-
思考方式
帮你重塑思考方式！贝索斯、格雷汉姆、安德森等13位大牛的思维模式是这样的
心理模式对于你的脑子来说就像是App在手机里的角色——和App一样，心理模式的种类繁多，它们帮助你做出决定、解决问题，帮你以全新的方式看待世界。总之，它们让你的脑子更加灵光。
投资大师查理芒格和传奇人物埃门马斯克都认为，你需要知道是哪些心理模式让你理解和认识这个世界的。当然，想要记下所有内容是不现实的。
你可能也早已发现，那些想要背下所有内容的学生最终都会把这些东西全都忘掉。他们在学校里不会成功，在人生中也一样。你必须要合理地处理脑子里的那些心理模式，建立起一个框架。
——查理芒格
在创业世界中，要学习的新知识永远不会干涸。面对着如此多的媒体网站：ProductHunt、Medium、twitter、quibb、TechCrunch、HackerNews、Quora、TheMacro……我们很难记住那些真正基础的、有意义的知识。
下面就是一些作为创业者最需要知道的重要心理模式，它们将能够帮助你弄懂自己思考的方法：
遗憾最小化框架 （RegretMinimization Framework）
提出者：杰夫贝索斯 亚马逊CEO
遗憾最小化框架是亚马逊CEO杰夫贝索斯提出的，它能让你在面向未来的基础上看待当下的现实，从而帮助你完成困难的决策。比如说，它会让你放弃现在的工作，去追求你已经想了两年半的一个梦想。杰夫在做决定时会将自己想象成80岁的模样，思考自己在一生中会感到遗憾的事件。
我知道，等我到了 80 岁，我绝不会后悔我做过的这些尝试。我不会后悔投入到互联网这个我认为将成大事的领域之中。我知道哪怕我失败了，我也不会遗憾，但我可能会因为没有尝试而最终后悔不已。
——杰夫贝索斯
创意迷宫 （The Idea Maze）
提出者：Balaji S. Srinivasn A16Z成员
创意迷宫是一种思维框架，能够帮助你思考并计划公司可能会走上的多种道路。成功的创业灵感通常会经过大量的优化，考虑到未来世界的变化而预测出多种发展道路，形成一个框架后再着手实施。
一个优秀的创始人应该能够预测到，在这个迷宫中，转哪些弯会为公司带来财富，哪些会将公司带向灭亡。一个糟糕的创始人则只会盲目地奔向一个写着电影、音乐、文件分享、P2P或者是图片社交的迷宫入口，丝毫没有考虑这一产业的历史、迷宫内已有的玩家、过去的伤亡人数，也没有考虑是否有能够打破围墙、改变现状的科技。
——Balaji S. Srinivasan
Balaji认为，在开始工作前必须要完成这个迷宫，可以从历史、类似物、数据理论和直接经验等方面入手。此外，将这种计划比喻为迷宫，能让人们从更宏观的角度看待问题。你需要担心的，就是不要在错误的道路上浪费太多时间。
厌恶性事务盲区 （Schlep Blindness）
提出者：Paul Graham YC创始人
厌恶性事务盲区会让创始人忽略各种创业点子。“Schlep”一词来源于意第续语，意思是乏味的、不受欢迎的苦差事。它的危险之处在于，人们往往认识不到这些事务的存在，仿佛下意识地将它忽略了，这就是“厌恶性事务盲区”。
一个企业将要从事的 “苦差” 也正定义着这个企业。苦差事就像是一个冰冷的游泳池，唯一的处理办法就是：跳进去。
——Paul Graham
目标问题 （Jobs to be Done）
提出者：Clayton Christensen 《创新者的窘境》作者
目标问题能帮助你明白为何用户要选择你的产品，由此让你能够更精确地发展产品，更好地进行营销。
目标问题框架是在商业背景下看待用户动机的有效方法。传统的营销技巧要求我们把客户按照年龄段、人种、婚姻状况等项目分类，但这一分类太关注公司想要销售什么，而非客户需要什么。客户的购买决定很少是因为自己属于某一类别，而是因为他们发现自己必须解决某个问题。
如果你能理解那个问题，那么找到改善产品的方法就不在话下了。
——Clayton Christensen
最小化可行性产品 （Minimum Viable Product）
提出者：Frank Robinson
最小化可行性产品不是一个产品，而是一个测试你的猜想，保证产品需求的过程。开发产品时，先做出一个简单的原型，在通过测试收集反馈，快速更新，不断修正，最终得出一个适应市场需求的产品。这一过程中的原型就是最小化可行性产品。
