99%的互撕场景,都可以用这个方法解决

一、我们每天都会遇到的问题

相信稍微在职场上工作几年的同学,都会遇到责任扯皮问题。这个事该你做,不该我做,这个问题是你的责任不是我的责任。尤其是,有时候冲突双方都觉得自己有理。但是正如柯南的那句名言:真相只有一个!同样的,从科学角度上来说,判定责任依据也只有一个,那就是汉德公式。

二、解决问题的利器——汉德公式:谁避免意外的成本最低,谁的责任就最大

汉德(Learned Hand)是美国一位著名的中级法院的法官。这位汉德法官很有思想,他写下的判决书是美国中级法院法官中被引用最多的。其创造性的提出了“汉德公式”,这对我们解决很多现实问题(包括业务问题)提供了很多启发。

我们把某人a避免意外的成本记作B,把产生意外的概率记作P,把意外所产生的损失记作L,那么某人a应承担责任的条件就是 B < P * L。这就是著名的汉德公式。

这个公式有些抽象,大家其实也不用刻意去记。它的核心思想其实引用诺贝尔经济学奖得主科斯的观点就可以直观说明——谁避免意外的成本最低,谁的责任就最大。

三、一个真实且经典的美国案件

这是一个发生在1914年美国的真实案例。

从前的火车都是烧煤的,烧煤就会喷出火星。有一辆火车路过一片亚麻地,农夫把700吨亚麻堆在了铁路边自己的农地上。这亚麻是农夫的,铁路边的农地也是农夫的。亚麻放在农地上,没有碍任何人的事儿,但是火车经过时喷出的火星把700吨亚麻给烧了,铁路公司要不要赔偿?

当时著名的法官奥利弗 ·温德尔 · 霍尔姆斯给出的判词意见是:“虽然很多人都认为铁路公司应该赔偿农夫,但是我们设想一下,如果铁路公司跟农夫的总收人与总产出不能够达到最大的话,农夫可能是要负一定责任的。”在现实生活中,如果铁路公司和农地同属一人,他当然会说:“我只要把堆放亚麻的地点挪远一点,意外就能避免了。”

四、“如果鞭炮和锅炉都是你家的,你肯定会把他们分开的远远的”

再举个例子,我们不会买了鞭炮回家后,因为鞭炮是我的,这个家我做主,就非要把镇炮放到炉子边。相反,既然鞭炮是我的,炉子也是我的,那我就得考虑如何把避免意外的成本降到最低,那当然就是把鞭炮放得旁炉子稍微远一点。

这个想法非常重要。正是基于这个想法,科斯的意思是说,火星烧着了亚麻,但是责任可能在农夫,虽然农大并未招惹铁路公司。谁付出的成本更低,谁就应该承担更大的责任。那既然农夫避免意外所要付出的成本,比铁路公司避免意外所要付出的成本低得多,那挪开亚麻的贵任,就要落到农夫身上了。

五、现实应用举例

有时候,我们业务的上下游环节(比如,招聘、培训、管理、销售等环节)会存在KPI或业务动作冲突。那么如何判责呢?汉德公式给了我们很好的启发。

比如,我们好不容易招聘一个运营人员来参加培训,每招聘一个运用人员都要耗费很大的精力。但是每次培训总是有部分运营人员在培训中途就退出,而培训人员因为没有考核,所以也就没有挽留动作。这里,引用汉德公式的基本思路,我们问自己一个问题:招聘一个运营人员付出的成本与让ta成功参加完一个运营人员所付出的成本,哪个更高?

这里我们假设招聘一个人员的成本定义为1000,培训过程中ta中途退出的概率是1/10,那么只要培训人员对每一个运营人员所付出有效挽留的成本小于100,那就是值得做出一些挽留动作的,反之,则属于过度浪费资源,没有必要做出挽留动作。

同样的,如果因上下游协同不力,需要判定哪个环节需要做出改善,只需要看避免相同损失或取得相同收益的前提下,在事件发生概率相同的情况下,哪个环节更容易做出改善就可以了。我们在日常业务管理及业务决策都可以借鉴这一思路。

总之,处理这类问题,我们要相信经济学家们、相信在历史上留下过名字的人的智慧,谁避免意外的成本最低,谁的责任就最大。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在风能领域,准确预测风速对于风电场的运行与管理至关重要。Matlab作为一个强大的数学计算和数据分析平台,被广泛应用于风速预测模型的构建。本文将深入探讨基于四种风速——随机风、基本风、阵风和渐变风的组合风速预测技术。 我们来理解这四种风速类型: 1. **随机风**:随机风是指风速呈现出随机性的变化,通常由大气湍流引起。在建模中,通常通过统计方法如高斯分布或Weibull分布来模拟这种不确定性。 2. **基本风**:基本风速是指在无特定扰动条件下的平均风速,它是长期观测结果的平均值,通常用于结构设计和风能评估。 3. **阵风**:阵风是短时间内风速显著增强的现象,对建筑物和风力发电机造成的主要威胁之一。阵风的预测涉及到风的脉动特性分析。 4. **渐变风**:渐变风是指风速随时间和空间逐渐变化的过程,常见于风向转变或地形影响下的风场变化。 在Matlab中,利用这四种风速类型进行组合预测,可以提高预测的准确性。预测模型可能包括以下几个步骤: 1. **数据收集与预处理**:收集历史风速数据,包括随机风、基本风、阵风和渐变风的数据,进行异常值检测、缺失值填充以及数据标准化。 2. **特征工程**:提取风速变化的相关特征,如平均值、标准差、极值、频率分布等,这些特征可能对预测有重要影响。 3. **模型选择**:可以选择多种预测模型,如时间序列分析(ARIMA、状态空间模型等)、机器学习算法(线性回归、决策树、支持向量机、神经网络等)或深度学习模型(LSTM、GRU等)。 4. **模型训练**:利用历史数据训练选定的模型,调整模型参数以优化性能,例如通过交叉验证来避免过拟合。 5. **模型验证与评估**:使用独立的测试集验证模型预测效果,常见的评估指标有均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)。 6. **组合预测**:结合四种风速的不同模型预测结果,可以采用加权平均、集成学习(如bagging、boosting)等方式,以提升整体预测精度。 7. **实时更新与动态调整**:实际应用中,模型需要不断接收新的风速数据并进行在线更新,以适应风场环境的变化。 通过以上步骤,可以构建一个综合考虑各种风速特性的预测系统,这对于风电场的功率输出预测、风电设备的维护计划以及电网调度都具有重要价值。然而,需要注意的是,每个风场的地理环境、气候条件和设备状况都有所不同,因此模型的建立应根据实际情况进行定制和优
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值