双辽市资讯门户

国内更专业
织梦模板下载站

商业创新往往从以不同方式看问题开始

  ——读斯科特·佩奇《多样性红利:工作与生活中最有价值的认知工具》

  ⊙潘启雯

  思维方式的多样性、认知工具的多样性、观点和视角的多样性……毋庸置疑,“多样性”是复杂性科学中的一个核心概念。对此,1972年诺贝尔经济学奖得主肯尼斯·阿罗早前就曾富有洞见地指出:“无论是解决个人层面的难题,还是团队层面的难题,认知多样性都显得尤为重要。对致力于解决问题的团队来说,多样性比出众的才华重要得多。”

  在密歇根大学复杂性研究中心“掌门人”斯科特·佩奇教授的模型中,多样性指的是问题解决者对问题进行编码和寻找解决方案之间的差异,佩奇将此种解决问题的方法称为“工具”。他在挖掘这个模型的内在意义时,偶然得到了两个反直觉的发现——“多样性优于能力”(多样性>能力)和“群体能力=平均个人能力+多样性”。他在专著《多样性红利:工作与生活中最有价值的认知工具》中,以多学科交叉研究为基本和引子,反复推导“多样性”认知模型工具,一步一个脚印地证明:多样性视角、启发性、解释和预测模型是如何提高解决问题、做出准确预测的群体能力的,多样性又是如何提高工作效率和促进创新的。

  问题解决者和局部最优解的内在关系

  在过去几十年里,越来越多的企业领导人正在向着有利于多样性的方向前进。两个根本性的变化导致了这个方向性转变:商业活动变得更全球化了,企业领导人更多意识到了种族多样性;工作实践也变得更以团队为核心了。很显然,同质性等级结构已让位于多样性的团队。多样性是可以提高绩效的。当然,多样性也有其局限性。多样性并不会神奇地转化为效益,但会带来极大的益处。

  有科学记录表明,在思考和看待问题时愿意采用多元视角的人,往往比那些只从自己视角出发的人获得更多成功。在一个组织中,共同的视角能促进交流、推动更先进的启发式发展。但是,如果所有人都以同样的方式思考,那就会导致这样一个结果:如果群体中的某人被卡住了,所有人也就都被卡住了。这些共同的视角可能就是“群体迷思”的一种形式。“群体迷思”的逻辑依赖于“随大流”的愿望。可见,“群体迷思”减少了视角的多样性,扼杀了全体寻找更好解决方案的群体能力。

  佩奇教授研究发现,不同的视角创造了不同的景观,不同的景观有不同的高峰,不同的高峰防止人们被锁定在同一点上。以各自的局部最优解,也就是景观中的高峰来表示问题解决者(或问题解决程序),通常拥有许多局部最优解,而且他们总会有最优的解决方案。由此,在厘清问题解决者和局部最优解之间的内在关系时,佩奇教授有三个新发现:第一,表现更好的问题解决者有更好的局部最优解:那些表现更好的问题解决者往往会被锁定在价值相对较高的局部最优解上。第二,更好的问题解决者所拥有的局部最优解较少:那些表现更好的问题解决者倾向于拥有更少的局部最优解。第三,吸引盆的大小是重要的,好的问题解决者往往有更大的吸引盆,从而更容易到达更好的局部最优解。“吸引盆”这个术语源于物理学。物理学家经常讲最小化,问题解决者则希望实现最大化。因此,对于问题解决者来说,“盆”的深度和大小,可以用来类比山峰的高度和宽度:一个局部最优解吸引盆的大小,等于问题解决者被卡在那个峰值上的概率。

  显然,把握好问题解决者和局部最优解的内在关系,能使问题变得更容易解决。我们从历史上看到,大多数科学突破和商业创新都是从某个人以不同的方式看问题开始的:疾病的细菌理论将一大堆难以理解的混乱数据转化为一系列连贯的事实。第一个制针厂本来是生产坚硬的钢刷子的。当有人意识到,可以将钢刷毛切断并制成针的时候,这家工厂就开始生产针了。多样性视角将一个个刷子视为一丛一丛的针,以不同的视角看待世界为创新提供了“种子”。

  解释的质量往往取决于精细程度

  有了多样性视角,就可以区分不同的解释。那就是多样性解释。多样性解释可以对情景、事件、对象和问题进行部分表示。解释是对现实分类。两个人可以在共同的视角下创建出不同的类别。比如,一个人可以通过颜色来识别鸟类,另一个人就可以通过鸣叫声来识别。因此,对于一个人很重要的差异,另一个人可能根本无法区分。只具有因果关系才是有意义的解释。事实上,它比视角更容易创建。对每个可创建出来的视角,都存在大量可能的解释。一个解释可忽略视角的某个维度,也可忽略视角的一组维度的某个分支,或者说可以形成微乎其微的差别。

  佩奇教授分析研究发现,解释的质量往往取决于它的精细程度,专家往往能给出比新手更好的解释。因为专家会忽略某些维度,并将另外一些维度作分离剖析,在有意忽略某些维度的同时,细致地精炼另一些维度,这两者是相关的。忽略某些维度能保证专家专注于其他维度,从而获得更深入的理解,找到更好的解决方案。以同样的基本方式看待这个世界,但是却以不同的方式将它分类,这就创造了丰富的多样性。这种多样性会影响预测结果和推断因果关系。

  例如,对于公司的分类,一位财务分析师很可能会将公司按股权价值分类,而另一位财务分析师则可能按行业分类。美国的一个选民可能会根据参议员的意识形态立场对参议员进行分类,另一个选民则可能会根据他们所属的州分类。比较学术化的说法是,解释创建了从组备选项(它们组成了特定的“分类表”)到解释对象的“多对一”映射。而通俗些的说法则是,解释会把很多事物都归并到一起。

  几乎每次思考时都在运用预测模型

  在佩奇教授的研究视野中,预测模型是根据解释来描述在某种情况下会发生的事情。预测模型需要不断磨砺和完善,但不一定会导致不同的人的解释完全趋同。只有在得到足够丰富数据的情况下,预测才可能会趋同。事实上,我们几乎每次思考时都在运用预测模型。而预测模型依赖于解释。而一种解释,即使对特定对象和事件的表示是有意义的,但仅凭这种解释也是不够的。对某个给定的预测任务,单一维度很可能是不存在的。假设要预测一家上市公司的股价是上涨还是下跌,若仅根据该公司的市盈率、销售增长率、过去一年来股价变化的趋势等维度中的某个维度,我们对其股价的预测准确度,就与随机抛硬币没什么区别。任何单一维度都没有很高的预测价值,这是由市场逻辑所决定的。近年大量研究证据进一步表明:大多数人的预测,甚至专家的预测,都不如基于数据的回归模型预测准确。其实,即便是专家,头脑里也只能装下有限的信息。在预测时,专家也最多只能考虑几个维度。他们可能会忽视重要的变量,有时候又会把不重要的变量包括进预测模型。因此,当推断任务变得非常困难时,即便是专家也不得不依靠猜测,这时他们的预测会比抛硬币好多少呢?

分享:

评论