一个人做判断时，能力不够当然会出问题。但还有一种情况更危险：他过去足够成功，手里也有资源，于是很容易相信，这一次不能用普通人的经验来衡量。

"别人做不成，是因为他们不够强。我们不一样。"

这句话很有诱惑力。邹市明夫妇的创业经历，就提供了一个值得警惕的现实样本。

邹市明拿过两届奥运会拳击金牌，也是世界职业拳王。退役后，他和妻子冉莹颖开始创业，开设高端拳馆，后来又进入餐饮、电竞等领域。据多家媒体报道，他们的多个项目已经陆续关停，七年间累计亏损超过两亿元，夫妻二人为偿还债务卖掉了多处房产。邹市明后来在采访中提到，创业失败与过于依赖情怀、市场调研不足，以及一些不必要的开支有关。

我们不知道他们创业前看过哪些数据、做过什么测算，也不能因为后来亏了钱，就倒推当初的决定全都错误。这里不是要替他们做一次事后复盘，而是借这场公开的创业失败，追问一个更普遍的问题：如果重新站在投入之前，一个人该怎样判断，这个项目到底有多大机会成功？

创业者会说"我们的团队不一样"，求职者会说"我这次准备得很充分"，投资人会说"这家公司有别人没有的优势"。做过成功项目的人也可能觉得，上次能做成，这次资源更多，没道理不成。这些判断未必有错，但在听这些理由之前，我们常常漏掉一个更基础的问题：

像这样的项目，通常有多少能做成，行业的成功概率是多少？

基准率推理，就从这个问题开始。

为什么"像工程师"，还不足以判断他更可能是工程师？

卡尼曼和特沃斯基设计过一个经典实验。参与者被分成两组，第一组得到的信息是：样本中有70名工程师和30名律师；第二组正好相反，样本中有30名工程师和70名律师。

随后，两组人看到了完全相同的人物描述：这个人喜欢数学和技术，做事谨慎，不太爱社交。研究者请他们判断，这个人是工程师的概率有多大。

很多人读完描述，会觉得他很像工程师。这种感觉并不奇怪，因为人物描述确实提供了一些信息。问题在于，同样一段描述放进两个构成完全不同的群体，最后得出的概率不应该完全一样。

如果一个群体中70%的人是工程师，那么随机抽到工程师的初始概率就是70%；在另一个群体中，这个起点只有30%。人物描述可以推动概率上升或下降，却不能直接抹掉两个群体原有的差异。

实验发现，没有人物描述时，人们通常知道应该按照70%和30%来判断；一旦加入具体描述，两组人的答案便迅速靠近，之前的群体比例几乎不起作用了。

人们原本需要回答的是："综合群体比例和人物描述，这个人是工程师的概率有多大？"大脑却把它替换成了一个更省力的问题："这个人看起来有多像工程师？"

问题不在于参考人物描述，而在于给了它过高的权重。一个具体、鲜活的人物形象，很容易盖过抽象的总体比例。这就是基准率忽视。

什么是基准率推理？

基准率，是某种结果在相关同类群体中原本发生的比例。一种疾病在筛查人群中的患病率，是基准率；相似项目在一年内实现盈亏平衡的比例，是基准率；同类用户在30天内流失的比例、某类候选人入职一年后能够胜任岗位的比例，也都可以作为基准率。

它不等于笼统的"平均数"。重点不是算出一个平均值，而是弄清楚：在当前对象所属的那一类中，某个结果原本有多常见。

使用基准率推理时，先找到合适的参考类，用同类结果确定一个初始概率；再检查当前对象有哪些特殊证据，以及这些证据是否足以推动原来的判断发生变化。整个过程并不复杂：定义要预测的结果，找到可比较的同类，查看同类结果，判断个案证据有没有区分力，最后更新概率。

基准率给出起点，个案证据决定你应该从这个起点移动多远。

比如，同样是"团队经验丰富"，放在不同的基准率下，意义完全不同。如果相似项目本来就有80%能够成功，这条信息会让人更有信心；但如果同类项目的成功率只有5%，一句"团队有经验"，显然不足以把成功概率推到80%。

基准率推理并不排斥个案。它只是要求，个案必须回到总体背景中接受检查。

检测能发现80%的患者，为什么阳性后患病概率只有7.8%？

再看一个更直观的例子。

假设一位女性参加常规筛查，检测结果呈阳性。已知这类筛查人群的患病率是1%；真正患病的人中，有80%会被检测为阳性；没有患病的人中，也有9.6%会被检测为阳性。现在问：她拿到阳性结果后，真正患病的概率有多大？

