间无关.
综上可以认为, 问题的先后顺序确实显著影响人们对于两个问题的看法.
作者还是严谨的, 起码统计学上是过的去的
顺序效应中最常见的是近因效应,也就是说,当某一答案选项出现在备选答案中的最后时,其被选择的频率更高。
虚假意见
如果人们对一个问题一无所知,一部分人会表现出完全可塑性;在某些特别的询问方式下,一部分人会对这一问题发表意见,但实际上他对此并不真正了解。虚假意见对许多政治事件具有决定性的影响。一般说来,那些对某一问题知之甚少的人加上那些对此闻所未闻的人,往往能够形成一个绝对的多数。在有关外交和军事政策的判断中,虚假意见实际上非常普遍。这是由于人们只有很低的政治参与程度和很少的政治意识,却面临一种不得不对此发表意见的社会压力。
设置过滤器正是为了排除掉那些实际上对某一给定问题并没有什么意见的人。设置过滤器的方式有很多种。在一些民意测验中,被试首先会被问到他们是否听说过某件事情或是读到过有关某个问题的报道。如果回答是肯定的,他们才被要求发表有关这个问题的意见。如果不是,则回答其他问题。在另一些民意测验中,则首先询问被试是否就某一问题进行过深入的思考,或者更直接地询问他们是否对某一问题有自己的看法。还有一种过滤方法就是明确地设置“没有看法”或是“不知道”这样的选项。
一般来说设置过滤器并不会导致选择比例的相对变化, 但会导致选择比例的绝对变化. 因此民意测验人可以根据自己的需要选择是否加入过滤器, 从而搞一个大新闻
第三部分 决策模型
期望效用理论
期望效用理论是经济学和决策理论中解释不确定条件下理性选择的核心模型,其核心思想在于人们追求的是主观效用最大化而非单纯的货币收益。该理论起源于18世纪数学家丹尼尔·伯努利对“圣彼得堡悖论”的解答,他认为人们会根据结果的心理价值(效用)而非金额进行决策;现代形式则由冯·诺依曼和摩根斯坦在1944年完善,成为博弈论和微观经济学的基石。期望效用的计算公式为概率加权效用值的总和(( E(U) = \sum p_i \cdot u(x_i) )),与传统期望值(仅加权货币值)不同,它强调主观价值的整合。
个体的风险态度通过效用函数形状体现:风险厌恶者的效用函数呈凹性(如对数函数),倾向于选择确定性收益;风险中性者的效用函数为线性,仅关注期望值;风险偏好者的效用函数呈凸性(如平方函数),更愿意冒险以追求更高潜在收益。例如,面对“确定获得50元”和“50%概率获得100元或0元”的选项时,风险厌恶者选择前者,风险中性者无偏好,风险偏好者选择后者。该理论建立在完备性、传递性、独立性和连续性公理之上,但现实中存在例外(如阿莱悖论),实验显示人们可能违背独立性公理,促使卡尼曼和特沃斯基提出前景理论,强调损失厌恶和非线性概率权重对决策的影响。
期望效用理论广泛应用于保险、投资和博弈论等领域,例如风险厌恶者愿意支付保费规避损失,投资者根据风险偏好配置资产。然而,其局限性也显而易见:实际决策可能受情绪、认知偏差干扰,且前景理论等后续研究揭示了更复杂的人类行为模式。尽管如此,期望效用理论仍是分析风险决策的基础框架,为理解理性选择提供了重要起点,并在行为经济学的修正中持续推动决策理论的发展。
自冯·诺伊曼和摩根斯坦研究之后,许多决策理论家试图将期望效用理论发展为一个描述性决策模型。但这些努力常常遭受失败。由于违反相消性原则、可传递性原则、恒定性原则和占优性原则情况的大量存在,因而许多以前是效用理论忠实支持者的理论家们都开始转向其他的决策模型。
主要还是人的决策缺乏一致性, 即使打了补丁, 也还是会有一些无法解释的问题.
