伊兹，你是医生，是科学家！要像科学家那样思考问题。
——丹尼·杜奎特，《实习医生格蕾》
关于21点，人们常会问起这样一个问题：“对于同桌的其他玩家，你有什么好的处理方式？”
有些时候我会反问：“此话怎讲？”
“我的意思是，同桌的其他玩家可能会坏了你的事儿。”
在这种情况下，我通常会装傻，努力探寻出他们疑问的重点还有他们自己的观点：“你所谓的坏事具体来讲是……”
“就是身边的人出现瞎玩或是乱要牌的情况，把整个局面都给搅乱了，
这下我就弄清楚了。他们担心的是有些玩家并不懂得我们的基本策略，因此在玩牌的过程中会作出一些明显错误的决定。比如说，那个所谓的“菜鸟”在要牌的过程中不巧拿到了一张10，结果就爆了。而庄家呢，原本总点数16，在此之后拿到了一张5，成功地取得了21点。回想一下，如果“菜鸟”并没有去拿那张10，而这张牌就该是庄家拿了。这么一来，庄家爆掉，所有玩家皆大欢喜。
然而，如果那两张牌的顺序颠倒一下，结果就完全不一样了：“菜鸟”会拿到那张5，总点数达到17。而庄家呢，拿到那张10后就爆掉了。这样一来“菜鸟”就成了大家的英雄。
问我这个问题的人所表现出的，用专业的词语来描述，叫做“确认偏差”。
他只记得“菜鸟”导致大家输牌这种情况，却忽略了“菜鸟”的积极效果。如果客观地看待这个问题，你会发现所有的牌都是随机摆放的。因此，“菜鸟”的任何一个举动对牌局产生的影响，其利弊概率是完全相等的。
这一点在商业社会中很常见。无论身边的人们作出什么决定，你都要坚持自己的策略，不要受他们的影响。当我进入O'Connor公司工作搬去芝加哥生活的时候，我惊喜地发现40英里外的伊利诺伊州埃尔金市开了一家维多利亚赌场。我立马成了那里的常客，每周必去，常常在21点的牌桌一坐就是一天。有句话这么讲：“离拉斯维加斯有多远，人们的赌术就有多差。”在埃尔金市，我对这句话深有体会。那里基本没人知道什么叫“基本策略”。所有的玩家基本上都在凭感觉和经验在牌桌上作出抉择。但是如果对“基本策略”有所了解的话，你就知道，有些时候感觉不但不准，甚至是与科学的算法结论完全相反的。正因为如此，有些时候高手们作出的决定会让普通人觉得无法理解。
有一次，我的3名队友专程从波士顿飞来埃尔金市“出公差”。只不过，我们办公的地点既不是写字楼也不是会议中心，而是维多利亚赌场。玩了几个小时之后，我基本不赢不输。当时我急着赢些钱好请我的兄弟们到芝加哥喝酒。所以，当我看到汤姆示意我坐在他那张桌台的时候，我就匆匆地坐下，押了几个大筹码。当我与汤姆擦身而过的时候，汤姆转头对着他左边的女士说道：“你的戒指可真漂亮。”
我坐到桌旁，用手碰了碰鼻子，示意汤姆我已经收到他的暗号。“戒指”是我们的暗号之一。汤姆真正想传达的信息是：桌面上已经发过14张牌了。我心里默默盘算之后，决定赌两手牌，每手押注2000美元（这是当时那桌的赌注上限）。当我把筹码放进下注区时，我左边那个戴着小熊队棒球帽的男人说话了：“兄弟，我们现在运气不错，你下局再玩行吗？”
这种话从迷信的赌客嘴里说出来是司空见惯的事情，不过我可不能让这样的迷信言论破坏了全队的计划。如果等着庄家洗牌重来，那无非是浪费了汤姆为我提供的情报，绕了一圈重新回到原点，而我对庄家的优势也就荡然无存了。凭借汤姆给我的情报，目前我们对庄家有2%的优势。我必须立马上桌。
“不好意思，我现在感觉特好，等不及了。”我拿出4000美元的筹码，分开放到了两个投注区当中。
“傻大款。”帽子男嘴里嘟嚷起来。
庄家对我俩的言语充耳不闻，开始给我们发牌。我左手拿到一张A，右手拿到一张10。而我身边的那个帽子男拿到的是一张5。我的朋友汤姆拿到一张6。他旁边的那位戴戒指的女士拿到了一张10。