这一过程包括：
我最有风险的猜想是哪一个？
要想测试这个猜想，我能做的最小的实验是什么？
证实偏差 （Confirmation Bias）
提出者：Thucydides 古希腊历史学家
证实偏差是一种思维习惯，人们有一个既定认识的时候，在求证时会倾向去找和他们的认识相符的答案，并且忽略掉相反的证据。这种思维习惯对于创意迷宫和最小化可行性产品都是有害的。
人类的认识有着一种独特而永恒的错误，他们因受到肯定而引发的感动和兴奋远比受到否定的多。
——弗朗西斯·培根
产品／市场匹配 （Product Market Fit）
提出者：Marc Andreessen A16Z创始人
当你处于健康的市场之中，并且你的产品能够很好地满足市场需求时，就可以算是达成了产品与市场的匹配。这种匹配非常重要，因为缺乏市场就是最大的公司杀手。
JoshPorter曾提出过一个利用用户来评估产品与市场匹配度的方法，当你的用户开始主动推销你的产品时，这种匹配就可以说是很完美了。
反之，要想达成匹配，你需要做的就是注重与用户的交流。你得将产品／市场匹配作为首要工作，不计一切代价去追求它。要记住，这不仅仅是产品团队的工作，这是应该是公司上下一致的目标。
“百名脑残粉” （100 People Love）
提出者：Paul Graham YC创始人
与其让一百万人对你的产品有好感，不如有一百名忠实的脑残粉。这一百名热爱着这一产品的客户或用户会不遗余力地向世界宣传你的产品，并且会持续给你带来反馈或建议，让你能够不断优化用户体验。
让一小部分人开心比让一大群人半开心来的好。
——Paul Buchheit
生命周期 （AARRR）
提出者：Dave McClure 500 Startups创始人
AARRR是一个用户生命周期的框架，由获取用户（Acquisition）、提高活跃度（Activation）、提高留存度（Retention）、传播（Referral）和获取收入（Revenue）组成。
获取用户也就是让用户注册你的产品。例如，在SaaS领域，你通常会让用户注册来获取一次“免费体验”。
但有些人注册了之后就再也没有碰你的产品了，这时候你就得提高他们的活跃度。你的目标是让他们很快了解产品的价值和功能，让他们意识到这个产品能够解决他们的问题。
现在，你希望这些用户能够常常回来用你的产品，希望他们能投入更多的数据。这样他们才会考虑购买。如果你没法留下用户，至少要和他们保持联系，让他们知道你还在等待。
如果你能轻易地让用户主动谈论你的产品，并向他们的朋友推荐这个产品，那你就获得了很大的成功。传播的目的就在于获得更多的有机用户。
最后，人们开始使用你的产品，理解产品的价值并且开始购买的时候，你就算完成了这个周期的最后一环了。当然，用户数量虽然重要，却不能代表着一个企业的健康状况。在这之外，你还得做出更多努力。
网络效应 （Network Effects）
提出者：Robert Metcalfe 以太网发明者
网络效应，就是指一个产品或服务的用户越多，价值越大。网络效应能够帮你建立一个更好的、发展更快、价值更高的产品，是许多软件公司最关键的动力所在。
Metcalfe法则的核心在于，当网络中的用户数增长时，这一网络的价值将会出现更加大量的增长。简而言之，在一个十人的网络中加入一个新用户，这个网络的增长不是10%，而是将近20%。网络效应的强大之处在于，一个新用户带来的新连接能够放大整个网络的潜力。
规模经济 （Economies of Scale）
提出者：Adam Smith 经济学家
规模经济是非常著名的经济学理论，是指随着产量的提高，产品或服务的成本降低。Facebook、Amazon、Apple和Google都有着强大的规模经济。
规模经济是件好事，如果没有规模经济，我们可能仍处于原始状态下。
——JamieDimon
颠覆性创新 （Disruptive Innovation）
提出者：Clayton Christensen 《创新者的窘境》作者
颠覆性创新是指你的产品或服务从根本上动摇了现有的市场或领域，最终完全替代了现有的竞争者，并且重新定义了这个产业。
颠覆性创新的最好例子就是电脑。苹果公司最初于七十年代末开始销售电脑，与当时的迷你电脑相比，苹果公司的这款产品并不能与之抗争，但却以其低廉的价格受到了消费者的追捧。渐渐的，创新层出不穷，不断优化，不出几年，更小巧、更便宜、性能更好的电脑就问世了。它带来了一个巨大的崭新的市场，最终颠覆了现有的产业。
