商业中的满意决策:如何故意做出足够好的决策,以及何时应当追求最大化
满意化——赫伯特·西蒙的术语,结合了满足和足够——是一种决策策略,定义最低接受标准(期望水平),搜索直到一个选项满足这些标准,然后停止。这并不是妥协:一旦计算了搜索成本,停留在“足够好”上对于大多数商业决策来说是优化的选择。证据:Iyengar、Wells和Schwartz(《心理科学》,2006年)发现,追求最大化的求职者起薪高出约20%,但在整个过程中满意度较低且更消极;更广泛的最大化文献将最大化与更多的遗憾和较低的幸福感联系在一起。最优停止的数学(秘书问题中的37%规则)证明,即使在理论上,最优搜索也只查看一小部分选项。故意满意化的步骤:(1)在看到选项之前定义期望水平,(2)设定搜索预算,(3)根据标准顺序评估选项,而不是相互比较,(4)选择第一个通过的选项,(5)记录标准和推理,然后继续。何时选择最大化:杰夫·贝索斯2015年股东信中的区分——类型1决策(单向门,不可逆)值得慢慢、深思熟虑地最大化;类型2决策(双向门,可逆)应快速做出,使用大约70%你希望拥有的信息。大多数商业决策属于类型2。
在求职研究中,坚持寻找最佳工作的人员收入大约高出20% — 但对他们的工作和求职过程感到更糟。这就是一种结果的最大化权衡:真实的搜索成本、边际收益、主观遗憾。诺贝尔奖得主赫伯特·西蒙将另一种选择称为满意化 — 这是一种学问,而不是一种随意的态度。
- 首先定义足够好。 在你看到选项之前写下的期望水平是整个诀窍——之后设定的标准会围绕着偏好而弯曲。
- 根据标准进行评估,而不是与其他选项进行比较。 顺序的通过/失败优于不断增长的比较电子表格。
- 在第一次尝试时停止。 最优停止的数学表明,即使是完美的搜索也只会查看一部分选项——你的电子表格永远无法看到所有选项。
- 为单向门最大化保留。 贝索斯的第一类/第二类规则:不可逆的决策需要深思熟虑,可逆的决策则需要快速 — 需要大约70%你希望拥有的信息。
- 记录并继续前进。 记录的标准和推理过程使团队能够信任这个停止。
一个人证明了你无法做出完美的决策,告诉你该做什么,然后在同样的原则下构建了第一个人工智能。关于赫伯特·西蒙的三个相关部分:理论、实践和机器。
- 1.Herbert Simon Won a Nobel Prize for Proving You Can't Make Perfect Decisions. Here's What to Do Instead.
- 2.Stop Searching for the Perfect Decision. Nobel Prize Research Says "Good Enough" Wins.您在这里
- 3.The Decision Theorist Who Co-Founded AI: How Herbert Simon's Christmas Thinking Machine Changed Everything
在现代商业中,最有文献记录的满意规则出现在一封股东信中。在他2015年的信中,杰夫·贝索斯将决策分为两种:类型1 — 结果显著、不可逆转或几乎不可逆转的单向门,需要系统地、仔细地、缓慢地做出决策 — 和 类型2 — 可变的、可逆的双向门,在这里,次优的选择可以简单地撤回。他的诊断是:随着组织的成长,他们在所有事情上都运行沉重的类型1流程,结果是缓慢和创新能力下降。次年的信中增加了一个数字:大多数决策应该在大约 70% 你希望拥有的信息 的基础上做出。
贝索斯在写操作建议,但他重申了一个诺贝尔获奖的结果。赫伯特·西蒙在1950年代证明,彻底搜索最佳选项并不是理性决策的表现——对个人、对组织,甚至在原则上都是如此。他将实际策略称为满意:满足加足够。定义什么是“足够好”,搜索直到找到它,然后停止。
现在看看您所在组织中当前打开的比较电子表格——十四个供应商,四十个标准列,一个不断重新安排的决策会议。本文讨论的是为什么这个电子表格通常是一个昂贵的错误,证据表明它给构建它的人带来了什么成本,以及如何故意地满足满意——包括那些您确实应该最大化的情况。所有这一切背后的理论有其自己的伴随文章:西蒙的有限理性。
决策者可以通过为简化的世界找到最佳解决方案来满足需求,
或通过为一个更现实的世界找到令人满意的解决方案。
— 赫伯特·A·西蒙,诺贝尔纪念讲座(1978年12月8日)
做得更好,感觉更糟:最大化实际上带来了什么