描述性决策模型
前景理论(Prospect Theory)由心理学家丹尼尔·卡尼曼和阿莫斯·特沃斯基于1979年提出,旨在修正期望效用理论的局限性,更贴近人类实际决策行为。该理论的核心观点是,人们在风险决策中并非完全理性,而是受心理因素和认知偏差的显著影响,决策过程分为“编辑阶段”(初步评估选项)和“评价阶段”(赋予选项主观价值),其核心突破在于揭示了“损失厌恶”“参照点依赖”和“概率非线性加权”三大特征。
前景理论的核心模型包含两个函数:价值函数和权重函数。价值函数以参照点(如现状)为基准,呈现S型不对称形态——损失部分的曲线比收益部分更陡峭,表明人们对损失的痛苦感远超等量收益的快乐感(即“损失厌恶”)。例如,丢失100元带来的心理冲击可能需要获得200元才能平衡。权重函数则描述人们对概率的主观扭曲:通常高估小概率事件(如买彩票或恐惧空难),低估中高概率事件(如忽视90%成功手术的风险),且对确定性结果赋予额外权重(“确定效应”)。
与期望效用理论不同,前景理论强调决策结果需通过参照点转化为“收益”或“损失”,并揭示了几种关键行为模式:
- 确定效应:人们倾向于优先选择确定性的结果,即使其期望值低于风险选项(如宁可确定获得3000元,而非80%概率获得4000元);
- 反射效应:在面临损失时,人们会从风险厌恶转向风险偏好(如宁愿选择80%概率损失4000元,而非确定损失3000元);
- 框架效应:同一问题的不同表述会改变参照点,从而逆转选择(如手术成功率“90%存活”比“10%死亡”更易被接受)。
该理论广泛应用于行为经济学和现实场景:在金融投资中解释“处置效应”(过早卖出盈利资产而长期持有亏损资产),在保险市场中解释“为何人们同时购买彩票和高额保险”,在营销策略中通过“满减优惠”而非“直接折扣”强化消费者的获得感。然而,前景理论也面临批评,例如模型参数(如参照点的选取)具有一定主观性,且无法完全覆盖所有决策异象。后续的累积前景理论(1992年)进一步优化了概率加权函数,使其更贴合实际数据。
作为行为经济学的里程碑,前景理论挑战了传统理性假设,揭示了情感与认知偏差对决策的深层影响,其解释力已在实验和实证研究中得到广泛验证。尽管存在局限,它仍为理解人类非理性选择提供了核心框架,并在政策设计、金融管理和消费者行为分析等领域持续发挥重要作用。
均值回归与非回归性的预测
向平均数回归是统计中存在的一个现象,即较高或者较低的分数往往会伴随着一些更加接近平均数的分数,就像两位非常高的父母亲的孩子往往会更接近平均身高一些。这一现象可以从数学的角度进行分析.
给定一个随机变量 $X ~ N(0, 1)$, 抽取$X$的$N$个观察值$X_1, X_2, …, X_N$, 假设$X_i$取得了标准正态分布的上1%分位数$z_0.99$, 那么$X_(i+1)$如果依然服从原有分布, 基于独立同分布假设, 则可以得知其小于$X_i$的概率为99%.
也就可以认为在$X_i$之后的值会向均值回归.
但是不能因此认为$X_(i+1)$取得特定值的概率变大. 例如抛硬币的场景中, 即使连续出现10次正面, 也不能认为下一次是反面的概率更大. 虽然长期来看概率会趋于频率(即大数定理), 从而达到均值的”平衡”, 但实际的短期波动依然可能出现极端情况. 平衡可能出现在第100次, 也可能出现在第1000次.
暗时间
人在一天的活动时间之中, 有许多可以用来思考的时间并未被充分利用, 这些称之为暗时间, 例如走路, 吃饭, 坐车等. 利用这段时间进行思考等价于延长了自己生命.
需要给自己制定一个列表, 让自己的思维处于一个满载的状态, 减少无意义的空转.