要记住的是，颠覆性创新的目标并非开发出能够优化产品的突破性科技，而是能够让产品或服务的价格更加低廉、能够让更多的用户得以享受这些产品的方法。
成功之连体大三角 （Conjoined Triangles of Success）
提出者：‘Action’ Jack Barker 美剧《硅谷》角色
成功之连体大三角能够很好地帮你认清这个创业圈子到底有多滑稽。现在这两个大三角一起组成了一个什么？一个盒子。它们组成了一个盒子。你可没办法做出这么个傻逼玩意儿。（注：此处带有恶搞成分）
正如硅谷里大多数的公司和想法一样，成功之连体大三角是一个虚假的、带着嘲讽的、看起来又很真实的理论。这两个相连的三角（大多数人称它为矩形）是想体现出一个理想CEO的素质。一个三角形上写着制造和策划，另一个三角上写着增长和销售，中间写着妥协……这玩意儿真的没什么意义，不过反正在硅谷大多数事物都没什么意义。
当然，还有许多心理模式是本文没有提到的，比如创新的传播理论、摩尔定律、做一些不会扩大规模的产品、创始人与市场的匹配、长尾理论、价值迁移、反事实思维等等一系列重要而实用的心理模式。
这些心理模式中有没有你或你的公司所奉行，或所欠缺的？
本文由经纬创投编译综合自medium.com
-
思考方式
大数据时代，我们需要这样的思考方式
相比小数据，大数据一定是复杂的。然而，复杂性对于我们来说，绝对是一个机会而不应是一个问题。面对大数据时代的扑面而来，如何拥抱大数据，我们需要从思考方式的转变开始。
维克托•迈尔•舍恩伯格和肯尼斯•库克耶在《大数据时代》中告诉我们大数据的4V特点，即Volume（大量）、Velocity（高速）、Variety（多样）、Veracity（真实）。相比小数据，大数据一定是复杂的。然而，复杂性对于我们来说，绝对是一个机会而不应是一个问题。面对大数据时代的扑面而来，如何拥抱大数据，从思考方式的转变开始。
从“基于预设的结构化数据库”到“无需预设的非关系型数据库”
小数据时代，我们对于数据的存储与检索一直依赖于分类法和索引法，分类和索引是一种清晰获取数据的机制设计，这种机制是以预设场域为前提的。这种结构化数据库的预设场域能够卓越地展示数据的整齐排列与准确存储，毫无疑问，这与追求数据的精确性目标是完全一致的，在数据稀缺与问题清晰的年代，这种基于预设的结构化数据库能够有效的回答人们的问题，并且这种数据库在不同的时间能够提供一致的结果。
面对大数据，由于数据的海量、混杂等特征会使预设的数据库系统崩溃。其实，数据的纷繁杂乱才真正呈现出世界的复杂性和不确定性特征，想要获得大数据的价值，承认混乱而不是对抗或避免混乱才是一种可行的路径。为此，伴随着大数据的涌现，出现了非关系型数据库，它不需要预先设定记录结构，而且允许处理各种各样形形色色参差不齐的数据。因为包容了结构的多样性，这些无需预设的非关系型数据库设计能够处理和存储更多的数据，成为大数据时代的重要应对手段。如微软的数据库设计专家Pat Helland所言：“我们再也不能假装活在一个齐整的世界里。”
从“随机样本”到“全量数据”
统计学家通过分析发现，采样分析的精确性随着采样随机性的增加而大幅提高，但与样本数量的增加关系不大。这个发现对于小数据时代无疑是非常鼓舞人心的，随机采样获得了巨大的成功，并成为现代社会测量领域的核心思想。随机样本的基础是采样的绝对随机性，然而，如此严格意义的随机实现起来是非常困难的，一旦采样过程存在任何偏见，分析结果将相去甚远，况且随机样本带给我们的只能是事先预设问题的答案。这种缺乏延展性的结果，无疑会使我们错失更多的问题域。
大数据时代，数据的收集问题不再成为我们的困扰，采集全量的数据成为现实。全量数据带给我们视角上的宏观与高远，这将使我们可以站在更高的层级全貌看待问题，看见曾经被淹没的数据价值，发现藏匿在整体中有趣的细节。因为拥有全部或几乎全部的数据，就能使我们获得从不同的角度更细致更全面的观察研究数据的可能性，从而使得大数据的分析过程成为惊喜的发现过程和问题域的拓展过程。
从“数据的精确性和结果的准确性”到“数据的混杂性和结果的容错性”
