卡尔曼滤波（Kalman Filter·多源加权融合）：
两个后台数据打架，你信哪个

思维工具箱 · 公式层（控制论）

两个平台的销量对不上，两个部门的口径不一样，供应商的报价忽高忽低——决策者每天都在被互相矛盾的信息轰炸。全信A，B在骂；全信B，下次打脸的是A。阿波罗登月时也面临同样的问题：传感器个个带噪声。工程师卡尔曼给出的答案成了经典：预测 + 新观测，按各自可信度加权融合——谁最近准，就多听谁的。

三个用法

  • 多渠道数据打架：不站队任何一边。按历史准确率加权出中间估计，同时记录谁的误差在变大。"兼听则明，偏信则暗"——这句古话缺了半截，卡尔曼补上了：听，但要按可信度加权地听。
  • 供应商涨价：一次报价≠行情变了。用历史价格做"预测"，这次报价做"观测"，融合后再决定动不动。
  • 考核员工和渠道：单月业绩是噪声，连续趋势才是信号——但最近一个月的权重应大于一年前的。人也会变好或变坏。

    • 利害两面

    好处：不再被单点信息绑架，决策有了稳定的锚。代价：你要维护一份"各消息源的历史准确率"记录——这是额外功课。但不做的代价更贵：每次数据打架都靠拍脑袋站队，站错了没人复盘，同一个错站一辈子。

    被多平台数据打架折磨？说说你的情况，我们帮你设计加权规则。