盡管提到這三個字會不自覺的把它往“賭博”上靠攏，可要知道，概率的知識能夠幫助人們避開不確定的風(fēng)險甚至保全財產(chǎn)損失，不妨我們來看幾個場景：

如果你知道35歲會因失業(yè)難找工作，會做什么來應(yīng)對那天的到來？這次創(chuàng)業(yè)失敗虧的一地雞毛，回到開始那天你會避免什么？

打卡晚于標準5分鐘會被罰款50元，今天早晨你肯定不會多睡那10分鐘，是不是？

這種類型問題還有很多，如“爬山前，天氣預(yù)報說降雨概率只有1/3結(jié)果你還是被幸運抽中”；種種問題怎么辦？很多人會說怕失業(yè)趕緊積累、失敗及時止損、遲到大不了下次不犯等。

其實這種成本很高，畢竟世界上也沒有“后悔藥”；因此自身就要跟隨發(fā)展增加做一件事的概率權(quán)；它是什么？

從廣義來說，概率是種機會或機遇，它是把“時間”發(fā)展當做固定線，以次作為橫軸來研究某個隨機現(xiàn)象的數(shù)量規(guī)律，采用不確定性推理或邏輯歸納的方式最終讓自身未來成功的權(quán)重增加。

如果不懂它很容易做出一些壞的決定，小事還能諒解但那些人生大事就不是“原諒”如此簡單的問題了。

實際上，概率不僅是定義這么簡單，偶然性和不確定性的概念像文明本身一樣古老。

我們也不得不應(yīng)付天氣、食物供應(yīng)和環(huán)境或其他方面的不確定性帶來的困擾，那就無解了嗎？并不是。自身可以根據(jù)事件形成過程中的概率值來進行利弊衡量。

概率大類

談?wù)摳怕手抵?，不妨先思考下“什么時候需要用到“概率計算”或者說“概率思維”？其實它出現(xiàn)在各種“大小場合”，只是沒有被人們所重視過。

比如：炒菜放多少鹽，早晨幾點起不會遲到，多久達到機場不會誤機等；一旦被正式提起，為什么就會讓人有復(fù)雜化的感覺呢？

一方面最直觀折射它不是「可確定性」的事件的變量，另一方面代表「成功或失敗的幾率」。

這背后其實闡述的人掌握的信息面不同，對確定性的預(yù)測也不同，因此會產(chǎn)生三門悖論（Monty Hall problem）的錯覺。

也就是說，自身所接受的信息會習(xí)慣基于已知來融入對某個概念的理解或融合加工后，對別人闡述，最后就顯得復(fù)雜化；反之假設(shè)你掌握全部信息，那一切都是確定的自然也就很容易精準回答。

概率論的基礎(chǔ)“概率空間”剛好回答此問題，它是什么呢？

具體的說，概率的公式定義指定一個三元組（Ω，F(xiàn)，P）。

一個總測度為1的空間是（Ω=1），其中Ω是樣本空間，F(xiàn)是事件域，P是定義域為F、值域為「0,1」的一個集合函數(shù)，滿足非負性、規(guī)范性可列可加性三個條件。

我想你看到公式肯定我和一樣頭疼，對不對。

總而言之就是，當你獲得的信息改變了，概念空間的ó-代數(shù)F也隨之改變，而概率測速P也變成了相對的概率測速，最終自身得到的概率也就變了。

舉個例子：

告訴你某個同學(xué)的學(xué)號是23542，問他/她的性別多少？關(guān)于此人信息除學(xué)號外，其他完全無知的，那么你只能得到一個概率，50%可能是男生，50%可能是女生對不對。

要是你聰明點，知道第七次全國人口普查后男女比例分別是51.24%和48.76%，那么你能得到更精準點的答案，51.24%他是男的。

如果我告訴你點額外信息，這個人叫王翠燕，并且你能知道中國名為（翠燕）的人中90%為女性，也許你可以得到一個更準確的答案，10%的概率為男。

可以看出隨著你的信息量變多，我們對同樣的問題給出的概率變化也是不同的，在大千世界中，不論創(chuàng)業(yè)投資還是日常工作，我們是怎么進行判斷的呢？

根據(jù)研究主要分為兩種類型：

1）基于信息（information-based），2）基于數(shù)據(jù)（Based on data）

先說前者：

假如現(xiàn)在掏出一枚硬幣拋到空中，正面朝上的概率有多少？我想多半的人會說50%對不對？真的是這樣嗎？未必；雖然結(jié)果偏差不大，但判斷方式卻有天壤區(qū)別。

