試想下面的情景：病人因嚴重的胸痛被送到醫院。醫生懷疑他是急性缺血性心臟疾病，需要迅速做出決定：是把病人安排到冠心病監護病房，還是把他安排到常規護理病房以監測病人的情況？
醫生會怎樣去做這種決策？那些沒有受過多年正規醫療培訓的醫生(甚至有許多接受過這種教育的醫生也如此)的回答很可能是：“在這種情況下，一個好醫生會盡量多搜集病人的信息，并結合當前急診的背景進行權衡，考慮所有可能的選擇，然后做出最好的決定。”
然而，這種通常出現在有關決策的教科書上的回答，在現實中卻往往是錯誤的。在分秒必爭的情況下，盡可能多地搜集信息可能非常費時；而且考慮所有可能的選擇，會使醫生被一些牽強且不切實際的選擇所累，而這些選擇很可能對病人的康復毫無幫助。
同樣的道理也適用于商界。很多情況下，決策并不來自條分縷析的復雜過程，而來自一種啟發式的思考模式。雖然你在做商業決策時可能很少想到“啟發式”這個詞，但事實上大多數決定都用到了啟發式的方法。
并不必要的復雜？
“啟發式”來自希臘語的“heuriskein”一詞，該詞有“發現”之意。啟發式是經驗規則，幫助我們找到解決問題的辦法。在制定決策的時候，啟發式可以幫助我們在時間有限、知識水平有限的情況下做出決定。
經理人往往堅持讓手下的管理團隊對未來做出復雜的預測。但是，“復雜”的預測真的就更好嗎？我和其他一些人探討了一個問題：在預測科學方面，“復雜”的優化方法相較于啟發式的預測方法，到底有多少優勢？結果令我們非常吃驚。我們閱讀了許多有關預測技術的研究，例如在今年每日氣溫的基礎上預測明年的每日氣溫、追蹤罪犯下一個可能襲擊的地方、預測溫網或世界杯比賽的結果、預測現有客戶是否會在一個給定的時間內再次購買某種商品等等，結果發現，更復雜的預測策略對很多日常問題的預測沒有明顯優勢。換句話說，我們吃驚地發現，在許多情況下，對所有可用數據進行搜集和分析來幫助你進行決策很可能是多此一舉。
用“啟發式”預測最佳客戶
舉一個商業中的例子。許多企業都有預測“未來最佳客戶”這個重要任務。2008年，馬克斯·烏本(Markus Wübben)和佛羅萊恩·汪恩海姆(Florian Wangenheim)這兩位研究者用歷史數據測試了兩種主要的預測途徑：(1)預測哪些客戶是不活躍的，也就是說，他們不會再次購買商品；(2)預測哪些客戶將會是未來的“最佳客戶”，也就是購買最多的客戶。研究者采用了航空業、服裝業和在線音樂行業的客戶數據進行測試。例如，服裝業的數據包含某個零售商的2330個客戶超過80周的最初購買和重復購買信息。
這兩位作者對啟發式的預測方法和復雜的預測方法進行了對比。首先，他們考慮了一個相對簡單的“間斷啟發式”：如果一個客戶在過去數月內沒有購買商品(間斷)，這個客戶就被歸入“不活躍客戶”之列；另一些客戶則被認為是活躍的，他們可能會是回頭客。在預測最佳客戶這個問題上，他們也采用了一個簡單的持續啟發式：僅僅預測過去購物最多的X%的最佳客戶將會是未來購物最多的X%的最佳客戶。與啟發式相對的是兩個復雜的隨機模式。這兩個復雜模式在條件適宜、數據充足的情況下表現良好，但在數據有限的一般情況下并沒有特別的優勢。
“啟發式”和復雜預測模式的競爭結果如何呢？兩個研究者發現：復雜的預測技術并沒有比極為簡單的經驗規則表現得更出色。怎么會這樣呢？
原因在于，“啟發式”不需要估算大量的參數，從而避免了對少量數據進行籠統總結而得出很不精確的結論。另一方面，“啟發式”已經存在了很長時間，它包含了數十年資料中蘊含的智慧，在商業領域的運用也得到了發展和完善。在這些分析中，經理人的直覺出人意料地接近最優結論。例如，在服裝行業，經理人對購物間斷長度的直覺為39周，而最佳的數字是40周。在正確對客戶進行分類方面，選擇最佳間斷時間比經理人直覺選擇的間斷時間帶來的改進不到1%。
