編輯導語：概率是什麼？概率有必要學嗎？如何才能成為概率高手？本篇文章中，作者將教大家關於概率的一些知識，包括哲學概率和數理概率等方面，並通過所學知識應用到生活和工作中去，推薦想要學習概率的羣體閲讀。
你有必要學下“概率”，為什麼？
儘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險甚至保全財產損失，不妨我們來看幾個場景：
如果你知道35歲會因失業難找工作，會做什麼來應對那天的到來？這次創業失敗虧的一地雞毛，回到開始那天你會避免什麼？
打卡晚於標準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，天氣預報説降雨概率只有1/3結果你還是被幸運抽中”；種種問題怎麼辦？很多人會説怕失業趕緊積累、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“後悔藥”；因此自身就要跟隨發展增加做一件事的概率權；它是什麼？
從廣義來説，概率是種機會或機遇，它是把“時間”發展當做固定線，以次作為橫軸來研究某個隨機現象的數量規律，採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，概率不僅是定義這麼簡單，偶然性和不確定性的概念像文明本身一樣古老。
我們也不得不應付天氣、食物供應和環境或其他方面的不確定性帶來的困擾，那就無解了嗎？並不是。自身可以根據事件形成過程中的概率值來進行利弊衡量。
一、概率大類談論概率值之前，不妨先思考下“什麼時候需要用到“概率計算”或者説“概率思維”？其實它出現在各種“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，為什麼就會讓人有複雜化的感覺呢？
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」。
這背後其實闡述的人掌握的信息面不同，對確定性的預測也不同，因此會產生三門悖論（Monty Hall problem）的錯覺。
也就是説，自身所接受的信息會習慣基於已知來融入對某個概念的理解或融合加工後，對別人闡述，最後就顯得複雜化；反之假設你掌握全部信息，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“概率空間”剛好回答此問題，它是什麼呢？具體的説，概率的公式定義指定一個三元組（Ω，F，P）。
一個總測度為1的空間是（Ω=1），其中Ω是樣本空間，F是事件域，P是定義域為F、值域為「0,1」的一個集合函數，滿足非負性、規範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：
告訴你某個同學的學號是23542，問他/她的性別多少？關於此人信息除學號外，其他完全無知的，那麼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後男女比例分別是51.24%和48.76%，那麼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，並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。
可以看出隨着你的信息量變多，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，不論創業投資還是日常工作，我們是怎麼進行判斷的呢？
根據研究主要分為兩種類型：
- 基於信息（information-based）
- 基於數據（Based on data）
假如現在掏出一枚硬幣拋到空中，正面朝上的概率有多少？我想多半的人會説50%對不對？真的是這樣嗎？未必；雖然結果偏差不大，但判斷方式卻有天壤區別。
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；也就是説，你認為它雖然只有正反兩面但實際得到的結果並不是均值。
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（經驗）做出的認知決策，它被稱為“基於信息”的判斷，代表的是大體客觀，但不會絕對準確。
現實的案例就是，日常工作中絕大多數決策也是依靠“信息客觀性”來進行決策，有時概率為什麼會很低呢？
這源於信息本身的“準確性不高”或者“判斷參考維度狹義”造成的，以導致一聽就懂，一做就錯。
或者説，我們看到別人創業按照此方法論就能成功，為什麼自己去嘗試時發現問題如此之多呢？我們只關注了表現，而忽略內在動態因素。
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，數據是最好的話語權，對不對？
來，我們把它拋100次計算“正反面”出現的概率，然後取第100次-110次中間出現的概率做決策行不行，但你還會發現它不公平，裏面會出現偶然性狀態，如連續出現“正面或反面”或居然有側立的狀態。