不妨來看，這枚硬幣把它拋到“空中”受力是不均的，因為你不知道拋出者使用多大力氣在某一面；也就是說，你認為它雖然只有正反兩面但實際得到的結(jié)果并不是均值。

因此可以得出，“我知道得到正面的概率是50%，但這好像不公平”，所以，依賴人的信息狀態(tài)（經(jīng)驗）做出的認知決策，它被稱為“基于信息”的判斷，代表的是大體客觀，但不會絕對準確。

現(xiàn)實的案例就是，日常工作中絕大多數(shù)決策也是依靠“信息客觀性”來進行決策，有時概率為什么會很低呢？

這源于信息本身的“準確性不高”或者“判斷參考維度狹義”造成的，以導(dǎo)致一聽就懂，一做就錯。

或者說，我們看到別人創(chuàng)業(yè)按照此方法論就能成功，為什么自己去嘗試時發(fā)現(xiàn)問題如此之多呢？我們只關(guān)注了表現(xiàn)，而忽略內(nèi)在動態(tài)因素。

再說后者：

你知道拋硬幣居然也有不公平性所在，那有沒有更好的方法來避免呢？或許只能測算，數(shù)據(jù)是最好的話語權(quán)，對不對？

來，我們把它拋100次計算“正反面”出現(xiàn)的概率，然后取第100次-110次中間出現(xiàn)的概率做決策行不行，但你還會發(fā)現(xiàn)它不公平，里面會出現(xiàn)偶然性狀態(tài)，如連續(xù)出現(xiàn)“正面或反面”或居然有側(cè)立的狀態(tài)。

雖然你知道“正反代表決策或者依此為準”，想做到判斷方式完全準確，還是無解對不對？

根據(jù)我們所掌握的信息，沒辦法在兩種可能的結(jié)果之間做出精準的選擇，那是因為兩種結(jié)果都同樣的“鮮活”；我把這一切說成關(guān)于數(shù)據(jù)的事情，也稱為“基于數(shù)據(jù)”的判斷，它代表著偶然。

也許你對此定義有些含糊，但世間萬物本身就是這樣的，不信你思考對照下是不是？事實上，在兩類關(guān)于概率的討論和解釋之間存在著更多具體的差別。

此時全部信息已經(jīng)掌握，我在問你，硬幣得到“正反立三面”概率是多少？你可能會基于數(shù)據(jù)分析回答，是不是。

非常棒你成功從某種經(jīng)驗中掌握了信息，下次玩該游戲時它會調(diào)取你的記憶，你會基于信息做出判斷，依次循環(huán)。

總而言之，我們可以得到什么結(jié)論呢？

人所有的選擇都是在基于“信息”和“數(shù)據(jù)”兩者之間，通過這兩種方式可以解釋一切關(guān)于“概率”的討論，或者說是關(guān)于數(shù)據(jù)的事情和依賴于人的信息狀態(tài)的事情。

一方面代表經(jīng)驗認知儲備度、準確率；另一方面代表數(shù)據(jù)測量分析帶來的結(jié)果；在學(xué)術(shù)界哪個觀點正確也是眾所紛紜，如果用在判斷某件事概率面前，也會出現(xiàn)相互輔助的作用。

但這不代表自身所掌握的所有信息和數(shù)據(jù)都絕對準確，當中可能會出現(xiàn)邏輯、歸因、盤算錯誤等情況發(fā)生。

于是學(xué)術(shù)界又將“基于信息”的解釋分為邏輯的、主觀的、群體的等三種類型，也稱為“哲學(xué)邏輯”。

在此之上將基于“實踐”的分為條件概率、先驗后驗、全概率、貝葉斯模型四大角度，也是“數(shù)理邏輯”。

哲學(xué)概率

不論數(shù)理還是哲學(xué)，對于概率的區(qū)別一定離不開「邏輯」，這能避免別人在犯邏輯錯誤時如何正確指出其不合理之處，我們不妨參考下邏輯的組成部分。