小数据时代，由于可获得的数据量比较小，为此我们必须尽量准确的记录下所获得的所有数据，从而引发了测量工具的优化工作；由于数据处理手段的限制，能被我们利用的数据基本限于能适用于传统数据库的结构化数据；由于采用的是随机采样，因此采样过程的精确度被放在重要的地位。显然，这种对精确性的执着是信息缺乏时代和模拟时代的产物。
大数据时代，海量数据的涌现一定会增加数据的混乱性且造成结果的不准确性，如果仍然执迷的依循准确性，那么我们将无法应对这个新的时代。与数据的混杂性可能带来的结果错误性的增加相比，由数据量的扩张带给我们的新洞察、新趋势和新价值更有意义，因为大数据通常都用概率说话，何况大数据的处理之前是可以对之进行数据清洗从而减少部分的错误数据。所以，与致力于避免错误相比，对错误的包容将会带给我们更多信息。其实，允许数据的混杂性和容许结果的不精确性才是我们拥抱大数据的正确态度，只有让步和接受甚至欣赏不精确性，才能看到大数据带给我们的美好前景，未来我们应当习惯这种思维。
从“复杂算法”到“简单算法”
算法是挖掘数据价值的工具，因此算法的研究一直以来是提升数据利用效率的重要路径。小数据时代，在数据的限制无法突破的情形下，对数据信息和价值的获取渴求使得对算法的研究越来越深入，发明的算法越来越复杂。而事实表明，当数据量以指数级扩张时，原来在小数量级的数据中表现很差的简单算法，准确率会大幅提高；与之相反的是，在少量数据情况下运行得最好的复杂算法，在加入更多数据时，其算法的优势则不在显现。为此，更多的数据比算法系统显得更智能更重要，大数据的简单算法比小数据的复杂算法更有效。
从“为什么”到“是什么”
小数据时代，由于数据可获得性和计算能力的有限性，使得我们对于问题的研究需要在假设的基础上进行验证，并探究“为什么”，而始于假设的分析研究非常容易受偏见支配。
大数据时代，快速发展的数据存储、数据传输、数据获取、数据处理等系列技术群，为我们对于问题的研究提供了新的视野和有价值的预测，并使我们获得更多以往所不曾被关注的联系与动态，探究“是什么”成为我们发现世界了解世界的更便捷的途径，且不会受先验假设的偏见影响。
从“因果关系”到“相关关系”
小数据时代，信息的匮乏会使我们趋向于采用因果关系范式去快速理解问题并做出决策，虽然这种因果关系可能并不存在，但这是我们理解和解释世界的一条捷径。在人类力量有限性凸显的时候，这种认知捷径往往能带给我们一种认知上的安慰感和安全感，仿佛世界就是因果性的存在着。
由于大数据时代对于数据的研究不再拘泥于对因果关系的探究，这将会使我们完全有条件向关联、非关联等相关关系探究的转变。类似啤酒与尿布存在相关性的经典案例不胜枚举。海量数据不断被制造与我们对于数据搜集、存储、传输、处理能力的日益提高，是大数据时代的当下特征。基于互联网、云计算等现代化手段，对海量的数据进行统计性的搜索、比较、分析、归纳，我们会发现，原本似乎毫不相干的事物之间存在着较高的关联度，这是传统的因果分析、逻辑推理调研难以解释也无法企及的。
当然，相关关系并不是大数据洞察的终结目标。在很多情况下，一旦我们完成了对大数据的相关关系分析，而又不再满足于仅仅“是什么”时，我们就会继续朝向因果关系的研究，寻求“为什么”，并且基于相关关系的分析，进一步寻求因果关系将会大大降低其分析成本。其实，因果关系就是一种特殊的相关关系。
从“审慎的决策与行动”到“快速的决策与行动”
小数据时代，我们基于对社会运作情境的假设，通过收集和分析数据来验证这种假设；通过数据的检验，原有假设不成立，意味着我们将重新开始新的假设并重新收集和分析新的数据，直到我们的验证通过为止。因此，小数据时代，我们的决策与行动是审慎的。
大数据时代，我们不再受限于传统的思维模式和隐含的假定，我们需要对大数据分析的工具理论，通过对大数据的分析，大数据会为我们呈现出新的深刻洞见和释放出巨大的价值。我们在大数据的指导下探索世界并且不再受制于各种假设，这将使我们势必要以积极的姿态随时接收着来自数据的洞察，并做出快速的决策与行动，因为机会和价值很快就会被刷新，大数据的价值也正是在于将及时的信息及时的传递给及时需要的人手中并及时的做出决策和行动。可以预见的未来必然是，得数据者得天下。
其实，我们只是站在一个很长过程的起点上。
（本文来源钛媒体）
【作者：platoguo，现供职于上海求思信息科技有限公司】
扫一扫 加微信
hrtechchina
