標竿分析與成功率

你準備推出一個新產品。你對成功率的直覺估計是多少？

如果你是大多數 CEO，你的回答大概在 60-80% 之間。

新產品在市場上存活三年的基率大約是 20-25%。

你的估計是基率的 3 倍。

這不是因為你蠢。這是人類大腦的結構性偏誤，我們天然忽略統計基率，依賴個案感覺。「成功率地圖」告訴你基率是什麼。但知道基率不夠，你還需要一個方法，把基率和你的個人信息結合起來，得到一個更可靠的估計。

這個方法叫做「基率校準」（Base Rate Calibration）三步法把你的直覺估計修正到更接近真實的位置。不是用基率取代你的判斷，是用基率校準你的判斷。

一、基率校準三步法

步驟一：查基率（你的起始座標）

找到你這類決策的歷史基率。用「成功率地圖」裡的數據作為起點，或搜尋你所在行業的具體數據。

如果找不到精確的基率，找最接近的類比：

• 你做的事情最像哪一類已有基率數據的決策？
• 找 3-5 個做過類似事情的人，問他們的結果
• 如果完全沒有數據，從 50% 開始（「最大無知先驗」）

關鍵原則：基率是你的「起始座標」，不是最終答案。你的任務是從這裡出發，用你的個人信息做調整。

步驟二：列出結構性差異（你比基率好在哪、差在哪）

這是最重要的一步。

基率代表的是「做這類事情的所有人的平均結果」。你不是平均值，你有自己的優勢和劣勢。問題是：你的優勢和劣勢是結構性的還是幻覺性的？

結構性差異是客觀的、可驗證的：

幻覺性差異是主觀的、無法驗證的，也是過度自信的來源：

• 「我的直覺告訴我這個會成功」→ 不是結構性優勢
• 「我們的團隊很有激情」→ 激情不改變基率
• 「我們的產品比競爭對手好」→ 除非你有客戶驗證數據，否則這是假設
• 「市場很大所以總有我們的份」→ 市場大不等於你能拿到份額

「信念清單」（Belief Inventory）在這裡直接適用，列出你認為自己比基率好的每一個理由，然後對每一個問：「這是可驗證的事實，還是我的假設？」

步驟三：做修正（向上或向下調整）

根據步驟二的結構性差異，調整你的起始基率。

調整幅度指南：

重要：調整是相對的，不是絕對的。如果你有 3 個結構性優勢和 2 個結構性劣勢，它們部分抵消。最終的校準結果可能只比基率高一點。

二、一個完整的校準案例

情境：一家台灣 B2B SaaS 公司想進入日本市場。CEO 的直覺估計：成功率 65%。

步驟一：查基率

「進入新地理市場並在 3 年內獲利」的基率約 30-40%。取中間值 35%。

步驟二：列出結構性差異

向上的理由：

• 產品已在台灣和韓國驗證，有 200+ 付費客戶（有數據驗證，結構性優勢 ✅）
• 已有一個日本合作夥伴表示願意做 design partner（市場進入點，結構性優勢 ✅）

向下的理由：

• 團隊沒有人會日語（能力缺口，結構性劣勢 ❌）
• 日本 B2B 市場的銷售週期平均比台灣長 2-3 倍（時間壓力，結構性劣勢 ❌）
• 日本市場有 3 個本地競爭對手（市場擁擠度，結構性劣勢 ❌）