很多人会把答案理解成80%，因为题目已经说了，患病的人中有80%会呈阳性。但"患病后检测为阳性"和"检测为阳性后真的患病"，是两个方向完全不同的概率。

把百分比换成人数，问题会清楚很多。假设有1000人参加筛查，患病率是1%，其中大约10人真正患病。这10人中，80%会被检出，也就是大约有8人得到真阳性结果。

剩下的990人没有患病，但其中有9.6%也会呈阳性，大约是95人。最终，阳性人群中有8名真阳性和95名假阳性，总人数约为103人。真正患病的比例是：

在这个假设题中，一个人拿到阳性结果后，真正患病的概率大约是7.8%，而不是80%。

这个结果由三项数据共同决定：患病率、检测灵敏度和假阳性率。其中最容易被跳过的，是1%的患病率。患病的人只有10个，未患病的人却有990个。即使误报比例不算高，人数累积起来，也可能远远超过真正患病的人数。

只要误报率不为零，异常越少见，误报就越需要认真对待。欺诈识别、内容风控、安全报警、人才筛选和异常检测，都有类似问题。一个系统即使能抓住大多数真正的异常，也可能因为异常本身太少，让最终发出的警报中混入大量误报。

上面的数字只用来解释概率关系，不能用于判断任何真实的检查结果。实际筛查需要结合具体检测项目、个人风险和医生意见。

为什么一个故事能打败一群人的统计？

人不是不关心概率，只是具体的信息更容易接管注意力。"同类项目只有30%能按期完成"，听起来只是一组枯燥的数据；"团队经验丰富、领导很支持、资源也已经到位"，却能让人立刻看见项目成功的样子。

问题到这里才真正出现。当一个项目很像我们印象中的成功项目时，我们会自然地认为，它成功的概率也很高。但"看起来像"只是相似度判断，真正该检查的是：这些特征在失败项目里是不是也很常见？

成功的创业者有激情，失败的创业者往往也有；成功的管理者很自信，不胜任的人也可能非常自信。有些成功项目得到了领导支持，很多失败项目同样不缺支持。明星创业能带来流量，但明星参与的失败项目也可能拥有大量关注。

如果一项特征在成功者和失败者身上都很常见，它就很难帮助我们判断结果。所谓区分力，就是一条证据在不同结果的人群中，出现比例是否存在明显差异。

"创始人很有信心"通常没有多少区分力，因为几乎每个愿意投入大量资金的创业者，都相信自己的项目；"已经在三个独立试点中连续实现正现金流"则更有价值，因为它与最终经营结果的关系更直接，也能够被验证。

1980年，心理学家玛雅·巴尔-希勒尔发表论文，系统讨论了基准率谬误。当总体比例和个案信息同时出现时，人们往往把更多注意力交给个案，因为个案看起来离眼前的问题更近。基准率没有人物，也没有情节，很难和一个完整、动人的故事竞争。尤其是当这个故事讲的是自己时。

怎样从同类结果出发，给项目一个真实的成功概率？

明白人为什么会忽视基准率，只完成了一半。更重要的是，怎样把它放进真实判断。基准率推理不能停在"尊重数据"这句正确的废话上，它需要变成一套可以反复调用的步骤。

1. 先把要预测的结果定义清楚

不要问"这个项目会不会成功"，因为"成功"太容易被重新解释。项目上线了，可以说成功；获得了一些关注，也可以说成功；最后没有亏太多，甚至也能被包装成阶段性成功。

问题应该写得更具体，比如"能不能在12个月内实现月度盈亏平衡""能不能在30天内带来10万名有效新用户"，或者"候选人能不能在入职一年后独立承担目标岗位"。

一个可以判断的问题，至少要写清结果、期限和标准。否则，即使找到了数据，也不知道该查什么。

2. 找到真正可比的同类

不要随手拿一个"创业成功率"套在所有项目上。回到邹市明的案例，判断一家高端拳馆，可以考虑城市和地段、面积和租金、客单价、复购频次、获客半径，以及具体的商业模式。

参考类太宽，数据和当前项目关系不大；参考类太窄，又容易因为样本太少而失真。更隐蔽的是，有人为了证明自己的项目特殊，会不断给参考类增加条件。

比如，有人会说："我们不是普通拳馆。我们由世界冠军创办，位于一线城市，服务高净值用户，还包括赛事和餐饮功能。"条件越加越多，最后当然找不到完全一样的项目。但没有完全相同的案例，不代表没有可参考的同类。

找参考类时，应该检查决定结果的机制，而不是只看表面标签。可以同时查看三个范围：整个行业、相似商业模式，以及最接近当前项目的一组案例。如果几组数据差异很大，就保留一个区间，不必硬挑出一个最有利的数字。

历史数据也有保质期。市场环境、技术条件或政策规则已经变化时，过去的基准率可能不再适用。寻找基准率时，不只要问"哪些项目和它相似"，还要问"这些历史数据今天是否仍然有效"。

