著   者：[日] 中村慎吾                              

译   者：谷文诗                                      

字  数：239.7千

书   号：978-7-210-11216-7                         

页  数：392

出   版：江西人民出版社     后浪出版公司                         

印  张：12.25

尺   寸：143毫米×210毫米                           

开  本：1/32

版   次：2019年9月第1版                           

装  帧：平装

印   次：2019年9月第1次印刷                       

定  价：49.8元

正文用纸：纯质纸                                        

编辑推荐

◎ NASA的难题，我们每个人都有可能会遇到

◎ 本书方法适用于所有复杂、棘手、高风险的决策难题

◎ 真实再现NASA数十年来多项重要决策的制定过程

◎ 汇集斯坦福大学、麻省理工学院和NASA等全球顶级决策智慧

◎ 5大决策工具和9个决策步骤，完美对抗决策陷阱

◎ 遵照决策流程，设计更好的选项，掌控人生每一个重大转折

著者简介

中村慎吾，1964年出生，风险投资人。早稻田大学应用物理系毕业后，获得斯坦福大学超音速航空物理学专业硕士学位和麻省理工学院斯隆商学院应用经济学MBA学位。曾就职于日本的智库研究机构，后加入美资投资银行，从事企业财务战略分析、融资及并购业务，2002年起从事现职。中村先生的目标是以NASA的开拓者精神和硅谷的创业家精神为典范，扶持创新企业，培养更多未来的世界级企业。

内容简介

初次合作的商业伙伴是否值得信赖？沉没成本真的应该立刻放弃吗？要不要投资那些风险很高，但具有重要战略意义的项目？如何在有限预算下选出最优的投资方案？哪些心理陷阱会阻碍我们做出正确决策？

也许你不会想到，NASA在探索太空的过程中也曾经遇到过与此类似的课题：

着陆器会将地球上的微生物带到火星吗？如何确定火星探测任务何时实行、使用何种火箭、探测到哪个级别？“挑战者号”航天飞机失事后，专家们就已经预测到导致“哥伦比亚号”悲剧的潜在风险了吗？从火星取样会用到哪些技术，如何在多项技术之间确定最优的投资分配比例？

本书选取多个NASA经典事例，介绍了适用于所有问题的五大决策工具以及决策分析的九个步骤，帮助读者在面对不确定性时，通过真正的“深思熟虑”正确掌握风险，并从中找到更多机会。

