人類大腦是一個分類機器，一刻不停地吸收外界海量的混亂數據，將其簡化和格式化處理，以便理解這個世界。這是大腦最重要的能力之一：一眼看出某個東西到底是蛇還是木棍，對人類來說很有價值。
分類法有價值的前提是兩點：第一，必須實事求是。你不能隨意地將同類強行分開。正如柏拉圖所說，有效分類是「從關節處切分種類」，就像蛇和木棍。第二，必須有用。不同類別必須有你所關心的差異。區分蛇和木棍是有意義的，能幫助人類在叢林探險中存活下來。
但在商業世界中，我們常常創造並依賴一些虛假或者無用的分類，這會導致重大的決策失誤。
分類思維的危害體現在四個重要方面。它會臉譜化同類別下的成員，忽略彼此間的差異；誇大不同類別成員的差異；歧視、偏愛某些類別；將人為製造的類別構架視為恆定不變。
臉譜化
我們在分類時，依據的是原型。這樣一來很容易忘記每個類別中的各種變數。
目標客戶的迷思。營銷部門最常用的工具之一就是研究細分市場，旨在將顧客分類，找到公司的目標客戶群——也就是公司的戰略重點和需要特殊關注的一類客戶。
細分用戶研究一般先詢問顧客的行為、意願和人口統計特徵，再根據答案的相似程度，通過聚類算法將答題者分為不同類別。這類分析很少得出差異很大的類別。但營銷人員很少會認真評估這些群體是否真實存在，而是直接進入細分流程的下一步：確定平均值、顧客畫像、創造原型。
屏蔽效應。臉譜化還會影響人才選拔。假如你負責公司招聘，在貼出廣告後，有20人應聘。你先做一輪篩查，然後根據候選人的技術能力進行排名，選擇前5名來面試。
即便這5個人的技術能力大相逕庭，但到了這時也不會太多影響你的錄用決定。一旦你基於技術能力篩選出候選人，進入下一階段的候選人在你眼中技術能力都差不多。受到分類思維影響，你在面試中會主要基於軟技能進行篩選：他們的氣質談吐如何，溝通是否高效等。當然這些技能很重要，但對很多職位來說，最重要的是找到技術能力最高者，但屏蔽效應妨礙了你找到這些人才的能力。
誇大效應
分類思維會促使你誇大不同類別間的區別，對其他群組的人產生刻板印象，在決策中隨意設立閾值，得出錯誤結論。
群組動態。在大數據和用戶畫像時代，基於分類思維產生的誇大令人擔憂。例如，Facebook根據用戶瀏覽記錄（「中立」「保守」 「自由」），為其打上政治標籤，並為廣告主提供這類信息。這會讓廣告主覺得Facebook不同類型用戶間的區別比實際要大，而諷刺的是，廣告主因此為每個群體量身打造廣告內容，反而會進一步擴大真實差異。2016年美國總統大選和英國脫歐政治活動中，似乎就發生了這樣的情況：Facebook為「保守派」和「自由派」用戶提供了數千條加深分裂的內容。
很多公司的內部也飽受類似的誇大效應之苦。不同部門發揮協同效應往往會給企業帶來成功。但是分類思維會讓人嚴重低估團隊跨部門合作的成效。如果你覺得公司的數據科學家很懂技術，但是對商業運作一竅不通，公司營銷經理很懂營銷，但面對數據一籌莫展，也許你根本不會想要讓他們合作。這也是很多分析項目停擺的原因之一。
決策。誇大也會以不易察覺的方式影響管理決策。例如，NBA球隊在以微弱比分輸掉比賽後（100比101），相比以微弱比分贏得比賽（100比99），即使都是兩分之差，教練在下一場比賽中，調整首發陣容的機率高17%。但很少有教練會因為球隊以100比106，而不是100比108輸掉比賽，而調整陣容，雖然差距也是兩分。失敗和成功從感覺上講有本質差別，因為人們不會以連續統一體看待體育比賽結果。