帽子男的反应很大：“看，你把我的A拿走了。要不然6就是她的了。”他的意思是，如果我这局不加进来，汤姆的那张6就该是庄家拿了。帽子男像是要让时间倒退一样，不停地在说如果我没半路插进来的话，他就能拿到那张A，之后又会如何如何。
我对这些话一点儿兴趣也没有。如果没人理他，可能等他说烦了也就会停嘴了。不过没等多久桌面上的牌就封住了他的嘴。第二轮派牌，我的A上拿到了一张7，10上拿到了一张A。帽子男也不错，6上拿到了一张5。第二轮派牌过后，我们发现，庄家的明牌是一张6。这样的牌面，简直是千载难逢啊！
帽子男手持11点，对庄家的6点可以说是占尽了优势。不过他一句致歉或是褒奖的话都没跟我讲。而我接下来的举动，不出意外的话应该又会惹恼他。
我又拿出一叠筹码来，放到A和7旁边，告诉庄家我要双倍下注。当时帽子男看着我，好像要一口吃掉我似的：“兄弟，你干吗呢？”他冲着我高声喊道。
“双倍下注。”我非常诚恳地回答他。虽然我心里明白，他想听的并不是我这个答案。
“你玩过21点吗？都已经18点了还要牌？”他摆出一副老手的样子来。在他眼里我就是个“菜鸟”而已。
看得出他是真心为我好。然而他却不知道，在这种情势下双倍下注才是最佳的选择。这样的牌局我见得多了，我很清楚自己在做什么。
“别那么贪心，把10留给我不好吗？”他如此说道。
我根本没搭理他，而是抬头看了看庄家，心里盼着她赶紧发牌。事实证明，接下来的那张牌并不是帽子男望眼欲穿的10，而是一张A。这样一来，我这副牌的点数就变成了19。帽子男又安静下来了。他也知道如果这张牌发给了他，他手上牌的点数就会变成极为尴尬的12点。
“11点的先生？”庄家看着帽子男，等着他作出决定。他掏出另一枚25美元的筹码放入投注区，示意自己要双倍下注。庄家开始派牌：是一张K。加上之前的11点，刚好21点。
“还好有一张K。”他自言自语道。言语里依然带着不爽的语调。
汤姆和那位带戒指的女士都没有继续要牌。这时候，该庄家开牌了。那是一张5！这么一来，庄家手上的点数就是11点。这对我们来说非常危险。“天呐！”帽子男紧张地喊了起来。不过，话音未落，庄家又拿到了一张A。这么一来，庄家总点数12。玩家们悬着的心都放下来了。按照规则，由于庄家的总点数还没到17，所以必须选择继续要牌。有意思的是，接下来发出的是一张黄色卡牌。（一般来说，每个发牌机中都会放6副牌，在最后的几张牌附近会放一张卡牌，用以提醒庄家和玩家，牌快用完，可以准备重新洗牌了。）庄家并没有因此受到干扰，而是继续取出了下一张牌。翻开一看，那是一张10。加上之前的12点，庄家的总点数是22，爆掉了。桌上的每个人都喜笑颜开。
那个帽子男除外。当庄家把我的6000美元和他的50美元分别放到我俩面前的时候，他一言未发。我收好筹码，站起身来，去和我的其他队友们会合。走了还没几步，就听到帽子男对着汤姆说了一句：“那家伙真是个怪人。”
汤姆随即发挥起自己的表演天陚：“可不是吗，简直就是个混球。下次他再过来的话，咱们就一起走，让他自己玩。可不能让他坏了咱们的运气。”
我笑了。如果我刚上桌的时候他们就全都撤的话，我就可以一人玩5家的牌，赚他个盆满钵满。这一点汤姆和我都非常清楚。我笑的第二个原因是，汤姆这家伙不但爱演戏，还非得要火上添油，让帽子男的“确认偏差”变得更强烈。实际上，有我参与之后，那局牌每个人都赢了钱。但帽子男根本没把这些当回事儿。等他回家跟朋友们喝酒吹牛的时候，他的故事里就只会说，当天的牌桌上来了个傻大款，把自己的A给拿走了。仅此而已。“确认偏差”在21点的牌桌上很常见，尤其是当错误的想法恰巧得到错误证据的佐证之后。所有人都是一样的，都会先入为主地抱持某种观点或想法，然后用相符的证据加以佐证并忽略那些反面的证据。正因为如此，切实可行的分析策略对我们来讲显得尤其重要。如果某个结论是有足够的数据支持的，相信大家都会乐于接受。然而在大多情况下比起数据而言，我们更容易被故事吸引，并偏颇地接受或是排斥各类证据。
