{
  "models": [
    {
      "id": "機會成本",
      "title": "機會成本",
      "english": "Opportunity Cost",
      "discipline": "經濟學",
      "category": "經濟基準",
      "tier": "常駐",
      "scenarios": [
        "重大資源配置",
        "投資決策",
        "時間管理",
        "招募",
        "策略選擇"
      ],
      "lollapalooza_with": [
        "沉沒成本",
        "能力圈"
      ],
      "one_liner": "每個選擇意味著放棄其他最佳替代方案的價值。機會成本不在帳面上，但真實存在，是所有理性決策的隱形基準線。",
      "core_concept": "經濟學最基本但最常被忽略的概念。蒙格在 1994 年 USC 演講提到他評估投資的核心邏輯：\n\n> **View a stock as an ownership of the business, judge the staying quality of the business in terms of its competitive advantage, and move only when you have an advantage.**\n\n但這句話背後隱藏的第二層：**永遠拿最佳替代方案（next best alternative）當比較基準**。\n\n機會成本三個層次：\n\n1. **金錢的機會成本**：這筆錢投到 next best alternative 能賺多少？\n2. **時間的機會成本**：這個小時/週/月，如果不做這件事，最好的替代用途是什麼？\n3. **決策容量的機會成本**：我能同時專注的事很少，這件事佔了一個槽位，擠掉了什麼？\n\n最常被忽略的是第三層。CEO 一年能真正深度投入的戰略決策可能只有 5-10 個，每選一個就放棄了其他 N 個。\n\n蒙格說：「**Opportunity cost is the basic filter. If you've got two suitors that are eager to have you, but one is way the hell better than the other, you don't have to spend much time with the other one.**」",
      "scenarios_text": "- **重大資金部署前**：這筆錢還能做什麼別的？\n- **新事業立項**：跟現有業務擴張比，哪個 ROI 高？\n- **招募關鍵職位**：花這個薪資雇這個人，跟雇兩個次一級的選擇相比？\n- **個人時間分配**：花這 3 小時做這個會議，犧牲了什麼？\n- **拒絕誘人 offer 時**：誘人的 offer 真正昂貴的是它讓你錯過更好的 offer",
      "hbs_case_company": "Kodak 的數位相機",
      "hbs_case_text": "Kodak 1975 年內部工程師 Steve Sasson 發明世界第一台數位相機。高層看完 demo 的決策邏輯：\n\n**他們看到的成本**：\n- 商業化數位相機 → 每年底片業務減少 X 億\n- 研發投入 → 額外 N 千萬\n- 通路衝突 → 沖印店反彈\n\n**他們沒看到的機會成本**：\n- 不做數位 → 30 年後底片市場本身會消失（**真正的 cost = 整個未來相機市場**）\n- 累積 30 年的數位影像專利沒商業化（後來破產時光賣專利就 5.25 億美元）\n- 員工人才轉向數位的時間窗口\n\n**Kodak 高層的計算只算了 visible cost（看得到的損失），沒算 invisible opportunity cost（看不到的放棄）。** 2012 年破產時，公司價值幾乎歸零，而整個數位相機市場價值數千億美元。",
      "plain_example": "**情境：軟體公司 CEO 要不要接政府標案**\n\n陳總管理一家 SaaS 公司，員工 80 人，年營收 NT$2.4 億，毛利 65%（純 SaaS 訂閱模式）。\n\n某天政府部門主動聯絡：想客製化一套系統給該機關用，**單筆預算 NT$3,000 萬，期程 18 個月**。陳總很心動——3,000 萬等於公司一年營收的 12.5%，毛利好像也不錯。\n\n業務副總算了帳面：\n- 收入：3,000 萬\n- 直接成本（工程師人月）：1,200 萬\n- 帳面毛利率：60%，看起來不錯\n\n**陳總準備簽，他兒子（剛從 MBA 回來）拉著他先算機會成本：**\n\n**Q1：這個案子要佔多少工程資源？**\n答：3 個資深工程師 + 1 個 PM，18 個月。\n\n**Q2：這 3 個工程師如果留在主線 SaaS 產品，能做什麼？**\n業務副總拿出 roadmap：\n- 預計 Q3 上線的「企業版」可以打進中型客戶市場（預估 18 個月 ARR 增加 NT$8,000 萬）\n- AI 功能集成可以提升留存率 + 客單價（預估 18 個月 ARR 增加 NT$3,500 萬）\n\n**這兩個被推遲的功能，18 個月合計潛在 ARR 1.15 億**——而且是經常性收入，未來 5 年複合產生價值。\n\n**Q3：政府案做完之後呢？**\n- 是 one-time revenue，做完就沒了\n- 客製化的程式碼沒辦法 leverage 到其他客戶\n- 政府客戶的續單週期 2-3 年，且預算砍價壓力大\n\n**Q4：3 個工程師被綁住 18 個月，公司的競爭對手會做什麼？**\n答：對手很可能在這 18 個月衝出企業版，吃掉中型客戶市場。\n\n**算清楚的真實機會成本：**\n- 接政府案：賺 3,000 萬 one-time + 失去 1.15 億 ARR + 競爭地位風險\n- 不接政府案：少賺 3,000 萬 + 衝刺主線拿到 1.15 億 ARR\n\n純財務算：**機會成本是 8,500 萬**（差距），完全壓過帳面 3,000 萬的吸引力。\n\n陳總最後拒絕了政府案，把資源 all-in 主線 SaaS。18 個月後企業版上線，中型客戶營收 1 年內貢獻 ARR NT$1.2 億，公司估值翻 3 倍。\n\n兒子事後說：「**爸，這個案子最危險的不是它有什麼問題，是它看起來很合理但你沒比較。**」\n\n機會成本的價值在於：**它逼你把「看不見的選項」拉到檯面上比較**。看得見的 3,000 萬很誘人，看不見的 1.15 億 ARR 才是真正的代價。",
      "body_chars": 2881,
      "slug": "01_常駐工具/機會成本",
      "num": "01"
    },
    {
      "id": "沉沒成本",
      "title": "沉沒成本",
      "english": "Sunk Cost Fallacy",
      "discipline": "經濟學",
      "category": "行為陷阱",
      "tier": "常駐",
      "scenarios": [
        "產品 pivot",
        "投資停損",
        "關係/合作關係",
        "組織變革",
        "個人職涯"
      ],
      "lollapalooza_with": [
        "機會成本",
        "能力圈"
      ],
      "one_liner": "已投入且無法回收的成本，不應影響未來決策。理性決策只看未來邊際成本與效益。但人們常因不甘心而繼續錯誤投資，把好錢追在壞錢後面。",
      "core_concept": "沉沒成本謬誤是經濟學最反直覺的概念之一。經濟學給的處方是：\n\n> **過去花掉的錢已經 gone。下一步的決策只應該看未來 incremental 的成本和收益。**\n\n但人腦完全不這樣運作。行為經濟學常見的示意：\n\n- 投了 100 萬的計畫做到 60%，**人會願意再投 50 萬**完成（即使結果預期只值 30 萬）\n- 投了 10 萬的計畫做到 60%，做完只值 30 萬，**多數人會選擇繼續**\n\n沉沒成本的心理根源：\n1. **損失厭惡**：放棄 = 承認虧損 = 心理痛苦\n2. **承諾一致性**：之前說了會做，放棄=自我否定\n3. **「再多撐一下說不定就成了」**的賭徒謬誤\n\n沉沒成本很少單獨作用，幾乎總是跟確認偏誤、損失厭惡、過度自信疊加，形成蒙格說的 lollapalooza——「我已經虧這麼多了，不能放棄」這句話一開口，往往就是三個偏誤同時在工作。",
      "scenarios_text": "- **產品做了 1 年沒有 PMF**，但「再給 6 個月應該就能」的時刻\n- **投資虧 50% 不肯停損**，覺得「賣掉就真的虧了」\n- **合作關係出問題**，但「都認識 10 年了不好翻臉」\n- **博士讀了 4 年要不要繼續**\n- **公司併購整合不順**，但「投了 3 億不可能說不要就不要」\n- **產品線連年虧損**，但「累積品牌資產不能丟」",
      "hbs_case_company": "Motorola 銥星計畫",
      "hbs_case_text": "1990 年代 Motorola 推出 Iridium 全球衛星電話計畫——66 顆低軌道衛星覆蓋全球。耗資 **50 億美元** 建構完成。\n\n問題是：建造期間，**地面 GSM 行動通訊普及**，價格暴跌，覆蓋率快速擴張。等銥星 1998 年正式服務上線時：\n- 手機售價 **USD 3,000**（像磚塊，約 22 oz / 624g）\n- 通話費每分鐘 **USD 3-8**\n- **室內、車內、城市裡完全沒訊號**\n\n理性決策：銥星已經失去市場意義，應該寫掉投資、止損。\n\n**但 Motorola 不肯**：\n- 「我們已經投了 50 億，不能就這樣丟掉」\n- 「再撐一年用戶基數可能會起來」\n- 「衛星已經在天上了，不用很可惜」\n\n上線僅 9 個月，訂戶只衝到約 1 萬戶（商業模式需要 100 萬戶才能損平）。**1999 年 8 月申請破產，欠債 USD 15 億；累積投資 USD 50 億近乎歸零**。衛星後來被 Dan Colussy 帶頭的投資人用 USD 2,500 萬接手（**0.5% 殘值**）。\n\n**事後分析**：如果 1996 年（衛星發射前）就承認 GSM 改變了賽局並停止計畫，可以止損數十億。沉沒成本讓 Motorola 多燒了好幾年。",
      "plain_example": "**情境：中型製造廠老闆的 ERP 系統轉換**\n\n李董的工廠 2018 年導入了一套客製化 ERP，總投資 NT$3,800 萬，花了 18 個月才上線。2025 年公司決定 IPO，會計師要求「系統需符合上市規範」。原 ERP 廠商評估**升級費用要 NT$1,500 萬，期程 12 個月**。\n\n同時市面上有兩家成熟 SaaS ERP（Oracle NetSuite、SAP B1）符合上市標準，**第一年導入 + 訂閱費約 NT$800 萬，期程 6 個月**。\n\n李董的第一反應：「我們花了 3,800 萬導的系統，現在說換就換？這 3,800 萬不就白花了？」他傾向繼續升級舊系統。\n\n兒子（剛從 HBS 回來）追問了一連串問題：\n\n**Q1：如果今天從零開始選 ERP，你會選舊系統升級還是新 SaaS？**\n李董：「當然選新 SaaS，便宜一半、上線快一倍、還是國際大廠標準。」\n\n**Q2：那 3,800 萬已經花掉了，跟未來決策有什麼關係？**\n李董：「但我心理上就是覺得不甘心。」\n\n**Q3：升級舊系統 1,500 萬 + 12 個月之後，你會比新 SaaS 領先嗎？**\n李董：「不會，反而 IT 維護成本還更高。」\n\n**Q4：12 個月跟 6 個月的差異，影響 IPO 時程嗎？**\n李董：「**差很多**。我們希望 2027 年掛牌，6 個月差距讓我多半年準備財報。」\n\n**Q5：如果換新 SaaS 省下的 700 萬，加上提早 6 個月的 IPO 時點價值，總共值多少？**\n李董：「保守估，IPO 提早 6 個月對估值的影響至少 2 個億。」\n\n**算清楚的真實機會成本：**\n- 繼續升級舊系統：花 1,500 萬 + 拖 12 個月\n- 換新 SaaS：花 800 萬 + 6 個月 + IPO 提早 → **省 700 萬 + 機會價值 2 億**\n\n**3,800 萬已經是 sunk cost**，不該影響這個決策。重新評估的兩個選項，新 SaaS 在每個維度都贏。\n\n李董最後決定換 SaaS。1 年後公司順利提交申請，他跟兒子說：「**我那 3,800 萬不是白花的——它幫我們撐到了 IPO 階段。但繼續升級它就會變成另一個 1,500 萬的錯誤。**」\n\n這就是沉沒成本最關鍵的心法：**過去的投入是讓你走到今天的代價，不是讓你必須繼續走錯方向的理由**。",
      "body_chars": 2725,
      "slug": "01_常駐工具/沉沒成本",
      "num": "02"
    },
    {
      "id": "激勵機制",
      "title": "激勵機制",
      "english": "Incentive Structures",
      "discipline": "經濟學",
      "category": "經濟基準",
      "tier": "常駐",
      "scenarios": [
        "KPI 設計",
        "薪酬制度",
        "銷售體系",
        "組織變革",
        "政策制定",
        "合約條款"
      ],
      "lollapalooza_with": [
        "二階思考"
      ],
      "one_liner": "人們根據所面對的獎懲結構調整行為。制度設計中，激勵機制比規則本身更重要——錯誤的激勵會導致意料之外的行為。",
      "core_concept": "蒙格認為這是商業界**最被低估**的模型。他經常說：\n\n> **Never, ever think about something else when you should be thinking about the power of incentives.**\n\n**激勵機制的兩個層級**：\n\n1. **顯性激勵**：薪資、獎金、KPI、佣金、升遷\n2. **隱性激勵**：地位、面子、權力、歸屬感、安全感\n\n**最危險的時刻**：當你設計顯性激勵時忽略了隱性激勵的反作用力。\n\n**Goodhart's Law**（必背配套）：\n> **When a measure becomes a target, it ceases to be a good measure.**\n> 當指標變成目標，它就不再是個好指標。\n\n這是激勵機制的數學表達。任何 KPI 一旦跟獎金/績效掛鉤，**員工會優化「KPI 數字本身」而非「KPI 想衡量的真實目標」**。",
      "scenarios_text": "- **設計業績獎金**前：員工會用什麼方式「打」這個 KPI？\n- **改 OKR 制度**前：新的衡量方式會驅動什麼新行為？\n- **訂銷售佣金結構**：佣金高低跟產品策略一致嗎？\n- **股權/期權設計**：vesting 條款會引發什麼行為？\n- **客戶合約條款**：條款設計鼓勵長期合作還是短期榨乾？\n- **政策補貼**：誰會 game 這個制度？\n- **看待他人行為**：「他為什麼這樣做」→ 看他的激勵結構",
      "hbs_case_company": "Wells Fargo 假帳戶醜聞",
      "hbs_case_text": "Wells Fargo 訂下「每客戶 8 帳戶（cross-sell）」的銷售目標，**直接跟分行員工獎金、KPI、升遷掛鉤**。\n\n**設計者的一階思考**：員工會努力推銷服務，提升每個客戶的產品滲透率。\n\n**實際發生的二階行為**：\n- 員工無法達到不合理的目標 → 開始未經客戶同意私自開戶\n- 開了空帳戶之後客戶會收到通知 → 員工偽造客戶資料、用假信箱\n- 部分員工拒絕造假 → 被開除，剩下的人壓力更大\n- 整個分行文化變成「不造假就活不下去」\n\n**2009-2016 累計**：350 萬個假帳戶被開設。\n\n**2016 年爆發後續罰款**：\n- 2016 年 CFPB 罰款 USD 1 億\n- 2020 年司法部與 SEC 和解 USD 30 億\n- 2022 年再加罰 USD 37 億（含更廣泛違規）\n- CEO 辭職、5,300 名員工被開除（其中大量是被體制逼到造假的基層）\n- 股價腰斬\n- 品牌信任 10 年難以恢復\n\n**最諷刺的是**：高層 KPI 設計時完全是「合理的業務目標」，但他們**沒有問**：「如果做不到，員工會怎麼辦？」這就是激勵機制 + 缺乏二階思考的經典 lollapalooza。\n\n這就是蒙格「**show me the incentive, I'll show you the outcome**」的活教材——制度設計者本意不壞，但激勵結構決定結果。",
