解决复杂问题时，随机性往往有奇效随机决策可能会让大部分人觉得武断，但重点就在于随机。由于当今世界的变化速度和不稳定程度，实时收集和分析所有必要信息、以确定性的方法解决问题已经不再可行。决策过程的随机性是一种聪明的做法，它不带偏见，往往能够迅速解决一些未知且不断变化的复杂问题。

    魁北克和拉布拉多的土著游牧民族纳斯卡皮人，食物大多靠狩猎获取。你可能会以为，他们在决定狩猎地点时要进行大量的分析和策划：可能会记录自己已经猎杀的麋鹿或驯鹿的数量，确保不在某一地点过度狩猎；可能会制定整体计划，定期探索新的区域，寻找新的兽群；或许还会尝试预测在山谷、丘陵或河岸等不同地形找到特定兽群的可能性。

    不过，这个部族和其他许多古代民族一样，依靠占卜进行决策。纳斯卡皮人的占卜方式是加热动物尸体的肩胛骨，将骨头烤到开裂，朝着裂纹所指的方向去狩猎。

    这种仪式会让大部分人觉得迷信且武断，这样的决策是随机决策。但重点就在于随机。决策过程的随机性使得纳斯卡皮人能够迅速解决选择狩猎地点这一复杂问题，不带偏见，且让猎物难以预测。于是，纳斯卡皮人没有花费太多时间和精力用来寻找理想的狩猎地点，在环境严苛的亚北极地区生存了数百年之久。

    纳斯卡皮人的占卜与他们在恶劣环境中生存的能力，两者间的联系看似不可思议，但可以延伸到商业语境下。我们会探讨当前人们如何利用随机性进行运营决策，并讨论将这种方式运用到战略上能如何让企业像纳斯卡皮人一样蓬勃发展，最后提供一些建议，协助企业在战略决策过程中引入随机性。

当下的随机化

    随机决策在现代也已经被证明是成功的——特别是在运营管理方面。第二次世界大战期间，盟军面临着严峻的挑战，比如根据上次发现敌军潜艇的位置在广阔的水域中寻找敌军潜艇。这个问题非常难，因为潜艇能走的路线太多了，而且己方没有足够多的舰船或飞机在敌军再度出击前开展全面详尽的搜查。研究表明，在这种情况下，快速随机选择几个地点进行搜索，然后随机改变方向扩大搜索半径，效果好过每一步都根据事先计划进行的系统性搜索。

    大约在同一时期，曼哈顿计划的研究人员发明了蒙特卡罗模拟法，依靠随机抽样来估计复杂系统或过程的结果，其中的环境条件本身是随机的。科学家用这种方法预测不同炸弹设计和屏蔽材料的效果。现在蒙特卡罗模拟法仍然被广泛用于在不确定条件下做决策，特别是在金融和物流领域。

    如今，随机化常常用来提升机器学习技术的效率和准确性。例如，神经网络的初始参数通常是随机选择的，以免网络被困在特定配置中。扩大搜索空间，可以增加找到优秀配置的机会。

    更普通的用法还有，快递公司利用随机优化技术确定各种不同情况下的稳健路线（运输量、时间窗口、可用车辆和道路封闭状况等各种因素每天都在变化）。还有一些证据表明，大型产品和社会体系的设计者会根据对问题复杂性的估测形成一种直觉，判断何时该随机选择、何时进行优化。

战略怎么样？

    与运营管理相比，战略制定依然采用确定性的方法，通常是首先试图全面了解问题，然后通过分析制定计划来应对。大数据革命鼓励了这种方法，令我们相信一切都可以了解和分析，再制定出可靠的战略。

    但这种想法忽略了一个事实：同样的数据可以用来论证不同的乃至截然相反的行动方案。例如，柯达公司在看到数码摄影需求上升的趋势后，采取的应对措施是加倍投入传统胶卷业务，确保不会蚕食其销售额。与此同时，索尼和佳能等竞争对手对同样的信息做出的反应则是投入巨资进行研发，改善数码相机技术。

    对大数据解决方案的信心，也让人们对计算上的难题视而不见。组织活动通常是紧密耦合、密集交互的，既有相互作用，又与公司边界以外的力量相互影响。一切结果都是由大量的因果关系、因素和网络共同决定的。

    即使是在制定战略的过程中看似“简单”的基本问题，比如你选谁来领导解决问题的过程，其实都是很大的问题。部分原因在于不同的人可能拥有很多种不同类型的权力，比如发起决策、提供奖励或分享信息等，因此就有了很多种分配不同级别权力的方法。

