1. 一本烧脑的“衡量指标”之书，帮你更好地利用数据做决策。拨开数据迷雾，避开数据陷阱，把握真正重要的事！
2. 这本书讲述了在教育、医疗、商业、经济、环境和体育等领域中，大量衡量指标使人误入歧途的案例，讲述了这些错误会带来什么样的影响和危害，指出精确的测量不等于好的测量，从而帮助读者更科学地做决策。
3. 作者告诉我们，要用意义来定义指标，而不是用指标来定义意义。在万物皆可衡量的时代，从KPI、OKR到人均收入，任何衡量指标都值得你反复审视。
4. 清华大学社科学院罗家德、复旦大学大数据学院陈思明联袂荐。

 为什么花更少的钱买更偏远的房子不一定划算？
 为什么得分多的运动员不一定是好运动员？
 为什么癌症发病率上升竟可能是一件好事？
 泰勒主义、绩效管理、科学管理、关键绩效指标等理论都建立在同一个假设之上：如果你考核员工并提供激励，你就会得到理想的结果。但事实真的是这样吗？

我们使用衡量指标来了解世界上许多重要的事：教育和医疗系统是否高效，一个国家是否比另一个国家更富裕，哪个城市的生活质量更高……在这本书中，作者分享了许多选用错误的衡量指标，进而带来糟糕结果的案例，展示了衡量指标如何影响教育、医疗、商业，甚至城市发展。
为什么人们总是测量错误的数据，而忽视重要的指标设定？这本启发性的书提醒我们，并非有重要的东西都计算得清楚，也并非有计算得清楚的东西都重要。被各种量化指标裹挟的我们，要时常想一想：这些指标真的能起到衡量作用吗？人们是否在钻空子？他们的行为是否会使这个指标变得毫无意义？事实上，“说谎”的从来不是数据本身，而是被不科学的衡量指标支配的人。
这本书强调了选用恰当衡量指标的重要性，并且告诉读者，如何在做出关键决策之前找到正确的指标。


前 言 III
一章 应试教育：古德哈特定律与衡量指标悖论 /001
第二章 投入和产出：逻辑模型与程序评估 /051
第三章 长期主义和短期主义：跨期问题和被低估的时间 /087
第四章 分母错误：“每”的问题 /125
第五章 只见树木，不见森林：简化复杂系统 /153
第六章 天差地别的事物：忽略不同的品质 /185
第七章 并非有计算得清楚的东西都重要 /213
第八章 并非有重要的东西都计算得清楚 /289
第九章 对衡量指标的反思 /339
第十章 衡量指标不是我们的主宰 /369
致 谢 /385
注 释 /389


彼得·施莱弗斯，城市规划师与环境设计师，加拿大规划师协会成员，Beltline城市壁画项目的发起人，毕业于卡尔加里大学。

“尽信数据不如无数据”，在一个复杂系统的世界里，我们现在所用的指标大多是基于还原论思维产生的。在一个动态的、各类机制交互关联的、非线性发展的系统中，我们却以静态的、相互独立的、线性的定量指标去理解世界，当然会出问题。彼得·施莱弗斯的这本书列举了很多好例子，让我们看到貌似科学的指标却误导着我们的决策，进而呼吁我们以复杂系统的思维去重新设定各类指标。
——罗家德
清华大学社科学院与公共管理学院合聘教授

我们不要被“指标”裹挟，只有跳出“指标”，来寻找“评价”本身的意义和目的，才更能回归本真。由不合理的指标产生的数据陷阱无处不在，本书从各个角度，把你拉出“错误指标”的泥潭，让你在大数据时代更加游刃有余，从容面对。
——陈思明
复旦大学大数据学院研究员，博士生导师