比如说那个无法忍受“菜鸟”们犯下低级失误的人，可以通过仔细、全面的分析手段来判断自己的观点是否正确。“菜鸟”们是不是被冤枉了呢？高手们会因为“菜鸟”们的失误而受到影响吗？那么分析的第一步就是收集必备的数据。他得拿着纸笔，跟在所谓的“菜鸟”身边，对牌局进行全面的记录。如果“菜鸟”的决定帮到了高手就计一分，反之则扣一分。
当然了，如果你有更好、更复杂的办法也可以。但无论采用什么办法，在数据采集完毕之后，就能总结出一个相对客观的结论。这个结论可比一开始的信口雌黄来得靠谱多了。
如果每个人都这么想，这世界上的确认偏差就不会这么多了。很多的阴谋论也会因此失去滋生的土壤。大多数阴谋论都是利用了人们的确认偏差来博得信任，并随之传播的。比如说，有人讲“911”事件是布什政府自己策划的。还有人说阿姆斯特朗的登月就是个骗局等。当然了，这些事件或许都有些未解之谜，但如果你认真分析，会发现那些阴谋论的拥护者所谓的“分析”都只是在陈述对自己论点有利的一面，而并未对事情的全貌进行客观公正的剖析。
那些忽略了“菜鸟”们对于牌局贡献的人就跟那些阴谋论的追捧者一样，犯下了同样的错误——片面地看待问题。大家都知道，在“911”事件发生之后不久，身为结构工程师的爆破专家韦林·卡西莫就被五角大楼紧急召见。当那些阴谋论者声称在五角大楼附近根本没有飞机残骸，对于飞机机翼的调查报告也一直是未解之谜的时候，卡西莫却说：“我在大楼中找到了飞机的机翼。”并且，他还找到了印有航空公司标识的飞机零部件，在飞机的尾部找到了黑匣子。
那些阴谋论者完全不顾这些事实。也难怪，要是把事情的原貌都讲出来，自己的故事也就没人听了。
尽管拿小小赌客与阴谋论者相提并论有些怪异，但我只是为了让自己的观点更容易理解些——错误的结论和片面的证据能将人引入歧途。可以想象，如果那些阴谋论者整合起所有的证据再重新论断，那些坚定的拥护者们估计都会倒戈相向的。
不仅如此，在商业领域当中企业家们因此犯错的实例也并不少见。安然公司的首席执行官杰弗里·斯基林就是绝佳的例子。他掌管的安然公司成就了史上最大规模的商业丑闻。而这一切，都是由确认偏差造成的。在法庭上，两位曾在安然公司任经理职位的证人就指证斯基林拒绝进行全面的核查工作。
宝拉·雷克曾经在公司的公关部门身居要职，后来升任集团秘书。她就曾因畏惧斯基林的过激反应而虚报过经营数据。在对斯基林的审理过程中她说到：“在与他接触的过程中，我发现他从不认错，不会接受丝毫反对意见。”
安然公司调研部门总监文斯·卡明斯基曾多次提出，公司的财务数据并不准确。然而，由于和斯基林私交甚笃，在发现对方拒绝接受反对意见并态度强硬之后，他也减少了就这一问题的争论。
所有的证词都说明，斯基林只相信支持自己观点的分析结果。在之后的审判过程中，斯基林自己的证词也说明了这一点。他说道：“我不断地在为自己的判断寻求数据支持。”因此，对于公司运营当中实际存在的问题，他都避而不听。
2001年6月，加利福尼亚的电力市场刚解禁没多久。斯基林认为安然公司在参与过程中合法合规且业绩喜人。在此过程中，他曾经专门叮嘱公司的律师理查德·桑德斯：“我们的所有股票交易行为都要符合法律规定。”说完之后，他还又重复了一遍：“记清楚了，是所有的交易！千万不能越雷池一步！”