在找出“最佳客戶”這個問題上，根據交易量將航空業、服裝業和在線音樂行業數據庫中的客戶列入或排除出前10%或20%。對這一領域，管理者感興趣的關鍵數值是：到底有多少預測中的最佳客戶是實際的最佳客戶？以此為標準，在12次測試中，啟發式有9次勝出，僅有3次落敗。進一步的分析表明，改變研究時間段的長度對結果影響不大。
“專業”投資只是傳說
“啟發式”蘊含的精神可以在4世紀的《巴比倫塔木德》中找到，該書提到：“每個人都應該把財富分成三份：三分之一在土地，三分之一在商品，三分之一在手里。”這個簡單的規律被叫做“1/N啟發式”，近年來還被一些人形容為“天真的策略”。
在投資領域中，所謂的“專業投資者”很可能在高性能計算模式的輔助下，盡量避免做任何“天真”的事情。那么，他們的專業投資方法有多少優勢呢？倫敦商學院的維克多·迪米基爾(Victor DeMiguel)和拉曼·尤博爾(Raman Uppal)與得克薩斯大學的洛倫佐·蓋勒普(Lorenzo Garlappi)從投資的角度研究了“啟發式”。
每一個投資者，不論是專業投資者還是業余投資者，都要做出資產分配的決策。投資組合的表現往往用報酬波動的比例來評判，如夏普比率(Sharp Ratio)或如確定性等價回報(CEQ)等其他指標。迪米基爾與合作者對6個歷史數據庫進行測試，想從14種投資組合構建的方法中找出具有最高的夏普比率、確定性等價回報和最低收益的一種。他們測試了基于復雜數據構建的投資組合，結果證明，14個優化模式沒有一個能在夏普比率、確定性等價回報或收益上一直優于1/N啟發式。例如，在研究夏普比率時，72個案例中僅有6例優于1/N啟發式；對于確定性等價回報，在72個測試中只有兩例優于1/N啟發式；至于收益，只有一個策略優于1/N啟發式—即掌握市場而不是控制交易。人們可以花數不清的時間建立最“專業”的投資模式，但這些模式卻沒能比《巴比倫塔木德》中支持的模式帶來更大收益。
啟發式的生命力和透明度
分辨一種決策是不是“啟發式”，有一個方法是看其是否“快速節儉”—快速節儉的啟發式運用起來比較快捷，不需要進行大量數據的搜集和分析，且預測準確。但是，如果認為最簡單的決策方式就是最好的決策方式，那就大錯特錯了。愛因斯坦在1934年指出：“所有理論的最高目標是使不可約的基本元素盡可能簡單、盡可能少，且不用放棄經驗唯一基準的充分代表。”這句話通常被簡化成：“凡事應該求簡，但不要過分簡化。”這個簡述恰如其分地表達了愛因斯坦要傳達的意思。
啟發式因其簡明而更有生命力，其簡明性是通過開發人類不斷發展的感知能力實現的。但是，并非所有的啟發式都可以準確地預測未來，當代研究者的課題就是了解何種啟發式最適合解決何種問題。
啟發式的簡明性不僅能產生生命力，還能產生透明度。如今世界有一個很大的危險就是，金融、經濟、市場營銷和戰略規劃等領域的經理人經常使用的復雜方法，很可能僅僅只是打動別人的幌子，最終將成為自己的終結，不能為市場提供一點兒額外的活力。領導者有時候宣揚復雜性而非透明度，除了要打動別人之外，還因為他們相信讓股東知道自己有最先進的方法來解決重要問題，這樣可以讓股東更為安心。但預測的失敗—如未能預測到的經濟衰退—卻隨著時間的推移變得日益顯著。一些極端事件足以告訴人們：在預測質量不相上下的情況下，相信透明的預測(它的局限也是透明的)比相信復雜的預測(其局限也難以理解)更為安全。
在本文的開頭，假設了一位心臟有問題的病人剛被送入醫院，由此提出疑問：“是把病人安排到冠心病監護病房，還是把他安排到常規護理病房以監測病人的情況？醫生該如何去做這種決策呢？”盡管企業領導者每天做的決策可能不像醫院急診那么緊迫，但我要提醒一下：在經濟前景不明朗、競爭日益激烈的時期，你或你所在公司的其他經理人可能很快就要做出事關企業未來健康發展的生死攸關的決策。你能否回答這兩個問題：管理者會怎么決定呢？他們又該如何去做這種決策呢？