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？
根據我們所掌握的信息，沒辦法在兩種可能的結果之間做出精準的選擇，那是因為兩種結果都同樣的“鮮活”；我把這一切説成關於數據的事情，也稱為“基於數據”的判斷，它代表着偶然。
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，在兩類關於概率的討論和解釋之間存在着更多具體的差別。
此時全部信息已經掌握，我在問你，硬幣得到“正反立三面”概率是多少？你可能會基於數據分析回答，是不是。
非常棒你成功從某種經驗中掌握了信息，下次玩該遊戲時它會調取你的記憶，你會基於信息做出判斷，依次循環。
總而言之，我們可以得到什麼結論呢？
人所有的選擇都是在基於“信息”和“數據”兩者之間，通過這兩種方式可以解釋一切關於“概率”的討論，或者説是關於數據的事情和依賴於人的信息狀態的事情。
一方面代表經驗認知儲備度、準確率；另一方面代表數據測量分析帶來的結果；在學術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，也會出現相互輔助的作用。
但這不代表自身所掌握的所有信息和數據都絕對準確，當中可能會出現邏輯、歸因、盤算錯誤等情況發生。
於是學術界又將“基於信息”的解釋分為邏輯的、主觀的、羣體的等三種類型，也稱為“哲學邏輯”。
在此之上將基於“實踐”的分為條件概率、先驗後驗、全概率、貝葉斯模型四大角度，也是“數理邏輯”。
二、哲學概率不論數理還是哲學，對於概率的區別一定離不開「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。
首先，邏輯是由推理和論證構成，內容是什麼呢？
一個或多個信念被用來支持另一個信念，或説是多個論據用來支撐某個觀點；推理是過程，邏輯是結果，兩者相輔相成。
1. 什麼是邏輯概率？你可以理解成，它關心的是以最基礎的方式刻畫，如推論、理性思維、真理和思維內容這樣的概念，並嘗試用現代形式邏輯建模它們，其中當中概念不乏論斷、統一、否定、存在性、必然性、定義等。
是不是比較難理解，舉個例子：
最近週末經常和朋友玩狼人殺，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。
遊戲以白夜交替方式進行，夜晚所有人閉眼狼人殺人；白天依次發言篩選誰是狼人最後投票選出一個人；此人死後進入下一輪。
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。
因此邏輯上的概率權它本身是種「歸納和演繹」，在經典意義上一個論證A被演繹有效，那演繹的結果就相對保真而非絕對；換句話説，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只天鵝後，結論是所有天鵝都是白色的。
將“邏輯”和“概率”結合的想法看似可能很奇怪，畢竟邏輯關注絕對正確，而概率關注不確定性，前者提倡定性結構的觀點，而概率是定量數值的變化。
但幾位傑出的理論家，如De Morgan (1847), Boole (1854),都強調兩者之間緊密的關係。
甚至它們覺得通過整合“定性邏輯”和“數值概率”論互補的視角，能夠對推理(inference) 提供高度表達性的描述. 因此, 它們被應用於所有研究推理機制的領域 (如哲學、人工智能、認知科學和數學)。
這個問題歷史上比較複雜，它有兩種答案：
其一：現實中，定義為“建立在已有信息和邏輯基礎的客觀判斷”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：按照量子力學的觀測理論來説，“觀察者”是一個獨立於理論之外的概念，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。
它和美國科學哲學家漢森提出的“觀點滲透理論”相似；在上述中我們提到“邏輯概率”的形成，按照此立場來説，科學知識的基礎必定是觀察，而一切理論的基礎是根據觀察結構的建構。
比較難理解，舉個例子：
就那拋硬幣來説，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，然後你看着硬幣被一次一次拋，主導關於硬幣的信息越來越多，於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，但隨着實驗次數增加，多到讓你厭煩，你才會相信它朝上的概率是1/3。
有沒有發現，硬幣誰拋呢？獨立的個人就能決定概率的大小嗎？並不能；但可以知道的是，人類的一切知識都奠基於、來自於存粹的經驗，這種存粹的經驗被稱之為“the given”或“所予”。
真正能夠作為一切知識基礎的經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。
