编辑导语：很多人勤奋又努力却到晚年都得不到一份理想的“自我状态”，细数人生成就发现寥寥无几，我们在时间的洪流中拼命奔跑，被信息物质利益所裹挟，却忘记“我想成为什么样的人”？本文分享了“变量”这个概念，帮助大家更好地把握职场生涯和自我成就，一起来看看吧。
进入主题前做个动作：拿出一张纸和笔，或打开手机备忘录，新建一页便签，然后尽可能的回答这两个问题，未来它可能对你影响至深。
假设现在是80岁寿辰，子孙儿女都在为你庆祝生日，离人世间不到20年的时间里你想为它们留下些什么？现在面前突然出现张6年前的照片，结合当下回忆这些年的变化有哪些遗憾的事情或这些年有什么可拿出手的成果？
分别写出来。
如果我没猜错的话，我想，多数人会一脸茫然兴许有些惭愧，奋斗多年折腾过的事情很多，数一数二能量化展示出来的成就却没几个；只能感叹时间太快，对不对？
为什么会这样呢？也许跟一个原因相关：
我们在时间的洪流中拼命奔跑，被信息物质利益所裹挟，却忘记“我想成为什么样的人”？
没关系别后悔，我把这两个问题提炼下发现它能够影响人生重要的走向，有两个方面：
为什么较多人勤奋又努力却到晚年得不到一份理想的“自我状态”呢？原因是我们的命运就像函数，最终的结果由很多因素共同决定的，如：家庭环境，出身背景，职业选择，努力程度等等。
它们的重要程度和影响力大小都不同，但只要抓住重要的几个就能改变人生的走向，怎么才能找到那些关键要素呢？不妨先了解一个概念「变量」。
一、变量与数值变量
先看变量的英文(variable)，意思是可以变化的；
量指事物的状态，如人的年龄，性别，体重甚至你在玩游戏中的角色等级等。
变量的核心是“具有可变化特征的因素”或“对某一特征的测量”，怎么简单理解？
这好比我们所学的知识都是散落在各大社交媒体中，像扔满各种东西乱八七糟的房间，拥有变量后就如同拥有一个「整理箱」和「抽屉」。
学术研究者、专家、自媒体把知识分类到抽屉中，然后在变量上贴个标签，那标签就相当于“变量名”，如“管理，哲学，地理，历史或科技，人工智能等。
人看到名字就能分清抽屉中装满的是哪些模型，因此人拥有变量就非常省事，我们学习哪些科目只需要找到「它在哪里」即可。
但互联网的发展让图文，视频变得多元化，如同我说知识如同金字塔，越往上越难度且理性，主要分为四个等级：
你看学术型知识越多，自身对某些领域掌握新鲜度也就越高；教科书能抽丝剥茧把繁琐事物的本质规律表达清晰；专家能根据自身领域经验总结出一套行业使用方法论，而自媒体文章是对上述的进一步解读。
为什么知识会有这种差异呢？
第一方面，社会主义现代建设化中，发展生产力是科技进步和创新的根本，这意味着会有大量新的「学术知识涌现」，这些知识需要不断的解读来达到大众普适性。
如同：碳中和，碳达峰，新能源，普通人很难浅显的理解这些词背后的意义，就需要不断进行翻译。
第二方面，技术的出现会迭代出新市场机会，而媒介传播的本质便是「信息」，人们热爱通过社交网络进行表达，认知不同造就知识的参差不齐。
简单来说，这种不同等级的拆分让「各阶层」的人都能对某些内容进行掌握；换言之，某些「抽屉」中的内容难免带有主观情绪化的表达，影响人们的主观思考。
因此「变量」也就分场景与等级，按照统计学它有两种：
数值变量（numrical）分类变量（categorical）
1.什么是数值变量？
按照理科逻辑描述，就是一个变量所描述的特征或数量，它的另外一个名字是“变量值”；要知道一个变量总是对应着多个value；是不是很难理解？
简单举例，“性别”就是个变量，对应有男性和女性；大学的年级对应有大一，大二，大三，大四；或一个人职业，年龄，受教育的程度，甚至体重都是变量值。
