在認識什麼是「雜訊」以前，我們先玩個遊戲。首先，打開手機的碼表功能，不看螢幕、默數 10 秒按下停止鍵，目標是「產生 5 次 10 秒整的時間」。查看結果時，會發生兩種現象，一是 5 次的數秒幾乎都在 10 秒內，或是 10 秒以上完成。另一種是忽快忽慢型，呈現「11、9、12、13、8」這串成績。

第一種現象，你會知道調整的方向，數秒加快或減慢，《雜訊》將比較容易察覺的情況，稱為「偏誤」（bias）。但第二種情況沒有數秒的邏輯，可能讓你無從改起，這種稱為「雜訊」（noise）。

更具體的例子是，想像人們的決策就像打靶，理想上應全部射中靶心，但常見的狀況是彈孔都偏向靶心的一邊，就是偏誤，例如在有性別偏見的社會中，同樣的職位男性薪資較高，這是比較容易辨認的現象，如同讀秒常常偏快一樣。

然而，如果彈孔是分散在靶心的周圍，沒有一定的排列邏輯，就像忽快忽慢的讀秒狀況，就是雜訊。簡單來說，雜訊，是前後決策、判斷不一致。《雜訊》共同作者、諾貝爾經濟學獎得主丹尼爾．康納曼（Daniel Kahneman）認為，判斷誤差是由偏誤、雜訊造成的，但雜訊更難發現並清除。

加州大學河濱分校經濟系副教授厄茲坎．艾倫（Ozkan Eren），曾針對少年法庭數千件案子進行調查，發現法官在禮拜一的量刑會比較嚴格，可能與當地橄欖球隊周末輸球有關係。試想如果你是法官，很難相信自己會因為球隊輸球等因素，影響判決結果。

但是只要有判斷就會有雜訊，就像是 NBA 球星史帝芬．柯瑞（Stephen Curry）一樣，投三分球再怎麼準，還是有沒進球的時候，問題是我們能容許判斷中有多少的雜訊，以及哪些時候出現雜訊需要特別注意。

哪些雜訊要盡力剷除？影響營運、人的福祉決策

如果問題的答案有既定事實，像是「太陽東升西落」、「2021 年某上市公司的年營收」，由於有科學研究或可信度的公開資料佐證，不大會有判斷、答案分歧問題。

另一種是本來就不用強求答案一致，例如判斷與品味或偏好有關，像是喜歡哪部電影、愛吃哪間餐廳，不存在雜訊問題。還有一種是刻意讓雜訊出現，像團隊腦力激盪、思考產品開發方向，或是公司在執行投資新產業的決策初期時，領導者會希望同仁從不同角度提供看法，這是可接受出現不一致答案的時候。

如果雜訊會影響公司營運、人們福祉等判斷，就要盡力降低。舉例來說，同個病徵，A 醫師認定是良性腫瘤，B 確認是癌症，若病人相信 A 說法，實際上是癌症，豈不拖延就醫時間？

人們會因決策標準失準，或受偶發事件影響判斷

雜訊又可分 3 種類型：水準雜訊、型態雜訊、場合雜訊。要抓出干擾決策的因素，得先辨識雜訊的型態。當這 3 種雜訊出現，讓許多人對同個案件、同一事件出現判斷不一致狀況。

「水準雜訊」（level noise）是不同人對同類事件有不同標準。比方說，相信人有教化可能的法官在判決量刑上平均會偏輕，認為刑法要達到懲處目標的法官，平均判刑會偏重；在績效考核時，有的主管給分嚴格，認為 80 分就是最高分，有的則給分寬鬆，80 分是最低分。

第二種是「型態雜訊」（pattern noise），是指人們對特定事件的判斷變異。型態雜訊又可再細分，一是長期影響的判斷誤差，稱為「穩定型態雜訊」，比如仁慈法官的平均判刑雖然偏輕，但因為家庭背景或經歷，遇到欺負老人、虐待兒童的案件，量刑會加重；或是一向給分寬容的主管，碰到喜歡展現自我、發表意見者就給分偏低。

另一種雜訊是隨機、短暫影響的判斷誤差，稱為「場合雜訊」（occasion noise）。例如：同位法官對同樣的案件，理論上第二次的判決結果要跟第一次相同，但第二次判決時，法官因為當天支持的球隊贏球或撿到 100 元很開心，量刑結果就比第一次還要寬鬆。

場合雜訊來自於是情緒、審查順序及偶發因素。澳洲心理學家約瑟夫．福加斯（Joseph Forgas）研究指出，法庭上的目擊證人在心情不好時，比較不會被誤導性的訊息牽著走，相反的，人在情緒好的時候，則容易受個人的偏見左右。

審查順序的影響像是，你已經連續給了 3 篇文章乙等，下一篇文章也許程度差不多，就傾向給高分一點，來恢復某種形式的給分平衡。法國科研中心資深研究員丹尼爾．陳（Daniel Chen）研究發現，美國移民法庭的法官審理庇護案時，前 2 個案子都批准庇護案，下一個申請者過關的機率會減少 19%。

可偵測的雜訊能調整，個人判斷差異難察覺

偶發因素還包括：天氣、下班時間接近。明尼蘇達公衛學院助理教授漢娜．內普拉什（Hannah Neprash）研究指出，醫師會在門診快結束時，比較容易採取迅速治療疼痛的解決方案，像是開出鴉片類的止痛藥，而不是將病人轉到物理治療中心，即使2種處置方式都不會耽誤看診時間。

至於哪種雜訊對決策的影響最大？《雜訊》指出，系統雜訊中，型態雜訊占比會高於水準雜訊，推測原因是水準雜訊更容易被捕捉到，發現之後人們比較容易調整、修正。只要將每位法官判決的平均刑期，跟總體刑期平均比較，就知道誰傾向重判；或調出每個部門男女性的升遷比例，女性升遷率偏低者，代表主管可能有性別偏見。

但消除水準雜訊，就代表著全體決策接近完美、零誤差嗎？有時候要更進一步檢視數字背後代表的意義。例如某區透天房型的準確估價是 1000 萬，假設房地產專員小明對該房型的平均估價也是 1000 萬，水準雜訊看似為 0，但這個平均值的算法是，小明對其中一棟估價是 1500 萬、另一棟是 500 萬而來的。如此一來，房子由小明經手，還是會因為價錢太高而賣不出去，或是賠錢賣。

因此組織想減少個人的決策失準，可以透過同個案子重複決策，像是部屬的績效考核成績確認後，間隔 2 天後，再次重新評估分數；或是讓做同個決策的專業人員互換、交流，找到個人的判斷傾向。

不過，生活中還是會遇到「無前例可循」的單一決策，像領導人必須做出併購某間企業、投資新興領域的決定。此時雜訊會更難捕捉，《雜訊》建議大家利用「反事實思維」：想像如果是華倫．巴菲特（Warren Buffett）、比爾．蓋茲（Bill Gates）等跟自己不同背景和管理哲學的企業家，會不會同意這起併購案？

《雜訊》給的忠告是，無論你的決策問題是獨一無二，或是經常處理重複問題，像是不動產估價或績效考核，都要以減少決策變異為目標，從降低雜訊做起，單一決策的品質自然就會提升。