实际上，安然公司的股票交易存在严重的市场操纵行为。即便获悉此事之后，斯基林还是在不停地去找桑德斯，寻求心理安慰。当桑德斯回复他，说那些涉嫌违规的交易都在第一时间取消了之后，斯基林并未进行详细的核查，而是长舒了一口气，问道：“很好！这么说，我们一点儿也没违规了？”
斯基林这种偏颇的思维方式导致自己无法公正地看待和接受所有的信息，并因此对安然公司产生了严重的认识错位。他从未全面地阅读所有的分析报告，而只是挑选阅读那些跟自己判断结论一致的报告。这么一来，他的认识和判断就与实际情况越走越远。正因为如此，史上最大的公司丑闻就此诞生了。
每当悲剧发生的时候，人们总会挑出几个典型人物，把所有的罪责都加在他们身上，同时忽略了整个外部环境和当时的实际情况。实际上，斯基林坐在那个位子上，股票的每一分涨跌都与自己的经营业绩关乎重大。在这种压力下，选择性地接受正面的分析数据也是人的本性。换句话说，恶劣的外部环境有可能才是造成这一悲剧的真凶。不过，斯基林的确认偏差让这一过程变得更快、更加猛烈了。
既然说到这里，那么我们该如何避免确认偏差出现在自己身上呢？在斯基林的案例中，他如果能够耐心地听取身边专家们的反对意见和警告，并进行理性的判断而非一味固执己见，事情的结果将会大不相同。
科学研究表明，人们对反面意见的接受程度只有对正面意见的50%左右，这是我们人类本性的一部分。因此，“避免”两个字说起来容易做起来难。然而它却与公司的成败密切相关。
商业领域的专业人士曾提议，为管理层和一线的员工开辟通畅的信息交流渠道，鼓励快速直接的沟通。这种做法的用意非常明显，让更多员工为公司的战略决策提供信息支持，让管理层在作决策之时拥有更多、更全面的信息。
在投资的时候，人们往往会因为确认偏差而不舍得抛售那些发生亏损的股票。专家们建议说，在这种时候可以通过几个小技巧来转换思路，帮你重新判断自己的选择。迈克尔·莫布森是雷格梅森资产管理公司的首席投资策略分析师。他建议投资者在作出投资决策的时候，先衡量这笔投资失败的可能性有多大。比如，你认为失败的可能性有20%，那么当投资真的发生亏损时，你可以安慰自己说：“1/5的概率，让我碰着了而已。”这样，你就能比较理性地接受自己的判断失误了。
还有一个方法，就是预设自己的策略。在买进股票之前，先确定几个“卖出”的触发条件。举个例子，你可以在买入苹果公司的股票之前先想好，如果公司的首席执行官史蒂夫·乔布斯不再执掌公司的实际运作，或是微软公司开始进入手机领域与苹果公司竞争，那你就要卖出苹果公司的股票。如果有了这样的既定策略并坚决予以执行，相信你可以轻松地实现止损。
上述练习的目标在于让你学着依靠客观的数字和外部情况变化来作出决策。你完全可以试着通过收集并分析相关数据来作出正确的决定。对于这一章内容刚开始的时候人们常问起的那个问题，我们只需要简单地记录下桌上其他玩家作出所谓“糟糕决策”后对牌局的影响即可。我相信等收集到足够多的数据之后，那些原本担心“菜鸟”会坏事的玩家就可以彻底打消自己心里的顾虑了。
同样的道理，杰弗里·斯基林也应该多花点儿时间跟公司的员工交流交流，看看他们对于公司的运营有怎样的担心和忧虑。也许这样一来，那些来自基层的真实信息能帮他更加客观地看待问题，作出决策。也许简单的全员投票就能帮他纠正那些错误、偏颇的观点，帮公司回到正确的航线上来。
休斯敦火箭队的总经理达瑞尔·莫雷（我们将在本书之后的章节中对他的理念进行详细的介绍）在一次体育行业大会上说道：“我希望有人对我的观点提出反对意见，不畏惧与我进行针锋相对的辩论。”与斯基林不同，莫雷对反对意见持有的接受态度让他可以有效地避免确认偏差。