幻覺性差異（不計入）：

• 「我們的產品比日本競爭對手好」→ 未經日本客戶驗證，不計
• 「日本市場很大」→ 大不等於你能拿到，不計

步驟三：做修正

2 個結構性優勢 → 基率 × 1.5 = 52.5%
3 個結構性劣勢 → 基率 × 0.6 = 21%

綜合（優勢和劣勢部分抵消）：基率 35% × 0.9 = 約 30-35%

CEO 的直覺估計 65% → 校準後約 30-35%。

這不是說「不做」。30-35% 的成功率在正確的注碼下完全值得做。但 65% 和 30% 的策略設計完全不同。

65% 的自信會讓你一次投入大量資源。30% 的認知會讓你分階段投入、先驗證最大的風險（語言和銷售週期）、準備 B 計畫。

三、驗證階梯 × 基率校準：動態更新你的概率

基率校準不是一次性的。每一個新的驗證結果都應該更新你的概率。

「驗證階梯」（Validation Ladder）的每一階都是一次基率校準的機會：

「早期信號」（Early Signal）是最有價值的校準證據，它們是「你的方向對不對」的第一手數據。每一個早期信號都應該觸發一次概率更新。

好的 CEO 不是「一次估對概率」。好的 CEO 是「持續校準概率，每一次都更接近真實」。

四、基率校準的限制

校準有力但有限。三個你需要知道的限制：

限制一：基率數據本身可能有偏差。下一篇「倖存者標竿」會深入這個問題，你看到的基率可能系統性地偏高（因為倖存者偏誤）或偏低（因為成功的定義太嚴格）。

限制二：結構性差異很難客觀評估。你列出的「優勢」可能是幻覺。最好的方法是找一個局外人（不是你的團隊成員、不是你的投資人，他們都有偏誤）來幫你評估。

限制三：校準後的數字仍然不是精確的。「精確的錯誤」的教訓在這裡完全適用，校準追求的是方向正確，不是數字精確。從 65% 修正到 30-35% 是巨大的認知修正。從 30% 精確到 32.7% 毫無意義。

五、行動指引：你的「基率校準工作表」

下次做重大決策前，花 20 分鐘填這張表：

如果你的直覺估計比校準後的估計高出 2 倍以上，你有嚴重的過度自信偏誤。不是不做，而是用校準後的概率重新設計注碼和時間表。

基率校準不會讓你變成悲觀者。它會讓你變成現實的樂觀者知道真實的勝算，然後設計一個即使在那個勝算下也能贏的策略。

下一步，去看「倖存者標竿」，因為你用來校準的基率本身，可能也在騙你。

二戰期間，盟軍的飛機損失率很高。軍方想加強飛機的裝甲，但裝甲太重會影響飛行。所以他們決定：只在最常被擊中的部位加裝甲。

他們統計了返航飛機上的彈孔分布，機翼和機身中段彈孔最多，引擎和駕駛艙彈孔最少。

軍方的結論：加強機翼和機身中段的裝甲。

統計學家 Abraham Wald 說：你們搞反了。應該加強引擎和駕駛艙的裝甲。

因為你們看到的是返航的飛機倖存者。引擎和駕駛艙彈孔少，不是因為那裡不容易被打中，是因為被打中那裡的飛機全部墜毀了，根本沒回來。

你分析的數據只來自倖存者。你看不到的失敗者，才是最重要的信息。

CEO 的標竿分析也是同樣的問題。

你研究 Amazon 的策略、Apple 的產品哲學、Netflix 的文化。你試圖從他們的成功中提取「可複製的配方」。

你沒看到的是：有 100 家公司做了跟 Amazon 完全一樣的事情，以客戶為中心、長期主義、飛輪效應，全部失敗了。他們沒有哈佛案例，沒有 TED 演講，沒有暢銷書。他們是那些機翼上沒有彈孔的飛機。

我把這個現象叫做「倖存者標竿」（Survivor Benchmark）你在標竿分析中看到的所有成功案例都是倖存者。你看不到的是做了同樣策略但失敗的公司。用倖存者的策略做標竿，就像用中了彩票的人的策略做投資指南。

一、倖存者標竿的三個系統性偏誤

偏誤一：你只看到了「贏家」，但輸家做了同樣的事

每一本商業書籍都在告訴你：「Amazon 之所以成功，是因為以客戶為中心。」

問題是：以客戶為中心的公司有幾萬家。大多數失敗了。「以客戶為中心」不是成功的原因，它是入場券。

你從贏家身上提取的「成功因素」，很可能在輸家身上也全部存在。真正的差異不在策略，在你看不到的東西：時機、資源、運氣、網路效應的臨界點、一個關鍵合作夥伴的引薦。

「搜尋偏誤稅」（Search Bias Tax）讓這個問題更嚴重：當你搜尋「數位轉型案例」、「SaaS 成功策略」，搜尋引擎返回的幾乎全部是成功案例。你的資訊環境被系統性地過濾了，失敗者從你的視野中消失了。

偏誤二：歸因謬誤，你把相關性當成因果性

你觀察到成功企業 A 有特徵 X、Y、Z。你的結論是：X + Y + Z → 成功。

但這是相關性，不是因果性。

成功企業有很多共同特徵，有些是成功的原因，有些是成功的結果，有些純粹是巧合。你無法區分，因為你只有倖存者的數據。

Netflix 的「不打卡文化」是他們成功的原因嗎？還是因為他們已經請到了頂尖人才（成功的結果），所以不需要打卡？如果你是一家 50 人的創業公司，複製「不打卡文化」可能帶來的不是 Netflix 的創新，而是混亂。