因此，作為the given的經驗獨立於任何人的情緒，主觀判斷和喜好，甚至思考與修正等造成的偏差，具有絕對的準確性和客觀性。
如果加上嚴格的邏輯推理和分析，也就保證了依此為基礎的知識的精準和客觀，這也是邏輯經驗主義的最終目的。
總而言之，人們在面臨不確定性時做出的決策多半是“主觀概率”，在有些情況下，主觀概率和客觀概率的分佈非常接近，但人們無法知道真實的概率。
這時他們就根據自己掌握的信息和知識形成一個“主觀的概率”分佈，並去做決策。
羣體概率是什麼？
我想通過名字你能略聽一二，沒錯；羣體概率就是依靠羣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。
個人擁有信念，或者説每個人對自己的信念都有“確信程度”，這也是目前多半哲學家認可的觀點；這背後其實代表一套規則，有三個維度：
第一方面，唐納德·吉列斯（DonaldGillies 1991）認為我們想參考某個羣體的決策首先觀察這解釋背後的動機是什麼？然後在轉向羣體層面。
比如：你是名管理者，首要目標是完成項目報告並保證質量；但現在距離下班還有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“習以為常”和“本能反應”的基礎上，這是因為每個人都有不同性格特徵，背後實則反應的是“個人態度（想法）”
第三方面，如果沒有經過“羣體商議“的狀態下，人在個人態度中所生成的主觀意識的過程為第一重構，但經過語言或思維的碰撞就會產生“二次重構”。
也就是説：“這當中肯定有人想法不同，但大家發完言後也只能少數服從多數；因此，羣體概率的反饋給我們的啓發是：
在日常中，“我們強烈的相信、極有信心、我們確信”，這些慣用語可以聽出羣體對所斷言的事情的“確信度”。
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羣體規則。
所以，我們能得到什麼呢？
以信息為基礎的判斷分為邏輯概率、主觀概率和羣體概率；我們只有通過經驗、認知，來把握它們的存在以及“值”。
好比馮·米澤斯（RichardvonMises1928：18）所述：
首先考慮世界的事物羣體決策，也就是經驗合體似乎是明智的，這不僅包含聚集現象，還把重複性事件進行篩選，如果加上邏輯判斷，概率也許會更大。
我把這一套也總結是“文科的思維模式”，在理科視角則會運用各種各樣的公式來計算事件概率，最普遍的是條件概率、先驗後驗、全概率和貝葉斯定理。
三、數理概率當代，數學是理解世界的方式，也是科學的基礎。
重大的科技進展無不與數字息息相關；沒有數學就沒有現在的“手機、電腦、人工智能、雲計算”，我認為四種理科概率可以加入日常學習進度中，它對你的未來會有所幫助。
擁有數理邏輯思維，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”。
它是什麼呢？
由英國數學家貝葉斯（( Thomas Bayes 1702-1761 )提出，主要用來描述兩個條件之間的關係，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，但是藴含了巨大能量。
它能做什麼呢？主要指在信息和條件有限的情況下，基於過去的數據，通過動態調整的方法幫助我們一步一步測算出事件發生的真實概率。
我儘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？注意這裏已經不同上述，“遲到”是一種事實結果，而造成遲到的原因可能是堵車。
那麼堵車就是影響結果的條件，這種情況下就屬於“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，那麼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，現實中經常出現在“受到什麼相關的事件影響，我們……”。
如：雷軍在創業之處用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，當時有評論説“世界上沒有任何一家業績下滑的公司能夠成功逆襲”。
經過戰略調整，2017年第二季度小米走出低估重回前五，在企業家論壇某次採訪中雷軍做了一些分享，他説：
過去一直專注線上而錯過線下換機潮，而高性價比是效率革命，當時專注電商，天大陷阱就在於“電商佔比零售總額的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。
這裏的事情A（手機銷量）與事情B（電商之佔商品零售額10%）就是相關事件，那條件概率邏輯上可以給我們什麼啓發呢？
當根據數理思考時，我們必須留意什麼是“給定”的，或者位於所討論的條件概率中動態方面究竟要被理解成什麼。
由因及果就是先驗條件概率，也就是知道原因，求結果的概率；跟先驗概率相反，我們由結果推導出原因的概率叫做“後驗概率”。
