错误衡量易得性倾向指人们会优先衡量容易获得、容易量化、容易展示的数据，并在不知不觉间让这些指标替代真正想要的结果。因为数字看起来客观，仪表盘又能持续更新，团队很容易把“能被准确测量”误认为“值得被优化”。这个倾向的危险不在测量本身，而在错误的测量改变了注意力、激励和行动。

从可得数据到错误目标

很多重要结果难以直接观察：客户是否真正信任产品、员工是否能长期成长、系统是否在压力下仍然可靠、研究是否真的增加了知识。相比之下，点击量、通话时长、完成件数、预算使用率和短期收入更容易统计。于是组织会自然地围绕这些代理指标配置奖金、排班和汇报节奏。

代理指标并不必然有害。它们的用途是用一个可观测变量近似目标变量。但当代理指标被当作目标，行为就会朝着指标而非使命移动。客服为了降低平均处理时长而草率结案，学校为了提高考试分数而缩窄学习内容，投资人为了提高季度排名而承担隐藏尾部风险，都是同一个结构。

这也是“好指标被过度使用后会失效”的原因。指标原本与结果相关，是因为它还没有决定人的奖励和约束；一旦它成为考核中心，参与者就有动力改变指标生成过程，而不必改善真实结果。此时看似更精确的量化，反而制造了更精确的错觉。

先定义目标，再选择指标

抵抗错误衡量易得性倾向，第一步不是寻找更多数据，而是写清楚不能被单一数字代表的最终目标。例如产品团队的目标可以是“帮助特定用户稳定完成某项任务”，而不是“提高日活”；投资研究的目标可以是“在可承受损失下提高长期资本回报”，而不是“本月观点命中率”。目标写得清楚，才知道哪些数字只是信号，哪些结果必须通过定性观察或长期追踪来判断。

第二步是为同一目标建立一组相互牵制的指标。处理时长要与一次解决率、复联率和客户体验一起看；收入增长要与留存、退款、现金流和服务质量一起看；研发速度要与故障率、维护成本和知识沉淀一起看。指标之间有张力并非缺点，它迫使人承认现实本来就有权衡。

第三步是把无法量化的内容制度化地带回决策。定期阅读客户原话、抽样复核实际案例、访谈一线人员、检查反例和长期后果，都是对仪表盘的校正。定性材料不必取代数字，但它能提醒人：数字来自一个过程，而过程可能已经被激励扭曲。

检查一个指标会诱发什么行为

提出指标前，可以问四个问题：如果有人只为提高这个数字，他最容易牺牲什么？如果数据变好，哪种坏结果仍可能被遮住？这个指标在不同人群、不同时间尺度和不同场景中是否仍有意义？谁最了解指标失真的方式，他是否参与了设计？

例如销售额上涨并不总是好消息，可能来自大幅折扣、提前确认收入或把后续服务成本推给未来。只有把销售额与毛利、回款、留存和投诉联系起来，才不会把“发生了一笔交易”误读成“创造了价值”。

同样，个人也会被易得指标带偏。每天读书页数、运动时长或待办事项完成数都很方便记录，但它们未必等于理解、恢复或重要工作的推进。适合的做法是保留记录，同时定期问一个更难的问题：我想改善的能力、关系或成果，真的在变好吗？

边界与相关模型

这个模型不是反对量化。没有测量，组织只能依赖记忆和权威；有了合适的测量，错误能更早被发现。它反对的是把测量便利性误作价值排序。对低风险、可重复、定义明确的任务，单一指标通常足够；对复杂、长期或有强激励扭曲的任务，必须用多指标、抽样审计和复盘来补足。

它与激励机制、代理问题和古德哈特定律关系密切，也需要配合系统思维和二阶效应。每次设定一个数字，都应追问：它会怎样改变人们的行为，又会在系统的其他地方留下什么代价？

来源说明

本文以《查理·芒格的思维模型》及《穷查理宝典》中列出的“错误衡量易得性倾向”为核心。该条目没有合并其他别名；文中把它落实为代理指标失真、多指标制衡、定性校正与激励副作用的检查方法。