什么是邏輯概率？

你可以理解成，它關(guān)心的是以最基礎(chǔ)的方式刻畫，如推論、理性思維、真理和思維內(nèi)容這樣的概念，并嘗試用現(xiàn)代形式邏輯建模它們，其中當中概念不乏論斷、統(tǒng)一、否定、存在性、必然性、定義等。

是不是比較難理解，舉個例子：

最近周末經(jīng)常和朋友玩狼人殺，以12人的標準局，除主持人外會分為狼人和好人兩大陣營，一般有4個狼人和8個好人；好人中有四個村民和四個神民，他們的共同目標就是成功。

游戲以白夜交替方式進行，夜晚所有人閉眼狼人殺人；白天依次發(fā)言篩選誰是狼人最后投票選出一個人；此人死后進入下一輪。

過程中就會運用到邏輯概率，通過別人面部肢體語言表達來洞察出誰是狼人，在狹小的空間和局部信息內(nèi)運用理性的判斷去嘗試建模完成一個狼人的虛擬形象，完成推導(dǎo)。

因此邏輯上的概率權(quán)它本身是種「歸納和演繹」，在經(jīng)典意義上一個論證A被演繹有效，那演繹的結(jié)果就相對保真而非絕對；換句話說，在有效的論證中前提的真保證是具有高度可能性。

如：看到1000只天鵝后，結(jié)論是所有天鵝都是白色的。

但幾位杰出的理論家，如De Morgan (1847), Boole (1854),都強調(diào)兩者之間緊密的關(guān)系。

甚至它們覺得通過整合“定性邏輯”和“數(shù)值概率”論互補的視角，能夠?qū)ν评?(inference) 提供高度表達性的描述. 因此, 它們被應(yīng)用于所有研究推理機制的領(lǐng)域 (如哲學(xué)、人工智能、認知科學(xué)和數(shù)學(xué))。

什么是主觀概率？

這個問題歷史上比較復(fù)雜，它有兩種答案：

其一：現(xiàn)實中，定義為“建立在已有信息和邏輯基礎(chǔ)的客觀判斷”就是“主觀概率”，俗稱一個人自我的判斷；通常指，自身的個人經(jīng)驗會滲透到某件事的觀察當中，進而造成整體概率的偏差。

其二：按照量子力學(xué)的觀測理論來說，“觀察者”是一個獨立于理論之外的概念，它不被理論所描述；因而觀察者本身就是一個物理事物，是一個獨立存在的視角和問題。

它和美國科學(xué)哲學(xué)家漢森提出的“觀點滲透理論”相似；在上述中我們提到“邏輯概率”的形成，按照此立場來說，科學(xué)知識的基礎(chǔ)必定是觀察，而一切理論的基礎(chǔ)是根據(jù)觀察結(jié)構(gòu)的建構(gòu)。

比較難理解，舉個例子：

就那拋硬幣來說，你第一次見硬幣時，會有對它正面朝上概率的主觀判斷1/2，然后你看著硬幣被一次一次拋，主導(dǎo)關(guān)于硬幣的信息越來越多，于是自身就會不斷修正你對這枚硬幣朝上概率的判斷。

這些就是主觀概率，原因是沒有人真正知道概率多少，但隨著實驗次數(shù)增加，多到讓你厭煩，你才會相信它朝上的概率是1/3。

有沒有發(fā)現(xiàn)，硬幣誰拋呢？獨立的個人就能決定概率的大小嗎？并不能；但可以知道的是，人類的一切知識都奠基于、來自于存粹的經(jīng)驗，這種存粹的經(jīng)驗被稱之為“the given”或“所予”。