也就是，依據“結果信息”所計算出原因發生的概率，它是貝葉斯定理重要的基礎。
比如：我中午拉肚子啦，是因為昨天吃火鍋的概率有多大？；我們公司雖然業務今年下滑，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，我們求後驗概率和先驗概率的意義是什麼？因為傳統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複雜條件，那什麼是複雜條件呢？
比如，拉肚子這件事，昨天吃火鍋後晚上還喝了幾杯涼水，睡覺時還喝了牛奶，這是複雜的事件對不對？
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，那麼想求出拉肚子的概率，就可以將整個複雜時間拆分出幾個條件概率，這就是全概率。
關於如何計算這裏不做詳細追溯，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時，你可以依靠與事物特定相關的時間出現的多少，頻率去判斷其本質屬性的概率。
這個角度出發，可以得到什麼啓發呢？
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，信息出現頻率和準確度直接影響到“先驗概率和後驗概率”。
就像公司做一場營銷活動，當分析渠道拉新效果時，我們不能只針對結果做假設，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，數理邏輯和哲學邏輯相似，都講究“大前提”和“條件數”“準確率”三方面，那麼概率大就同等於“概率權”多嗎？其實未必；前者表述現在狀態，後者在推演未來。
要知道，我們所瞭解的每個概念都需要用在某個具體領域，這樣才能核算出概率權，因此有必要了解一個概念，“局部和整體的關係”。
四、局部和整體一個人和平台是種關係、一個人和公司是種關係、甚至公司和平台也是某種鏈接關係；但在這些關係中我們發現很難抓住“有效變量”。
換句話説：“努力看不到盡頭”不是努力的問題，而是沒有把它精細化，搞懂規則，因此想要形成關鍵變量離不開四個因素：
四者打包稱之為“局部”，即我所在什麼領域，它有多大規模、覆蓋情況和發展是什麼樣、行業整體分佈狀態如何。
和它所對應的是整體，位於主導地位統率着部分甚至影響到部分性能狀態的變化。
舉個例子：
在微信APP中平均分配多個版塊對不對，如公眾號、社羣、通訊錄、朋友圈等；看似無連接的功能基於用户量就會出現自組織湧現的狀態。
如果你知道公眾號總註冊數量和自己所在行業數量，那麼就可以清晰的計算出是否值得投入這門生意；或者分析完垂直領域內的內容營銷方式就可以進行“創新”對不對？
但這僅代表“局部”；按照統計學來説，一個行業的分佈狀態有：
第一方面：冪律分佈指行業整體中，極少的關鍵公司帶來絕大多數的收益，其他大多數普通事物只能獲取少量收益；平時經常説的馬太效應，長尾理論，帕累托法則和此意思相似。
就像短視頻平台的網紅，只有極少數能夠做到百萬粉絲收入過億，收入不超過五位數的卻有幾千萬。
它能説明什麼呢？行業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域或者“創新別人的事情”，千萬不要與大玩家進行重合。
這如同元氣森林在氣泡水市場打開新天地，實則是找到“巨頭痛點”，進行創新加上團隊效率的結果才起到“關鍵變量”。
第二方面：泊松分佈是法國數學家西莫恩·德尼·泊松(1781–1840) 於1837年提出，在實際生活領域有非常廣泛的應用；主要描述在某個時段或空間內隨機發生隨機事件次數的概率。
簡而概之，可以根據過去某個隨機事件在某段時間或者“空間”內發生的平均次數，預測隨機事件在未來同樣長的“時間、空間”內發生K次的概率。
例如，某家醫院在一定時間內到達的人數，超市收銀台在某段時間內結賬的人數等。
它告訴我們“留足冗餘”和“效率平衡”的重要性；比如參加參加一次會議，平均路上是30分鐘，這次最好準備45分鐘以保證不會堵車也能趕到。
換句話説，冗餘之後在整體中風險會顯著降低，凡事留後路就是這意思。
第三方面：它也叫“常態分佈”，基本上能描述所有常見的事物和現象，比如正常人羣的身高、體重、考試成績、家庭收入等等，這裏的描述是什麼意思呢？
就是説，這些指標背後的數據在整體中都會呈現一種“中間密集”，量變稀疏的特徵。
以身高為例，服從正態分佈意味着大多數人的身高都會在人羣的平均身高上下波動，特別矮或特別高很少見。
瞭解其基本思想後，我們需要掌握什麼要點呢？正態分佈是“連續型隨機變量分佈”的一類，對於連續隨機變量，我們不要關注“點概率”，而是要關注“區間概率”。
這如同飲料新品投放市場測試，10個人説不好喝不重要，重要的是看“海淀區”整個區域的分值。
通過這三種概率，我們可以得到什麼？
在一個整體行業市場中，自身所從事的領域和團隊代表“局部”，想要關鍵變量指數增長就要洞察行業分佈狀態。
