我们发现在足球赛中,只要知道一个简单的讯息(主队过去的获胜机率超过一半),预测力就会明显好过随便乱猜。如果再加上第二个简单的讯息(胜负纪录较佳的队伍会略占优势),可以再进一步提升预测力。除此之外,你可能还想收集其他讯息,像是四分卫最近的表现、球队有没有伤兵、明星跑卫的花边新闻,但这些资讯对预测的帮助不大。换句话说,预测复杂系统这件事依循着「收益递减定律」:第一个讯息很有帮助,但很快就找不到有帮助的其他讯息。
对于某些事件,我们当然会非常计较预测的准确性,像是投放线上广告或投资高频交易(HFT),可能一天内就要预测数百万、数十亿次,而且金额相当庞大。投入极大心力与费用、运用最精细的运算模型来开发复杂的预测方式,在那种情况下或许值得。但在其他商业领域,例如制作电影、出版书籍到发展新技术,只需要一年预测数十次、顶多数百次,而且这不过是整个决策过程中的一部分。这时,我们只要借助相对简单的方式,就可以让预测臻至完善。
预测时,不该只根据一人的意见就做决定——尤其是你自己的意见。虽然人们善于察觉与特定问题相关的因素,却往往不会评估因素之间的相对重要性。譬如,预测电影的首映週末票房时,你可能会认为一些变项都是高度相关,例如制作费、宣传费、上映厅数、试映会评价。没错。但我们要如何权衡「评价不优」与「额外行销预算:一千万美元」之间的比重?这没有一定答案。同样,在决定分配行销预算的方法时,要如何判断多少人会受到网路或杂志广告影响,又有多少人会从亲朋好友那边听到产品讯息?我们也不清楚。唯一知道的是,这些因素都可能相关。
你可能会以为,精准判断应该是专家的强项。但正如泰特洛克的试验结果,专家在量化预测上的表现,其实跟普通人一样糟糕,甚至可能更糟。然而,我们依赖专家之所以会成效不彰,不是因为专家的预测力跟一般人没两样。问题在于,我们通常一次只会谘询一位专家(否则何必找专家)。但我们应该要综合多人的意见(无论是专家或非专家)再取平均值。至于要如何达成?这其实没那么重要。
尽管预测市场有各种花俏的噱头与技术,表现也比民调这类简单方式好一点,但这种微小差异,还不如採用某种方式简单综合许多观点再取平均。或者,我们也可以直接根据歷史数据,评估各项因素的相对重要性——这实际上就是统计模型在做的事。我必须再强调一次,虽然复杂模型可能会比简单模型好一点,但两者的差异小到几乎没有差别。到头来,模型跟群众所能达到的预测目的都一样。第一,这两种预测方式都要靠人为判断,确认哪些因素与预测相关。第二,两者皆需要估计、权衡那些因素的相对重要性。正如心理学家罗宾.道斯所言:「诀窍在于,找到要注意的变项,然后知道如何加入它们。」
只要一直使用这个诀窍,一段时间后,就会知道哪一些预测的失误率较小,哪一些较大。举例来说,当你要预测一个事件的结果,假如其他条件都相同,那越早做预测的失误率就越大。不管你用什么方法预测电影票房,在「刚开拍」时会比「上映前几週」时要难得多。同样,如果你想预测尚未上市的新产品销量,那准确度可能不会高过预测已上市的产品。
你无法解决这个问题,唯一能做的只有:使用其中一种方式,或甚至结合几种方式,就像我们研究预测市场时的方法,然后随时观察、记录预测的表现。我在第 6 章开头也提过,一般人通常不习惯追踪自己的预测。我们做了大量预测,却很少回头检视自己对了几次。然而,留意并记录预测成效或许才是最重要的事,唯有如此,你才能知道准确度是多少,进而知道自己预测的可信度。