进行任务切换确实会产生额外的成本消耗, 因此需要合理的安排, 减少任务切换. 但恢复状态的时间是可以通过训练缩短的, 例如从需要15分钟变为2分钟.
能够迅速进入专注状态,以及能够长期保持专注状态,是高效学习的两个最重要习惯。
按照优先级做事, 永远都是先做最重要的事情. 不重要的时候可以往后推迟.
要思考知识的本质, 要经常性的判断学习的知识的价值. 永远要优先执行价值最高的事情.
清醒思考的艺术
- 幸存偏误意味着: 你系统性地高估了成功概率。解决办法:尽可能常去逛逛曾经大有希望的项目、投资和事业的墓地。这样的散步虽然伤感,但对你是有好处的。
- 游泳选手身材错觉: 凡有人讴歌某种东西值得追求——强健肌肉、美貌、高收入、长寿、影响力、快乐,你都要看仔细。在跨入泳池之前,不妨先照照镜子。你要诚实地对待自己。
- 过度自信效应: 请对所有预测持怀疑态度,尤其是当这些预测是由所谓的专家们作出的。请你在筹划任何事情时都从悲观的角度出发,作最坏的打算。这样你才会真正有机会,更现实一些地判断形势。
- 从众心理: 当一家公司声称它的产品“销量最高”时,请你表示怀疑。这是个荒唐的说法。凭什么一种产品“销量最高”就应该更好呢?英国作家毛姆这样讲道:“就算有5000万人声称某件蠢事是对的,这件蠢事也不会因此成为聪明之举。”
- 纠缠于沉没成本: 有许多好理由支持你继续投资下去,但如果你只是因为舍不得已经作出的投资而决定继续做某件事,这就不是一个好理由了。理性的决定意味着忽视已经投入的成本。你已经投资了什么并不重要,唯一重要的是现在的形势及你对未来的评估。
- 现成偏误是指:我们依据现成的例子来想象世界。这当然是愚蠢的,因为外界现实中的某种东西不会因为我们更容易想到而出现得更频繁。
- 如果有人说:“在好转之前会先恶化”,你脑子里就应该敲响警钟。里程碑是明确的,是可以检测的。请你望着里程碑,而不是望着天空。
- 从自传到世界大事——我们将一切炮制成有“意义”的故事。我们这样做是在扭曲真相——这会影响我们决定的质量。
- 请你记日记。请你写下你的预测——有关政治、事业、体重、股市等。请你不时地拿你的记载与实际情况相比较。你会惊讶你是个多么糟糕的预测家。
- 请你不要信任司机的知识。请你不要将公司新闻发言人、爱出风头的人、新闻播音员、唠叨鬼、花言巧语者、爱说闲话的人与一个真正有知识的人搞混。
- 你实际控制的很可能比你以为的要少。因此,请你将注意力集中于你真正能影响的少量东西——坚定不移地只关注其中最重要的那些。
- 人们会对激励机制做出反应。这不奇怪。人都会做对自己有益的事情。令人吃惊的是两个次要方面:第一,一旦有激励加入游戏或改变了激励,人们就会迅速而剧烈地改变自己的行为;第二,人们是对激励做出反应,而不是对激励背后的目的做出反应。
- 结果偏误: 请你切勿以结果判断决定。结果差并不一定意味着当时所作的决定不对,反之亦然。你最好仔细研究一下这样作决定的原因,而不是吐槽一个被证明是错误的决定,或者为一个也许是纯属偶然地获得成功的决定感到庆幸。
- 讨喜偏误: 某人越讨喜,我们就越倾向于从这个人那儿买东西或者帮助他。你在判断一笔生意时应该坚持不受卖方影响。请你不要考虑他,更好的办法是:请你想象他是个不讨人喜欢的家伙。
- 禀赋效应: 我们感觉我们拥有的东西比我们没有拥有的更有价值。请不要死抱着某种东西不放,请将你拥有的视作“宇宙”临时留给你的某种东西。要知道你拥有的一切随时又会被拿走。
