前些日子的江西彩票中奖风波，闹得沸沸扬扬，甚至上了热搜。

除此之外，我们经常在新闻上看到谁又中了彩票，中了几百万，上千万，甚至上亿，美国最大的彩票甚至上了几十亿美元。

但我们身边，很少有人把买彩票当做一个职业来做，都是每天去上班，挣工资。

买彩票中奖可以赚很多钱，但把它当成一个生活的手段的人却非常少，这是为什么呢？

这就涉及到一个心理学效应——确定性效应了。

本文就聊一聊，什么是确定性效应。

如何理解它，它对我们有哪些影响，以及我们日常如何规避它。

01 什么是确定性效应？

确定性效应（ certainty effect），指的是一种认知偏差带来的心理效应。

人们对事件或情境的认知和判断，倾向于确定性和确定性因素，而忽视或低估不确定性因素。

这种效应表明人们倾向于寻求和接受确定性，以便更好地理解和控制自己的环境。

例如，当人们面临决策时，他们往往更容易接受和选择那些带有确定性结果的选项，即使这些选项可能并非最佳选择，

而且他们可能会忽视潜在的风险和不确定性因素，而偏向于选择相对稳定和确定的结果。

这个结果主要是来自于风险厌恶的心理，最早是由经济学家丹尼尔·卡尼曼和阿莫斯·特沃斯提出的。

确定性效应是展望理论的一部分。

展望理论认为，人们在决策时不是根据期望效用来评估和选择选项，而是根据相对于某个参考点的损益差异来评估选项的价值。

有的人对风险是厌恶的，有的人对风险是喜好的，当他们对风险的态度不同时，他们做的决策也是不同的，所以这个理论对管理学的决策理论有着非常重大的影响。

02 两个小实验

这个实验是卡尼曼和特沃斯基在他们的论文里面做的实验，通过这个个实验体会什么是确定性效应

有两个方案供你选择，两个方案的动作和成本是一致的：

如果是你，你会选择做A，还会选择做B？

丹尼尔·卡尼曼在做这个试验的时候，发现有 78% 的人选择了A，然后剩下 22% 人选择了B。

但是根据预期效用理论的话， A 的预期值实际上是小于 B的预期值的。

方案A的预期值是30元，而方案B是36元（45*0.8+0*0.2=36元），所以选方案B才是理性的。

而现实生活中， 78% 的人都会选择 A 方案。我猜你可能也选择 A 方案，这说明了什么呢？

在不确定情况的存在的情况下，人们通常会对确定的事情给予较高的权重。

我们再看一个实验：

现在两个方案都有了不确定性，那你会如何选择呢？

我们算一下这两个方案的预期收益：

方案C：0.25*30+0*0.7=7.5

方案D：0.2*45+0*0.8=9

在这个实验结果里， 42% 的参与者选择了 C 方案， 58% 的参与者选择了 D 方案，这跟上个结果是完全相反过来了。

这说明什么呢？

说明了一旦有了不确定存在的时候，参与者的选择由保守转向于了风险爱好，这就是展望理论的确定性效应。

这里总结一下展望性理论的两个基本结论：

1. 大多数人在面临获利的时候，是风险规避的，一旦有风险存在，如果有其他没有风险的选择，人们一般都会规避风险，选择没有风险的那个选择。

2. 大多数人在面临损失的时候，是风险喜好的，如果在选项里都是有损失的，大部分人是愿意去冒一些风险的。

所以简而言之，人在面临获利的时候，不愿意冒风险，面临损失的时候，人人都成了冒险家。

03 确定性效应给我们启示

这个理论对在日常生活和工作中的启示和应用，是有很大的意义的。

比如说，我们在销售一个有风险的产品的时候，如何包装这个产品，让顾客更愿意来买，可以运用确定性效应。

举一个基金销售的例子，基金投资和基金风险是比较大的，有好年景，有坏年景的，销售时好时坏。两个财务顾问向同一个顾客推荐这个基金

基金经理A说：过去三年平均回报率是12%。

基金经理B说：过去十年里面回报率高于平均水平，但是有三年是低于这水平，有 7 年是高于这种水平。

基金经理A介绍了非常确定的一面，基金经理B介绍了不确定的一面，根据确定性效应，顾客很可能从第一个基金经理那里面购买这个基金。

除此之外，确定性效应还能很好地解释，以下的现象：

投资决策：当人们面临投资决策时，他们倾向于选择那些提供更稳定和可预测回报的投资选项（如储蓄、养老保险），即使这样可能会错过一些高风险高回报的机会。