经典的测试追踪了大学生在最后一年求职过程中的表现。Sheena Iyengar、Rachael Wells 和 Barry Schwartz 测量了谁将求职视为最大化者——决心找到最佳工作——以及谁根据自己的标准满足于现状。最大化者在纸面上获胜:起薪约高出20%。而在其他方面他们却失利:对所获得的工作不太满意,整个过程中更悲观、压力更大和后悔更多(心理科学,2006——论文标题就说明了这一点:做得更好但感觉更糟)。
更广泛的最大化文献,从施瓦茨2002年的原始研究到最近的综述,重复了这一模式:最大化倾向与更多的遗憾、更多的决策困难、更多的抑郁和更少的生活满意度相关——而遗憾造成了很大伤害。20%的薪资提升是真实的金钱,可能在职业转折点上值得一次尝试。作为团队的默认操作模式,最大化以复合的主观和组织成本换取边际的客观层面收益:决策变慢、决策者疲惫,以及每个人都在怀疑的选择,因为这个过程承诺了最佳,而最佳是不可证伪的。
数学从未站在电子表格的一边
即使搜索没有遗憾,但也不是没有时间——而何时停止搜索的数学在理想情况下有一个确切的答案。在经典的秘书问题中(一次查看一个候选人,不能回头),可证明的最佳策略是观察前37%的选项而不做承诺,然后选择第一个比之前看到的所有选项都好的候选人。不是100%。不是大多数。三十七个百分点——这就是在旨在促进彻底搜索的环境中,最佳的策略。
真实的决策比定理更复杂,但其教训是可以转移的:理性搜索只检查选项空间的一部分并做出承诺。有三种力量保证这一点。搜索成本是真实的——每个评估小时都有机会成本。收益递减——第90百分位和第95百分位选项之间的差异很小且在缩小。而延迟会加重——一个决策所要服务的市场在决策完善的过程中会发生变化。一个执行了两个月的好决策通常胜过一个稍微更好的、但晚了两个月才到的决策。
满意框架:五个步骤
故意进行的满意化是一种过程,而这种纪律是前置的:
首先定义期望水平
在看到任何选项之前,写下最低标准:它必须做什么,预算上限,风险底线。在演示开始后写下的标准会围绕演示效果最好的选项进行调整。
2. 设置搜索预算
提前决定决策需要多少时间和多少选项——与风险和可逆性成比例。五个选项和两周的时间是一项政策;我们会在看到它不是的时候知道。
3. 按照标准顺序评估
每个选项都根据书面标准进行检查——通过或未通过——而不是与其他选项进行排名。跨选项比较使评估变成一个无界的比赛。
4. 进行第一次尝试
这是一个违反直觉的步骤,也是整个要点。当你清晰思考什么是重要的时,一个选项超越了你设定的标准。再看一眼,只是为了确认,重新开启了无限的搜索。
5. 记录,然后继续前进
记录标准、评估内容以及选择通过的原因,然后将团队的注意力转向下一个决策。记录是阻止重新审理的关键。
何时应当最大化:单向门
满意化是一种默认选择,而不是教条,例外正是贝索斯的第一类决策。在决策不可逆转或几乎不可逆转时(如收购、平台迁移、联合创始人);当选项空间足够小以至于可以实际列举时;当没有任何因素迫使加快速度时;或者当微小的质量差异在多年中累积时。这些决策值得全面的支持——广泛的搜索、结构化的辩论、反对者的意见、时间。
失败模式几乎从来不是对双向门的最大化不足。它是在双向门上运行单向门的过程——为一个你下个季度就可以更换的工具准备的十四个供应商电子表格。关键是分类:首先识别门的类型,然后选择过程。产品团队会在其他名称下识别出满足性——最小可行产品(MVP)、迭代、Reid Hoffman 著名的建议:一个不会让你感到尴尬的首个版本发货太晚。敏捷是应用于范围的满足性:发货足够好,学习,调整——因为通过发货获得的市场教训比你等待所能获得的打磨更有价值。
但如果我们错过了更好的东西呢?
你会的。这并不是满足性选择的缺陷——这是关于选项空间的一个事实,对最大化者也是如此。总会有另一个供应商、另一个候选人、另一个框架;排除所有这些的全面搜索是不会终止的。最大化并不能缩小差距,它只是将停止的时刻推迟,并提高了其成本。
而恐惧指向错误的方向,因为遗憾数据与追求最大化的人相悖,而不是与满足者相悖。那些最决心不想错过更好选择的人,研究发现他们对所选择的东西最不满意。合理的期望水平是对恐惧的诚实回答:如果确实会错过某些重要的东西,它就应该 在标准中 — 然后满足者比开放式搜索更好地保护它,因为标准是写下来的并且会被检查,而不是漂浮在空气中。
剩余风险是真实存在的,但有所不同:期望水平可能设置得不当。过低,你就接受平庸;过高,则什么都无法通过——这就是穿着流程外衣的决策瘫痪。校准来自记录:当你记录标准和结果时,你会发现哪些标准是错误的并进行调整——这就是决策日志的目的。
问题从来不是是否有更好的东西存在。
这取决于找到它是否值得搜索的成本。
满意计算,压缩版
诊断问题
您桌子上的哪个决定是一个双向门,而正在通过您的单向门流程进行处理——到目前为止,这个延迟已经造成了什么损失?