- 奇迹: 不可思议的意外事件就是虽然少见但完全可能发生的事件。它们的发生没什么可吃惊的,如果它们从不发生,那才令人感到意外。
- 团体迷思: 共识为什么有可能是危险的。如果你是一个智囊团的成员,无论何时,你都要讲出你的看法——哪怕这看法不是很中听。你要仔细考虑没有讲出的意见,必要时要甘冒被隔离在温暖团体之外的风险。如果你领导着一支团队,请你指定某人唱反调。他将不是团队里最受欢迎的人,但也许是最重要的人。
- 稀少性谬误: 我们对稀少性的典型反应是丧失清晰思考的能力。因此请你仅按价格和作用判断一样东西。你不要在乎它是否稀少,是否有哪位“伦敦来的医生”也想要它。
- 锚定效应: 数字轮盘如何搞得我们晕头转向. 如果老师知道一位学生过去的学习成绩,就会影响他给学生的新论文打分。在这里,过去的成绩起了锚定的作用。许多产品在包装袋上刊印的“建议销售价”也是一个锚定。职业销售人员知道,他们必须先设定一个锚——远在他们报价之前。
- 归纳法: 许多事情使用归纳法并无意义, 已经成功1000次的事情, 只要有1次反例就会被推翻.
- 规避损失: 我们估计损失要比我们估计收益多得多, 损失要比同样多的收益对我们的影响更大。我们对不利东西的反应要比对有利东西的反应敏感。
- 社会性懈怠: 团队为什么会使人懒惰. 在团队里我们不仅会克制我们的效率,还会克制我们的责任。团队有甘冒比个人更大风险的倾向。人们称这一效应为风险分摊。
- 基本特征谬误: 系统性地高估人的影响,在解释某些东西时低估情境因素。
- 光环效应: 如果某人的某一个方面(比如美貌、社会地位、年龄)造成了正面或负面的印象,那么它将“普照”其他的一切,从而过度影响其总体印象。
- 行动偏误: 在不明情形下我们会产生要做点什么的冲动,随便什么——不管它有没有帮助。之后我们会感觉好受些,虽然其实什么也没有好转——事实甚至往往正好相反。因此,如果情况不明,请你不要采取任何行动,直到你能更好地分析形势。你要克制自己。
- 双曲贴现: 我们受及时行乐的想法控制的事实,是我们过去的动物性的一种残留。动物不愿意为在将来得到更多奖励而于今天放弃一种奖励。及时行乐是个好主意——如果每星期一次的话。但天天享受,好像每天都是末日似的,却是不明智的。
思考: 快与慢
本书共分为五部分,第一部分讲述的是通过双系统进行判断与做出决策的基本原理。这部分内容详细说明了系统 1的无意识运作和系统2受控制运作的区别,并且说明了系统1的核心,即联想记忆是如何不断对世界上所发生的事作出连贯的解释的。关于直觉性思考的自主且无意识过程的复杂性和丰富程度,以及这些自主过程如何能解释判断的启发法等问题,我试图说出自己的见解,目的是要引入一套用于思考和表达思想的语言。
第二部分对判断启发法的研究作了更新,还探索了一个难题,即为什么很难具备统计型思维。我们思考时总是会把多种事情联系起来,会将一件事情比喻成另一件,会突然想起一件事来,但统计学要求同一时间把多件事情串联起来,而这一点系统1是做不到的。