所有这些其实都是说起来容易做起来难。在这里我得重申一下，我的立场都是站在完美的21点的游戏当中的。在21点的游戏里，我们可以轻松地证实出确认偏差的荒谬来。不过，在此之中传达出的“兼听则明”的讯息，却是可以广泛地应用于商业领域之中的。
在之前的内容当中我们提到过，采用历史数据和讯息可以帮助我们预判未来的局势，从而作出正确的判断。然而，通过片面的信息和数据作出的决定有时甚至比拍脑门作出的决定更加糟糕。如果你无法获得全面客观的信息，千万别以此为据作出决断。那样只会让事情变得更加糟糕。
“选择偏差”的情况也很危险。最经典的选择偏差案例出自第二次世界大战。当时，每次空袭结束后，维修部门都会对完成任务的飞机的中弹情况进行总结分析，并总结出飞机中弹相对密集的区域，以此为据相应地加强“中弹密集区”的装甲厚度，以更好地抵御敌人炮火的攻击。
这个看上去非常合理的分析结论其实存在很大的漏洞。由于分析观察的标的都是那些成功返航的飞机，那些在战役中被击落的飞机的中弹情况则无从考证。甚至可以这么讲：那些被击中了要害位置的飞机根本无法存活下来。因此，那些被击落的飞机更具备分析价值。
这就是选择偏差——由于选入的研究对象与未选入的研究对象在某些特征上存在差异而引起的误差。商业分析师们也常会犯这种错误：在分析什么是导致成功的要素时，只关注那些已经取得成功的公司及商业领袖们。研究方向为策略及国际管理学的伦敦商学院教授弗雷克·弗雷伦就曾经撰文讨论过选择偏差的危险性。业界当中，人们通常认为创新性的项目需要由背景各异的跨部门团队负责执行。因为分析数据表明，成功的创新项目的实施团队都是“背景各异”且“跨部门运作”的。
有些专家则持反对意见。他们认为，背景各异且跨越部门的团队在历史上造成过多次重大失败。那些失败的团队常常一无所成，而人们却很少对其进行评论，只是把焦点都放在了那些成就伟大创举的团队之上。正因为如此，分析师们都忽略了那些为公司带来巨大损失的“背景各异”且“跨部门运作”的团队。事实情况应该是：“平均来讲，成员背景相似的团队尽管在历史上鲜有创举，但他们却能产出持久、稳定的工作成果。”
选择偏差也通常被称为“幸存者偏差”。当我们在分析成功商业领袖的成功要素时，它显得异常重要。享誉全球的通用掌门人杰克·韦尔奇偏好风险，并善用直觉而非理性分析作出商业判断。虽然他获得了世人难以企及的成就，但“风险”的两侧，一边是高额的收益，另一边则是无尽的悬崖。然而这个社会总是歌功颂德多一些。那些“幸存”下来的也就成了公众关注和研究的对象。那些被推向了荣誉巅峰的“幸存”下来的商业领袖们成了大家膜拜和研究的对象。不过，他们身上的那些特质是否帮助他们获得了最终的成功，这一点还有待查明。
同理，如果当初的那些战地工作人员分析的样本不仅仅是那些返航了的飞机，而是所有的飞机，结果一定会大不相同。就像确认偏差一样，选择偏差也同样告诉我们不能简单地通过历史数据得出结论——得整理综合所有的历史数据才行。因此，选取正确的数据样本工作也就成为了获取正确分析结论的首要前提。
既然如此，我们该如何判断手中的数据是否“真实可靠”呢？其实答案也很简单：确保采用的数据是完整的，而不是某一小部分即可。在21点的游戏当中，要想成为成功的算牌者就必须了解之前发出的每一张牌。如果在牌局进展到一半的时候才开始记牌和算牌，那简直就是白费工夫。同样，当我们定下自己的目标之后，绝不能被那些毫无根据的主观判断左右了前行的方向。只有手中的数据和桌上的牌才是真正决定我们成败的关键。