統計顯著性。隨著行為經濟學和數據科學的興起，企業日益依賴A/B測試來評估效能。部分原因是A/B測試易於執行和分析：你創造出除一個因素外其餘完全相同的兩種情況，然後讓一組人體驗A版本，再讓另一組體驗B版本，接著看兩組間是否有較大行為差異。即便這一設計實則毫無作用，出於偶然性，兩組之間總會有某些差異。因此，為了確定差距是不是足以說明測試設計有效，還要做統計測試。測試結果就是在假設控制因素無效的情況下，你可能會看到差距差異的可能性，即假設機率（p值）。該值越接近0，越能充分說明你所控制的因素才是差異的主要原因，而非偶然性。但多接近0是足夠接近呢？
1925年，英國統計學家和遺傳學家羅納德·費希爾（Ronald Fisher）爵士隨意選擇了0.05作為分界。他也可以挑0.03，實際上他還建議，假設機率應當根據研究參數的不同設置不同值，但沒人在乎。在隨後幾十年間，學界盲目追隨，認定0.05是劃分有效與否的楚河漢界，並成為商業實踐的規範。
這帶來各種問題。當A/B測試出現0.04的假設機率時，測驗通過，而0.06則放棄，但從這數字本身來說，兩者之間差異並無太大意義。更糟的是，很多實驗人員會定期偷看數據，測試統計顯著性，當看到低於0.05的假設機率後，就不再搜集數據。這樣做，更容易將實際無效的介入視為有效。近期，針對使用著名網上A/B測試平台的實驗人員，有人進行了研究，發現多數人參與了「假設機率造假」行為，導致虛假測試率從33%上升到42%。
歧視
一旦你採用了某種分類體系，會傾向於更偏愛某些類別。但是，忽視另一些類別會帶來有害結果。
過度定位。廣告對目標客戶也許有更大的積極影響，但在很多情況下，廣告主無法收回每次點擊多花費的成本。然而營銷人員沉迷於目標客戶，忽略了其他人身上的價值。
Facebook一直在致力於幫助廣告客戶理解與細分客戶相關的覆蓋率問題。它以一個曾關注男性用戶的啤酒品牌為例。該品牌轉向數字媒體後，能夠縮小目標客戶的範圍，看似是件好事。但實際上，這嚴重限制了公司宣傳的覆蓋範圍，品牌績效下滑。調查過後，公司發現該品牌的消費者很大比例是女性。在拓寬目標範圍並推出創意廣告後，公司立即看到好的變化。
凈推薦值。什麼是凈推薦值（NPS），它的作用是什麼？——企業詢問顧客（或員工），以0到10的標準，他們向親朋好友推薦這家公司的可能性有多高。0代表「絕不會」，10代表「肯定會」。在給出答案後，消費者會被分為三類：批評者（0-6分），被動者（7-8分）和推薦者（9-10）。得出NPS值，先要統計各類顧客的比例，然後用推薦者比例減去批評者比例。如果60%的顧客是推薦者，10%的顧客是批評者，你的NPS是50。
NPS體系本應幫公司避免誇大和偏見，但其本身也存在同樣問題。例如，打6分的顧客更接近7分而不是0分，但它還是被歸入批評者，而非被動者。決定分數時，跨類別的微小差異起了重要作用，換言之，同一類別中相同的，甚至更大的差異反而被忽略。
NPS還有另一個分類思維的問題：被動者的數量不予統計。以兩個極端調研結果為例：一家公司有0%的批評者，0%的推薦者。另一家有50%的批評者和50%的推薦者。兩家NPS值相同，但很明顯兩者的顧客狀況非常不同，應當用不同的方式進行管理。
僵化