真正能夠作為一切知識基礎(chǔ)的經(jīng)驗就是所希望獲取的世界給予的東西，我們只是接受它而不會對它有任何意義上的改變和加工。

如果加上嚴格的邏輯推理和分析，也就保證了依此為基礎(chǔ)的知識的精準和客觀，這也是邏輯經(jīng)驗主義的最終目的。

這時他們就根據(jù)自己掌握的信息和知識形成一個“主觀的概率”分布，并去做決策。

群體概率是什么？

我想通過名字你能略聽一二，沒錯；群體概率就是依靠群體的正確率來判斷概率的大小。這好比在工作中開會的場景，大家贊同與否舉手按照投票標準來核算。

1）主空間性，2）自然態(tài)度，3）二重構(gòu)造

第一方面，唐納德·吉列斯（DonaldGillies 1991）認為我們想?yún)⒖寄硞€群體的決策首先觀察這解釋背后的動機是什么？然后在轉(zhuǎn)向群體層面。

比如：你是名管理者，首要目標是完成項目報告并保證質(zhì)量；但現(xiàn)在距離下班還有30分鐘；你把所有同事喊在一起商量此事，他們反饋是“抓緊行動”；由此可以看出，下班的決心在驅(qū)動大家抓緊完成。

第二方面，普通事物的客觀性以及類型建立在“習(xí)以為?！焙汀氨灸芊磻?yīng)”的基礎(chǔ)上，這是因為每個人都有不同性格特征，背后實則反應(yīng)的是“個人態(tài)度（想法）”

另外抽樣式溝通會挖掘出每個人不同的想法，因為理性的人的信念與置信度服從一套群體規(guī)則。

所以，我們能得到什么呢？以信息為基礎(chǔ)的判斷分為邏輯概率、主觀概率和群體概率；我們只有通過經(jīng)驗、認知，來把握它們的存在以及“值”。

首先考慮世界的事物群體決策，也就是經(jīng)驗**似乎是明智的，這不僅包含聚集現(xiàn)象，還把重復(fù)**件進行篩選，如果加上邏輯判斷，概率也許會更大。

數(shù)理概率

當代，數(shù)學(xué)是理解世界的方式，也是科學(xué)的基礎(chǔ)。

重大的科技進展無不與數(shù)字息息相關(guān)；沒有數(shù)學(xué)就沒有現(xiàn)在的“手機、電腦、人工智能、云計算”，我認為四種理科概率可以加入日常學(xué)習(xí)進度中，它對你的未來會有所幫助。

擁有數(shù)理邏輯思維，它能讓自身清晰的算出做每件事成功的概率有多少？也可以在大腦中提前建立“認知框架”；最先需要認識的是“貝葉斯定理”。

它是什么呢？

由英國數(shù)學(xué)家貝葉斯（ ( Thomas Bayes 1702-1761 ) 提出，主要用來描述兩個條件之間的關(guān)系，先熟悉下它的公式：P(A|B）=P（B|A）.P（A）/P（B）。

我知道你一看公式就難受，但是蘊含了巨大能量。

它能做什么呢？主要指在信息和條件有限的情況下，基于過去的數(shù)據(jù)，通過動態(tài)調(diào)整的方法幫助我們一步一步測算出事件發(fā)生的真實概率。

我盡量用文科思維進行表述，它包含四個方面：1）先驗概率，2）條件概率，3）全概率。

方便理解，隨便舉兩個例子：

1）我最近10天有2次遲到，請問我今天遲到的概率有多少？很顯然，遲到事件發(fā)生的概率是2/10，也就是P（遲到）=1/5=20%，這就叫做先驗概率。

2）今天早上堵車，今天我遲到的概率是多少？注意這里已經(jīng)不同上述，“遲到”是一種事實結(jié)果，而造成遲到的原因可能是堵車。

那么堵車就是影響結(jié)果的條件，這種情況下就屬于“條件概率”，即P（A|B）；公式也比較簡單，即P(A|B）=P（AB）/P（B）。

比如我近10天遭遇5次堵車，其中兩次遲到，那么今天早上如果又堵車了，我遲到的概率就是40%，用公式計算是：P（遲到|堵車）=P（堵車且遲到）/P（堵車）=0.2/0.5

一般情況下，條件概率中的條件都是我們已知的，現(xiàn)實中經(jīng)常出現(xiàn)在“受到什么相關(guān)的事件影響，我們......”。

如：雷軍在創(chuàng)業(yè)之處用2年半的時間，把手機從零做到中國出貨第一，全球第三；然而在2016年時全球出貨量跌出TOP5，當時有評論說“世界上沒有任何一家業(yè)績下滑的公司能夠成功逆襲”。