因此，在我们为数据收集订立规矩之前，还是先看看该如何避免掉进前述各类偏差之中吧！为了避免确认偏差，要全面、客观地对数据进行审查。要注意，千万不能只接受那些支持自己观点的数据。为了避免产生选择偏差，你得获得完整的数据库，而不是有意或无意排除了部分样本后的数据库。在这两种情况下，首要任务都是尽可能多地取得数据。
但这也同时引出另一个有趣的问题：并不是所有数据都有同等的意义和重要性。有些数据客观、全面，但对我们预测未来的工作贡献甚微。这与我们传统的理解是截然相反的。
我用职业球赛当中的例子来说明一下这种情况吧！我们给芝加哥小熊队的球迷们一项任务：找出球队获得胜利的要素。那些读过本书前面章节的球迷们肯定会想着要通过曾经的比赛数据寻求答案。这些球迷看小熊队的比赛肯定已经有好些年的时间，心里也早就有几个答案了，但为了避免确认偏差的发生，他们还是客观地采集数据并对此进行分析。不但如此，为了避免选择偏差的发生，他们还收集了全联盟各支球队的数据，保证数据库的完整性。
分析结果出来之后，他们发现球队发动跑阵进攻的次数与最终获得胜利的关联度很高。从1995年至2008年间，那些每场发动30次以上跑阵进攻的队伍最终获得胜利的比率高达84%。而那些每场通过传球发动进攻高于40次的球队胜率仅为28%。因此，在其他条件相同的情况下，跑阵进攻与球队获得胜利的关联度比传球进攻要高得多。
是不是这就说明，对于战术安排来讲更多的跑阵进攻能有效地提高球队的胜算呢？这个结论真的可靠吗？当然不是！实际上，著名的橄榄球高级分析师、橄榄球运动分析的先驱艾伦·沙茨就曾对这一观点提出过质疑，认为这个结果是不正确的。他认为在这个推论的过程中原因和结果颠倒了。实际上，我们所看到的数据关联，是由于那些已经占据比分优势的球队更愿意采用跑阵进攻控制比赛节奏而已。当只选用每场球赛的上半场做样本，艾伦发现两者的关系就没那么密切了。但到了下半场，两者的关联度便迅速攀升。
这些数据支持了艾伦的观点：跑阵进攻并非是为球队带来胜利的法宝，而是球队胜利的副产品。回头想想，球队之所以在比分领先的时候采取跑阵进攻的策略，无非是想更好地控制比赛，消耗剩余的比赛时间。这样一来他们就能将比分的优势拖至终场哨响，获得最终的胜利。
从这里你就可以看出“相互关联”和“因果关系”的区别了。这一课非常重要，因为它能帮你判断手中的数据是否真的可以用来对未来进行预测。
单从字面上看，“因果关系”和“相互关联”这两个词很容易分辨。因果关系说的是事件A会导致事件B的发生。比如吸烟导致癌症的发生。在这里，“吸烟”和“得癌症”之间就是因果关系。同时，由于吸烟的人往往罹患癌症的概率较高，这两者之间也是相互关联的关系。相互关联，简单地说就是某两个变量之间存在着互相对应的关系，两者会同时产生同向或逆向的变动。
但是，有可能会发生两件事情相互关联而不为因果关系的情况。我们经常看到有些人既爱喝酒又爱抽烟。“喝酒”和“抽烟”这两个行为常发生在同一个人身上，因此它们具有一定的关联度。但是，抽烟并非导致某人爱喝酒的原因，反之亦然。
说了这么多，这到底跟我们对于数据的信仰有什么关系呢？对于因果关系和相互关联二者之间区别的争论，常常被弄得像宗教辩论一样。在这里我要提到我们之前在第二章中提到的数据挖掘。在过去的几十年中，分析业界产生了两个阵营——电脑派和统计学家派。电脑派的人们喜欢通过数据挖掘一类的工作寻求事物之间的关联性。但问题是，随着信息时代的来临，可用于分析的数据量日益庞大。虽然有了电脑的帮助分析的速度可以大大提高，不过单是进行数据的整理分析并总结其规律的话，可能会产生诸如上述的跑阵进攻与球队获胜之间因果关系的错误推论。与之相反，统计学家更倾向于建立分析模型并通过大量的数据对其进行检验。
