一、它到底是什么

它解决的是一个非常普遍的错误：把一个具体案例当成完全独特的故事来判断，忘了它其实属于某一类更大的事。鲜活细节最吸引注意力，但同类事件通常怎么发生，往往更能校准判断。

这种忽略不是粗心，是被反复验证过的一种默认倾向：一串实验发现，只要给出一段具体的描述，人就会把「这类事通常怎样」整个跳过，直接按眼前的故事下判断。所以补救的办法不是提醒自己「要客观」，而是把顺序固定下来，先问频率，再看个案。

二、为什么人会忽略它

因为具体的故事比统计数字更有说服力。一段生动的描述会自动激活联想，让人觉得「这次不一样」；而基础比率是一个抽象的百分比，不带画面。

心理上这叫「基础比率忽视」：人会把注意力放在个案的独特细节上，跳过「这类事一般怎样」这一步。它不需要你相信什么，只是注意力顺序出了问题。

三、什么时候会碰到它

• 预测项目成功率、创业结果、销售转化、用户流失、违约风险。
• 有人对你说「这次很特殊」。
• 你在用内部视角（这个故事）解释，而不是外部视角（同类事件）。
• 拿到一个「惊人的个案」，准备据此改变判断时。

四、什么时候它不管用

参照群体选得差，类别划错，那个比率就没有参考价值；环境已经巨变，旧数据不适用；个案证据非常强、且与结果直接相关，比如已经做过实测，那就该以实测为准。

五、两个例子

六、最容易走偏的地方

• 选错参照群体：把不同类的公司放在一起算，比不算更糟。
• 把基础比率当命运：它是一个起点，不是判决。
• 用了基础比率就不看新证据：起点之后，还要用个案信息往上调。
• 反过来，只看个案：这就是基础比率忽视本身。

七、怎么把它用起来

• 先归类：这件事属于哪一类？写得越具体越好。
• 找频率：这一类事，过去通常有多少能做到？找不到精确数据，就用估计区间。
• 把它当起点写下来：一个数，或一个区间。
• 再看个案证据：哪些信息真的能改变这个起点？只有与结果直接相关的才算。
• 往上或往下调：调整幅度要跟证据的强度匹配，不能凭感觉大跳。
• 事后对一遍：结果出来后，回头看看是起点错了，还是调整错了。

八、它和「贝叶斯更新」的关系

基础比率是起点，贝叶斯更新是拿到新证据后怎么调整这个起点。两者是一条流水线的前后两段：先用基础比率开场，再用新证据修正。只做前者，会变成宿命论；只做后者，会从错误的地方开始调。

九、常问的几个问题

基础比率是什么意思？

就是某件事在相关群体里通常发生的比例。

什么是基础比率忽视？

指判断时忽略一般概率，过度关注具体故事、鲜活细节或个人印象。

找不到数据怎么办？

用相近类别的数据，或者用你自己的经验估一个区间，有区间，也比没有起点好。

它会不会让人过于保守？

会，如果把它当终点的话。它的用法是起点，不是结论。

相关

可得性启发、贝叶斯更新、第一性原理。