經(jīng)過戰(zhàn)略調(diào)整，2017年第二季度小米走出低估重回前五，在企業(yè)家論壇某次采訪中雷軍做了一些分享，他說：

過去一直專注線上而錯過線下?lián)Q機潮，而高性價比是效率革命，當時專注電商，天大陷阱就在于“電商占比零售總額的10%”。

小米就算線上市場100%是自己的，可在整個市場依然是10%，意識到這點才建立零售店鋪，重整旗鼓。

這里的事情A（手機銷量）與事情B（電商之占商品零售額10%）就是相關(guān)事件，那條件概率邏輯上可以給我們什么啟發(fā)呢？

當根據(jù)數(shù)理思考時，我們必須留意什么是“給定”的，或者位于所討論的條件概率中動態(tài)方面究竟要被理解成什么。

由因及果就是先驗條件概率，也就是知道原因，求結(jié)果的概率；跟先驗概率相反，我們由結(jié)果推導(dǎo)出原因的概率叫做“后驗概率”。

也就是，依據(jù)“結(jié)果信息”所計算出原因發(fā)生的概率，它是貝葉斯定理重要的基礎(chǔ)。

比如：我中午拉肚子啦，是因為昨天吃火鍋的概率有多大？；我們公司雖然業(yè)務(wù)今年下滑，除市場競爭外，可能是高管團隊人不行；這種概率可以用來做原因推理。

很多人會有疑問，我們求后驗概率和先驗概率的意義是什么？因為傳統(tǒng)頻率是無法解決實際問題，實際問題中一般由多個條件組成的復(fù)雜條件，那什么是復(fù)雜條件呢？

比如，拉肚子這件事，昨天吃火鍋后晚上還喝了幾杯涼水，睡覺時還喝了牛奶，這是復(fù)雜的事件對不對？

如果我們知道引起拉肚子的所有事件，且這些事件都是相互獨立且互斥的，那么想求出拉肚子的概率，就可以將整個復(fù)雜時間拆分出幾個條件概率，這就是全概率。

關(guān)于如何計算這里不做詳細追溯，相信你也會看的頭疼。

這就是貝葉斯公式推倒的過程，核心思想是“當你不能準確一個事物的本質(zhì)時，你可以依靠與事物特定相關(guān)的時間出現(xiàn)的多少，頻率去判斷其本質(zhì)屬性的概率。

這個角度出發(fā)，可以得到什么啟發(fā)呢？

貝葉斯概率用在各種場景中，任何大事件形成的概率都是由各種“小事件”組成的，而事件代表信息，信息出現(xiàn)頻率和準確度直接影響到“先驗概率和后驗概率”。

就像公司做一場營銷活動，當分析渠道拉新效果時，我們不能只針對結(jié)果做假設(shè)，還要思考前提條件；這個前提條件的忽略可能最終影響自身對整個事情的判斷。

可見，數(shù)理邏輯和哲學(xué)邏輯相似，都講究“大前提”和“條件數(shù)”“準確率”三方面，那么概率大就同等于“概率權(quán)”多嗎？其實未必；前者表述現(xiàn)在狀態(tài)，后者在推演未來。

要知道，我們所了解的每個概念都需要用在某個具體領(lǐng)域，這樣才能核算出概率權(quán)，因此有必要了解一個概念，“局部和整體的關(guān)系”。

局部和整體

一個人和平臺是種關(guān)系、一個人和公司是種關(guān)系、甚至公司和平臺也是某種鏈接關(guān)系；但在這些關(guān)系中我們發(fā)現(xiàn)很難抓住“有效變量”。

1）領(lǐng)域，2）團體，3）分布定律，4）發(fā)展狀態(tài)

如果你知道公眾號總注冊數(shù)量和自己所在行業(yè)數(shù)量，那么就可以清晰的計算出是否值得投入這門生意；或者分析完垂直領(lǐng)域內(nèi)的內(nèi)容營銷方式就可以進行“創(chuàng)新”對不對？