迈克·奥克金和他的“赛场分析师”软件就可以搜寻出橄榄球比赛当中的相关变量。在之前的故事里，我们提到过一支未尝有胜绩的主场球队，有很多要素表明这支球队在接下来一场比赛获得胜利的可能性很大。现在来看，只能说那些数据与“获胜”关联度很高，但是否真的存在因果关系呢？电脑派会说，这无关紧要，从数据上看两者的关联度非常高。但统计学家不会买账，而是想方设法去建模型或是采选独立样本来验证这个理论的正确性。
在这里，就该检验你观察到的关联性是否具备预测价值了。毕竟我们关心的重点是“关联性”是否可以帮助我们预测未来。
这与基于人口特征和消费心态进行的“消费者细分”很相似。借助先进的电脑软件和日益庞大的数据库，现在的企业能更轻松地定位出优质客户群体。然而，我们无法断言这部分群体对销售的卓越贡献是否存在因果关系。用49人这样的职业橄榄球队举例说明吧！这支球队一直想找出哪部分人群在比赛日贡献的利润最多。通过数据库检索，工作人员发现最大的收入来源于那些骑自行车上班的人。再对数据作进一步分析之后，他们发现这些球迷通常都没有属于自己的汽车。正因为如此，他们无需在进场和退场的时候耗费停车的时间。他们通常来得早走得晚，在球场的各类商店里进行消费，与朋友们一起喝啤酒。他们完全不必像那些开车来的球迷一样担心酒驾的问题。
在这个例子当中，骑车上班的球迷群体对销售贡献巨大，并非是因为“骑车上班”这个行为，而是藏在数据背后的另一个原因：没有汽车。这类变量通常被称为“混淆变量”。找出这类“混淆变量”能帮你更为准确地对未来进行预测。
有些时候，你总结出了某种因果关系，但由于变量本身就变化无常，所以想通过它来预测未来就难上加难了。还是回到美国职业橄榄球大联盟上来，看看那些与球队胜负紧密相关的数据。比起之前提到的跑阵进攻，攻守转换的净差（球队由攻转守的次数减去由守转攻的次数）与胜负的关联度极高。看过橄榄球比赛的人都知道，进攻失败可绝对不是什么好事。
因此，攻守转换净差不但与最终的比赛胜负相互关联，还是决定着比赛成败的要素之一。如果一支球队屡次进攻不成并丧失球权，想赢得比赛简直是天方夜谭。不过问题在于，攻守转换的净差不是那么容易掌握的。每一名职业橄榄球运动员都知道它的重要性。无论数据怎么讲，他们都会在球场上拼尽全力提高进攻成功率，降低失误次数。因此，这一研究结果仅仅是加深了各方对于攻守转换净差重要性的认识，但却无法对这一数据进行有效掌控。
那么，通过攻守转换净差的案例我们都能了解到些什么呢？如果我可以准确地得到每场比赛当中双方攻守转换净差的数据，那么我判断比赛胜负的成功概率会大大提高。但问题是，我怎样才能在比赛开始前就预测出究竟哪支球队会在攻守转换中取得优势呢？通过求助老朋友鲍勃博士，我们又获得了一些新的信息。在发给我的一封电子邮件当中，他提到在球队失误当中，被抄截和掉球的随机分布比例分别为65%和90%。拿掉球来说，如果球队到目前为止每场比赛掉球数量平均为＋1，那么球队下一场掉球数量的预期值就是＋0.1。鲍勃还写道，攻守转换净差是判断胜负的最可靠指标。然而，它也是最难得出的指标。也正是因为这种不确定性，竞技类体育赛事才这么让人着迷。通过对攻守转换净差的认识，那些精明的体育彩迷们就可以从各队的历史数据中看出端倪。比如说，那些由于大量失误导致成绩欠佳的球队往往潜力很大，球队实力很可能被公众低估了。而那些失误很少的球队，其实力很有可能被高估了。鲍勃博士还开玩笑说：“如果所有人都知道攻守转换净差的奥秘，那我就得失业了。”