本书第三部分描述了我们大脑有说不清楚的局限:我们对自己认为熟知的事物确信不疑,我们显然无法了解自己的无知程度,无法确切了解自己所生活的这个世界的不确定性。我们总是高估自己对世界的了解,却低估了事件中存在的偶然性。当我们回顾以往时,由于后见之明,对有些事会产生虚幻的确定感,因此我们变得过于自信。我对这个问题的看法受《黑天鹅》①(The Black Swan)的作者纳西姆·塔勒布( Nassim Taleb)的影响。我希望我这“饮水机旁的闲谈”能明智地借鉴以往经验, 同时抵制后见之明和虚幻的确定之感的诱惑。
第四部分的重点是在决策制定的性质和经济因素为理性的前提下讨论经济的原则。1979年,阿莫斯和我发表了关于前景理论的决策模式,此部分在双系统下对前景理论的重要概念提出了新的看法。余下的几章讲的是人们从理性角度出发做出决策的几种方式。可悲的是,人们总是孤立地看待问题,表现出框架效应,即决策的制定往往因为对所回答问题不合逻辑的选择而受到影响。系统1的特征完全能解释这些观察结果,这对标准经济学所倾向的理性假设发起了很大的挑战。
第五部分是近期研究中关于两个自我的区别性描述,即经验自我和记忆自我,两者间没有共性。例如,我们可以让人们体验两种痛苦。其中一种比另一种要更痛苦,因为体验的时间更长。系统1有一大特点,即记忆的自主形成是有其原则的,如此一来,较为痛苦的那段体验会留下更深刻的记忆。所以,此后当人们选择要回想哪段经历时,他们自然会受记忆自我的引导,将其自身(即经验自我)处于不必要的痛苦中。两种自我间的区别被用来测试人的幸福感,而我们发现使经验自我快乐的事不一定会让记忆自我满足。两种自我同时存在的个体要如何去追求幸福,这一问题引起了把居民的幸福看做政策目标的个人和社会的众多思考。
最后的章节是按倒叙来探索本书所述的三个区别的:经验自我和记忆自我的区别,古典经济学和和行为经济学(从心理学借鉴而来)的区别,以及自主的系统1和需费脑力的系统2的区别。书中还谈及了有价值的闲谈的好处,以及哪些内容有助于提升判断和自行决策的效能。
在最后,我附上了我和阿莫斯一起写的两篇文章,第一篇是我早期写的关于在面对不确定性因素时作出判断的评论。第二篇发表于1984年,总结了前景理论和我们关于框架效应的研究成果。文章中有被诺贝尔委员会引用的投稿,你可能会惊讶地发现这些投稿是多么简单。读这些能让你明白我们早期的知识有多少,也能让你知道我们这几十年来的进步有多大。
系统1与系统2
大脑中有两套系统,即系统1和系统2.
- 系统1的运行是无意识且快速的,不怎么费脑力,没有感觉,完全处于自主控制状态。
- 系统2将注意力转移到需要费脑力的大脑活动上来,例如复杂的运算。系统2的运行通常与行为、选择和专注等主观体验相关联。
大语言模型与思考模型
提问策略COSTAR
COSTAR是一种向大模型提问的问题组织方式, 具体内容如下
- Context 背景信息
- Objective 任务目标
- Style 写作风格
- Tone 情感语调
- Audience 受众
- Response 响应格式
大模型的回答很大程序取决于问题, 一个描述清晰的问题能够获得更准确的回答
元问题
有些时候对于一个领域不够了解, 无法提出有价值的问题, 此时可以尝试先询问元问题, 即向AI询问应该问什么问题, 例如
我想深入了解/系统学习/熟练掌握XXX, 我应该问你什么问题? 请给我列出10个
思维模型
对于演讲稿, 自我介绍等许多场景, 实际上存在一些已经被广泛使用的思维模型. 先向AI询问有哪些思维模型, 然后让AI按照某种思维模型进行回答, 可以实现小模型推到大模型, 获得更加高质量的回答.