目  录

前 言 1

第一部分  基础篇

CHAPTER 1  概率思维法—认识不确定现象 3

假设可能发生的情况 6

无处不在的随机现象 6

用假设思维进行推理 7

构建假设的关键 9

从全局出发 9

化整为零 10

忽略细枝末节 12

预测概率 14

概率的两种解释 14

没有足够数据时可以这样做 15

“无法预测”也要预测 20

区分风险与不确定性 20

将不确定性统一为概率 22

利用情景规划描述“看得见的未来” 23

情景规划的目的与方法 23

情景与概率的搭配使用 24

事例1 着陆器将微生物带到火星的概率 27

分析的背景、目的及成果 28

实施探测任务的前提是“概率” 28

数据零散、不确定性极高时可使用定量分析法 29

情景规划前的准备工作 30

利用假设分解流程 30

筛选与情景有关的因素 32

情景的设计、赋值及检验 36

用情景树列出所有情景 36

通过树状图读取计算逻辑 37

筛选“决定性因素” 42

将专家意见转变为概率（1）：提防“认知偏差” 44

数据有限时可借助专家的力量 44

心理学及行为经济学揭示的典型陷阱 45

将专家意见转变为概率（2）：征询意见的正确方式 51

提问方式和预防措施可以避免认知偏差 51

“比较”使概率更直观 52

“分解”使概率更好懂 53

利用“敏感性分析”进行检验 55

确认结果是否“稳定” 55

“不确定性× 敏感性”决定精确度 56

用两种敏感性分析来筛选决定性因素 57

提高评估结果的可靠性 63

CHAPTER 2  理性选择法—探寻最优解 65

为什么会判断错误 68

“实际做出的决策”与“应该做出的决策” 68

方便好用的判断方法常存在较多偏差 69

“果酱实验”揭示的真相 74

追求“理性”决策 77

理性选择范式 77

在约束条件下求“最优解” 80

理性选择的决策原理 83

扩展对理性的阐释 83

代表性决策原理 84

理性选择的基本工具 93

面向未来的选择 93

不要被过去束缚 96

研究过程力求尽善尽美 100

事例2 选择火星探测的任务形式 103

火星探测项目的变迁与成果 104

在复杂情况下不断排除和筛选 104

来自民营企业的决策方法 105

如何选择最优的探测形式 107

问题的整体构造 107

目标及其实现过程 111

用决策树整理和解决问题 114

揭示问题的结构 114

标注成本、概率与价值 118

确定方针，由结果逆推 119

提高成本与概率预测值的准确度 126

与先例保持连贯性 126

预测成本的三种方法 127

预测概率的三种途径 129

预测价值 134

并非所有价值都能预测出绝对数额 134

用价值分解打开局面 135

允许预测出现误差 139

价值与最优解的关系 139

考虑减少不确定性的成本 140

从风险的角度排除不利选项 142

考虑数据的波动 142

考虑风险偏好 144

坚持就是胜利 146

CHAPTER 3  风险管理法—用系统思维提高决策质量 149

给“风险”下定义 153

加强风险意识的重要性 153

“风险”未必是“危险” 154

对风险的错误认识会导致错误判断 155

传统的风险评估方法 158

用“风险矩阵”掌握相对重要性 158

传统方法的盲点 161

超越传统方法 164

重新定义风险，提高应用性 164

拓宽分析范围 165

系统思维（1）：通观全局 166

用整体统一的视角进行想象 166

运用系统思维进行概率风险评估 167

系统思维的可视化：“影响图” 169

系统思维（2）：系统动力学的启示 173

今天的决定会引发明天的问题 173

良性循环的威力 174

抓住因果的本质 175

事例3 如何避免航天飞机失事 181

NASA 在风险方面的失败经历与改进措施 182

航天飞机计划 182

事故原因在很早之前就曾被指出 182

高胜算决策 向绝不容出错、极会管理风险的NASA学决策.indd 13 2019/6/12 16:51:14

预测和应对尚未发生的事故 184

建立问题模型 186

描绘复杂问题的流程与结构 186

构建预测概率的框架 187

模型的使用方法 194

不可避免的主观判断及其合理性 194

主观判断需要“相对化”解释 196

通过逆推找到应对措施 198

拉远镜头：扩大评估的视角 198

将评估方法变为管理工具 201

从不同角度不断完善 203

比较各因素的贡献度 203

提前部署 205

从不完善到完善 207

物理学巨擘洞悉的问题本质 210

MANAGEMENT’S EYE 将风险管理升华为战略 212

制定风险管理的根本目标 212

利用风险对冲确保战略投资额度 214

第二部分 应用篇

CHAPTER 4  优先顺序法（1）—捕捉跃升机会 221

决定企业成败的秘密 225

你真的了解“投资”吗？ 227

投资决策的三个特征 227

“灵活性= 选择权” 234

灵活性价值左右投资决策 235

抓住不确定性背后的机遇 239

分阶段投资 239

不确定性带来的机会 240

提升阶段性投资的效果 244

