當我們評價一類葡萄酒的品質，和預測它的價格時，往往會認爲：如果沒有幾十年的從業經歷，和品嚐過成千上萬不同品類、品質的酒時，你連資格都不具備。
葡萄酒品鑑就是這樣一個複雜，和崇尚權威的領域。只有具備足夠多的品嚐經驗，才能形成更精準的直覺。而葡萄酒大師級人物的品鑑方法，也正是傳統的“痛飲”，以及“回味”。
但這種狀況，卻被葡萄酒行業的一個外來者給徹底顛覆了。這個無名小卒雖然很喜歡喝葡萄酒，但卻遠遠算不上品鑑專家，也並不在葡萄酒相關行業工作，而是一位普林斯頓的經濟學家。他的工作常年與數字爲伍，或者簡單地說，他的工作是用統計學方法提取出隱藏在大型數據集合中的相互關聯的信息。
比如，這位普林斯頓的經濟學家曾考察同卵雙胞胎的工資，來估計上一年學對一個人的收入帶來的影響。又比如他曾考察限速差異，來估計美國各州對於統計壽命的重視情況。這一次，他花了25年時間，只爲搞清楚葡萄酒的品質究竟與哪些因素有關，以及相關程度到底有多少，直至變成一個精準的數學公式。
這位普林斯頓的經濟學家名叫阿森費爾特，他聯想到價格肯定與品質相關，因此他分析了以往不同年份、不同拍賣價格，這些酒的相關特徵各是什麼。
阿森費爾特發現：較少的收穫期降水量和較高的平均夏季氣溫，這兩者纔會帶來品質最佳的葡萄酒。又經過一段時間的統計與計算，阿森費爾特大膽地提出了一個判斷葡萄酒品質的數學公式。
即，葡萄酒品質=12.145+0.00117*冬季降水量+0.0614*生長季平均氣溫-0.00386*收穫期降水量
阿森費爾特的這種做法遭到了傳統葡萄酒評論家的猛烈攻擊，最有影響力的葡萄酒評論家羅伯特·帕克更是評價道：他是個徹頭徹尾的騙子。帕克進一步說：“阿森費爾特就像一個從不看電影，僅僅根據演員和導演判斷電影好壞的影評人一樣。”
阿森費爾特和羅伯特·帕克的交鋒在1989年和1990年達到了頂峯。阿森費爾特先是公開批評帕克對於1986年波爾多葡萄酒“非常好，簡直稱得上出類拔萃”的評價是個錯誤，因爲根據統計數據，那一年的生長季平均氣溫低於平均水平，而收穫期降水量高於平均水平，因此那一年的酒絕對很平庸。緊接着，阿森費爾特在當年葡萄酒僅存放3個月，還沒被評論家品嚐時，就斷定那一年的酒會成爲這個世紀的葡萄酒之選，售價絕不會低於過去35年釀造的任何一款葡萄酒。
事實證明，阿森費爾特是對的，1989年的葡萄酒之後被公認爲“世紀年份酒”。但事情還沒完，阿森費爾特緊接着又在1990年大膽宣稱，這一年的酒會比1989年的葡萄酒表現得更好。事實再一次得到了驗證，阿森費爾特又對了。
傳統專家大跌眼鏡，雖然他們從未公開承認阿森費爾特的預測能力，但他們卻在慢慢地改變先前的看法，紛紛對天氣給予了巨大重視。阿森費爾特對於這種改變幽默地說道：“現在和過去不同了，品酒師不會再犯可怕的錯誤了。坦白地說，我是在自掘墳墓，我再沒有像之前那麼高的附加值了。”
這個故事來源於《魔鬼統計學》，作者伊恩·艾瑞斯用了大量的真實案例把我們帶入了統計學的世界，引導我們思考直覺、經驗體系是否可以取代數據分析體系，它們二者究竟孰對孰錯。在葡萄酒品質預測這個案例中，我們看到代表數據分析的阿森費爾特戰勝了代表直覺與經驗的葡萄酒大師羅伯特·帕克，似乎數據分析佔了上風。但是，不得不說，阿森費爾特並不是每一次都對，也並不是每一次都和正確答案相差無幾（有時稍有差距）；而羅伯特·帕克也並不是沒有一點作用，幾十年的經驗畢竟沉澱了某些珍貴的特質，讓他比別人更具直覺。
那麼，面對生活中大大小小的預測與決策，我們究竟應該如何應對呢？你需要了解如下幾個問題。