      "plain_example": "**情境：餐飲連鎖品牌的店長獎金重新設計**\n\n林總管理一家連鎖餐飲品牌，全台 32 家店。2025 年發現店長離職率攀升、各店服務品質參差、客訴變多。\n\n舊的店長獎金結構：\n- **每月業績達標：固定獎金 NT$3 萬**\n- 超標 5% 以上：額外 NT$2 萬\n- 連續 3 個月未達標：警告\n\n林總想用「績效對賭」拉業績：**月業績達標領 100%，未達標領 50%，連兩個月未達標走人**。\n\n董事 Mary（資深餐飲經理人）幫他做了二階思考演練：\n\n**Q1：店長會用什麼方式「打」這個 KPI？**\n\n預期店長行為：\n- 為了保住飯碗，**主推高單價菜色 + 推銷加點**（即便客戶不需要）\n- **店租在月底結算**：店長會用「免費招待」「員工餐紀錄不入帳」等技巧把成本往下月推\n- 「達標邊緣」：店長會挑客單高的桌子，**冷落學生族**等低客單客戶\n- **客訴**：店長有 incentive 想方設法掩蓋，因為客訴會引發複查\n- **食材浪費**：為了出更多餐，過度準備食材\n\n**Q2：店員會被怎麼影響？**\n\n- 加班壓力大但加班費發放保守（不想拖累店長 KPI）\n- 學徒/新人沒有培養動機（短期沒貢獻業績）\n- 老員工跟著店長一起 cut corner（不然就被當成績差員工）\n\n**Q3：5 年後這個制度會吸引什麼人留下來？**\n\n- **短視、會 game 系統的店長**留下\n- **重視客戶體驗的店長**會被淘汰（因為他們不肯犧牲服務換業績）\n- 整個品牌服務品質會劣化\n\n**Q4：客戶會察覺嗎？**\n\n絕對會。客戶會發現：\n- 同樣菜色被推得越來越貴\n- 服務變得「拉客導向」而非「體驗導向」\n- NPS 會下降\n\n林總冷汗直流。Mary 幫他重新設計：\n\n**新版激勵**（多軸平衡）：\n- 業績達標 → 基礎獎金 NT$2 萬\n- **客戶 NPS 達標**（每月隨機抽 20 桌調查）→ 加 NT$1 萬\n- **員工留任率**（半年內離職率低於 15%）→ 半年再加 NT$3 萬\n- **食材浪費率低**（廚房報廢監控）→ 季度加 NT$2 萬\n- 三軸都達標 → 季度團隊獎金\n\n**3 個關鍵設計**：\n1. **多軸平衡**：單一 KPI 必被 game，多軸互相牽制\n2. **長短期混合**：月、季、半年三層獎金，避免短視\n3. **間接衡量**：NPS、留任率、浪費率是「不容易造假」的真實指標\n\n新制度上線 12 個月後：業績成長 14%、店長離職率從 28% 降到 12%、NPS 提升 9 分。\n\n**重點不是「績效對賭錯了」**——是當初設計者只想到一階反應，沒想到激勵會引發的多層連鎖。\n\n蒙格的鐵律：**設計激勵之前，先扮演被激勵的那個人，問自己「如果是我，最容易 game 這個的方式是什麼？」答案就是這個制度會發生的事**。",
      "body_chars": 2903,
      "slug": "01_常駐工具/激勵機制",
      "num": "03"
    },
    {
      "id": "確認偏誤",
      "title": "確認偏誤",
      "english": "Confirmation Bias",
      "discipline": "心理學",
      "category": "行為陷阱",
      "tier": "常駐",
      "scenarios": [
        "投資判斷",
        "招募決策",
        "併購評估",
        "產品方向",
        "策略討論"
      ],
      "lollapalooza_with": [
        "能力圈",
        "基礎機率"
      ],
      "one_liner": "人傾向尋找、解讀、記憶與自己既有信念一致的資訊，同時忽視或否定矛盾的證據。這是投資決策與組織戰略最危險的偏誤之一。",
      "core_concept": "確認偏誤運作在三個層面：\n\n1. **資訊收集**：只看支持自己的新聞、報告、意見\n2. **資訊解讀**：模糊證據被解讀成支持自己的方向\n3. **記憶儲存**：支持自己的細節記得清楚，反證的細節忘掉\n\n蒙格在《人類誤判心理學》多次引用達爾文的習慣：達爾文在筆記本上有個特別欄位，**專門記錄反對自己理論的觀察**——刻意對抗確認偏誤。把反證的權重設得比支持證據高，這在 19 世紀就是反直覺的做法。\n\n確認偏誤跟「智商」幾乎沒關係。哈佛實驗發現高智商人士確認偏誤反而更強，因為他們更會合理化自己的偏好。",
      "scenarios_text": "- **重大決策後等待結果期間**：每天的新資訊都會被偏向解讀\n- **跟自己團隊討論時**：群體會放大每個人的確認偏誤（group think）\n- **看待自己的產品/公司**：創辦人對自己的孩子最盲目\n- **政治/意識形態議題**：演算法已經把你包在同溫層\n- **「我早就知道」的事後諸葛時刻**：通常是記憶被竄改的證據",
      "hbs_case_company": "Nokia 智慧型手機轉型失敗",
      "hbs_case_text": "Nokia 高管團隊深信自己在手機硬體的優勢無可取代。iPhone 2007 年問世時，內部報告大量強調：\n\n- ✅ iPhone 電池續航差 → 證明硬體優勢重要\n- ✅ iPhone 沒有實體鍵盤 → 證明用戶會回頭找鍵盤\n- ✅ iPhone 通話品質普通 → 證明 Nokia 的核心技術仍領先\n\n**這些觀察都是真的**，但都是確認偏誤下挑出來的「支持證據」。沒人認真分析：\n- ❌ 觸控操作的範式轉移意義\n- ❌ App Store 生態系的長期威力\n- ❌ 「手機是電腦」這個本質改變\n\n當證據愈來愈倒向 iPhone 時，Nokia 高層花更多力氣**解釋為什麼這些證據其實不重要**。2013 年宣布、2014 年完成出售給 Microsoft（金額約 €5.4 億歐元），市值蒸發 90%。\n\n確認偏誤的可怕：**它不會讓你看到資訊不足，反而會讓你覺得自己分析得很全面**。",
      "plain_example": "**情境：投資人盡職調查一家明星新創**\n\n王經理是創投合夥人，看上一家做 AI 客服 SaaS 的新創。創辦團隊履歷亮眼（Google + Stanford），ARR 從去年 200 萬美金成長到今年 1,200 萬，6 倍成長。王經理想領投 B 輪。\n\n他做了 6 週盡職調查，回報董事會說「我看不到拒絕的理由」。董事會問了一個關鍵問題：\n\n> **你跟「會說 No 的人」聊過嗎？**\n\n王經理愣住。他訪談了 12 個客戶——**全是創辦人介紹的「樂意分享的客戶」**。\n\n董事會要求他補做反向訪談：找 3 個流失的客戶 + 3 個評估過但沒簽的潛在客戶。一週後王經理回報：\n\n**流失客戶 3 個：**\n- 客戶 A：「他們的 AI 在我們的 use case 完全不行，但 sales 一直推說 model 還在學習」\n- 客戶 B：「服務不錯，但價格 2 年漲了 3 倍，續約跟搶劫一樣」\n- 客戶 C：「客服回應越來越慢，看得出來公司在燒人」\n\n**沒簽的潛在客戶 3 個：**\n- 潛在 D：「demo 的時候用他們挑好的場景，我們實測完全不一樣」\n- 潛在 E：「同樣價位，OpenAI 直接用 API 自建更省 60%」\n- 潛在 F：「我們業界的人都說他們明年會有大客戶集中度問題」\n\n突然之間，王經理對這家公司的印象 180 度翻轉。回頭再看財報，他發現自己之前「樂觀解讀」了幾件事：\n- ARR 雖然 6 倍，但**前 5 大客戶佔 65%**，集中度極高\n- 客戶留存率公司沒主動揭露，王經理也沒追問\n- 燒錢率（burn rate）跟營收成長率比起來，**runway 只剩 14 個月**\n\n最後他改成放棄領投。一年後這家公司確實出問題——3 個大客戶不續約，估值打 6 折再融資。\n\n王經理事後跟董事會說：「**前 6 週我以為自己在做盡職調查，其實只是在收集支持我已經做好決定的證據。**」\n\n這就是確認偏誤最危險的地方：**它讓你以為自己在分析，其實只是在說服自己**。對抗它的方法很簡單但很反直覺——**主動找最不舒服的反方意見**，特別是「會說 No 的人」。",
      "body_chars": 2308,
      "slug": "01_常駐工具/確認偏誤",
      "num": "04"
    },
    {
      "id": "基礎機率",
      "title": "基礎機率",
      "english": "Base Rate",
      "discipline": "統計學",
      "category": "統計校準",
      "tier": "常駐",
      "scenarios": [
        "創業判斷",
        "投資決策",
        "招募評估",
        "醫療診斷",
        "風險評估"
      ],
      "lollapalooza_with": [
        "逆向思考",
        "確認偏誤"
      ],
      "one_liner": "人在評估特定案例時，忽視整體基礎機率而過度依賴具體描述。醫療診斷、投資決策、風險評估常因忽視基礎機率而產生嚴重錯誤。",
      "core_concept": "Kahneman 在《Thinking, Fast and Slow》提出的核心偏誤之一。經典實驗：\n\n> Tom 是個害羞、內向、喜歡閱讀的人。請問 Tom 比較可能是：\n> A. 圖書館管理員\n> B. 農夫\n\n**多數人選 A**，因為描述「符合」管理員形象。\n\n**但基礎機率告訴你**：美國農夫數量約是圖書館管理員的 10 倍以上。即使農夫裡只有 5% 是「害羞內向」，數量上仍然比圖書館管理員（80% 害羞內向）多。\n\n**正確答案：B**。\n\n人們忽略 base rate 是因為**具體描述更生動、更容易喚起聯想**。「這個創辦人有 Stanford 學位 + 連續創業 + Y Combinator 出來」聽起來成功率很高，但**全部創業者的 5 年存活率是 20%**，即便這個 founder「看起來」加成，真實成功率最多也就 30-35%。\n\nSherlock Holmes 在《巴斯克維爾的獵犬》說過：「**The world is full of obvious things which nobody by any chance ever observes.**」（柯南道爾筆下台詞）。基礎機率就是其中一個——統計上明顯的事實，但人們做決策時幾乎從不去查。",
      "scenarios_text": "- **創業判斷**：類似階段/產業的新創 5 年存活率？\n- **投資決策**：類似估值的標的歷史報酬率？\n- **招募評估**：類似履歷的候選人過去 3 年存留率？\n- **醫療診斷**：症狀符合，但這種病的盛行率多少？\n- **風險評估**：「黑天鵝」其實是低 base rate 事件被低估\n- **任何「這次不一樣」的時刻**",
      "hbs_case_company": "新創公司過度樂觀",
      "hbs_case_text": "HBS 經典研究：訪問 3,000 名創業者，問他們對「自家公司 5 年內成功」的估計：\n\n- 平均估計：**80% 會成功**\n- 對「同產業其他新創」的估計：**40% 會成功**\n- 實際數據（VC 募資的新創）：**走到 A 輪以上約 25-35%、IPO/被收購等獲利退場不到 10%**\n\n**雙重 base rate 忽略**：\n1. 把自己的成功率估高 4 倍\n2. 即便對「其他公司」也估高 2 倍\n\n最諷刺的部分：**這些創業者大多受過嚴格商學院訓練，懂統計、懂機率**。但面對「自己的案子」時，base rate 完全失效。\n\n**為什麼？** 確認偏誤 + 過度自信 + 倖存者偏差三條同向疊加：\n- 看的成功故事比失敗故事多（倖存者偏差）\n- 主動收集支持「我會成功」的證據（確認偏誤）\n- 高估自己的判斷準確度（過度自信）\n- → 形成 lollapalooza，徹底壓過 base rate",
      "plain_example": "**情境：天使投資人評估「明星創辦人」的 seed round**\n\n張先生是天使投資人。某天朋友介紹一個「超強案子」：\n\n- 創辦人 Sam，28 歲，**Stanford CS + Stanford MBA**\n- 在 Google 工作 5 年，做到 senior PM\n- 第二次創業（第一次做了 2 年因為 PMF 不到主動關掉，沒虧投資人錢）\n- 做的是 **B2B SaaS AI 助理**，TAM 號稱 USD 500 億\n- 估值 USD 1,500 萬，要募 USD 200 萬 seed\n- 已經有 LOI 從 3 個 Fortune 500（Walmart、Lowes、CVS）\n\n**直覺反應**：履歷漂亮、市場大、有大客戶 LOI、估值「合理」（種子輪 1,500 萬不算誇張）。\n\n張先生想直接簽 USD 25 萬支票。他先生用 base rate 算一遍：\n\n**Q1：Pre-revenue B2B SaaS Seed 5 年成功（A round 以上）的機率？**\n答：產業數據約 25-35%。\n\n**Q2：拿到 A round 的公司，最後 IPO/被收購的機率？**\n答：約 10%。\n\n**Q3：所以 Sam 公司「seed → exit」的 base rate？**\n答：25% × 10% = **2.5%**。\n\n**Q4：Sam 個人加成有多少？**\n\n- Stanford + MBA + Google senior PM：產業內這種背景不少，**統計上加成 1.3-1.5 倍**\n- 第二次創業（第一次失敗）：**加成 1.2-1.5 倍**（連續創業成功率高於首次，但沒高很多）\n- LOI from Fortune 500：**加成 1.5-2 倍**（但要小心 LOI vs 真實合約的落差）\n\n**綜合**：base rate 2.5% × 加成（1.4 × 1.3 × 1.7）= **約 7-8%**\n\n**Q5：如果我投 25 萬，期望值是多少？**\n- 92% 機率：歸零\n- 8% 機率：假設成功時 25 萬變 500 萬（20x return）\n- 期望值：500 × 8% = **40 萬**（相對於投入 25 萬）\n\n數學上看起來划算？但張先生繼續算：\n\n**Q6：我這筆錢的 next best alternative？**\n- ETF 5 年複利：25 萬 → 36 萬（穩定 8% 年化）\n- 私募基金：25 萬 → 50 萬左右（風險中等）\n\n**Q7：考慮波動性與機會成本，真的值嗎？**\n\n最後張先生決定**減碼到 USD 10 萬**（而非朋友建議的 25 萬），並要求：\n- LOI 變成簽約客戶後才撥款\n- Sam 必須每月發更新\n- 半年內未達某個 milestone 可以選擇拉回\n\n18 個月後，Sam 的公司 Fortune 500 LOI 只簽下了 1 個（Lowes），ARR 約 USD 30 萬，A round 估值 USD 800 萬（**flat round**，等於沒漲）。張先生雖然帳面上沒賺，但**避免了把 25 萬全壓進去**。\n\n這就是 base rate 的威力：**它不告訴你「投或不投」，但給你一個冷靜的數學起點**，讓你看清楚「這次不一樣」這四個字背後，到底真的不一樣多少。",
      "body_chars": 2998,
      "slug": "01_常駐工具/基礎機率",
      "num": "05"
    },
    {
      "id": "二階思考",
      "title": "二階思考",
      "english": "Second-Order Thinking",
      "discipline": "哲學與邏輯",
      "category": "思維方法",
      "tier": "常駐",
      "scenarios": [
        "政策設計",
        "KPI設計",
        "定價決策",
        "產品功能",
        "組織變革",
        "補貼方案"
      ],
      "lollapalooza_with": [
        "逆向思考",
        "激勵機制"
      ],
      "one_liner": "不只考慮行動的直接後果（一階），也思考那些後果的後果（二階）及更遠的連鎖反應。短視的決策只做一階思考，長期的智慧需要二階甚至三階。",
      "core_concept": "Howard Marks（Oaktree 創辦人）把這套思維法寫進《投資最重要的事》。他的核心觀察：\n\n> 一階思考者問「會發生什麼？」\n> 二階思考者問：「會發生什麼？市場已經 price in 了嗎？我的觀點跟共識比是強還是弱？如果我對了，會引發什麼新行為？那些新行為又會引發什麼？」\n\n最常見的失敗模式：**一階看起來明顯是好事，二階以下變成災難**。\n- 補貼麵包（一階：窮人吃得起）→ 農民改種出口作物（二階：本地供給萎縮）→ 進口依賴（三階：外匯吃緊）→ 補貼成本失控（四階：財政崩潰）\n- 設立業績獎金（一階：員工更努力）→ 員工為達標走捷徑（二階：品質下降）→ 客戶流失（三階：營收反而衰退）\n\n二階思考的核心動作：**問三次「然後呢？」**",
      "scenarios_text": "- **KPI / 獎金制度設計**前：員工會怎麼「打」這個 KPI？走捷徑？造假數字？\n- **價格調整**前：競爭對手會跟進嗎？客戶會囤貨/觀望嗎？\n- **裁員 / 組織調整**前：留下來的人會怎麼想？key talent 會跑嗎？\n- **產品功能上線**前：用戶會怎麼「濫用」這個功能？\n- **政策補貼 / 公司福利**：誰會 game 這個制度？\n- **重大公開聲明**：媒體會怎麼解讀？股東會怎麼解讀？對手會怎麼出招？",
      "hbs_case_company": "埃及麵包補貼政策",
      "hbs_case_text": "埃及政府為平息民怨，長期補貼麵包價格，讓最窮的人也買得起。**一階後果**：窮人吃得起麵包，社會穩定。\n\n**二階後果**：補貼扭曲了麵包生產的激勵。農民發現種小麥不划算，紛紛轉種出口作物（棉花、水果）。本地小麥產量萎縮。\n\n**三階後果**：埃及變成全球最大小麥進口國之一，必須花外匯買糧。國際小麥價格波動直接傳導到財政。\n\n**四階後果**：2008 年國際糧價飆漲，補貼成本暴增，財政難以為繼。減少補貼引發 2008 年「麵包暴動」。\n\n**五階後果**：累積的社會不滿成為 2011 年「阿拉伯之春」的導火線之一，政權更替。\n\n一個看似溫情的補貼政策，40 年後變成政權更替的遠端原因。**不是補貼錯了，是沒做二階思考就決定了補貼的形式**。",
