官术网_书友最值得收藏!

2.如此確定,卻這般錯誤

幾年來,杜克大學的教授們一直在請美國幾家大公司的首席財務官估算來年的標準普爾指數回報率。[1]研究者深知做這樣的預測即使對經驗豐富的專家都很困難,所以他們只要求首席財務官們提供“80%的置信區間”(即可信度為80%的預測回報率區間)。照此來看,出現意外的可能性理應就是20%了。然而當來年的結果出來之后,高達67%的實際回報率完全在首席財務官們的預測范圍之外。

我們現在談論的并非業余的個人投資者,而是一些全世界最成功的財務高管人士。他們對自己的估算那么有信心,但2/3的人居然都錯了。如此確定,卻這般錯誤。

對預測過分自信是人類社會普遍存在的一種偏見,它不僅對我們的財務收益和天氣狀況的預測有巨大影響,對我們的人事抉擇也同樣有著重大影響。我們往往自認為能夠準確評估他人,即便大多數人并未學過如何評估。在商界,這種現象也同樣存在。剛剛晉升到管理層的人需要從頭做起,而一些高管也缺乏相關的具體經驗。我和億康先達的同事所做的一項研究顯示:在美國和英國最大的上市公司中,70%的董事會成員從未參與過首席執行官繼任規劃,或只參加過一次。而他們卻負責任命高管職務——任何公司中最重要的人事抉擇。

為什么我們如此肯定,結果卻大相徑庭呢?因為我們太重視眼前的信息,而不去思考還需要哪些信息來幫助我們全面評估,準確預測。

正如前文所述,我們的大腦會根據相似度、熟悉度以及親切感快速做出決定。與此同時,一種更加不易察覺的偏見也在發揮著作用。曾與阿莫斯·特沃斯基一起研究決策制定而獲得諾貝爾獎的普林斯頓經濟學家丹尼爾·卡尼曼將這種偏見稱為“看到的即全部”(what you see is all there is)。[2]每天面對無數的信息和決策,我們的大腦大部分時間靠自動工作來保存精力。這種快速而基本上無意識的思考模式(卡尼曼標記為系統1)大多時候很管用。但這種模式也會讓我們根據有限的不可靠的信息——而且常常是不相關的信息——編造故事,之后我們自己全然相信,于是再不會進行有意識的、審慎的分析思考(系統2),而某些決策(實際上所有的人事抉擇)正需要這種思考模式。這就解釋了為什么首席財務官、董事會成員以及我們所有人常常很肯定自己的觀點,卻很少反思自己是否做錯了。

為了說明這一點,請看以下陳述:“五年前,瑪麗以優異的成績畢業于常春藤名校,之后在一家杰出的消費品公司工作,其間被提升過兩次。”你難道不會立刻被她的簡介所吸引嗎?如果你正在招聘此工作領域的人,難道不會立刻給她打電話嗎?

現在我們再來看看另一陳述:“喬用了兩倍于常人的時間才從學校畢業,四年來,一直在一家很不專業的家族企業工作,最近被炒了魷魚。”你對喬的第一印象是什么?如果你正在招聘此領域的人,他會得到面試的機會嗎?

瑪麗輕松地得到不少面試機會,全部順利通過,而喬的簡歷卻被扔進了垃圾筒。但關于這兩位求職者,還有一些事情我沒有告訴你。瑪麗在大學期間的成績是C,畢業后通過家庭關系找到了工作。她常常對同事很刻薄,而且出言不遜。喬通過上夜班來支付學費,他的老板為了給自己的兒子留出職位,絲毫不顧及喬對工作的貢獻和付出,把他解雇了。在瑪麗這一案例中,如果缺少進一步的了解,你可能會選錯人。在喬這一案例中,你很可能會過早地拒絕一位優秀的求職者。

在擔任高管尋訪顧問期間,我常常遇到“看到的即全部”這個問題。我參與過大概500次高管尋訪項目,通常每次向客戶推薦4位最終候選人,總共大約要面試2000人。我會參加每次面試,仔細觀察客戶和求職者之間的互動,結束后立即與客戶溝通。在大多數案例中,客戶只關注求職者的素質和經歷,而這些信息已經在會議上或者我提供的機密報告中詳細介紹過。很少有人會問:“關于這個人、職位、公司以及市場,還需要了解什么信息,才能做出合理的招聘決定或升職決定?”可見,我們會下意識地根據已知信息來做出決定。

后面的章節中,我會探討評估他人時需要考慮的所有重要因素,但現在我的建議就是:要認識到自己的過度自信和“看到的即全部”傾向。下次你準備把任何人帶進自己的圈子時,不論他是團隊成員、商業伙伴、醫生還是保姆,要記住:評估一個人非常困難,不能任憑大腦自動決定。要列出已知信息,并追問自己還需要了解哪些信息,才能確保身邊的人都是最優秀的。永遠別忘了這一步!

[1] Daniel Kahneman, Thinking, Fast and Slow, 1st ed. (New York: Farrar, Straus and Giroux, 2013), 261-262.

[2] Ibid., 85-88.

主站蜘蛛池模板: 海口市| 南郑县| 福泉市| 犍为县| 米脂县| 黄平县| 丽江市| 尖扎县| 梁平县| 宁津县| 高雄市| 苍梧县| 炎陵县| 宁明县| 富顺县| 咸宁市| 平邑县| 佛坪县| 满洲里市| 万山特区| 克东县| 洛宁县| 富裕县| 徐汇区| 丹凤县| 桑植县| 五大连池市| 邻水| 剑川县| 绥中县| 盐山县| 紫云| 称多县| 巢湖市| 余姚市| 宜良县| 紫阳县| 莱芜市| 文成县| 平遥县| 柘城县|