就业选择：在职业选择过程中，人们往往更倾向于选择那些提供稳定就业和收入的职位，如办公室职员，而不是风险更高但潜力更大的职业，如海员。

就医选择：病人倾向于选择那些已被证明有效和安全的治疗方法，而不是尝试新的、不确定效果的治疗方法。

保险购买：人们倾向于购买各种保险来保护自己免受不确定事件的影响，例如健康保险、车辆保险等。

04 如何避免确定性效应的影响？

要避免确定性理论的影响，可以考虑以下几个方法：

1. 意识到自己的偏见

看了这篇文章，你可能理解了你是如何受它影响的，认识到这种心理倾向，可以帮助我们更客观地评估决策，并尽量避免过度强调确定性。

2. 寻找更多信息

在面对不确定性的情况下，努力寻找更多的信息和数据，以便更全面地评估决策。

通过深入研究和了解相关领域的知识，可以减少对不确定性的恐惧，并更好地应对风险。

3. 探索新的选择

尝试跳出舒适区，主动探索一些新的选择和可能性。

不要只局限于已知的、确定性的选项，而是勇于尝试一些新的、不确定的可能性。

这样可以拓宽视野，发现更多潜在的机会和创新解决方案。

4. 量化风险和回报

决策时，尽可能将决策问题量化，并评估不同决策选项的风险和回报。

通过使用工具如决策树、概率分析等，可以更客观地评估不确定性，并进行理性的决策。

5. 寻求专业建议：

当面临重要决策时，寻求专业人士的建议和意见是明智的选择。

他们可以提供更客观和理性的分析，并帮助我们避免受到确定性理论的偏见影响。

05 总结

确定性效应指的是人们在决策过程中更倾向于选择确定性和稳定的结果，而忽视不确定性因素。

这种倾向可能导致人们对风险的规避或者对潜在回报的低估，它在日常生活和决策中对我们的影响也相当深刻。

本文提供了几种应对确定性效应的方法，如意识到自己的偏见、寻找更多信息、探索新的选择、量化风险和回报以及寻求专业建议。

了解和认识确定性效应可以帮助我们更客观地评估决策，避免过度强调确定性，帮助我们做出更好的决策。

算法工程师之死 “我们的算法工程师水平太差了，完全解决不了问题！”——作为一个经常和传统企业打交道的乙方，这种抱怨陈老师听得太多了，类似惨痛画面也见得太多了。今天我们系统说说。 模型厉害不厉害，厉害！你看ChatGPT都快干掉人类了，能不厉害吗。于是，很多企业咬牙跺脚，出高薪，聘请来自互联网大厂的算法工程师、数据挖掘工程师、数据建模师，期望他能做出超厉害模型。“只要你能预测精准了，那我肯定能如鱼得水”是他们的口头禅。 又刚好，2023年大厂裁员多，一批人自以为可以打着“前字节/阿里/腾讯高级算法工程师”旗号，收割传统企业，从此乌鸡变凤凰，走上人生巅峰。两者一拍即合。悲剧就从这里开始…… 1不考虑业务，背锅死 阵亡案例1：某传统企业，想建立产品推荐模型，精准匹配用户需求。结果才半年，招来的算法就被炒了。炒人理由：推荐不精准，反而干扰了正常销售。甲方市场部的头头还不屑地说：阿里的推荐算法也不咋样啊。 仔细研究业务场景就发现：亲，不是阿里有问题，是你这公司不是阿里呀。阿里是平台方，在平台上有无数商品等着推。 但具体到你这个企业，就会发现： 1、有的产品是安身立命的爆款，不推也好卖。 2、有的产品是业务的心头肉，只要出一点问题，那就是千刀万剐。 3、有的产品先天短腿，功能不行、定价不合理，根本干不过竞品，推荐算法有毛用。 4、有些产品品质还行，只是在内部政治地位不高，拿不到资源，或者定价不合理，导致后天短腿。 上一任算法小哥哥，不考虑这些业务上明争暗斗，就直接上模型了。所有产品一锅炖了做推荐（还是用协同过滤，完全没考虑企业的用户粘性，用户行为数据量问题）。结果，主打产品出现下滑情况，销售部、市场部联手，一起把锅往他身上甩。结局，不但被赶滚蛋，而且搞得声名狼藉。 认真分析了这些背景以后，一个优化方案出炉（如下图）： 先做好产品分析，选好后天短腿的小品类，找到背书的部门，这时候可以开干了。果然，第一波推广马上见效。于是甲方开开心心接手，自己回去优化迭代去了。 2 不细化场景，麻烦死 阵亡案例2：某连锁店，希望能建立模型，精准预测每个店铺的鱼蛋、肠粉、饭团、面包……具体到每一个SKU的销量，这样门店既不会因为积压浪费食材，又不会因为缺货错过销售。