      "plain_example": "**情境：中型電商公司導入「績效對賭」KPI 制度**\n\n林總管理一家中型 D2C 電商，年營收 NT$8 億，員工 60 人。2025 年成長放緩，毛利從 32% 掉到 27%，董事會給她壓力要「拉業績」。\n\n林總找顧問建議，最後決定導入新的 KPI 制度：**業務團隊 12 人，每月業績達標領 100% 獎金，未達標領 50%，連續兩月未達標走人**。聽起來簡單粗暴，符合「結果導向」的潮流。\n\n她差點就要 roll out，幸好在董事會前一週，董事 Alex（資深經理人）問了一個問題：**「然後呢？這制度上線 6 個月後會發生什麼？」**\n\n林總被問得愣住，回家認真做二階思考。她寫下：\n\n**一階（最直接的反應）**：\n業務會更努力，業績會上升。\n\n**二階（人們的行為會怎麼改變？）**：\n- 業務為了保住飯碗，會挑「好賣的客戶」死纏，不再開發長尾市場\n- 「達標邊緣」的業務，會把這個月超過的訂單延到下個月入帳（讓下個月也達標）\n- 業務之間搶單會更激烈，**團隊合作會崩潰**\n- 業務會偷偷砍價或承諾超出公司能力的服務（追求短期成交、不顧後續成本）\n- 連續兩月未達標的人會在第二個月「自暴自棄」造成業績更糟\n\n**三階（這些行為改變會引發什麼）**：\n- 長尾客戶開發停止 → 大客戶集中度上升 → **未來 1-2 年大客戶議價權變強，毛利會繼續被壓**\n- 客戶服務承諾超載 → 客服部門爆炸 → 客戶體驗變差 → 復購率下降\n- key 業務跑掉 → 公司知識流失 → 訓練新人成本暴增\n- 同業挖角 → 整個團隊 12 人可能 6 個月內換掉 5 個\n\n**四階（更遠的後果）**：\n- 公司被外部視為「燃燒員工的公司」，未來招募變難\n- 連帶其他部門（產品、行銷）士氣下降，因為他們看到業務的處境\n- 林總本人變成「逼員工的老闆」，跟她以前建立的「重視團隊」品牌矛盾\n\n林總冷汗直流。她重新設計制度：\n\n**新版**：保留基礎業績獎金（更小級距，避免懸崖式落差），加入「年度團隊獎金」（30%）+「客戶滿意度修正係數」（拉低短視 incentive）+「3 個月觀察期」（取代 2 個月走人）。\n\n新制度上線 6 個月後，業績確實成長 18%，但離職率反而下降，客戶 NPS 不變。\n\n**重點不是「績效對賭錯了」**，是當初的版本只做一階思考，沒看到二階以後的連鎖。\n\n二階思考最大的價值，**不是預測未來，而是逼你看清楚「我這個決定會把人推到什麼處境」**。人在不同處境下的行為，會完全顛覆原本的計畫。",
      "body_chars": 2545,
      "slug": "01_常駐工具/二階思考",
      "num": "06"
    },
    {
      "id": "能力圈",
      "title": "能力圈",
      "english": "Circle of Competence",
      "discipline": "哲學與邏輯",
      "category": "思維方法",
      "tier": "常駐",
      "scenarios": [
        "投資判斷",
        "跨產業擴張",
        "招募決策",
        "新事業立項",
        "顧問選擇"
      ],
      "lollapalooza_with": [
        "確認偏誤",
        "沉沒成本"
      ],
      "one_liner": "每個人對某些領域有深入理解，對其他領域非常有限。成功的關鍵不在能力圈的大小，在於清楚知道邊界在哪，並只在能力圈內做決策。",
      "core_concept": "巴菲特最常用的思考工具之一。三個面向：\n\n1. **能力圈是真實存在的**：你對某些產業/技術/市場真的有 informational edge 或判斷力，對其他的沒有\n2. **大多數人對能力圈邊界沒概念**：典型的 dunning-kruger，越不懂的領域越覺得自己懂\n3. **重點不是擴大圈，是認清邊界**：在邊界內做決策能贏，跨出邊界做決策幾乎必輸\n\n巴菲特在 1990 年代後期拒絕投資科技股，被市場嘲笑「過時」。網路泡沫破裂後，他保住了全部資本。他的解釋：「我不知道科技的未來，但我知道可口可樂明年仍會賣出去。」\n\n蒙格補充：「我們不會嘗試跨越七尺高的欄杆。我們在找一尺高的、對面有大筆錢可以撿的欄杆。」",
      "scenarios_text": "- **跨產業擴張**前：你真的懂這個產業的 unit economics 嗎？\n- **投資決策**前：這家公司的競爭優勢 5 年後還在嗎？你判斷得了嗎？\n- **招募關鍵職位**前：你能評估這個候選人的真實能力嗎？還是只是「感覺很強」？\n- **付昂貴顧問費**前：他在他的能力圈內，但他懂你的問題嗎？\n- **熱潮跟風**時：「大家都在做 AI/Web3/Crypto」——這在你能力圈內嗎？",
      "hbs_case_company": "Warren Buffett 拒絕科技股",
      "hbs_case_text": "1990 年代末，網路泡沫達到頂峰，Berkshire 因「沒有科技股」績效落後 S&P 500 顯著差距。媒體與分析師大量批評巴菲特「已經過時」、「跟不上時代」。\n\n巴菲特的回應：「我不會投資我看不懂的東西。我不知道 Yahoo 5 年後值多少錢，但我知道可口可樂 5 年後還是會賣出去。」\n\n2000 年泡沫破裂起，那斯達克從峰值累計跌 78%（到 2002 年低點），數兆美元市值蒸發。Berkshire 雖然股價也經歷波動，但因堅守能力圈邊界避開了科技股核心傷害，並在低點大量加倉自己懂的傳統行業（鐵路、能源、保險）。\n\n值得注意的是，巴菲特後來在 2016 年開始重押 Apple——不是因為他突然懂了科技，是因為他把 Apple 當成「擁有極強消費品牌的公司」來分析，這在他能力圈內。**這展示了能力圈可以擴大，但要靠改變分析角度，不是靠跟風**。",
      "plain_example": "**情境：傳統製造業老闆要不要跨進 AI 應用**\n\n陳老闆做精密金屬零件代工 25 年，工廠在台中，年營收 NT$12 億，毛利 28%，員工 230 人。2026 年初，他兒子（30 歲、MBA 剛畢業）回來接班，第一個提案就是「我們應該成立 AI 子公司，做工廠智能化的 SaaS 解決方案賣給同業」。\n\n兒子說得很有道理：我們最懂金屬加工的 know-how，把這些 domain knowledge 包進 AI 產品，賣給同行同業，毛利可以拉到 60-70%。陳老闆心動，但找了 3 個顧問評估，都說「方向對」。\n\n他差點就要開幹，後來想起能力圈這條，自己列了 5 個問題：\n\n**1. 這個決策需要的知識我有嗎？**\n- 金屬加工 know-how → ✅ 有 25 年\n- AI 演算法 → ❌ 不懂\n- SaaS 商業模式 → ❌ 不懂\n- B2B SaaS 銷售（不是賣零件）→ ❌ 不懂\n- 工程師團隊管理 → ❌ 從沒管過 100 人軟體團隊\n\n**5 個關鍵知識項中，4 個不在能力圈內。**\n\n**2. 我能列出這個領域 3 個關鍵不確定問題嗎？**\n他試著寫，發現自己連「SaaS 公司怎麼定價」、「軟體 PMF 怎麼判斷」、「客戶獲取成本（CAC）vs 終身價值（LTV）的健康比例多少」這些基本問題都答不出來。\n\n**3. 過去類似決策的紀錄？**\n2018 年他試著做過模具設計顧問業務（離本業近多了），3 年虧 NT$2,000 萬收掉。連那麼近的領域都做不起來。\n\n**4. 真正的 SaaS 創業者會怎麼看？**\n他找了一個朋友——做工業軟體 SaaS 的真正 CEO——吃飯。對方聽完直接說：「你這個會虧 NT$5,000 萬以上，最少燒 3 年才知道做不起來。」\n\n**5. 兒子的判斷在不在他能力圈內？**\n兒子有 MBA 但沒做過任何軟體產品，更沒做過 B2B 銷售。**兒子也不在能力圈內**。\n\n陳老闆最後的決定：**不自建 SaaS 公司**。改成跟一家現有的工業軟體商策略合作——我們提供 know-how 入股 15%，他們負責產品和銷售。3 年後如果跑得起來，再考慮加碼。\n\n這就是能力圈的價值：**不是禁止你做新事**，是讓你看清楚「這件事我懂多少」，並設計符合你實際能力的進場方式。陳老闆後來算過，如果硬幹，3 年燒掉的錢夠他在本業擴一條新產線，那條產線他閉著眼睛都會做。\n\n機會成本與能力圈疊在一起看，故事完全不同。",
      "body_chars": 2562,
      "slug": "01_常駐工具/能力圈",
      "num": "07"
    },
    {
      "id": "逆向思考",
      "title": "逆向思考",
      "english": "Inversion",
      "discipline": "哲學與邏輯",
      "category": "思維方法",
      "tier": "常駐",
      "scenarios": [
        "重大決策前",
        "戰略規劃",
        "風險評估",
        "產品設計",
        "投資判斷"
      ],
      "lollapalooza_with": [
        "二階思考",
        "基礎機率"
      ],
      "one_liner": "不問「如何成功」，而問「如何確保失敗」。把問題反轉，找出必須避免的事。",
      "core_concept": "蒙格最推崇的思維工具之一。源頭其實是 19 世紀數學家 Jacobi 的名言：「invert, always invert」（反轉，永遠反轉）。\n\n正向思考容易陷入「我想要什麼」的願望清單，而忽略路上會踩到的雷。逆向思考強迫你列出**會弄死這個決策的所有路徑**，再倒推回來避開。\n\n蒙格在波克夏的投資原則，絕大多數是「絕不做的事」：\n- 不買懂不了的業務\n- 不押差勁的管理層\n- 不用高槓桿\n- 不在大眾興奮時加倉\n\n不是因為他知道什麼會成功，是因為他知道什麼會死。",
      "scenarios_text": "- **正向分析陷入願望思考**時：「這個併購會帶來 X、Y、Z 好處」這類列點太順時\n- **團隊共識過於和諧**時：沒人提反對意見，逆向掃描通常會炸出隱患\n- **重押或不可逆決策前**：簽約、發 offer、大筆採購、戰略 pivot\n- **新事業立項**：先寫一份「失敗劇本」再寫商業計劃",
      "hbs_case_company": "Berkshire Hathaway 風險管理",
      "hbs_case_text": "蒙格說：「告訴我我會死在哪裡，我就不去那裡。」Berkshire 的投資原則更多是排除法——絕不做的事（高槓桿、不懂的業務、差勁的管理層）——而非積極定義要做什麼。逆向思考讓他們避開了 2000 網路泡沫、2008 金融海嘯這兩次世代級虧損。\n\n巴菲特和蒙格的合夥模式：巴菲特負責找好機會，蒙格負責找出為什麼這個機會其實是陷阱。蒙格說自己的工作就是「殺死巴菲特最愛的 idea」——這正是逆向思考制度化。",
      "plain_example": "**情境：新創 CEO 要不要接 B 輪這筆錢**\n\n阿凱的新創跑了三年，做 B2B SaaS，年營收剛破 NT$5,000 萬。一家二線 VC 主動上門出 B 輪，條件聽起來不錯：估值 NT$3 億、注資 NT$5,000 萬。但合約裡有兩條：1x 非參與優先清算 + 反稀釋全 ratchet 條款。\n\n阿凱跟團隊開會，所有人都很興奮。CFO 算現金流，這筆錢可以撐 24 個月加碼業務開發；CTO 想招 5 個工程師補產品線；BD 主管已經在想下一輪要怎麼包裝故事衝到 NT$10 億估值。氣氛非常正向。\n\n阿凱回家路上想起逆向思考。他打開筆記，問自己一個問題：\n\n> **如果簽下這份合約，3 年後我會怎麼罵自己？**\n\n寫下來的答案讓他冷汗直流：\n\n1. **如果下一輪估值打折**（market correction、業績沒達標都可能），ratchet 條款會讓現有股東稀釋到爆，創辦人可能掉到 15% 以下。\n2. **如果公司被併購**（出場最常見的路徑），1x 優先清算讓 VC 先拿回 NT$5,000 萬，剩下才照股權分。如果以 NT$2 億出場，VC 拿 5,000 萬 + 剩下 1.5 億的 16.67%（他們持股比例），等於拿走 7,500 萬，創辦人拿不到一半。\n3. **如果我繼續燒 24 個月還是沒到 PMF**，這筆錢花完，B 輪估值已經設好，下一輪只會更慘。\n4. **如果這家 VC 是二線**，後續輪 follow-on 能力有限，他們進來之後可能反而阻擋一線 VC 進場（清算優先權太重）。\n\n阿凱接著問第二個問題：\n\n> **如果不簽呢？最壞會怎樣？**\n\n答案：產品開發節奏放慢，BD 多熬半年，但現金流自給自足還能撐 18 個月。沒有人會死。\n\n逆向思考沒給阿凱答案，但給了他「不接的代價遠小於接的代價」的清晰判斷。最後他選擇拒絕這筆 B 輪，半年後一線 VC 用更乾淨的條款進場。\n\n**這就是逆向思考的價值**：不是禁止你冒險，是讓你看清楚正向投影片背後的「失敗劇本」，再決定要不要簽。",
      "body_chars": 2135,
      "slug": "01_常駐工具/逆向思考",
      "num": "08"
    },
    {
      "id": "價格歧視",
      "title": "價格歧視",
      "english": "Price Discrimination",
      "discipline": "經濟學",
      "category": "激勵行為",
      "tier": "字典",
      "scenarios": [
        "定價策略",
        "SaaS 定價設計",
        "收益管理",
        "B2B 報價",
        "訂閱模式設計"
      ],
      "lollapalooza_with": [],
      "one_liner": "對不同消費者收取不同價格，以提取更多消費者剩餘，最大化總利潤。前提是能區隔不同支付意願的消費群體。",
      "core_concept": "",
      "scenarios_text": "- **SaaS 定價設計**：Basic / Pro / Enterprise 三檔基本上就是價格歧視\n- **航空業收益管理**：同一架飛機，每個座位價格可能差 10 倍\n- **B2B 報價策略**：依客戶大小、合約期限調整單價\n- **訂閱模式**：月繳 vs 年繳折扣\n- **內容定價**：免費試用 → 付費（區隔願付者）",
      "hbs_case_company": "美國航空收益管理",
      "hbs_case_text": "美國航空 1980 年代首創 **Yield Management** 系統，把同一航班的座位賣不同價格：\n\n**區隔機制**：\n- **退改限制**：可退可改的票價高 3 倍\n- **提前預訂**：提早 21 天 vs 當天\n- **週六留宿**：商務客當天來回，度假客留週末 → 區隔\n- **單程 vs 來回**：單程貴一倍（商務客常單程）\n- **艙位**：經濟、商務、頭等\n\n**同一航班從紐約到洛杉磯**：\n- 商務客（公司付錢、不在乎價格）：USD 1,800（可退改、最後一刻）\n- 度假客（自己付、提前計畫）：USD 350（不退改、提前 30 天）\n- 同樣的座位，**價差 5 倍**\n\n**對航空業的影響**：\n- 整個產業每年**多收 USD 數十億**（純利潤，因為座位成本是固定的）\n- 改變了航空業競爭格局（不懂 yield management 的航空公司倒閉）\n- Yield management 後來擴散到飯店、租車、活動票券\n\n**啟示**：價格歧視成功的關鍵是**找到能被識別的區隔特徵**（願意付高價的人不會選便宜版的條件）。",
      "plain_example": "某 SaaS 創辦人 Sarah 的訂閱定價：\n\n**最初設計**（單一定價）：\n- 所有客戶 USD 99/月\n- 平均每月收入 USD 9,900（100 客戶）\n\n**改成三檔價格歧視**：\n\n| 方案 | 價格 | 功能 | 目標客群 |\n|---|---|---|---|\n| Starter | USD 29 | 基本 + 限額 | 個人、自由工作者 |\n| Pro | USD 99 | 完整 + 較高限額 | 中小團隊 |\n| Enterprise | USD 499 | 完整 + 客製 + SLA | 大企業 |\n\n**Sarah 一開始擔心**：「Pro 還是 99，那不就一樣？而且 Starter 太便宜會搶 Pro 客戶。」\n\n**實際結果**（3 個月後）：\n\n| 方案 | 用戶數 | 月營收 |\n|---|---|---|\n| Starter | 200 | USD 5,800 |\n| Pro | 80 | USD 7,920 |\n| Enterprise | 8 | USD 3,992 |\n| **合計** | **288** | **USD 17,712** |\n\n**收入從 9,900 變 17,712，幾乎翻倍**。為什麼？\n\n1. **Starter 抓到原本不買的小用戶**（願付 USD 30 但不願付 99）\n2. **Enterprise 抓到願付 5 倍**的大客戶（之前他們也只付 99，被嚴重低估價值）\n3. **Pro 的 80 客戶**就是「不上不下」的中間層，價位剛好\n\n**這是價格歧視成功的核心**：**讓不同支付意願的客戶各取所需**，總利潤最大化。",
      "body_chars": 1779,
      "slug": "02_字典/01_經濟學/價格歧視",
      "num": "09"
    },
    {
      "id": "公地悲劇",
      "title": "公地悲劇",
      "english": "Tragedy of the Commons",
      "discipline": "經濟學",
      "category": "競爭結構",
      "tier": "字典",
      "scenarios": [
        "環境保護",
        "共享資源管理",
        "組織內部資源",
        "開源社群",
        "公共財設計"
      ],
      "lollapalooza_with": [],
      "one_liner": "共享資源無人負責時，個人自利最大化使用，最終導致資源耗竭，集體受害。解方是私有化、課稅或社區自治。",
      "core_concept": "",
      "scenarios_text": "- **環境議題**：空污、海洋資源、大氣 CO2\n- **共享資源**：地下水、漁場、放牧地\n- **組織內部**：公司會議室、共用印表機、共享預算池\n- **開源社群**：所有人享用，少數人維護\n- **網路資源**：頻寬、DDoS 抗性、垃圾郵件",
      "hbs_case_company": "北大西洋鱈魚崩潰",