Argumentree 的适用范围
满足的最难部分不是理解它——而是信任停止。团队不断寻找,因为没有人能看到标准确实被达成。Argumentree 使停止变得可信:标准存在于一个所有人都能在选项到来之前看到的共享结构中;每个选项的支持和反对论点被列出并评分,而不是从记忆中重新争论;而记录——标准、评估、推理——得以保留,因此每当有人听说一个更光鲜的替代方案时,决策不会被重新开启。
可见的标准、权衡的论据、持久的记录:这就是一个“足够好”成为一个可辩护标准而非充满希望的耸肩的环境。
从一个决定开始
选择一个你们团队目前正在优化的决策。对这个选择进行分类——如果是可逆的,写下标准,设定预算,进行第一次评估,并记录下来。你在停止时感到的不适并不是做错了什么的感觉;而是做了不同的事情的感觉,背后有诺贝尔奖、停止定理和一堆遗憾研究。
西蒙的标准从来不是平庸,而是可靠性:那个始终做出良好决策的组织,始终胜过偶尔做出完美决策的组织,因为后者根本不存在。
目标不是最大化决策质量,而是在正确的速度下提供足够的质量,并且可靠地交付。
使足够好的东西变得可辩护
共享标准、权衡论据和永久决策记录——使团队能够自信地停止搜索的基础设施。
来源与进一步阅读
- 西蒙,H. A. (1978)。商业组织中的理性决策。诺贝尔纪念讲座,1978年12月8日引述的来源 — 决策者可以满足的两种方式。
- Iyengar, S. S., Wells, R. E. & Schwartz, B. (2006). 做得更好但感觉更糟:寻找“最佳”工作削弱了满意度。心理科学, 17(2), 143–150求职研究:追求最大化者的起薪高出约20%,但满意度和情感较低。
- 施瓦茨, B., 沃德, A., 蒙特罗索, J., 柳博米尔斯基, S., 怀特, K. & 莱曼, D. R. (2002). 最大化与满足: 幸福是一个选择的问题. 人格与社会心理学杂志, 83(5), 1178–1197最初的最大化研究将最大化与遗憾、抑郁和较低的生活满意度联系起来。
- Misuraca, R. & Fasolo, B. (2018). 数字时代的最大化与满意化. 个性与个体差异, 122, 152–160对最大化者/满意者证据及其测量争论的回顾。
- 亚马逊.com 2015年致股东的信(杰夫·贝索斯)类型1/类型2决策的区别——单向门和双向门——在冷开场中提到;约70%的数据出现在下一年的信中。
- Ferguson, T. S. (1989). 谁解决了秘书问题?统计科学, 4(3), 282–28937%规则背后的最优停止文献。
常见问题解答
在商业中,满意满足(satisficing)是什么意思?
满意化意味着为决策定义最低接受标准——一个期望水平——搜索直到一个选项满足这些标准,然后停止。这个术语是由诺贝尔奖得主赫伯特·西蒙创造的,来源于“满足”和“足够”,描述了在时间、信息和注意力有限的情况下的理性策略:对于大多数商业决策,继续搜索的成本超过了边际上更好发现的价值。
满足是否只是妥协于更少?
不。满意化优化了完整的决策,包括决策的成本。一个在两周内选择了足够好的工具并执行的团队胜过一个在三个月内找到一个稍微更好的工具的团队,因为延迟本身就是一种成本。妥协是接受一个不符合你标准的选项;满意化是拒绝在一个选项已经不符合标准后继续为搜索付费。
最大化反效果的证据是什么?
在Iyengar、Wells和Schwartz的2006年求职研究中,追求最大化的人获得的起薪比满足者高出约20%,但对工作的满意度较低,并在整个求职过程中经历了更多的负面情绪。自Schwartz 2002年研究以来,广泛的文献一致将追求最大化的倾向与更多的遗憾和决策困难以及较低的幸福感联系在一起——客观上更好,主观上更差。
你什么时候应该追求最大化而不是满足于足够?
在杰夫·贝索斯2015年的股东信中,最大化类型1决策:不可逆或几乎不可逆的有重大影响的单向门,选项空间足够小以便列举,延迟成本低,质量差异会在多年中累积。对类型2决策——可逆的双向门——采取满意决策,这描述了大多数供应商、招聘、优先级和流程选择。
什么是37%规则?
这是最优停止数学中秘书问题的解决方案:当选项一个接一个地到来且无法重新考虑时,最优策略是先观察前37%的选项而不做承诺,然后选择第一个比之前看到的所有选项都好的选项。它的实际教训是,即使是可证明的最优搜索,在做出承诺之前也只会检查一小部分选项。
如何在团队中实施满意化决策?
五个步骤:在查看选项之前定义期望水平;设定时间和选项数量的搜索预算;根据书面标准顺序评估选项,而不是相互比较;选择第一个通过的选项;并记录标准和理由,以便决策不被重新审议。书面标准是防止目标变动的关键。
满意化与敏捷和最小可行产品(MVP)有什么关系?
敏捷是将满意化应用于产品范围:交付满足用户需求的增量,从现实中学习,进行迭代。最小可行产品是发布的期望水平。两者都基于西蒙的逻辑——延迟的成本(错过的学习、市场变化)超过了你可以稍后纠正的不完美的成本。
停止搜索。开始决定。
定义标准,权衡论点,保持记录 — 以可见过程的信心达到满意。
关于 Argumentree Team
Decision Science
The Argumentree team is building the collaborative decision-making platform Argumentree. Our mission is to transform how organizations make, document, and learn from decisions.

