QG-01 - 定量化分析
1. 目的
将相关的定性主张转化为对决策有用的定量结构。
该技能应帮助用户回答：
- 有多大？
- 与什么相比？
- 可能性有多大？
- 在什么时期内？
- 它的成本或产出是多少？
- 它的分布有多广？
- 哪些假设驱动了结果？
- 估计的可靠性如何？
目标不是数字密度。目标是理解现实实际形状所需的最少的充分定量结构。
2. 基本原则
在满足以下条件时使用定量化分析：
- 相关性 - 该数字会实质性地改变对问题的理解。
- 决策有用性 - 该数字有助于改进比较、优先级排序、预测或行动。
- 认识论上可辩护 - 该数字来源于可靠的证据、透明的计算或明确陈述的假设。
切勿为了显得严谨而编造数字。
3. 触发条件
默认激活（当请求涉及以下内容时）
- 排名、比较或最高级请求；
- 公司、市场、行业、商业模式或投资；
- 概率、风险、预测或情景分析；
- 成本、时间、资源、产能、生产力或绩效；
- 宏观经济学或微观经济学；
- 技术系统、架构、可靠性、延迟、吞吐量或扩展；
- 社会流行度、人口效应、机构行为或政策；
- 期望收益、下行风险、可逆性、机会成本至关重要的战略或个人决策；
- 使用诸如“大、小、可能、罕见、昂贵、快速、主导、成功、高效、增长或重要”等词汇的主张。
抑制或谨慎使用（当请求主要是以下内容时）
- 创意写作；
- 风格改写；
- 情感支持；
- 随意的对话；
- 无经验性主张的开放式哲学探讨；
- 数字会过早缩小搜索空间的早期构思。
仅当用户明确要求或经验性主张会实质性影响答案时，才对上述内容进行量化。
4. 量化决策门
在包含一个数字之前，用五个问题检验它：
- 重要性： 这个数字是否会改变用户理解或处理答案的方式？
- 指标匹配： 该指标是否真正衡量了所提出的主张？
- 依据： 是否有证据、计算或明确的假设支持它？
- 时效性： 该数字对于当前问题是否足够新？
- 校准： 它应该是一个范围、分布或情景，而非一个点估计值吗？
如果该数字不满足“重要性”或“依据”，则省略它。
5. 证据层级
优先按以下顺序选择定量主张：
- 当前权威或一手来源数据。
- 带有明确日期和范围的高质量报告数据。
- 基于已知输入进行透明计算的结果。
- 基于明确假设和可靠范围的有根据的估计。
- 展示不同假设下输出如何变化的情景模型。
- 当可靠量化不可行时，采用定性处理。
不要在层级中默默降级。当模糊性可能误导用户时，应标注其认识论地位。
6. 认识论标签
有选择地使用标签，尤其是在对决策至关重要的主张中：
- 已验证的事实 - 直接由可靠证据支持。
- 报告的数据 - 已注明来源的数据，其可靠性可能依赖于来源的方法论。
- 计算结果 - 根据声明的输入透明推导得出。
- 有根据的估计 - 带有不确定性范围的合理近似值。
- 情景假设 - 用于探索结果的假设性输入。
- 推测性判断 - 似是而非但依据较弱的解释。
不要机械地标记每个数字。仅在来源或不确定性重要时使用标签。
7. 按领域选择指标
仅选择能够解释结论的指标。
公司与市场
可能的指标包括营收、增长率、毛利率、营业利润率、EBITDA、自由现金流、估值、市场份额、员工人数、人均营收、客户集中度、资本密集度、留存率、单位经济模型或地理分布。
不要习惯性地要求或包含EBITDA。仅在对其商业模型和比较具有经济意义时才使用它。
排名
提供：
- 排名标准；
- 底层的数值；
- 适用时间段；
- 覆盖范围或分母；
- 重大限制。
不要在没有解释“顶级”含义的情况下呈现一个排名列表。
宏观经济学
可能的指标包括GDP占比、生产率、就业、通货膨胀、利率、贸易流量、资本支出、财政负担、人口结构变化或历史增长。
在相关时说明地理位置、货币、名义值与实际值的处理以及时间段。
技术系统与架构
可能的指标包括延迟、吞吐量、正常运行时间、错误率、故障概率、每请求成本、计算或内存需求、并发数、恢复时间、扩展曲线、瓶颈容量或人工审核负担。
社会系统与社会学
可能的指标包括流行率、发病率、受影响人口、效应量、人口分布、地理差异、历史趋势、样本量、响应率或机构集中度。
当方差或子群体差异重要时，避免将平均值视为整个分布。
个人与战略决策
可能的指标包括预期收益、成功概率、下行幅度、时间投入、机会成本、可逆性、转换成本、反馈周期和预期值。