      "hbs_case_text": "20 世紀中期，北大西洋鱈魚是世界最大漁場之一。各國漁船（加拿大、美國、歐洲）在公海競相捕撈：\n\n**典型公地悲劇結構**：\n- 每艘漁船覺得「我多捕一點對總量影響很小」\n- 但**所有漁船都這樣想** → 集體過度捕撈\n- 漁船技術升級（拖網、聲納）讓捕撈效率指數成長\n- 1968 年北方鱈魚捕撈量達歷史高峰 **約 81 萬噸/年**\n\n**沒人有 incentive 節制**：\n- 加拿大漁夫節制 → 美國漁夫接手 → 一樣捕光\n- 不存在「我的鱈魚」這個概念\n- 政府想介入但管不了公海\n\n**1992 年崩潰**：\n- 鱈魚族群跌到**歷史水平的 1%**\n- 加拿大政府宣布**全面禁捕**\n- **3 萬漁民失業**\n- 直到 **2024 年（32 年後）加拿大才有限度解禁**，但年總可捕量僅 18,000 噸，遠低於 1968 年峰值（約 81 萬噸）\n\n**這個案例的諷刺**：每個漁夫都知道過度捕撈會耗竭資源，但**個人理性還是逼著他們繼續**。沒有外力強制，悲劇必然發生。",
      "plain_example": "某 500 人軟體公司有 8 間「**可預約會議室**」，使用免費（公地）。\n\n**個別員工的最佳策略**：\n- 不確定要不要開會 → **先預約再說**（沒成本）\n- 預約後沒用 → **不取消**（嫌麻煩）\n- 跨部門協調 → **預約 4 小時 buffer**（怕不夠用）\n\n**集體後果**（**典型公地悲劇**）：\n- 會議室預約率 90%，但**實際使用率只有 35%**\n- 真正需要開會的人**找不到空房**\n- 大家更焦慮 → 預約更多 buffer → 惡性循環\n- 公司被迫**租更多會議室**（NT$1,200 萬/年）\n\n**Ostrom 式解法**：\n\n| 解法 | 怎麼做 |\n|---|---|\n| **私有化** | 部門各自負責一間會議室、互換需付費 |\n| **課稅** | 預約超過 2 小時佔超過 50% buffer 要找主管簽核 |\n| **社區自治** | 全公司 transparency board：誰預約多少、實際用多少；公布「會議室肉粽王」 |\n| **技術** | 加自動偵測：開始 15 分鐘沒人進去，預約自動釋放 |\n\n某些公司導入「**會議室自動釋放**」+「**月度公開報告**」後：實際使用率從 35% 升到 78%，**省下 1,200 萬租金**。\n\n**公地悲劇最常見的盲點**：以為「**每個人理性就好**」，忘了共享資源需要**規則或結構**才能維持。",
      "body_chars": 1583,
      "slug": "02_字典/01_經濟學/公地悲劇",
      "num": "10"
    },
    {
      "id": "冪次法則",
      "title": "冪次法則",
      "english": "Power Law",
      "discipline": "經濟學",
      "category": "市場機制",
      "tier": "字典",
      "scenarios": [
        "VC 投資判斷",
        "銷售管理",
        "人力資源",
        "內容策略",
        "風險評估"
      ],
      "lollapalooza_with": [],
      "one_liner": "少數結果佔據絕大多數影響力，而非常態分配的鐘形曲線。創投報酬、城市規模、網站流量都遵循冪次法則——贏者拿走絕大多數。",
      "core_concept": "",
      "scenarios_text": "- VC / 創投投資決策（要找會成為 outlier 的標的）\n- 銷售團隊管理（前 20% 帶來 80% 業績）\n- 內容/產品策略（hit 比 average 重要太多）\n- 人才招募（A player 的產出是 B player 的 5-10 倍）\n- 風險評估（黑天鵝事件不符合常態分配）",
      "hbs_case_company": "Andreessen Horowitz",
      "hbs_case_text": "頂尖 VC 基金的回報結構：\n\n- 一個基金投 30 個案子\n- **預期 20 個歸零、5 個小有獲利、3 個還行、2 個爆炸性回報**\n- 整個基金的獲利 90%+ 來自**前 2-3 個案子**\n\n**a16z 經典例**：第一支基金的 Instagram 投資（USD 25 萬 → Facebook 收購後 USD 7,800 萬，**312 倍回報**），一檔的回報率超過該基金多數投資的總和。\n\n這解釋了 VC 的思考模式：\n- **不是「降低失敗率」**，是「**確保抓到那 1-2 個 1000x**」\n- 看到很多「合理但天花板低」的案子要拒絕（會稀釋基金回報）\n- 看到「90% 機率失敗但 10% 機率變 Facebook」的案子要投\n\n**冪次法則的另一面**：對創業者來說，這代表 **VC 拒絕你不是因為你公司不好，是因為你「不夠 outlier」**。VC 跟你的利益其實不完全對齊。",
      "plain_example": "王經理管理 12 人銷售團隊，年營收 NT$3 億。她以為團隊是 normal 分配：\n\n**她以為的結構**：12 人，每人平均年產 NT$2,500 萬\n\n**實際的結構**：\n- **Top 2 業務**：每人年產 NT$8,000 萬（合計 1.6 億，**佔 53%**）\n- 中段 5 人：每人年產 NT$2,000 萬（合計 1 億）\n- 末段 5 人：每人年產 NT$800 萬（合計 4,000 萬）\n\n王經理用「平均」思維做兩個錯誤決策：\n1. **公平分配獎金**：top 2 業務拿到「公平」的獎金後感覺被低估，跑去對手公司\n2. **培訓重點放在末段 5 人**：以為「拉高底層 = 整體提升」，但其實這 5 人即便翻倍也只增加 4,000 萬\n\n**正確的冪次思維**：\n- 把 80% 資源砸在 top 2（高薪 + 好客戶 + 助理）讓他們從 8,000 萬衝到 1.5 億\n- 中段 5 人是穩定底盤，給合理的待遇\n- 末段 5 人快速判斷：要嘛拉到中段，要嘛換人，不浪費時間\n\n> 一個 top 業務的離職，影響 = 5 個末段業務全離職的總和。**這是冪次分配的世界的真實樣貌**。",
      "body_chars": 1564,
      "slug": "02_字典/01_經濟學/冪次法則",
      "num": "11"
    },
    {
      "id": "創造性破壞",
      "title": "創造性破壞",
      "english": "Creative Destruction",
      "discipline": "經濟學",
      "category": "總體動態",
      "tier": "字典",
      "scenarios": [
        "產業變遷分析",
        "競爭威脅評估",
        "戰略 pivot 判斷",
        "長期投資視角"
      ],
      "lollapalooza_with": [],
      "one_liner": "經濟成長的本質是新技術、新模式不斷淘汰舊有結構（熊彼得）。舊產業的死亡是新產業誕生的前提——阻止破壞就是阻止創造。",
      "core_concept": "",
      "scenarios_text": "- 評估產業 5-10 年的變遷趨勢\n- 看待自己公司的「核心業務」是否其實是「最後一代」業務\n- 投資判斷：標的公司在破壞別人，還是被破壞？\n- 政策評估：保護產業真的是好事嗎？",
      "hbs_case_company": "Netflix vs Blockbuster",
      "hbs_case_text": "2000 年 Blockbuster 是全美最大 DVD 出租連鎖，**9,000 家門市、6 萬員工、市值 50 億美元**。Netflix 創辦人 Reed Hastings 找上 Blockbuster CEO 提議 5,000 萬美元收購 Netflix——被當笑話拒絕。\n\n**Blockbuster 的視角**：\n- 我們有實體據點、品牌、會員、版權合約\n- 一家郵寄 DVD 的小公司能威脅什麼？\n- 主力業務（門市出租 + 延遲歸還費）正常運作\n\n**Netflix 的真實威脅**：\n- 不是「替代 Blockbuster 的 DVD 出租」\n- 而是**讓「DVD 出租」這個商業模式本身消失**\n- 訂閱制 + 郵寄 + 無延遲費 = 重新定義消費者預期\n\n2007 年 Netflix 推出串流。Blockbuster 慌忙跟進，但已經太晚——它的整個成本結構（門市租金、店員、實體 inventory）跟串流模式完全不相容。\n\n**2010 年 Blockbuster 申請破產**。\n\n**蒙格的反思**：Blockbuster 高層不蠢，但他們**從「Blockbuster 的角度」看世界**——保護現有業務、優化既有流程。沒人從**「消費者為什麼出門租 DVD」**這個第一性原理出發。",
      "plain_example": "10 年前你開了一家計程車行，有 30 台車、執照、SOP。生意穩定。\n\n5 年前 Uber 進場。你的反應可能是：\n- 「他們違法」（找政府保護）\n- 「他們補貼燒錢撐不久」（等他們倒）\n- 「品質沒我們好」（強調服務差異）\n\n**這些都對**——短期他們確實違法、燒錢、品質參差。\n\n**但你錯過的是**：Uber 不是「另一家計程車行」，而是**重新定義「叫車」這件事**：手機叫車、即時定位、評分制度、動態定價、無需現金、跨城市一致體驗。\n\n10 年後計程車行靠政府保護苟延殘喘，但**用戶習慣已永久改變**。即便 Uber 倒了，也會有 Bolt、Grab、滴滴接手。「計程車行」這個商業形態在大城市基本消失。\n\n> 創造性破壞最殘忍的地方：**它不問你願不願意，也不會給你「改變的時間」**。",
      "body_chars": 1437,
      "slug": "02_字典/01_經濟學/創造性破壞",
      "num": "12"
    },
    {
      "id": "囚徒困境",
      "title": "囚徒困境",
      "english": "Prisoner's Dilemma",
      "discipline": "經濟學",
      "category": "競爭結構",
      "tier": "字典",
      "scenarios": [
        "價格戰",
        "軍備競賽",
        "廣告大戰",
        "環境議題",
        "合作協議"
      ],
      "lollapalooza_with": [],
      "one_liner": "兩個理性個體在無法溝通的單次決策中，各自追求最優選擇，卻導致對雙方都最差的結果。合作創造更大利益，但個人理性阻礙合作。",
      "core_concept": "",
      "scenarios_text": "- **價格戰**：兩家都不降比較好，但只要對手降你就被迫降\n- **軍備競賽**：兩國都不擴軍最好，但對方擴你就被迫擴\n- **廣告大戰**：同業互砸廣告，最後總市場沒長大但利潤都被吃掉\n- **環境議題**：個別公司排放短期最有利，集體承擔長期惡化\n- **協會合作**：每家偷偷給折扣搶單，集體破壞行業 pricing",
      "hbs_case_company": "菸草廣告軍備競賽",
      "hbs_case_text": "1950-1960 年代，美國菸草業 4 大廠（Philip Morris, R.J. Reynolds, Lorillard, Brown & Williamson）陷入廣告大戰：\n\n**囚徒困境結構**：\n\n| | 對手減廣告 | 對手加廣告 |\n|---|---|---|\n| 我減廣告 | 雙方利潤都高 | 我被搶市佔 |\n| 我加廣告 | 我搶到市佔 | 雙方利潤都低、總市場沒變 |\n\n**每家的「最佳反應」都是加廣告**（無論對手怎麼選）→ Nash 均衡：所有人廣告開到最大。\n\n**結果**：\n- 4 大廠每年廣告支出 USD 數億\n- 總菸草消費量微增（1972 年僅 +3%），但廣告支出已遠超這個增量\n- 全行業利潤被廣告吃掉\n\n**1971 年美國政府禁止電視菸草廣告**：\n- 表面：政府干預（限制企業自由）\n- 實際：**幫菸草業破解囚徒困境**！\n- 沒人能再打電視廣告 = 大家同時減廣告\n- 行業利潤 **暴漲**（節省的廣告費全變成獲利）\n\n**諷刺的是**：被監管的菸草業反而感謝政府——**外力強制終止了內部的囚徒困境**。這是經濟學最違反直覺的案例之一。",
      "plain_example": "兩家補習班 A、B 在同一商圈搶高中生市場。\n\n兩家都面臨「**要不要漲價**」的決策：\n\n| | B 不漲 | B 漲 |\n|---|---|---|\n| A 不漲 | 雙方營收持平 | A 搶到 B 的客戶（利潤 +30%）|\n| A 漲 | B 搶到 A 的客戶（A -30%）| 雙方各 +20% 營收 |\n\n**最優解**：兩家都漲（各 +20%）。\n**實際發生**：誰都不敢先漲（怕被對手搶客戶），結果兩家都不漲，利潤被通膨吃掉。\n\n**破解囚徒困境的 4 種方法**：\n\n1. **明確溝通**：兩家老闆吃飯談「我們都漲 10% 怎樣？」（但**有違反競爭法風險**）\n2. **重複賽局 + 信號**：A 先漲 5%，看 B 跟不跟。跟了 → 下次再一起漲；不跟 → A 回到原價\n3. **產品差異化**：不在同一維度競爭（A 走「升學保證」、B 走「快樂學習」）\n4. **外部強制**：行業協會、政府監管（外力打破困境）\n\n蒙格說：「**囚徒困境是商業界最被低估的結構**。看到行業集體燒錢卻沒人賺到，多半就是囚徒困境。」",
      "body_chars": 1530,
      "slug": "02_字典/01_經濟學/囚徒困境",
      "num": "13"
    },
    {
      "id": "外部性",
      "title": "外部性",
      "english": "Externalities",
      "discipline": "經濟學",
      "category": "市場失靈",
      "tier": "字典",
      "scenarios": [
        "政策評估",
        "商業模式分析",
        "平台監管",
        "環境議題",
        "組織決策"
      ],
      "lollapalooza_with": [],
      "one_liner": "交易對未參與第三方造成的成本（負）或利益（正）。外部性未計入市場價格時，導致過度或不足生產。",
      "core_concept": "",
      "scenarios_text": "- **政策評估**：禁菸、碳稅、社群媒體監管\n- **平台商業模式**：你的平台對非用戶造成什麼成本？\n- **公司決策**：裁員、外包的社會成本\n- **產業分析**：哪些公司在外部化成本？這條路能走多久？",
      "hbs_case_company": "Facebook 假新聞",
      "hbs_case_text": "Facebook 廣告商業模式的負外部性：\n\n**交易雙方**：\n- Facebook（賣注意力）\n- 廣告主（買注意力）\n- **沒參與的第三方**：被影響的全社會\n\n**負外部性**：\n- 假新聞傳播 → 民主受損\n- 演算法推送同溫層 → 社會分化\n- 青少年心理健康問題 → 家庭、教育系統承擔\n- 公衛假訊息 → 整個社會的健康成本\n\n**Facebook 不需付這些成本**：\n- 假新聞為平台帶來高互動率（賺得到廣告錢）\n- 社會分化的修復由政府、學校、家庭承擔\n- 心理健康問題由醫療系統承擔\n\n**結果**：Facebook 為了追求 EPS（earnings per share）持續優化「engagement」，**集體承擔的負外部性愈來愈大**。\n\n**監管反應**：歐盟 GDPR、DSA、各國平台監管法 = 強制 Facebook **內部化部分外部性**（要付罰款、要負責內容審核等）。\n\n**啟示**：商業模式建立在**外部化成本**之上的，長期會被監管追上。看到「免費 + 廣告」的模式，永遠要問「**真正在付費的是誰？**」",
      "plain_example": "某中型製造業老闆王董：\n\n**決策**：把工廠搬到中部山區（地租便宜 70%），但需要 24 小時運作、排放會略超環保標準。\n\n**他算的成本**：\n- 地租省：每年 NT$1,200 萬\n- 排放罰款（被抓到時）：每年估 NT$80 萬\n- 淨省：1,120 萬\n\n**他沒算的負外部性**：\n- 附近居民健康問題（醫療成本，由健保承擔）\n- 河川污染（清理成本，由政府承擔）\n- 員工通勤遠（個人時間 + 油錢，由員工承擔）\n- 周邊地價下跌（鄰居資產損失）\n\n**5 年後實況**：\n- 環保署修法 → 標準變嚴 + 罰款大增 → **每年實際罰款 NT$600 萬**\n- 居民集體訴訟 → 賠償 NT$8,000 萬\n- 媒體曝光 → **客戶（國外品牌）解約**，營收 -15%\n- 員工流失率 30%（通勤痛苦）→ 招募成本暴增\n\n**5 年總損失**：估 NT$2.5 億，遠超過省下的 5,600 萬地租。\n\n王董沒「算錯」帳，他是**沒算到外部性會被內部化**。\n\n**對企業家的啟示**：\n1. **負外部性遲早會被監管追上**（時間問題不是會不會）\n2. **建立在外部化成本之上的商業模式不可持續**\n3. **正外部性可以變成競爭優勢**（負責任的品牌、永續報告）",
      "body_chars": 1478,
      "slug": "02_字典/01_經濟學/外部性",
      "num": "14"
    },
    {
      "id": "網路效應",
      "title": "網路效應",
      "english": "Network Effects",
      "discipline": "經濟學",
      "category": "競爭結構",
      "tier": "字典",
      "scenarios": [
        "平台商業模式分析",
        "競品評估",
        "投資判斷",
        "贏者全拿市場"
      ],
      "lollapalooza_with": [],
      "one_liner": "使用者越多，產品對每個用戶的價值越高。網路效應是科技平台形成壟斷的核心機制，也是「贏者全拿」市場的根本原因。",