    最后，由于当今世界的变化速度和不稳定程度，实时收集和分析所有必要信息、以确定性的方法解决问题已经不再可行——消费者和竞争对手应对各种行动的行为模式不断变化，更不可能有确定性。在纷繁复杂的现实商业或政治世界里找到可靠的算法来预测战略决策的结果，这种想法在可预见的未来里都只是科幻。

    在这种情况下，战略不再是为了确定唯一一个最佳行动方案。战略的目标必须从制定计划转为建立备选方案组合，每一个备选方案都有可能成为未来成功的基础。然而用传统的战略制定方法，建立这种备选方案组合的效率很低，因为寻找各种可能的解决方案会耗费大量的成本和时间。因此，现在或许应该让战略家们借鉴纳斯卡皮人的做法，在面对庞大、未知且不断变化的复杂问题时采用他们聪明的随机选择法。让我们来看看这样能带来哪些好处。

1、先发优势

    Odeo公司有一个在线博客平台。2005年，苹果公司宣布在iTunes上搭载同类平台，安装在每一台iPods上，Odeo发现自己面临着难以解决的难题。Odeo领导者意识到公司需要进行彻底的转变，于是开始进行为期一天的头脑风暴会议——一起随即寻找新的方向。

    这样的会议中产生的一个想法是，建立一个在线平台，与朋友和关注者分享自己的状态。这个平台前不久改了名字，之前名叫Twitter。

    当时Odeo制定战略路线的时间非常有限，无法开展任何有意义的市场调研或竞争对手分析，这个领域已经很拥挤，Facebook和MSN空间各自吸引了数千万月活跃用户。Twitter以最小可行产品（minimum viable product，简称MVP）的形式推出，为Odeo创造了一个得以维生的选择，并通过不断迭代平台实现了繁荣发展（讽刺的是Odeo投资人没有认识到Twitter的潜力，让公司管理层以约500万美元的价格回购股票——这是2022年马斯克为这一平台支付的价格的0.01%）。

    推特的例子给我们的一个重要启示是，对于很多问题，解决方案必须实施得足够快才会有意义——纳斯卡皮人的仪式也有这样的益处。假如纳斯卡皮人全面分析解决问题的方法，他们要找的兽群可能早就迁移了。

    像Twitter一样，许多著名的创业公司都受益于随机决策和快速行动带来的先发优势。最初的GoPro只有一条腕带和一台包裹在塑料外壳里的廉价数码相机。通过建立客户关系和迭代初期设计，GoPro得以在后来索尼、尼康和佳明等重量级公司纷纷进入运动摄像机市场时站稳脚跟。

    随机化对于在位企业同样有效，甚至可以说是更有效，因为在位企业有更多资源可以利用。网络购物市场在同一时期开始走向不同的道路（像谷歌购物那样的搜索模式，像天猫那样的多店铺模式，以及像亚马逊那样的百货商店模式），阿里巴巴并没有坐等预测可以获胜的模式，而是拆分了业务，为三种未来可能的情况都建立了相应的解决方案。结果证明，所有新的市场领域都留存下来，阿里巴巴也变得比以往更加强大。

2、快速学习

    早些开始，意味着你可以更快地学习。举例来说，及早推出最小可行产品，可以激发竞争对手和客户的反应，获取信息供下一步行动参考。对于纳斯卡皮人来说，跟随占卜的方向狩猎，意味着他们经常会偶然发现新的东西，如水源、临时栖身地或潜在的狩猎场。

    举个更现代的例子，比如ChatGPT这样的大型语言模型，其原理是根据前面的词语预测下一个可能出现的词。程序员可以通过“温度”控制这个过程的准确度——温度越高，算法越不可能选择预测中与前面的内容最匹配的词。提高温度会降低准确性，但可以增加有创意的惊喜，这可能正符合用户的需求，而且还能输出更加多样的内容，反过来激发更多不同的用户反应，让模型得以随着时间推移不断改进。

    当然，企业明白实验的价值。实体零售店几十年来一直在对货架摆放的位置进行实验。在数字环境里，企业经常进行对照测试，用于优化网站设计、产品推荐或定价模式。

    可是，测试和实验的规模和速度通常都被低估了，部分原因在于，测试往往是为了证明或证伪某个精确的假设，而这个假设本身又以基本稳定的环境为前提。因此，战略学家能学到的东西要比提高温度、进行不太精确且更加多样频繁的测试时更少。例如在软件开发中，随机测试经常作为假设验证的补充。

