在商業決策與專案管理中，常面臨「這太主觀，無法衡量」的質疑，例如品牌價值、研發潛力或資安風險。Douglas W. Hubbard 在《如何衡量萬事萬物》（How to Measure Anything）中打破此迷思，重新定義「衡量」：衡量不是追求物理學上的絕對精準，而是透過觀察來「減少不確定性」（Reducing Uncertainty）。
只要變數具備商業價值，必定會對現實世界產生可觀察的影響；只要可觀察，就能被衡量。以下略過基礎概念，直接拆解支撐這套方法論的四個核心統計與數學原理。
一、 主觀機率與 90% 信賴區間 (90% Confidence Interval)
傳統觀念認為無歷史數據便無法進行統計。Hubbard 引入主觀機率（Subjective Probability），透過「校準估計」（Calibrated Estimates）將專家的直覺量化。
多數人在預測時極度自信且缺乏邊界感。決策者應提供一個「90% 信賴區間」，給出上限與下限，並確信真實數值有 90% 的機率落在該區間內。在統計學上，這意味著用機率分佈（如常態分佈或對數常態分佈）描述現有知識狀態。訓練有素的估算者能排除過度自信偏差，給出具備統計意義的初始邊界，作為量化分析的地基。
二、 顛覆直覺的「五的法則」 (The Rule of Five)
面對完全未知的母體，常誤以為需要極大樣本數才能得出有意義的結論。Hubbard 提出「五的法則」：只需從母體中隨機抽取 5 個樣本，母體中位數落在這 5 個樣本最大值與最小值之間的機率高達 93.75%。
機率原理如下：從母體中隨機抽取一個樣本，大於中位數與小於中位數的機率皆為 0.5。
連續抽取 5 個樣本，「全部」大於中位數的機率為：
同理，「全部」小於中位數的機率亦為 0.03125。
中位數落在這 5 個樣本範圍「之外」的機率只有這兩種極端情況總和（6.25%）。反之，中位數落在最大值與最小值「之間」的機率為：
這證明：在高度不確定性狀態下，極少量數據也能產生巨大的資訊價值（Information Value），大幅縮減不確定性。
三、 貝氏更新 (Bayesian Updating)
減少不確定性的過程，本質上是貝氏統計的應用。貝氏定理（Bayes' Theorem）提供數學框架，在獲得新證據時，客觀更新原有信念。
核心公式：
• P(A)：先驗機率 (Prior)，觀察新數據前對某假設的認知（如：校準得出的 90% 信賴區間）。
• P(B|A)：概似度 (Likelihood)，假設成立情況下，觀察到該新數據的機率。
• P(A|B)：後驗機率 (Posterior)，觀察到新數據 B 後更新的假設機率。
決策不需等待收集完所有數據。可基於現有粗略估計開始，收集少量易取得的數據進行修正，得出不確定性更低的結果。
四、 蒙地卡羅模擬 (Monte Carlo Simulation)
商業決策通常涉及多變數。評估專案投資回報率（ROI）時，可能同時牽涉市場規模、轉換率、開發成本等多個不確定變數。將多個帶有不確定性的區間直接相乘或相加會導致統計錯誤，必須仰賴「蒙地卡羅模擬」。
1. 建立模型：定義各變數間的數學關係（如：利潤 = 營收 - 成本）。
2. 設定分佈：將每個不確定變數設定為特定機率分佈。
3. 隨機抽樣：運用電腦從每個變數的分佈中隨機抽取數值，代入模型計算結果。
4. 重複迭代：重複此過程數萬次，得出結果的機率分佈圖。
蒙地卡羅模擬不僅提供最可能結果或平均值，更給出完整的風險地圖，呈現極端虧損或超額報酬發生的具體機率。
五、 資訊的預期價值 (EVI: Expected Value of Information)
衡量流程中最關鍵的防呆機制為「資訊預期價值（EVI）」。在投入資源進行衡量前，必須先計算「完美資訊的預期價值」（EVPI, Expected Value of Perfect Information）。
1. 若衡量結果不會改變決策，資訊價值為零，不該衡量。
2. 若衡量結果會改變決策，資訊價值等於「決策錯誤造成的損失」乘上「決策錯誤的機率」。
当量測某變數的成本高於其 EVPI，保持現狀的不確定性即為最佳決策。
結語
《如何衡量萬事萬物》並非追求小數點後的精確。透過掌握校準估計、五的法則、貝氏更新與蒙地卡羅模擬，可將模糊的商業焦慮轉化為可計算的風險模型。衡量是為了做出更好的決策，而非為了衡量本身。