      "core_concept": "",
      "scenarios_text": "- 評估社群、通訊、平台類產品的長期競爭力\n- 判斷投資標的有無「自然壟斷」潛力\n- 設計新產品時思考能否創造網路效應\n- 看到「先發優勢」這個詞時的真實檢驗",
      "hbs_case_company": "Facebook",
      "hbs_case_text": "Facebook 早期在哈佛推出時價值幾乎為零（只有幾百個用戶）。突破臨界用戶（critical mass）後，正向回饋迴路啟動：\n\n- 更多用戶 → 你能找到更多朋友\n- 更多朋友 → 不上 Facebook 就 FOMO\n- 更多互動 → 演算法更懂你 → 體驗更好\n- → 形成全球基礎設施\n\nMySpace 失敗很大原因是錯過了「建立深度網路效應」的時間窗口——它有用戶但沒有深層連結（profile 客製化反而讓朋友之間的關係不易呈現）。",
      "plain_example": "開兩家 podcast 平台：\n\n**A 平台**：用戶 1 萬，**創作者 100 人**。聽眾找節目要花很多時間，因為內容稀少。創作者也意興闌珊（聽眾不夠多）。\n\n**B 平台**：用戶 100 萬，**創作者 5 萬人**。聽眾隨便滑都有想聽的內容，創作者有足夠規模能透過廣告/訂閱賺錢。\n\n兩家平台**做同樣的事**，但 B 的價值不是 100 倍 A——是 **1,000 倍以上**。因為網路效應遵循 Metcalfe's Law（價值 ∝ 用戶數²），不是線性增長。\n\n新進場者要打敗 B 幾乎不可能——除非找到 B 還沒覆蓋的細分群體（例如 Spotify 在 Podcast 上後來居上，但靠的是音樂用戶的跨域導流，不是純粹「做得更好」）。\n\n> 這就是為什麼網路效應強的平台估值會被打到天上：**競爭對手再有錢也買不到時間積累的用戶連結**。",
      "body_chars": 1006,
      "slug": "02_字典/01_經濟學/網路效應",
      "num": "15"
    },
    {
      "id": "規模經濟",
      "title": "規模經濟",
      "english": "Economies of Scale",
      "discipline": "經濟學",
      "category": "市場機制",
      "tier": "字典",
      "scenarios": [
        "商業模式分析",
        "競爭策略",
        "募資判斷",
        "產業進入"
      ],
      "lollapalooza_with": [],
      "one_liner": "生產規模擴大時，固定成本被攤薄，單位成本下降。是自然壟斷的根源，也是新創公司追求快速擴張的核心邏輯。",
      "core_concept": "",
      "scenarios_text": "- 評估競爭對手的成本結構優勢\n- 判斷新創要不要 burn rate 衝市佔\n- 分析「贏者全拿」市場\n- 評估自建 vs 外包\n- 判斷新進入者的勝算",
      "hbs_case_company": "Amazon",
      "hbs_case_text": "Amazon 長期以低利潤運營，目的是達到物流與倉儲的規模經濟。配送中心密度足夠後，每單成本大幅下降，形成競爭對手難以複製的成本護城河。Bezos 的名言：「**你的毛利就是我的機會**」——他願意犧牲短期獲利換規模，因為規模本身就是長期競爭優勢。",
      "plain_example": "兩家飲料新創都做手搖飲：\n\n**A 牌**：開 1 家店，月營收 NT$50 萬。固定成本（總部、品牌、研發、行銷）NT$20 萬，被 1 家店攤，固定成本佔比 40%。\n\n**B 牌**：開 50 家店，月營收 NT$2,500 萬。固定成本 NT$200 萬（也成長但不是線性），被 50 家店攤，固定成本佔比只有 8%。\n\n**B 牌每杯飲料的成本結構天然比 A 牌低**。即使原料費、人事費相同，B 牌仍能比 A 牌多 30% 毛利空間，可以用來砸行銷、買更好的選址、研發新品。\n\nA 牌想用「精品策略」競爭可以撐一陣子，但 5 年後 B 牌的規模優勢會壓垮多數小型對手。\n\n> 這就是為什麼新創創投常常燒錢衝規模——不是為了好看，是為了**搶在競爭對手前面達到規模經濟的臨界點**。但要小心 [[01_常駐工具/能力圈|能力圈]]：你燒的錢能真的轉成規模優勢嗎？還是只是補貼客戶買單？",
      "body_chars": 762,
      "slug": "02_字典/01_經濟學/規模經濟",
      "num": "16"
    },
    {
      "id": "賽局理論",
      "title": "賽局理論",
      "english": "Game Theory",
      "discipline": "經濟學",
      "category": "競爭結構",
      "tier": "字典",
      "scenarios": [
        "競爭策略",
        "談判",
        "定價戰略",
        "寡占市場分析",
        "政商博弈"
      ],
      "lollapalooza_with": [],
      "one_liner": "存在多個決策者時，最佳選擇取決於他人的行動。賽局理論分析策略互動，幫助預測競爭行為並設計最優策略。",
      "core_concept": "",
      "scenarios_text": "- **競爭策略**：對手會怎麼回應你的動作？\n- **定價戰**：要不要先降價？對手會跟嗎？\n- **寡占市場**：少數大廠互動，每個動作都被對手算進去\n- **談判**：先讓步 vs 堅持的賽局選擇\n- **產業聯盟**：合作或單幹？",
      "hbs_case_company": "美國航空票價戰",
      "hbs_case_text": "1992 年美國航空（American Airlines）為簡化票價系統，推出「**Value Pricing**」：\n- 把多層級複雜票價簡化成 4 種固定價格\n- 平均降價 38%\n- 希望吸引商務客（厭倦複雜票價）+ 度假客（要低價）\n\n**賽局視角的盲點**：\n- 美國航空假設「**降價會搶到對手的市佔**」（單方思考）\n- 但 Delta、Continental、Northwest、TWA **立刻跟進**\n\n**後果**：\n- 全行業同時降價 38%\n- 沒人搶到市佔（大家比例不變）\n- 全行業營收暴跌、持續虧損\n- **AMR 自身 1992 虧損 USD 9.35 億**；1990-1994 美國航空業累積虧損超過 USD 100 億\n\n**事後分析**：\n- 美國航空假設對手不會跟進，這是**單方面理性**\n- 對手只要不跟進，就會被搶走客戶（被迫跟進）\n- → Nash 均衡：所有人都降價 + 全行業虧損\n\n**啟示**：在寡占市場，**「我能怎麼做」必須等於「對手會怎麼回應」的反算**。Bertrand competition 的悲劇：降價戰只有對消費者好，對所有公司都壞。",
      "plain_example": "兩家手搖飲品牌 A、B 競爭一個夜市商圈。\n\nA 思考要不要推「**買一送一**」促銷：\n- 假設 B 不跟：A 業績 +50%、B 業績 -30%、A 利潤增加\n- 假設 B 跟進：兩家業績都漲 20% 但毛利減半、**A 利潤下降**\n\n**A 的決策邏輯**（用賽局理論）：\n\n| | B 不跟 | B 跟進 |\n|---|---|---|\n| A 推 | A +50% / B -30% | A -20% / B -20% |\n| A 不推 | A 0 / B 0 | A 0 / B 0 |\n\n**B 看到 A 推促銷，B 的最佳反應是**：跟進。\n（因為不跟會被搶 30% 業績，跟了「只」損失 20%）\n\n**所以 A 應該預期**：B 會跟。則 A 推促銷的結果是 -20%。\n\n**Nash 均衡**：兩家都不推促銷。\n\n如果 A 沒做這個分析，**單方面假設 B 不會跟**，結果就是兩家都受傷。\n\n**真正聰明的 A 會做的事**：\n- **不打價格戰**（雙輸）\n- 改打「品牌差異化」、「忠誠卡」、「會員制」（B 較難跟進）\n- 或者**直接合作分區營業**（默契式合作，雖然可能違反公平交易法）",
      "body_chars": 1474,
      "slug": "02_字典/01_經濟學/賽局理論",
      "num": "17"
    },
    {
      "id": "路徑依賴",
      "title": "路徑依賴",
      "english": "Path Dependence",
      "discipline": "經濟學",
      "category": "總體動態",
      "tier": "字典",
      "scenarios": [
        "組織變革",
        "產品 pivot 評估",
        "行業選擇",
        "技術選型"
      ],
      "lollapalooza_with": [],
      "one_liner": "早期偶然的選擇可能鎖定未來發展路徑，即便後來出現更優方案，切換成本也使改變極為困難。「我們一直都這樣做」是路徑依賴最危險的說法。",
      "core_concept": "",
      "scenarios_text": "- 評估「為什麼這個行業是這樣」（往往不是因為它最有效率）\n- 評估自己組織的決策慣性\n- 看待技術選型：QWERTY、JavaScript、x86 都是路徑依賴的勝利者\n- 看待自己職涯：你的下一步真的是因為「最好」，還是因為「最容易」？",
      "hbs_case_company": "QWERTY 鍵盤",
      "hbs_case_text": "QWERTY 鍵盤 1873 年由 Christopher Sholes 設計，**目的是防止打字機卡鍵**（把常用字母分散，減慢打字速度）。\n\n電子化時代後，這個設計理由完全失效。**Dvorak 支持者長期宣稱效率更高**，但 Liebowitz & Margolis（1990, Journal of Law and Economics）研究指出原始 Dvorak 速度宣稱來自 Dvorak 本人主持的有偏實驗，更嚴謹的對照研究找不到可重現的速度優勢。**Dvorak 並非「明顯更好」**——但即便如此，QWERTY 在「夠好 + 先發 + 切換成本」三條件下鎖定全世界，仍是路徑依賴常被引用的案例。\n\n**QWERTY 贏了的真正原因**：\n- 全球億萬台鍵盤已經使用 QWERTY\n- 億萬人花時間練就的肌肉記憶\n- 新使用者來看到 QWERTY 是「主流」就學它\n- 鍵盤製造商不會冒險生產 Dvorak\n\n**結果**：明顯次優的設計，因為早期幸運勝出 + 切換成本累積，**永久鎖定**整個世界。\n\n**現代版本**：\n- JavaScript 是個有設計瑕疵的語言，但因為瀏覽器這個生態系，鎖死了 web 開發\n- x86 是 1978 年的 ISA，但因為 Intel 早期壟斷，PC 世界基本都跑 x86\n- 公制系統 vs 美制：理論上公制完勝，但美國因為 19 世紀的路徑選擇繼續用 imperial",
      "plain_example": "某中型企業 30 年前用 Excel 管理客戶資料，當時做了一個複雜的 macro 系統，財務、業務、客服三個部門資料都串在一起。\n\n10 年後該系統明顯不夠用，但**部門間的工作流程已經圍繞這套 Excel 設計**：\n- 業務員每天用特定的 Excel template 報日報\n- 財務的應收帳款是抓 Excel 的某個 sheet\n- 客服的工單追蹤跟業務的 Excel 連動\n\n公司高層 3 次評估換 ERP，3 次放棄：\n- **第一次（10 年前）**：「明年再說」\n- **第二次（5 年前）**：「現在系統還能用」\n- **第三次（2 年前）**：「換 ERP 要重訓全公司，受不了」\n\n結果是這家公司**至今仍用 Excel + 大量 manual workaround**，IT 維護人力是同規模公司的 3 倍，業務反應速度比競爭對手慢一倍。\n\n**路徑依賴的可怕**：\n- 30 年前的選擇，今天依然左右公司日常\n- 每天的「就先這樣」累積成不可逆的鎖定\n- 等到痛感到要換的時候，切換成本已經高到嚇人",
      "body_chars": 1611,
      "slug": "02_字典/01_經濟學/路徑依賴",
      "num": "18"
    },
    {
      "id": "轉換成本",
      "title": "轉換成本",
      "english": "Switching Costs",
      "discipline": "經濟學",
      "category": "市場機制",
      "tier": "字典",
      "scenarios": [
        "護城河分析",
        "SaaS 商業模式",
        "訂閱模式設計",
        "B2B 競爭策略"
      ],
      "lollapalooza_with": [],
      "one_liner": "用戶從一個產品切換到另一個產品所需付出的成本（時間、金錢、學習、數據遷移）。高轉換成本是重要的護城河來源，鎖定用戶、降低流失率。",
      "core_concept": "",
      "scenarios_text": "- 評估企業軟體（SaaS / B2B）的長期競爭力\n- 設計產品時思考能否「自然」鎖定用戶\n- 投資判斷：產品有沒有護城河？\n- 自己當客戶時：要不要被鎖死？",
      "hbs_case_company": "Salesforce",
      "hbs_case_text": "Salesforce 表面上是賣 CRM 軟體，但真正的護城河是**極高的轉換成本**：\n\n- **學習成本**：銷售團隊培訓 6-12 個月\n- **數據遷移**：5 年累積的客戶資料、互動歷史、自訂欄位\n- **整合成本**：跟 Marketo、Outlook、Slack、ERP 的 API 連接全部要重做\n- **流程改造**：整個銷售 pipeline 流程基於 Salesforce 設計\n- **客製化資產**：公司花幾百萬請顧問做的客製化 workflow\n\n結果：Salesforce 的**企業級客戶年度流失率約為個位數**，遠低於 SaaS 業界平均。即便競爭對手（HubSpot、Microsoft Dynamics）功能類似且**訂閱費更低**，企業客戶也很少切換。\n\nMarc Benioff 的設計哲學：**「越用越離不開」**。早期免費送 platform 工具讓客戶 build on top，使用越深，轉換越痛。",
      "plain_example": "兩家中型公司決定換 ERP：\n\n**A 公司**：用 Excel + 自製簡單系統，5 年累積資料。換新 ERP 痛苦但不致命——花 3 個月、200 萬導入新系統就上線。\n\n**B 公司**：用 SAP 已經 8 年。每個部門有客製化 workflow、跟 30+ 周邊系統整合、員工花 6-12 個月才能上手。**換 ERP 需要 18-24 個月、5,000 萬 + 全公司流程重建**。\n\nB 公司即便對 SAP 不滿意（價格貴、UI 古老），算下來「**繼續用 SAP** vs **換新系統**」的差異：\n- 繼續用 SAP：每年 1,000 萬訂閱費\n- 換新系統：第一年 5,000 萬 + 風險（系統上線失敗）+ 流失 key talent\n\n**B 公司會繼續用 SAP 10 年以上，即使 SAP 漲價 50%**。這就是高轉換成本給 SAP 的定價權。\n\n> 對企業家有兩層意義：(1) 看自己的產品有沒有自然鎖定；(2) 警惕自己被某個供應商鎖死的真實成本。",
      "body_chars": 1276,
      "slug": "02_字典/01_經濟學/轉換成本",
      "num": "19"
    },
    {
      "id": "雙邊市場",
      "title": "雙邊市場",
      "english": "Two-Sided Markets",
      "discipline": "經濟學",
      "category": "市場機制",
      "tier": "字典",
      "scenarios": [
        "平台商業模式設計",
        "投資判斷",
        "競爭策略",
        "冷啟動問題"
      ],
      "lollapalooza_with": [],
      "one_liner": "平台同時服務兩個相互依存的用戶群體，必須同時達到雙邊的臨界規模才能創造價值。一邊增長帶動另一邊，形成飛輪效應。",
      "core_concept": "",
      "scenarios_text": "- 分析「平台型」公司：Uber、Airbnb、App Store、Etsy、Tinder\n- 評估新創的「冷啟動」策略：要先吸引哪一邊？怎麼吸引？\n- 判斷補貼策略是否可持續（誰補貼誰？）\n- 投資判斷：贏家通吃 vs 多平台共存",
      "hbs_case_company": "Airbnb 早期冷啟動",
      "hbs_case_text": "Airbnb 2008-2010 年苦於冷啟動：沒房東 → 沒旅客；沒旅客 → 房東上架了也沒收入 → 離開。\n\n**創辦人 Brian Chesky 採用「手動規模」策略**：\n1. 飛到紐約（最大潛在市場），**親自拜訪每個房東**\n2. 帶專業攝影師**免費幫房東拍照**（讓 listing 看起來像精品旅館）\n3. 教房東怎麼寫文案、怎麼定價\n\n效果：紐約 listing 的訂房率立刻翻倍。**這個動作完全不 scale，但讓平台跨過了臨界點**。\n\n雙邊飛輪一旦啟動：\n- 更多優質 listing → 更多旅客 → 房東更有收入動機 → 更多優質 listing",