总体来说，攻守转换净差对我们的意义并不是很大。虽然它与球队的胜负关系重大，但我们几乎无法对其进行预测。因此，从分析学的角度来讲它是一个无法应用的关键数据。
接下来，让我们看看如何将这些知识运用到商业当中吧！在金融领域当中，利率就像是我们说的攻守转换净差。利率的每一次变动都会对金融行业产生重大影响，决定千万人的盈利或亏损。如果你能获悉利率的变化方向，那你就能准确地判断出股票和债券的价格变动。
但问题是，利率与攻守转换净差一样是无法准确预测的。然而，在任何一个金融模型当中，利率都是极为重要的一个参数。因此，判断利率走向的过程就好比是在金融行业玩轮盘赌，结果太难预测了。
实际上，很多成功的交易员获得成功的关键在于，他们很清楚预测利率的困难程度。因此，他们设计出一套策略，可以在市场利率上升和下降的时候都实现盈利。这也就是他们的法宝。通过分析，你可以找出那些具备指导意义的数据，并通过它们准确地对未来进行预测。不幸的是，攻守转换净差和利率二者并不在其列。
某种意义上来讲，这才是本章的核心理念：简单地关注历史数据并机械化地进行分析是无法造就竞争优势的。希望我们之前讨论过的那些案例能帮你合理地运用历史数据进行分析，更好地为之后的决策做出有效辅助。
我们需要客观地看待历史数据。不然的话，很有可能掉进“偏差”的陷阱之中。在这里，最好的办法就是通过科学的方式，像科学家一样思考。我们需要像科学家那样，首先订立出一套规范，然后客观地一步一步分析来自各个渠道的数据和信息。当我们将这套方法运用于金融领域时，会发现尤其适用。
吉姆·西蒙斯成立的文艺复兴科技公司是一家对冲基金公司。自1989年起，这家公司的Medallion基金扣除手续费后的年均收益率高达35%，在对冲基金业界傲视群雄。该公司主要是通过数据模型发掘出金融市场当中那些定价过高或过低的金融产品，并通过交易这些金融产品获得收益。
西蒙斯拥有数学博士学位，并且同时在麻省理工学院和哈佛大学任教，学术背景极强。他从1978年开始进入金融行业，始终保有着严谨的学术理念。尽管他原本对基金了解甚微，但西蒙斯还是将那套科学的方法成功地套用在了金融行业，并实现了巨大的成功。
“我们从不聘用华尔街的人，”西蒙斯如是说道，“我们需要的是科学家的思维。”
在筹划自己的商业方案时，我建议你把“像科学家一样思考”这句话作为你的座右铭牢牢记在心中。因为，好的科学家不会在进行试验的过程中掉进确认偏差或是选择偏差的陷阱中去。多年的教育和训练已经让他们对此产生了免疫功能。
并且，西蒙斯还提到，科学家们都有自我发问的习惯。这种怀疑精神能帮助他们检验自己的结论。你常常能看到科学家们会在进行过多次试验之后，才会依照实验的最终结果作出判断，并得出结论。
科学家们不会轻易地告诉你跑阵进攻能带来胜利。相反，他们会对这条理论进行剖析，从而发现隐藏其中的论证缺陷。
最后，科学家们会积极主动地寻找解决方案。如果无法获得解决方案，他们会想尽办法寻求替代措施。一旦科学家们发现预测攻守转换净差的问题和预测利率变动的不现实性，他们一定会继续探寻，直到找出那些更容易预测的指标来。
通过历史数据来预测未来是必修课，但你不是每次都会用到这个步骤。想要真正发掘出历史数据的重要参考价值，我们需要像科学家那样获得客观的历史数据，取得有意义的分析结果并采用可行的方法进行工作。西蒙斯总结得很好：“我们工作的源头是数据而非模型。我们并没有任何先入为主的观念。”通过这些内容的学习，记住西蒙斯说的话，你将得到属于自己的商业优势。
1英里约等于1.6093公里。——編者注
