赌徒谬误：在噪声中危险的模式搜索

Source: Dev.to

1913年8月18日，在蒙特卡罗的一家赌场里，轮盘球先是落在黑色上。随后又再次落在黑色。等到它连续十五次落在黑色时，现场观众已经沸腾。赌徒们把数百万押在红色上，理由是轮盘“该”出现修正了。第十六次球仍然落在黑色。这个连胜一直持续到第27次旋转才结束。赌场因此赚得盆满钵满。

这就是 赌徒谬误——一种错误的信念，认为如果某个随机事件在一段时间内频繁出现，那么它在未来出现的频率就会降低。我们把宇宙想象成有记忆的，认为结果必须“回归均值”。实际上，每一次公平硬币的抛掷（或公平轮盘的旋转）都是相互独立的，每一次出现正面（或红色）的概率都是 50 %。

为什么我们会在随机噪声中发明模式？

我们渴求秩序和叙事结构，因此会拒绝连续事件可以保持独立的想法。

• 我们的大脑是模式识别机器，设计初衷是要在草丛中发现狮子。
• 真正的随机性让人感到危险；混沌让人不安。
• 当我们看到一组数据——比如连续三个正面——我们会编造一个故事：硬币很热，轮盘坏了，开关要换了。

这种倾向在小额赌注时无伤大雅，但当我们基于鬼故事去经营企业或分配资本时，就会酿成灾难。

这种谬误如何误导商业策略？

领导者错误地认为：

• 一连串的失败必然预示着未来的成功。
• 一连串的成功表明永久的技能。

例子 1 – 销售： 一名销售人员连续两个季度未达标。管理层认为他“该”迎来一次大单，坚信平均法则会导致反弹。如果市场已经转变，他的成交概率实际上可能更低，而“该赢”心态会让表现不佳的人坐在岗位上太久。

例子 2 – 市场营销： 一个营销团队因为 LinkedIn 广告连续三周没有效果而放弃该渠道。他们认为失败的连锁会预测未来的失败。然而，三周的糟糕表现可能只是小样本噪声。基于短期波动放弃策略的风险，和在所谓的热连胜上加码同样危险。

如何用真实的数学来治理决策？

1. 将每个事件孤立

首先，问自己这些事件是否相互依赖。

• 在纸牌游戏中——是。
• 在硬币抛掷中——否。
• 在大多数商业情境中——通常否。一次失败的销售电话并不会物理上阻止下一次电话。把每一次尝试视为全新的、独立的试验。

2. 要求统计显著性

• 当你的数据量很小，别对每日数据作出反应。
• 在只有 10 位访客的某天，转化率下降 50 % 只是噪声。
• 设定规则：在拥有至少 1 000 条数据点之前，勿更改策略。

这会迫使你忽视黑红连击，等待真正的模式显现。不要成为在轮盘前大喊大叫的人——要成为庄家。庄家不在乎连击，它只玩数学。