所以，很多人很把变量和「变量值」搞混淆，准确来讲值(value)就是变量(variable)的特征；而变量(variable)是值(value)所描述的对象，比较难懂对吧，直白点说变量值是单数，变量是复数。
如果在现实生活中，你搞不懂某件事物是否是变量，那用「单复数」视角审视它即可；所以分清两者关系特别重要，世间万物好多事物都是以此为基础；如：
理科中的测量，统计，数据分析；所以想要掌握事情的精准度，就要把比值做到颗粒化状态；一个有趣的现象是统计学又把数值变量分为离散型变量（discrete）和连续型变量（continuous）。
它是什么意思，对我们有多大帮助呢？
从个人视角出发，你会发现人的家庭环境、出身背景、职业选择、努力程度都是变量包含人本身，你很难掌握这些变化。
可唯一不变的是「时间」，它在世界的循环中有序进行，人就属于时间中的连续变量。
因此人唯一能加码的是在一生的时间内尽可能看到那些变化后“确定性概率”较高的东西并产生复利；并且加以1万小时定律，才真正有可能在各种生态的规则下迎来幂定律的出现。
如同：你拥有10年经验，最后离开平台后除经验外还能得到的东西是什么；你奋力追逐行业中的变化，短视频，图文，直播一旦潮水褪去还有哪些是能够抓住的？
从公司视角出发，不难发现公司属于社会形态下的变量，想要在多竞争中稳住脚步除商业模式外，人是推动发展的第一生产力，它是最大变量值。
就像小米集团创始人雷军在创立初期，规模小甚至连产品都没有时，他花80%的时间都用在找人；最可怕的是列出一张表，对意向人才一个个打电话拜访，对稀缺人才要30次顾茅庐。
随着发展人变多团队就属于“离散变量”，它可以按照整段切开，如品牌部30人，销售部10人，设计部20人；评估效率有时就看单环节产出。
综合而言，可以得到的结论是，人生的轨迹有些方面不仅是先天性因素决定的，更多的是后天因素的影响；遇到什么样的人，发生什么样的事情很大程度都是随机的连续变量。
这些连续变量恰恰无法预测，很多时候轨迹因此而改变；那若想成事并不仅仅是抢占风口如此简单，还要看到风口后什么是不变的；进而持续投入，自己的变量值才会权重更高。
也就是说，在一个区间（时间）内数值在不断变化，怎么提到数值增加概率是概率权。
掌握这些就能决定人生的轨迹大致正确吗？
未必，数值用在哪些行业很重要；如果要说数值变量是广度，那分类变量就是深度；两者结合就犹如职业生涯加自我成就；你在一个行业中做多深，认知多高成就就有多强。
二、有序无序分类变量
上述中的抽屉和整理箱还有印象吗？它就是一个分类。
在维基百科中把分类变量（categoricalvariable）理解为「事物类别的某个名称」，如性别是分类，行业，哲学都是分类；在分类中又分两种类型：
该怎么理解呢？
1.无序分类
这里的无序变量（nominal）并非指生活中的「乱八七糟」，而是在所有分类或者属性之间无程度和顺序的差别，通常指取值没有顺序仅做分类；它可分为二分变量和多分类变量，理科的知识是不是比较难懂？
举几个例子：
去医院就诊的病历本上习惯写性别（男女），血型A、B、AB、O；医院重点监护室的患者急需输血，常规会按照血型补充，大概率不会再分男女。
电商平台做营销，会习惯按照不同属性标签做精细化分层，如爱美，20-30岁，出油等；短视频平台会按照点赞量、作品质量、阅读数综合评估一个账号的质量。
所以，无序分类特征是对数据的颗粒化，运用算法精准的预测来解决现实中无法肉眼观察的疑难杂症，或推荐给你感兴趣的内容，让你持续的上瘾。