偏誤三：情境剝離，你複製了策略但複製不了情境

每一個成功案例都嵌入在一個特定的情境中：特定的時間點、特定的市場條件、特定的技術成熟度、特定的團隊結構。

你從案例中提取的「策略」是被情境剝離的，它失去了讓它成功的土壤。

BM 的「情境依賴」（Context Dependency）精確地描述了這個問題：Quibi 做了很多「正確」的事，頂級內容、知名 CEO、巨額融資，但時機不對（疫情改變了用戶場景）、情境不對（用戶不需要「短視頻的 Netflix」，他們已經有 TikTok 和 YouTube）。Quibi 的策略不是錯的，它在那個情境裡是錯的。

「生死分界線」（Survival Threshold）告訴我們：同一個策略在不同情境下，生死分界線的位置完全不同。你看到的倖存者恰好在分界線的正確一側，但他們不會告訴你分界線在哪裡，因為他們自己可能也不知道。

二、反向標竿分析：研究失敗者

如果倖存者標竿不可靠，替代方案是什麼？

研究失敗者。

「失敗解剖術」（Failure Autopsy）在 AI 領域已經證明了它的價值：Character.AI 的失敗、Rabbit R1 的失敗、Stability AI 的失敗，從這些案例中提取的模式比從成功案例中提取的模式更有規律、更可操作。

原因很簡單：成功有一千種方式，但失敗的原因高度重複。

常見的失敗模式：

• 燒錢速度超過價值驗證速度在證明產品有人買之前就大量擴張
• 創辦人適配度錯位問題很大但團隊的核心能力不匹配
• 市場時機錯誤太早（市場沒準備好）或太晚（市場已被佔領）
• 單一賭注依賴所有雞蛋在一個籃子裡，一個假設失效全盤崩潰

你不需要複製成功者的策略。你需要避免失敗者的共同模式。

三、怎麼正確使用標竿分析

標竿分析不是沒用。用法要改。

方法一：多案例比較法

不只研究成功者。至少找 5 個做了類似事情的公司，2-3 個成功的，2-3 個失敗的。

比較它們的差異：成功者有什麼是失敗者沒有的？那個差異才是真正的成功因素。

如果差異是「資金更充裕」或「時機更好」，這不是你能複製的。放棄這個標竿。

如果差異是「更快的驗證週期」或「更清晰的客戶定位」，這是你能學習的。

方法二：條件分析法

不問「誰成功了」，問「這件事在什麼條件下能成功」。

從第一性原理出發，不從案例出發。「共識折扣」告訴我們：所有人都在學的「最佳實踐」沒有超額回報，因為你的競爭對手也在學。

問：

• 這個策略成功需要什麼市場條件？我的市場符合嗎？
• 這個策略成功需要什麼團隊能力？我的團隊有嗎？
• 這個策略成功需要什麼時機窗口？窗口現在開著嗎？

方法三：自己成為數據點

與其分析別人的數據，不如快速產生自己的數據。

「試錯成本歸零」意味著：與其花三個月分析 10 個案例，不如花三週做一個小實驗。你自己的實驗數據比任何案例分析都可靠，因為它沒有倖存者偏誤、沒有歸因謬誤、沒有情境剝離。

四、行動指引：你的「標竿分析審計」

今天做一件事。找出你目前正在參考的一個「標竿企業」。

問三個問題：

1. 我看得到失敗者嗎？做了類似事情但失敗的公司有哪些？他們為什麼失敗？如果你一個都想不出來，你的分析有嚴重的倖存者偏誤
2. 我在學的是原因還是結果？我從標竿企業身上提取的特徵，是他們成功的原因，還是成功之後才出現的結果？
3. 情境匹配嗎？標竿企業成功時的市場條件、技術條件、競爭條件，和我現在的情況相同嗎？如果不同，他們的配方在我這裡可能完全無效

最好的標竿不是「誰成功了我學誰」。最好的標竿是「誰失敗了我避免什麼」。

成功的路徑有一千條。失敗的深坑就那幾個。與其追逐你複製不了的成功，不如繞開你可以避免的失敗。