      "plain_example": "兩個婚禮市集平台：\n\n**A 平台**：婚紗、攝影、宴客場地、企劃師統統都收，**但每個品類只有 2-3 家**。新人來查發現「選擇不夠」，廠商來上架發現「沒人問詢」，雙邊都流失。\n\n**B 平台**：先**只做婚紗**這一個品類。讓 100 家婚紗店上架，並用補貼+免費照片吸引新娘來。新娘來了之後，發現婚紗選擇豐富，**轉介紹其他新娘**。一年後 B 已經是該地區最大婚紗預約平台，**然後才開始擴張到攝影、場地**——這時其他廠商主動想上架，因為他們知道有大量精準新娘流量。\n\nA 平台一年後倒閉，B 平台 5 年後上市。\n\n**重點**：雙邊市場不是「越廣越好」，是**「先做深一個垂直」+「達到密度」+「橫向擴張」**。",
      "body_chars": 1268,
      "slug": "02_字典/01_經濟學/雙邊市場",
      "num": "20"
    },
    {
      "id": "互惠原則",
      "title": "互惠原則",
      "english": "Reciprocity",
      "discipline": "心理學",
      "category": "社會心理",
      "tier": "字典",
      "scenarios": [
        "銷售談判",
        "客戶關係",
        "行銷活動",
        "政商往來",
        "跨部門協作"
      ],
      "lollapalooza_with": [],
      "one_liner": "人在接受他人好處後，感受到強烈的回報義務。互惠是人類社會合作的基礎，也是行銷、談判與關係建立的有力工具。",
      "core_concept": "",
      "scenarios_text": "- **銷售談判**：免費試用、免費諮詢 → 客戶感到「該回報」\n- **客戶關係**：小禮物、客製服務 → 提升續約率\n- **政商往來**：政治獻金、商業招待（合法邊緣常出問題的地方）\n- **跨部門協作**：先幫對方一個忙，後續請求容易過關\n- **生活**：朋友請吃飯，你下次該回請",
      "hbs_case_company": "Costco 試吃策略",
      "hbs_case_text": "Costco 以**大量免費試吃**聞名。每個週末店裡有 20-50 個試吃站。\n\n**HBS 研究的發現**：\n- 試吃**直接提升該商品銷售 500-2,000%**（公開的 sampling program 數據）\n- 相當高比例的試吃者會購買試吃商品\n- 試吃者的整體單次消費也明顯高於沒試吃者\n\n**互惠原則的精準利用**：\n- 「免費」吃了一口 → 心理債務\n- 試吃員微笑問「好吃嗎？」→ 加深 social pressure\n- 商品就放在試吃站旁邊 → 立刻可以「回報」\n\nCostco 全美年試吃成本估計 USD 5 億，但帶來的銷售增量**至少 USD 20 億**。互惠操作得當的 ROI 是 4 倍。",
      "plain_example": "某 B2B SaaS 公司業務 Alex 想簽下一個大客戶。客戶很猶豫。Alex 的策略：\n\n**第一週**：免費送客戶一份「客製化產業分析報告」（公司其他客戶要付 USD 5,000 才能買）\n**第二週**：客戶 CIO 提出技術疑問，Alex 安排自家 CTO 親自跟對方視訊**1 小時**\n**第三週**：Alex 邀請客戶來公司「參觀 + 用餐」，請對方體驗自家文化\n\n**第四週**：客戶簽約。\n\nAlex 投入成本估算：\n- 報告：8 工時 = USD 1,200\n- CTO 時間：USD 800\n- 接待：USD 1,500\n- 總計：USD 3,500\n\n**客戶 ARR USD 240,000、3 年合約 = USD 720,000**。\n\n互惠原則的 ROI：**200 倍**。\n\n**但要小心**：互惠用過頭會變成**操控**：\n- 不對稱：給的小好處 vs 期待的大回報\n- 強迫性：「你欠我的，現在該還了」\n- 短期化：建立關係 vs 一次性榨取\n\n蒙格在《人類誤判心理學》說：「**Reciprocation tendency is a tremendously powerful psychological force.**」用來建立關係 vs 用來榨取，是長期玩家跟短期玩家的差別。",
      "body_chars": 1270,
      "slug": "02_字典/02_心理學/互惠原則",
      "num": "21"
    },
    {
      "id": "可得性捷思",
      "title": "可得性捷思",
      "english": "Availability Heuristic",
      "discipline": "心理學",
      "category": "認知偏誤",
      "tier": "字典",
      "scenarios": [
        "風險評估",
        "媒體影響判斷",
        "投資決策",
        "招募評估"
      ],
      "lollapalooza_with": [],
      "one_liner": "人評估事件發生機率時，以腦中能多快想到相關案例為依據，而非客觀統計。容易想到的就被視為常見。這扭曲了風險評估。",
      "core_concept": "",
      "scenarios_text": "- **風險評估**：媒體報導多的事件感覺更危險\n- **投資判斷**：最近上漲的標的感覺更值得買\n- **招募評估**：上一個案例的優劣會強烈影響對下一個的判斷\n- **看新聞時的世界觀**：媒體選擇性報導扭曲你對「現在世界發生什麼」的認知",
      "hbs_case_company": "911 後的航空 vs 汽車安全感知",
      "hbs_case_text": "911 事件後，美國人**大量改搭汽車而非飛機**——因為飛機失事的畫面在腦中極易被喚起。\n\n**統計事實**：\n- 航空死亡率（每英里）：約 0.07 per billion miles\n- 汽車死亡率（每英里）：約 7 per billion miles\n- **汽車比飛機危險 100 倍**\n\n**可得性捷思造成的真實傷亡**：\n- 911 事件死亡：約 3,000 人\n- 911 後 12 個月「多出來」的汽車事故死亡（因為航空乘客轉公路）：**估計 1,500 人**\n\n可得性捷思讓公眾規避了**比較不危險**的選項（飛機），轉向**比較危險**的選項（汽車），造成額外傷亡。",
      "plain_example": "一家中型製造業老闆讀完《商業周刊》一篇「中國工廠倒閉潮」的報導，立刻決定**取消明年擴廠計畫**，全部資金轉做保守理財。\n\n實際情況：\n- 那篇報導訪談的**3 家工廠**確實倒了\n- 但同產業 200 家工廠中，**只有那 3 家有問題**（1.5%）\n- 該老闆的工廠跟那 3 家**完全不同**情況（產品、客戶、區域都不同）\n\n老闆的判斷邏輯：「最近看到太多倒閉新聞了，現在不是擴張的時機。」\n\n**真實的決策依據其實是**：媒體案例的可得性，不是自家工廠的數據。\n\n3 年後回頭看，**那個沒擴的決定讓他錯過了該產業最後一波擴張紅利**，競爭對手都擴了。\n\n對抗可得性捷思：\n- 看到「最近很多 X 案例」時，**追問實際統計數據**\n- 區分「我看到的樣本」vs「真實母體」\n- 配合 [[01_常駐工具/基礎機率|基礎機率]] 一起用",
      "body_chars": 943,
      "slug": "02_字典/02_心理學/可得性捷思",
      "num": "22"
    },
    {
      "id": "從眾效應",
      "title": "從眾效應",
      "english": "Bandwagon Effect",
      "discipline": "心理學",
      "category": "社會心理",
      "tier": "字典",
      "scenarios": [
        "投資判斷",
        "創業跟風",
        "消費決策",
        "招募",
        "技術選型"
      ],
      "lollapalooza_with": [],
      "one_liner": "當某件事變得流行或多數人採用，其他人更傾向跟進，與事物本身的品質無關。這加速了流行趨勢，也製造了金融泡沫。",
      "core_concept": "",
      "scenarios_text": "- **投資泡沫**：1999 dot-com、2017 ICO、2021 NFT、2023 AI 概念股\n- **創業熱門題目**：每幾年一個風口，大量人投入後幾年後 80% 倒\n- **技術選型**：「大家都在用 React，我們也用」\n- **招募**：「同業都在搶 AI 人才」（即便還沒想清楚要做什麼）",
      "hbs_case_company": "2000 年網路泡沫 IPO 熱潮",
      "hbs_case_text": "1999 年那斯達克年漲 85%，**主要由公司名稱有「.com」的股票推動**。\n\n**從眾效應的瘋狂表現**：\n- 公司只要在名字後面加「.com」，**改名後股價平均上漲 74%**\n- 沒獲利、沒商業模式的新創 IPO 估值高達 USD 100 億\n- 機構投資人因「怕錯過」而在無盈利模式的公司持續加碼\n- 散戶看到「機構在買」也跟進\n- 「**新經濟法則**」的論調盛行：「傳統估值不適用了」\n\n**機構也參與從眾**：\n- 基金經理人怕錯過熱潮會被客戶質疑為什麼沒買\n- 即便心裡知道有泡沫，也得跟進（不跟進的話季度報告會落後同行）\n- 「**Better to fail conventionally than succeed unconventionally**」(凱因斯名言)\n\n**2000 年 3 月泡沫破裂**：\n- 那斯達克 2 年跌 78%\n- **數兆美元市值蒸發**\n- 大量新創倒閉，員工失業\n- 機構投資人的「跟進」變成「集體陪葬」",
      "plain_example": "2024 年 AI 大熱，創投圈每家都在投 AI 相關。\n\n中型 SaaS 公司 CEO 王總被董事會問：「我們的 AI 策略是什麼？」\n\n王總本來覺得公司**核心業務還有 60% 成長空間**，AI 對自家產品**只能優化邊緣功能**（提升 5-10%）。但董事會壓力：「**同業都在做 AI、不做我們的估值會被打折**。」\n\n王總決定：\n- 招 5 個 AI 工程師（月薪 NT$30 萬+）\n- 投入 NT$5,000 萬做「AI 客服助手」功能\n- 對外發 PR：「我們是 AI-first 公司」\n\n**18 個月後實況**：\n- AI 客服功能用戶啟用率 **8%**（大多覺得不如直接打電話）\n- 5 個 AI 工程師 3 個跳槽（被更高薪挖走）\n- NT$5,000 萬 ROI **不到 5%**\n- 核心業務因為資源被分散，成長從 60% 降到 25%\n\n**機會成本**：那 5,000 萬 + 18 個月時間如果投在已驗證的核心業務，預估 ARR 增加 NT$1.2 億。\n\n**從眾的代價**：1.2 億潛在營收 + 品牌信任損傷（後來市場看穿這是 AI 蹭熱度）。\n\n對抗從眾：\n- **問**：「如果同業沒人做這個，我會做嗎？」（如果答案是「不會」→ 紅燈）\n- **看數據**：你的用戶**真的**需要這個嗎？還是只是你想跟風？\n- 蒙格說：「**Mimicking the herd invites regression to the mean**」（跟著羊群，回到平庸）",
      "body_chars": 1577,
      "slug": "02_字典/02_心理學/從眾效應",
      "num": "23"
    },
    {
      "id": "心理帳戶",
      "title": "心理帳戶",
      "english": "Mental Accounting",
      "discipline": "心理學",
      "category": "動機決策",
      "tier": "字典",
      "scenarios": [
        "個人理財",
        "預算規劃",
        "業績分配",
        "定價設計",
        "消費決策"
      ],
      "lollapalooza_with": [],
      "one_liner": "人將金錢分配到不同的「心理帳戶」（賭博獲利、薪資、年終獎金），依據來源而非金額做出不同消費決策，違反金錢可替代性的理性原則。",
      "core_concept": "",
      "scenarios_text": "- **個人理財**：「這筆是退稅，可以亂花」vs「這筆是薪水，要存」\n- **企業預算**：行銷預算 vs IT 預算分開算，沒有 cross-budget 比較\n- **業績獎金分配**：意外得到的訂單 vs 規劃內訂單\n- **定價策略**：捆綁定價、分階段付款利用心理帳戶\n- **賭場、抽獎**：「house money」效應",
      "hbs_case_company": "賭城消費行為",
      "hbs_case_text": "賭場心理學研究：賭客把獲利視為「**house money**」（賭場的錢），對待方式跟自己的錢完全不同。\n\n**典型行為**：\n- 帶 USD 1,000 進賭場\n- 贏到 USD 1,500\n- 心理上把這 1,500 切成：「我的 1,000」+「house money 500」\n- **多數人會用「house money 500」繼續豪賭**（即便這是真實的錢）\n- 結果常常賠光「house money」再賠到本金\n\n**統計上**：\n- 帶錢進賭場最終淨贏的比例：< 20%\n- 但**進場時打算贏 X 就走**的人，最終達成目標的比例：< 5%\n- 「house money」心理是賭場最大盈利來源\n\n**賭場設計**：\n- 換籌碼（讓「現金」變成「籌碼」，弱化金錢感）\n- 沒有時鐘、沒有窗戶（弱化時間意識）\n- 免費飲酒（弱化判斷力）\n- 全部都是利用心理帳戶 + 認知偏誤",
      "plain_example": "阿明今年發生兩件事：\n\n**事件 A**：意外得到爸爸過世留下的遺產 NT$300 萬\n\n**事件 B**：今年薪資加上獎金共多賺 NT$300 萬（比預期多 100 萬）\n\n阿明的處理方式：\n- **遺產 300 萬**：「這是爸爸給我的，應該用在有意義的事」→ 投入裝修房子做紀念\n- **多賺的 100 萬**：「這是 bonus，可以犒賞自己」→ 買名錶、出國玩\n- **預期內的 200 萬**：「這是固定收入」→ 存進股票帳戶長期投資\n\n**問題在哪裡？** 三筆都是錢，**理論上應該用統一標準分配**：多少投資、多少消費、多少緊急金。\n\n如果統一從「全部 600 萬資產增量」考慮，可能的最佳分配是：\n- 投資：400 萬（67%）\n- 消費 / 體驗：100 萬（17%）\n- 緊急 / 流動：100 萬（17%）\n\n但阿明因為心理帳戶把每筆「特殊待遇」，結果：\n- 裝修花了 300 萬（過度，邊際效用低）\n- 名錶 + 旅遊 100 萬（多到失去意義）\n- 只剩 200 萬投資\n\n**5 年後比較**：\n- 心理帳戶版：200 萬本金（複利）= 約 300 萬\n- 統一決策版：400 萬本金 = 約 600 萬\n\n**差距 300 萬**，純粹來自心理帳戶造成的次優分配。\n\n對抗心理帳戶：\n- **把所有錢視為同一池子**，不分來源\n- 設定**固定比例**：X% 投資、Y% 消費、Z% 緊急\n- 重大金額入帳前先決定分配，不要事後合理化",
      "body_chars": 1546,
      "slug": "02_字典/02_心理學/心理帳戶",
      "num": "24"
    },
    {
      "id": "損失厭惡",
      "title": "損失厭惡",
      "english": "Loss Aversion",
      "discipline": "心理學",
      "category": "認知偏誤",
      "tier": "字典",
      "scenarios": [
        "談判",
        "投資決策",
        "銷售",
        "變革管理",
        "定價"
      ],
      "lollapalooza_with": [
        "沉沒成本"
      ],
      "one_liner": "失去 100 元的痛苦約為得到 100 元快樂的 2 倍（Kahneman & Tversky）。人在面對損失時會過度規避風險，在面對「損失中的選擇」時卻傾向冒險。",
      "core_concept": "",
      "scenarios_text": "- 談判（強調對方會失去什麼比強調得到什麼更有力）\n- 投資（投資人持有虧損股票太久、太早賣出獲利股票）\n- 銷售（「7 天試用，不滿意全額退費」用的就是這條）\n- 變革管理（員工抗拒改變多是因為害怕失去現狀）\n- 定價（「限時優惠，錯過要等明年」）",
      "hbs_case_company": "Prospect Theory in Investing",
      "hbs_case_text": "HBS 研究：投資人持有虧損股票的時間遠長於獲利股票（怕實現損失）。基金經理人在年末績效落後時傾向大幅增加風險部位（「反正已經輸了，搏一下」）——典型的「損失中冒險」行為，違反任何理性投資原則。",
      "plain_example": "王小姐買了某科技股 10 萬元，跌到 7 萬。她每天看盤煎熬，但「賣掉就承認虧 3 萬」的痛苦讓她拒絕停損。\n\n同時她另一筆 10 萬元的金融股漲到 12 萬。她想「漲了不少，落袋為安」很快賣出。\n\n**結果一年後**：那檔科技股繼續跌到 4 萬，金融股則漲到 17 萬。\n\n王小姐做了兩個錯誤決策，**都是損失厭惡造成的**：\n- 對「實現損失」的厭惡 → 不停損\n- 對「失去帳上獲利」的厭惡 → 太早獲利了結\n\n理性的做法應該相反：**虧損的早點認賠（如果基本面變差）、獲利的繼續持有（如果還在能力圈內且基本面強）**。\n\n> 蒙格說，這條偏誤跟 [[01_常駐工具/沉沒成本|沉沒成本]] 一起作用時最狠：「我已經虧這麼多了，不能放棄」——這句話內含兩個偏誤同向疊加，是賠光基金的標準起手式。",
