办公室复盘 / 周五下午
“把加班设成硬指标吧，数据已经证明了。”
主管指向右上方的点。林舟却追问：被分到大客户项目的人，是不是同时获得了更成熟的工具、更多协作人手和更明确的决策权限？如果是，资源支持会让他们更可能加班，也更可能交出高绩效。
这时，加班与绩效仍然相关；但把高绩效全部归给加班，就像把雨伞和下雨的同步出现，解释成“雨伞制造了雨”。能同时牵动两个变量的第三个因素，叫作混杂因素。
chapter 01 / evidence desk
数据推理实验室
林舟发现：加班越多的人，季度绩效越高。可这条漂亮的相关线，真的能证明“让大家多加班”有效吗？把三个旋钮拨一拨，先看见关系，再拆开因果。
先读懂林舟手里的数据
林舟负责一家设计公司的项目组。复盘时，他把 36 名成员最近一个季度的平均加班时长和绩效评分放在一起：点云向右上方倾斜。团队主管已经准备宣布“高绩效来自加班”。但林舟还记得，资源支持更充足的项目，往往既更赶工，也更容易拿到好结果。
改变团队情境
拖动后，图中的 36 位成员会重新排列
红点不是“一个人被加班改变了多少”，而是不同成员同时带着不同资源条件出现的结果。
红色趋势线看起来很有说服力。横轴：周均加班 纵轴：绩效
那条线，漏掉了谁
把猜测改成可检验的设计
林舟不需要立刻否认加班的作用；他需要把“同时发生”转成“其他条件尽量相同，只改变一个因素”的比较。为下面的项目试点选一种做法。
等待设计
好的因果问题不是问“谁加班更多”，而是问：在可比条件下，改变加班安排后，结果会怎样变化？
| 你想回答的问题 | 更合适的证据 | 仍要谨慎的地方 |
|---|---|---|
| 两者是否一起变化？ | 散点、相关系数、时间趋势 | 相关不排除第三个因素或反向因果 |
| 改变加班会不会改变绩效？ | 随机或近似随机的对照试点 | 样本、执行偏差与长期影响都要记录 |
推理提示：因果设计追求的不是“绝对完美”，而是让两组在关键条件上尽可能可比，并透明地说明还无法排除的解释。