演讲稿模型
1. 黄金圈法则(Why-How-What)
结构说明:从核心理念切入,先解释“为什么”要关注某个问题或愿景(Why),接着说明“如何”实现目标(How),最后展示具体的行动或成果(What)。这种由内到外的逻辑能快速激发听众的情感共鸣。
案例:假设你推广环保产品,可以这样设计:“我们相信地球资源不应被浪费(Why),因此研发了用回收塑料制成的3D打印材料(How),目前已帮助100家企业减少30%的碳足迹(What)。”
2. SCQA模型(情境-冲突-问题-答案)
结构说明:先描述听众熟悉的背景(Situation),再指出现状中的矛盾或危机(Complication),接着提出一个关键问题(Question),最后给出你的解决方案(Answer)。这种框架擅长制造悬念并引导思考。
案例:例如在医疗主题演讲中:“全球癌症发病率十年增长40%(S),但早期筛查率不足20%(C),如何打破‘晚期才发现’的困境(Q)?我们的AI影像系统能将筛查准确率提升至95%(A)。”
3. 英雄之旅叙事模型
结构说明:模仿神话故事结构,从主人公的平凡起点开始,经历挑战召唤、跨越障碍、获得成长,最终带着解决方案回归。适用于个人经历或品牌故事。
案例:创业者可以讲述:“我曾是每天工作15小时的程序员(平凡世界),直到母亲因误诊去世(冒险召唤),我决心开发AI辅助诊断系统(跨越门槛)……现在我们的技术已拯救了2000条生命(带回礼物)。”
4. TED演讲三板斧(钩子-主体-行动)
结构说明:用震撼的事实、故事或问题开场(Hook)抓住注意力,主体部分围绕3个核心观点展开(Meat),每个观点用数据或案例支撑,最后用明确的行动号召(Call to Action)收尾。
案例:教育主题演讲可设计:“你知道吗?75%的孩子因错误学习方法失去兴趣(钩子)→ ①游戏化学习 ②个性化路径 ③即时反馈机制(主体)→ 今晚就和孩子尝试‘20分钟主动学习法’(行动)。”
5. 时间轴模型(过去-现在-未来)
结构说明:通过时间脉络梳理问题,先分析历史背景或痛点根源(过去),再展示当前突破或转折点(现在),最后描绘未来趋势或共同愿景(未来)。适合趋势分析或技术演进主题。
案例:在人工智能演讲中:“十年前,AI只能识别简单图像(过去)→ 如今它能创作音乐和诊断疾病(现在)→ 未来十年,AI将像水电一样成为基础资源(未来)。”
6. 金字塔原理(结论先行)
结构说明:开门见山抛出核心结论,再用3-5个相互独立、逻辑完整的分论点支持,每个论点辅以数据或案例。确保内容符合MECE原则(不重复、不遗漏)。
案例:推广远程办公时可直接声明:“混合办公模式将提升企业20%的效益(结论)→ ①降低办公成本 ②扩大人才库 ③提升员工满意度 → 用各行业调研数据分别证明。”
7. 问题-方案-效益模型(PSB)
结构说明:先量化听众的痛点(Problem),接着提出你的独特解决方案(Solution),最后用可衡量的成果描述效益(Benefit)。关键在于用数据制造对比冲击。
案例:销售演讲示例:“您是否知道,40%的客户因响应慢而流失(P)?我们的智能客服系统能在5秒内对接需求(S),实测客户留存率提升35%(B)。”
8. 情感曲线模型(低谷-攀升-高峰)
结构说明:通过情绪起伏控制节奏,先描绘困境引发共情(低谷),再展示转机或进展(攀升),最后升华到愿景号召行动(高峰)。每隔3分钟设计一个小情绪波动点。
案例:公益募捐演讲:“山区孩子每天走6小时山路求学(低谷)→ 我们已建成3所爱心小学(攀升)→ 明年让1000个孩子能在教室读书(高峰)。”
总结建议
• 需要说服决策者:优先黄金圈法则(强调价值观)或金字塔原理(凸显逻辑);
• 讲述个人或品牌故事:用英雄之旅模型打造共鸣;
• 呈现复杂数据:SCQA模型制造悬念,时间轴模型梳理脉络;
• 激发行动:TED三板斧收尾的明确指令,或情感曲线制造感染力。