3、可预测性更低

    在（重复进行的）“石头剪刀布”游戏中，唯一的最优策略就是随机策略——以相同的概率选择手势。因为只有这种策略不会让某些占主导地位的反策略出现。在更复杂的情况下，比如国际象棋棋局中，有几个著名的例子：棋手采取似乎随机的（或至少是反直觉的）行动，在与强大对手的对局中引入了复杂性和压力。

    一些金融机构早就认识到这个益处，利用随机性掩盖自己的交易策略。通过利用“无痕算法”，在下单时间和规模上引入随机的延迟和变化，金融机构可以掩盖意图，不至于暴露分析结果被其他市场参与者利用。一个更简单的例子是“假门测试”，即在线向消费者展示随机的产品或促销组合，激发消费者的反应并学习，但不会给竞争对手留下线索。

4、减少偏见

    管理者通常倾向于复制过去成功的方法，较少接受新的想法或外部信号。随着周围环境变化，这种倾向可能会导致业绩下滑。有很多著名的例子：百视达和诺基亚在需求和竞争环境发生巨大变化的时候，依然坚持以往经过验证的方法，造成了严重的后果。

    接受随机性，可以为这种问题提供解决方案。在自然界里，进化——随机突变加上自然选择的压力——确保物种可以不断适应变化的环境。进化算法的设计者从生物现象中学习，快速生成针对重大问题的随机解决方案，然后组合成试验方案，再根据目标或适合程度进行评估。

    在政治领域，人们利用随机化已有千年。比如在古希腊，地方行政官是由抽签产生的，确保有钱和有权的人无法通过收买获得权力。在商业中，组织可以轻松运用随机化行为应对错综复杂的政治操控和分配预算的谈判，预算要分配到一个或多个相互冲突的方面，各方都有拥护者和相应的私人数据。随机选择是公正的，所以没有人会觉得自己受到了不公正的排斥。

    反对变革的偏见不一定都是由于之前的成功。在非常消极的环境下，人会陷入习得性无助，即反复的经历令人相信自己无力改变自己的处境，因此甚至不会尝试做决定。在这种情况下，采用随机化的决策流程或许可以抵消这种觉得自己应该什么都不做的偏见。

如何在决策制定过程中引入随机性

    我们对随机性的标准印象是抛硬币或骰子。不过，对于现实中的问题，运用这类方法需要先了解、列举和评估所有选项——几乎等同于分析最优策略。虽然如此，战略家还是可以利用各种策略将随机方法纳入自己的工具箱，在合适的时机找到或许足够好的解决方案。

    改变起点。像机器学习算法一样，利用随机提示来改变你搜索的起点。举例来说，为了帮助音乐家释放创造力，布赖恩·艾诺和彼得·施密特制作了一副牌，牌面上写着鼓励横向思维的提示，如“改变乐器的作用”“强调瑕疵”或“戴上耳塞”。在创作过程中引入偶然性的因素，有助于克服创作障碍，确保艺术家不会受困于熟悉的习惯和模式。

    改变节奏。改变搜索的节奏或韵律（即反馈周期的长度）。团队往往受困于季度报告、月度回顾和每周例会的“节拍器”。但要想聪明地实现随机化，你可能需要把反馈周期调整为几天甚至几小时。

    改变地点。你是在自己周围还是在远处寻找解决方案？随机跳跃可以把你带到之前没有考虑过的搜索领域，帮助你激发新的战略决策。例如，研究表明，在猎物稀少的海洋里，鱼类的搜索模式是偶尔在搜索区域间“跳”一下，距离很长，符合数学上的“莱维飞行”。

    改变思路。你的搜索是自上而下还是自下而上？深度优先还是广度优先？不是所有大问题都要采用同一套搜索策略。某些策略效果更好，而且不存在适用于一切问题的“唯一最佳方法”。

    改变负责搜索的人。让不同的人负责搜索，或者各自负责不同的方面。不同的人有不同的内在偏见和常用方法，随机选择负责解决问题的人也可以帮助你随机化可能的解决方案。

    过去的公司希望成为“全知全能”的组织，可以理解和控制自身所处环境、清晰地规划出最佳路径。一些公司意识到全知全能不可能实现，就转向了“无所不学”的思维模式，根据新出现的信息不断调整。

    这样的方法依然有效，不过我们相信，这种方式还可以进一步发展为“搜索一切”，强调积极探索环境、获取有价值的信息，迅速有效地寻找可能的选项。而快速随机的选择可以帮助你做到这一点。现在来看，纳斯卡皮人的迷信仪式越来越像是一种面对复杂、模糊挑战的明智决策方式。