但這僅代表“局部”；按照統(tǒng)計學(xué)來說，一個行業(yè)的分布狀態(tài)有：1）冪律分布，2）泊松分布，3）正態(tài)分布

第一方面：冪律分布指行業(yè)整體中，極少的關(guān)鍵公司帶來絕大多數(shù)的收益，其他大多數(shù)普通事物只能獲取少量收益；平時經(jīng)常說的馬太效應(yīng)，長尾理論，帕累托法則和此意思相似。

就像短視頻平臺的網(wǎng)紅，只有極少數(shù)能夠做到百萬粉絲收入過億，收入不超過五位數(shù)的卻有幾千萬。

它能說明什么呢？行業(yè)中永遠都有二八定律，如果想跑到前面，就要思考別人沒有做過的領(lǐng)域或者“創(chuàng)新別人的事情”，千萬不要與大玩家進行重合。

這如同元氣深林在氣泡水市場打開新天地，實則是找到“巨頭痛點”，進行創(chuàng)新加上團隊效率的結(jié)果才起到“關(guān)鍵變量”。

第二方面：泊松分布是法國數(shù)學(xué)家西莫恩·德尼·泊松 (1781–1840) 于1837年提出，在實際生活領(lǐng)域有非常廣泛的應(yīng)用；主要描述在某個時段或空間內(nèi)隨機發(fā)生隨機事件次數(shù)的概率。

第三方面：它也叫“常態(tài)分布”，基本上能描述所有常見的事物和現(xiàn)象，比如正常人群的身高、體重、考試成績、家庭收入等等，這里的描述是什么意思呢？

以身高為例，服從正態(tài)分布意味著大多數(shù)人的身高都會在人群的平均身高上下波動，特別矮或特別高很少見。

了解其基本思想后，我們需要掌握什么要點呢？正態(tài)分布是“連續(xù)型隨機變量分布”的一類，對于連續(xù)隨機變量，我們不要關(guān)注“點概率”，而是要關(guān)注“區(qū)間概率”。

通過這三種概率，我們可以得到什么？

追頭部沒有機會，那就在“正態(tài)”分布當中做創(chuàng)新；同時注重泊松分布，凡事給自身留后路，以便錯過機會進行加速調(diào)頭。

總而言之，整體是局部整合后的認知，我們也可以用理科概率中的“后驗概率”來推導(dǎo)每一步的計劃是否可行，足以建立高壁壘。

三個方面

生活中，許多人有一個非常好的習(xí)慣就是“幻想”，但他們往往過于關(guān)注期望狀態(tài)的本身而忽略掉“期望和現(xiàn)在”實際差。

同時還有一部人總認為自己做的很對，但經(jīng)過時間的驗證發(fā)現(xiàn)是錯的，均逃不過這三個方面。

1）前景思維選擇，期望效用決策

我更喜歡把“前景理論”稱為“行為預(yù)測理論”，它可以幫我在不確定性狀態(tài)下做出行為的選擇，該理論有《思考快與慢》作者丹尼爾·卡尼曼提出，主要闡述什么呢？

在損失時因為反射效應(yīng)，人會偏向風(fēng)險愿意賭一把；比如“你現(xiàn)在和朋友玩撲克已經(jīng)損失300元；現(xiàn)在有兩套方案，A方案150元會損失；B方案150元能贏得雙倍，這時你會選擇哪個呢？大概率會選其二。

其次在收益時因為確定效應(yīng)，人會變得厭惡風(fēng)險而保守；該理論在很早以前“查理芒格”誤判心理學(xué)中已經(jīng)提到，最重要的是“理性的決策者”對得失的判斷不受任何參照物影響，普通人卻很難做到。

總之，前景思維告訴我們，正常人在規(guī)避風(fēng)險時大膽的投入也是一種不錯的選擇；那“效用”是什么呢？

該概率是丹尼爾·伯努利在解釋圣德堡悖論時提出，目的是挑戰(zhàn)金額期望值作為決策的標準，證明期望收益并不是人們做決策時的唯一衡量的標準。

這里有兩個關(guān)鍵因素，分別是“邊際效用”和“最大效用原理”。

也就是說，在一個整體的范圍內(nèi)，你的付出是不是隨著時間遞增出現(xiàn)財富（無形資產(chǎn)）增加，那就不可取，這也剛好和前景理論相媲美。

細節(jié)方面就包含自身對行業(yè)的理解，所做之事整體的市場評估，換言之，“你掌握的條件概率”越多，在判斷方面依據(jù)也就越準。

2）放棄大多數(shù)定律，追求少數(shù)