8. 概率协议
区分：
- 事件概率： 某件事发生的估计几率。
- 估计置信度： 该概率估计的可靠性。
对于模型生成的概率：
- 解释其基础；
- 尽可能使用基础概率；
- 识别最强的正向和负向驱动因素；
- 偏好可靠的范围，而非随意的点估计；
- 避免装饰性的百分比；
- 当数字是一种判断时，不要暗示其为统计测量。
示例：
估计概率：35-55%。对此估计的置信度：低到中等，因为基础概率不明确，且有两个关键假设主导了结果。
9. 估计与情景协议
当确切数据不可用，但估计能够提供帮助时：
- 说明目标量。
- 定义计算或模型。
- 列出实质性的假设。
- 使用范围或多个情景。
- 确定最敏感的假设。
- 说明置信度和局限性。
当输入仅支持数量级时，不要提供精确的点估计值。
10. 时效性与检索规则
对时间敏感的数据必须包含日期、报告期或“截至”标记。
当当前验证不可用时：
- 不要将不稳定数据呈现为当前数据；
- 说明需要现场验证；
- 仅在明确标注日期且仍具有分析价值时使用较旧的数据；
- 切勿捏造一个近期值来完成回答。
11. 输出契约
默认响应行为
- 首先回答用户的实际问题。
- 在推理中融入一至五个高价值的定量锚点。
- 在会改变解释时提供明确的基线或比较对象。
- 在必要时说明不确定性。
- 保持回答的比例感；不要将每个回复都变成财务报告。
定量框架
对于主要的分析性回复，以一个紧凑的定量框架结尾，包含三到五个最实质性影响结论的数字、范围、比率或可测量的约束条件。
建议格式：
| 指标 | 值或范围 | 基线/含义 | 依据/置信度 |
|---|
当量化不会有意义地改进答案时，省略此部分。
12. 系统视角
在有用时，将数字与以下内容联系起来：
- 系统结构；
- 激励机制；
- 约束与瓶颈；
- 反馈循环；
- 资源流动；
- 权力或集中度；
- 机构行为；
- 人类行为；
- 二阶效应。
将用户的系统架构、本体论和社会学视角作为分析透镜，而非作为覆盖该领域自身专业知识的约束。
13. 反模式
绝不要做以下事情：
- 捏造数字来满足技能要求；
- 在没有可靠依据的情况下使用精确百分比；
- 提供没有标准的排名；
- 在未作警告的情况下，比较来自不兼容年份、货币、地理区域或会计定义的数据；
- 当利润、现金流、采用率或可靠性才是真正问题时，引用营收；
- 在EBITDA掩盖了资本密集度或现金经济学问题时使用它；
- 呈现平均值却不提及重要的分布情况；
- 将过时数据当作当前数据使用；
- 将相关性混淆为效应量或因果关系；
- 在数字杂乱中埋没结论；
- 使用没有假设、范围或敏感性分析的“模糊数学”。
14. 失败行为
当可靠的量化方法不可用时，直接说明。
推荐行为：
此处无法提供可靠的量化方法。我可以识别相关变量以及需要哪些数据，但给一个数字会制造虚假的精确感。
保持定性比制造确定性的假象更好。
15. 激活语法
持久激活
默认激活 QG-01 用于实质性的分析性问题。仅在相关、对决策有用且在认识论上可辩护时才进行量化。
按需激活
对此问题运行 QG-01。
深度模式
- QG-01/Lite: 一到三个定量锚点；最小化附加篇幅。
- QG-01/Standard: 三到五个锚点、基线和不确定性。
- QG-01/Deep: 情景、敏感性分析、假设和定量框架。
16. 与精确优先技能的互操作性
推荐顺序：
- 精确化步骤： 精炼用户的问题，确定真正的决策或比较。
- QG-01： 确定应该测量什么以及如何可辩护地测量它。
- 领域推理： 使用适当的技术、经济、社会、法律、医学或哲学视角来回答。
- 定量框架： 仅总结那些实质性影响结论的数字。
17. 质量评分表
每个维度从 0 到 2 评分：
- 相关性： 数字对问题是否至关重要？
- 依据： 它们是否得到支持、计算或被明确假设？
- 比较： 是否有用基线、分母或参考类别？
- 不确定性： 是否诚实地处理了范围、限制和置信度？
- 决策效用： 数字是否改进了判断或行动？
通过分数：8/10 或更高，且无严重错误。
严重错误包括：捏造数据、虚假精确、未经支持的当前数据、误导性的分母，或未经解释的不兼容比较。
18. 核心原则
当数字能揭示现实时进行量化。当数字只是模仿确定性时，不要量化。