在全新框架下重新看待“选择权” 248

把技术研发看作选择权 248

技术类型化 249

从战略出发做选择 253

重新认识“灵活性” 253

评价单项技术的潜在价值 258

事例4 火星取样返回任务需要哪些技术 265

任务概要与分析对象 266

灵活性的价值 268

利用金融技术促进技术研发 270

现在发生的事情会改变将来 271

CHAPTER 5  优先顺序法（2）—追求价值方面的经济效益 275

用经济学“定式”作武器：任务最优化思维 277

双刀流剑术 277

四个步骤实现最优化 282

找到理想的资金分配方式 282

设定评价标准的秘诀 285

企业管理方面的应用实例 288

事例5 对火星地表探测技术的最优投资组合 293

本事例的设定与假设 294

构思 295

从整体上把握相互关系 295

创造力使评价标准更具体 298

科学地实现最优化 302

对评价标准进行因素分解 302

优先顺序的最优化 306

让评价标准更好用 312

第三部分 整理篇

CHAPTER 6  综合决策法—确立思考维度，培养鉴别力 319

用流程来对抗决策陷阱 321

PART I：确定备选方案 324

STEP 1 根据“预期”设定“目标” 324

STEP 2 创建衡量目标完成度的评价标准 325

STEP 3 列出备选方案进行预选 328

PART II：对备选方案进行风险分析 330

STEP 4 构建分析框架 330

STEP 5 依据精确度选择不同分析方法 336

STEP 6 提高决策的稳定性 338

PART III：选定最优方案 341

STEP 7 用统一标准比较和筛选 341

STEP 8 从其他切入点筛选备选方案 344

STEP9 选定最优备选方案 347

NASA 的难题你可能也会遇到 353

后 记 357

致 谢 360

参考文献 361

出版后记 369

正文赏读

面对前无古人的课题，人们很难预测它会对将来产生哪些影响，也无法获得确定信息。这类课题具有很高的不确定性。不知道会不会发生，预测不到发生后会带来哪些结果，无法得知何时发生…… 面对这些状况，我们只能正面迎战。

面对不确定性，人们一般会持两种态度。一种是认为不确定性无可解之法，无论将来发生什么都只能认命。还有一种截然相反的态度认为，既然无法预知将来会发生什么，就应该提前做好可以应对各种状况的准备。很难说这两种态度孰对孰错，但本书支持后者。NASA 也属于后者。后者的武器就是如何恰当应对不确定性的方法论，而其基础则是“概率”。

这里的概率与高中数学的概率还不太一样。从数学角度来讲，掷骰子时出现3 点的概率一定是六分之一，但现实中的不确定性事件却极少可以用这种“毫不含糊”的数学上的概率来计算。此外，类似计算平均值等依靠大量过去数据的方法往往也用不上。对于挑战全新领域的人而言，（大部分）过去根本就没有参考价值，即使在可以多次行动的情况下，利用平均值得知“假设挑战100 次，大约可以成功30 次”也毫无意义。而对于转瞬即逝的机会，我们只想知道唯一一次挑战的成功概率。

本章构成如下。首先介绍初步的逻辑思维方法，在此基础上来“定义问题”，从而利用概率解决不确定性问题。考虑概率，必须先设想出“可能发生的事件”。我们一生中会经历许多概率性事件，但概率的主体和形式通常并不明显，需要我们将它定义为问题。定义方法并不一定存在完全正确的答案，需要按照逻辑过程来构筑假设。

定义了需要考虑概率的问题，下一步便是在实践中预测和应用概率。本书介绍的方法绝非前面提到的“不好用”的概率论，而是能在缺乏可用的客观数据时发挥“主观”作用的创造性探索。此外，“情景规划”可以有效应对随机的、不透明的未来，本章对此做了概述。

最后，事例部分介绍了20 世纪70 年代NASA 为了实现火星登陆这一人类历史上从未有过的探索任务，利用概率预测情景规划相结合的方法得出的结论及其推导过程。除了敏感性分析等决策中必不可少的分析工具外，该部分还介绍了如何收集专家意见并灵活应用，以及一些心理学、行为经济学方面的注意事项。这一事例为我们展现了一个“悖论性结论”：当时人类对火星一无所知，却得出了准确度相当高的评估结果。

假设可能发生的情况

无处不在的随机现象

我们把结果有多种可能，无法确定的现象定义为“随机现象”。某企业的股价一年之后会上涨还是下跌，明天的天气是晴，多云，还是下雨，这些都是日常生活中的随机现象。随机现象总是伴随着不确定性，要与它和平共处，就必须在做出某种预测的基础上，从理性或者战略的角度来规划自己的行为。

如果你持有股票，就需要在股价变动的不确定性中考虑何时卖出会更好。股价明天会大幅上涨，会略有上涨，不会有任何变化，会下跌，两年后公司破产股票变成废纸…… 我们应该考虑到以上所有“可能发生的情况”来决定对策。还有更常见的例子，例如听到天气预报说降雨概率是30%，出门时就需要决定带不带雨伞。我们一般都是要考虑大概几点会下雨，自己大概几点待在室外等来决定的。

用假设思维进行推理

现实中的事件往往是各种因素掺杂在一起，我们一般很难分辨出事件中潜藏着哪些随机现象。学校考的概率问题中，需要求什么解一目了然。但现实世界中，带来不确定性的随机现象以何种形式隐藏在何处，需要我们自己去定义。问题定义不当，求出来的解的有效性自然也不会很高。