前 言

人是万物的度量者。
——赫伯特·阿瑟·克莱因（Herbert Arthur Klein）

在这个星球上，有一个物种几乎主宰了它所接触的每一个生态系统。从干旱的沙漠到茂密的雨林，从高山到低谷，它无处不在，无处不被它征服，几乎没有什么地方找不到它。它学会了种植和收获植物，驯化其他动物来满足自己的需求，创造错综复杂、用途明确的建筑和栖息地，建立分工协作、阶级分明的复杂社会，甚至还会发动战争，奴役同类。
毫无疑问，我说的是蚂蚁。
如果说蚂蚁仅仅是一个成功的物种，那就太轻描淡写了。它们不仅在地球上几乎有的生态系统和气候中繁殖，而且数量庞大。几乎在任何生态系统中，如果你清点有现存的动物，你都会发现，数量多的很可能是蚂蚁。在某些环境中，蚂蚁不仅是数量多的动物，而且总体重也超过了其他动物。
蚂蚁的成功可以归于它们与其他大多数昆虫的不同之处：蚂蚁是社会性的昆虫，它们一起工作。通过精细的分工以及复杂的沟通和适应方法，蚂蚁找到了一种与其他几个物种类似的合作方式，人类便是这寥寥可数的几个物种之一。
蚂蚁之所以能很好地合作，是因为它们会交流。蚂蚁使用错综复杂的信号网络来识别食物来源和潜在的敌人，提供日常维护并照顾蚁群，以及完成其他一系列任务。然后，这些信号被用来为上述任务分配相应的资源，进而确保蚁群的存续。没有任何一只蚂蚁能理解它们所处的系统，连蚁后也不能，它们只是盲目地遵循接收到的信号。然而，这种互动是有目的、有策略的。这就产生了一个非同寻常的悖论：虽然单只蚂蚁很愚蠢，但蚁群很聪明。我们可以通过观察蚂蚁如何处理一项简单的任务—寻找食物—来了解这个系统。
在澳大利亚东北部的热带雨林中，有一种学名叫 Onychomyrmex 的行军蚁，专门捕食蜈蚣和其他大型节肢动物。当这种行军蚁寻找食物时，它们每行进几英尺a就会向后伸展一下后腿，将腹部紧贴地面，分泌出一种信息素。这些信息素向其他蚂蚁发出信号，让它们跟随。
用蚁学家（研究蚂蚁的科学家）的话讲，这种行军蚁的分泌物叫作征召信息素。征召信息素向其他蚂蚁发出信号，让它们跟随信号前进，前往一处食物来源、一处新的巢穴位置或一个需要攻击的潜在威胁。
当这个系统在群体的规模上发挥作用时，其效果非常显著。每天早晨都有无数“侦察员”离开巢穴寻找食物。它们一旦找到食物，就会返回巢穴，并在途中一路分泌征召信息素。返回巢穴后，它们“征召”其他蚂蚁跟随它们前往食物来源：食物可能是一颗掉落的果实、一根多叶的树枝，如果它们是擅长集体狩猎的行军蚁，那么也可能是一条蜈蚣。这种简单的化学检测系统让蚂蚁的效率达到了惊人的水平，虽然这种效率是不动脑筋的。这种不动脑筋的效率足以让蚁群在世界各地蓬勃发展。然而，当它失效时，灾难性的后果就会发生。
当行军蚁离开蚁群去往已经找到的食物来源时，它们会成群结队，彼此紧紧跟随。这个团体须团结一致。有时它们会沿着前面蚂蚁留下的征召信息素的踪迹前进，有时它们会利用触角来定位并跟随前面的蚂蚁。在这种情况下，征召信息素的踪迹并不是一条通往食物的道路，而仅仅是一条指令：“嘿，跟我来。”
有一种很罕见的情况是，蚂蚁无意中沿着踪迹返回了原处，领头的蚂蚁开始尾随殿后的蚂蚁。随着每只蚂蚁都留下征召信息素，这条路径不断加强。蚂蚁循着这条踪迹绕成一个大圈，没完没了地走下去。但这趟旅程不会以攻击一条蜈蚣或收获一块腐烂的水果而结束，而是会无限循环下去，来到终的毁灭性结局：每只蚂蚁都因精疲力竭而死亡。这一现象在自然界中已经被观察到无数次，并在实验室中重现。蚁学家称之为“蚂蚁磨盘”，我更愿意称之为“蚂蚁死亡旋涡”。