如果要用統(tǒng)計學(xué)的定義來解釋，可能就顯得有些繁瑣；我們用白話理解大多數(shù)定律也正是所謂的“很多人都在做的事情”；這當中有兩種概率：1）從事人多代表絕對正確，2）道路擁擠

舉個例子，做自媒體堅持每日推送的在百萬人，我想假設(shè)你是名新手，把頻次和內(nèi)容定位與“這類人群”媲美，相信不到半個月你就被打垮，對不對？

因此大多數(shù)定律代表正確但未必“適合”；1909年紀德發(fā)表的《窄門》，它的扉頁上有這么一句話“你們要努力進窄門，窄門很窄，進去的人也很少”；什么意思呢？

人總是習(xí)慣性選擇寬門，可往后發(fā)現(xiàn)路越來越窄；而一開始選擇窄門的人，道路卻越發(fā)的寬廣。

這如同，公司做產(chǎn)品前期就想著把品牌做好，一磚一瓦把根基打牢，后面壁壘越來越高。

做自媒體前期就專注把“內(nèi)容做好”，后面自然也不用與幾百萬競品同入洪流競爭，不是嗎；這也是“部分”和“整體”中的冪定律，少數(shù)不代表沒有機會。

3）追求絕對優(yōu)勢，而非優(yōu)勢

優(yōu)勢都能理解，每個人或企業(yè)都有的能力或者產(chǎn)品；那絕對優(yōu)勢(Theory of Absolute Advantage)是什么呢？它也稱為“絕對成本說”。

該來源是英國古典經(jīng)濟學(xué)派代表人亞當·斯密提出，當時主要用在產(chǎn)業(yè)革命當中，它深刻指出各國之間根據(jù)各自優(yōu)勢的分工，通過國際貿(mào)易能使各國相互得力，本是分工提高生產(chǎn)效率的意義。

現(xiàn)在來說，我把它總結(jié)為“條件相加的概率”或是“極致的壁壘性”；一個角度代表壁壘，一方面也要代表成本或其他優(yōu)勢。

比如，短視頻行業(yè)存量規(guī)模增長瓶頸，在各KOL，品牌方相互的博弈中，概率權(quán)對應(yīng)的則是流量分配權(quán)，你想拿到更多籌碼，靠“某個視頻”是不長久的，怎么辦？個人的IP和作品就是賭注。

再或者，統(tǒng)一競爭產(chǎn)品之間的QCDS（品質(zhì)、成本、交期、服務(wù)）做的比較有競爭力，如果你能做到F（功能）QCDS，那就更有絕對優(yōu)勢。

因此最好的商業(yè)模式其實是平臺，它們掌握足夠的概率分配權(quán)，也是設(shè)計者。

當然，絕對優(yōu)勢和少數(shù)定律兩者并不沖突，除了前景思維選擇和期望效用決策外，還有更多增加自身概率權(quán)的“選擇”。

比如，你35歲怕失業(yè)，在很早的時候就意識到要練就一份技能，或借助某個機會讓自己快速成為“領(lǐng)域”的專家拿到更多籌碼。

或者很早的時候就開始搭建自身的“副業(yè)之旅”，待年齡無法跨越時，第二曲線也剛好銜接上。

由此可見，所謂的提高概率權(quán)，不過是看未來，決策現(xiàn)在，形成復(fù)利，沉淀資產(chǎn)的綜合論述。

總結(jié)一下

大多數(shù)人不知道自己還有其他可能性和可能性更大、結(jié)果更好的選擇，而只是本能的選擇了自己原來知道的可能性。

不妨把時間拉長的看，你會發(fā)現(xiàn)生活豐富多彩，有太多還不知道的事物等待著自身去探索，但始終記住兩點“這件事的概率會不會讓我變的更好”“它對未來有什么幫助”。

祝好。

-END-