我们来考虑这样一个问题：A 企业应该如何提高自己的行业地位？“市场定位理论”和“资源基础理论”是制定竞争战略的两种代表性理论。前者通过分析业务环境等因素，决定本公司能在竞争中占据优势的市场定位。后者则着眼于企业为了获得竞争优势应该运用哪些人才、技术、品牌、工艺、企业文化等稀有且难以被替代的管理资源。针对提高企业行业地位这个不确定性问题，A 企业选择侧重于哪种理论，决定了其在制定战略过程中更重视哪些随机现象。此外，两种理论各有长短，如果选择的理论不适合A 企业的情况，则会对问题做出错误的定义。

每一个随机现象都由其他多个更小的随机现象构成。如图表1-1 所示：三种不同的“随机现象组合”构成了同一个事件。图表1-1 中的例1、例2、例3，从事件的开始（标注为〇始）到事件结束（标注为〇终），自左至右的过程具有多种可能的形式。不难想象，我们必须花费很大精力才能找到符合最终目的的分割方法。

这种时候需要依靠假设思维。我们要区分当前时间点的已知事项（事实或证据）和未知事项，根据可用的信息提出最有力的结论（问题定义的框架），将其作为假设。对未知事项需要设定前提条件，向前推进。即使信息不足或含混不清也没关系，我们只要利用现实情况决定就好。接下来可以继续收集新信息，提高信息精准度，反复对假设进行验证和重建。这一阶段需要推理能力，即根据可用信息和前提条件准确地区分出“哪些是确定的，哪些不是”。外资咨询公司在面试时一般都会考查求职者的推理能力。

构建假设的关键

从全局出发

假设思维需要推论出结论作为假设，构建假设时必须从全局出发。人们处理问题时常从自己熟悉的方面开始思考，例如：“我曾经遇到过类似情况，所以应该如此这般。”但是，这样一来，能否获得最优解就全凭偶然运气，很可能会走冤枉路。我们必须时刻牢记，要以更高视角去俯瞰全局。

试想一下工厂作业的情景。某道工序的负责人提高了该道工序的生产效率只是部分最优，可能并不会提高整个工厂的生产能力，也没办法使企业的整体收益达到最大化。要实现公司整体收益最优，就需要根据“约束理论”（Theory of Constraints,TOC）关注瓶颈工序，通过产量最大化来实现企业利润的最大化。每销售一件产品都会增加一份利润，整个公司的利润就是所有产品的销售总额减去所有成本和费用后的数额。

约束理论是以色列物理学家高德拉特博士（Dr．Eliyahu M．Goldratt）在其著作《目标》（The Goal ）中提出的著名管理创新方法。AT&T、波音公司、IBM、P&G、飞利浦等欧美知名企业以及很多日本大型制造企业都运用约束理论进行管理。这些企业的蓬勃发展也验证了俯瞰整体、把控全局的重要性。

化整为零

掌握整体情况之后，下一个挑战就是从哪里对其进行分解。在设定分解的切入口时，必须保证分解后的结果还能再整合为分解前的整体。要做到这一点，就需要拥有有效的视角。下面以一家拥有自家产品直营店铺的企业为例进行说明。

1. 用加法思考

企业销售额是各个实体店铺销售额的总和。这相当于将整体进行分类。

2. 用减法思考

如果企业销售额不只是各个实体店铺的销售额（如还有网络销售等），可以从整体销售额中减去实体店铺销售额作为“其他销售额”。这相当于将整体分为“实体店铺销售”和“非实体店铺销售”两个对立的概念，其实与“加法”异曲同工。

3. 用乘法思考

企业销售额是“实体店铺数量× 每家店铺的平均销售额”。这相当于对整体进行因数分解。

4. 选择更合适的切入点

销售额除了可以按照店铺分解，还可以按照是面向普通家庭还是面向企业来分解。必须依据所要处理的课题，综合考虑当前的可用信息及信息准确度，选择合适的分解切入口。例如分为面向普通家庭和面向企业之后，还可以对“面向普通家庭”设定顾客年龄等更具体的切入口进行分解。

