- Monte
     Carlo Simulation 例子:https://docs.google.com/spreadsheets/d/17CSoiUobLhjJRGHBk8L1mbttfL2KWdvht1AsRC0KdqY/edit?usp=sharing 
- 在現實世界,對於許多真實現象而言,常態分配的表現是非常差的,包括股票市場的波動、軟體計劃的成本,或是地震、疫情、風暴等災變的規劃。
- 常見的風險矛盾:組織常將量化風險分析運用在例行的營運決策上,在高層、風險性最高的決策,反而用到最少的量化風險分析。
- 為什麼衡量對企業或政府部門很重要,這是因為有風險存在。如果沒有風險,對於決策而言,資訊其實是沒有價值的。
- 了解如何衡量不確定性,是衡量風險的關鍵。了解風險的量化意義,是了解如何計算資訊價值的關鍵。瞭解資訊價值,我們將得知要衡量什麼,以及應該投入多少努力去衡量它。  
- McNamara
     Fallacy (麥納馬拉謬誤) : 
- 對企業而言,資訊是有價值的,原因有:
                   
7.1.         
資訊降低決策的不確定性,決策是有經濟後果的;
                   
7.2.         
資訊影響其他人的行為,行為是有經濟後果的;
                   
7.3.         
資訊本身就有市場價值:例如我們收集都市十字路口一天當中不同時段的交通資訊,賣給評估零售據點的廠商,那麼該項衡量的價值,就是我們預期從販賣資訊得到的利潤。
- 賽局理論就曾提出,若我們能降低不確定性 (i.e. measurement),就會有較好的賭局 (i.e. decision-making)。
- 決策者要做衡量的理由很簡單:承認有風險存在,且想要降低風險
- 有價值的衡量,都必須降低會影響決策的各種數量的不確定性,因為決策是有經濟後果的。降低越多
     EOL (預期機會損失, Expected Opportunity Loss),衡量的價值就越高。衡量之前的
     EOL 與衡量後的 EOL 的前後差異,就稱為 EVI (Expected Value of Information, 預期資訊價值)。換言之,資訊價值等於風險降低的價值。
- 計算衡量價值最簡單的,是完全資訊的預期價值 (EVPI, Expected Value of Perfect
     Information)。換言之,如果你能消除不確定性, EOL 就能降到 0。  
- 資訊的價值
                
12.1.         
預期資訊價值 (EVI) = 預期機會損失的降低 (EOL) 或 (EOL衡量前 - EOL衡量後)
                
12.2.         
EOL = 犯錯的機率 X 犯錯的成本
                
12.3.         
完全資訊的預期價值 (EVPI) = EOL衡量前 (如果資訊是完全的,消弭風險, EOL衡量後  = 0)
- 如果有人說一項衡量太貴,就必須要反問「與什麼做比較?」
                
13.1.         
如果一項衡量的衡量是 5 萬美金,可以將不確定性降低一半,但他的 EVPI (Expected Value of Perfect Information) 是 50 萬美金,這項衡量肯定不會太貴;
                
13.2.         
但是如果資訊價值為 0,任何衡量都是太貴;
                
13.3.         
如果有些衡量也許有很小的資訊價值,不足以做一些正式衡量,但又沒小到可以忽略它,我建議可以找一些有關的研究或多打幾通電話給專家。
- 我們應該要將衡量視為是重複性 (iterative) 的過程,不要想一次就揮出全壘打,是透過逐步改進的過程,朝目標前進。每一回合的衡量,都能告訴你如何 (以及是否要) 進行下一回合的衡量。  
- 常見的衡量迷思:當你有很多不確定性時,需要大量資料來告訴你一些有用的事。事實是,如果你現在有很多不確定性,你要大幅降低不確定性並不需要太多資料;反倒是當你已經很多確定性,那時你要大幅降低不確定性,就需要很多資料佐證。
- 作者擁有豐富的量化應用資訊經濟分析的經驗,從過往的經驗中發現以下的規律模式,客戶常犯的錯誤有:
                
16.1.         
所分析的絕大多數的變數,它們的資訊價值為零。也就是說,這些變數目前的不確定程度是可接受的,進一步做衡量則不具正當性;
                
16.2.         
有高度資訊價值的變數,通常是客戶從未衡量過的變數。在過去的案例中,高價值變數常常是完全缺席的;
                
16.3.         
客戶過去花費最多時間衡量的變數,通常是那些資訊價值很低、甚至為零的變數 (也就是對決策毫無影響力的變數)
- 衡量反比:在企業案例中,變數衡量的經濟價值通常與衡量得到的關注成反比。很顯然地,我們對於哪些事物該做衡量的直覺,常常讓我們失望了。因為大多數的組織,對於進行一項衡量的價值,沒有方可以衡量,他們衡量的東西幾乎是錯的。
| 
衡量價值 | 
例子 | 
實際付出的注意力 | 
實際經濟上的重要性 | 
| 
價值低、典型的衡量 | 
●     
  花在一項活動的時間 
●     
  銷售訓練參加次數 
●     
  專案的近期成本 
●     
  安全檢驗中發現違規的數目 | 
多 | 
小 | 
| 
價值高、通常被忽略的衡量 | 
●     
  一項活動的價值 
●     
  銷售訓練對銷售的影響 
●     
  專案的長期效益 
●     
  安全檢驗對災難意外的風險降低程度 | 
少 | 
大 | 
- 衡量反比的發生原因
                
18.1.         
人們只會衡量他們已知如何衡量的事物,或他們相信比較容易衡量的事物。
                               
18.1.1.         
如果組織擅長於用 data mining 的方式衡量事物,他會傾向於只衡量那些適用 data mining 衡量的事物。
                               
18.1.2.         
數量方法教授 Abraham Maslow 曾說過:「如果你唯一的工具是鐵槌,那麼每個問題看起來都會像是釘子。」
                
18.2.         
經理人傾向於衡量比較有可能產生好消息的事物。
                
18.3.         
不知道從一項衡量得到的資訊,對企業的價值。
- 衡量的基本概念:
                
19.1.         
避免一開始就做大規模的研究:先做一些衡量,去除一些不確定性,然後評估所得到的訊息,再決定是否要做更進一步的衡量
                
19.2.         
先計算衡量的價值:如果你沒計算衡量的價值,你會不知道如何有效率的衡量,你甚至會花費太多或太少時間衡量某件事物,你可能誤將高價值的衡量視為太昂貴而放棄它   
- 計算資訊價值的心得
                
20.1.         
衡量的價值很重要:如果你不計算衡量的價值,你很能會用了錯誤的方法,衡量了錯誤的事物
                
20.2.         
要反覆進行 (iterative):衡量價值最高的事物是起步,接下來要一步一步進行,透過每一回合的衡量累積一些收穫





 
