专业人士剩余的竞争优势
无法被自动化取代的工作
自动化系统如今在整个经济体系中生成建议和预测。它们为保险定价、标记交易、对候选人进行排名、预测需求，并在专业人士接触的几乎每个屏幕上建议下一步行动。
它们所不做的，是拥有决策权。建议只是一个数字；而决策是在不确定性下做出的承诺，由对结果负责的人来承担。这种承诺正是你的优势所在。
本课程训练五项无论机器变得多么高效都始终属于你的技能：
1. 期望值与决策树，以及了解何时期望值并非正确的决策标准。
2. 校准与预测：做出明确的概率估计，跟踪记录并持续改进。
3. 非对称风险与选择权：限制下行风险，区分单向门与双向门。
4. 去偏：事前验尸（Pre-mortem）、基础比率、红队演练、预先决策。
5. 一套决策协议，供你在做出重大且大多不可逆的职业选择前执行。
专业人士提供经过校准的判断，权衡非对称风险，并对不可逆的决策负责。预测为这项工作提供信息支持，但不能替代它。
你自主掌控的决策
在构建工具包之前，请先在你的工作中定位这个问题。
决策树、平均值与破产风险
期望值：是默认工具，而非最终答案
期望值（EV） 将每种结果按其概率加权后求和：EV = 所有（概率 × 收益）之和。决策树通过绘制分支，使你能在每个节点计算 EV，并将结果逐层回溯至根节点的选择。
示例演算。你可以接受一笔交易：70% 的概率获得 100，30% 的概率损失 50。
- EV = 0.70 × 100 + 0.30 × (-50) = 70 - 15 = +55。结果为正，因此从长期重复来看，这笔交易是盈利的。
何时期望值是错误的判断标准
EV 是多次试验的平均值。它隐含地假设你可以重复下注，且单次损失不会让你退出游戏。有两种情况会打破这一假设。
- 破产风险：如果某个失败分支会导致你出局（破产、死亡、失去执照、声誉毁灭），那么平均值毫无意义。因为单次糟糕的结果就会让你离场，你根本无法获得长期回报。无论 EV 多高，绝不要冒你输不起的风险。
- 非重复性赌注：对于一次性决策，平均结果可能恰恰是你永远不会经历的结果。一个 +EV 但 90% 概率会输的赌注，对于你仅做一次的选择而言，可能依然是错误的。
这就是为什么，对于小额、可重复且可承受的赌注，我们依据期望值（EV）进行博弈；而对于可能导致破产的单次赌注，我们则优先考虑生存，其次才是期望值。自动化系统会毫不迟疑地报告正的期望值；你的任务是判断亏损分支是否可承受。
折叠决策树
一家订阅制公司正在权衡是否立即发布一项高风险功能。如果成功（60% 的概率），用户留存率将上升，价值 200 万美元。如果失败（40% 的概率），缺陷将引发退款和用户流失，造成 50 万美元的损失。这里有一个棘手之处：创始人个人为公司的运营资金（runway）提供了担保，因此本季度 50 万美元的损失将导致公司破产。还有一个第三种选择：先进行为期 4 周的测试版（beta），成本为 15 万美元，这可以在全面发布前揭示该功能是否有效。
你的 90% 置信度真的是 90% 吗？
一个可以被评分的概率
校准良好的预测者，其陈述的概率与实际结果相符。当你在许多预测中都表示“90% 置信度”时，接近 90% 的预测应当成真。校准并非关于更频繁地猜对，而是关于你的置信度确实代表其所指的含义。
先追踪，再改进
了解你校准水平的唯一方法是写下带有明确概率的预测，然后根据结果对其进行评分。布里尔分数（Brier score） 使这一点具体化：对于每个预测，取你分配给实际发生事件的概率，并测量其与结果编码（1 表示发生，0 表示未发生）之间的平方误差。
- 预测概率为 0.90，事件发生（结果为 1）：误差为 (0.90 减去 1) 的平方 = 0.01。误差很小：表现良好。
- 预测值为 0.90，事件未发生（结果为 0）：误差为 (0.90 减去 0) 的平方 = 0.81。数值很大：你自信地错了。
对大量预测取平均值。Brier 分数越低越好。 该分数对自信的失误惩罚最重，而这恰恰是伤害专业人士最深的习惯。
这种纪律是：给出一个数字，记录它，核对它，调整它。如果系统性高于实际值，说明你过度自信，应放宽你的估计范围；如果系统性低于实际值，说明你信心不足，可以更坚定地做出承诺。自动预测也可以以同样的方式评分，这正是你学会何时信任它们、何时进行人工干预的方法。
评估预测者
一位分析师反复告诉团队：“我有 90% 的把握这会按时完成。”在一个季度里，她以这种 90% 的置信度做出了 40 次这样的预测。其中 26 次成真了。
单向门与双向门
并非所有错误的代价都相同
当下行风险与上行收益并非镜像对称时，决策便具有不对称风险。限制下行风险同时保留上行空间，是其中的关键所在。一个损失有限而收益无上限的仓位，即使大多数时候判断错误，总体上仍可能获胜。