忽略细枝末节

推理无法做到十全十美，一味纠结细枝末节而得不出结论就是本末倒置了。如果要打磨细节，应该在提高最终结果精确度的阶段进行。而最终结果的精确度取决于精确度最低的部分。无论如何提高其他部分，只要最低部分不变，整体精确度都无法得到本质上的提高。

下面我想通过一个小趣事来告诉大家果断忽略那些相对不重要的事物有什么好处。这是我在美国斯坦福大学读研究生时，在一门NASA 研究员主讲的课程上听来的。20 世纪70 年代初，NASA 开始着手研究如何使探测器冲入火星大气层。当时有两种方案。一种方案是建一个方程式，利用大型电子计算机来求解。方程式中有很多项，需要利用电子计算机进行高难度数值运算。另一种方案是对方程式中的各项加以比较，舍弃相对而言不太重要的项，根据简化方程式求近似解。乍一看上去，好像只用前一个方案就足够了。但实际上是后者起到了决定性作用。

后者虽然是近似计算，但由于方程式被简化了，人们很容易理解得出的解在物理上的意义，因此可以断定近似解不会出现根本性错误。而方案一中，方程式解的正误取决于电子计算机的计算方法是否得当，很难从物理上解释得出的结果。当时方案一的计算结果与方案二的近似值相差很大，研究人员推定是电子计算机的计算方法有误，后来也确实找到了其错误所在。这个事例告诉我们，宁可牺牲细节，也不要忽略事物的本质，这一点非常重要。

我们构建了假设（将问题定义为一连串的随机现象），假定某一事件可能会发生，接下来就需要预测各个随机现象实际发生的可能性，即预测“概率”，这样才能做出决策。不过，除了类似事件在过去屡次发生的情况，我们真的能预测出随机现象的概率吗？或者说预测的结果真的值得信赖吗？

预测概率

概率的两种解释

日常生活中常会听到“概率”两个字，比如天气预报中提到的降水概率等，这里的概率表示什么意义呢？高中数学课本上的“发生事件A 的概率为p”是什么含义呢？

一种解释是，概率是通过经验得出的相对频率的极限。我们说事件A“投掷骰子出现点数为3”的概率是六分之一，表示多次投掷骰子，随着投掷次数的增加，点数3 出现的次数占总次数的比例（相对频率）会越来越接近六分之一。这种概率以“频率主义”为基础，被称作“客观概率”。

频率主义要求必须保持“因果关系的独立性”，反复多次的前提是每次的条件都相同，并且每次结果之间互不影响。例如在讨论某国发生战争的概率时，能用世界各国或地区过去发生战争的相对频率来定义概率吗？每一场战争都是独一无二的事件，而不是在相同条件下发生的。此外，将来的战争可能是由于过去的战争引发的，或者过去的战争带来的教训也有可能遏制战争再次发生，所以现在讨论的战争与过去的战争不具有因果关系的独立性。不满足事件多次发生的前提，所以战争的概率并不能用频率主义来定义。

天气预报中的降水概率是采用比较接近客观概率的方法得出的数值。大家也许不太了解降水概率的含义，它其实是根据与当天的气温、气压情况极为相近的大量过去数据得出的过去实际降雨的比例。这表明，只有能够收集到足够数量的经验数据，才能求出客观概率。

NASA 的每一次新任务都与过去大不相同，因此无法求出客观概率。商业领域也一样。在考虑某项战略能否成功时，过去各种战略的实施结果虽然可以作为参考，但很难用来计算客观概率，因为过去和当前的条件并不相同。很多现实问题都不适合使用过去的相对频率来定义其概率，因此还需要其他方法。

没有足够数据时可以这样做

概率的另一种解释是“主观概率”，是18 世纪英国数学家贝叶斯提出的。他的方法是首先确定一个适当的（主观）预测值，在这个前提下观察实际发生的事件，再去逐次修正最初的判断。“贝叶斯主义”可以在不具备大量数据的情况下处理概率问题。

下面通过一个简单的事例进一步说明。假设你和某个人正在探讨初次的商业合作。此时必须判断这个人是不是值得信赖的商业伙伴。只有两个选项：“值得信赖”和“不值得信赖”，我们想知道每个选项各占多少百分比。