一些蚁学家在野外偶然发现了成圈死去的蚂蚁，这些可怕的“墓碑”证实了它们盲目依赖信号而造成的灾难。这就是让蚁群变得如此成功的适应性所导致的悲剧后果。对蚂蚁而言，死亡旋涡是不幸却又不可避免的，也是它们作为地球上成功的昆虫物种要付出的代价。
像蚂蚁一样，人类通过信号，通过先观察再行动来理解我们的世界。我们衡量我们所做的几乎一切，例如工作表现，医疗质量，体育比赛中的竞争力，市场优势，产品的有效性，经济实力，教育质量，道路拥堵情况，企业的利润、收入和增长。
我们的孩子在学校里学习了吗？对他们进行测试。我们的工作效率高吗？统计我们的工作时间。付给职业运动员的工资值不值得？记录他们的每一个动作，并将其转化为数据。一家企业是否成功？对它的利润、收入、增长等数据进行细分，直到你确定为止。
这些措施、评价和业绩指标就是我们的衡量指标。它们不仅是我们用来量化了解自己生活的工具，也是量化了解世界的工具。我们在学校、工作场所、政府机构和家庭中使用衡量指标。我们使用衡量指标来衡量工作效率，衡量孩子在学校的学习情况。衡量指标帮助我们衡量经济规模、医疗保健系统的有效性，以及城市拥堵产生的影响。
衡量指标有助于我们决定哪些事情值得重视且优先于其他事情。衡量指标塑造了我们对世界的理解。我们花费大量时间和资源来选择、搜集和分析构成这些衡量指标的数据。几乎没有什么是我们不去测量的。
这里我们要做一个重要的区分。在这本书中，我们将谈到很多关于衡量指标（metrics）的内容，但我们还会提到测量（measurement）。二者有何不同？简单来说，测量针对的是任何可以量化的东西。猎豹的奔跑速度、帝国大厦的高度、美国每年消费奶酪比萨的数量，这些都是测量，很简单。
衡量指标的不同之处在于，它是一种对测量进行赋值的测量。衡量指标可以告诉我们，情况是在改善还是在恶化。衡量指标是有目标的。考试得 A 比得 D 好，公司利润增长是好事。衡量指标是心中有目标的测量。虽然测量和衡量指标之间存在差异，但我们很少在测量某个事物时不给它定目标。正如哈佛商学院教授扬米·穆恩（Youngme Moon）所言：“当我们选择测量某个事物的那一刻，我们实际上就是选择去追求它。换言之，衡量指标创建了一个指向某个方向的指针。”
我们被淹没在数据之中。数字革命在世界上掀起了一股数据浪潮，只要接入互联网，任何人都可以毫不费力地获得各种信息。我们不再受限于单调乏味的实体记录和分类账，我们拥有的数据多到我们不知该如何处理。计算机不仅成倍地提高了我们的计算能力，还提高了我们搜集、存储和共享信息的能力。互联网扩大了信息量，并从根本上提高了信息交换的便捷性。政府、企业、组织和个人正在搜集和利用这些新信息来制定政策、开发更好的产品和营销策略、提高生产力、解决社会问题，以及满足个人利益。
数据的爆炸式增长导致我们对衡量指标的使用激增。有了更多的信息，我们就可以跟踪更多的措施，实现更多的目标，进行更多的评估。毫无疑问，在数据领域发生的革命给我们的世界带来了无数益处。更好的数据意味着更好的决策。更多更好的信息意味着我们的医疗系统能拯救更多的生命，企业能提供更好的产品和服务，人们对自己的健康、财富和幸福能做出更好的选择。
数据的改进正在强化 19 世纪以来一直在发展的一种趋势：绩效管理。绩效管理的思想很简单：要想改进任何一个系统或流程，你只需要把系统拆分成可管理、可测量的组成部分，并为这些测量建立标准，然后为这些系统中的人员创建激励措施，让他们达到这些衡量指标。随着可供我们分析的数据的增加，这一策略的诱惑力会变得越来越大。数据分析、计算和信息存储的改进加速了这一趋势。公司、组织和政府获得的信息越多，可以优化的措施就越多，可以跟踪的任务、活动和目标也越多。