分類會導致僵化的世界觀。它讓我們覺得這樣看到的就是真實的世界，而不是一部分人梳理世界的一種方式。約翰·凱恩斯（John Maynard Keynes）曾用精妙語言描述過這一觀點，「困難不在於如何接受新思想，而在於如何擺脫舊思想」。
很多企業希望通過分類提高運營效率。他們將任務分配到人，將人分配到各部門等等。
這麼做有其意義，但也會付出代價。為解決過去業務問題所作的分類，難以適應未來的問題。而依靠分類來思考問題，會給知識創造拖後腿，因為它會影響人們以全新方式結合各因素的能力。2016年，多倫多大學的研究人員進行了一項研究，要求200名參與者用樂高積木搭建一個外星人。他們要求部分參與者使用分好類的積木，另外一組則使用隨機分類的積木。第三組人就方案的創造性打分，結果使用未分類積木的小組，被認為更有創意。
如果類別僵化，還會讓人覺得很難跳出規則使用物件（或想法），從而影響創新。這是功能固著性的問題。
分類思維危害控制
那麼，一位深思熟慮的領導者該如何避免分類思維帶來的危害呢？我們建議採取四步流程：
1.提高警覺。大家都習慣分類思維，這麼做也有充分理由。但是任何決策者都應警惕，分類思維引發的簡化或扭曲問題，理解浮於表面以及隱形偏見。能夠儘量避開這些陷阱的企業，可以幫助員工更好應對不確定性、微妙變化和複雜性。在決策過程中，我們該常常捫心自問，這個類別是否真實存在？是否有用？
2.培養持續分析數據的能力。為避免分類思維帶來的決策隱患，關鍵要有出色的持續性分析，但很多公司缺乏相關知識。例如，在研究細分市場方面，公司將其外包給專業公司，之後錯誤解讀他們得到的信息。這點相對好解決。可以通過一些培訓，讓大家懂得如何使用成熟指標評估細分市場。用細分市場研究作為營銷研究或戰略規劃重要部分的企業，都應進行這類培訓，使用這類指標。這是明智企業培養內部知識專長，獲得競爭優勢的黃金機會。
3.檢視決策標準。很多企業在持續性動態中隨意設立了某個閾值，決定只在超過該值後採取行動，這會產生兩個問題。
首先，增加風險。假設一家公司希望通過市場研究判斷某新品是否能成功。如果在一次大規模調研中，消費者評估達到了預先決定的閾值，或某個實驗結果產生的假設機率小於「神奇數字」0.05，公司也許會決定推出該產品。但是，由於剛剛達到和剛剛錯過閾值幾乎沒有區別，公司可能僅因為樣品隨機變化或數據收集方式的小偏差，得到了這個結果。一個微小且本質上毫無意義的差異，導致了截然不同的決策結果。
第二，隨意選擇的閾值會阻礙學習。舉例來說，一家公司決定，如果未能實現某個營收目標，就進行機構變革。如果公司差一點實現目標，會假設公司出了問題，要進行改革。但如果公司剛剛達到目標，就會假設一切正常，業務照舊。而在這兩個案例中，營收的數據可能幾乎相同。
第三，為避免這種情況，我們推薦你檢視全公司的決策標準。你可能會驚訝於公司有多少決定是基於非此即彼的標準。有些時候這點難以避免，但大部分時候是有其他選擇的，這也是企業獲得競爭優勢的另一個機會。
第四，定期安排「消除僵化」會議。即便你按照前三個步驟進行，仍然會面臨僵化危險。為解決這個問題，你需要定期組織頭腦風暴會，認真審視公司對行業動態最根本的認知。你的顧客分布模型是否還有效？顧客需求和慾望是否有所改變？
分類幫助我們理解世界，和他人溝通。但我們已經發展成為分類機器，以至於在沒有類別的地方也看到類別，這會扭曲我們的世界觀，給決策帶來不良影響。過去，這樣的影響也許不至於使公司陷入危機。但今天，隨著數據革命的發展，成功的關鍵就是降低分類思維帶來的不良後果。