选择权（Optionality）是指在没有义务的情况下，保留在了解更多信息后采取行动的权利。前文提到的为期 4 周的测试版（beta）就是选择权的体现：它以微小且已知的成本，将重大且不可逆的承诺保持开放状态，直到不确定性消除。
可逆之事快速决策，不可逆之事审慎决策
一个实用的框架是根据决策的可撤销难度来区分决策类型：
- 双向门（Two-way doors）是可逆的。你可以走进去，如果发现不喜欢，可以以较低的成本退出来。这类决策应快速做出并授权他人处理。对于可以在一个下午内撤销的选择，却花费数周时间进行深思熟虑，这本身就是一种浪费。
- 单向门（One-way doors）是不可逆的，或者撤销成本极高。这类决策值得深入深思熟虑、由高层负责，并设置安全机制。
上述象限图将可逆性与风险等级相结合。请根据你所处的象限匹配相应的决策深度。最昂贵的职业错误往往源于将单向门误当作双向门处理，从而草率地做出不可逆的决定。
最有力的策略通常是将单向门转化为双向门：在单一服务上进行试点，对旧系统和新系统进行双写，保留旧路径作为回退方案，分阶段推广。你以此买回了可逆性，从而确保错误的决定也是可承受的。
分类与转化
一位工程总监本季度面临两个选择。选择 1：将主数据库迁移到新的引擎，这是一个耗时数月、涉及所有服务且一旦上线便难以逆转的项目。选择 2：采用一款新的内部代码审查工具，如果团队对其失望，可以在一周内弃用。
对抗你自身心智的工具
群体往往共同犯错
无论是个人还是群体，专业人士都共享着可预测的偏见：对时间表的过度乐观、过度重视眼前生动的故事，以及向群体已偏好的方向漂移。去偏见技术是廉价的程序，能在这些偏见造成损失之前对其进行抵消。
- 事前验尸（Pre-mortem）：想象时间已过去，且该决策失败了。逆向推导，列出所有导致失败的原因。这能揭示热情所掩盖的风险，并抵消计划谬误和群体思维。
- 基准率和外部视角：不要仅从本案内部进行推理，而要询问类似项目实际的结果如何。如果大多数可比项目都超期50%，那么无论内部故事如何，你的项目很可能也会超期。这抵消了内部视角的乐观主义。
- 红队演练（Red-teaming）：指派某人认真论证相反的观点并攻击该计划。这抵消了确认偏误和达成一致带来的舒适感。
- 预先决定：在你情感上投入之前，以及在沉没成本累积之前，设定规则和终止标准。“如果到第3个月我们仍未达到X，我们就停止。”这抵消了承诺升级。
每种技术都是一项小仪式，却有着巨大的回报，恰恰因为它对抗的是你从内部无法感知的偏见。
消除实时决策中的偏差
你的团队即将批准一项为期 9 个月的平台重构项目。会议室里大家意见一致且情绪高涨，领导层希望今天就能做出承诺。
运行完整工具包
一套协议，应对每一个重大抉择
你现在已掌握全套工具。协议将这些组件串联成一套可重复执行的流程，供你在做出任何重大且大多不可逆的职业选择之前使用：
1. 明确陈述你个人认定的概率。 不是机器的数字，而是你的：你认为几率是多少，为什么？
2. 草算期望值，然后检查破产风险。 对结果进行加权，但在行动之前，问自己失败分支是否可承受，以及这是否是一次性赌注。
3. 分类可逆性。 是单向门还是双向门？让深思熟虑的深度与答案相匹配，并尝试将单向门转化为双向门。
4. 消除偏差。 针对你自己的热情，至少运行一次事前验尸、基准率或红队审查。
5. 预先承诺决策规则和终止标准。 在沉没成本束缚你之前，现在就决定什么样的证据会让你停止或反转。
当自动化系统提供建议或预测时，它服务于第 1 步和第 2 步。你仍然负责第 3 至第 5 步，并且你拥有最终否决权。
撰写你的决策协议
选择一个你所在领域的专业人士面临的具体的、后果重大的、且大多不可逆的选择：接受职位、签署多年期供应商合同、发布产品或承担大额财务头寸。假设一个自动化系统已经为你提供了针对该选择的建议和预测。
你带走的收获
属于你的技能
你建立了一套在不确定性下进行决策的工具箱：
- 期望值与决策树，以及当输家分支面临破产风险或该赌注仅发生一次时，超越期望值进行决策的纪律。
- 校准：陈述明确的概率，对其进行评分（Brier 分数，越低越好），并训练你的信心使其名副其实。
- 不对称风险与选择权：限制下行风险，区分单向门与双向门，并将不可逆转化为分阶段执行。
- 去偏（Debiasing）：事前验尸（pre-mortems）、基准率（base rates）、红队演练（red-teaming），以及预先制定决策规则。
- 一套协议，在做出重大决策之前运行上述所有流程。
自动化系统在推荐和预测方面的表现会越来越好。但这并不能消除对具备校准判断力、能权衡不对称风险并主导不可逆决策之人的需求。这个人就是专业人士。现在，你已拥有让这种主导权变得切实可靠的工具包。