決策陷阱 ─ 專家限制

為何Netflix比店員還清楚你最愛的電影

專家殿堂正逐漸傾頹

由於群眾的智慧受到網路運用的加持，以及電腦運算能力的日新月異，致使專家預測的加值能力不斷下降。我將此稱為「專家限制」(expert squeeze)，而且可茲證明的證據與日俱增。儘管趨勢如此，我們依然相信，許多形式的知識是技術性且專門的，同時渴望得到專家（亦即那些具備特殊技能或知識的個人）的意見。我們直覺認為，那些身穿白色實驗室外袍或細條紋西裝的人必定知道答案，並盲目聽從他們的意見，但卻對電腦產生的結果、或一群新手的集體意見心存疑慮。

專家限制意味著，人們固守陳舊的思維習慣，不用新的方法深入了解問題。要知道何時得超越專家的意見，必須以全新的觀點來看事情，而這個觀點不會不請自來。不過可以肯定的是，專家的未來並非全然黯淡。專家在某些關鍵領域仍保有優勢。我們的挑戰是，要知道何時可借助專家的力量，以及如何運用。

店員比不上Cinematch

1990年代初期，我和妻子住在紐約市。晚上無事時，我們會租片回家觀賞。就如同那個時代其他影片出租店一樣，店裡會有一兩位店員根據你之前喜歡的影片及你當時的心情，非常熱絡地向你推薦，甚至可能不時會推薦一兩片你不常看的影片。考慮到他們相對不算多的電影庫存，以及對我們的電影口味有限的知識，這些員工算是相當有幫助的。

DVD影片租借網站Netflix設立於1997年，以客戶滿意度為核心考量，初期便成功依據訂戶的喜好，介紹匹配的影片，業務因而蓬勃發展。2000年，這家公司推出名為「Cinematch」(影片配對)的服務，由一套演算程式系統，執行觀眾和磁碟影片的配對。Cinematch利用消費者回饋的資訊提供推薦，迅速改善預測消費者口味的準確度，讓用戶持續感到滿意及減少對新片發行資訊的依賴。Cinematch目前已帶動Netflix一半以上的租金收入。但公司管理階層意識到，Cinematch並非所有問題的答案。因此在2006年，他們發出戰帖：只要能提出更好的電腦程式，在預測消費者偏好的準確度上，比Cinematch高出一成，Netflix願意支付100萬美元獎金。

撰寫這本書時，該筆獎金仍在各方爭奪之中，領先團隊的程式僅優於Cinematch 9.8%。有兩個值得強調的重點：第一，有些人雖然聰明絕頂，但處理問題的價值和Netflix相較之下卻是小巫見大巫。(Netflix的主管不諱言，一個成功演算法的價值超過100萬美元。)第二，無論是Cinematch或任何最終取代它的程式，其表現都大幅優於紐約市影片出租店的員工。

儘管有幾十年充分的證據，各領域依賴專家的傾向依然毫無變化。事實上，大多數人很難吸收廣泛的統計證據，以融入他們的判斷中。當你面對如何挑選影片的決定時，問問自己，比較希望得到Cinematch提供的推薦，還是影片出租店櫃檯後頭的店員。現在，你已知道何者最可能提供你最大的觀賞樂趣。

回上一頁

麥可．莫布新 著
2010年10月29日出版
定價：320元
網站特惠價：253元 (約79折)