      "body_chars": 790,
      "slug": "02_字典/02_心理學/損失厭惡",
      "num": "25"
    },
    {
      "id": "權威偏誤",
      "title": "權威偏誤",
      "english": "Authority Bias",
      "discipline": "心理學",
      "category": "社會心理",
      "tier": "字典",
      "scenarios": [
        "投資判斷",
        "醫療諮詢",
        "顧問選擇",
        "招募評估",
        "媒體解讀"
      ],
      "lollapalooza_with": [],
      "one_liner": "人傾向相信並服從權威人士的判斷，即便沒有充分的獨立驗證。權威形象（頭銜、制服、專業語言）能大幅影響說服力，而不需證明專業真的相關。",
      "core_concept": "",
      "scenarios_text": "- **投資判斷**：「Warren Buffett 投了」「諾貝爾獎得主背書」\n- **醫療**：白袍效應，醫師說什麼就信\n- **顧問選擇**：「他是 ex-McKinsey」「他在 Google 做過」\n- **招募**：常春藤 / 大廠經歷的光環\n- **媒體**：「華爾街日報的報導」自帶可信度",
      "hbs_case_company": "Theranos / Elizabeth Holmes",
      "hbs_case_text": "Holmes 刻意建立的權威光環：\n\n**個人 staging**：\n- 模仿 Steve Jobs 的黑色高領穿著\n- 刻意壓低聲音營造「成熟領袖」\n- 史丹佛輟學的「天才創業者」敘事\n\n**董事會權威堆疊**：\n- Henry Kissinger（前美國國務卿）\n- George Shultz（前美國國務卿、財政部長）\n- James Mattis（前美國國防部長）\n- Sam Nunn（前參議員）\n- 多位退役四星將軍\n\n**這些人沒有一個懂血液檢測技術**。\n\n但對投資人、客戶、媒體而言：「**這麼多級別高的人物坐在董事會，技術一定有兩把刷子**」。**權威被當成技術可信度的代理**，跳過了真正的技術驗證。\n\n最後揭露的真相：技術從未真正成立，董事會多數成員從沒看過真實的實驗數據。權威偏誤讓全世界（包括投資人、Walgreens、軍方）**集體跳過了 due diligence**。",
      "plain_example": "中型製造業老闆要選 ERP。三家供應商來簡報：\n\n**廠商 A**：簡報非常專業，提案人**是台大 MBA + ex-IBM 顧問**。報價 NT$800 萬。\n**廠商 B**：提案人是工廠出身、技術背景，**沒有大廠光環**。實際做過 30 家同產業案例。報價 NT$650 萬。\n**廠商 C**：提案人**是「亞太區副總」**，名片頭銜很長。報價 NT$1,200 萬。\n\n老闆的本能反應：**A 看起來最專業、C 頭銜最大**。傾向選 A 或 C。\n\n實際分析（用能力圈 + 真實驗證）：\n- A 的 MBA + ex-IBM 跟「**做 ERP 導入**」沒直接相關\n- C 的頭銜大但**沒有實際案例細節**\n- **B 才是真正懂這個產業的人**，過去案例最相關\n\n權威偏誤的修正：**問「過去案例」而不是「頭銜」**。請每家給 3 個同產業客戶當 reference，**親自打電話問**。\n\n最後老闆選 B。系統上線後維護順暢，B 廠商還在後續持續支援。\n\n對抗權威偏誤：\n- **權威歸權威，證據歸證據**\n- 永遠問：「你在這個**具體領域**做過什麼？」（不是「你做過什麼」）\n- 配 [[01_常駐工具/能力圈|能力圈]]：你自己懂的領域，權威壓不過你的判斷",
      "body_chars": 1388,
      "slug": "02_字典/02_心理學/權威偏誤",
      "num": "26"
    },
    {
      "id": "社會認同",
      "title": "社會認同",
      "english": "Social Proof",
      "discipline": "心理學",
      "category": "社會心理",
      "tier": "字典",
      "scenarios": [
        "投資判斷",
        "消費決策",
        "招募評估",
        "行銷策略",
        "群眾運動"
      ],
      "lollapalooza_with": [],
      "one_liner": "當人不確定正確行動時，傾向觀察並跟隨他人的行為。「大家都在做」就被視為「應該做」。這是行銷、社會運動與金融泡沫的共同驅動力。",
      "core_concept": "",
      "scenarios_text": "- **不確定情境下的決策**：餐廳哪家好 → 看誰排隊\n- **投資判斷**：「機構都在買」、「明星投資人投了」\n- **招募評估**：「他在 Google 工作過」\n- **消費決策**：用戶評分、推薦數、KOL\n- **泡沫形成期**：「鄰居都在買，我不買就錯過了」",
      "hbs_case_company": "Theranos",
      "hbs_case_text": "Theranos 早期投資人很少做技術盡職調查（因為他們也不懂血液檢測）。社會認同鏈：\n\n1. **Larry Ellison 早期入股** → 後續投資人想：「Larry 都投了，應該沒問題」\n2. **Walgreens 簽合作** → 媒體寫：「藥局都簽了，技術應該是真的」\n3. **Time 100 最有影響力人物**入選 → 一般大眾：「Time 都肯定了，應該很厲害」\n4. **新的投資人**看到上面三個訊號 → 投了 USD 1 億 → 變成下一個社會認同訊號\n\n**沒人實際驗證技術**，每個人都假設「前一個人有驗證」。\n\n最諷刺的部分：**多家主流媒體（《Fortune》《富比士》）把 Holmes 包裝為「下一個 Steve Jobs」**，這個敘事本身又變成下一輪募資的社會認同。整個 USD 90 億估值，建立在彼此引用的循環光環上。",
      "plain_example": "某創業者老王要選 VC。三家 VC 同時開出 term sheet：\n\n**VC-A**：條款乾淨、估值合理、團隊 founder-friendly。但**沒名氣**。\n**VC-B**：條款苛刻 30%、估值低 10%。但**剛投了一家近期 IPO 的明星新創**，最近所有創業圈群組都在轉發。\n**VC-C**：條款最差、估值最低。但**合夥人是矽谷神級人物**。\n\n老王的本能反應：**選 B 或 C，A 太「素人」感**。\n\n理性分析（用基礎機率 + 機會成本）：\n- A 的條款讓他保留 75% 控制權，B/C 只保留 60%\n- B 的明星 portfolio 跟老王的產業不同（純粹 brand 加成）\n- C 的合夥人 portfolio 主要在不同 vertical\n\n最後老王還是選了 **B**，「因為大家都會問我投資人是誰」。\n\n3 年後 B 在董事會上多次否決他的擴張計畫（基於 B 對其他 portfolio 的偏好），公司增長受限。**A 的某個 portfolio 同期已經做到 50 倍營收，採用更彈性的策略。**\n\n對抗社會認同：\n- **永遠問**：「這個決定，如果沒人會看到，我還會這樣選嗎？」\n- 區分「跟風」vs「真正的證據」\n- 跟「會說 No 的人」聊（不是只聽「大家都在說」的）",
      "body_chars": 1383,
      "slug": "02_字典/02_心理學/社會認同",
      "num": "27"
    },
    {
      "id": "稀缺心態",
      "title": "稀缺心態",
      "english": "Scarcity Mindset",
      "discipline": "心理學",
      "category": "動機決策",
      "tier": "字典",
      "scenarios": [
        "時間壓力決策",
        "財務困境",
        "限時優惠",
        "倒數壓力",
        "個人 / 組織壓力管理"
      ],
      "lollapalooza_with": [],
      "one_liner": "稀缺感（無論是時間、金錢或資源）會佔據認知頻寬，影響決策品質，導致人做出短視的選擇，並陷入「隧道視野」。",
      "core_concept": "",
      "scenarios_text": "- **時間稀缺**：deadline 壓力下做的決定常常品質低\n- **財務困境**：手頭緊時做的財務決策常常更糟\n- **限時優惠**：「只剩 3 個小時」「最後 2 件」\n- **倒數壓力**：投資人 deadline 逼迫的接受不利條款\n- **創業初期**：runway 將盡時的決策",
      "hbs_case_company": "發薪日貸款產業",
      "hbs_case_text": "美國發薪日貸款（payday loan）APR 通常 **300-400%**。從財務理性看，幾乎沒人應該借這種貸款。\n\n**但 1,200 萬美國人每年使用**。為什麼？\n\n**稀缺心態的隧道視野**：\n- 房租明天要繳、車要修、孩子要看病\n- **眼前 USD 300 的缺口** 佔據所有認知頻寬\n- 「2 週後要還 USD 360」這個未來成本被嚴重低估\n- 沒有頻寬去想「下次怎麼避免再陷入」\n\n**結果是惡性循環**：\n- 借了 payday loan → 2 週後還不出來 → 借更多 payday loan 還\n- 一年累積支付的利息可能超過本金的 3 倍\n- 整個家庭財務越來越緊 → 認知頻寬越來越窄 → 決策品質越來越差\n\n**這不是「不理性」，是稀缺造成的真實認知損傷**。富人不需要決定「要不要借 payday loan」，所以保留所有頻寬處理其他事。",
      "plain_example": "某新創執行長阿凱，公司 runway 剩 4 個月。他陷入 deal heat：\n\n**第一個錯誤決策**：接受一家二線 VC 的苛刻條款（1x 優先清算 + 反稀釋全 ratchet），因為「**沒時間找更好的選擇**」。\n\n**第二個錯誤決策**：為了快速簽下大客戶，**接受 30% 折扣 + 客製化承諾**，沒算到後續工程成本會吃掉所有毛利。\n\n**第三個錯誤決策**：因為現金壓力，**裁掉 2 個 senior 工程師**（最貴）保留 3 個 junior。3 個月後核心系統因 senior 流失出大問題。\n\n3 個月後阿凱回頭看：**這 3 個決定全部建立在「沒時間思考」的稀缺感上**。如果當初早 3 個月開始募資（從 7 個月 runway 開始），他會有時間：\n- 跟更多 VC 談條件\n- 仔細評估客戶 deal 真實毛利\n- 用合理速度做組織調整\n\n**對抗稀缺心態的關鍵**：**在還沒進入稀缺狀態時做重大決策**。\n\n具體做法：\n- **永遠在 runway 剩 12 個月時開始下一輪募資**（不是 6 個月）\n- 重大決策**不在 deadline 前 24 小時做**\n- 限時優惠永遠先 sleep over 一晚再決定\n\nHoward Marks 的箴言：「**The best decisions are made before you have to make them.**」決策品質跟「有沒有壓力做這個決定」高度相關。",
      "body_chars": 1522,
      "slug": "02_字典/02_心理學/稀缺心態",
      "num": "28"
    },
    {
      "id": "稟賦效應",
      "title": "稟賦效應",
      "english": "Endowment Effect",
      "discipline": "心理學",
      "category": "認知偏誤",
      "tier": "字典",
      "scenarios": [
        "併購談判",
        "出售自有資產",
        "股權出讓",
        "創辦人估值",
        "二手交易"
      ],
      "lollapalooza_with": [
        "沉沒成本"
      ],
      "one_liner": "人對自己所擁有的東西賦予更高的價值，僅因為它是「我的」。這讓人高估自有資產、不願出售，在談判中高估己方籌碼。",
      "core_concept": "",
      "scenarios_text": "- **併購談判**：賣方對自家公司估值通常高於買方\n- **二手交易**：「這台車對我有感情」\n- **股權出讓**：創辦人對自己公司估值偏高\n- **資產處置**：捨不得賣已經沒前途的投資\n- **個人物品**：搬家時才發現「捨不得丟」的東西其實沒在用",
      "hbs_case_company": "企業併購談判破裂",
      "hbs_case_text": "HBS 研究 200+ 個併購談判失敗案例，發現最常見的破裂原因是**估值落差**：\n\n- 賣方要的溢價：平均 **比市場公允價高 35-50%**\n- 買方願意付的溢價：通常 **15-25%**\n- 落差來源 70% 來自稟賦效應（不是業務基本面差異）\n\n**典型場景**：\n- 創辦人 founder：「我們做了 10 年，公司值 USD 5 億」\n- 收購方 CFO：「DCF 算出來是 USD 3 億」\n- 雙方覺得對方「不合理」\n\n**有趣的觀察**：當收購方派曾經創業過的人去談判時，破裂率反而上升——因為對方更能「感同身受」賣方稟賦，雙方都陷入「我也覺得這值得這麼多」。",
      "plain_example": "阿明 10 年前以 NT$1,200 萬買進台北市的舊公寓自住。現在因工作要搬到新竹，準備賣。\n\n仲介估市場行情：NT$2,800 萬（合理）。\n\n阿明的反應：「**我這間公寓裝潢我自己挑的、廚房改過、陽台養了 5 年的植物、我這 10 年所有回憶都在這**。**至少要 3,200 萬**才賣。」\n\n仲介解釋：\n- 裝潢對下一個買家來說沒加分，反而可能要重做（**負分**）\n- 廚房改過降低了買家自由度\n- 回憶無法折現\n- 市場價就是 2,800 萬，掛 3,200 萬會卡半年沒人看\n\n阿明堅持掛 3,200 萬。\n\n**半年後實況**：\n- 0 個 offer\n- 房價剛好遇到下行修正，市場行情變 2,600 萬\n- 阿明被迫降價，**最後成交 2,500 萬**\n\n**他要是當初接受 2,800 萬市場價**，多賺 300 萬 + 早半年到位。\n\n對抗稟賦效應：\n- **問自己**：「如果今天我不擁有這個，我會用這個價格買它嗎？」（如果答案是「不會」→ 紅燈）\n- 找**沒有情感連結**的第三方估值\n- 接受「現價」可能就是真正的價格",
      "body_chars": 1247,
      "slug": "02_字典/02_心理學/稟賦效應",
      "num": "29"
    },
    {
      "id": "過度自信",
      "title": "過度自信",
      "english": "Overconfidence Bias",
      "discipline": "心理學",
      "category": "認知偏誤",
      "tier": "字典",
      "scenarios": [
        "投資判斷",
        "創業預測",
        "專案時程估計",
        "風險評估",
        "招募決策"
      ],
      "lollapalooza_with": [],
      "one_liner": "人普遍高估自己知識的準確性、預測的精確度，以及對結果的掌控力。Svenson 1981 經典研究發現美國 93%、瑞典 69% 的駕駛者自評技術高於中位數。投資與創業中代價尤其高昂。",
      "core_concept": "",
      "scenarios_text": "- **投資判斷**：「我能挑到飆股」\n- **創業預期**：「我們會做到 ARR 1 億」（多數新創達不到）\n- **專案估時**：「3 個月可以完成」（實際 6 個月）\n- **風險評估**：「我們的計畫不會出大問題」\n- **招募**：「我看人很準」",
      "hbs_case_company": "Long-Term Capital Management (LTCM)",
      "hbs_case_text": "由 2 位諾貝爾經濟學獎得主（Myron Scholes, Robert Merton）+ 一群華爾街頂尖交易員組成的 LTCM，1994 年成立，前 4 年回報率超過 40%。\n\n**他們對自己模型的過度自信**：\n- 模型基於常態分配假設\n- 認為某些套利機會是「無風險的」\n- 槓桿峰值超過 **250 倍**（USD 48 億權益 → 超過 USD 1.25 兆部位）\n- 「諾貝爾獎得主不會錯」\n\n**1998 年俄羅斯主權違約**：\n- 帶來模型完全沒預期的「不該發生的」市場波動\n- 極端槓桿放大損失\n- 不到 5 週內虧 USD 46 億\n- 需美聯儲協調 14 家銀行紓困（USD 36 億注資）才避免引爆全球金融體系\n\n**事後 Scholes 的反思**：「我們以為自己懂風險，其實只是把風險用更複雜的方式重新包裝。」過度自信的代價可以瞬間摧毀一個由諾貝爾獎得主組成的團隊。",
      "plain_example": "阿凱第二次創業，連續創業者光環加身。他做 SaaS 商品，估時：\n\n- 「MVP 3 個月」\n- 「第一批客戶 6 個月內簽下 10 家」\n- 「ARR 一年內衝到 USD 200 萬」\n\n實際結果：\n- MVP：**8 個月**（多了 5 個月）\n- 第一批客戶：**14 個月**（少了 8 個月、簽了 4 家）\n- ARR：**18 個月做到 USD 40 萬**（差預期 5 倍）\n\n阿凱事後跟朋友說：「上一次創業學到很多，這次應該會順利」——這句話本身就是過度自信。\n\n**事後分析**：\n- 上次成功的部分是**運氣 + 時機**，他誤以為是能力\n- 創業 5 年存活率 20%，他覺得自己「肯定在那 20%」\n- 從沒想過「如果失敗會怎樣」（沒做逆向思考）\n\n對抗過度自信：\n- **預估時程後乘以 1.5**（基準）或 2（複雜專案）\n- **每次決策強制問自己**：「我憑什麼覺得會贏？」（如果答案是「直覺」→ 紅燈）\n- 找一個會挑戰你的人當常設質疑者",