你如果想改善一家零售企业，那就把它拆分成几个组成部分：供应链管理、销售、会计等。你可以为供应链负责人提供交货时间、库存、运输时间等方面的标准，为销售人员提供销售额目标和指标，对市场营销、研发、会计以及企业的其他组成部分也如法炮制。从公立学校系统、跨国公司、医疗保健系统、运动队、社交媒体战略、小公司、城市、供应链到我们的环境，几乎每个组织都是绩效管理的目标。数据和衡量指标的使用已经渗透到我们生活的几乎每个部分。
然而，数字革命创造了一种信息狂妄。聚光灯越集中在这个世界可测量的部分上，我们就越相信我们无法测量的部分不再存在。有了新信息，我们就忘记了有我们不知道或难以知道的事情。我们太过专注于那些在灯光下看到的事物，以至于忘记了成功的关键可能在黑暗中。企业如果发现了有关其供应链、生产过程和市场运输的大量新信息，就不应该忽视市场适销性、创新、员工激励，以及市场中未知和不可预测的变化等更难获得的信息。
信息如此丰富也有不利的一面。就像蚂蚁会被平时可以引导它们找到食物的信息素引入歧途一样，我们也会被我们认为对自己有帮助的衡量指标引入歧途。我们不仅要对我们所消费信息的真实性和完整性持批判态度（关于这个话题有很多好书可以读），还须理解数据的含义，为什么它们很重要，以及它们如何影响我们的行为。
专门研究数据科学的书籍、文章和其他资源有许多。你只需要在亚马逊或谷歌上搜索统计学、分析学或精算学，就会看到成千上万的资源，它们会告诉你关于统计意义、数据分析、风险评估和分析信息的一切。但这不是这本书的主题。本书讲述的是一个完全不同的问题。本书想要回答的问题并不是 “我们如何分析或评估不同的数据”，而是“我们衡量的东西如何影响我们的行为和行为方式”“我们衡量事物的方式如何改变我们思考和行动的方式，如何改变我们的价值观，以及终的成就”，而这也正是其他数据科学书籍忽略的问题。
本书讲述了如何使用正确的衡量指标：这些衡量指标应用于我们生活的方方面面，让我们的生活变得更美好。但更重要的是，本书讲述了使用错误衡量指标的陷阱，以及误解衡量指标所带来的危害。因为衡量指标也有不好的一面，误用、误解和曲解衡量指标会导致事与愿违、徒劳无功，有时甚至导致彻头彻尾的破坏性行为。我们用来理解、评估和分析我们世界的那些工具，也会影响我们的判断，误导我们的注意力，或者蒙蔽真相。
戴维·曼海姆（David Manheim）认为，我们使用衡量指标的主要原因有三点。3 一，是为了了解真相。我们的直觉虽然有时有用，但经常是错误的。通过测量，我们可以确定到底发生了什么事情。如果一个销售人员说他的工作很出色，我们可能有充分的理由相信他，也许他很善于与客户打交道，也很了解他的产品。但如果不看他的实际销售数据，我们就不知道他到底有多么优秀。
我们测量的大多数东西都是如此。中国的经济规模是否超过了德国？费城的犯罪率是多少？一家医院一年治疗多少个病人？这些都是我们大多数人不太清楚的事情。通过测量它们，我们将比依靠直觉更接近真相。衡量指标为我们提供了确定性。当我们测量某件事时，我们是在用事实取代我们的直觉。即使一点点信息，也会让我们更接近真相，更远离不确定性。
第二，测量有助于我们简化复杂的系统。CEO（首席执行官）不可能知道，也不想知道公司每个部门、每位经理和每名员工在做什么。政府官员不可能监测他们为每个公民提供的每一项服务。医院不可能监督它雇用的每一位护士、医生、专家和行政人员的每一个行动。一个城市无法了解每个通勤者、每家企业和每辆垃圾车的行动。衡量指标可以帮助我们以清晰且有意义的方式简化这些复杂的系统，从而为我们提供简单性。