最初只能依靠先入之见来判断，如果没有任何信息，那么将“值得信赖”和“不值得信赖”的百分比认定为各50% 比较合适（或者也可以因为对方目光不善就把“不值得信赖”的百分比设定为75%）。接下来，你会在和这个人谈判或用餐时观察他的行动，收集他是否诚实等信息。然后就可以根据这些信息修正之前各50% 的百分比。例如如果发现对方说过一次谎话，可以根据这个“结果”预测出其“原因”是他“不值得信赖”，因此要提高“不值得信赖”的百分比，降低“值得信赖”的百分比。像这样，我们可以依据自己获得的信息，逐次修正之前的判断。

没有计算过程可能不太容易想象出具体的情形。对方“不值得信赖”的可能性最初被设定为50%，下面就来计算发现他说过一次谎话后，“不值得信赖”的百分比会变成多少。首先确定计算条件，假设如果这个人“值得信赖”，那么他“说真话”的概率为0.8，“说假话”的概率为0.2；如果这个人“不值得信赖”，那么他“说真话”的概率为0.1，“说假话”的概率为0.9。这是依据“从原因到结果”的思维过程建立的假设：“因为他值得信赖，所以说真话的概率较高”以及“因为他不值得信赖，所以说假话的概率较高”。

整个计算过程如图表1-2 所示。计算的依据是同样以贝叶斯的名字命名的“贝叶斯定理”。例如，图表1-2 中的方框I 表示“不值得信赖” 的人“说真话” 的概率。之前认为此人“不值得信赖” 的概率为50%，“不值得信赖” 的人“说真话” 的概率为0.1，50% 乘以0.1 得到0.05， 方框II、III、IV 也同样。因此， 如图表1-2 右侧方框所示， 说过一次谎的人“值得信赖”和“不值得信赖”的概率之比为0.1∶0.45 ≒ 0.18∶0.82，因此“不值得信赖”的概率要改为增至82%。这就是“贝叶斯推理”，它与普通的思维方式相反，是“从结果到原因”的过程。

上述计算的假设、前提具有任意性，可能不太便于理解。下面再介绍能够证明贝叶斯推理合理性的两个理由。一个是依据新增信息修正之前推论的概率，这一过程反复多次可以使结果越来越接近真实。如果我们能获得较多新增信息，便可以得出与频率主义相同的结论。

另一个理由是，贝叶斯推理十分符合人类的实际判断过程和大脑功能。我们可以设想医生给一名出现皮疹的患者做诊断的情形。如果已经得知患者得了麻疹（原因），那么他应该会起红色疹子（结果），这种情况教科书上都有，所以很容易判断。但实际的诊断过程则与此恰恰相反。医生看到皮疹这个症状（结果），需要预测患者有多大的概率是得了麻疹（原因），这个过程就是贝叶斯推理。此外，网球选手比赛时也要在大脑里瞬间做出贝叶斯式判断。对方挥拍击球时，要先根据已有的基础知识来判断球的运动路线，再依据球从对方球场飞过来时实际看到或听到的信息来修正之前的判断，预测球的落地点和反弹方式并决定采取何种方式将球打回去。

如果可以利用数量充足且符合条件的数据求出相对频率，决策者便能据此做出合理判断。但无法计算相对频率时，根据主观概率的贝叶斯主义就是我们应对不确定性的唯一合理手段，因为它认为一切不确定性都可以进行概率量化。是否所有的不确定性都可以量化为概率，这是概率论创立之初一直争论至今的问题，且仍未有定论。但贝叶斯主义无疑是现代概率理论中的一颗耀眼明星。

实际上，由贝叶斯主义衍生出的贝叶斯推理正在商业、金融等诸多领域迅速普及。它在与我们密切相关的很多领域也发挥着重要作用，例如网络垃圾邮件的分拣与删除、操作系统中的帮助功能、医学诊断过程中的图像处理等。微软公司创始人之一比尔·盖茨在20 世纪90 年代曾公开表示，“支撑微软公司战略的是贝叶斯技术。”该公司招募了世界各地的贝叶斯统计专家进行研究开发。NASA 也常会用到贝叶斯推理，其中一个代表性案例就是航天飞机（已退役）推进系统的监控和维护。该系统应用了以贝叶斯定理为基础的搜索技术，根据传感器探测到的结果来提示故障可能性，并督促工作人员根据不同的紧急程度采取最佳应对措施。