本页目录

五个被直觉定错价的决策现场

Scott Hatteberg 为什么值这个价

2002年选秀前，运动家队失去了三名核心球员。传统做法是找同类型的替代者。Beane 做了一件不同的事：他不找"同类型球员"，而是找"同等上垒率"。

Scott Hatteberg 是一个受过肘伤的捕手，投球都费劲，没有球队愿意要他。但他的上垒率高得离谱——因为他极少挥棒打坏球。在所有球探眼里，这是一个残废球员。在数据面前，这是一笔被严重低估的资产。

触发信号：你在评估一个资源时，发现所有人都在看同一组指标，而另一组更关键的指标被集体忽视。

最容易错在哪里：把"没人要"等同于"没价值"。被低估和没价值是两件完全不同的事。区分它们的唯一方式是找到一个更准确的衡量标准。

这个逻辑只在定价体系确实有偏差时成立。如果所有人都不要一个东西，而你找不到一个客观指标证明它被低估，那大概率就是真的不值。

球探看投手，先看身体：身高、臂长、甩臂速度、出手角度。Chad Bradford 的投球姿势极其怪异——手几乎贴着地面甩出去，看起来毫无力量感。没有一个传统球探会推荐他。

但 Bradford 的数据极好：对手安打率极低，保送率极低，被上垒率是全联盟最好的一档。Beane 用极低的价格签下了他。

这个案例比 Hatteberg 更尖锐。Hatteberg 至少有过辉煌的过去。Bradford 从头到尾就不是"看起来对"的球员——全部价值都藏在数据里，藏在传统评估框架看不到的地方。

调用场景：你面前有一个"看起来不对但数据很好"的选项。先问自己——"看起来不对"是因为它真的不对，还是因为评估标准不匹配？

Beane 用数据选了球员，但他没法代替教练上场指挥。Art Howe 不信数据，按自己几十年的经验排阵容，把 Beane 选的球员放在冷板凳上。

Beane 的应对很粗暴：直接交易掉教练偏爱的球员，让 Howe 没得选。

不是优雅的管理，但它有效。

误判往往出现在这里：人们以为"用数据做了一个好决策"就完事了。实际上决策只是起点。如果执行层不买账，好决策会在落地过程中被消解掉。

不是每个人都有 Beane 的权力去交易球员、绕过教练。当你没有足够的组织权力时，强推数据决策可能适得其反。说服、示范和渐进式推动通常比强制执行更安全——但也更慢，这本身就是一个要提前算进去的成本。

运动家连赢20场比赛，媒体疯狂报道。连胜结束后，运动家在季后赛首轮出局。媒体立刻翻脸："数据派不行。"

两种反应都是错的。

连赢20场不能证明数据方法完美。棒球是一个小样本下波动极大的运动，20连胜里有大量运气成分。首轮出局也不能证明数据方法失败。季后赛只有五场七场，样本量太小，随机性会淹没方法优势。

评估一个方法的有效性需要大样本和长时间跨度，不是一串结果。

调用场景：当你做了一个数据驱动的决策，短期内结果特别好或特别差时，先别急着下结论。问自己——这个结果在多大程度上是方法导致的，多大程度上是随机波动？

2002年选秀，数据模型锁定了 Jeremy Brown。Brown 是一个矮胖的大学球员，完全不符合球探对职业球员的体型想象。选秀当天，Beane 的球探们强烈反对。有人说："他看起来像个送外卖的。"

Beane 自己也犹豫了。

他一度想放弃 Brown，转而选一个"看起来更对"的球员。但最终坚持了数据结论。

这是整个故事里最微妙的时刻。当数据和直觉正面冲突时，即使是 Beane 这样坚定的数据使用者也会动摇。反共识决策最脆弱的环节不是分析阶段，是下注那一秒——你已经做完了分析、数据指向一个明确方向，但周围所有人都说你错了，你自己也开始怀疑。

这个时刻的判断标准不是"我感觉对不对"，而是"我的分析过程有没有漏洞"。如果分析过程经得起检查，执行它。