一、認知缺陷和偏差影響我們的預測能力
科學實驗已經證實，我們人類的大腦存在某些認知缺陷和偏差，即使是最聰明、最優秀，有着足夠多經驗的專家，有些時候也不能倖免，而這往往會影響到我們的準確預測能力。
這些認知缺陷和偏差就包括“可得性偏差”和“否認證據”。
“可得性偏差”指的是，我們的判斷總是會基於那些難忘、生動的記憶，而不是可靠或可信的證據，這直接導致我們會對某些看似特殊的事件賦予過高的權重。比如，很多人認爲遊樂場坐飛車是個危險的行爲，畢竟一方面我們看到在高速轉圈的過程中瞬間充滿恐懼的人羣，頓時感覺到如果被甩出去將會是多麼可怕。另外，我們也會對一些報道過坐飛車出事的事件記憶猶新，這進一步加深了我們對其危險性的判斷。但是，其實根據統計結果顯示，在遊樂場坐飛車比在幹道上騎自行車的危險性還要小，可是我們從來就不認爲騎自行車危險。
“否認證據”指的是，一旦我們形成了對於某事的錯誤觀念，我們就會堅持這種觀念，即使新出現的證據顯示與我們的原有觀念不符，我們還是會選擇忽視它，只關注支持我們原有觀念的證據。這樣的事情也屢見不鮮，從拒絕改變診斷的醫生到拒絕放棄其理論的科學家都是如此。正如普朗克所評價的那樣：一個新的科學真理不是通過說服它的對手，使他們恍然大悟，而是因爲它的對手最終死了，通曉它的新一代成長起來了。
除了這兩個認知缺陷和偏差，我們有時還會犯過度自信的問題。就像瑞典的一項調查顯示，有90%的司機都認爲他們的駕駛技術在平均水平之上。
二、數據分析預測的優勢
伽利略曾說：唯有數學才能揭示科學的真實面貌，因爲數學似乎是上帝的語言。”對於生活中我們的預測與決策，數學也佔據着重要的地位。
數據分析預測相比於人類缺陷的優勢在於，它會在預測時更好、更客觀的分配每個因素的權重，而且在此過程中不帶任何情緒，不會犯任何人類認知缺陷方面的錯誤和過度自信的問題。不僅如此，它還能告訴你它預測的質量，不會像傳統專家那樣對任何沒有把握的預測都充滿自信。
數據分析預測經常使用的方法是統計學中的迴歸方程，當然隨着技術的發展，後來也出現了一種“神經網絡”的預測方式。有趣的是，它所使用的是模擬人腦的學習過程來進行預測。它們二者究竟誰強誰弱現在還不好說，但是肯定的是，它們都不是源於人類簡單的經驗和直覺，而是數字、數學。
還有一點，數據分析預測還會用到一種方法叫做“隨機化測試”，簡單的說，它是把幾組不同的方案分配給一羣測試人員，根據得到的反饋來進行進一步的決策。這樣做的目的很簡單，就是避免犯專家高估自己直覺能力的錯誤，而是用隨機化測試來檢驗我們的直覺，可以說這是一種非常客觀的方式。
三、數據分析預測的不足
數據分析預測做不了什麼事情呢？《魔鬼統計學》的作者認爲是“假設”。也就是說，數據預測分析並不會知道是“什麼導致什麼”，而人類需要用我們的大腦和直覺猜測哪些變量應該或者不應該包含在統計分析中。之後，再由迴歸來檢驗是否存在因果效應，以及這些因果影響的大小。
還有一點需要指出，查理芒格在一次題目爲“論學院派經濟學”的演講中講到，由於經濟學涉及的系統太過複雜，經濟學家往往會過度強調某些可以量化的因素，而低估那些無法被測量的因素的重要性，這就導致我們的迴歸公式中並不會包含那些無法測量但重要的因素。因此，準確性一定會大打折扣。
四、結語
數據分析預測並不是直覺的替代物，更準確地說，它們應該成爲一種相互的補充。正如《魔鬼統計學》結束語所說：我們應該做的是，將直覺、經驗、統計學結合起來，以生成更好的選項。