3. 在听个案故事之前，先写下起点

暂时拿掉创始人的履历、团队士气、领导支持和你对项目的期待，只看它属于哪一类。然后问自己：如果我只知道它属于这一类，我会给多大概率？

假设100个可比项目中，只有30个能在一年内实现盈亏平衡，那么30%就是初始判断。它不是最终答案，但不能因为一场精彩的汇报，就直接跳到90%。

把起点写下来，还有一个作用：它会留下判断变化的痕迹。如果没有记录，人很容易在结果出来后告诉自己，"我当时早就看出来了"。留下最初的概率，后续的调整才可能被检查和复盘。

4. 只为有区分力的证据调整概率

判断项目时，不要只问它有什么优势，还要检查这些优势是否真的能够预测结果。可以依次问：这条信息是真的吗？它在成功项目中常见吗？在失败项目中是不是也很常见？它是否已经包含在参考类里？它和前面的证据，是不同信息，还是同一个优势换了几种说法？

后两个问题尤其容易被跳过。如果参考类本来就是"一线城市高端拳馆"，就不能再因为项目位于一线城市、客单价较高而重复加分。"品牌知名度高""创始人有流量""自带传播能力"，也可能只是同一个优势的不同表达。把它拆成三条，不会让证据变得更强。

最终结论也不该只写成"我觉得成功率很高"。更合适的写法是：

没有足够数据时，不必假装精确。与其争论一条证据究竟值5个百分点还是15个百分点，不如先给出一个较宽的范围，并写清楚什么情况会让判断改变。

基准率不是答案，只是对故事的约束

学会基准率推理后，有些人会走向另一个极端："既然历史成功率低，那就别做了。"这同样不对。基准率提供的是起点，不是判决。

使用它时，需要守住三条边界。

第一，参考类选错了，基准率也会误导人

社区产品不能直接套用所有互联网项目的数据，新药项目也不能只看所有药物的平均成功率。表面上属于同一行业，不代表成败机制相同。

熟人关系驱动的社区、内容推荐驱动的社区和交易驱动的社区，都叫社区产品，但决定它们能不能做起来的因素并不一样。选错同类，得到的起点自然也会错。

第二，有效的个案证据可以改变基准率判断

如果一个项目已经完成低成本试点，核心指标明显好于同类，团队也有可核实的连续经验，那么上调成功概率是合理的。

基准率推理并不要求人无视个案。它只要求个案证据足够可靠，而且确实能够区分不同结果。项目有特殊之处很正常，真正需要检查的是，这些特殊之处会不会改变最终结果。

第三，概率低不等于不值得做

一个项目即使只有30%的成功率，如果失败损失有限、成功后的回报很高，又可以小规模试验，仍然可能值得尝试。反过来，一个项目即使有80%的成功率，只要失败一次就会造成无法承受的损失，也未必值得下注。

基准率回答的是"成功的机会大概有多高"。至于要不要做、投入多少、什么时候退出，还要结合收益和损失判断。概率判断和行动决策彼此相关，但不是一回事。

从这场两亿亏损中，基准率推理会追问什么？

回到邹市明夫妇的创业经历。我们不能据此断定，他们当时忽略了基准率。不过，如果重新站在投入之前，可以试着问一些不同的问题。

同类高端拳馆一般需要多长时间才能盈亏平衡？在相似租金、面积和客单价下，有多少门店能经营三年以上？用户真实的到店频次和续费率是多少？明星知名度能带来多少首次到店，其中又有多少会变成长期复购？

还要继续追问，增加餐饮、赛事和电竞业务后，收入能增加多少，成本和管理难度又会上升多少；如果核心假设错了，项目最多能承担多大损失，到了什么情况必须停止投入。

这些问题未必会让一个人放弃创业，却可能让他换一种方式开始：先看同类数据，再做小规模试点；试点产生真实的付费、复购和现金流数据后，再更新原来的判断，决定是否追加投入。

试点的价值不只是少亏一点钱，它还会制造新的证据。如果试点结果在成功项目中更常见，那么项目确实可能比原来的基准率更好；反过来，如果核心指标并没有明显优势，就没有理由继续用"我们不一样"解释一切。

情怀可以解释一个人为什么想做这件事，却不能证明项目一定做得成。学历、资源、人脉和知名度都可能有用，但它们到底值多少，要看这些条件是否真的提高了成功概率。

你凭什么证明，这一次确实不同？

下次，当你准备说"我们的团队不一样""这个人一看就很优秀"或者"这次肯定能成"时，可以先把眼前的故事放一放，问自己两个问题：

它属于哪一类，同类通常是什么结果？

我现在掌握的证据，足以说明这一次不同吗？

基准率不会否定例外。

但"我是例外"，不能只靠自己相信。