结果七个建模的小哥折腾了半年也不够精准，离职了4个，剩下仨垂头丧气。到底如何100%精准呢！ 认真思考这个问题场景，就会觉得很搞笑：真有100%精准预测鱼蛋香肠的本事，这七个小哥还打个屁工啊，直接去炒期货呀。 仔细研究以后发现：所谓的“缺货错过销售”，根本就是一句话空话。因为没有一个正式的缺货登记系统（很多企业有，但这家没有）。但是积压导致的损耗率，却是结结实实地高，于是，一个优化方案出炉（如下图）。 这样运行了俩月，损耗率明显下降，实实在在地看到了成本的减少。同时，虽然也有人抱怨：“诶呀，有些店缺货了呀”。可证据呢？证据呢？证据呢！没有数据，空口白话，说了鬼信！于是顺利扭转局面。 也不出意外地，甲方自己接手继续优化了（是滴，甲方就是不喜欢签二期、三期，都以为自己能搞掂后边的，当然这是后话了，哈哈）。 3不应对变化，含冤死 阵亡案例3：某大型渠道商，希望能建立模型，精准预测手机、平板销量，避免积压。先后换个5个做模型的，都不满意！业务给的反馈是：预测不够精准，导致决策失误。 仔细研究以后发现，问题根本不在预测上，而是业务方的反复横跳。考核模型效果，看的是总销量，但总销量分配给每个渠道负责人后，总有人跳出来要求加量、减量。而且常常看头2周买得好，就拼命加，结果导致积压。看头2周差就都不想做，能甩就甩。最后整体数据偏差大，反而回头怪算法预测的不准。 知道这帮孙子的搞法，于是，一个优化方案出炉。优化以后，效果立现：所谓的预测不准，90%是因为业务方自己不靠谱的谈判、预判、骚操作搞出来的。不但顺利脱身，而且也帮前边五个冤死鬼洗刷冤屈（如下图）。 4数据质量差，着急死 阵亡案例4：某大型企业，想建立智能客服，高薪挖来一个小哥，结果来了才发现，不但原始数据混乱，因为客服培训做得太差，连最基础的分类标签：咨询、投诉、建议都是错乱一堆。结果嘛，自然是干了半年没成绩，黯然滚蛋。 阵亡案例5：某大型企业，想建立“和抖音一样的内容推荐算法”，高薪挖来一小哥，结果来了才发现，内部根本没有内容分类标签，用户打的标签全是垃圾，90%都是空的……领导还说：“我都给了你那么多钱了，你咋不能干，为啥还要小妹来帮忙，你看人家抖音不都是算法工程师做的？？” 是滴，越是迷信算法模型的，反而越不重视数据建设，都是一脸：“你都有算法了，你还要数据干啥，数据不是初等低级的吗？？？” 对了，应该有同学注意到，这些完蛋的周期都是半年。为啥，是因为很多算法岗位，在互联网公司就是吉祥物，为了能证明公司走在“人工智能大路上”，维持股价。所以在互联网公司的考核是远没有实体企业严格的。在实体企业半年不出业绩，不滚蛋还怎样。 5 问题的本质原因 问题的本质在于：数据建模，本质上对抗的是低效率。是帮助人们解决运算变量多过时，手工计算复杂，难以处理的问题。这是一种计算方法，不是智慧高于常人的神秘力量，不是仙风鹤骨的世外高人。数据建模应用最好的领域，也不是诊断经营问题，而是图像识别、语音转化这些相对客观的领域。 而传统企业面临的问题，比如：

• 突发情况多：天气预报有雨，于是备货少了，结果突然没下，货不够卖……

• 目标不清晰：因为老板个人喜欢，所以上了某款商品，结果老板看走了眼……

• 业务能力差：预判不准，情绪化，收了客户、供应商回扣，迎合老板态度想邀功 这些乱七八糟的情况，更适合用数据分析方法来解决。数据分析，本质上对抗的是不确定性。是通过认真地采集数据、梳理业务流程、诊断业务问题、进行数据测试。把主观臆断关进笼子里。把“我以为”换成“我确信”。所以遭遇复杂的企业经营问题，最好的做法是认真做好数据采集、认真建立分析模型、一点点积累分析经验。而不是指望一只阿尔法大狗子汪汪一叫就拨云见日迎春归。 所以我们看到，只要把复杂场景梳理清楚，撇除乱七八糟的因素，模型是可以在一定程度上解决经营问题的。然而遗憾的是，从朋友圈文章，到管理层的内心，到正在调参的小哥的键盘，所有声音都是：

• 算法又打败人类了！

• 算法比你自己更懂你自己！

• 算法实现了99%的超精准预测！ 所以这种悲剧还会继续上演，而且随着2024年大量企业加速数字化，会上演更多，更惨烈。我们拭目以待哦。