与很多公司不同的是，我所在的公司对于员工腐败现象有极为严格的查处力度。小到吃回扣的基层员工，大到操纵招标的领导，但凡有危害公司利益的贪污腐败行为，都会严惩不贷。

所有员工入职时都会欣赏到一部由公司和检察院合拍的犯罪纪录片，浓重的《今日说法》的味道，里面所有的案例都是本公司的（前）员工。

一开始，其实我是很诧异的，不单单是这个形式闻所未闻，而且如此大量的公司员工贪污腐败让我觉得很陌生，“非国家工作人员受贿罪”这个词本身就冲击了我的潜意识。

咱们平时能听到、想到的贪污受贿一般都是政府官员，比如哪个官员贪钱了，哪个官员受贿了。可是，哪个公司的员工因为受贿被抓了起来，这种新闻就很少出现在我的视野里，所以受贿这两个字，在我的认知里，只与政府官员挂钩。

这种认知错误如果深究起来，其实很容易放纵腐败，因为这会导致员工忽视一些明显的犯罪行为，导致对自己和同事都放松警惕。

而这种错误就可以被称为“可获得性启发式”（Availability heuristic）错误，因为我做的判断仅仅依靠自己的记忆和经验，只关注那些我容易想起来的事件（官员腐败），而忽视那些不容易想起的事件（公司员工腐败）。

可获得性启发式（Availability heuristic）：

人们的判断推理过程常常受到可获得的记忆的影响，倾向于认为容易想起的事件比不容易想起的事件更常见。

假如我想买一辆车，因为怕死~我特别看重安全性。众所周知，《消费者报告》是汽车评价的权威杂志，研究了一段时间以后我得出结论，沃尔沃汽车的安全性评价是最高的，所以我决定买一辆沃尔沃。

结果刚把这个决定告诉自己的一个朋友，朋友立马提醒我：“我有个朋友前两年买了一辆沃尔沃，毛病特别多，又漏油又爆胎的，都送去修车厂好几次了。”

假设我很信任这个朋友，那么，我很有可能对Ta说的话深信不疑，赶紧打消了这买沃尔沃的念头，并且庆幸自己早点知道了这个消息，否则差点买错车。

就像我们生活中做的很多“明智的”决定一样，错的很可能还是我自己。因为我忘了，一个靠谱的评价（比如《消费者报告》的车评）是基于成千上万的数据总结出来的，而即使我的朋友所说全部属实，这也仅仅是一个案例。我们都应该明白，再优质的产品线都会生产次品（只是次品率的高低不同），因为一个次品就否定成千上万的好评是否明智呢？

想清楚这个道理并不难，但是很少有人能够真的做到，因为比起数字，这些发生在我们身边的故事更加生动逼真、细节丰富，关键的关键，它是真实发生在我们身边的案例，比那些冷冰冰的数字不知道真实多少倍。

我们之所以如此的依赖可获得的经验来做评价和行动，是因为在信息不发达的过去，这是唯一可行的手段，那时候可没人去统计食客对于店家的评价，也没有可能把这么多信息精确、实时的传递给用户。

但现在不同，越来越多的评价体系建立起来，信息的流通变得前所未有的便利，如果再死守着身边一两个亲戚朋友同事的个人经验去看世界，恐怕比坐井观天的那只青蛙也好不到哪里去了。

想要利用好这么多的信息，学几个简单的统计知识不但是必要的，也是几乎唯一可行的方法，虽然只要学过数学的中学生都应该有所接触，但放下书本，能用统计的眼光看世界的人绝对少见，所以只要拾起这简单的不能再简单的统计知识，我们就比那些一看标题就怒发冲冠的路人们强上不知道多少倍。

1、百分比：

名词就不解释了。这个指标利用率非常大，效果也很明显，曾经一度最高大上的职业---管理咨询顾问，几乎用这一个指标就能写出价值百万千万的报告（当然还有其他的聪明才智）。

比如那些号称很能打的武学大师，让他们统计出与格斗高手的比武胜率（而不是用玄而又玄的武学道理给我们讲课，或者找几个学生装模作样的被隔山打牛），就完全可以证明自己的实力了（至于实力多少，就要看这个百分比了）。

2、平均数：

也不解释了。这个信息被利用的很多，被批判、吐槽的也很多，比如北上广深的平均工资等等。

那些经常被平均的“可怜人”注意，多问一句这个数据的出处和定义，有时候就解决困惑了。

比如前段时间，有位领导说深圳不缺房，因为深圳的房子约有1035万套，而深圳只有不到2000万人， 按照深圳户均2.59人的比例，深圳户均拥有住房1.34套。这明显不符合多数人的实际感受。

而如果我们追问一句，领导说的房，到底是什么房呢？结果发现，这1000多万套房里，有62.8%是农民房，面积小，基本没有厨房，当然也没有学位，这个平均数的意义也就突然变味了。

当然平均数的一个最重要的问题，就是受极端值影响太大。取100个人的月薪数作为样本，假设其中99个人的月薪3000元，另外一个人的月薪50万，他们的平均薪酬就是7970元，这个平均数对所有人都没有意义，无法让我们了解他们的薪酬情况。

所以这时候，让我们多想想下面几个统计指标。

3、众数：

这个词在书本之外很少听到，其实非常简单，就是一组数据中出现次数最多的数。拿前面的例子说，3000就是那组数据的众数，如果一组数据中有极端值，众数能提供一个视角，让我们快速发现这组数据中的代表。

但是，众数毕竟只是只能看到一个代表，对其他数据的分布一无所知，这时候，中位数就能帮到忙了。

4、中位数：

把一组数据从大到小排列，位于中间位置的数，就是这组数据的中位数。

比如9个人的月薪如下：

3千、3千、3千、4千、6千、8千、1万、2万、30万。

因为有极端值30万，平均数几乎没啥用；众数是3千，但是其他几个人的工资在什么水平我们就无法知道了；但是看一眼中位数6千，至少让我们知道，这组人中，有一半的人的薪水高于6千，有一半的人薪水低于6千；这对于我们了解这组数据就提升了一个档次。

5、方差（标准差）

虽然众数和中位数有一定的辅助作用，但是平均数毕竟还是非常有用的，尤其是在没有极端值的情况之下，最好是各个数据之间的差异不要太大，比如下面两组数据。

A组：10、20、30、40、500、960、970、980、990

B组：100、200、300、400、500、600、700、800、900

这两组数据的平均数一样，都是500，但是我们都能看出来，用500去描述B组数据更合适，对于A组数据，500并不能说明什么问题，所有其他数据都是“被平均”。

造成这个差异的原因就是两组数据的离散程度不一样，也就是各个数据之间的差异，而测量离散程度最常用的指标就是标准差。标准差是方差的平方根，而方差是各个数值与平均数的差的平方和的平均数。

比如计算6、7、8、9四个数的标准差，方法如下：

回到刚才A、B两组的数据，A组标准差高达475，而B组标准差只有274，B组数据的离散程度明显更低，所以平均数的使用自然也就更为恰当一些。

计算一组数据的标准差，不但能了解它的离散程度也能判断平均数的作用有多大，离散程度越高，平均数的作用也就越小。

说了这么多，点一下题。我们每天都看到各种各样的信息，有的人一刷新闻刷一天都不嫌累，但是看完之后，往往只是增加了对这个世界的某些偏见，因为几乎没有多少信息是认真对待数据的，要么干脆一个数字没有，要么就是给出一个耸人听闻的数字，但是不告诉你数字背后的计算方法。

如果连一点点统计学都不懂，一点点分析数据的能力和意愿都没有，那我们只能是被反复洗脑、利用或欺骗。