第三，测量解决了信任问题。如果你问员工、经理、政府管理人员或运动员，他们是否比同龄人更优秀，大多数人会回答“是”。但你怎么知道呢？如果一名员工说自己正在努力工作，为公司做出贡献，你怎么知道事实的确如此呢？如果一家公司说它在行业中拥有高的销售额或高的营收，你能相信它的话吗？衡量指标可以帮助我们解决这些信任问题。衡量指标创建了独立的标准，可以用来验证一切说法，而不依赖于任何人说的话。衡量指标为我们提供了验证方式。
我想补充第四点，这在一定程度上与确定性和信任问题有关：衡量指标让我们变得客观。在许多系统中，关于什么是有价值的、什么是重要的，存在着许多不同的观点。谁是更好的警察？哪位运动员的比赛成绩更好？哪位经理的团队表现更好？答案会因你与谁交谈，以及此人认为哪些方面的表现更有价值而不同。如果我们仅仅依靠个人观点来判断好坏，那么我们将永远无法解决这类问题。
衡量指标提供了一个客观、冷静且一致的标准，我们可以用这个标准比较和评估业绩。衡量指标能够让我们摆脱关于“什么是重要的，以及为什么重要”这个问题混乱的、有时各执一词的和情绪化的讨论。衡量指标可以跳过对话，提供一个适用于有人的清晰一致的标准。衡量指标为我们提供了客观性。
大多数衡量指标终都用于类似的目的：改进我们所做的事情。我们的学校组织考试，目的是提高学习水平。我们衡量我们在工作中所做的事情，目的是提高我们的生产率和公司的净利润率。我们衡量公司业绩是为了进行更好的投资。我们衡量哪些产品更保，目的是保护地球。在一个理想的世界里，我们选择好的衡量指标，并遵循它们建议的成功之路。
然而，就像信息素踪迹一样，这些衡量指标也可能让我们误入歧途。这些衡量指标的目的都有缺点。在本书中，我们会发现，这些目的中的每一个都可能误导、误解和歪曲实际发生的事情，并破坏衡量指标的初衷。衡量指标可能导致我们采取适得其反的行动，它们会将我们的注意力吸引到终并不重要的事情上。由于选择了错误的衡量指标，我们在无效的活动上花费了过多的时间和资源。衡量指标可能扭曲我们对世界的看法。我们甚至可能成为衡量指标的奴隶，就像陷入死亡旋涡的蚂蚁一样，我们过于关注自己在测量中的得分，而忘记了自己真正要实现的目标。
但我们不是蚂蚁。我们不盲目地遵循衡量指标规划的路线。我们有能力从道路上抬起头来，重新评估目的地。我们可以停下来想一想，弄清楚我们是真的越来越接近目标，还是在原地打转。我们可以选择我们应该遵循哪些衡量指标，甚至是否应该遵循衡量指标。
我的职业是城市规划师，关于城市如何运行的研究和实践中充满了各种各样的衡量指标。在我的求学和职业生涯中，我遇到过很多在城市规划中误解和滥用衡量指标的例子，同时也遇到了一些正面的例子。例如，我们衡量交通拥堵和住房负担能力的方法都是存在严重缺陷的，我们将在本书后面的内容看到。然而，一旦我开始理解这些衡量指标的缺陷，我就开始注意到，在测量方面，城市规划领域并不是一存在缺陷的。我开始注意在其他领域中存在缺陷的衡量指标：教育、医疗保健、商业、经济、环境和体育等。
当我研究其他衡量指标，或与其他领域的专业人士交谈时，我开始发现，人们注意到的缺陷有相似之处。对城市规划领域衡量指标的错误理解，与对产品保程度的错误理解类似。医生在评估诊所时注意到的错误也类似于商界出现的错误。一种评价篮球运动员的更好的方法与可口可乐公司决定开始使用塑料瓶有关。各种错误反复出现，而且跨越不同的主题。