追頭部沒有機會，那就在“正態”分佈當中做創新；同時注重泊松分佈，凡事給自身留後路，以便錯過機會進行加速調頭。
總而言之，整體是局部整合後的認知，我們也可以用理科概率中的“後驗概率”來推導每一步的計劃是否可行，足以建立高壁壘。
好了，説這麼多；基於此之上我們來總結下如何提高“概率權”，（基於現在的計算，對未來來的選擇權）？做好這些，可以解決個人70%關於發展的問題，甚至它可以讓你源源不斷增長。
五、三個方面生活中，許多人有一個非常好的習慣就是“幻想”，但他們往往過於關注期望狀態的本身而忽略掉“期望和現在”實際差。
同時還有一部人總認為自己做的很對，但經過時間的驗證發現是錯的，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“行為預測理論”，它可以幫我在不確定性狀態下做出行為的選擇，該理論有《思考快與慢》作者丹尼爾·卡尼曼提出，主要闡述什麼呢？
在損失時因為反射效應，人會偏向風險願意賭一把；比如“你現在和朋友玩撲克已經損失300元；現在有兩套方案，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，人會變得厭惡風險而保守；該理論在很早以前“查理芒格”誤判心理學中已經提到，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，正常人在規避風險時大膽的投入也是一種不錯的選擇；那“效用”是什麼呢？
該概率是丹尼爾·伯努利在解釋聖德堡悖論時提出，目的是挑戰金額期望值作為決策的標準，證明期望收益並不是人們做決策時的唯一衡量的標準。
這裏有兩個關鍵因素，分別是“邊際效用”和“最大效用原理”。
也就是説，在一個整體的範圍內，你的付出是不是隨着時間遞增出現財富（無形資產）增加，那就不可取，這也剛好和前景理論相媲美。
細節方面就包含自身對行業的理解，所做之事整體的市場評估，換言之，“你掌握的條件概率”越多，在判斷方面依據也就越準。
如果要用統計學的定義來解釋，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，我想假設你是名新手，把頻次和內容定位與“這類人羣”媲美，相信不到半個月你就被打垮，對不對？
因此大多數定律代表正確但未必“適合”；1909年紀德發表的《窄門》，它的扉頁上有這麼一句話“你們要努力進窄門，窄門很窄，進去的人也很少”；什麼意思呢？
人總是習慣性選擇寬門，可往後發現路越來越窄；而一開始選擇窄門的人，道路卻越發的寬廣。
這如同，公司做產品前期就想着把品牌做好，一磚一瓦把根基打牢，後面壁壘越來越高。
做自媒體前期就專注把“內容做好”，後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，少數不代表沒有機會。
3. 追求絕對優勢，而非優勢優勢都能理解，每個人或企業都有的能力或者產品；那絕對優勢(Theory of Absolute Advantage)是什麼呢？它也稱為“絕對成本説”。
該來源是英國古典經濟學派代表人亞當·斯密提出，當時主要用在產業革命當中，它深刻指出各國之間根據各自優勢的分工，通過國際貿易能使各國相互得力，本是分工提高生產效率的意義。
現在來説，我把它總結為“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勢。
比如，短視頻行業存量規模增長瓶頸，在各KOL，品牌方相互的博弈中，概率權對應的則是流量分配權，你想拿到更多籌碼，靠“某個視頻”是不長久的，怎麼辦？個人的IP和作品就是賭注。
再或者，統一競爭產品之間的QCDS（品質、成本、交期、服務）做的比較有競爭力，如果你能做到F（功能）QCDS，那就更有絕對優勢。
因此最好的商業模式其實是平台，它們掌握足夠的概率分配權，也是設計者。
當然，絕對優勢和少數定律兩者並不衝突，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的“選擇”。
比如，你35歲怕失業，在很早的時候就意識到要練就一份技能，或藉助某個機會讓自己快速成為“領域”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，不過是看未來，決策現在，形成複利，沉澱資產的綜合論述。
總結一下：
大多數人不知道自己還有其他可能性和可能性更大、結果更好的選擇，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，你會發現生活豐富多彩，有太多還不知道的事物等待着自身去探索，但始終記住兩點“這件事的概率會不會讓我變的更好”“它對未來有什麼幫助”。
#專欄作家#王智遠，公眾號：王智遠，暢銷書《複利思維》作者，人人都是產品經理專欄作家。互聯網學者，左手科技互聯網，右手個體認知成長。
本文原創發佈於人人都是產品經理。未經許可，禁止轉載。
題圖來自 Unsplash，基於CC0協議。