      "body_chars": 1271,
      "slug": "02_字典/02_心理學/過度自信",
      "num": "30"
    },
    {
      "id": "錨定效應",
      "title": "錨定效應",
      "english": "Anchoring Effect",
      "discipline": "心理學",
      "category": "認知偏誤",
      "tier": "字典",
      "scenarios": [
        "談判",
        "定價策略",
        "估值",
        "薪資協商",
        "業績目標設定"
      ],
      "lollapalooza_with": [],
      "one_liner": "人在做決策時，過度依賴最先獲得的資訊（錨點）。後續判斷會圍繞錨點調整，但調整幅度往往不足。談判、定價、估值都深受錨定影響。",
      "core_concept": "",
      "scenarios_text": "- **談判**：誰先出價誰設錨點\n- **定價策略**：高價選項讓中價看起來合理（價格錨）\n- **估值評估**：上輪估值會錨定下輪估值\n- **薪資協商**：第一輪薪資範圍決定後續討論區間\n- **業績目標**：去年數字會錨定今年目標討論",
      "hbs_case_company": "房地產談判",
      "hbs_case_text": "HBS 經典實驗：分組讓房仲評估同一個房產。\n\nA 組看到的開價：USD 119,900\nB 組看到的開價：USD 149,900\n\n請房仲忽略開價，**用自己專業判斷估「合理價」**。結果：\n\n- A 組平均估值：USD 114,200\n- B 組平均估值：USD 128,800\n\n**差異 14,600 美元，僅僅因為開價不同**。連專業房仲都受錨定影響，**而且他們事後否認自己被錨定**。\n\n這也是為什麼談判訓練永遠在教：**永遠想辦法當第一個出價的人**（如果你能合理出價的話）。",
      "plain_example": "阿成想買朋友的二手車，市場行情約 NT$30 萬。朋友先開口：「我大概想賣 50 萬。」\n\n阿成的反應路徑：\n- **沒錨定**：「市場 30 萬，我出 28 萬」\n- **被錨定**：「50 萬？太貴吧。我出 38 萬好了，已經砍很多。」\n\n朋友最後 42 萬成交，**比市價貴 40%**。阿成回家還覺得「自己砍了 8 萬」。\n\n**錨定效應的可怕**：\n1. 你以為自己理性，但**起點已經被偷偷設定**\n2. **越荒謬的錨點越有效**（因為觸發「不可能那麼貴吧，但他開了就有道理」的暗示）\n3. 連被告知「錨定效應存在」的人也擺脫不了\n\n對抗錨定的方法：\n- **談判前先寫下自己心目中的價位**（建立內部錨點）\n- 對方出價後，**回到自己事先寫的價位**，不要從對方錨點開始調\n- 如果可以，**自己當先出價的人**",
      "body_chars": 866,
      "slug": "02_字典/02_心理學/錨定效應",
      "num": "31"
    },
    {
      "id": "複利效應",
      "title": "複利效應",
      "english": "Compounding",
      "discipline": "物理學與系統",
      "category": "系統動態",
      "tier": "字典",
      "scenarios": [
        "長期投資",
        "習慣養成",
        "品牌建立",
        "技術積累"
      ],
      "lollapalooza_with": [],
      "one_liner": "利息滾利息，成長以指數而非線性方式累積。時間是複利最大的槓桿，不是利率。",
      "core_concept": "",
      "scenarios_text": "- 長期投資（時間越長，複利威力越誇張）\n- 技能/知識/品牌建立（每天 1% 進步，一年 37 倍）\n- 用戶基數增長（推薦機制 + 留存率）\n- 技術債或壞習慣（負複利同樣可怕）",
      "hbs_case_company": "Berkshire Hathaway",
      "hbs_case_text": "巴菲特約 **99% 的財富在 50 歲之後**累積（Morgan Housel）。關鍵不是回報率多高，而是複利運作的時間夠長。Berkshire 年複合報酬率約 20%，持續超過 50 年，創造史上最偉大的投資成就。年化 20% 看起來不誇張，但 50 年複利後是 9,100 倍。",
      "plain_example": "阿明 30 歲開始月存 1 萬投資 ETF（年化 8%），到 60 歲累積 NT$1,490 萬。\n\n阿華 40 歲才開始，相同條件，到 60 歲只累積 NT$590 萬。\n\n**晚 10 年開始，差超過 NT$900 萬**。同樣的投入金額（240 萬 vs 360 萬，後者反而還多）。\n\n複利的可怕在於：**頭 10 年看起來幾乎沒效果**（線性增長假象），第 20 年開始指數曲線陡升，第 30 年完全擺脫第二曲線。\n\n這也是為什麼蒙格說：「複利是世界第八大奇蹟。理解的人賺它，不理解的人付它。」\n\n> 同樣道理用在習慣、品牌、信任、學習都成立。「等我準備好再開始」是複利最大的敵人。",
      "body_chars": 769,
      "slug": "02_字典/03_物理學與系統/複利效應",
      "num": "32"
    },
    {
      "id": "倖存者偏差",
      "title": "倖存者偏差",
      "english": "Survivorship Bias",
      "discipline": "統計學",
      "category": "統計思維",
      "tier": "字典",
      "scenarios": [
        "學習成功案例",
        "競品分析",
        "招募",
        "創業判斷",
        "投資策略選擇"
      ],
      "lollapalooza_with": [
        "基礎機率"
      ],
      "one_liner": "我們只看到成功的案例，因為失敗的已經消失不見。這導致系統性地高估成功策略的普遍性，低估失敗的真實機率。",
      "core_concept": "",
      "scenarios_text": "- 讀「成功學」書籍時（賈伯斯/馬斯克/貝佐斯的「做法」其實也有 1000 個人做了同樣的事但失敗了）\n- 分析熱門商業模式（你只看到 Uber、Airbnb，沒看到死掉的 900 家共享經濟新創）\n- 招募「明星人才」（他在前公司成功，可能是公司順風，不是他特別強）\n- 投資基金績效（看到的都是還活著的基金，倒掉的不會出現在數據裡）",
      "hbs_case_company": "商學院教學案例選擇",
      "hbs_case_text": "商學院幾乎只教成功公司（Apple、Google、Amazon），很少系統研究**用相同策略失敗的公司**。學生因此高估某些策略的成功機率。HBS 自己也承認這個盲點——教材的倖存者偏差導致畢業生在做策略選擇時，常常過度自信「我也能複製這個成功」。",
      "plain_example": "二戰時期，盟軍想加強轟炸機裝甲。工程師統計返航飛機的彈孔分布，發現機翼、機尾彈孔最多，建議加強這些部位。\n\n統計學家 Abraham Wald 反對。他說：「**你們看到的是『活著回來的』飛機。被打到機翼還能飛回來，被打到引擎和駕駛艙的——根本回不來，所以你們的樣本裡看不到那些。**」\n\n他建議加強**沒有彈孔的部位**（引擎、駕駛艙），因為那才是真正致命的位置。\n\n事後證明 Wald 是對的，這個觀察救了無數飛行員。\n\n---\n\n**現代版本**：你看到 5 個朋友辭職創業，3 個成功。你以為創業成功率 60%。實際上：\n- 你看到的是「願意跟你聊的朋友」（已經適應、心態好）\n- 你沒看到 10 個失敗到不想聯絡的人（搬家、消失、避而不談）\n- 你沒看到「想創業但根本沒勇氣辭職」的 50 個人\n\n真實的創業 5 年存活率約 20%。**樣本選擇本身就把你的判斷帶歪了**。\n\n> 這條跟 [[01_常駐工具/基礎機率|基礎機率]] 是雙胞胎，一起用最強。",
      "body_chars": 917,
      "slug": "02_字典/05_統計學/倖存者偏差",
      "num": "33"
    },
    {
      "id": "第一性原理",
      "title": "第一性原理",
      "english": "First Principles Thinking",
      "discipline": "工程學",
      "category": "設計思維",
      "tier": "字典",
      "scenarios": [
        "產業顛覆",
        "新產品開發",
        "成本結構重新設計",
        "戰略 pivot"
      ],
      "lollapalooza_with": [],
      "one_liner": "不依賴類比或前例，將問題分解至最基本的事實，再從基礎重新建構解方。需要更多認知努力，但能突破行業常規思維的限制。",
      "core_concept": "",
      "scenarios_text": "- 行業有「大家都這樣做」的潛規則但你懷疑\n- 成本結構看起來「天經地義」（其實多數時候不是）\n- 進入一個有強勢龍頭的市場\n- 客戶都說「不可能」的需求\n- 第一次做某件事，沒有 benchmark 可抄",
      "hbs_case_company": "SpaceX 火箭成本革命",
      "hbs_case_text": "Elon Musk 問了一個沒人問的問題：**火箭的原材料成本是多少？** 答案是航太級鋁合金、鈦、銅，總價約佔市場售價的 2%。傳統航太公司因路徑依賴接受了高成本結構（人工製造 + 一次性使用 + 軍規供應鏈），SpaceX 從材料成本出發重新設計製造流程 + 可回收技術，將每公斤入軌成本降低超過 90%。",
      "plain_example": "某連鎖咖啡店年虧 NT$3,000 萬，老闆說「我們已經砍到沒得砍了」。\n\n新來的顧問問三個問題：\n1. **「一杯咖啡的真實原料成本是多少？」** 答：NT$6（豆子 + 水 + 杯子）\n2. **「我們每杯賣多少？」** 答：NT$85\n3. **「那中間 NT$79 是什麼成本？」** 老闆愣住，列出來：店租 NT$22、人事 NT$28、行銷 NT$8、總部分攤 NT$9、其他 NT$12。\n\n顧問再問：「**這些成本中，哪些是非有不可？哪些只是『連鎖咖啡店該長這樣』的慣性？**」\n\n老闆原本說「都不能砍」，被逼著用第一性原理重想：\n- 店租 NT$22 → 如果改為小型外帶店，可以砍到 NT$8\n- 行銷 NT$8 → 改成口碑 + 限定品策略，可以砍到 NT$2\n- 總部分攤 NT$9 → 重新審視，砍到 NT$4\n\n最後重新設計的「精簡店型」，每杯成本降到 NT$52，毛利從 7% 拉到 39%。一年後翻身。\n\n第一性原理不是萬靈丹，但**它逼你重問「這件事為什麼一定要這樣」**——多數答案是「因為大家都這樣」，而那不是答案。",
      "body_chars": 939,
      "slug": "02_字典/06_工程學/第一性原理",
      "num": "34"
    },
    {
      "id": "地圖不等於領土",
      "title": "地圖不等於領土",
      "english": "Map is Not the Territory",
      "discipline": "哲學與邏輯",
      "category": "推理框架",
      "tier": "字典",
      "scenarios": [
        "商業分析框架使用",
        "模型驗證",
        "數據解讀",
        "顧問建議評估",
        "戰略討論"
      ],
      "lollapalooza_with": [],
      "one_liner": "所有的模型、理論、框架都是現實的簡化版本，而非現實本身。過度相信地圖（模型）而忽視領土（現實）的信號，是系統性錯誤的根源。",
      "core_concept": "",
      "scenarios_text": "- **使用顧問框架時**：SWOT、Porter 五力給的「答案」要驗證\n- **看財務模型時**：DCF、敏感度分析的假設要被挑戰\n- **讀產業報告時**：報告是濃縮版地圖，不是現場\n- **看數據儀表板時**：metric 是地圖，user behavior 才是領土\n- **下重大決策前**：地圖能說明趨勢，但無法預測 black swan",
      "hbs_case_company": "麥肯錫七 S 框架的濫用",
      "hbs_case_text": "McKinsey 的 7S 框架（Strategy, Structure, Systems, Shared values, Skills, Style, Staff）幫助企業診斷組織問題。框架本身有價值——**直到它被當成「全部現實」**。\n\n**HBS 觀察的典型失敗模式**：\n- 顧問拿 7S 套到每個客戶 → 都套得進去（這就是框架太有彈性的問題）\n- 客戶看到「框架已填完」 → 以為「分析完成」\n- **沒人問**：「我們的 case 真的能用 7S 嗎？有沒有 7S 抓不到的東西？」\n\n**真實案例**：某零售連鎖請麥肯錫做 7S 分析。報告完美，每個 S 都有 insight。客戶照建議執行：\n- 改變 Structure（重組部門）\n- 改變 Systems（換 ERP）\n- 訓練 Skills（員工培訓）\n\n**但 5 年後該公司還是衰敗**。為什麼？因為**真正的問題是「消費者行為轉到電商」**，這個變化**根本不在 7S 框架裡**。\n\n**領土層的真實變化**：\n- 消費者買鞋從 60% 實體 → 25% 實體\n- Z 世代不逛百貨公司\n- 物流速度成為新競爭維度\n\n**7S 完全沒抓到這些**——因為 7S 是 1980 年代設計的「組織內部」框架，**不是「外部世界變化」框架**。\n\n蒙格的觀察：「**框架是地圖。但你決策的不是地圖，是真實世界。記得永遠看窗外。**」",
      "plain_example": "某中型製造業老闆王董每月看「**經營儀表板**」：\n\n**儀表板顯示**：\n- 營收：YoY +8%（綠燈）\n- 毛利率：32%（綠燈）\n- 客戶 NPS：78（綠燈）\n- 員工流失率：12%（綠燈）\n\n王董看完覺得「**一切都好**」。\n\n**6 個月後突然出大事**：\n- 最大客戶（佔營收 35%）跑掉\n- 兩個 senior 工程師同時離職\n- 一個品質瑕疵導致召回，賠 NT$8,000 萬\n\n**事後復盤發現「儀表板沒抓到的領土」**：\n- 最大客戶 6 個月前就在跟對手談（**儀表板看不到「客戶心思」**）\n- 兩個工程師跟主管不合**3 個月了**（**儀表板的「12% 流失率」是平均值，沒看到誰要走**）\n- 品質瑕疵是因為原料供應商換了（**儀表板沒監控供應商品質波動**）\n\n**儀表板（地圖）的問題**：\n- 看落後指標，不看領先指標\n- 看平均值，不看 outlier\n- 看內部，不看外部信號\n\n**領土的真實**：\n- 跟客戶私下喝咖啡聽他們抱怨\n- 跟員工 1-on-1 聽他們真實感受\n- 自己去客戶現場看產品被怎麼用\n\n對抗「地圖偏執」：\n- **永遠去現場**：辦公室看到的是地圖，現場才是領土\n- **問外部人**：客戶、員工、供應商\n- **看 outlier**：平均值會說謊",
      "body_chars": 1955,
      "slug": "02_字典/07_哲學與邏輯/地圖不等於領土",
      "num": "35"
    }
  ],
  "cases": [
    {
      "id": "Kodak",
      "title": "Kodak",
      "english": "Eastman Kodak",
      "year": "1975-2012",
      "industry": "影像 / 攝影",
      "outcome": "2012 年申請破產",
      "models_triggered": [
        "機會成本",
        "沉沒成本",
        "路徑依賴",
        "確認偏誤",
        "二階思考缺位",
        "創造性破壞"
      ],
      "slug": "03_深度個案/Kodak"
    },
    {
      "id": "Theranos",
      "title": "Theranos",
      "english": "Theranos",
      "year": "2003-2018",
      "industry": "醫療器材 / 生技",
      "outcome": "2018 年解散；Holmes 2022 年判 11 年 3 個月，2023 年入監",
      "models_triggered": [
        "權威偏誤",
        "確認偏誤",
        "社會認同",
        "從眾效應",
        "沉沒成本",
        "基礎機率",
        "地圖不等於領土"
      ],
      "slug": "03_深度個案/Theranos"
    }
  ]
}