那无序分类背后对我们启发有什么呢？
社会科学研究中有个特别有趣的东西叫做“假设研究”（hypothesis），它是链接理论和数据重要的黄金线，主要有两大作用：
假设我们能够将一件事情处理到颗粒化，一方面你会更能清晰认知到某件事发生的根源，然后给出完美的解决方案；另一方面你可以基于大量的成功经验做推演，积极创新。
打个比方，自媒体的爆发，让我看到很多人在做个人品牌，但是能把这件事做明白想清楚最后成为大IP的人却少之又少，为什么呢？
UP主认为长期做好视频积累用户量才有出圈的概率，图文创作者认为做好文字积累用户做私域才是根本；在我看来，这些都被表面功夫蒙蔽了自己的双眼。
我们知道一个东西叫做「生命周期」，人和账号就是平台的变量；你的作品（图文，视频）如果没有平台推荐，变量值就会越来越小，进而也就放弃，或者平台某天开始内卷你就更加辛苦。
进一步说，我们都是无序分类中的「变量」，无法逃脱大平台的规则限制；你不仅要按照它的规则做，还要试想着某天自己不做怎么才能源源不断延长周期价值。
其实古人（老子，孔子，鬼谷子）已经告诉我们成为大IP的方法，他们当年也没有互联网平台，可口碑还能流传至今。
所以我一直说，我们通过别人成功的概率把他成长的路径拆分，自己大胆创新那结果基本不会差。
因此，前人已经走完那些路径，我们无需再白白浪费时间去摸索，这除浪费精力外没有任何作用，我们只需要找到背后英雄之旅的路径即可。
如同科学创业一样，直接创新的概率等于死亡，但90%的模仿加10%的创新活的很好；把无序分类的变量思维用在职业生涯中，你不用投入几十年经验就可以学会别人一半的人生经验，如：
拆分他怎么快速做到高级领导的？求证它走的路哪里与别人不同；总而言之，你量化细节才能基于「此环节」创新保证成功的概率。
好比，有赞当年招聘大量的KA销售团队拓展市场，为什么现在TOB公司模仿它把产品推向市场却屡屡不能成功呢？最简单的原因是没抓住背后为什么这么做。
2.有序分类
有序分类变量（ordinal）在表达什么呢？浅显的解答为「等级变量」，好比学历分为文盲，小学、初中、大学，研究生等；你可以把它理解为按照等级分组，观察各数据倍增状态。
如同：在医学界把高血压分为四个等级，（0=正常，1=正常高值；2=1级高血压，3=2级高血压，4等3级高血压）；尿蛋白水平也是同样（1=±，2=+，3=++，4=+++）等等。
或者，假设你手里的有组经济水平的数据变量，它有三个分类（低中高），我们可以把调查人群按照经济收入水平分为“低，中，高收入人群”，然后还可以根据收入的高低，给调查对象排序。
因此，它与无序多分类变量不同在于“有序多分类变量”的各项选项直接呈现一个方向递增或递减的关系，这犹如巴菲特的投资理论，人生就像滚雪球，重要的是发现很湿和很长的坡道。
综合而言，有序分类变量给我们带来的启发是什么呢？“雪球的坡道是等级变量，掌握雪球就能滚动起来”。
换在人生中的应用就是，“越是那些简单重复持续向上的基本套路”就越容易成功。
如「樊登读书」的知识付费、开线下咖啡店、均有可复制的方法论，可复制就能成功吗？未必，要是这样或许很多人早就实现。
怎么找到一件正确的事持续投入让其带来回报呢？有四个维度的判断：
首先，你所在的行业它属于高频复购极强还是低频客单价高很重要，这直接决定普通人赚钱的能力；
其次阶段（进入、发展、成熟、衰退）注定竞争的格局。
再者，不论是红海与蓝海市场都有“机会红利”，积极创新与圈层起到决定性作用。
最后持续的投入是不可缺失的要素，久而久之你也能在某个领域获得不小的成就。
一个简单例子：
每年我经常看到“