核心原则:永远以“听众能得到什么”为出发点,用案例和数据替代抽象概念,每8-10分钟插入一个互动点(提问/小故事)维持注意力。
自我介绍
好的,我调整结构如下:
1. STAR法则
基本信息
STAR法则是一种结构化表达模型,适用于需要展现问题解决能力的场景(如职场面试、述职报告)。通过「情境(Situation)→任务(Task)→行动(Action)→结果(Result)」的逻辑链,将个人经历转化为有说服力的叙事。
案例
情境: 在担任某电商平台运营经理期间,用户复购率持续低于行业均值。
任务: 需在半年内将复购率提升至15%。
行动: 设计会员分层权益体系,联合产品团队上线AI推荐算法。
结果: 复购率提升至18%,年度GMV增加3000万元。
总结
STAR模型通过数据化成果和清晰逻辑,快速展现个人对业务痛点的解决能力,尤其适合技术岗、管理岗的竞争力表达。
2. 电梯演讲(30秒法则)
基本信息
适用于商务社交、行业峰会等快节奏场景,要求30秒内传递核心价值。遵循「身份标签→核心优势→价值主张→行动号召」的极简框架,用关键词建立记忆点。
案例
“我是教育科技产品经理陈默,专注AI自适应学习系统开发(身份标签),主导过3款用户超百万的产品(优势),擅长通过数据洞察优化学习路径(价值)。目前正在寻找K12领域的AI技术合作伙伴(号召)。”
总结
通过量化成果和精准关键词,在碎片化场景中高效建立专业形象,避免冗长无效的信息堆砌。
3. SWOT自我分析法
基本信息
职业转型或述职答辩时,通过分析优势(Strengths)、劣势(Weaknesses)、机会(Opportunities)、威胁(Threats),展现深度自我认知与战略思维。
案例
优势: 同时具备供应链管理与Python数据分析能力;
劣势: 缺乏跨境物流实战经验;
机会: 公司计划拓展东南亚市场;
威胁: 行业价格战加剧导致利润率下降。
总结
SWOT模型不仅呈现能力图谱,更体现对行业趋势的洞察,适合中高层岗位突显全局观。
4. 黄金圈法则(Why-How-What)
基本信息
从价值观驱动的角度打动听众,适合创意、管理类岗位。结构为「Why(信念)→How(方法)→What(成果)」,强调内在动机与外在行动的关联。
案例
Why: 我坚信设计应服务于人的真实需求;
How: 通过用户旅程地图挖掘隐性痛点;
What: 为医疗APP优化交互流程,使挂号效率提升40%。
总结
该模型通过传递价值观建立情感共鸣,尤其适合需要展现领导力或创新思维的场景。
5. 三数法则
基本信息
利用“3”的心理学记忆优势,提炼三个核心标签、三个关键成就、三个未来方向,避免信息过载。
案例
标签: 碳中和咨询顾问|能源政策研究者|气候科技专栏作者;
成就: 完成5个工业园区碳核算模型、发表3篇SCI政策论文、专栏年阅读量破百万;
方向: 探索氢能经济模型、推动中小企业碳账户、建设气候数据分析开源社区。
总结
奇数信息更易被大脑捕获,该模型适合学术论坛、创投路演等需要快速建立专业权威的场景。
总结建议
每个模型都需匹配场景目标:
• STAR/黄金圈:深度证明能力;
• 电梯演讲/三数法则:快速建立标签;
• SWOT/5W1H:展现战略思维。
核心原则:用对方需要的价值定义自己,而非单纯罗列经历。
精力管理
吃血糖指数低的食物, 每顿吃少量食物, 每天吃56顿低热量高营养的食物8小时睡眠, 早睡早起, 保持适当的午休
每天保证7
每天至少喝1.8升水
每周进行35次运动, 每次2030分钟, 有氧运动和力量训练结合
个人问题解决能力提升的关键 -> 从结果到过程
问题的分类, 分解和抽象
问题建模
最后更新: 2025年06月14日 13:08
版权声明:本文为原创文章,转载请注明出处
原始链接: https://lizec.top/2022/06/16/%E6%80%9D%E8%80%83%E7%9A%84%E5%8A%9B%E9%87%8F/